СПОСОБ И КОМПЬЮТЕРНАЯ СИСТЕМА УПРАВЛЕНИЯ БУРЕНИЕМ СКВАЖИН

Изобретение относится к области бурения скважин в продуктивных пластах и, более конкретно, к способам и системам управления бурением скважин с применением методов машинного обучения и математической оптимизации.

Бурение скважин - первый этап разработки нефтегазовых месторождений. Бурение наклонно направленных и горизонтальных скважин обеспечивает процесс добычи углеводородов из тонких продуктивных пропластков (интервалов) сложной геометрической формы. При бурении скважин управление траекторией и режимами бурения осуществляется специалистами, которые ориентируются на:

- данные геолого-технической информации (ГТИ, или телеметрия бурения с поверхности, включающие вес на крюке, нагрузку на долото, частоту вращения ротора, давление в нагнетательной линии, расход жидкости и др.);

- данные инклинометрии, содержащие информацию об угле искривления ствола скважины и его пространственном положении;

- данные каротажа при бурении, включающие гамма каротаж, нейтронный, плотностной каротажи, имиджер и др.;

- геолого- технический наряд на строительство скважины;

- данные о предполагаемом разрезе, построенные по результатам сейсмических исследований и результатам бурения опорных скважин.

Такой подход к управлению бурением имеет следующие недостатки:

- зона непромера - расстояние между долотом и каротажными датчиками. Эта зона обуславливает запаздывание информации об условиях бурения, что приводит к длительным корректировкам или перебурам части ствола;

- невозможность визуального контроля за большим количеством телеметрических кривых одновременно, что является причиной возникновения аварий;

- несоответствие проекта на строительство скважины фактическим условиям бурения, что приводит к завышенным срокам и стоимости строительства скважины, не достижению проектного дебита.

Известен способ управления бурением скважин, описанный в патенте РФ 2542026 и содержащий следующие этапы: подготовка бурового оборудования, имеющего компоновку низа бурильной колонны, которая включает в себя управляемую подсистему наклонно-направленного бурения и направленный измерительный прибор каротажа во время бурения с возможностью кругового просмотра и упреждающего просмотра; определение наличия заданного типа особенности пласта в целевом пласте; и осуществление навигации траектории бурения в целевом пласте указанным буровым оборудованием, включающей в себя прием сигналов измерений с указанного направленного измерительного прибора, получение на основании принимаемых сигналов измерений показателей параметров пласта относительно указанной особенности пласта в целевом пласте и управление указанной подсистемой наклонно-направленного бурения для бурения в направлении, определяемом в зависимости от указанного получаемого показателя параметров пласта.

Недостатком данного способа является то, что свойства пласта определяют по результатам интерпретации специалистом-геологом информации с прибора каротажа, располагающегося значительно выше долота. Таким образом, информация о прочностных свойствах разбуриваемой породы получается с задержкой, связанной с:

- Удаленностью прибора;

- Временем экспертной интерпретации.

Это приводит к выходам за пределы целевого пласта и длительным корректировкам траектории.

В патенте РФ 2588526 описан способ управления бурением скважин, включающий в себя прием непрерывного потока данных реального времени, связанного с текущей забойной операцией, в хранилище данных. При этом от пользователя поступает выбор забойного параметра. Затем, с помощью вычислительной системы, выбранный забойный параметр оптимизируется на основании части принятого потока данных для достижения целевого значения выбранного забойного параметра. Затем оптимизированный забойный параметр можно использовать в текущей операции.

Недостатками данного способа являются:

Наличие расчетных параметров на основе формул приводит к длительным расчетам, возможным ошибкам и не осуществимости вычисления большого количества вариаций развития событий;

Единовременно оптимизируется только один забойный параметр, но не их совокупность;

Работает по принципу сравнения текущих и проектных данных и позволяет только выставить индикаторы на отклонение от плана;

Требуется ручной ввод части макропараметров бурения.

Известен также способ управления бурением, описанный в патенте РФ 2600497, в соответствии с которым осуществляют сбор данных датчиков относительно соседних скважин и контекстных данных относительно соседних скважин, размещают их в хранилище, создают модели прогноза процесса бурения.

Недостатками данного способа являются:

Описанный в изобретении способ сглаживания исходных данных приводит к удалению части значений, соответствующих реальной аномалии бурения (осложнения, предвестники аварий);

Удаление некорректных значений происходит с формированием «пустот» на их месте;

Требуются данные соседних скважин для формирования прогноза;

Наличие расчетных параметров на основе формул приводит к длительным расчетам и возможным ошибкам;

Требуется ручной ввод части макропараметров бурения;

Содержит множественные модели для одной единицы прогноза, что может приводить как к ошибкам внутри каждой модели, так и в процессе выбора основной модели на данный момент;

Осуществляет прогноз забойной операции без рекомендации параметров для достижения наилучшего результата.

Технический результат, достигаемый при реализации изобретения, заключается в создании эффективной и быстродействующей системы управления бурением скважин, обеспечивающей безаварийную проводку скважин в меняющихся условиях и максимальную добычу углеводородов в процессе последующей эксплуатации при минимальных вложениях в строительство скважин.

Указанный технический результат достигается тем, что в соответствии с предлагаемым способом управления бурением скважин собирают исходные данные, характеризующие процесс бурения и содержащие реально-временные данные, измеряемые в процессе бурения скважины, контекстные данные бурения, относящиеся к макропараметрам бурения и геологические данные, характеризующие продуктивный пласт, в котором осуществляют бурение. Осуществляют компьютерную обработку собранных данных и формируют структурированные массивы данных, содержащие полную характеристику процесса бурения в каждый момент времени. Используя в качестве входных данных сформированные структурированные массивы данных, содержащие полную характеристику процесса бурения в каждый момент времени, определяют в реальном времени фактические условия бурения, включая свойства разбуриваемой в текущий момент породы, потенциальную продуктивность пластов, реологические характеристики бурового раствора и прогнозируют вероятность возникновения осложнений при бурении. Используя в качестве входных данных определенные в реальном времени фактические условия бурения и вероятность возникновения осложнений при бурении вырабатывают рекомендации по корректировке траектории ствола скважины для получения максимальной продуктивности скважины и/или рекомендации по изменению режимов бурения, состава бурового раствора.

Реально-временные данные, измеряемые в процессе бурения скважины, содержат по меньшей мере один тип данных, выбранных из группы, состоящей из результатов измерений с датчиков, расположенных на поверхности, результатов инклинометрии, данных каротажа при бурении, результатов измерений забойных датчиков.

Контекстные данные бурения, относящиеся к макропараметрам бурения, содержат по меньшей мере один тип данных, выбранный из группы, содержащей проект на строительство скважины, положение стволов соседних скважин, параметров бурового раствора, компонентов бурового раствора в наличии.

Контекстные данные, характеризующие продуктивный пласт, содержат по меньшей мере один тип данных, выбранный из группы, содержащей начальную геологическую модель, геомеханическую модель, прогнозный разрез, стартовый дебит, уровни добычи.

Компьютерная обработка данных для формирования структурированных массивов данных, содержащих полную характеристику процесса бурения в каждый момент времени, содержит по меньшей мере один из следующих действий: приведение собранных данных к единому формату, исключение фактов калибровки датчиков в процессе бурения, выравнивание размерностей и единиц измерения, выявление пропусков в показаниях датчиков с помощью методов машинного обучения и восстановление пропущенных значений, оценка погрешности при восстановление пропущенных значений в показаниях датчиков методами машинного обучения.

В соответствии с предлагаемым способом в реальном времени определяют по меньшей мере одно из фактических условий бурения, выбираемое из группы: свойства разбуриваемой породы по данным датчиков на поверхности, литотип по результатам интерпретации каротажа в процессе бурения, продуктивность разбуриваемых пластов в процессе бурения, реологические характеристики бурового раствора в реальном времени, вероятность возникновения осложнений.

Компьютерная система управления бурением скважин в соответствии с предлагаемым изобретением содержит блок сбора данных о бурении, предназначенный для сбора реально-временных данных, измеряемых в процессе бурения скважины, контекстных данные бурения, относящиеся к макропараметрам бурения и геологических данные, характеризующих продуктивный пласт, в котором осуществляют бурение, блок компьютерной обработки собранных данных, предназначенный для формирования структурированных массивов данных, содержащих полную характеристику процесса бурения в каждый момент времени, блок аналитики в реальном времени, использующий в качестве входных данных сформированные структурированные массивы данных, содержащие полную характеристику процесса бурения в каждый момент времени, и предназначенный для определения фактических условий бурения и прогнозирования вероятности возникновения осложнений при бурении и блок выработки рекомендаций в реальном времени, использующий в качестве входных данных результаты работы блока аналитики в реальном времени и предназначенный для выработки рекомендаций по корректировке траектории ствола в процессе бурения для получения максимальной продуктивности, рекомендаций по изменению режимов бурения, рекомендации по изменению состава бурового раствора.

Блок компьютерной обработки собранных данных, предназначенный для формирования структурированных массивов данных, содержащих полную характеристику процесса бурения в каждый момент времени, использует методы искусственного интеллекта для выполнения по меньшей мере одного действия, выбранного из группы: приведение собранных данных к единому формату, выявление аномалий в данных - выбросов, некорректных значений, фактов калибровки датчиков в процессе бурения, выравнивание размерностей и единиц измерения, исключение фактов калибровки датчиков в процессе бурения, восстановление пропущенных значений в показаниях датчиков с помощью методов машинного обучения, оценка погрешности при восстановлении пропущенных значений в показаниях датчиков методами машинного обучения.

Блок аналитики в реальном времени, использующий в качестве входных данных сформированные структурированные массивы данных, содержащие полную характеристику процесса бурения в каждый момент времени, использует методы искусственного интеллекта для определения по меньшей мере одного из фактических условий бурения: определение свойств разбуриваемой породы по данным датчиков на поверхности, определение литотипа по результатам интерпретации каротажа в процессе бурения, определение продуктивности разбуриваемых пластов в процессе бурения, определение реологических характеристик бурового раствора в реальном времени, а также для прогнозирования вероятности возникновения осложнений при бурении.

Изобретение поясняется чертежами, на которых на фиг. 1. представлена общая схема компьютерной системы управления бурением скважин; на фиг. 2 показана блок-схема сбора данных и формирования структурированных массивов данных; на фиг. 3 представлена блок-схема работы блока аналитики и блока выработки рекомендации в реальном времени.

Предлагаемые способ и система управления бурением скважин представляют собой сочетание блоков программных средств и операций, обеспечивающих безаварийное строительство скважины в меняющихся или отличных от проектных условиях.

На фиг. 1 представлена общая схема системы управления бурением скважин, содержащая блок 1 сбора исходных данных, препроцессор 2 -блок компьютерной обработки собранных данных, блок 3 аналитики в реальном времени, блок 4 выработки рекомендации в реальном времени. Собранные исходные данные проходят предобработку с помощью препроцессора 2, после чего могут использоваться блоком 3 аналитики в реальном времени и блоком рекомендаций в реальном времени для выдачи рекомендаций.

Как показано на Фиг. 1 и на Фиг. 2, посредством блока 1 сбора исходных данных собирают исходные данные 1 о бурении. В качестве исходных данных 1 используются данные сопровождения бурения, которые можно разделить на измеряемые в реальном времени (далее реально-временные данные 5 на Фиг. 2) и данные, не измеряемые в процессе бурения и относящиеся ко всей текущей скважине или ранее пробуренным скважинам (далее контекстные или не реально-временные данные 6 на Фиг. 2). В качестве реально-временных данных 5 бурения используют по меньшей мере один тип данных, выбранный из группы, состоящей из результатов измерений с датчиков, расположенных на поверхности (датчики буровой или станции геолого-технических исследований - ГТИ), результатов инклинометрии (измерения положения ствола скважины в пространстве), данных каротажа при бурении, результатов измерений забойных датчиков.

К результатам измерений с датчиков, расположенных на поверхности, относятся такие, как вес бурильной колонны или инструмента, глубина забоя, давление на входе, нагрузка на долото, частота ходов насосов, скорость инструмента, температура, концентрации углеводородных компонентов (метан, этан, пропан и др.), и др.

В качестве контекстных или не реально-временных данных 6 бурения, не измеряемых в процессе бурения, используют по меньшей мере один тип данных, выбранный из группы, содержащей проект на строительство скважины, результаты замеров промывочных жидкостей, положение стволов соседних скважин, данные, характеризующие продуктивный пласт, которые содержат по меньшей мере один тип данных, выбранный из группы, содержащей начальную геологическую модель, геомеханическую модель, стартовый дебит скважин, уровни добычи скважин и др.

Исходные данные 1 поступают в препроцессор 2 (см. Фиг. 1) - блок компьютерной обработки собранных данных, который осуществляет компьютерную обработку собранных данных. Препроцессор 2 производит агрегирование данных по измерениям различного формата в единую базу данных с применением интеллектуальных алгоритмов приближенного поиска соответствий и исправления ошибок. Препроцессор 2 использует методы искусственного интеллекта для выполнения одного или нескольких действий, выбранных из группы:

- приведение собранных данных к единому формату, включающее выравнивание размерностей и единиц измерения (7 на Фиг. 2);

- выявление аномалий данных: пропусков, выбросов, некорректных значений, фактов калибровки датчиков в процессе бурения (8 на Фиг. 2) с помощью методов машинного обучения;

- интеллектуальная обработка: заполнение пропусков в показаниях датчиков, устранение части данных, содержащие калибровки датчиков и восстановление пропущенных значений с помощью методов машинного обучения (9 на Фиг. 2);

- оценка погрешности при восстановлении пропущенных значений в показаниях датчиков методами машинного обучения (10 на Фиг. 2).

Функция 7 препроцессора 2 - приведение собранных данных к единому формату - осуществляет такие операции, как агрегация временных рядов для разделения стволов многоствольных скважин, перевод файлов.las в формат.csv, определение единиц измерения (на основе статистических тестов соответствия распределений значений эталонным выборкам с известными единицами), выравнивание размерностей и единиц измерения (с помощью таблиц перевода известных размерностей и правил на основе обученных решающих деревьев в общем случае), разделение временных рядов по секциям (направление, кондуктор, эксплуатационная колонна и пр.), разделение операций на фазы (бурение, спуск, подъем, проработка, обратная проработка, промывка, простой), агрегация временных рядов по глубине, выделение из проектных данных информации о составе КНБК, бурильной колонны, свойствах промывочных жидкостей и пр.

Функция 8 препроцессора 2 «выявление аномалий данных» использует алгоритмы машинного обучения для определения наличия в показаниях датчиков аномалий, соответствующим пропускам, выбросам, некорректным значениям (например, значения, во много десятков раз превышающие физически обоснованные значения), калибровкам приборов и маркирует их в соответствии с выявленной аномалией.

Функция 9 препроцессора 2 «интеллектуальная обработка» использует алгоритмы машинного обучения для восстановления пропущенных значений, обучившись на интервалах с полным комплексом измерений, корректирует выбросы, устраняет часть данных, содержащих паразитную информацию от процесса калибровки датчиков. В качестве таких алгоритмов используются рекуррентные нейронные сети для многомерных временных рядов (см., например, Graves, Alex. "Generating sequences with recurrent neural networks." arXiv preprint arXiv: 1308.0850 (2013).) а также генеративные автоэнкодеры (см, например, Makhzani, A., Shlens, J., Jaitly, N., Goodfellow, I., & Frey, B. (2015). Adversarial autoencoders. arXiv preprint arXiv: 1511.05644). Таким образом препроцессор 2 восстанавливает пропущенные значения, не удаляет, а корректирует аномальные значения.

Функция 10 препроцессора 2 «оценка погрешности при восстановлении пропущенных значений в показаниях датчиков» использует информацию о доле пропущенных значений и размере обучающей выборки для расчета вероятности корректного восстановления пропущенных значений. Модель оценки вероятности корректного восстановления обучается на основе искусственно создаваемых пропусков различного характера на полных данных.

Как показано на Фиг. 2, результатом работы препроцессора 2 являются структурированные массивы данных, содержащие полную характеристику процесса бурения в каждый момент времени - датафреймы 11, представляющие собой таблицы в формате.csv, содержащие в структурированном виде полную характеристику процесса бурения, в каждый момент времени на протяжении всего цикла строительства скважины.

Таким образом, препроцессор 2 - блок компьютерной обработки собранных данных - обеспечивает формирование структурированных массивов данных, содержащих полную характеристику процесса бурения в каждый момент времени - датафреймов. В качестве входных данных могут быть использованы данные сопровождения бурения различных подрядчиков и полученные с различных датчиков. При этом не требуется ручного ввода дополнительных параметров. На датафреймах проводят обучение прогнозных и оптимизационных алгоритмов, построенных на методах машинного обучения, и используют обученные модели для работы с новыми входными данными, получаемыми при бурении в реальном времени, и генерации прогнозов.

На фиг. 3 представлен принцип работы показанных на фиг. 1 блока 3 аналитики в реальном времени и блока 4 выработки рекомендации в реальном времени.

Блоки аналитики и рекомендаций в реальном времени являются инструментами диагностики и управления непредвиденными ситуациями бурения. Система определяет фактические условия бурения, анализирует степень их отклонения от проектных значений, определяет наличие критичных аномалий и рекомендует дальнейшие действия исходя из условий получения максимальной добычи и безопасного ведения работ.

Блок 3 аналитики в реальном времени в качестве входных данных использует датафреймы 11 и использует алгоритмы машинного обучения для определения по меньшей мере одного из фактических условий бурения, выбираемое из группы, таких как свойства разбуриваемой породы (модуль 12 на фиг. 3), литотип по результатам интерпретации каротажа в процессе бурения (модуль 13 на фиг. 3), продуктивность разбуриваемых пластов (модуль 14 на фиг. 3), реологические характеристики бурового раствора (модуль 15 на фиг. 3, вероятность возникновения осложнений (модуль 16 на фиг. 3).

В основе принципа определения свойств разбуриваемой породы (модуль 12 на фиг. 3) лежит тот факт, что при смене прочностных свойств породы меняются и режимы бурения, фиксируемые датчиками буровой или станциями ГТИ на поверхности. Для решения задачи определения разбуриваемого литотипа применяют алгоритм машинного обучения (см., например. Klyuchnikov, N., Zaytsev, A., Gruzdev, A., Ovchinnikov, G., Antipova, К., Ismailova, L., … & Koryabkin, V. (2019). Data-driven model for the identification of the rock type at a drilling bit. Journal of Petroleum science and Engineering, 178, 506-516), который использует такие признаки, как скорость проходки, нагрузка на долото, обороты ротора, крутящий момент и другие регистрируемые параметры. Обученный на исторических данных алгоритм на основе ансамбля решающих деревьев (XGBoost, см. Т. Chen and С.Guestrin. XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, pages 785-794. ACM, 2016) анализирует закономерности в изменениях параметров и определяет тип и свойства разбуриваемой породы. После получения данных с приборов каротажа производится их автоматическая интерпретация модулем 13 на фиг. 3 с последующим уточнением прогнозных моделей (см., например, Romanenkova, Е., Zaytsev, A., Klyuchnikov, N., Gruzdev, A., Antipova, К., Ismailova, L., … & Koroteev, D. (2019). Real-time data-driven detection of the rock type alteration during a directional drilling. arXiv preprint arXiv: 1903.11436.

Автоинтерпретация данных каротажа в процессе бурения (модуль 13 на фиг. 3) производится с помощью алгоритмов машинного обучения на основе решающих деревьев и позволяет снизить влияние человеческого фактора на интерпретацию. Аналогично модулю 12, алгоритм обучается на полном комплексе исторических данных каротажа и результатах интерпретации геофизических исследований скважин (РИГИС) с последующей выдачей прогноза по результатам измерений.

Продуктивность разбуриваемых пластов в реальном времени (модуль 14 на фиг. 3) определяется на основе анализа данных измерений режимных параметров бурения, информации о разбуриваемом литотипе от алгоритма прогноза типа породы на забое, а также данных интерпретации с приборов каротажа (модуль 13), поступающих с задержкой, связанной с удаленностью приборов от долота. Аналогично модулю 12, алгоритм на основе градиентного бустинга и нейронных сетей анализирует полученную информацию и выдает значение продуктивности разбуриваемого интервала.

Реологические характеристики бурового раствора (модуль 15 на фиг. 3) восстанавливаются в виде временных рядов с помощью алгоритмов машинного обучения на основании датафреймов 11 его компонентного состава, свойств разбуриваемой породы из модулей 12 и 13, продуктивности пластов 14 и времени работы бурового раствора в скважине. Алгоритм обучается на исторических данных с ранее пробуренных скважин, результат его работы калибруется в реальном времени при поступлении в систему данных замеров параметров бурового раствора (часть контекстных данных бурения 6 на фиг. 2, и реально-временных данных 5 на фиг. 2 с забойных датчиков и датчиков на поверхности).

Блок 3 аналитики в реальном времени осуществляет также прогнозирование вероятности возникновения осложнений при бурении (модуль 16 на фиг. 3).

Определение вероятности возникновения осложнений при бурении основывается на определении наличия критических отклонений от нормального ведения работ и оценки близости текущей ситуации бурения к одной из групп возможных осложнений (см., например, Gurina, Е., Klyuchnikov, N., Zaytsev, A., Romanenkova, Е., Antipova, К., Simon, I., … & Koroteev, D. (2019). Failures detection at directional drilling using real-time analogues search. arXiv preprint arXiv: 1906.02667).

Модуль 16 работает только на основе анализа данных поверхностных измерений, без привязки к соседним скважинам, при этом применяется алгоритм машинного обучения на основе ансамблей решающих деревьев. Алгоритм анализирует поступающие в реальном времени параметры режимов бурения скользящим окном. Для каждого измерения определяется вероятность наличия осложнения в скважине. Вместе с этим производится сравнение с участками из разных категорий осложнений, загруженных в обучающую выборку и определяется уровень схожести текущей ситуации с аномалиями различного типа. При превышении порогового значения для обоих сравнений, происходит сигнализация о возможной аномалии с указанием ее типа. Такой алгоритм способен выявлять как уже начавшиеся осложнения, так и их предвестники, а также находить совпадения с любыми другими категориями случаев, загруженными в обучающую выборку. Сигнализация о наличии аномалии может быть настроена с различной чувствительностью и сигнализировать о признаках осложнения при различном уровне риска. Обучившись на достаточном наборе данных, может выявлять признаки осложнений без дообучения и калибровок.

Показанный на фиг. 1 блок 4 рекомендаций в реальном времени в качестве входных данных использует результаты работы блока 3 аналитики в реальном времени.

Работа модуля 17 (фиг. 3) по корректировке траектории характеризуется тем, что анализирует информацию о потенциальной продуктивности разбуриваемых пластов (модуль 14 на фиг. 3) и сопоставляет их с датафреймами начальной геологической модели. Начальная геологическая модель содержит информацию о геологическом строении пластов и их характеристиках (пористость, проницаемость, флюидонасыщенность). Система рассчитывает значения прогнозного стартового дебита при различных вариантах положения ствола скважины в продуктивном пласте, анализирует риски пересечения с другими стволами, производит расчет возможности спуска компоновок заканчивания и дает рекомендации по корректировкам ствола с условием получения максимального дебита при минимальных рисках. При этом применяется алгоритм машинного обучения.

Модуль рекомендаций по изменению режимов бурения (модуль 18 на фиг. 3) базируется на интеллектуальном анализе режимных параметров бурения для оптимизации скорости проходки. Для этого применяется суррогатная модель (см, например, Forrester, A., Sobester, А., & Кеапе, А. (2008). Engineering design via surrogate modelling: a practical guide. John Wiley & Sons) с применением одного из методов среди гауссовских процессов, ядерной регрессии, многомерного сплайна, градиентного бустинга на решающих деревьях. На построенную модель накладываются ограничения исходя из безопасного ведения работ и безаварийной работы оборудования. На выходе оптимизатор выдает рекомендуемые значения нагрузки на долото, частоты вращения, подачи насосов для достижения наилучших показателей.

Модуль рекомендаций по изменению состава бурового раствора (модуль 19 на фиг. 3) базируется на интеллектуальном анализе реологических характеристик 15, дата фреймов 11 механической скорости проходки, свойств разбуриваемой породы 12, 13, вероятности возникновения осложнений 16. На выходе модуль выдает рекомендации по изменению компонентного состава бурового раствора из условий достижения максимальной скорости бурения при обеспечении безопасного ведения работ и сохранении свойств продуктивного пласта.

Все алгоритмы, применяемые в системе и способе управления бурением, обучены на наборе исторических данных с ранее пробуренных скважин. При этом работа настроенных алгоритмов может осуществляться даже при поступлении неполного комплекса данных, а выдаваемый результат содержит информацию о точности предсказания или рекомендации, исходя из имеющегося набора данных.

Таким образом, предлагаемые способ и система управления бурением скважин позволяют:

1. определить тип и свойства породы, разбуриваемой в момент наблюдения;

2. рекомендовать траекторию бурения с условием получения максимальной добычи;

3. рекомендовать оптимальные режимы бурения для достижения целей бурения с минимальной совокупной стоимостью владения скважиной, при сохранении или увеличении добычи;

4. рекомендовать буровой раствор, обеспечивающий максимальную скорость проходки при минимальном риске возникновения осложнений и минимальных трудозатратах на изменение его свойств;

5. определить вероятность возникновения аварии или осложнения, определить тип возможной аварии или осложнения с целью принятия превентивных мер для ее предотвращения или минимизации последствий.

Далее приведен пример работы способа и компьютерной системы управления бурением скважин.

В процессе строительства скважины сырые реально-временные данные бурения 5, представляющие собой многомерные временные ряды, измеряются с помощью датчиков буровой, сохраняются в локальном хранилище пользователя в las или csv формате.

Контекстные данные 6 загружаются в локальное хранилище в виде таблиц или наборов структурированных текстовых файлов (например, csv, json форматы), содержащих проектные характеристики, результаты замеров и геологические данные. Контекстные данные 6 могут обновляться пользователем в случае изменения условий бурения или проектных решений.

Препроцессор 2 по определенному расписанию, заданному пользователем, загружает новую пачку исходных реально-временных данных бурения 5 и контекстных данных 6. При поступлении каждой новой порции данных, препроцессор 2, приводит их к единому формату -осуществляет такие операции, как агрегация временных рядов, перевод в формат.csv, определение и выравнивание единиц измерения, разделение временных рядов по секциям, разделение операций на фазы, агрегация временных рядов по глубине, выделение из контекстных данных информации о составе КНБК, бурильной колонны, свойствах промывочных жидкостей и пр. В результате выполнения данной функции (7) мы получаем стандартизированные пригодные для дальнейшего анализа массивы данных по стволам скважин, которые содержат всю необходимую для этого информацию из исходных данных.

Затем выявляются аномалий данных (8), соответствующие пропускам, выбросам, некорректным значениям, калибровкам приборов. С помощью алгоритмов машинного обучения прогнозируются ожидаемые значения временных рядов, затем они сравниваются с фактическими, и, при наличии сильного несоответствия, помечаются как аномальные. В результате выполнения данной функции (8) в массивах данных появляется дополнительный служебный файл с указанием наличия аномалий и их типов для каждого ствола.

После этого осуществляется интеллектуальная обработка аномалий (9). Алгоритмы препроцессора восстанавливают пропущенные значения, корректирует выбросы, устраняют часть данных, содержащих калибровки датчиков. В результате мы получаем аналогичные исходным массивы данных, но с исправленными значениями.

При этом производится оценка погрешности при восстановлении пропущенных значений в показаниях датчиков. Алгоритмы (10) используют информацию о доле пропущенных значений и размере обучающей выборки для расчета вероятности корректного восстановления пропущенных значений. В результате выполнения данной функции (10) в массивах данных для каждого ствола появляется дополнительный столбец с указанием достоверности в восстановлении пропущенных значений.

Результат работы препроцессора записывается в терминальную таблицу в виде датафреймов 11, представляющих собой csv-файлы.

Обработанные датафреймы 11 поступают блок аналитики в реальном времени, где реализуются задачи 12-16 на фиг. 3.

Получая на вход порцию данных, обученные алгоритмы блока 12 определения свойств разбуриваемой породы в процессе бурения выбирают из датафрейма интервал данных, соответствующий одному пробуренному метру, и по временным рядам на нем вычисляются статистики, такие как среднее, дисперсия, угол наклона и разница между значениями на границах. Вектор-признаков из этих статистик затем передается на вход обученному классификатору свойств разбуриваемой породы. На выходе -номер класса горных пород и, соответственно, их свойства. Результат работы алгоритмов записывается в терминальную таблицу базы данных и отображаются пользователям с помощью графического интерфейса.

Получая на вход порцию данных, обученные алгоритмы блока 13 автоинтерпретации каротажа вычисляют статистики временных рядов как в блоке 13, а также такие статистики данных каротажа, как скользящие средние с различными размерами окон, их разности и т.д. Все перечисленные статистики затем передаются на вход обученному классификатору горной породы. На выходе - название горной породы по данным интерпретации каротажа. Результат работы алгоритмов записывается в терминальную таблицу базы данных и отображаются пользователям с помощью графического интерфейса.

Получая на вход порцию данных, обученные алгоритмы блока 14 определения продуктивности разбуриваемых пластов анализируют датафреймы режимных параметров бурения, данных с приборов каротажа, геологических данных и прогнозируют параметры продуктивности методом регрессии. На выходе - ожидаемый стартовый дебит при данной длине ствола и ее положении в пласте. Результат работы алгоритмов записывается в терминальную таблицу базы данных и отображаются пользователям с помощью графического интерфейса.

Получая на вход порцию данных, обученные алгоритмы блока 15 определения реологических характеристик бурового раствора анализируют датафреймы режимных параметров бурения и прогнозируют значения параметров бурового раствора. Прогнозные значения параметров калибруются по результатам фактических замеров. На выходе - значение текущих параметров бурового раствора в каждый момент времени. Результат работы алгоритмов записывается в терминальную таблицу базы данных и отображаются пользователям с помощью графического интерфейса.

Получая на вход порцию данных, обученные алгоритмы блока 16 определения вероятности возникновения осложнений выбирают из датафрейма интервал данных, соответствующий двум часам, и по временным рядам на нем вычисляются статистики, такие как среднее, дисперсия, угол наклона и разница между значениями на границах. Вектор-признаков из этих статистик сопоставляется со случаями из базы осложнений для оценки похожести ситуации на аварийную. Результат работы алгоритмов записывается в терминальную таблицу базы данных и отображаются пользователям с помощью графического интерфейса.

Результат работы блоков 12-16 передается в блок рекомендаций в реальном времени 4.

Блок рекомендаций в реальном времени 4 подбирает наилучшее сочетание параметров бурения, раствора и траектории за счет моделирования итоговой продуктивности ствола и прогнозирования вероятностей осложнений при различных конфигурациях сочетаний.

Блок 4 выдает рекомендации по корректировке траектории ствола скважины для достижения максимальной продуктивности 17; рекомендации по изменению по меньшей мере одного из параметров: подача насосов, нагрузка на долото, частота вращения для обеспечения максимальной скорости бурения в разбуриваемом лито типе при условии безопасного ведения работ (18); рекомендует изменения компонентного состава бурового раствора для достижения максимальной эффективности бурения, качественной очистки ствола и условии безопасного ведения работ (19).