Использование методов машинного обучения c учителем для обнаружения притоков пластового флюида при бурении с управляемым давлением

Abstract

Актуальность. С каждым годом истощение легкодоступных запасов углеводородов определяет необходимость разработки месторождений, характеризующихся сложными горно-геологическими условиями. Бурение с управляемым давлением ознаменовало эпоху высокоточного контроля давления в скважине в процессе бурения. Данная технология обеспечила доступ к залежам, которые ранее считались практически «непригодными для использования». Основная задача применения технологии бурения с управляемым давлением заключается в контроле забойного давления в заданных пределах с целью предотвращения потери жидкости, разрыва пласта, а также нежелательного притока пластовых флюидов в ствол скважины. Однако если в течение некоторого периода времени наблюдается приток пластовой жидкости из открытого ствола скважины или присутствуют потери бурового раствора, то осуществлять контроль забойного давления в заданных пределах не представляется возможным. В данном случае требуется использование дополнительного метода или алгоритма, отмечающего такие периоды и сигнализирующего оператору или контролирующей системе о наличии притока или поглощения бурового раствора. Описанная ранее проблематика предопределила задачу настоящей работы. Утверждается, что интеллектуальная система может автоматически отслеживать и анализировать тенденции параметров, обнаруживать аномалии в изменении параметров бурения в реальном времени, заблаговременно прогнозировать вероятность возникновения притока пластового флюида и предупреждать инженера по бурению на ранней стадии, что позволит реализовать превентивные мероприятия с целью поддержания требуемого профиля забойного давления. Цель: разработка алгоритма, позволяющего прогнозировать вероятность возникновения притока пластового флюида в процессе бурения с управляемым давлением на основании данных геолого-технологических исследований. Методы: оценка и анализ современных достижений в задаче определения притока пластового флюида в процессе бурения с управляемым давлением во временных рядах данных геолого-технологических исследований при помощи алгоритмов машинного обучения. Результаты. Авторами проведен обзор и анализ текущих подходов к определению притока пластового флюида в процессе бурения с управляемым давлением при помощи алгоритмов машинного обучения. Проведены исследования по оценке эффективности классических алгоритмов машинного обучения в задаче выявления притока пластового флюида в процессе бурения с управляемым давлением. Представлены результаты работы модели градиентного бустинга на тестовых скважинах. Определены перспективные направления дальнейших исследований

The relevance. The depletion of readily available hydrocarbon reserves determines development of fields with complex geological environment. Managed Pressure Drilling marked the era of high-precision well parameters monitoring during drilling. This technology has provided access to deposits that were previously considered practically «unusable». The main goal of using managed pressure drilling technology is to control downhole pressure within specified limits in order to prevent fluid loss, fracturing, as well as unwanted kick of reservoir fluids into the wellbore. However, if for a certain period of time there is a kick of reservoir fluid from an open borehole or there are losses of drilling fluid, then it is not possible to control the downhole pressure within the specified limits. In this case, it is necessary to use an additional method or algorithm that marks such periods and indicates to the operator or the monitoring system about the presence of kick or absorption of drilling mud. The problems described earlier predetermined the aim of this work. It is claimed that the intelligent system can automatically monitor and analyze parameter trends, detect anomalies in the change of drilling parameters in real time, predict in advance the probability of formation fluid kick and warn the drilling engineer at an early stage, which will allow implementing preventive activity to maintain the required downhole pressure profile. The main aim: create the kick detection machine learning model which predicts kick probability during the managed pressure well drilling using mud logging service data. Objects: multivariate-sensing time-series data of mud logging and measured pressure drilling service. Methods: analysis and evaluation of anomaly detection techniques of determining kick during managed pressure well drilling using machine learning. Results. The authors have performed the overview of anomaly detection techniques of determining kick during managed pressure well drilling using machine learning. Classical machine learning algorithms were tested with labeled test data in order to evaluate its performance. The authors have developed kick detection model with gradient boosting algorithm, evaluated its performance with labeled test dataset. Promising areas of further research were identified