Оценка параметров наклонно-направленного бурения на основе модели при проведении скважинных операций

Изобретение относится к наклонно-направленному бурению. Техническим результатом является расширение арсенала технических средств для управления наклонно-направленным бурением, с обеспечением более точного контроля проводки наклонно-направленного ствола скважины. В частности, предложен способ (1200) оценки параметров или состояния наклонно-направленного бурения на основе модели при проведении скважинной операции (301), который включает в себя: прием с помощью устройства обработки данных измерений, полученных при проведении скважинной операции (301); выполнение с помощью устройства обработки оперативной оценки (302) по меньшей мере одного из оперативного параметра для генерирования оперативно оцененного параметра и оперативного состояния для генерирования оперативно оцененного состояния; генерирование с помощью устройства обработки входного управляющего сигнала для управления аспектом скважинной операции (301), по меньшей мере, частично на основании по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния; и осуществление управляющего воздействия на основании входного управляющего сигнала для управления аспектом скважинной операции (301). При этом оперативная оценка (302) по меньшей мере частично основана на данных измерений и по меньшей мере частично основана на автономной оценке параметра, генерированного во время автономной оценки (304). Причем при оперативной оценке (302) используют первую модель и осуществляют оценку по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния в течение первого периода времени, а при автономной оценке (304) используют вторую модель и набор данных, который больше набора данных измерений, использованного при оперативной оценке (302), и при автономной оценке (304) осуществляют оценку автономно оцененного параметра во второй период времени, который больше первого периода времени. 2 н. и 12 з.п. ф-лы, 14 ил.

 

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННЫЕ ЗАЯВКИ

[0001] Данная заявка испрашивает преимущество заявки США №15/935659, поданной 26 марта 2018 г., которая полностью включена в настоящий документ путем ссылки.

ПРЕДПОСЫЛКИ СОЗДАНИЯ ИЗОБРЕТЕНИЯ

[0002] Варианты осуществления, описанные в настоящем документе, по существу относятся к работам по разведке и добыче в скважинах и, более конкретно, к технологиям оценки параметров наклонно-направленного бурения на основе модели при проведении скважинных операций.

[0003] Операции по разведке и добыче в скважинах предусматривают спуск различных датчиков и инструментов. Датчики предоставляют информацию о среде в скважине, например посредством предоставления результатов измерения температуры, плотности, удельного сопротивления, а также многих других параметров. Другие инструменты, например верхний силовой привод или насосы могут находиться на поверхности. Эта информация может быть использована для управления аспектами бурения, а также инструментами или системами, расположенными в компоновке низа бурильной колонны, вдоль бурильной колонны или на поверхности.

ИЗЛОЖЕНИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ

[0004] В соответствии с одним вариантом осуществления настоящего изобретения предлагается реализованный с применением компьютера способ оценки на основе модели параметров и состояния наклонно-направленного бурения при проведении скважинной операции. Способ включает в себя прием с помощью устройства обработки данных измерений, полученных при проведении скважинной операции; выполнение с помощью устройства обработки оперативной оценки по меньшей мере одного из оперативного параметра для генерирования оперативно оцененного параметра и оперативного состояния для генерирования оперативно оцененного состояния, при этом оперативная оценка по меньшей мере частично основана на данных измерений и по меньшей мере частично основана на автономной оценке параметра, генерированного во время автономной оценки, причем при оперативной оценке используют первую модель и осуществляют оценку по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния в течение первого периода времени, а при автономной оценке используют вторую модель и набор данных, который больше набора данных измерений, использованного при оперативной оценке, и при автономной оценке осуществляют оценку автономно оцененного параметра во второй период времени, который больше первого периода времени; генерирование с помощью устройства обработки входного управляющего сигнала для управления аспектом скважинной операции по меньшей мере частично на основании по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния; и осуществление управляющего воздействия на основании входного управляющего сигнала для управления аспектом скважинной операции.

[0005] В соответствии с другим вариантом осуществления настоящего изобретения предлагается система для управления аспектом скважинной операции. Система включает в себя запоминающее устройство, содержащее машиночитаемые команды, и устройство обработки для выполнения машиночитаемых команд для осуществления способа, который включает в себя прием данных измерений, полученных при проведении скважинной операции, с помощью устройства обработки; выполнение с помощью устройства обработки оперативной оценки для оценки по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния по меньшей мере частично на основании данных измерений и по меньшей мере частично на основании автономно оцененного параметра, генерированного во время автономной оценки, причем при оперативной оценке используется первая модель и осуществляется оценка по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния в течение первого периода времени, а при автономной оценке используется вторая модель и набор данных, который больше набора данных измерений, использованного при оперативной оценке, и при автономной оценке осуществляется оценка автономно оцененного параметра во второй период времени, который больше первого периода времени; и реализацию с помощью устройства обработки входного управляющего сигнала для управления аспектом скважинной операции, причем входной управляющий сигнал по меньшей мере частично основан на поменьшей мере одном из оперативно оцененного параметра и оперативно оцененного состояния.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0006] На чертежах одинаковые элементы пронумерованы одинаково на нескольких фигурах:

[0007] на ФИГ. 1 показан вид в поперечном сечении скважинной системы в соответствии с аспектами настоящего раскрытия;

[0008] на ФИГ. 2 показана блок-схема системы обработки данных, изображенной на ФИГ. 1, которую можно использовать для реализации технологий, описанных в настоящем документе, в соответствии с аспектами настоящего раскрытия;

[0009] на ФИГ. 3А показана блок-схема системы для оценки параметров наклонно-направленного бурения на основе модели при проведении скважинной операции в соответствии с аспектами настоящего раскрытия;

[0010] на ФИГ. 3В показана блок-схема примера контроллера, изображенного на ФИГ. 3А, в соответствии с аспектами настоящего раскрытия;

[0011] на ФИГ. 3С показана блок-схема другого примера контроллера, изображенного на ФИГ. 3А, в соответствии с аспектами настоящего раскрытия;

[0012] на ФИГ. 4 показана балочная модель со множеством отклонений в соответствии с аспектами настоящего раскрытия;

[0013] на ФИГ. 5 показана модель взаимодействия КНБК - горная порода в соответствии с аспектами настоящего раскрытия;

[0014] на ФИГ. 6 показан зенитный угол и азимут бурового долота в соответствии с аспектами настоящего раскрытия;

[0015] на ФИГ. 7 показана блок-схема устройства вычисления усилия направления ствола скважины, в котором используется блок оценки параметров на основе модели в соответствии с аспектами настоящего раскрытия;

[0016] на ФИГ. 8 показана блок-схема устройства обнаружения изменений и вычисления параметров модели, в котором используется блок оценки параметров на основе модели в соответствии с аспектами настоящего раскрытия;

[0017] на ФИГ. 9 показано событие изменения параметра модели в соответствии с аспектами настоящего раскрытия;

[0018] на ФИГ. 10 показана модель опережающего бурения для вычисления траектории ствола скважины в соответствии с аспектами настоящего раскрытия;

[0019] на ФИГ. 11 показан трехмерный график прогнозируемой траектории ствола скважины в соответствии с аспектами настоящего раскрытия; и

[0020] на ФИГ. 12 показана блок-схема способа оценки параметров наклонно-направленного бурения на основе модели при проведении скважинной операции в соответствии с аспектами настоящего раскрытия.

ПОДРОБНОЕ ОПИСАНИЕ

[0021] Настоящие технологии относятся к оценке параметров наклонно-направленного бурения на основе модели при проведении скважинных операций. Это повышает эффективность и согласованность работы и обеспечивает автоматизацию буровых работ при проведении скважинной операции.

[0022] Взаимодействие КНБК - горная порода (т.е. взаимодействие между буровым долотом буровой установки и геологическим пластом при проведении скважинной операции) в настоящее время не может быть в полной мере использовано для вычисления управляющего воздействия при проведении наклонно-направленного бурения. Следовательно, контроль отклонения скважины для систем наклонно-направленного бурения является субоптимальным. Это может вызвать трудности при контроле отклонения вдоль заранее заданной траектории ствола скважины и достижении постоянного качества ствола скважины. Взаимодействие КНБК - горная порода зависит от геологического пласта и типа бурового долота. На практике для описания влияния геологического пласта на контроль отклонения компоновки низа бурильной колонны (КНБК) используются непроверенные поправочные коэффициенты. Хотя модели взаимодействия КНБК - горная порода существуют, трудно заранее определить их параметры, поскольку точная информация о типе долота и характеристики геологического пласта неизвестны. Более того, характеристики долота могут изменяться во время буровых работ из-за износа долота.

[0023] С учетом того, что модели взаимодействия КНБК - горная порода и модели КНБК позволяют точнее определить, какое управляющее воздействие необходимо выбрать, в сочетании с моделью опережающего бурения это позволяет разрабатывать виртуальные датчики. Исходя из оценки неизвестных сил, действующих на долото, и других параметров модели, существует возможность оптимальным образом регулировать усилия, необходимые для контроля отклонения, нагрузку на долото (WOB) и прочие параметры, например с учетом заранее определенного плана бурения скважины. В настоящем раскрытии предложены технологии, описывающие принцип использования модельно-ориентированного подхода к обучению для оценки параметров модели. Эти параметры могут изменяться в зависимости от пласта. Таким образом, резкое изменение оцененных параметров может быть использовано для определения события изменения буримости пород.

[0024] При бурении множества скважин в одном географическом регионе можно определить геологические пласты на основе данных, полученных с соседних скважин. Данные, полученные с соседних скважин, можно использовать для оценки параметров взаимодействия КНБК - горная порода, если использовать одну и ту же КНБК и одно и то же долото. Взаимодействие КНБК - горная порода представляет собой передачу сил и моментов в точках контакта КНБК и горной породы с учетом режущих характеристик долота. В оценке могут использоваться методы регрессии или машинного обучения, где машинное обучение представляет собой тип искусственного интеллекта, который позволяет вычислительным устройствам обучаться без непосредственного программирования. В частности, в настоящем раскрытии используется оперативная оценка параметров и автономное машинное обучение для согласования моделей взаимодействия КНБК - горная порода и фактических условий бурения. Термин «оперативный» отражает состояние соединения со скважинной операцией 301, т.е. алгоритм решается каждый раз, когда становится доступным по меньшей мере новое измерение (или новый фрагмент информации) либо когда необходимо обновить управляющее воздействие. Термин «автономный» относится к тому факту, что алгоритм решается только после сбора определенного количества измерений или данных.

[0025] Настоящие технологии обеспечивают множество преимуществ, в том числе, например позволяют выполнять адаптивную идентификацию параметров для КНБК и взаимодействия КНБК - горная порода в качестве основания для вычисления в режиме реального времени оптимального управляющего воздействия при наклонно-направленном бурении; автоматическую «оперативную» и «автономную» оценку параметров на основе данных, поступающих в реальном времени, и данных от соседних скважин; оценку состояний и параметров в режиме реального времени; быструю «оперативную» оценку на основе упрощенной модели; использовать полученные ранее (статистические) данные измерений для оценки параметров, а также уменьшать шум, накладываемый на данные измерений. Настоящие технологии можно использовать по-разному, в том числе, например для автоматизированного вычисления усилий направления и направления отклонения скважины с целью достижения желаемого темпа набора кривизны и интенсивности искривления с учетом КНБК и взаимодействия КНБК - горная порода; обнаружения изменений буримости пород; прогнозирования траектории ствола скважины и размещения виртуальных датчиков.

[0026] Варианты осуществления настоящего раскрытия основаны на моделировании взаимодействия КНБК - горная порода и КНБК. Как правило, модель может представлять собой физическую модель или модель на основе данных. Кроме того, модель может быть динамической или статической. Динамические модели описывают изменение по времени (или глубине) некоторых переменных, характеризующих КНБК. Эти переменные называются «состояниями». Такие динамические модели могут быть представлены математически в виде «формы пространства состояний» следующим образом:

где - производная по времени (или глубине), x(t) - вектор изменяющихся по времени состояний, u(t) - вектор входных данных, p(t) - вектор параметров, f(⋅) - набор уравнений, описывающих динамику модели, a t - время. Эти параметры обычно считаются постоянными или медленно изменяющимися во времени, но если они меняются со временем, модель может быть неприменимой для описания динамики их изменения.

[0027] Статические модели не описывают динамику, а скорее коррелируют, классифицируют и прогнозируют выходные данные системы при каком-либо заданном наборе измерений в качестве входных данных, называемых признаками. Статическая модель представлена следующей формулой:

где z - это вектор признаков, a (⋅)_θ указывает на то, что гипотеза h - это функция вектора параметров θ, который, в общем случае, имеет более высокую размерность, чем вектор р динамической модели. В подходах машинного обучения может использоваться статическая модель h_θ(z) без полного анализа или с частичным анализом физических процессов, лежащих в основе рассматриваемой системы. Цель заключается в использовании, по мере доступности, первопринципных моделей в качестве функции гипотезы. Когда такие модели отсутствуют, h_θ(z) представляет собой модель на основе данных (например, нейронную сеть).

[0028] Каждая из динамических и статических моделей зависит от параметров, которые в большинстве случаев не могут быть известны априори с достаточной точностью. Поэтому полезно оценить эти параметры для надежного использования модели в целях управления системой. Эта проблема получила название проблемы идентификации параметра.

[0029] Точность модели также важна для правильного прогнозирования физической системы. В некоторых ситуациях точность пропорциональна ее сложности, которая, в свою очередь, пропорциональна количеству вычислительного времени, необходимого для решения данной модели. Соответственно, может потребоваться компромисс между сложностью и вычислительным временем.

[0030] В соответствии с аспектами настоящего раскрытия, блок оперативной оценки может получать измерения буровой системы в режиме реального времени. В некоторых случаях метод оперативной оценки занимает максимальное вычислительное время, которое меньше времени между двумя последовательными управляющими воздействиями при проведении скважинной операции. В этом случае контроллер может использовать результаты оперативной оценки для вычисления следующего управляющего воздействия. С другой стороны, в соответствии с некоторыми примерами вычислительное время технологии автономной оценки превышает время технологии оперативной оценки, поэтому технологию автономной оценки будет невозможно использовать между каждым применением управляющего воздействия. В некоторых вариантах реализации автономная оценка всегда может получать данные измерений от буровой системы и выполнять вычисления, когда она инициируется событием.

[0031] В технологиях оперативной оценки зачастую используется упрощенная модель, которая позволяет получить более быстрое (но, как правило, неточное) решение. Технологии автономной оценки, которые могут не иметь таких ограничивающих временных ограничений, которые присутствуют в технологиях оперативной оценки, могут использовать более сложную модель и обрабатывать гораздо больший объем входных данных для получения более точного решения.

[0032] Настоящие технологии описывают комбинацию оперативной оценки с компонентом автономной оценки с использованием машинного обучения для оценки состояния и параметров. При оперативной оценке используется упрощенная модель и меньший набор данных измерений, в то время как при автономной оценке используется более сложная модель и больший набор данных измерений. Оперативная оценка используется в алгоритме управления для вычисления в режиме реального времени оптимального управляющего воздействия (воздействий) на КНБК. Автономную оценку можно использовать для определения параметров более сложной модели, в которой используются параметры, не учитываемые при оперативной оценке, а также для уточнения оперативной оценки.

[0033] На ФИГ. 1 показан вид в поперечном сечении скважинной операции 100 в соответствии с вариантом осуществления настоящего раскрытия. Система и конфигурация, показанные на ФИГ. 1, - это один из примеров, иллюстрирующих среду в скважине. И хотя система может работать в любой геологической среде, на ФИГ. 1 показаны скважинные инструменты 10, расположенные в стволе 2 скважины, проходящей через пласт 4. Скважинные инструменты 10 расположены в стволе 2 скважины на периферийном конце опорного устройства 5, как показано на ФИГ. 1, или сообщаются со стволом 2 скважины, как показано на ФИГ. 2. Скважинные инструменты 10 могут включать в себя измерительные инструменты 11 и скважинную электронную аппаратуру 9, выполненную с возможностью проведения одного или более типов измерений в варианте осуществления, известном как каротаж во время бурения (LWD) или измерение во время бурения (MWD).

[0034] В соответствии с вариантом осуществления LWD/MWD опорное устройство 5 представляет собой бурильную колонну, которая включает в себя компоновку 13 низа бурильной колонны (КНБК). КНБК 13 является частью буровой установки 8, которая включает в себя утяжеленные бурильные трубы, стабилизаторы, расширители и т.п., а также буровое долото 7. Измерения могут включать в себя измерения, связанные, например с работой бурильной колонны. Буровая установка 8 выполнена с возможностью проведения буровых работ, например вращения бурильной колонны, а, значит, и бурового долота 7. Буровая установка 8 также перекачивает буровой флюид через бурильную колонну для смазывания бурового долота 7 и вымывания выбуренной породы из ствола 2 скважины.

[0035] Необработанные данные и/или информация, обработанная скважинной электронной аппаратурой 9, может быть передана с помощью телеметрического оборудования на поверхность для дополнительной обработки или отображения с помощью системы 12 обработки данных. Сигналы управления бурением могут быть сгенерированы системой 12 обработки данных и переданы в скважину либо могут быть сгенерированы скважинной электронной аппаратурой 9 или комбинацией этих двух вариантов в соответствии с вариантами осуществления настоящего раскрытия. В состав скважинной электронной аппаратуры 9 или системы 12 обработки данных может быть включен один или более процессоров и одно или более запоминающих устройств. В альтернативных вариантах осуществления вычислительные ресурсы, такие как скважинная электронная аппаратура 9, датчики и другие инструменты, могут быть размещены вдоль опорного устройства 5, а не, например в КНБК 13. Ствол 2 скважины может быть вертикальным, как показано, или может иметь другие ориентации/конфигурации.

[0036] Следует понимать, что реализация вариантов осуществления настоящего раскрытия возможна в сочетании с любым другим подходящим типом вычислительной среды, известной в настоящее время или разработанной в будущем. Например, на ФИГ. 2 показана блок-схема системы 12 обработки данных, изображенной на ФИГ. 1, которая может быть использована для реализации технологий, описанных в настоящем документе. В примерах система 12 обработки данных имеет один или более центральных процессоров (процессоров) 21а, 21b, 21с и т.п. (совместно или в общем именуемых процессором (процессорами) 21 и/или устройством (устройствами) обработки). В аспектах настоящего раскрытия каждый процессор 21 может включать в себя микропроцессор с сокращенным набором команд (RISC). Процессоры 21 соединены с системным запоминающим устройством (например, оперативным запоминающим устройством (ОЗУ) 24) и различными другими компонентами посредством системной шины 33. Постоянное запоминающее устройство (ПЗУ) 22 соединено с системной шиной 33 и может включать в себя базовую систему ввода/вывода (BIOS), которая управляет определенными базовыми функциями системы 12 обработки данных.

[0037] Дополнительно показаны адаптер 27 ввода/вывода и адаптер 26 связи, соединенные с системной шиной 33. Адаптер 27 ввода/вывода может представлять собой адаптер интерфейса малых вычислительных систем (SCSI), который осуществляет обмен данными с жестким диском 23, и/или запоминающим устройством 25 на магнитной ленте, или любым другим аналогичным компонентом. Адаптер 27 ввода/вывода, жесткий диск 23 и запоминающее устройство 25 на магнитной ленте в настоящем документе совместно называются массовым запоминающим устройством 34. Операционная система 40 для выполнения в системе 12 обработки данных может храниться в массовом запоминающем устройстве 34. Сетевой адаптер 26 соединяет системную шину 33 с внешней сетью 36, что позволяет системе 12 обработки данных обмениваться данными с другими такими системами.

[0038] Дисплей (например, дисплейный монитор) 35 соединен с системной шиной 33 с помощью адаптера 32 дисплея, который может включать в себя графический адаптер для улучшения работы приложений с большим объемом графических операций и видеоконтроллер. В одном аспекте настоящего раскрытия адаптеры 26, 27 и/или 32 могут быть соединены с одной или более шинами ввода/вывода, которые соединены с системной шиной 33 посредством промежуточной шины (не показана). Подходящие шины ввода/вывода для подключения периферийных устройств, таких как контроллеры жестких дисков, сетевые адаптеры и графические адаптеры, обычно включают общие протоколы, такие как Peripheral Component Interconnect (PCI). Дополнительные устройства ввода/вывода показаны подсоединенными к системной шине 33 посредством адаптера 28 пользовательского интерфейса и адаптера 32 дисплея. Клавиатура 29, мышь 30 и динамик 31 могут быть соединены с системной шиной 33 посредством адаптера 28 пользовательского интерфейса, который может включать в себя, например микросхему Super I/O, объединяющих множество адаптеров устройств в одной интегральной схеме.

[0039] В некоторых аспектах настоящего раскрытия система 12 обработки данных включает в себя графический процессор 37. Графический процессор 37 представляет собой специализированную электронную схему, выполненную с возможностью регулирования и изменения памяти для ускорения создания изображений в буфере кадров, предназначенном для вывода на дисплей. В общем графический процессор 37 очень эффективен в манипулировании компьютерной графикой и обработке изображений и имеет высокопараллельную структуру, благодаря которой он более эффективен, чем центральные процессоры (ЦП) общего назначения, для алгоритмов, в которых обработка больших блоков данных выполняется параллельно.

[0040] Таким образом, в конфигурации, описанной в настоящем документе, система 12 обработки данных подразумевает возможность обработки данных с использованием процессоров 21, возможность хранения данных с использованием системной памяти (например, ОЗУ 24) и массового запоминающего устройства 34, средства ввода данных, такие как клавиатура 29 и мышь 30, и возможность вывода с использованием динамика 31 и дисплея 35. В некоторых аспектах настоящего раскрытия часть системной памяти (например, ОЗУ 24) и массовое запоминающее устройство 34 совместно хранят операционную систему для координирования функций различных компонентов, показанных в системе 12 обработки данных.

[0041] На ФИГ. 3 показана блок-схема системы 300 оценки параметров наклонно-направленного бурения на основе модели при проведении скважинной операции 301 в соответствии с аспектами настоящего раскрытия. Система 300 использует оперативную оценку 302 и автономную оценку 304 для осуществления оценки параметров и состояний на основе модели.

[0042] Зачастую в одном и том же географическом регионе выполняют бурение множества (т.е. десятков или сотен) различных испытательных скважин. В ходе этого процесса выполняется измерение/сбор большого набора данных, который предоставляет информацию о взаимодействующих частях системы и может способствовать обнаружению изменений в горной породе. Эти данные можно использовать в автономной оценке 304 для «обучения» сложной модели.

[0043] Некоторые параметры изменяются квазистатически. То есть некоторые параметры могут считаться постоянными в течение периода времени, превышающего характерный для системы период времени. Для таких параметров подход к автономной оценке 304 можно надежно использовать во время статических стадий. Например, некоторые параметры могут изменяться, когда КНБК входит в новый пласт, и могут считаться постоянными до тех пор, пока КНБК не войдет в новый пласт (т.е. пока он будет оставаться в одном и том же пласте).

[0044] Для применения управляющего воздействия к скважинной операции 301 необходимо достоверно определить состояния системы и параметр (например, параметр K₁) за короткий промежуток времени, что достигается при помощи оперативной оценки 302 (например, с помощью блока 310 оценки параметров на основе модели и контроллера 314). Временное ограничение вынуждает использовать в алгоритме оценки простую модель, которую можно быстро решить. Затем корректируют или изменяют оперативно оцененный параметр K₁ на основе автономной оценки 304.

[0045] Теперь, сосредоточившись на оперативной оценке 302, используют блок 310 оценки параметров и модель 312 объекта для проведения оперативной оценки. Блок 310 оценки параметров на основе модели получает данные измерений, полученные во время скважинной операции 301. Данные измерений могут быть получены с помощью датчиков (например, датчиков давления, датчика температуры, датчиков усилия и т.п.) во время скважинной операции 301.

[0046] Для обеспечения достаточного возбуждения системы можно использовать контроллер 314 для выдачи в систему 300 управляющих воздействий, которые не влияют на проведение операции, но обеспечивают проведение наблюдений, которые позволяют лучше оценить параметры системы.

[0047] Используя данные измерений, блок 310 оценки параметров на основе модели оценивает параметр и состояние и выдает параметр и состояние в модель 312 объекта. Модель объекта может представлять собой физическую модель, передаточную функцию, нейронную сеть, модель на основе данных, характеристическую кривую, нечеткое множество и т.п. В одном варианте осуществления модель объекта представляет собой простую модель, которую можно быстро решить (например, достаточно быстро вычислить в пределах одной временной отметки) для генерирования динамики состояния, которая передается в блок 310 оценки параметров на основе модели для корректировки параметра. Это повышает точность параметра, оцененного блоком 310 оценки параметров на основе модели. Динамика состояния также обеспечивается контроллером 314, который генерирует управляющее воздействие, используемое для управления аспектом скважинной операции 301. В одном варианте осуществления контроллер представляет собой реализованный с применением компьютера алгоритм управления с обратной связью, который определяет оптимальные управляющие воздействия на основе параметров, состояний, целевых значений, ограничений и выходных данных сложной модели, как показано на ФИГ. 3С.

[0048] Например, на ФИГ. 3В показана блок-схема примера контроллера, изображенного на ФИГ. 3А в соответствии с аспектами настоящего раскрытия. Как показано на ФИГ. 3В, контроллер 314 может включать в себя препроцессор 315 для приема цели, ограничений, выходных данных сложной модели, состояний и/или параметров и может выдавать входной управляющий сигнал (например, направление отклонения, усилие направления, нагрузка на долото, уставка частоты вращения в оборотах в минуту, давление флюида, динамика изменения, выдача рекомендации либо выдача предупреждения или аварийного сигнала) человеку-оператору. Затем человек-оператор может подтвердить осуществление управляющего воздействия посредством контроллера 314.

[0049] Аналогичным образом, на ФИГ. 3С показана блок-схема другого примера контроллера, изображенного на ФИГ. 3А в соответствии с аспектами настоящего раскрытия. Как показано на ФИГ. 3В, контроллер 314 может включать в себя контроллер 317 с обратной связью для приема цели, ограничений, выходных данных сложной модели, состояний и/или параметров и может автоматически выдавать управляющее воздействие без человека-оператора.

[0050] Как показано на ФИГ. 3А, контроллер с обратной связью может быть реализован с помощью контроллера на основе модели. В другом варианте осуществления контроллер включает в себя предпроцессор, который преобразует свои входные сигналы во входной управляющий сигнал. Входной управляющий сигнал может представлять собой направление отклонения, усилие направления, нагрузку на долото, уставку частоты вращения в оборотах в минуту, давление флюида, динамику изменения, выдачу рекомендации, либо выдачу предупреждения или аварийного сигнала и т.п. Входной управляющий сигнал может считываться человеком-оператором (например, технологом-кривильщиком или бурильщиком), который затем может преобразовывать входной управляющий сигнал в управляющее воздействие для управления аспектом скважинной операции 301.

[0051] Автономную оценку 304 можно использовать для дополнения оперативной оценки 302 согласно настоящему описанию с целью уточнения оценки параметра и состояния. В частности, автономная оценка 304 использует модуль 320 машинного обучения для разработки более сложной модели. В частности, модуль 320 машинного обучения в качестве обучающих данных принимает собранные данные 322, полученные при выполнении заданий 324. Как правило, задания 324 выполняются или были выполнены в географическом регионе, подобном региону выполнения скважинной операции 301, либо с использованием подобных КНБК. Модуль 320 машинного обучения передает полученные результаты в модуль 326 сложной модели. Модуль 326 сложной модели производит расчет оценки параметров (например, K_I), ограничений (например, предельных значений WoB, пределов изгибающих моментов и т.п.) и первоначальных условий, которые затем используются в оперативной оценке 302 для уточнения оценки параметра и состояния. Выходные данные модуля 326 сложной модели также могут поступать в контроллер 314. Простые модели, используемые моделью 312 объекта и блоком 310 оценки параметров на основе модели, обновляются с использованием функции как автономной оценки 304, так и оперативной оценки 302.

[0052] Сложная модель представляет собой модель, обладающую высокой достоверностью, выполнения скважинной операции. Модель объекта представляет собой онлайн модель, которая обычно основана только на каком-либо конкретном аспекте скважинной операции. Обе модели, т.е. модель объекта, используемая для оперативной оценки и управления, и «автономная» сложная модель, выбираются из набора различных моделей для скважинной операции. Это позволяет, например использовать наилучшую возможную модель для оценки и управления параметрами на основе модели. В некоторых примерах модуль 326 сложной модели и/или блок 312 оценки параметров на основе модели может включать в себя селектор наилучшей модели.

[0053] Помимо данных от модуля 320 машинного обучения модуль 326 сложной модели может принимать входные данные от физических данных 326, от измерений, полученных при выполнении скважинной операции, либо от их комбинации. В некоторых примерах может использоваться или не использоваться модуль 320 машинного обучения, поскольку физические данные и измерения можно использовать непосредственно в модуле 326 сложной модели.

[0054] В соответствии с некоторыми примерами ограничения параметров, полученные при выполнении автономной оценки 304, вводятся в блок 310 оценки параметров на основе модели для уточнения оценки параметра в оперативной оценке 302. Дополнительно могут использоваться внешние ограничения. Контроллер 314 в качестве входных данных может принимать цели, планы и ограничения, так и динамику состояния от модели 312 объекта для прогнозирования, например последующего положения долота, чтобы применить управляющее воздействие к скважинной операции 301 с целью достижения определенных желаемых результатов.

[0055] Цель модели объекта заключается в итерационном определении направления бурения долота в зависимости от входных данных системы. Модель может иметь различные степени детализации. Пример простой модели опережающего бурения с низкой степенью детализации (кинематическая модель) представлен с использованием следующего уравнения:

[0056] Выход функции равен состояниям, поэтому процесс бурения описан положением [n е d]^T и ориентацией [inc azi]^T. Для повышения точности модели можно скорректировать параметр K_I в зависимости от измеренной глубины s.

[0057] Модель 400 КНБК опережающего бурения состоит из двух частей. Первая часть включает в себя балочную модель КНБК со множеством отклонений, которая используется для определения статического усилия и зенитного угла наклона бурового долота при проведении скважинной операции 301. В частности, на ФИГ. 4 показана балочная модель 400 со множеством отклонений в соответствии с аспектами настоящего раскрытия.

[0058] Вторая часть представляет собой модель взаимодействия КНБК - горная порода, которая вычисляет направление бурения, исходя из усилия и угла наклона долота. На ФИГ. 5 представлена модель 500 взаимодействия КНБК - горная порода в соответствии с аспектами настоящего раскрытия. Одним из примеров модели взаимодействия КНБК - горная порода является модель Но, описанная следующим уравнением:

где I_В - анизотропия долота, I_R - анизотропия горной породы, a r_N - отношение скорости бурения и усилия, действующего на долото перпендикулярно залеганию пласта. Как показано на ФИГ. 5 определены следующие параметры: - вектор боковых сил, действующих на буровое долото 502; - вектор нагрузки на долото; - результирующий вектор направления действия сил; результирующий вектор направления пласта; - результирующий вектор направления долота вследствие отклонения траектории, а - результирующий вектор направления бурения.

[0059] В соответствии с некоторыми вариантами осуществления данную модель можно изменять путем корректировки I_В в зависимости от применяемых параметров бурения (например, частоты вращения) и характеристик пласта. Следует понимать, что настоящие технологии не ограничиваются этими двумя примерами и могут работать с использованием различных параметризованных моделей, в т.ч. простых моделей с небольшим количеством параметров и состояний и более сложных моделей на основе данных.

[0060] Как также показано на ФИГ. 3, в соответствии с одним или более вариантами осуществления настоящего раскрытия блок 310 оценки параметров на основе модели может использовать кинематическую модель КНБК, в которой может использоваться, например эйлеровая координата или кватернионы. В качестве примера рассматриваются следующие эйлеровые координаты. Состояние модели представляет собой положение бурового долота по отношению к системе координат с нулем на буровой установке, исходя из зенитного угла наклона и азимута бурового долота. На ФИГ. 6 показан зенитный угол 604 и азимут 606 бурового долота 602 в соответствии с аспектами настоящего раскрытия. Состояния можно суммировать с помощью вектора х=[n, е, d, inc, azi] и, в зависимости от степени достоверности модели, возможны дополнительные состояния (например, положение отклонителя). Также можно рассмотреть динамику привода. Состояния изменяются в зависимости от простой модели опережающего бурения, как показано ниже:

где s - измеренная глубина. Модель описана в виде представления в глубинной области в отличие от представления во временной области. Поступающие в систему входные данные включают в себя усилие отклонения и усилие набора кривизны. Они обобщены в виде вектора входных данных u=[F_BUILD, F_WALK].

[0061] В некоторых примерах, если y(s) представляет собой вектор измерений, то y(s)=x(s). Параметр K_I представляет собой мультипликативный коэффициент, связывающий силы, действующие на буровое долото 602, и последующее изменение зенитного угла 604 и азимута 606 соответственно. Этот параметр K_I зависит, например от скорости бурения, нагрузки на долото и характеристик пласта. По существу, точное значение K_I неизвестно и должно оцениваться с помощью блока 310 оценки параметров на основе модели. Оценка этого параметра имеет важное значение для эффективного управления и оценки состояния, поэтому проводится оперативная оценка 302. В случае простой модели опережающего бурения следующее уравнение содержит параметр р=K_I.

[0062] Для представления несоответствия модели, состояния и шума измерения систему можно изменить путем добавления следующего:

где шум состояния и несоответствие модели представлены параметром w, а шум измерений представлен параметром v. Блок 310 оценки параметров на основе модели минимизирует несоответствие между моделью и скважинной операцией путем присвоения весовых коэффициентов для модели и измерений, влияющих на оценку. Знание точности базовой модели и точности измерений, как правило, представлено ковариационными матрицами. Таким образом, блок 310 оценки параметров на основе модели использует эти матрицы в качестве весового коэффициента.

[0063] Для оценки состояний и параметров разработаны различные алгоритмы, например фильтр Калмана, расширенный фильтр Калмана, фильтр частиц и т.п. Например, блок 310 оценки параметров на основе модели может использовать оценку подвижной границы раздела (МНЕ), в котором преимущественно используется статистика проведенных ранее измерений для вычисления «наилучшей» оценки параметров вместо того, чтобы полагаться только на последнее измерение. При проведении МНЕ также могут учитываться ограничения. Обе характеристики помогают повысить качество оценки.

[0064] С помощью МНЕ блок 310 оценки параметров на основе модели в качестве входных данных принимает данные измерений, в т.ч. силы, действующие на буровое долото, измерения шума и регулировочные параметры (предоставленные пользователем), а в качестве выходных данных выдает оценку параметров. После этого оцененные параметры отправляют в модель 312 объекта для генерирования динамики состояния, которая используется контроллером 314 для определения подходящего управляющего воздействия для скважинной операции 301. Затем можно применить данное воздействие, например к буровому долоту. Таким образом, обеспечивается оценка параметров и состояний в режиме реального времени.

[0065] С помощью МНЕ можно решить задачу минимизации. Например, на каждом временном интервале алгоритм МНЕ пытается минимизировать следующую целевую функцию:

с учетом ограничений в виде неравенств и равенств, т.е.

при условии:

где (⋅)_k - это представление с дискретным временем. Следовательно, параметр F(⋅) определяется следующим образом:

Векторы, суммирующие шум состояния, состояние, входные данные и параметр вдоль горизонта, представлены в виде переменных w, х, u, и р соответственно следующим образом:

[0066] В частности, при автономной оценке 304 используется по меньшей мере одно из данных от соседних скважин, полученных от различных соседних данных (например, задание 1, задание 2, задание 3, задание n и т.п.), и/или данных, полученных от текущей скважины, в качестве исходных значений для оперативной оценки 302 с целью уменьшения погрешностей при оперативной оценке 302. Например, неверные исходные значения могут привести к появлению значительной погрешности в вычисленных усилиях направления для следующего горизонта прогноза. Данные 322 из предыдущих заданий 324 могут быть использованы для инициализации оценки с целью получения более точного исходного значения для оперативной оценки 302. Блок 310 оценки параметров на основе модели выступает в качестве входных автономных каротажных данных вместо оперативных замеров и данных, получаемых во время бурения.

[0067] Данные, получаемые из соседних скважин (например, задания 324) также могут быть использованы для уточнения оперативной оценки 302. При наличии подобных пластов в соседней скважине и текущей скважине (т.е. в целевой скважине, где выполняется скважинная операция 301) средневзвешенное значение параметров, полученных при оперативной и автономной оценке вдоль измеренной глубины скважины или ее проектной глубины по вертикали, может быть использовано для увеличения скорости оценки параметров при изменениях буримости пород, что улучшает качество ствола скважины.

[0068] Например, пусть h_θ(z) будет функцией гипотезы (модель на основе данных или первопринципная модель), представляющей собой сложную систему или сложную модель, например модель взаимодействия КНБК - горная порода, a z - вектор признаков (т.е. скорость бурения, нагрузка на долото и т.п.), которые собираются. Вектор у обозначает обучающие данные или выходные данные модели. Таким образом, алгоритм обучения, используемый модулем 320 машинного обучения, выглядит следующим образом:

где целевая функция зависит от алгоритма обучения и, как правило, представляет собой невыпуклую функцию с потенциально большим числом параметров и признаков. Для надежной оценки параметров в алгоритме обучения используется определенный объем обучающих данных, поэтому использование данных, поступающих из разных заданий в одном географическом регионе, имеет важное значение для успешного построения трехмерной карты взаимодействия КНБК - горная порода для конкретной буровой площадки в данном географическом регионе. Эти знания будут использоваться для корректировки оперативной оценки 302, которая, для сравнения, использует информацию, которая является только локальной и специфичной для текущего задания в ходе скважинной операции 301.

[0069] Изменения в горной породе или в процессе управления во время бурения могут резко изменить динамику КНБК. Эти изменения могут инициировать выбор подходящей модели из набора моделей, описывающих процесс КНБК. Набор моделей представляет различные аспекты или режимы выполнения процесса бурения. Помимо оценки и адаптации параметров, использованная схема оценки или стратегия обучения позволяют выбрать наиболее подходящую модель из набора доступных моделей для улучшения оценки и управления проведением скважинной операции 301. В соответствии с одним примером критерии выбора наилучшей модели представляют собой минимизацию результирующей погрешности модели:

где f_i ∈ [f₀, …, f_M] - это модель, выбранная из набора моделей (также называются режимами), y_meas - измеренные выходные данные системы, a y_model - выходные данные модели.

[0070] В общем случае вектор параметра р_i представляет собой различные наборы параметров для каждого режима. В основном, выбор режима осуществляется путем нахождения наиболее подходящей модели вместе с ее наилучшим набором параметров. Результирующая модель затем используется системой управления буровыми работами с обратной связью или консультативной системой (т.е. «препроцессором»), которая может выдавать рекомендации человеку-оператору (например, технологу-кривильщику) в части наилучшего управляющего воздействия, которое необходимо предпринять в отношении плана бурения.

[0071] Следует понимать, что различные модели в наборе также могут иметь одинаковую структуру (соответственно, с одним и тем же набором параметров), но различные значения параметров. В этом случае минимизация будет переходить от одного набора значений параметров к другому посредством сохранения постоянной структуры модели. Кроме того, использование моделей позволяет применять приобретенные в процессе обучения параметры и скорректированные режимы ранее выполненных буровых работ.

[0072] В соответствии с аспектами настоящего раскрытия раскрытый способ оценки параметров и раскрытый порядок вычисления управляющего воздействия на скважинную операцию 301 в процессе буровых работ не выполняются вручную из-за сложности и временных ограничений, налагаемых динамикой скважинной операции. В некоторых примерах технологии, предложенные в настоящем документе, могут быть реализованы при помощи вычислительного устройства или системы.

[0073] Настоящие технологии могут применяться во множестве различных сфер применения в процессе наклонно-направленного бурения. Например, модель опережающего бурения, оптимизированная для конкретного задания бурения, сгенерированного при помощи оперативной оценки 302 и автономной оценки 304, может быть использована для определения оптимальной траектории скважин по направлению к цели бурения. Кроме того, ее можно использовать для определения метаданных плана бурения (например, изгибающего момента). В конечном счете, эта информация может быть использована контроллером 314 для минимизации объема принимаемых данных и обеспечения автоматизированного контроля отклонения для технологов-кривильщиков с целью эффективного бурения скважин и снижения потерь времени из-за незапланированных простоев. В частности, настоящие технологии можно использовать для вычисления усилий и углов направления, для обнаружения изменений буримости пород, для прогнозирования траекторий скважин, для создания виртуальных датчиков, для обеспечения управления вибрацией и т.п.

[0074] В одном из примеров настоящие технологии можно использовать для точного вычисления усилий направления и направления отклонения для роторно-управляемой системы в автоматическом режиме. На ФИГ. 7 показана блок-схема устройства 702 вычисления усилия направления, в которой используется блок 310 оценки параметров на основе модели в соответствии с аспектами настоящего раскрытия. В некоторых настоящих вариантах реализации вычисление усилий направления представляет собой ручной процесс, который не учитывает никаких параметров, описывающих взаимодействие КНБК - горная порода. Таким образом, текущее вычисление усилий направления является неточным, что приводит к частой корректировке усилий направления, а вместе с тем к выдаче множества команд в систему наклонно-направленного бурения, что приводит к потерям времени из-за незапланированных простоев.

[0075] Вычисленные усилие направления и направление отклонения могут передаваться на устройство направления нефтепромысловым персоналом, приложениями для автоматизации бурения и т.п. Устройство направления, которое размещается за буровым долотом, используется для управления траекторией ствола скважины при проведении скважинной операции 301. Например, устройство направления может использовать направляющие приспособления с гидравлическим приводом, которые прижимаются к стенке ствола скважины для создания направленного усилия. Это усилие вызывает отклонение буровой системы в нужном направлении. Другими словами, эти усилия контролируют направление долота и, следовательно, изменяют зенитный угол и азимут в соответствии с настоящим описанием.

[0076] Используя пример простой модели опережающего бурения, описанной выше, мультипликативный коэффициент описывает взаимосвязь между усилиями, действующими на долото, и последующим изменением зенитного угла и азимута. Опытные технологи-кривильщики оценивают этот коэффициент по косвенным признакам на основе данных инклинометрии, но при этом не учитывают зависимость этого параметра от таких параметров поверхности, как WOB, скорость бурения и т.п. Настоящее раскрытие позволяет автоматически оценивать этот мультипликативный коэффициент и учитывать влияние соответствующих параметров бурения, т.е. WOB, скорость бурения и т.п.

[0077] Взаимосвязь между усилиями направления, изменением зенитного угла (т.е. темпом набора кривизны) и изменением азимута (т.е. интенсивностью искривления) выражается следующим образом:

где FWALK - это усилие отклонения, FBUILD - усилие набора кривизны, BR - темп набора кривизны, a TR - интенсивность искривления. Зенитный угол обозначен inc, а азимут - azi. Усилие отклонения и усилие набора кривизны преобразуются в результирующее усилие направления с применением следующего уравнения:

[0078] И, наконец, вычисляют направление отклонения с помощью следующего тригонометрического уравнения:

[0079] Параметр модели (например, параметр K) оценивается с помощью блока 310 оценки параметров на основе модели с использованием МНЕ, как описано в настоящем документе. Метод МНЕ, использованный в данном примере, в качестве входных данных использует усилия, действующие на долото, измерения ориентации скважинного инструмента, такие параметры поверхности, как WOB, RPM и некоторые регулировочные параметры. Результатом вычислений блока оценки является параметр K, который затем используется устройством 702 вычисления усилия направления в предыдущих уравнениях для вычисления усилий направления и направления отклонения. Одним из преимуществ использования метода МНЕ является то, что он позволяет использовать статистические данные для уменьшения шума, который накладывается на данные измерений.

[0080] В другом примере, представленные технологии можно использовать для определения изменений буримости пород в пласте (например, в пласте 4). На ФИГ. 8 показана блок-схема устройства 802 обнаружения изменений и вычисления параметров модели, в котором используется блок 310 оценки параметров на основе модели в соответствии с аспектами настоящего раскрытия. Это достигается путем наблюдения за изменением оцененного параметра (параметров) МНЕ в зависимости от глубины. В одном из примеров блок оценки параметров на основе модели использует метод МНЕ для определения простой модели опережающего бурения с целью определения параметра K, который является функцией параметров бурения (например, WOB, RPM), КНБК и пласта. Такое поведение используется для обнаружения изменений буримости пород и соответствующей глубины с помощью устройства 802 обнаружения изменений параметров модели.

[0081] Предполагается, что бурение скважины выполняют в гомогенном пласте (например, в пласте А). В этих условиях оценка параметра модели (например, параметра K) является постоянной. Если буровое долото входит в другой пласт (например, в более твердую породу) (например, в пласт В), то значение параметра модели резко изменяется по мере изменения буримости породы. Если порода более твердая, значение параметра модели уменьшается. Если порода более мягкая, значение K увеличивается. Изменение параметра модели может определяться автоматически. Зависимость параметра модели от изменения буримости пород показана на ФИГ. 9, где представлено событие изменения параметра модели между пластом А и пластом В.

[0082] В другом варианте осуществления для определения неизвестных параметров бурения используется модель опережающего бурения с более высокой степенью детализации. И в данном случае эти параметры при входе в другой пласт изменятся одновременно. Вместо того чтобы полагаться только на один параметр, для четкого определения события изменения буримости пород используются несколько параметров, что в конечном итоге приводит к более эффективной классификации пласта.

[0083] Событие изменения параметра также можно использовать для обнаружения пропластков. Пропласток представляет собой тонкий промежуточный слой твердой породы, залегающий внутри более мягкого пласта. В альтернативном варианте осуществления событие изменения параметра можно использовать в существующих задачах обнаружения пропластков для уменьшения неопределенности схемы их обнаружения. В другом варианте осуществления событие обнаружения изменения буримости пород может быть использовано для повышения точности существующих способов оценки пласта.

[0084] Еще одним применением настоящих технологий является использование модели с оцененными параметрами для прогнозирования будущей траектории ствола скважины. На ФИГ. 10 показана модель 1002 опережающего бурения для вычисления траектории ствола скважины в соответствии с аспектами настоящего раскрытия. Это достигается, например путем использования оценки параметров модели вместе с фактическими усилиями отклонения и набора кривизны для вычисления постепенного изменения азимута и зенитного угла. Исходя из этого, можно вычислить будущую траекторию.

[0085] В варианте осуществления настоящие технологии используются для оценки параметра модели (например, параметра K) и последующего решения простого кинематического дифференциального уравнения буровой системы для вычисления (т.е. прогнозирования) будущей траектории ствола скважины с использованием модели 1002 опережающего бурения. При использовании декартовых координат n, е, d (т.е. координаты по осям, которые направлены на север, восток и вдоль местной вертикали), уравнения положения долота принимают вид:

Для решения интегралов используются значения зенитного угла и азимута. Зенитный угол и азимут вычисляются с использованием оценки параметра модели (например, параметра K модели) следующим образом:

[0086] Обратите внимание, что дополнительная оценка скорости бурения не требуется, поскольку описание системы полностью выполнено в глубинной области.

[0087] В другом варианте осуществления для прогнозирования траектории используется более сложная модель опережающего бурения. Балочная модель обеспечивает высокую точность прогнозирования траектории, но требует выполнения правильной оценки многих параметров. Настоящие технологии можно использовать для одновременной оценки этих параметров. Выходные данные балочной модели могут быть записаны в векторном формате в виде у=[n, е, d, inc, azi]^T. Выходные данные выражены с использованием нелинейной модели пространства состояний:

где f, с - векторы нелинейных функций fl, …, fn и cl, … сn. В зависимости от модели некоторые нелинейные функции известны (например, из физической модели), тогда как другие нелинейные функции в пределах модели опережающего бурения содержат параметры, которые необходимо определить. Если имеются данные от соседних скважин, то неизвестные параметры подсчитываются в автономном режиме с помощью с помощью метода наименьших квадратов. Для оперативной оценки используется метод МНЕ. Отслеживание параметров реализовано с помощью блока 310 оценки параметров на основе модели.

[0088] Один из примеров с результатами прогнозирования траектории показан на ФИГ. 11. В частности, на ФИГ. 11 показан трехмерный график 1100 прогнозируемой траектории 1102 ствола скважины в соответствии с аспектами настоящего раскрытия. Например, длина прогнозирования задается равной 90 метрам. Длина прогнозирования может быть изменена на любую необходимую длину прогнозирования. Траектория ствола скважины была получена с использованием модели буровой системы, параметры которой оценивали с использованием настоящего изобретения. Усилие отклонения и набора кривизны сохраняются неизменными во всем горизонте прогноза. Следует понимать, что прогнозирование скважины приводит к распространению информации о неопределенности, поскольку данный процесс представляет собой прогнозирование. Предсказанные точки, расположенные вблизи по отношению к фактическому положению, содержат меньше неопределенности, чем предсказанные точки, которые размещены далеко от фактического положения.

[0089] На ФИГ. 12 показана блок-схема способа 1200 оценки параметров наклонно-направленного бурения на основе модели при проведении скважинной операции по настоящему раскрытию. Способ 1200 может быть реализован с помощью любой подходящей системы обработки данных, такой как система 12 обработки данных, представленная на ФИГ. 1 и 2 или система 300, представленная на ФИГ. 3.

[0090] При использовании блока 1202 блок 310 оценки параметров на основе модели (например, процессор или устройство обработки) получает данные измерений, полученные при проведении скважинной операции 301. При использовании блока 1204 блок 310 оценки параметров на основе модели оценивает параметр, по меньшей мере частично основанный на данных измерений. В некоторых примерах оценка параметра по меньшей мере частично основана на ограничениях, сгенерированных с помощью методики машинного обучения. В методике машинного обучения может использоваться нейронная сеть или другие методики машинного обучения. Нейронная сеть, например в качестве входных данных принимает данные заданий из множества заданий и генерирует ограничения по меньшей мере частично на основе данных заданий. Данные заданий могут включать в себя, помимо прочего, данные о скорости бурения, данные о нагрузке на долото, данные о частоте вращения в оборотах в минуту, данные о давлении флюида и данные гамма-каротажа. В дополнительных примерах оценка параметра по меньшей мере частично основана на анизотропии долота и жесткости горных пород, сгенерированных с помощью методики машинного обучения.

[0091] При использовании блока 1206 контроллер 314 генерирует управляющее воздействие для управления буровым или другим инструментом при выполнении скважинной операции по меньшей мере частично на основании оцененного параметра. При использовании блока 1208 контроллер 314 регулирует скорость подачи долота при выполнении скважинной операции на основании управляющего воздействия.

[0092] Кроме того, могут быть включены дополнительные операции. Например, способ 1200 может дополнительно включать в себя вычисление усилия направления и угла направления по меньшей мере частично на основании оцененного параметра. Усилие направления и угол направления могут быть сгенерированы в качестве входного управляющего сигнала и могут использоваться для регулирования скорости подачи долота. Вычисление усилия направления и угла направления может быть по меньшей мере частично основано на желаемом темпе набора кривизны и желаемой интенсивности искривления. В дополнительном примере изменение буримости пород может быть по меньшей мере частично определено, исходя из оцененного параметра и измеренной глубины. Следует понимать, что процессы, показанные на ФИГ. 12, представлены в качестве иллюстраций и что можно добавлять другие процессы или существующие процессы можно удалять, модифицировать или перекомпоновывать без отступления от объема и сущности настоящего раскрытия.

[0093] Ниже приведены некоторые варианты осуществления вышеприведенного раскрытия.

[0094] Вариант осуществления 1. Реализованный с применением компьютера способ оценки параметров и состояния наклонно-направленного бурения на основе модели при проведении скважинной операции, где способ включает в себя: прием с помощью устройства обработки данных измерений, полученных при проведении скважинной операции; выполнение с помощью устройства обработки оперативной оценки по меньшей мере одного из параметра для генерирования оцененного параметра и состояния для получения оцененного состояния, при этом оперативная оценка по меньшей мере частично основана на данных измерения; генерирование с помощью устройства обработки входного управляющего сигнала для управления аспектом скважинной операции по меньшей мере частично на основании по меньшей мере одного из оцененного параметра и оцененного состояния; и осуществление управляющего воздействия на основании входного управляющего сигнала для управления аспектом скважинной операции.

[0095] Вариант осуществления 2. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, в котором оперативная оценка выбрана из группы, состоящей из оценки подвижной границы раздела, оценки с применением расширенного фильтра Калмана и оценки методом наименьших квадратов.

[0096] Вариант осуществления 3. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, в котором выполнение оперативной оценки по меньшей мере одного из параметра и состояния по меньшей мере частично основано на ограничениях, параметрах и первоначальных условиях, генерируемых во время автономной оценки.

[0097] Вариант осуществления 4. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, в котором ограничения, параметры и первоначальные условия, генерируемые во время автономной оценки, генерируются с использованием методики машинного обучения.

[0098] Вариант осуществления 5. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, в котором методика машинного обучения в качестве входных данных принимает данные заданий из множества заданий и генерирует ограничения, параметры и первоначальные условия по меньшей мере частично на основе данных заданий.

[0099] Вариант осуществления 6. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, в котором данные заданий включают в себя данные о скорости бурения, данные о нагрузке на долото, данные о частоте вращения в оборотах в минуту, данные о давлении флюида и данные гамма - каротажа.

[0100] Вариант осуществления 7. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, в котором базовые модели, используемые для выполнения оперативной и автономной оценок, выбраны из набора моделей скважинных операций путем минимизации погрешности между измерением, выполненным в ходе скважинной операции, и вычисленными измерениями, полученными из базовых моделей.

[0101] Вариант осуществления 8. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, дополнительно включающий в себя вычисление с помощью устройства обработки усилия направления и угла направления по меньшей мере частично на основе оцененного параметра.

[0102] Вариант осуществления 9. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, в котором вычисление усилия направления и угла направления в дальнейшем по меньшей мере частично основано на желаемом темпе набора кривизны и желаемой интенсивности искривления.

[0103] Вариант осуществления 10. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, в котором вычисление усилия направления и угла направления по меньшей мере частично основано на плане скважины, геологической модели или данных каротажа во время бурения.

[0104] Вариант осуществления 11. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, дополнительно включающий в себя определение изменения буримости пород по меньшей мере частично на основе оцененного параметра и измеренной глубины.

[0105] Вариант осуществления 12. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, дополнительно включающий в себя прогнозное вычисление будущей траектории ствола скважины.

[0106] Вариант осуществления 13. Реализованный с применением компьютера способ по любому из предыдущих вариантов осуществления, в котором управляющее воздействие позволяет проводить наблюдения, на основе которых проводится оценка параметров, без ущерба для скважинной операции.

[0107] Вариант осуществления 14. Система интеграции контекстной информации в рабочий процесс для проведения скважинной операции, причем система в себя: запоминающее устройство, содержащее машиночитаемые команды, и устройство обработки для выполнения машиночитаемых команд для осуществления способа, где способ включает в себя: прием с помощью устройства обработки данных измерений, полученных при проведении скважинной операции; выполнение с помощью устройства обработки оперативной оценки для оценки по меньшей мере одного из параметра и состояния, по меньшей мере частично основанного на данных измерений и по меньшей мере частично основанного на автономной оценке; и осуществление с помощью устройства обработки входного управляющего сигнала для управления аспектом скважинной операции, где входной управляющий сигнал по меньшей мере частично основан на оцененном параметре и оцененном состоянии.

[0108] Вариант осуществления 15. Система по любому из предыдущих вариантов осуществления, в котором автономная оценка по меньшей мере одного из параметра и состояния по меньшей мере частично основана на ограничениях, параметрах или первоначальных условиях, сгенерированных с помощью методики машинного обучения.

[0109] Вариант осуществления 16. Система по любому из предыдущих вариантов осуществления, в котором ограничения, параметры и первоначальные условия, генерируемые во время автономной оценки, генерируются с использованием методики машинного обучения.

[0110] Вариант осуществления 17. Система по любому из предыдущих вариантов осуществления, в котором методика машинного обучения в качестве входных данных принимает данные заданий из множества заданий и генерирует ограничения, параметры и первоначальные условия по меньшей мере частично на основе данных заданий, а также в котором данные заданий содержат данные о скорости бурения, данные о нагрузке на долото, данные о частоте вращения в оборотах в минуту, данные о давлении флюида и данные гамма-каротажа.

[0111] Вариант осуществления 18. Система по любому из предыдущих вариантов осуществления, в котором способ дополнительно включает в себя вычисление с помощью устройства обработки усилия направления и угла направления по меньшей мере частично на основе оцененного параметра, причем вычисление усилия направления и угла направления дополнительно по меньшей мере частично основано на желаемом темпе набора кривизны и желаемой интенсивности искривления.

[0112] Вариант осуществления 19. Система по любому из предыдущих вариантов осуществления, в которой способ дополнительно определяет изменение буримости пород по меньшей мере частично на основании оцененного параметра и измеренной глубины.

[0113] Использование форм единственного и множественного числа и аналогичных отсылок в контексте описания настоящего изобретения (особенно в контексте представленной ниже формулы изобретения) следует понимать как охватывающее как единственное, так и множественное число, если в настоящем документе не указано иное или если это явно не противоречит контексту. Кроме того, следует также отметить, что термины «первый», «второй» и т.п. в настоящем документе не означают какой-либо порядок, количество или важность, а использованы для различения одного элемента от другого. Определение «приблизительно», используемое в связи с каким-либо количеством, включает в себя указанную величину и имеет значение, определяемое контекстом (например, он включает степень ошибки, связанной с измерением определенного количества).

[0114] Идеи, представленные в настоящем раскрытии, можно использовать в множестве разнообразных скважинных операций. Эти операции могут включать использование одного или более средств обработки для обработки пласта, флюидов, постоянно находящихся в пласте, ствола скважины и/или оборудования в стволе скважины, такого как эксплуатационные насосно-компрессорные трубы. Средства обработки могут находиться в форме жидкостей, газов, твердых веществ, полутвердых веществ и их смесей. Примеры средств обработки включают без ограничений гидроразрывные флюиды, кислоты, пар, воду, солевой раствор, антикоррозионные средства, цемент, модификаторы проницаемости, буровые растворы, эмульгаторы, деэмульгаторы, индикаторы, противотурбулентные присадки и т.п. Примеры операций на скважине включают без ограничений гидравлический разрыв пласта, интенсификацию, введение индикаторов, очистку, кислотную обработку, нагнетание пара, заводнение, цементирование и т.п.

[0115] Хотя в настоящем раскрытии приведены ссылки на пример осуществления или примеры осуществления, специалистам в данной области будет понятно, что допускается внесение различных изменений и замена отдельных элементов на эквивалентные без отступления от объема настоящего раскрытия. Кроме того, допускается внесение множества модификаций для адаптации сущности настоящего раскрытия к конкретной ситуации или материалу без отступления от его существенного объема. Таким образом, предполагается, что настоящее раскрытие не ограничивается конкретным вариантом осуществления, раскрытым как наилучший вариант реализации, предусмотренный для осуществления настоящего описания, но предполагается, что настоящее раскрытие включает в себя все варианты осуществления, входящие в объем формулы изобретения. Кроме того, в графических материалах и описании раскрыты примеры осуществления настоящего раскрытия, и, хотя могли быть использованы конкретные термины, если не указано иное, они используются только в общем и описательном смысле, а не в целях ограничения, и, таким образом, их применение не приводит к ограничению объема настоящего раскрытия.

1. Реализованный с применением компьютера способ (1200) оценки параметров или состояния наклонно-направленного бурения на основе модели при проведении скважинной операции (100, 301), который включает в себя:

прием с помощью устройства (21) обработки данных измерений, полученных при проведении скважинной операции (100, 301);

выполнение с помощью устройства (21) обработки оперативной оценки (302) по меньшей мере одного из оперативного параметра для генерирования оперативно оцененного параметра и оперативного состояния для генерирования оперативно оцененного состояния, при этом оперативная оценка (302) по меньшей мере частично основана на данных измерений и по меньшей мере частично основана на автономной оценке параметра, генерированного во время автономной оценки (304), причем при оперативной оценке (302) используют первую модель и осуществляют оценку по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния в течение первого периода времени, а при автономной оценке (304) используют вторую модель и набор данных, который больше набора данных измерений, использованного при оперативной оценке (302), и при автономной оценке (304) осуществляют оценку автономно оцененного параметра во второй период времени, который больше первого периода времени;

генерирование с помощью устройства (21) обработки входного управляющего сигнала для управления аспектом скважинной операции (100, 301) по меньшей мере частично на основании по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния; и

осуществление управляющего воздействия на основании входного управляющего сигнала для управления аспектом скважинной операции (100, 301).

2. Реализованный с применением компьютера способ (1200) по п. 1, в котором оперативная оценка (302) выбрана из группы, состоящей из оценки подвижной границы раздела, оценки с применением расширенного фильтра Калмана и оценки методом наименьших квадратов.

3. Реализованный с применением компьютера способ (1200) по п. 1, в котором выполнение оперативной оценки (302) по меньшей мере одного из оперативного параметра и оперативного состояния дополнительно по меньшей мере частично основано на ограничениях и первоначальных условиях, генерируемых во время автономной оценки (304).

4. Реализованный с применением компьютера способ (1200) по п. 3, в котором по меньшей мере одно из ограничения и первоначальных условий, генерируемых во время автономной оценки (304), генерируются с использованием методики машинного обучения.

5. Реализованный с применением компьютера способ (1200) по п. 4, в котором методика машинного обучения в качестве входных данных принимает данные заданий из множества заданий и генерирует автономно оцененный параметр и по меньшей мере одно из ограничения и первоначального условия по меньшей мере частично на основе данных (322) задания.

6. Реализованный с применением компьютера способ (1200) по п. 5, в котором данные (322) заданий включают в себя данные о скорости бурения, данные о нагрузке на долото, данные о частоте вращения в оборотах в минуту, данные о давлении флюида или данные гамма-каротажа.

7. Реализованный с применением компьютера способ (1200) по п. 1, в котором базовые модели, используемые для выполнения оперативной оценки (302) и автономной (304) оценки, выбираются из набора моделей скважинных операций (100, 301) путем минимизации погрешности между измерением, выполненным в ходе скважинной операции (100, 301), и вычисленными параметрами, полученными на основе базовых моделей.

8. Реализованный с применением компьютера способ (1200) по п. 1, дополнительно включающий в себя:

вычисление с помощью устройства (21) обработки усилия направления и угла направления по меньшей мере частично на основании оперативно оцененного параметра.

9. Реализованный с применением компьютера способ (1200) по п. 8, в котором вычисление усилия направления и угла направления в дальнейшем по меньшей мере частично основано на желаемом темпе набора кривизны и желаемой интенсивности искривления.

10. Реализованный с применением компьютера способ (1200) по п. 9, в котором вычисление усилия направления и угла направления по меньшей мере частично основано на плане бурения скважины, геологической модели или данных каротажа во время бурения.

11. Реализованный с применением компьютера способ по п. 1, дополнительно включающий в себя определение изменения буримости пород (4) по меньшей мере частично на основе оперативно оцененного параметра или оперативно оцененного состояния.

12. Система (300) для управления аспектом скважинной операции (100, 301), содержащая:

запоминающее устройство (24), содержащее машиночитаемые команды; и

устройство (21) обработки для выполнения машиночитаемых команд для выполнения способа, который включает в себя:

прием с помощью устройства (21) обработки данных измерений, полученных при проведении скважинной операции (100, 301);

выполнение с помощью устройства (21) обработки оперативной оценки (302) для оценки по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния по меньшей мере частично на основании данных измерений и по меньшей мере частично на основании автономно оцененного параметра, генерированного во время автономной оценки (304), причем при оперативной оценке (302) используется первая модель и осуществляется оценка по меньшей мере одного из оперативно оцененного параметра и оперативно оцененного состояния в течение первого периода времени, а при автономной оценке (304) используется вторая модель и набор данных, который больше набора данных измерений, использованного при оперативной оценке (302), и при автономной оценке (304) осуществляется оценка автономно оцененного параметра во второй период времени, который больше первого периода времени; и

реализацию с помощью устройства (21) обработки входного управляющего сигнала для управления аспектом скважинной операции (100, 301), причем входной управляющий сигнал по меньшей мере частично основан на по меньшей мере одном из оперативно оцененного параметра и оперативно оцененного состояния.

13. Система (300) по п. 12, в которой автономная оценка (304) автономно оцененного параметра по меньшей мере частично основана на ограничениях или первоначальных условиях, сгенерированных с помощью методики машинного обучения.

14. Система (300) по п. 13, в которой методика машинного обучения в качестве входных данных принимает данные заданий из множества заданий и генерирует автономно оцененный параметр и ограничение или первоначальное условие по меньшей мере частично на основе данных (322) заданий и в которой данные (322) заданий содержат данные о скорости бурения, данные о нагрузке на долото, данные о частоте вращения в оборотах в минуту, данные о давлении флюида и данные гамма-каротажа.