[go: up one dir, main page]

CN105830070A - 钻井操作期间的实时风险预测 - Google Patents

钻井操作期间的实时风险预测 Download PDF

Info

Publication number
CN105830070A
CN105830070A CN201380079869.3A CN201380079869A CN105830070A CN 105830070 A CN105830070 A CN 105830070A CN 201380079869 A CN201380079869 A CN 201380079869A CN 105830070 A CN105830070 A CN 105830070A
Authority
CN
China
Prior art keywords
risk
predetermined
prediction
zones
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201380079869.3A
Other languages
English (en)
Inventor
S·杜尔孙
T·图纳
K·杜曼
R·W·凯洛格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Landmark Graphics Corp
Original Assignee
Landmark Graphics Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Landmark Graphics Corp filed Critical Landmark Graphics Corp
Publication of CN105830070A publication Critical patent/CN105830070A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Fluid Mechanics (AREA)
  • Medical Informatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • User Interface Of Digital Computer (AREA)
  • Control Of Conveyors (AREA)

Abstract

用于在钻井操作期间使用来自未完成的井的实时数据、训练的粗糙层模型和所述训练的粗糙层模型的每一相应层的训练的精细层模型进行实时风险预测的系统和方法。除了将所述系统和方法用于实时风险预测之外，所述系统和方法也可用以监测其它未完成的井并对所述监测的井的每一风险等级的持续时间执行统计分析。

Description

钻井操作期间的实时风险预测
相关申请的交叉引用
不适用。
关于联邦资助研究的声明
不适用。
公开领域
本公开一般来说涉及用于钻井操作期间的实时风险预测的系统和方法。更具体地说，本公开涉及在钻井操作期间使用来自未完成的井的实时数据、训练的粗糙层模型和用于训练的粗糙层模型的每一相应层的训练的精细层模型进行的实时风险预测。
背景
在油气钻井操作期间的风险预测的常规技术通常只考虑单一的模型或单一的风险预测方法。此类技术的一个缺点包括因为用大的数据集进行训练而在基于时间的预测结果中失去精确度。另外，此类技术通过将历史数据分割成三个不同的时间段来训练其模型：i)当所有钻井条件正常时；ii)当风险实现是迫近的时；和iii)当风险实际上实现时，诸如例如卡管。在大多数情况下，与其它时间段相比，时间段(iii)的历史数据揭示巨大改变。来自时间段(iii)的历史数据因此压倒另外两个时间段的历史数据，这降低在时间段(ii)中风险实现是迫近的时预测的准确度。一些常规技术也可仅使用来自单一井的历史数据以用于训练，其可能不是足以准确地描述现有井或具有相同地形的新井的属性的数据。
附图简述
下文参看附图描述本公开，附图中相似元件用相似的参考数字指代，且其中：
图1是说明用于实现本公开的方法的一个实施方案的流程图。
图2是说明在图1的步骤104中输入的历史数据的多个属性的示例性格式的显示。
图3是说明在图1的步骤106中分段的历史数据的示例性格式的显示。
图4是说明用于在图1的步骤110中提取表示每一相应历史数据段的一个或多个特征的示例性技术。
图5是说明在图1的步骤112中定义的示例性粗糙层模型和精细层模型的显示。
图6是说明用于监测在图1的步骤120中预测的风险并管理每一未完成的井的钻井操作的示例性图形用户界面的显示。
图7是说明用于实现本公开的计算机系统的一个实施方案的框图。
优选实施方案的详细描述
本公开因此通过提供用于在钻井操作期间使用来自未完成的井的实时数据、训练的粗糙层模型和用于训练的粗糙层模型的每一相应层的训练的精细层模型进行实时风险预测的系统和方法来克服现有技术中的一个或多个缺陷。
在一个实施方案中，本公开包括一种用于在井的钻井操作期间管理预定风险的方法，其包括：a)提供图形用户界面，其用于显示：i)在所述钻井操作期间在预定警告间隔下的多个风险区的一者中的所述预定风险的每一预测，每一风险区与预定增量时间和风险等级相关联；和ii)用于基于所述预定风险的所述预测中的一者修改所述钻井操作的预定建议；b)在所述钻井操作期间使用所述图形用户界面和计算机处理器监测所述预定警告间隔下的所述预定风险的每一预测；以及c)在所述钻井操作期间通过使用所述预定建议来修改所述钻井操作并在所述钻井操作期间降低所述多个风险区的一者中的所述预定风险的所述预测中的另一者的所述风险等级来管理所述预定风险。
在另一实施方案中，本公开包括一种有形地携载用于在井的钻井操作期间管理预定风险的计算机可执行指令的非暂时性程序载体装置，所述指令可执行以实现以下操作：a)提供图形用户界面，其用于显示：i)在所述钻井操作期间在预定警告间隔下的多个风险区的一者中的所述预定风险的每一预测，每一风险区与预定增量时间和风险等级相关联；和ii)用于基于所述预定风险的所述预测中的一者修改所述钻井操作的预定建议；b)在所述钻井操作期间使用所述图形用户界面监测所述预定警告间隔下的所述预定风险的每一预测；以及c)在所述钻井操作期间通过使用所述预定建议来修改所述钻井操作并在所述钻井操作期间降低所述多个风险区的一者中的所述预定风险的所述预测中的另一者的所述风险等级来管理所述预定风险。
在又一实施方案中，本公开包括一种有形地携载数据结构的非暂时性程序载体装置，所述数据结构包括：a)第一数据字段，其包括用于显示在井的钻井操作期间在预定警告间隔下的多个风险区的一者中的所述井的预定风险的每一预测的风险区窗口，每一风险区与预定增量时间和风险等级相关联；以及b)第二数据字段，其包括用于显示用于基于所述预定风险的所述预测中的一者修改所述钻井操作的预定建议的钻井操作窗口。
本公开的主题是特定地描述的，然而，描述本身无意限制本公开的范围。因此，主题也可结合其它目前的或未来的技术用其它方式体现以包括不同的步骤或与本文中描述的步骤类似的步骤的组合。此外，尽管术语“步骤”在本文中可用以描述所采用的方法的不同元素，但术语不应解释为暗示本文中公开的各步骤中的或之间的任何特定顺序，除非描述另外明确地限于特定顺序。尽管本公开可应用于油气产业，但其不限于此且也可应用于其它产业以实现类似的结果。
方法描述
现在参看图1，说明用于实现本公开的方法100的一个实施方案的流程图。方法100呈现用于在钻井操作期间使用来自未完成的井的实时数据、训练的粗糙层模型和用于训练的粗糙层模型的每一相应层的训练的精细层模型进行实时风险预测的双模型方法。
在步骤102中，使用参看图7进一步描述的客户端接口和/或视频接口来手动地选择风险、一个或多个风险属性、一个或多个完成的井、一个或多个未完成的井、模型类型和模型参数。或者，可自动选择风险、一个或多个风险属性、一个或多个完成的井、一个或多个未完成的井、模型类型和/或模型参数。风险例如可包括与钻井相关联的任何风险，诸如例如卡管。风险属性可包括与风险相关联的任何和所有属性，诸如例如卡管的大钩载荷、钻压和马达rpm。模型参数用以如参看步骤112进一步所描述定义粗糙层模型和用于粗糙层模型的每一层的精细层模型。模型类型用以如参看步骤114进一步所描述训练粗糙层模型和每一精细层模型。为了示例性目的，在以下描述中针对卡管选择风险和风险属性。
在步骤104中，使用参看图7进一步描述的客户端接口和/或视频接口来手动地输入包括来自一个或多个未完成的井的实时数据和来自一个或多个完成的井的历史数据的数据。或者，可自动输入实时数据和历史数据。实时数据和历史数据可包括：i)地面数据测井，诸如钻进速度(ROP)、每分钟转数(RPM)、钻压(WOB)、井孔深度和钻头深度；ii)调查数据，诸如倾角和方位角；和iii)测量地层参数的数据，诸如电阻率、孔隙度、声速和伽玛射线。实时数据和历史数据可按基于时间和/或基于深度的增量记录。历史数据还包括与来自同一地理区域中的所有可用的完成的井的选定的风险和风险属性相关的数据。自动地或手动地用时间戳和深度戳中的至少一者标记历史数据中的实现的每一选定的风险(例如，卡管事件)，且自动地或手动地用时间戳和深度戳中的至少一者将历史数据中的每一选定的风险属性(例如，钻压)标记为安全的、可能的风险或实现的风险。历史数据中的风险属性用列列出，其形成测井曲线。对于每一属性，如图2中所说明每十(10)秒对新的历史数据进行格式化。或者，可按不同时间和/或深度增量对新的历史数据进行格式化，这取决于可用的历史数据。
在步骤106中，使用本领域众所周知的技术根据时间对历史数据分段。如图3中所说明，可使用滑动窗口或不相交窗口根据时间和/或深度对历史数据分段以用于将连续的和一致的数据段分组。
在步骤108中，方法100基于来自参看图7进一步描述的客户端接口和/或视频接口的输入确定是否提取表示每一相应历史数据段的一个或多个特征。如果不应提取特征，那么方法100进行至步骤112。如果应提取特征，那么方法100进行至步骤110。通过提取表示每一相应历史数据段的特征，方法100可用以显现更准确的实时风险预测结果。
在步骤110中，可使用本领域众所周知的技术(诸如例如统计特征提取、线性预测性滤波器系数、共变矩阵和/或L矩)来提取表示每一相应历史数据段的一个或多个特征。尽管这些技术是示例性的，但一种或多种可用于此步骤中。在图4中，说明每一示例性特征提取技术。每一技术导致相应特征向量(F_DS1…N)。特征向量(F_DS1…N)由N个特征向量组成。统计特征提取技术导致分段的历史数据的基本顺序统计，诸如例如分段的历史数据的最小值、最大值、平均值和方差。因此，统计特征提取技术将每一数据段(DS)的基本顺序统计转化为单独数目N个特征向量。线性预测性滤波器系数技术导致线性滤波器系数且L矩技术导致L矩值，每一个用于分段的历史数据。共变矩阵技术结果可用以下方式实现。典型的历史数据段(DSi)由属性的矩阵组成：
在提取DSi的协方差特征之前，对DSi滤波以得到呈矩阵形式的水平的和垂直的、第一和第二导数：
HD1_DSi：相对于DSi的行的第一水平导数
VD1_DSi：相对于DSi的列的第一垂直导数
HD2_DSi：相对于DSi的行的第二水平导数
VD2_DSi：相对于DSi的列的第二垂直导数
DSi中列出的所有值的原始和导数值组织在以下矩阵(M_DSi)中：
矩阵M_DSi的第一行由所有五个矩阵(DSi、HD1_DSi、VD1_DSi、HD2_DSi、VD2_DSi)的第一(左上)位置中的值组成。总共N2x5个值插入在矩阵M_DSi中。使用以下方程式计算矩阵M_DSi的协方差矩阵：
COV_DSi＝E[(M_DSi-E[M_DSi])T(M_DSi-E[M_DSi])](3)
其中(E)是矩阵的期望值。因为使用方程式(3)计算的矩阵是对称的，所以矩阵的上部或下部三角形中的值仅用作协方差特征。因此，此技术将开始大小是N2的数据减小至总共15个值以便将DSi识别为特征向量。
在步骤112中，基于选定的模型类型定义粗糙层模型和用于粗糙层模型的每一层的精细层模型。选定的模型类型可以是静态映射或模糊映射。在静态映射中，预定义风险区的持续时间和数目，然而，在模糊映射中，不预定义风险区的持续时间和数目，如本文中进一步解释。模糊映射包括由领域专家定义的模糊推理系统模型和规则库，其为还未用于定义粗糙层模型和用于粗糙层模型的每一层的精细层模型的众所周知的技术。模糊推理系统和规则库使用分段的历史数据或表示每一相应历史数据段的提取的特征自动计算i)粗糙层模型的表示具有最佳增量时间(例如，以分钟为单位)的不同风险区的层；和ii)每一精细层模型的表示相应风险区内的具有最佳增量时间(例如，以分钟为单位)总计达相应风险区的最佳增量时间的不同分类等级的层的最佳数目。每一风险区的最佳增量时间和因此分类等级可不同。在静态映射中，选定的模型参数用以定义粗糙层模型和粗糙层模型的每一层的精细层模型。模型参数可包括例如预报范围(例如，以分钟为单位)、粗糙层模型段数(即，粗糙层模型的表示具有相同的增量时间(例如，以分钟为单位)总计达预报范围的不同风险区的层)、精细层模型段数(即，每一精细层模型的表示相应风险区内的具有最佳增量时间(例如，以分钟为单位)总计达相应风险区的增量时间的不同分类等级的层)和警告间隔(例如，以分钟为单位)。预报范围是在风险在历史数据中实现(例如，卡管事件)之前可在步骤120中预测风险的最大时间量。在图5中，作为静态映射实例，针对120分钟的预报范围内的卡管风险说明粗糙层模型和精细层模型。粗糙层模型段数是四(4)，其将粗糙层模型划分为4层，表示具有相同增量时间(30分钟)总计达预报范围(120分钟)的4个不同的风险区，和安全区。不同的风险区取决于预报范围而表示可能的卡管的不同等级，且安全区表示正常的钻井状况。精细层模型段数是六(6)，其将每一精细层模型划分为6层，表示相应风险区(例如，风险区4)内的具有相同增量时间(5分钟)总计达相应风险区的增量时间(30分钟)的6个不同的分类等级。每一分类等级表示相应风险区内的不同风险等级。粗糙层模型的表示不同风险区的每一层因此包括具有表示不同分类等级的相同层数的精细层模型。通过使用粗糙层模型和粗糙层模型的每一层的精细层模型(例如，双层方法)，层数可减少以使得机器学习算法能够以高准确度工作并精确地预报直到风险可能实现还剩多少时间。警告间隔定义显示步骤120的结果的频率和用以显示每一结果的新的历史数据的量。如果举例来说选择1分钟的警告间隔，那么每分钟使用6行新的历史数据(根据步骤104(每10秒1行))来显示步骤120的结果。
在步骤114中，使用选定的模型类型以及分段的历史数据和表示每一相应历史数据段的提取的特征中的至少一者来训练粗糙层模型和每一精细层模型。粗糙层模型的模型类型可选自静态映射或模糊映射，这取决于哪种模型类型用以在步骤112中定义粗糙层模型和粗糙层模型的每一层的精细层模型。换句话说，在步骤112中使用的模型类型也应用以训练粗糙层模型和每一精细层模型。静态映射包括在本领域中众所周知的三种不同的模型类型：模糊分类模型、隐马尔可夫模型和分类模型。每一精细层模型的模型类型也可选自相同的三种不同的静态映射模型类型。针对粗糙层模型和每一精细层模型选择仅一种模型类型，其可以是相同的或不同的。模糊映射包括模糊推理系统模型和规则库。模糊推理系统模型包括四(4)种成分：模糊化、推理、规则库和去模糊化，这在本领域是众所周知的。规则库含有由钻井领域专家定义为识别某些钻井风险-诸如卡管的指标的规则。推理单元对规则库中定义的模糊规则执行推理操作。模糊化通过使用隶属函数将明确的输入转变为模糊的语言值，而去模糊化将语言值转变为明确的值。选定的模型类型用以通过将分段的历史数据和表示每一相应历史数据段的提取的特征中的至少一者映射至以下层来训练粗糙层模型和每一精细层模型：i)粗糙层模型的表示刚好在实现的风险之前的风险区或安全区的最适当的层；以及ii)精细层模型的表示粗糙层模型的相应风险区内的分类等级的最适当的层。因为在分段的历史数据中和在表示每一相应历史数据段的提取的特征中实现的每一选定的风险(例如，卡管事件)用时间戳和深度戳中的至少一者标记，且因为分段的历史数据和表示每一相应历史数据段的提取的特征中的每一选定的风险属性(例如，钻压)用时间戳和深度戳中的至少一者标记为安全的、可能的风险或实现的风险，所以分段的历史数据和表示每一相应历史数据段的提取的特征可易于映射至i)粗糙层模型的表示刚好在实现的风险之前的风险区或安全区的最适当的层；以及ii)精细层模型的表示粗糙层模型的相应风险区内的分类等级的最适当的层，如图5中所说明。
在步骤116中，方法100基于步骤114的结果确定粗糙层模型和每一精细层模型是否可接受。如果粗糙层模型和每一精细层模型可接受，那么方法100进行至步骤120。如果粗糙层模型和每一精细层模型不可接受，那么方法100进行至步骤118。粗糙层模型和每一精细层模型的可接受性取决于每一模型使用n重交叉验证进行风险预测的准确度，n重交叉验证是本领域中众所周知的技术。如果准确度结果低于预定值，那么粗糙层模型或相应的精细层模型不可接受且无法描述映射至其相应区的分段的历史数据或表示每一相应历史数据段的提取的特征。
在步骤118中，可用参看步骤102描述的方式选择另一模型类型。一旦选择另一模型类型，方法100重复步骤112、114和116，直到粗糙层模型和每一精细层模型可接受为止。用这种方式，可选择不同的模型类型并对其进行测试以确定可接受的粗糙层模型和每一精细层模型。
在步骤120中，使用最后(即，可接受的)训练的粗糙层模型、每一最后(即，可接受的)训练的精细层模型和用于每一相应未完成的井的实时数据预测(预报)每一未完成的井的风险。将每一相应未完成的井的实时数据与最后训练的粗糙层模型和每一最后训练的精细层模型进行比较以便将实时数据分类在i)安全区(即，正常的钻井状况)；或ii)风险区和相应风险区内的分类等级中。因为每一风险区和相应风险区内的每一分类等级定义直到风险实现(例如，卡管事件)的时间量(例如，以分钟为单位)，所以在钻井操作期间接收实时数据时用这种方式对实时数据进行分类可在被监测的多个常规或非常规的未完成的井的钻井操作期间实时地预测风险。每一未完成的井的预测的风险结果可用以实时地管理如对于降低每一相应的未完成的井的风险等级是必要的钻井操作。
现在参看图6，说明用于监测来自步骤120的预测的风险结果和管理每一未完成的井的钻井操作的图形用户界面的显示600。显示600中的顶栏602包括用于选择与选定的风险相关联的风险属性、将要监测的未完成的井筒、模型参数和用于训练粗糙层模型和每一精细层模型的模型类型的标签。选定的风险属性包括与卡管风险相关联的大钩载荷、立管压力和钻压。选定的未完成的井筒是井1。选定的模型参数包括预报范围(120分钟)、粗糙层模型段数(4)、精细层模型段数(6)和警告间隔(1分钟)。而且，选定的模型类型是分类模型。由于选择顶栏602中的实时预报和监测标签，步骤120的结果显示在风险区窗口604中。在此实例中，粗糙层模型被划分为表示4个不同的风险区的4层，这是因为预报范围(120分钟)被粗糙层模型段数(4)划分为相等数目的风险区。因此，每一风险区包括相同的增量时间(30分钟)，总计达预报范围(120分钟)。每一精细层模型被划分为6层，其表示相应风险区内的具有相同时间增量(5分钟)总计达相应风险区的增量时间(30分钟)的6种不同的分类等级。每一分类等级表示相应风险区内的不同风险等级。风险区1表示距卡管事件风险90至120分钟的最低风险等级，且风险区4表示距卡管事件风险0至30分钟的最高风险等级。当在钻井操作期间从井1接收实时数据时，用参看图1中的步骤120描述的方式来对其进行分类以预测井1的卡管的风险等级。井1的卡管的预测的风险等级因此由风险区窗口604中的线606表示。线606实时地建立且线606上的每一数据点608表示步骤120的结果。线606上的每一数据点608与另一数据点608分隔选定的警告间隔(1分钟)。尽管每一精细层模型的每一分类等级在风险区窗口604中不可见，但每一风险等级表示相应风险区内的不同风险等级且用以对风险区1和风险区2内的数据点608进行分类。除了风险区窗口604之外，显示600还包括用于监测选定的风险属性(例如，大钩载荷、立管压力、钻压)的风险属性窗口610和用于将卡管的预测的风险监测为百分比的风险百分比窗口612。
由于线606在风险区窗口604中形成和被监测，因此各种建议可出现在钻井操作窗口614中。建议与可对当前钻井操作所做的改变相关，改变是基于最后训练的粗糙层模型和每一最后训练的精细层模型，以便实时地降低风险等级。建议是由领域专家根据最后训练的粗糙层模型和每一最后训练的精细层模型预先确定的。用这种方式，钻井操作建议可针对风险的每一分类等级预先确定并在表示实时数据的数据点608被分类在相应分类等级内时显示在钻井操作窗口614中。钻井操作窗口614中的钻井操作建议建议在钻井操作期间增大扭矩以将风险等级从风险区2降低至风险区1。如果不显示线606，那么假定钻井操作处于安全区中。
除了使用步骤120的结果以用于实时风险预测之外，结果也可被存储且稍后用作历史数据：i)以根据方法100监测其它未完成的井；和ii)以执行对所监测的井的每一风险等级的持续时间的统计分析。在后一用途中，统计分析可包括例如：i)特定风险等级的持续时间的概率分布；ii)连续风险等级的总持续时间的概率分布；iii)处于同一风险等级(例如，风险区5)的连续的预测的事件的持续时间的概率分布；和iv)预测事件模式的风险等级的持续时间和序列的概率分布。作为实例，示例性概率分布的统计分析可用以确定在钻井时具有循环漏失问题的井。一个或多个概率分布的分析可揭示循环漏失主要在特定风险等级(例如，等级3)的持续时间遵循高斯分布的井中发生。因此，在循环漏失与钻井操作期间的风险等级3的持续时间之间存在相关性。一旦此相关性被验证(例如，在多个井处经历)，其可用于通过计算在钻井操作期间各个风险等级的持续时间的概率分布来进行实时分析。如果特定风险等级(例如，等级3)的持续时间遵循高斯分布，那么可发送通知以作为存在迫近的循环漏失的警报。示例性概率分布的统计分析还可用以确定：i)在钻井时具有较多不可见时间或非生产时间的井(特定风险等级(例如，等级4)的持续时间遵循对数正态分布)；和ii)具有卡管的井(风险等级遵循风险等级4处的短持续时间，接着风险等级3处的长持续时间，接着卡管事件的模式)。
图1中的方法100和图6中的图形用户界面因此使得钻井操作者、工程师和管理者能够在未完成的井的钻井操作期间实时地监测某些风险，并关于何时和如何管理或修改钻井操作做出明智的决定以提前降低风险等级。因而，钻井操作的成本可降低且生产率提高。与常规风险预测技术相比，方法100仅考虑刚好在特定风险实现之前的钻井状况期间的(即，在风险实现之前的钻井状况而不是实现的风险期间的钻井状况期间的)井的历史数据。因为不考虑实现的风险期间的历史数据，所以风险预测准确度得以改进。而且，因为来自在同一地理区域中的所有可用井的历史数据用以训练模型，所以方法100变得在钻探具有新的地形的新的井时在预测风险方面更准确。
系统描述
本公开可通过计算机可执行指令程序，诸如程序模块，一般来说称作由计算机执行的软件应用或应用程序实现。软件可包括例如执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件和数据结构。软件形成接口以允许计算机根据输入源作出反应。ZetaAnalyticsTM，这是LandmarkGraphicsCorporation销售的商业软件应用，可以用作接口应用以实现本公开。软件还可与其它代码段协作，以便响应于结合所接收的数据源而接收的数据起始多个任务。软件可存储和/或携载在任何多种存储器上，诸如CD-ROM、磁盘、磁泡存储器和半导体存储器(例如，各种类型的RAM或ROM)。此外，软件和其结果可经由多种携载媒体(诸如光纤、金属线)和/或通过多种网络中的任一者(诸如因特网)来传输。
此外，本领域技术人员应理解，本公开可以用多种计算机系统配置来实践，包括手持装置、多处理器系统、基于微处理器或可编程消费性电子产品、小型计算机、大型计算机等。任何数目的计算机系统和计算机网络可被接受用于本公开。本公开可以在分布式计算环境中实践，其中通过经由通信网络连接的远程处理装置来执行任务。在分布式计算环境中，程序模块可位于包括存储器存储装置的本地计算机存储媒体和远程计算机存储媒体中。因此，本公开可在计算机系统或其它处理系统中结合各种硬件、软件或其组合实现。
现在参看图7，框图说明用于在计算机上实现本公开的系统的一个实施方案。系统包括计算单元(有时被称为计算系统)，其含有存储器、应用程序、客户端接口、视频接口以及处理单元。计算单元仅仅是合适的计算环境的一个实例，并且无意暗示对本公开的使用或功能性的范围的任何限制。
存储器主要存储应用程序，其也可被描述为含有计算机可执行指令的程序模块，计算机可执行指令由计算单元执行以用于实现本文中描述的和在图1至6中说明的本公开。因此，存储器包括实时风险预测模块，其可集成来自图7中说明的剩余应用程序的功能性。具体地说，ZetaAnalyticsTM可用作接口应用以提供步骤102中的模型类型，提供步骤104中的历史数据，并使用图形用户界面显示和监测步骤120的结果。实时风险预测模块使得能够执行参看图1描述的步骤102至120的其余部分。尽管ZetaAnalyticsTM可用作接口应用，但可替代地使用其它接口应用，或实时风险预测模块可用作独立应用。
尽管计算单元被示出为具有广义存储器，但计算单元通常包括多个计算机可读媒体。举例来说，但不作为限制，计算机可读媒体可以包括计算机存储媒体和通信媒体。计算系统存储器可以包括呈易失性和/或非易失性存储器形式的计算机存储媒体，例如只读存储器(ROM)和随机存取存储器(RAM)。含有基本例程的基本输入/输出系统(BIOS)通常存储在ROM中，基本例程有助于诸如在启动期间在计算单元内的元件之间传送信息。RAM通常含有可立即由处理单元存取和/或目前正在处理单元上操作的数据和/或程序模块。举例来说，而不作为限制，计算单元包括操作系统、应用程序、其它程序模块和程序数据。
存储器中示出的组件还可以包括在其它可移动/不可移动、易失性/非易失性计算机存储媒体中，或者它们可以通过应用程序接口(“API”)或云计算在计算单元中实现，应用程序接口或云计算可驻留在通过计算机系统或网络连接的单独的计算单元上。仅举例来说，硬盘驱动器可以从不可移动的非易失性磁性媒体读取或向其写入，磁盘驱动器可以从可移动的非易失性磁盘读取或向其写入，且光盘驱动器可以从可移动的非易失性光盘(诸如CDROM或其它光学媒体)读取或向其写入。可以在示例性操作环境中使用的其它可移动/不可移动，易失性/非易失性计算机存储媒可包括但不限于：磁带盒、闪存卡、数字多功能盘、数字视频磁带、固态RAM、固态ROM等。上述驱动器和其相关联的计算机存储媒体提供对用于计算单元的计算机可读指令、数据结构、程序模块和其它数据的存储。
客户可以通过客户端接口将命令和信息键入计算单元中，客户端接口可以是输入装置，诸如键盘和通常被称作鼠标、轨迹球或触摸板的指向装置。输入装置可包括麦克风、操纵杆、碟形卫星、扫描仪等。这些和其它输入装置常常通过耦合至系统总线的客户端接口连接至处理单元，而且还可以通过其它接口和总线结构(诸如并行端口或通用串行总线(USB))连接。
监视器或其它类型的显示装置可以经由接口(诸如视频接口)连接至系统总线。图形用户界面(“GUI”)也可以与视频接口一起用来从客户端接口接收指令并将指令传输给处理单元。除了监视器之外，计算机还可以包括可以通过输出外围接口连接的其它外围输出装置，例如扬声器和打印机。
尽管计算单元的许多其它内部组件未被示出，但本领域技术人员应了解此类组件和其互连是众所周知的。
虽然已结合目前的优选实施方案描述了本公开，但本领域技术人员应理解，无意将本公开限于那些实施方案。因此，预期可对公开的实施方案做出各种替代实施方案和修改而不脱离由所附权利要求书及其等效物限定的本公开的精神和范围。

Claims (20)

1.一种用于在井的钻井操作期间管理预定风险的方法，其包括：
提供图形用户界面，其用于显示：i)在所述钻井操作期间在预定警告间隔下的多个风险区的一者中的所述预定风险的每一预测，每一风险区与预定增量时间和风险等级相关联；和ii)用于基于所述预定风险的所述预测中的一者修改所述钻井操作的预定建议；
在所述钻井操作期间使用所述图形用户界面和计算机处理器监测所述预定警告间隔下的所述预定风险的每一预测；以及
在所述钻井操作期间通过使用所述预定建议来修改所述钻井操作并在所述钻井操作期间降低所述多个风险区的一者中的所述预定风险的所述预测中的另一者的所述风险等级来管理所述预定风险。
2.如权利要求1所述的方法，其进一步包括：
存储所述预定风险的每一预测；以及
对所述多个风险区的每一者中的所述预定风险的每一预测的持续时间执行统计分析。
3.如权利要求2所述的方法，其中所述统计分析包括以下各项中的至少一者：所述多个风险区的一者中的所述预定风险的每一预测的持续时间的概率分布、所述多个风险区的每一者中的所述预定风险的每一预测的累积持续时间、所述多个风险区的一者中的所述预定风险的每一连续预测的持续时间，和所述多个风险区的每一者中的所述预定风险的每一预测的持续时间和序列。
4.如权利要求3所述的方法，其中所述统计分析用以确定所述井的循环漏失、非生产时间和卡管事件中的至少一者。
5.如权利要求1所述的方法，其中所述预定风险的每一预测是基于地理区域内的所述井的实时数据和来自所述地理区域内的每一完成的井的历史数据。
6.如权利要求1所述的方法，其中所述预定风险的每一预测是基于地理区域内的所述井的实时数据和仅在所述预定风险实现之前的钻井条件期间的来自所述地理区域内的每一完成的井的历史数据。
7.如权利要求1所述的方法，其中所述预定警告间隔下的所述预定风险的每一预测由线连接。
8.如权利要求1所述的方法，其中所述图形用户界面包括用于显示所述预定风险的每一预测的风险区窗口和用于显示选定的风险属性的风险属性窗口。
9.如权利要求8所述的方法，其中所述图形用户界面包括交互标签，其用于从将被监测的多个风险属性中选择所述风险属性，且用于从多个未完成的井中选择将被监测的所述井。
10.一种有形地携载用于在井的钻井操作期间管理预定风险的计算机可执行指令的非暂时性程序载体装置，所述指令可执行以实现以下操作：
提供图形用户界面，其用于显示：i)在所述钻井操作期间在预定警告间隔下的多个风险区的一者中的所述预定风险的每一预测，每一风险区与预定增量时间和风险等级相关联；和ii)用于基于所述预定风险的所述预测的一者修改所述钻井操作的预定建议；
在所述钻井操作期间使用所述图形用户界面监测所述预定警告间隔下的所述预定风险的每一预测；以及
在所述钻井操作期间通过使用所述预定建议来修改所述钻井操作并在所述钻井操作期间降低所述多个风险区的一者中的所述预定风险的所述预测中的另一者的所述风险等级来管理所述预定风险。
11.如权利要求10所述的程序载体装置，其进一步包括：
存储所述预定风险的每一预测；以及
对所述多个风险区的每一者中的所述预定风险的每一预测的持续时间执行统计分析。
12.如权利要求11所述的程序载体装置，其中所述统计分析包括以下各项中的至少一者：所述多个风险区的一者中的所述预定风险的每一预测的持续时间的概率分布、所述多个风险区的每一者中的所述预定风险的每一预测的累积持续时间、所述多个风险区的一者中的所述预定风险的每一连续预测的持续时间，和所述多个风险区的每一者中的所述预定风险的每一预测的持续时间和序列。
13.如权利要求12所述的程序载体装置，其中所述统计分析用以确定所述井的循环漏失、非生产时间和卡管事件中的至少一者。
14.如权利要求10所述的程序载体装置，其中所述预定风险的每一预测是基于地理区域内的所述井的实时数据和来自所述地理区域内的每一完成的井的历史数据。
15.如权利要求10所述的程序载体装置，其中所述预定风险的每一预测是基于地理区域内的所述井的实时数据和仅在所述预定风险实现之前的钻井条件期间的来自所述地理区域内的每一完成的井的历史数据。
16.如权利要求10所述的程序载体装置，其中所述预定警告间隔下的所述预定风险的每一预测由线连接。
17.如权利要求10所述的程序载体装置，其中所述图形用户界面包括用于显示所述预定风险的每一预测的风险区窗口和用于显示选定的风险属性的风险属性窗口。
18.如权利要求17所述的程序载体装置，其中所述图形用户界面包括交互标签，其用于从将被监测的多个风险属性中选择所述风险属性，且用于从多个未完成的井中选择将被监测的所述井。
19.一种有形地携载数据结构的非暂时性程序载体装置，所述数据结构包括：
第一数据字段，其包括用于显示在井的钻井操作期间在预定警告间隔下的多个风险区的一者中的所述井的预定风险的每一预测的风险区窗口，每一风险区与预定增量时间和风险等级相关联；以及
第二数据字段，其包括用于显示用于基于所述预定风险的所述预测中的一者修改所述钻井操作的预定建议的钻井操作窗口。
20.如权利要求19所述的程序载体装置，其进一步包括第三数据字段，所述第三数据字段包括用于显示选定的风险属性的风险属性窗口。
CN201380079869.3A 2013-10-25 2013-10-25 钻井操作期间的实时风险预测 Pending CN105830070A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2013/066856 WO2015060865A1 (en) 2013-10-25 2013-10-25 Real-time risk prediction during drilling operations

Publications (1)

Publication Number Publication Date
CN105830070A true CN105830070A (zh) 2016-08-03

Family

ID=52993310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380079869.3A Pending CN105830070A (zh) 2013-10-25 2013-10-25 钻井操作期间的实时风险预测

Country Status (12)

Country Link
US (1) US20160239754A1 (zh)
CN (1) CN105830070A (zh)
AR (1) AR097876A1 (zh)
AU (1) AU2013403353B2 (zh)
BR (1) BR112016006621A2 (zh)
CA (1) CA2925113C (zh)
DE (1) DE112013007532T5 (zh)
GB (1) GB2534729B (zh)
MX (1) MX2016003840A (zh)
RU (1) RU2016110570A (zh)
SG (1) SG11201602213RA (zh)
WO (1) WO2015060865A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113496302A (zh) * 2020-04-02 2021-10-12 中国石油化工股份有限公司 一种对钻井风险进行智能识别预警的方法与系统
CN114526052A (zh) * 2021-12-31 2022-05-24 中国石油天然气集团有限公司 一种钻完井工程风险预测方法及装置

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10513920B2 (en) 2015-06-19 2019-12-24 Weatherford Technology Holdings, Llc Real-time stuck pipe warning system for downhole operations
WO2017034586A1 (en) * 2015-08-27 2017-03-02 Halliburton Energy Services, Inc. Predicting wellbore operation parameters
GB2557054B (en) 2015-08-27 2021-07-14 Halliburton Energy Services Inc Determining sources of erroneous downhole predictions
GB2558423B (en) 2015-08-27 2021-04-28 Halliburton Energy Services Inc Tuning predictions of wellbore operation parameters
US11216491B2 (en) * 2016-03-31 2022-01-04 Splunk Inc. Field extraction rules from clustered data samples
US11062333B2 (en) * 2016-11-22 2021-07-13 Accenture Global Solutions Limited Determining indices based on area-assigned data elements
US20210166197A1 (en) * 2017-03-14 2021-06-03 iMitig8 Risk LLC System and method for providing risk recommendation, mitigation and prediction
US11215033B2 (en) 2018-05-16 2022-01-04 Saudi Arabian Oil Company Drilling trouble prediction using stand-pipe-pressure real-time estimation
RU2719792C2 (ru) * 2018-07-24 2020-04-23 Общество с ограниченной ответственностью "Газпромнефть Научно-Технический Центр" (ООО "Газпромнефть НТЦ") Способ прогноза зон поглощений бурового раствора при бурении скважин на основе трехмерной геомеханической модели и тектонической модели месторождения
CN110874686B (zh) * 2018-09-04 2022-05-17 中国石油化工股份有限公司 一种井下风险判别方法
US11230917B2 (en) 2018-11-13 2022-01-25 Vault Pressure Control Llc Surface completion system for operations and monitoring
US11466536B2 (en) 2019-10-04 2022-10-11 Vault Pressure Control, Llc Hydraulic override for confined space
RU2753289C1 (ru) * 2020-10-20 2021-08-12 Федеральное государственное автономное образовательное учреждение высшего образования «Южно-Уральский государственный университет (национальный исследовательский университет)» Способ прогнозирования прихватов бурильных труб в процессе бурения скважины в режиме реального времени
CN112668429B (zh) * 2020-12-21 2023-06-20 湛江申翰科技实业有限公司 一种汉白玉粉末的智能制备方法和装置
US20230078208A1 (en) * 2021-09-01 2023-03-16 SparkCognition, Inc. State prediction reliability modeling
US20250021730A1 (en) * 2021-12-10 2025-01-16 Saudi Arabian Oil Company Identifying and predicting unplanned drilling events
US20250382865A1 (en) * 2024-06-18 2025-12-18 Halliburton Energy Services, Inc. Vibrational mode and severity determinations for drilling systems

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020103630A1 (en) * 2001-01-30 2002-08-01 Aldred Walter D. Interactive method for real-time displaying, querying and forecasting drilling event and hazard information
US20090225630A1 (en) * 2008-03-10 2009-09-10 Schlumberger Technology Corporation Data aggregation for drilling operations

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9621871D0 (en) * 1996-10-21 1996-12-11 Anadrill Int Sa Alarm system for wellbore site
US7258175B2 (en) * 2004-03-17 2007-08-21 Schlumberger Technology Corporation Method and apparatus and program storage device adapted for automatic drill bit selection based on earth properties and wellbore geometry
US8306842B2 (en) * 2008-10-16 2012-11-06 Schlumberger Technology Corporation Project planning and management

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020103630A1 (en) * 2001-01-30 2002-08-01 Aldred Walter D. Interactive method for real-time displaying, querying and forecasting drilling event and hazard information
US20090225630A1 (en) * 2008-03-10 2009-09-10 Schlumberger Technology Corporation Data aggregation for drilling operations

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
潘万民: "基于WebGIS的钻井风险评估可视化技术研究", 《万方学术论文数据库》 *
高晓荣: "钻井事故诊断决策系统研究与应用软件开发", 《万方学位论文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113496302A (zh) * 2020-04-02 2021-10-12 中国石油化工股份有限公司 一种对钻井风险进行智能识别预警的方法与系统
CN113496302B (zh) * 2020-04-02 2024-05-14 中国石油化工股份有限公司 一种对钻井风险进行智能识别预警的方法与系统
CN114526052A (zh) * 2021-12-31 2022-05-24 中国石油天然气集团有限公司 一种钻完井工程风险预测方法及装置
CN114526052B (zh) * 2021-12-31 2023-09-19 中国石油天然气集团有限公司 一种钻完井工程风险预测方法及装置

Also Published As

Publication number Publication date
MX2016003840A (es) 2017-03-01
WO2015060865A1 (en) 2015-04-30
AR097876A1 (es) 2016-04-20
CA2925113A1 (en) 2015-04-30
GB2534729B (en) 2020-05-13
GB2534729A (en) 2016-08-03
BR112016006621A2 (pt) 2017-08-01
US20160239754A1 (en) 2016-08-18
SG11201602213RA (en) 2016-05-30
AU2013403353B2 (en) 2017-03-16
RU2016110570A (ru) 2017-11-30
DE112013007532T5 (de) 2016-07-07
GB201605373D0 (en) 2016-05-11
AU2013403353A1 (en) 2016-04-14
CA2925113C (en) 2020-03-31

Similar Documents

Publication Publication Date Title
CN105830070A (zh) 钻井操作期间的实时风险预测
AU2013403352B2 (en) Real-time risk prediction during drilling operations
US12067503B2 (en) System and method for oil and gas predictive analytics
RU2600497C2 (ru) Способы и относящиеся к ним системы построения моделей и прогнозирования операционных результатов операции бурения
EP3397833B1 (en) Machine learning for production prediction
US20220195861A1 (en) Identifying operation anomalies of subterranean drilling equipment
US20200040719A1 (en) Machine-Learning Based Drilling Models for A New Well
EP1610264A2 (en) Anomaly detection in data perspectives
EP3631710B1 (en) Systems and methods for optimizing oil production
CN104024572A (zh) 用于预测钻柱卡钻事件的方法和系统
US20230111036A1 (en) Integrated drilling dysfunction prediction
US20250021730A1 (en) Identifying and predicting unplanned drilling events
US11156740B2 (en) Electrofacies determination
US20250103777A1 (en) Methods and systems for intelligent field development and optimized placement of well pads in unconventional and conventional reservoirs
US20240191611A1 (en) Periodic predictive drilling based on active and historic data
Xi et al. Combining Decline Curve Analysis and Geostatistics to Forecast Gas Production in the Marcellus Shale
Doan et al. Machine Learning and Application Cases for Maximizing Values of Asset Development
CA3268463A1 (en) Augmented intelligence (ai) driven missing reserves opportunity identification
CN119990779A (zh) 一种地震灾害风险评估方法、装置、设备及介质
EP4590931A1 (en) Augmented intelligence (ai) driven missing reserves opportunity identification
WO2025064894A1 (en) Methods and systems for intelligent field development and optimized placement of well pads in unconventional and conventional reservoirs

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160803

WD01 Invention patent application deemed withdrawn after publication