Способ и система для предупреждения о предстоящих аномалиях в процессе бурения



Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
Способ и система для предупреждения о предстоящих аномалиях в процессе бурения
E21B44/00 - Системы автоматического управления или регулирования процессом бурения, т.е. самоуправляемые системы, осуществляющие или изменяющие процесс бурения без участия оператора, например буровые системы, управляемые ЭВМ (неавтоматическое регулирование процесса бурения см. по виду процесса; автоматическая подача труб со стеллажа и соединение бурильных труб E21B 19/20; регулирование давления или потока бурового раствора E21B 21/08); системы, специально предназначенные для регулирования различных параметров или условий бурового процесса (средства передачи сигналов измерения из буровой скважины на поверхность E21B 47/12)

Владельцы патента RU 2772851:

Публичное акционерное общество "Газпром нефть" (RU)
Интернешенал Бизнес Машинс Корпорейшн (Ай Би Эм) (US)

Изобретение относится к области прогнозирования и индикации потенциальных проблем в процессе бурения скважин. Техническим результатом является выявление аномальных параметров в процессе бурения. Раскрыт компьютерный способ предупреждения о будущей аномалии в процессе бурения, включающий в себя: формирование первого обучающего набора данных для первого алгоритма машинного обучения (MLA) на основе исторических данных скважин; обучение первого алгоритма MLA с использованием первого обучающего набора данных для формирования первой модели нормального отклика; определение потенциальной аномалии бурения на основе первой модели нормального отклика и данных реального времени скважин; формирование второго обучающего набора данных для второго алгоритма MLA на основе исторических данных скважин и образцовых данных, сформированных первой моделью нормального отклика; обучение второго алгоритма MLA с использованием второго обучающего набора данных для формирования второй модели нормального отклика; предсказание основных параметров процесса бурения на основе второй модели нормального отклика и данных реального времени скважин; определение фактической аномалии бурения на основе предсказанных основных параметров процесса бурения и данных реального времени скважин; формирование предупреждения на основе потенциальной аномалии бурения и/или фактической аномалии бурения. 14 з.п. ф-лы, 8 ил., 1 табл.

 

Область техники, к которой относится изобретение

Изобретение в целом относится к средствам прогнозирования и индикации потенциальных проблем в процессе бурения скважин. В частности, изобретение относится к системе и способу предупреждения эксплуатационного персонала о будущей аномалии в процессе бурения, которая может привести к сбою.

Известный уровень техники

Бурение новой скважины - довольно сложная задача. Процесс бурения необходимо строго контролировать с целью предотвращения происшествий и аварий, что требует соответствующей подготовки эксплуатационного персонала и обеспечения его готовности к предотвращению аварий и быстрой ликвидации их последствий. Бурение является технологически сложным процессом, и поэтому любая неисправность в ходе буровых работ приводит к значительным потерям, связанным с затратами на анализ ситуации, ремонт и возобновление работ, включая рабочее время инженеров и другого персонала, необходимого для решения проблемы.

В настоящее время некоторые компании имеют возможность прогнозировать определенные типы осложнений при бурении либо автоматически, либо с помощью экспертов-людей и их знаний. Однако из-за сложности этой задачи и отсутствия специалистов многие происшествия, сбои и аварии остаются непредвиденными до тех пор, пока они не произойдут. Более того, в связи с тем, что средства обнаружения таких сбоев и аварий часто основаны на анализе лишь косвенных признаков, иногда может быть даже трудно сказать наверняка, произошел уже сбой или нет.

В патентном документе AU2013403353B2 содержится описание систем и способов оперативного прогнозирования рисков в процессе буровых работ с использованием скважинных данных, поступающих в режиме реального времени, обученной модели толстого слоя и обученной модели тонкого слоя для каждого соответствующего слоя обученной модели толстого слоя. Эти системы и способы могут также использоваться для отслеживания других незавершенных скважин и выполнения статистического анализа продолжительности каждого уровня риска для отслеживаемой скважины.

В патентном документе US6722450B2 содержится описание устройства и способа отслеживания состояния и обнаружения выхода из строя бурового долота. Датчики указанного устройства располагаются на вспомогательном узле (который снимается с бурового долота) и передают данные в нейронную сеть или другой адаптивный фильтр. Нейронная сеть использует предыдущие показания датчиков для прогнозирования дальнейших показаний датчиков. Для определения ошибки прогнозирования прогнозируемое значение вычитается из фактического значения. Увеличение ошибки прогнозирования является показателем, на основе которого оператор может сделать вывод о выходе из строя бурового долота.

В патентном документе US9970266B2 содержится описание способов и систем повышения эффективности буровых работ за счет использования данных бурения, получаемых в режиме реального времени, с целью прогнозирования износа долота, литологического состава горной породы, порового давления, коэффициента трения при вращении, проницаемости горной породы и стоимости буровых работ в режиме реального времени, а также с целью корректировки параметров бурения в режиме реального времени на основе этих прогнозов. Оперативное прогнозирование литологического состава горной породы осуществляется путем обработки данных бурения, поступающих в режиме реального времени, многослойной нейронной сетью. Оперативное прогнозирование износа долота осуществляется с использованием данных бурения, поступающих в режиме реального времени, для прогнозирования коэффициента полезного действия долота и определения его изменения с течением времени. Эти прогнозы могут быть использованы для автоматической корректировки параметров бурения в процессе буровых работ с возможностью вмешательства со стороны оператора в ручном режиме. Такие способы и системы также могут включать средства определения различных параметров гидродинамических условий в скважине и коэффициента трения вращения. При этом наряду с данными, поступающими в режиме реального времени, здесь могут использоваться исторические данные с целью оказания экспертной помощи системе и выявления проблем производственной безопасности.

В патентном документе US 20170308802 A1 содержится описание способов и систем для прогнозирования исхода различных ситуаций, таких как отказы производственного оборудования, в тяжелой промышленности. Прогнозируемые исходы могут быть использованы владельцами и операторами буровых установок, шахт, заводов и других производственных объектов с целью выявления потенциальных сбоев и принятия превентивных и/или корректирующих мер в отношении промышленных объектов и оборудования. В одной общей реализации исторические данные, связанные с множеством исходов, поступают в один или несколько серверов на центральном объекте из одного или нескольких источников данных. На основе этих исторических данных система генерирует массивы данных, используя которые, набор моделей обучается прогнозировать исходы. Каждая модель включает в себя подмодели, соответствующие иерархии компонентов каждого промышленного объекта. Набор моделей объединяется в ансамблевую модель, которая передается на производственные объекты.

В патентном документе WO2015123591A1 содержится описание системы оказания оперативной помощи эксплуатационному персоналу в процессе бурении скважин. Указанная система состоит из компьютера и машинного носителя для долговременного хранения информации, на котором записана программа, под управлением которой компьютер получает исходные данные, поступающие в режиме реального времени от датчиков, отслеживающих ход буровых работ и/или состояние скважины; очищает исходные данные, включая удаление всех исходных данных, полученных в следующих режимах: вспомогательные операции при бурении, спуск инструмента, подъем инструмента, разбуривание вперед, разбуривание назад и/или циклическое разбуривание - с целью получения очищенных данных; подает, как минимум, часть очищенных данных в нейронную сеть, обученную на основе информации, относящейся к процессу бурения, включая геологическую информацию в отношении региона, в котором ведутся буровые работы; получает от нейронной сети оперативный прогноз вероятности того, что в ходе буровых работ возникнут те или иные условия в будущем; и отображает данный прогноз.

В патентном документе CN109829561A содержится описание способа прогнозирования происшествий, сбоев и аварий, основанного на сглаживающей обработке данных и машинном обучении сетевой модели. Этот способ предусматривает построение системы раннего предупреждения о возможных сбоях в процессе бурения скважин и маркировку аварийных аномалий на основе сглаживающей обработки данных; создание обучающей сети скважин на основе модели машинного обучения с целью формирования аналогичной модели на основе моделей с несколькими классификациями, соответствующих смежным скважинам, путем минимизации целевой функции; использование измеренных данных, полученных из обучающей скважины, для обучения оптимизационной модели с целью получения параметрического решения для данной модели; поиск в сети соседней скважины, аналогичной тестовой скважине, с последующей оценкой параметров модели тестовой скважины на соответствие модели соседней скважины и прогнозирование сбоев и аварий тестовой скважины на основе оценочных параметров.

В патентном документе US 20020120401 A1 содержится описание системы прогнозирующего управления буровыми работами, основанной на использовании нейронной сети. Скважинный процессор управляет работой различных устройств в забойном узле, изменяя параметры бурения и направление бурения с целью автономной оптимизации эффективности буровых работ. Нейронная сеть итеративно обновляет модель прогнозирования буровых работ и выдает рекомендации по корректировке параметров бурения оператору.

В патентном документе WO 2019216891 A1 содержится описание способа оптимизации процесса бурения в режиме реального времени на основе машинного обучения, предусматривающего использование многослойной глубокой нейронной сети, построенной на основе входных данных процесса бурения. Данная сеть позволяет извлекать большое количество различных параметров буровых работ, на основе которых строится модель линейной регрессии. Эта модель применяется для прогнозирования одного или нескольких параметров бурения.

В статье Ци Пенга и соавт. [1] содержится описание системы предупреждения об отклонениях технических параметров бурения, разработанной для отслеживания состояния процесса бурения в режиме реального времени и раннего предупреждения о возможных сбоях авариях при ведении буровых работ. Комплексный каротажный прибор позволяет системе оповещения собирать данные о параметрах бурения (нагрузке на долото, крутящем моменте, нагрузке на крюк), которые могут отображаться на экране компьютера, чтобы инженеры могли отслеживать тенденции их изменения. Для определения причин изменения параметров используются инструменты математической статистики (среднее время, дисперсия, амплитуда и т.д.). Наиболее важным принципом работы системы раннего предупреждения является установление взаимосвязи между сбоями в процессе бурении и техническими параметрами. Выбор аномальных параметров бурения основан на теории корреляции Грея. Данная система способна точно отслеживать аномальные параметры бурения и выдавать точные (точность свыше 80%) сигналы раннего предупреждения о наиболее распространенных сбоях и авариях при бурении (выброс, нарушение герметичности скважины, аномальное содержание H2S, отказ бурового инструмента и т.д.) либо непосредственно на буровой установке, либо в центре удаленного мониторинга.

В статье Джулио Гола и соавт. [2] рассматриваются два способа использования искусственного интеллекта для повышения эффективности мониторинга процессов бурения с точки зрения снижения неопределенности и повышения надежности прогнозирования. Первый способ основан на использовании объединенного мнения различных экспертов в рамках так называемого ансамблевого подхода; второй основан на так называемом подходе «серого ящика», который сочетает в себе физическую модель и искусственный интеллект. Эти два способа применяются для решения проблемы прогнозирования забойного давления в процессе бурения с динамическим контролем давления, чтобы повысить точность и надежность прогнозирования, а также избежать вводящей в заблуждение информации о ситуации в скважине или получения противоречивых отчетов о рабочих режимах.

В статье Яна Аврейцевича и соавт. [3] описывается программный инструмент для анализа геологических причин поглощения бурового раствора. Классификация скважин на карте по интенсивности поглощения бурового раствора и построение новых узлов для каждого класса осуществляется с использованием искусственной нейронной сети. Вероятность отнесения новой скважины к определенному классу интенсивности поглощения рассчитывается на основе расстояния между скважиной и ближайшим узлом каждого класса. При учете технологических факторов вероятностный прогноз возникновения поглощений бурового раствора формируется путем обработки полевых данных с использованием теории нечетких множеств. Программное обеспечение позволяет прогнозировать поглощения бурового раствора, вызванные каждой группой рассматриваемых факторов.

В статье Шэннаня Ву и соавт. [4] рассматривается подход к определению условных вероятностей опасных событий и их последствий. Этот подход предусматривает использование моделей, учитывающих влияние естественной деградации оборудования и (если применимо) новую информацию об изменениях параметров модели (например, изменении плотности бурового раствора), поступающую в режиме реального времени. Данный подход основан на теории динамической байесовской сети (DBN) и предусматривает использование дополнительных узлов для устранения неопределенностей модели и неопределенностей параметров. Кроме того, учитывается эффект деградации. При наступлении опасного события модель может быть использована для прогнозирования эволюции риска и определения его коренных причин в процессе ведения буровых работ на шельфе. Для увязки возможных сценариев происшествий с параметрами работы оборудования и параметрами пласта создается модель «галстук-бабочка», которая затем преобразуется в DBN. Вывод, сформулированный DBN, адаптируется для выполнения прогнозирования и диагностики с целью динамической оценки риска, а затем проводится анализ чувствительности для определения относительного веса каждой коренной причины.

В статье Кишуая Иня и соавт. [5] предлагается интеллектуальный метод, основанный на данных о пластовом давлении, пространственном расположении соседних скважин и пространственной непрерывности целевой области, который обеспечивает формирование профиля давления с высокой степенью достоверности, определение безопасного окна давлений и соответствующих плотностей бурового раствора, а также построение вероятностного профиля риска и интервала риска буровых работ. Таким образом, данный метод обеспечивает выявление и оценку рисков бурения в сложных пластах. Во-первых, вводится концепция матрицы пластового давления и определяется алгоритм эпитаксиальной стратиграфической миграции давления для расчета давления в целевых скважинах конкретной тектонической области на основе корректировки глубины и алгоритма взвешивания обратных расстояний. Во-вторых, рассчитывается вероятность риска бурения. В-третьих, с помощью теории нечетких множеств и с использованием данных о сбоях и авариях строится функция принадлежности с различными степенями интервалов. Наконец, определяется степень принадлежности риска буровых работ для обеспечения интеллектуальной идентификации риска бурения.

В статье Екатерины Гуриной и соавт. [6] содержится описание интеллектуальной модели, обучаемой на основе исторических данных о сбоях и авариях при бурении. Она способна обнаруживать различные типы аварий, используя сигналы, поступающие в режиме реального времени. Используя сравнение временных рядов, основанное на агрегированной статистике и классификации градиентного повышения, она позволяет обнаружить аномалию процесса и определить ее тип путем сравнения текущих данных телеметрии (MWD) со значениями, сохраненными в базе данных аварий.

В статье Ксении Антиповой и соавт. [7] содержится описание алгоритма машинного обучения, который позволяет обнаруживать аномалии с использованием данных процесса бурения (данных телеметрии). Указанный алгоритм автоматически извлекает паттерны симптомов-предвестников аномалии и затем распознает их в процессе бурения. Его обучающий массив данных поступает с более чем 20 нефтяных месторождений и состоит из разделов, связанных с более чем 80 авариями различных типов: прихват колонны, поглощение бурового раствора, газонефтеводопроявление, размыв колонны, выход из строя бурового инструмента, образование сальника, проблемы при подъеме и спуске инструмента, проблемы при разбуривании. Используемая модель машинного обучения основана на деревьях решений с градиентным повышением. Она анализирует параметры бурения в режиме реального времени внутри скользящего 4-часового окна. Для каждого измерения модель вычисляет вероятность аварии и предупреждает об аномалии определенного типа, когда вероятность превышает установленное пороговое значение. Данное решение обеспечивает прогнозирование сбоев и аварий при бурении, оптимизирует работу с данными и сокращает время простоев, связанных с авариями, на величину до 20%.

В статье Шридхарана Чандрасекарана и соавт. [8] описывается искусственная нейронная сеть (ANN), способная прогнозировать изменения механической скорости проходки путем использования параметров смещения поверхности вертикальной скважины в режиме реального времени в процессе бурения. Отображение ввода-вывода здесь осуществляется с помощью взаимосвязанной нейронной сети с обучением по алгоритму обратного распространения с прямой связью, что позволяет эффективно предсказывать МСП на долоте. Для обеспечения возможности эффективного обучения модели необработанные данные преобразуются в обработанные данные с помощью методов скрининга данных и методов конструирования признаков. Готовая ANN-модель проходит перекрестную проверку с целью генерализации по ряду входных данных и сравнивается с полевыми измерениями. Далее модель используется для оптимизации МСП с помощью метаэвристического алгоритма, что позволяет снизить общие затраты на метр проходки. Это достигается с помощью алгоритма оптимизации методом роя частиц (PSO), который находит наилучшее сочетание параметров бурения (нагрузка на долото, частота вращения долота, расход бурового раствора) для обеспечения максимальной производительности с учетом фактических условий.

В отличие от вышеприведенных патентных документов и статей, изобретение, описанное в заявке, обеспечивает оценку общего «здоровья» процесса бурения, не ограничиваясь прогнозированием определенных типов сбоев и аварий. Модели, предусмотренные данным изобретением, основаны на ряде параметров, регистрируемых в режиме реального времени, и учитывают все из них. Кроме того, в дополнение к необработанным данным используются производные элементы, которые включают, в том числе, экспертные знания человека. Такие модели не нуждаются в какой-либо разметке данных; вместо этого они используют методики неконтролируемого обучения, что позволяет работать с более крупными обучающими массивами данных и добиться более точного обобщения. Описываемое изобретение обеспечивает не только предупреждение о возможных авариях, но и прогнозирование основных параметров процесса бурения.

Краткое изложение сущности изобретения

Описываемое изобретение направлено на выявление аномальных параметров в процессе бурения с целью прогнозирования потенциальных аварий и предоставления эксплуатационному персоналу достаточного времени для принятия решений и предотвращения реальных проблем, тем самым обеспечивая значительную экономию времени и средств.

Вместо прогнозирования конкретных сбоев и аварий предлагается отслеживать ряд основных параметров процесса бурения и оценивать его общее «здоровье». Это позволяет прогнозировать широкий спектр возможных проблем при бурении, включая проблемы, непосредственно не связанные с известными типами сбоев и аварий.

Оценка «здоровья» процесса бурения производится с помощью модели прогнозирования. Одной из основных трудностей при обучении моделей прогнозирования аварий является отсутствие размеченных данных. Объем данных, связанных с правильно обозначенными авариями (именно такие данные считаются размеченными), обычно невелик, поэтому обученные модели плохо поддаются обобщению. Для преодоления этой проблемы описываемое изобретение реализует технологию неконтролируемого обучения, в рамках которой модель сама решает, какие данные подходят для обучения, а какие содержат аномалии. Такой подход позволяет избежать субъективности, вызванной индивидуальными экспертными заключениями, и не нуждается в какой-либо разметке данных о конкретных сбоях и авариях или других аномалиях в имеющихся (ранее накопленных) данных. Благодаря этому, модель может быть обучена на достаточно больших массивах обучающих данных.

Для определения обучающего массива данных используется поэлементная модель нормального поведения (называемая здесь «Внутренней моделью»), которая охватывает как исходные данные бурения, так и производные элементы. Модель нормального реагирования основана на «нормальных» фрагментах данных, относящихся к «нормальному» рабочему процессу, протекающему без существенных сбоев, аварий, неисправностей или любых других отклонений, вызывающих проблемы. Для выбора «нормальных» фрагментов данных из общего массива данных исключаются фрагменты, соответствующие сбоям и условиям, предшествующим сбоям, либо содержащие предвестники сбоев (например, повышенное тяговое усилие или повышенное сопротивление вращению перед прихватом инструмента под действием перепада давления), фрагменты с аномальными или ошибочно записанными данными (например, поврежденными или запоздавшими данные) и т.д. После исключения таких «ненормальных» фрагментов данных оставшиеся данные считаются «нормальными» и группируются в кластеры «нормальных» данных.

Производные элементы включают в себя экспертные знания, связанные со всеми известными сбоями и авариями, благодаря чему устраняется необходимость специально указывать модели на то место, в котором возникает аномалия (или происходит сбой), но вместо этого модель информируется о том, какие сигналы должны приниматься во внимание помимо необработанных данных бурения. Затем отобранные данные кластеризуются с помощью отдельной модели, и некоторые кластеры определяются в качестве эталонных кластеров. Данные из эталонных кластеров считаются свободными от аномалий и в дальнейшем используются для обучения ряда других поэлементных моделей нормального поведения (называемых здесь «Регрессионными моделями»).

Регрессионные модели предсказывают ряд основных параметров бурения. В частности, в данной заявке приведен наглядный пример прогнозирования среднего давления в стояке (SPPA), среднего крутящего момента (TQA) и средней нагрузки на крюк (HKLA). Поскольку эти модели обучаются только на данных из эталонных кластеров, прогнозируемые параметры представляют собой некоторый «здоровый» процесс бурения. Прогноз выполняется в режиме реального времени, и прогнозируемые значения параметров вместе с соответствующими фактическими значениями параметров отображаются на системном дисплее. Эксплуатационный персонал может в любой момент определить, что в процессе бурения что-то идет не так, просто взглянув на экран дисплея. Для обеспечения возможности своевременного снижения рисков система также автоматически прогнозирует возможные аварии и предупреждает о них.

Система указывает, по какому параметру наблюдается наибольшая разница между прогнозируемым значением и фактическим значением, и запускает индикатор вероятности аварии, чтобы обозначить потенциальную проблему (например, с помощью сигнальных цветов - желтого или красного). Аномалии определяются Регрессионными моделями и Внутренней моделью независимо. Результаты определения аномалий включаются в общую сигнализацию о проблеме.

Система, предлагаемая описываемым изобретением, основана на компьютеризованном способе предупреждения о будущей аномалии в процессе бурения. Этот способ включает в себя:

- формирование первого обучающего набора данных для первого алгоритма машинного обучения (MLA) на основе исторических данных скважин;

- обучение первого алгоритма MLA с использованием первого обучающего набора данных для формирования первой модели нормального отклика;

- определение потенциальной аномалии бурения на основе первой модели нормального отклика и данных реального времени скважин;

- формирование второго обучающего набора данных для второго алгоритма MLA на основе исторических данных скважин и образцовых данных, сформированных первой моделью нормального отклика;

- обучение второго алгоритма MLA с использованием второго обучающего набора данных для формирования второй модели нормального отклика;

- предсказание основных параметров процесса бурения на основе второй модели нормального отклика и данных реального времени скважин;

- определение фактической аномалии бурения на основе предсказанных основных параметров процесса бурения и данных реального времени скважин;

- формирование предупреждения на основе потенциальной аномалии бурения и/или фактической аномалии бурения.

Системы для предупреждения о предстоящих аномалиях в процессе бурения, включает по крайней мере один процессор, оперативную память и машиночитаемые инструкции для выполнения способа предупреждения о будущей аномалии в процессе бурения, указанный выше.

Системы для предупреждения о предстоящих аномалиях в процессе бурения также дополнительно может включать устройства для бурения скважин, по крайней мере боровое долото.

Описываемое изобретение предусматривает возможность генерирования нескольких обучающих массивов данных для второго MLA, после чего один или несколько из этих массивов могут быть выбраны на основе операций и этапов, соответствующих данным бурения, поступающим в режиме реального времени. Соответственно, данные бурения, поступающие в режиме реального времени, могут быть предварительно обработаны для определения операций и этапов.

Прогнозирование ключевых параметров процесса бурения может быть выполнено в режиме реального времени. В рамках одного из вариантов осуществления описываемого изобретения ключевыми параметрами процесса бурения могут быть средняя нагрузка на крюк (HKLA), средний крутящий момент (TQA) и среднее давление в стояке (SPPA).

Для формирования предупреждения данные потенциальной аномалии бурения и данные фактической аномалиях бурения могут быть объединены. Объединение данных потенциальной аномалии бурения и данных фактической аномалии бурения может выполняться с использованием отдельного алгоритма объединения. Например, алгоритм объединения может быть реализован отдельным MLA. В некоторых вариантах осуществления описываемого изобретения алгоритм объединения может быть реализован в виде нейронной сети.

Первая и/или вторая модель нормального поведения может быть обновлена на основе объединенных данных аномалий бурения. Обновление моделей позволяет повысить показатели качества прогнозов.

Предупреждения, генерируемые системой, предусмотренной описываемым изобретением, могут быть визуальными и/или звуковыми. Визуальные предупреждения могут быть основаны на использовании сигнальных цветов (например, аналогичных сигналам светофора). Визуальные предупреждения также могут быть основаны на использовании текстовых сообщений, описывающих предсказанную или обнаруженную аномалию. Визуальные предупреждения также могут быть основаны на показе изображений (например, пиктограмм), указывающих на предсказанную или обнаруженную аномалию. Звуковые предупреждения могут быть основаны на использовании специальных звуковых сигналов, например, сигнала тревоги. Звуковые предупреждения также могут быть основаны на использовании голосовых сообщений, указывающих на предсказанную или обнаруженную аномалию.

Краткое описание рисунков

На рис. 1 показана общая принципиальная схема способа предупреждения, реализованного в соответствии с описываемым изобретением.

На рис. 2 показана принципиальная схема этапа генерации моделей.

На рис. 3 показана принципиальная схема этапа обучения моделей.

На рис. 4 показана принципиальная схема этапа использования моделей для обработки данных, поступающих в режиме реального времени.

На рис. 5 показана принципиальная схема системы предупреждения, реализованной в соответствии с описываемым изобретением.

На рис. 6 показан пример определения потенциальных аномалий.

На рис. 7 показан пример пользовательского интерфейса в системе, реализованной в соответствии с описываемым изобретением.

На рис. 8 показан увеличенный фрагмент интерфейса, показанного на рис. 7, содержащий указания на значения ключевых параметров «здоровья» скважины (сравнение фактических значений с прогнозируемыми) и указания на возможные риски.

Подробное описание вариантов осуществления описываемого изобретения

Детали реализации способа предупреждения (10) и системы предупреждения (200) в соответствии с описываемым изобретением приведены ниже со ссылкой на рис. 1-8.

На рис. 1 показана общая принципиальная схема способа предупреждения (10) в соответствии с описываемым изобретением. Как правило, метод предупреждения (10) включает в себя следующие этапы:

- этап (11) генерации моделей, на котором генерируется Внутренняя модель и несколько Регрессионных моделей;

- этап (12) обучения моделей, на котором производится обучение сгенерированных моделей; и

- этап (13) использования обученных моделей для обработки данных, поступающих в режиме реального времени, на котором определяются фактические и потенциальные аномалии;

- этап (14) генерации предупреждений, на котором генерируются и выводятся предупреждения, сигналы и/или указания;

и опционально

- этап (15) обновления используемых моделей, на котором используемые модели обновляются на основе обратной связи.

Принципиальная схема этапа (11) создания моделей показана на рис. 2, а принципиальная схема этапа (12) обучения моделей показана на рис. 3. Внутренняя модель и Регрессионные модели генерируются и обучаются на основе исторических скважинных данных и экспертных знаний.

Исторические скважинные данные и экспертные знания

Как показано на рис. 2, в рамках этапа создания моделей формируется исходный массив исторических данных о скважине (111). Чтобы сформировать исходный массив, необходимо собрать скважинные данные конкретных месторождений, представляющих интерес. Под месторождением здесь понимается определенное место скопления углеводородов, где расположена одна или несколько скважин. Например, месторождения могут принадлежать определенной компании или разрабатываться определенной компанией. Поскольку такие скважинные данные предназначены для обучения компьютерных эксплуатационных моделей, данные, подлежащие включению в массив исторических скважинных данных, выбираются из необработанных исходных данных таким образом, чтобы обеспечить максимальную репрезентативность с учетом параметров, полученных в результате геолого-технологических исследований (ГТИ), в частности, с помощью телеметрии (MWD) и/или инклинометрии, или полученных из любого другого соответствующего источника. Значения параметров могут быть зафиксированы (например, путем непосредственных измерений) в режиме реального времени или рассчитаны впоследствии на основе результатов измерений. Перечень типичных параметров, получаемых в результате ГТИ, представлен в таблице 1.

Таблица 1
Параметр Обозначение параметра Источник данных Тип
1 Нагрузка на крюк HKLA Телеметрия (MWD) В реальном времени
2 Положение блока BPOS Телеметрия (MWD) В реальном времени
3 Глубина долота (измер.) DBTM Телеметрия (MWD) В реальном времени
4 Глубина забоя (измер.) DMEA Телеметрия (MWD) В реальном времени
5 Момент на столе ротора (средн.) TQA Телеметрия (MWD) В реальном времени
6 Усилие на долото (средн.) WOB Телеметрия (MWD) В реальном времени
7 Частота вращения (средн.) RPMA Телеметрия (MWD) В реальном времени
8 Давление в стояке (средн.) SPPA Телеметрия (MWD) В реальном времени
9 Температура бурового раствора на входе (средн.) MTIA Телеметрия (MWD) В реальном времени
10 Частота хода насоса №1 SPM1 Телеметрия (MWD) В реальном времени
11 Частота хода насоса №2 SPM2 Телеметрия (MWD) В реальном времени
12 Расход бурового раствора на входе (средн.) MFIA Телеметрия (MWD) В реальном времени
13 Зенитный угол SINC Инклинометрия В реальном времени
14 Азимут AZIM Инклинометрия В реальном времени
15 Емкость резервуаров 1-4 TV01-TV04 Инклинометрия В реальном времени
16 Общая емкость резервуаров TVT Инклинометрия В реальном времени
17 Фактическая глубина по вертикали TVD Инклинометрия В реальном времени
18 Отклонение к востоку X Инклинометрия В реальном времени
19 Отклонение к северу Y Инклинометрия В реальном времени
20 Общее газосодержание TOTAL_GAS Телеметрия (MWD) В реальном времени
21 Содержание метана C1 Телеметрия (MWD) В реальном времени
22 Содержание этана C2 Телеметрия (MWD) В реальном времени
23 Содержание пропана C3 Телеметрия (MWD) В реальном времени
24 Содержание бутана C4 Телеметрия (MWD) В реальном времени
25 Содержание пентана C5 Телеметрия (MWD) В реальном времени
26 Содержание гексана C6 Телеметрия (MWD) В реальном времени
27 Газосодержание GASA Телеметрия (MWD) В реальном времени
28 Общее количество ходов в минуту TSPM Другое Расчет
29 Механическая скорость проходки ROPA Другое Расчет
30 Интенсивность набора угла DLS Другое Расчет
31 Тип операции (наращивание, бурение, спуск, подъем, безроторное бурение) Операция [код] Другое Расчет
32 Тип этапа (бурение, спуск, подъем) Этап [код] Другое Расчет

Для обнаружения и/или прогнозирования различных сбоев или других неисправностей в скважинах могут использоваться различные параметры. Например, проблема «прихват инструмента под действием перепада давления» может быть связана с параметрами HKLA, BPO, DBTM, DMEA, TQA, WOB, RPMA, SPPA и MFIA, в то время как проблема «газонефтеводопроявление» может быть связана с параметрами HKLA, TQA, SPPA и ROPA, а проблема «потеря циркуляции» может быть связана с параметрами TQA, ROPA, SPM1, SPM2, TV01-TV04 и TVT.

Следует отметить, что приведенный выше перечень параметров не является исчерпывающим или всеобъемлющим. Например, некоторые параметры, такие как MDOA (Плотность бурового раствора на выходе (средн.)), MTOA (Температура бурового раствора на выходе (средн.)) или MFOA (Расход бурового раствора на выходе (средн.)), могут довольно редко отображаться в данных MWD; однако они могут быть включены в перечень параметров, которые следует учитывать в связи с некоторыми типами сбоев, которые должны прогнозироваться моделями. Чем более репрезентативен массив данных в отношении ключевых параметров, тем более прогностичной может быть модель, обученная с помощью этого массива данных.

В связи с этим список параметров, на которые следует обратить внимание при формировании массива исторических скважинных данных, может быть скорректирован в зависимости от наиболее важных сбоев и аварий, которые требуется предотвратить, которые, в свою очередь, часто зависят от характера, конструкции и возраста скважины, а также от геологических условий месторождения. Список параметров также может быть скорректирован в зависимости от назначения модели, которая будет обучаться с помощью формируемого массива данных.

Кроме того, массив исторических скважинных данных предварительно обрабатывается с целью исключения некоторых видов сбоев с учетом доступности данных об этих сбоях, частоты их возникновения, тяжести последствий и т.д. Исключение может быть реализовано с помощью пороговых значений, которые могут быть статическими или динамическими. Статическое пороговое значение может определяться, например, доступностью данных. Динамическое пороговое значение может быть реализовано, например, в зависимости от частоты возникновения сбоя, тяжести его последствий и т.д.

Количество случаев сбоев или аварий, охватываемых массивом исторических скважинных данных, может составлять от нескольких десятков до нескольких тысяч. Однако в некоторых вариантах осуществления описываемого изобретения массив исторических скважинных данных может не включать ни одного случая сбоев (в частности, это относится к массивам данных модели нормального поведения). Кроме того, некоторые случаи сбоев, отсутствующие в исходном массиве исторических скважинных данных, могут быть намеренно добавлены в массив данных (в частности, это относится к тестовым массивам данных). Исключение и/или включение данных о сбоях и авариях может быть выполнено с использованием экспертных знаний человека (112).

Экспертные знания включают знания ученых и реальный опыт строительства и эксплуатации скважин. Например, экспертные знания используются для выбора скважин-кандидатов, определения важности конкретных параметров, которые должны быть включены в массив исторических скважинных данных, разделения рабочего процесса на операции и/или секции и/или этапы и определения того, какие операции и/или секции и/или этапы должны быть включены в массив исторических скважинных данных или исключены из него для каждого конкретного проекта. Экспертные знания также используются для определения и анализа аномальных фрагментов в исторических скважинных данных. Кроме того, экспертные знания могут быть использованы для расширения набора элементов, используемых для характеристики моделей, учитывая опыт экспертов, технологии бурения и передовые практики. Во время тестирования моделей экспертные знания также могут быть использованы для анализа результатов прогнозирования.

Предварительная обработка исторических скважинных данных

Перед использованием исторических скважинных данных (111) для создания моделей эти данные могут быть подвергнуты предварительной обработке. В частности, предварительная обработка может включать (но не ограничиваться этим) определение операций и этапов, к которым относятся данные, фильтрацию и/или усреднение значений данных, сбор статистической информации и т.д.

Обучающий массив данных для Внутренней модели

На этапе (115) создается обучающий массив данных для Внутренней модели. Предварительно обработанные исторические скважинные данные делятся на фрагменты, соответствующие конкретным месторождениям, операциям, секциям и этапам, чтобы обеспечить включение в обучающие массивы наиболее релевантных и репрезентативных данных. Под месторождением здесь понимается определенное место скопления углеводородов, где расположена одна или несколько скважин. Обычно все или большинство скважин конкретного месторождения обладают одинаковыми или сходными свойствами. Под секцией здесь понимается обособленная часть скважинного оборудования, например, кондуктор, бурильная колонна, эксплуатационная колонна, хвостовик и т.д. Под этапом здесь понимается часть операции, например, бурение, подъем инструмента, спуск инструмента и т.д.

Кроме того, обработанные исторические скважинные данные разделяются на отрезки определенной продолжительности по времени. Поскольку по-настоящему «идеальных» скважин для извлечения справочных обучающих данных не существует, пакеты данных делятся на отрезки продолжительностью по несколько минут каждый. Длина каждого отрезка может зависеть от частоты дискретизации, количества отслеживаемых параметров, цели обучаемой модели и т.д. После анализа на предмет актуальности и целостности данных и соответствующего скрининга отрезки всех скважин кластеризуются. Во время кластеризации может быть выполнено уменьшение размерности данных с целью уменьшения вычислительной нагрузки и сокращения времени выполнения модели. Для уменьшения размерности может быть использован любой соответствующий подход. Выбор метода уменьшения размерности является тривиальной задачей для специалиста в данной области, поэтому ее описание здесь опущено для краткости.

Некоторые показатели могут быть использованы для оценки результатов кластеризации. Метрики могут включать такие параметры, как размер кластера, работоспособность кластера, распределение данных, временной охват и т.д. Показатели могут включать некоторые весовые коэффициенты и/или функции. На основе выбранных показателей принимается наиболее репрезентативный пул кластеров, и данные всех отрезков в этих кластерах считаются эталонными данными, в то время как остальные данные считаются данными, связанными с аномалиями.

Затем кластеризованные эталонные данные используются для обучения Внутренней модели.

Обучение внутренней модели

Процесс обучения (122) для Внутренней модели основан на алгоритме машинного обучения (MLA), реализующем подход неконтролируемого обучения. Этот подход используется, когда существует множество объектов (ситуаций) и множество реакций (вариантов поведения). Набор пар «объект-реакция» называется обучающим набором. Обучение направлено на формирование нейронной сетью своего рода «восприятия», которое могло бы дать достаточно хорошую реакцию на любой объект. Например, показания датчиков для параметров BPO, TQA, SPPA (и/или их производных, таких как среднее арифметическое, медиана, дисперсия, квантили и т.д.) используются в качестве объектов для определения значений HKLA, рассматриваемых как реакции. В частности, в качестве MLA может быть использован алгоритм градиентного повышения.

Основная идея метода градиентного повышения заключается в последовательном добавлении некоторых новых моделей в ансамбль моделей, где на каждой итерации новая слабая базовая прогностическая модель обучается в отношении ошибки, которую уже изучил весь ансамбль. Другими словами, цель состоит в том, чтобы получить новые обучающиеся модели, которые максимально коррелируют с отрицательным градиентом функции потерь, связанной с ансамблем. Как правило, любой метод повышения градиента стремится к аппроксимации в виде взвешенной суммы слабых прогностических моделей. В некоторых приложениях этой технологии могут использоваться различные виды алгоритмов повышения градиента, например, повышение градиента на основе дерева решений, стохастическое повышение градиента, повышение на основе вероятностей, повышение AdaBoost или Gentle Boost, и другие.

Обучающие массивы данных для Регрессионных моделей

После того, как Внутренняя модель будет обучена, она также может быть использована для генерации (114) массивов данных для обучения Регрессионных моделей. В частности, обученная Внутренняя модель позволяет создавать эталонные данные, сгруппированные в эталонные кластеры. Данные, формирующие эталонные кластеры, считаются свободными от каких-либо аномалий и в дальнейшем используются для обучения Регрессионных моделей.

Кроме того, аналогично кластеризованным данным, используемым для обучения Внутренней модели, некоторые специальные элементы могут быть рассчитаны дополнительно. Эти элементы, как правило, зависят от конкретных месторождений, скважин, операций и этапов и обычно могут быть получены из кластеризованных данных прямо или косвенно. Например, эти элементы могут включать нормализованные данные для некоторого периода времени или условия, статистические параметры, значения скорости, расхода, веса или смещения, триггеры, пороговые значения и т.д., которые рассчитываются на основе кластеризованных данных. Следует отметить, что для разных Регрессионных моделей могут потребоваться различные элементы. В дальнейшем кластеризованные данные, агрегированные с объектами, используются для обучения Регрессионных моделей.

Следует также отметить, что помимо обучающих массивов данных также могут быть дополнительно сгенерированы другие массивы данных для тестирования, валидации и т.д. В отличие от обучающих массивов данных, тестовые массивы данных для одних и тех же моделей могут включать данные, относящиеся к скважинам с некоторыми отклонениями, например, с высоким значением непроизводительного времени (или простоев), сбоев, аварий и т.д.

Обучение Регрессионных моделей

Обучение Регрессионных моделей предназначено для генерирования потока прогнозируемых значений определенных параметров, таких как HKLA, SPPA и TQA, на основе скважинных данных, поступающих в режиме реального времени, прогнозируемые значения которых будут использоваться в качестве эталонных значений, указывающих на «нормальное» протекание рабочего процесса. Возникновение аномалий может быть определено путем сравнения прогнозируемых значений и фактических значений, полученных от скважинных датчиков и/или рассчитанных на основе фактических значений.

Процесс обучения (121) для Регрессионных моделей может быть по существу таким же, как и для Внутренней модели. Однако здесь используются различные обучающие массивы данных, и целью обучения является выявление проблем на основе скважинных данных, поступающих в режиме реального времени. Для разных секций и этапов обучаются собственные (отдельные) Регрессионные модели. Это позволяет в каждом случае выбрать соответствующие Регрессионные модели для обучения (123) в зависимости от обучающих массивов данных, используемых на этом этапе.

Следует отметить, что определять аномалии способны как Внутренняя модель, так и любая из Регрессионных моделей, но они делают это по-разному, что будет рассмотрено ниже.

Этап (13) использования моделей схематично показан на рис. 4.

Выбор Регрессионных моделей

Поскольку отдельные Регрессионные модели обучаются для различных операций, секций и этапов, среди обученных Регрессионных моделей выбираются соответствующие Регрессионные модели (131). Как упоминалось выше в отношении выбора Регрессионных моделей на этапе обучения, на этапе использования могут быть выбраны соответствующие Регрессионные модели (131) в зависимости от состава предварительно обработанных скважинных данных, поступающих в режиме реального времени. В частности, когда предварительно обработанные скважинные данные, поступающие в режиме реального времени, относятся к буровым работам, могут быть выбраны Регрессионные модели для соответствующих параметров бурения (например, SPPA, TQA и HKLA).

Скважинные данные, поступающие в режиме реального времени

Скважинные данные, поступающие в режиме реального времени (135), представляют собой поток по существу тех же параметров, что и исторические скважинные данные, рассмотренные выше. Следует отметить, что сохраненные скважинные данные, поступившие в режиме реального времени, становятся историческими скважинными данными только в отношении будущих периодов. Однако скважинные данные, поступающие в режиме реального времени, могут иметь более высокую частоту дискретизации, например, они могут обновляться каждую секунду, в то время как исторические скважинные данные могут усредняться и сохраняться раз в каждые десять секунд. Предполагается, что скважинные данные, поступающие в режиме реального времени, поступают без существенных задержек и/или существенных пропусков.

Предварительная обработка скважинных данных, поступающих в режиме реального времени

Подобно предварительной обработке исторических скважинных данных скважинные данные, поступающие в режиме реального времени, также подвергаются предварительной обработке (136) с целью определения операций, секций и этапов, к которым они относятся. Кроме того, для некоторых параметров в скважинных данных, поступающих в режиме реального времени, обычно вычисляется статистическая информация, такая, как, например, минимальное значение, максимальное значение, среднее значение и стандартное отклонение. Параметры, подлежащие статистическому анализу, могут быть целевыми параметрами, которые должны отслеживаться и прогнозироваться с помощью способа, предусмотренного описываемым изобретением. В зависимости от условий проекта из скважинных данных, поступающих в режиме реального времени, с помощью предварительной обработки может быть получена и другая информация (например, определение некоторых характеристик, как описано ниже). Статистическая информация может генерироваться в отношении заданных временных интервалов (например, каждого отрезка длительностью 10 минут). Однако для разных временных интервалов может быть сгенерирована разная статистическая информация для одного и того же параметра и/или одна и та же статистическая информация может быть сгенерирована для разных параметров.

Как правило, предварительная обработка скважинных данных, поступающих в режиме реального времени, предназначенных для Внутренней модели, может отличаться от предварительной обработки тех же скважинных данных, поступающих в режиме реального времени, предназначенных для Регрессионных моделей. Внутренняя модель и Регрессионные модели являются моделями нормального поведения (NRM). Это означает, что они предназначены для представления нормального рабочего процесса без существенных сбоев, аварий, неисправностей или любых других отклонений, вызывающих проблемы в процессе бурения. Таким образом, и Внутренняя модель, и каждая из Регрессионных моделей определяется массивом данных, используемым для обучения соответствующей модели.

Прогнозирование ключевых параметров процесса бурения

Ключевые параметры процесса бурения - это целевые параметры, которые должны быть предсказаны Регрессионными моделями. Целевые параметры прогнозируются (132) каждый раз, когда в соответствующую обученную Регрессионную модель вводятся новые скважинные данные, поступающие в режиме реального времени. Например, могут быть сгенерированы новые эталонные значения параметров HKLA, SPPA и TQA. Эталонные значения - это значения, которые будут наблюдаться в «идеальной» скважине, когда другие отслеживаемые значения параметров равны введенным значениям.

Определение фактических аномалий

Если разница между сгенерированными эталонными значениями и фактическими значениями скважинных данных, поступающих в режиме реального времени, превышает пороговое значение, Регрессионная модель определяет наличие аномалии (133). Определение фактических аномалий может включать изменение масштаба в скользящем окне. Размер скользящего окна определяется автоматически, в зависимости от достижения максимальных значений метрик. Например, размер скользящего окна может находиться в диапазоне от 10 минут до 6 часов. Изменение масштаба в скользящем окне позволяет свести к минимуму ложные срабатывания.

Определение потенциальных аномалий

Обученная Внутренняя модель может быть использована для определения потенциальных аномалий. Скважинные данные, поступающие в режиме реального времени, вводятся во Внутреннюю модель. Новые данные объединяются с ранее известными данными и кластеризуются. Вновь определенные кластеры анализируются, и кластеры, связанные с аномалиями, отделяются от эталонных кластеров. Данные отделенных кластеров сравниваются со скважинными данными, поступающими в режиме реального времени, и на основе результатов сравнения определяются потенциальные аномалии (137).

Как правило, и каждая из Регрессионных моделей, и Внутренняя модель работают в отношении каждого целевого параметра, определенного на основе результатов ГТИ, следующим образом:

- извлекаются данные ГТИ за всю историю бурения скважины;

- фрагменты данных, не подлежащие рассмотрению моделью, отфильтровываются;

- определяется скользящее временное окно;

- соответствующие значения параметров нормализуются на основе среднего (или медианного) значения параметра в скользящем окне;

- вычисляются дополнительные (производные) элементы (например, скорость изменения значения параметра);

- значения производных элементов, определенные на основе данных, содержащихся в последних 10 минутах (значение смещения) кривой изменения целевого параметра, отбрасываются, чтобы избежать чрезмерного обучения модели;

- оставшиеся значения параметров и их производные элементы за последние 10 минут используются для прогнозирования.

Прогнозируемые значения целевых параметров (например, HKLA, SPPA и TQA) сравниваются с соответствующими параметрами, определенными в режиме реального времени. Сравнение основано на метрике для каждого считывания времени. Метрика накапливается в скользящем окне. Результат сравнения дополнительно сравнивается с пороговым значением. Размер скользящего окна и пороговое значение определяются после обучения модели.

Объединение данных об аномалиях

Прогнозы аномалий, сделанные Внутренней моделью и Регрессионными моделями, объединяются (134) таким образом, чтобы генерировать соответствующие предупреждения, сигналы и указания. При этом следует помнить, что прогнозы Внутренней модели и Регрессионных моделей имеют разную природу, поэтому для агрегирования этих прогнозов и принятия решения относительно предупреждений может использоваться отдельная модель. В некоторых вариантах осуществления описываемого изобретения этап объединения данных может выполняться отдельной специальной моделью.

Как правило, Внутренняя модель показывает наличие ненормального фрагмента данных, который указывает на возможное ненормальное протекание рабочего процесса. Регрессионные модели фокусируются на определенных параметрах (например, HKLA, SPPA и TQA), где разница между прогнозируемым значением параметра и соответствующим значением параметра, определяемого в режиме реального времени, также указывает на возможное ненормальное протекание рабочего процесса. Когда показания Внутренней модели и одной или нескольких Регрессионных моделей совпадают, может быть сгенерировано и выведено одно или несколько предупреждений. Вид предупреждений может зависеть от серьезности нештатной ситуации, которая, в свою очередь, может зависеть от степени соответствия между показаниями различных моделей.

Однако этап объединения данных в любом случае не является абсолютно необходимым, поэтому его можно опустить или заменить другими решениями. В частности, в некоторых вариантах осуществления описываемого изобретения предупреждения могут генерироваться отдельно на основе прогнозов Внутренней модели и прогнозов Регрессионных моделей.

Генерация предупреждений

Предупреждения, сигналы и указания генерируются (14) для привлечения внимания эксплуатационного персонала к возможным проблемам, обнаруженным системой предупреждения. Предупреждения могут иметь любую подходящую форму, включая, но не ограничиваясь этим, различные звуковые сигналы, голосовые сообщения через громкоговоритель, текстовые сообщения, передаваемые на пейджер, голосовые и/или текстовые сообщения, передаваемые через систему сотовой связи (например, рассылки сообщений на мобильные телефоны), световую сигнализацию (например, аналогичную сигналам светофора), сигналы проблесковых маяков и т.д. Предупреждения или другие указания также могут иметь любую соответствующую форму, включая, но не ограничиваясь этим, интерфейсные сообщения, пиктограммы и сигналы, отображаемые на пользовательском интерфейсе системы предупреждения в соответствии с описываемым изобретением.

Обновление Внутренней и Регрессионных моделей (опционально)

Как правило, обновление (15) Внутренней модели и Регрессионных моделей осуществляется с участием трех специалистов: эксперта по буровым работам, системного аналитика и инженер по развертыванию. Эксперт по буровым работам инициирует запрос на обновление моделей при возникновении ошибок (неправильных результатов) в работе моделей. Эксперт по бурению имеет право утвердить или отклонить обновленную модель. Системный аналитик отвечает за обработку запросов от эксперта по бурению и за разработку новых моделей. Системный аналитик также может инициировать обновление модели, если будет установлено, что показатели работы модели ниже ожидаемых. Инженер по развертыванию отвечает за развертывание обновленной модели в тестовой или производственной среде.

Таким образом, обновление моделей может быть инициировано либо заказчиком, либо поставщиком, либо ими обоими. В любом случае системный аналитик получает артефакты неправильной работы модели, например, номер версии, результаты прогнозирования, фактические значения параметров, примечания и комментарии персонала и т.д. Системный аналитик обобщает полученную информацию и анализирует инцидент. Также может быть использована некоторая дополнительная информация, такая как системные логи. Основываясь на собранной информации, системный аналитик воспроизводит поведение системы и находит причину сбоя в ее работе. Если сбой вызван другими системами, например, повреждением данных вследствие ошибок передачи данных из скважины, системный аналитик передает проблему сторонам, ответственным за такие системы.

В том случае, если сбой вызван внутренними условиями, системный аналитик выполняет анализ коренных причин сбоя с целью поиска путей их устранения. В большинстве случаев сбои бывают вызваны возникновением ситуации, которая не предусмотрена текущим выпуском системы предупреждения. Для устранения такого сбоя системный аналитик добавляет данные наблюдений в обучающий массив данных и начинает повторное обучение соответствующей модели. После переобучения системный аналитик получает показатели качества для переобученной модели, проверяет работу модели и выполняет регрессионное тестирование.

После того, как проблема обнаружена, локализована и устранена, системный аналитик готовит отчет для эксперта по буровым работам, включающий информацию о внесенных изменениях, обновленных принципах модели, иллюстрациях, обновленных показателях качества модели и других соответствующие сведения.

Эксперт по бурению утверждает или отклоняет обновленную модель. Если эксперт по бурению отклоняет обновленную модель, он обязан указать веские причины для обоснования такого решения. В этом случае системный аналитик запускает новую процедуру обновления. Если обновленная модель утверждена, системный аналитик передает ее инженеру по развертыванию вместе с дополнительной информацией (например, описанием новых параметров и функций модели и т.д.), которая может оказаться полезной при развертывании модели.

Инженер по развертыванию выполняет дополнительные функциональные тесты и, если они успешно пройдены, обновляет модель в тестовой или производственной среде. При необходимости инженер по развертыванию также обновляет значения статистических параметров, например, пороговые значения, используемые в модели.

На рис. 5 показана обобщенная схема системы предупреждения (200) в соответствии с описываемым изобретением.

Система предупреждения (200) обычно включает подсистему исторических скважинных данных (201), подсистему экспертных знаний (202), подсистему моделирования (203), подсистему обработки (204) и пользовательский интерфейс (205). Скважинные данные, поступающие в режиме реального времени, направляются в подсистему обработки по линии связи (206).

Подсистема исторических скважинных данных реализует сбор, обработку, хранение, поддержание и обновление исторических скважинных данных, используемых в качестве входных данных для системы предупреждения в соответствии с описываемым изобретением. Реализация подсистемы исторических скважинных данных не имеет каких-либо особых ограничений. В одном варианте осуществления описываемого изобретения подсистема исторических скважинных данных может содержать один или несколько серверов и/или одну или несколько баз данных. В другом варианте осуществления описываемого изобретения подсистема исторических скважинных данных может быть реализована с использованием другой архитектуры, например, в виде пиринговой сети.

Подсистема экспертных знаний осуществляет сбор, обработку, хранение, поддержание и обновление информации, которая представляет собой экспертные знания, обычно относящиеся к бурению, заканчиванию, вводу в эксплуатацию и эксплуатации скважин и т.д. Реализация аппаратных/программных компонентов подсистемы исторических данных скважин не имеет каких-либо особых ограничений. Следует отметить, что человеческий компонент подсистемы исторических скважинных данных имеет особое значение для обеспечения актуальности моделей, построенных на основе экспертных знаний; однако этот аспект находится вне фокуса данной патентной заявки.

Подсистема моделирования реализует генерацию обучающих массивов данных для Внутренней модели и Регрессионных моделей на основе исторических скважинных данных и экспертных знаний, а также обучение Внутренней модели и Регрессионных моделей с использованием обучающих массивов данных. Реализация подсистемы моделирования не имеет каких-либо особых ограничений. В одном варианте осуществления описываемого изобретения подсистема моделирования может содержать один или несколько серверов и/или одну или несколько баз данных. В другом варианте осуществления описываемого изобретения подсистема моделирования может быть реализована с использованием другой архитектуры, например, в виде пиринговой сети.

Подсистема обработки осуществляет предварительную обработку скважинных данных, поступающих в режиме реального времени, для определения операций, секций и этапов, к которым относятся данные; определение потенциальных аномалий на основе результатов Внутренней модели; выбор Регрессионных моделей на основе секций и этапов, подлежащих моделированию; прогнозирование ключевых параметров процесса бурения с использованием результатов Регрессионных моделей; определение фактических аномалий на основе прогнозируемых ключевых параметров процесса бурения; и объединение данных об аномалиях, полученных в результате определения потенциальных и фактических аномалий, как описано выше. Реализация подсистемы обработки не имеет каких-либо особых ограничений. В одном варианте реализации описываемого изобретения подсистема обработки может содержать один или несколько серверов и/или одну или несколько баз данных. В другом варианте реализации описываемого изобретения подсистема обработки может быть реализована с использованием другой архитектуры, например, в виде пиринговой сети.

Следует отметить, что вышеуказанные подсистемы описаны как отдельные сущности только для облегчения понимания концепции изобретения. Специалист в данной области должен понимать, что эти функции могут быть объединены или распределены между одним или несколькими объектами без каких-либо особых ограничений.

Доставка скважинных данных, поступающих в режиме реального времени, в подсистему обработки осуществляется посредством линии связи. Реализация линии связи не имеет каких-либо особых ограничений. В различных вариантах осуществления описываемого изобретения линия связи может иметь один из следующих способов реализации: Ethernet, шина Fieldbus, беспроводная сеть передачи данных, сеть передачи данных IoT. Единственным ограничением, связанным с реализацией линии связи, является возможность передачи данных, поступающих в режиме реального времени, с требуемой степенью надежности.

Пользовательский интерфейс реализует выдачу предупреждений, сигналов и указаний, которые передаются эксплуатационному персоналу и, возможно, другим заинтересованным сторонам. В зависимости от характера предупреждений, сигналов и указаний пользовательский интерфейс может включать один или несколько дисплеев, громкоговорители, источников звуковых сигналов тревоги, зуммеров, устройств цветовой сигнализации, сигнальных индикаторов, проблесковых маяков и т.д. Он также может включать в себя любые средства доставки текстовых сообщений с помощью пейджинговой системы, средства доставки текстовых и/или голосовых сообщений с помощью локальной беспроводной системы связи, системы сотовой связи, спутниковой системы связи и т.д. Некоторые предупреждения и указания могут подаваться и маршрутизироваться в корпоративной локальной сети (LAN).

Иллюстративный вариант

Ниже приведен пример реализации способа предупреждения об аномалиях в процессе бурения, схематически представленного на рис. 1-4. Следует понимать, что данный пример предназначен лишь для облегчения понимания сущности описываемого изобретения и никоим образом не ограничивает его содержания.

В рассмотренном ниже примере в качестве исторических скважинных данных (111) использованы данные по 60 скважинам, в которых в процессе бурения не возникло никаких существенных сбоев или аварий, а непроизводительное время было минимальным. Отбор проводился командой экспертов, обладающих глубокими научными знаниями и обширным практическим опытом в области технологий строительства скважин (112). Полученный массив исторических скважинных данных использовался для обучения Внутренней модели и Регрессионных моделей, предназначенных для прогнозирования текущих значений HKLA, SPPA и TQA, поступающих в режиме реального времени, с целью обнаружения аномальных ситуаций в процессе бурения.

Исторические данные по каждой скважине были разделены на фрагменты продолжительностью 10 минут, проанализированы на предмет актуальности, а затем соответствующие фрагменты были кластеризованы. При 10-секундной дискретизации исторических данных каждый 10-минутный фрагмент содержит 10×6 значений параметров, где n - количество элементов, которые будут использоваться в модели. В зависимости от подхода, используемого в каждом конкретном проекте, n может находиться в диапазоне от 5 до 21, поэтому задача кластеризации должна решаться при размерности в диапазоне от 300 до 1200, что потребует чрезмерных вычислительных ресурсов. Поэтому для уменьшения размерности задачи кластеризации был использован алгоритм UMAP (https://umap-learn.readthedocs.io/en/latest/). Окончательная размерность определяется оценочно или путем испытания в процессе выполнения алгоритма UMAP.

Затем полученный обучающий массив данных уменьшенной размерности был кластеризован с использованием метода DBSCAN (https://en.wikipedia.org/wiki/DBSCAN). Оценка набора кластеров производилась на основе размера кластера (т.е. количества фрагментов длительностью 10 минут в каждом кластере) и работоспособности кластера (доли фрагментов, содержащих сбои, в каждом кластере). Задача кластеризации выполнялась с различными комбинациями параметров задачи до тех пор, пока не был получен наилучший результат, при котором «нормальные» фрагменты без существенных сбоев, артефактов или других нарушений были сгруппированы в большие кластеры. Все фрагменты внутри этих кластеров впоследствии считались эталонными фрагментами, в то время как остальные фрагментами считались аномальными фрагментами. Таким образом, был сгенерирован обучающий массив данных для Внутренней модели (115).

Аналогично подготовке обучающих данных для Внутренней модели исторические данные по каждой скважине были разделены на 10-минутные фрагменты для создания обучающего массива данных для каждой Регрессионной модели. Затем исторические данные были проанализированы на предмет надежности, и ненадежные данные (например, отрицательные значения HKLA, SPPA и TQA) были отфильтрованы. Для каждого момента времени были определены соответствующая операция и этап. В скользящих временных окнах различной ширины были рассчитаны следующие характеристики, которые определялись автоматически в зависимости от достижения максимальных значений вышеупомянутых показателей:

- скорость изменения расстояния между долотом и забоем скважины;

- скорость изменения глубины забоя скважины без учета фрагментов, соответствующих наращиваниям инструмента;

- нормализованные значения для скользящих окон;

- стандартное отклонение для значений HKLA в небольшом скользящем окне;

- скорость изменения положения блока (BPO);

- значение смещения для всех производных элементов, связанных с целевым элементом; значение смещения, используемое для предотвращения избыточного обучения модели;

- средняя частота преобразования Фурье.

Затем Внутренняя модель использовалась для кластеризации обучающих данных с целью формирования обучающего массива данных для каждой Регрессионной модели. Вышеуказанные данные были агрегированы, в результате чего был сгенерирован обучающий массив данных для каждой Регрессионной модели (114).

В представленном иллюстративном варианте Внутренняя модель была обучена (122) в отношении кластеризации только для определения эталонных фрагментов. Регрессионные модели были обучены (121) в отношении прогнозирования аномалий в целевых параметрах (HKLA, SPPA и TQA) скважинных данных, поступающих в режиме реального времени, которые вводятся в Регрессионные модели после их обучения. Для каждой секции и этапа производится обучение отдельных Регрессионных моделей.

Скважинные данные (135), содержащие параметры HKLA, SPPA, TQA, WOB, TVT, MFIA и ROPA, поступают один раз в секунду в режиме реального времени. Статистические параметры для HKLA, SPPA и TQA, а именно минимальное значение, максимальное значение, среднее значение и стандартное отклонение, рассчитываются для каждого 10-минутного фрагмента (136).

На рис. 6 показан наглядный пример определения потенциальных аномалий (137). Кривая № 1 отображает фактическое (т.е. измеренное) значение HKLA; кривая № 2 показывает прогнозируемое значение HKLA; кривая № 3 показывает пороговое значение HKLA; и кривая № 4 показывает разницу между фактическим и прогнозируемым значениями HKLA. Как видно из приведенной диаграммы, возможная проблема «прихват инструмента под действием перепада давления» была определена в момент времени t1, а фактически проблема возникла в момент времени t2 примерно через 1,5 часа, что дает эксплуатационному персоналу достаточно времени для выполнения превентивных действий.

На рис. 7 показан пример пользовательского интерфейса (на русском языке) системы предупреждения, предусмотренной описываемым изобретением. Интерфейс содержит диаграмму, показывающую ход бурения скважины во времени, а также значения целевых параметров «здоровья» скважины и потенциальных рисков.

На рис. 8 показана увеличенная правая часть интерфейса, показанного на рис. 7 (на английском языке), содержащая указания целевых параметров (фактические и прогнозируемые значения HKLA, SPPA и TQA и соответствующие пиктограммы, если значение увеличивается или падает) и указания на потенциальные риски. В частности, красный цвет указывает на возможные проблемы. При обнаружении риска указываются некоторые последние соответствующие события.

Следует понимать, что данный способ предупреждения и данная система предупреждения описаны в настоящей заявке просто в качестве примерной реализации технологии изобретения. Таким образом, их описание предназначено только для того, чтобы привести иллюстрирующие примеры. Это описание не предназначено для определения области применения или установления каких-либо границ технологии изобретения. В некоторых случаях, когда это признано целесообразным, приведены примеры модификаций способа предупреждения и системы предупреждения, предусмотренных описываемым изобретением. Это сделано исключительно для того, чтобы облегчить понимание сути изобретения, но не для того, чтобы определить область применения или установить границы технологии изобретения. Эти модификации не являются исчерпывающими, в связи с чем любой специалист в данной области должен понимать, что возможны другие и/или дальнейшие модификации. В тех случаях, когда примеры модификаций не приведены, этот факт не следует толковать таким образом, что никакие модификации невозможны, и/или что приведенное описанное является единственным способом реализации соответствующей части, компонента или элемента технологии изобретения. Кроме того, следует понимать, что способ предупреждения и система предупреждения, предусмотренные описываемым изобретением, могут в определенных случаях представлять собой упрощенные реализации технологии описываемого изобретения, и что их описание, таким образом, предоставляется в качестве вспомогательного средства для лучшего понимания технологии изобретения. В связи с этим любому специалисту в данной области следует понимать, что другие реализации технологии изобретения могут быть более сложными, чем описываемые в настоящей заявке.

Приведенные здесь примеры и условный язык в основном предназначены для того, чтобы помочь читателю понять основы технологии описываемого изобретения и не ограничивать ее сферу применения такими конкретно приведенными примерами и условиями. Следует понимать, что специалист в данной области может разработать различные механизмы, которые, хотя и явно не описаны или не показаны в настоящей заявке, тем не менее, воплощают суть и сущность технологии описываемого изобретения и соответствуют ее духу, поэтому такие механизмы также включены в сферу правовой охраны описываемого изобретения.

Более того, все заявления, в которых излагаются принципы, аспекты и реализации технологии описываемого изобретения, а также их конкретные примеры предназначены для охвата как структурных, так и функциональных эквивалентов, независимо от того, известны ли они в настоящее время или могут быть разработаны в будущем. Таким образом, например, следует понимать, что любые функциональные схемы, содержащиеся в настоящей заявке, представляют собой концептуальное видение иллюстрирующих схем и/или алгоритмов, воплощающих принципы технологии описываемого изобретения. Аналогичным образом следует понимать, что любые блок-схемы, диаграммы переходов состояний, псевдокод и т.п. являются отображением различных процессов, которые могут быть представлены на машиночитаемых носителях и, соответственно, выполняться компьютером, процессором или контроллером независимо от того, показан или упомянут ли такой компьютер, процессор или контроллер явным образом или нет.

Любые функции различных элементов, показанных на рисунках, содержащихся в настоящей заявке, включая любой функциональный блок, обозначенный или называемый «процессором» или «блоком обработки данных», могут быть реализованы с использованием специального оборудования, а также оборудования, способного выполнять программный код в сочетании с соответствующими программными компонентами. Функции же процессора могут выполняться одним выделенным процессором, одним общим процессором или множеством отдельных процессоров, некоторые из которых могут быть общими. В некоторых вариантах осуществления технологии описываемого изобретения, не ограничивающих его сущность и содержание, функции процессора могут выполняться процессором общего назначения, таким как центральный процессор (CPU) или процессором, предназначенным для определенной цели, таким как графический процессор (GPU). Кроме того, явное использование термина «процессор» или «контроллер» не следует толковать исключительно как относящееся к оборудованию, способному выполнять программный код, и такие термины могут в неявной форме включать, не ограничиваясь ими, процессор цифровых сигналов (DSP), сетевой процессор, специализированную интегральную схему (ASIC), программируемую логическую интегральную схему (FPGA), постоянное запоминающее устройство (ROM) для хранения программного кода, запоминающее устройство с произвольным доступом (RAM) для хранения данных и/или программного года и любое энергонезависимое хранилище данных. Также эти термины могут включать любое другое серийное оборудование и/или оборудование, выполненное по специальному заказу.

В контексте настоящей заявки «сервер» представляет собой аппаратно-программный комплекс, способный принимать данные и/или сигналы непосредственно и/или по сети, обрабатывать данные и выдавать некоторые результирующие данные и/или сигналы. Аппаратным обеспечением в составе такого комплекса может быть один физический компьютер или одна физическая компьютерная система либо несколько физических компьютеров или несколько физических компьютерных систем. В контексте настоящей заявки любое использование термина «сервер» не означает, что все задачи (например, все полученные данные, сигналы, инструкции или запросы) или какая-либо одна конкретная задача должны быть получены, выполнены или обработаны одним и тем же сервером (т.е. одним и тем же программным и/или аппаратным обеспечением); это означает, что в получении/отправке, выполнении или обработке любой задачи или запроса или результатов любой задачи или запроса или обработке любых данных или сигналов может быть задействовано любое количество программных элементов или аппаратных устройств; и вся совокупность такого программного и аппаратного обеспечение может быть одним сервером или несколькими серверами, при этом и тот, и другой вариант подразумевают «по крайней мере один сервер».

В контексте настоящей заявки термин «компонент» означает программное обеспечение (соответствующее конкретному оборудованию), которое является необходимым и достаточным для выполнения конкретной функции (функций), о которой (которых) идет речь.

В контексте настоящей заявки термин «компьютерный носитель информации» используется для обозначения носителей любой природы и вида, включая оперативную память, ПЗУ, диски (CD-ROM, DVD-диски, дискеты, жесткие диски и т.д.), USB-накопители, твердотельные накопители, ленточные накопители, карты флэш-памяти и т.д.

В контексте настоящей заявки порядковые числительные «первый», «второй», «третий» и т.д. могут использоваться исключительно для того, чтобы проводить различие между существительными, к которым они относятся, а не для описания каких-либо конкретных отношений между этими существительными. Таким образом, например, следует понимать, что использование терминов «первый элемент» и «третий элемент» не подразумевает какого-либо конкретного порядка, типа, хронологии, иерархии или ранжирования (например) элементов, и их использование (само по себе) не подразумевает, что любой «второй элемент» обязательно должен существовать в любой конкретной ситуации. Кроме того, ссылка на «первый» элемент и «второй» элемент не исключает того, что эти два элемента являются одним и тем же фактическим элементом реального мира. Таким образом, например, в некоторых случаях «первое» компьютерное устройство и «второе» компьютерное устройство могут быть одним и тем же программным и/или аппаратным обеспечением, а в других случаях они могут быть разным программным и/или аппаратным обеспечением.

В контексте настоящей заявки термин «база данных» - это любой структурированный массив данных независимо от его конкретной структуры, программного обеспечения для управления данными или компьютерного оборудования, на котором данные хранятся, реализованы или иным образом предоставляются для использования. База данных может располагаться на том же оборудовании, что и процесс, который предусматривает хранение или использование данных, хранящихся в базе данных, или же она может располагаться на отдельном оборудовании, таком как выделенный сервер или несколько серверов.

В контексте настоящей заявки термины «информация» и «данные» включают информацию любого характера и любого рода, которая может храниться в базе данных. Таким образом, информация включает, не ограничиваясь ими, данные (пространственные данные, временные данные, данные телеметрии, данные базы знаний и т.д.), текстовую информацию (заключения, комментарии, заметки, вопросы, сообщения и т.д.), изображения, звуковые записи, документы, электронные таблицы и т.д.

Следует отметить, что приведенное выше описание охватывает и те действия, которые являются наиболее важными для достижения цели описываемого изобретения. Специалисту в данной области должно быть очевидно, что для обеспечения функционирования системы, предусмотренной описываемым изобретением, также должны выполняться и другие действия, например, подключение оборудования, его инициализация, запуск соответствующего программного обеспечения, передача и получение инструкций и подтверждений, обмен вспомогательными данными, синхронизация и т.д., и их описание здесь опущено для краткости.

Также следует отметить, что приведенное выше описание охватывает и те элементы и компоненты, которые являются наиболее важными для достижения цели изобретения. Специалисту в данной области должно быть очевидно, что эти элементы и компоненты должны или могут включать другие части, необходимые для обеспечения функционирования системы предупреждения и метода предупреждения, и их описание здесь опущено для краткости.

Устройства и их компоненты или части, а также способы и их этапы, упомянутые в приведенном выше описании и показанные на относящихся к нему схемах, относятся к одному или нескольким конкретным вариантам осуществления описываемого изобретения, когда они даются со ссылкой на числовое обозначение, или относятся ко всем применимым вариантам осуществления изобретения, когда они даются без ссылки на числовое обозначение.

Устройства и их части, упомянутые в приведенном выше описании, схемах и формуле изобретения, могут представлять собой комбинированные аппаратные/программные средства, в которых аппаратное обеспечение некоторых устройств может отличаться или же частично или полностью совпадать с аппаратным обеспечением других устройств, если явно не указано иное. Аппаратное обеспечение некоторых устройств может располагаться в разных частях других устройств, если прямо не указано иное. Программное обеспечение может быть реализовано в виде компьютерного кода, записанного в устройстве хранения или носителе данных.

Последовательность этапов в описании способа предупреждения, приведенном в настоящей заявке, является лишь иллюстрацией и может отличаться в некоторых вариантах осуществления описываемого изобретения, если соответствующая функция поддерживается и обеспечивается достижение требуемого результата. Некоторые этапы этого способа могут быть объединены вместе, в то время как некоторые другие этапы могут быть разделены на подэтапы или отдельные этапы. Таким образом, порядок выполнения этапов не является ограничивающим для описываемой технологии; в ином случае этот порядок не указывается явным образом или изначально не предусмотрен.

Компоненты или части и элементы описываемого изобретения могут быть объединены в различных вариантах осуществления изобретения, если они не противоречат друг другу. Варианты осуществления изобретения, рассмотренные выше, представлены только в качестве иллюстраций, и они не предназначены для ограничения сущности и содержания изобретения, описанного в формуле изобретения. Все и любые разумные модификации, изменения и эквивалентные замены в конструкции, конфигурации и режимах работы, соответствующие сути изобретения, включены в область применения описываемого изобретения, указанную в прилагаемой формуле изобретения.

Каждая реализация технологии описываемого изобретения имеет, по меньшей мере, одну из вышеупомянутых целей и/или аспектов, но не обязательно имеет их все. Следует понимать, что некоторые варианты осуществления технологии описываемого изобретения, которые явились результатом попытки достижения любой из вышеупомянутых целей, могут не удовлетворять этой цели и/или могут удовлетворять другим целям, конкретно не перечисленным в настоящей патентной заявке.

Ссылки

1. Qi Peng, Honghai Fan, Shuguo Xu, Haobo Zhou, Minbin Lai, Guangxi Ma, Suiyi Fu. A Real-Time Warning System for Identifying Drilling Accidents. SPE Annual Caspian Technical Conference and Exhibition, 12-14 November, 2014, Astana, Kazakhstan, DOI: 10.2118/172303-MS.

2. Giulio Gola, Roar Nybo, Dan Sui, Davide Roverso. Improving Management and Control of Drilling Operations with Artificial Intelligence. SPE Intelligent Energy International, 27-29 March, 2012, Utrecht, The Netherlands, DOI: 10.2118/150201-MS.

3. J. Awrejcewicz, Yu.B. Lind, A.R. Kabirova, L.F. Nurislamova, I.M. Gubaidullin, R.A. Mulyukov. Prediction of drilling fluids loss during oil and gas wells construction. 11th Conference on Dynamical Systems - Theory and Applications, December 5-8, 2011, Łódź, Poland.

4. Shengnan Wu, Laibin Zhang, Wenpei Zheng, Yiliu Liu, Mary Ann Lundteigen. A DBN-based risk assessment model for prediction and diagnosis of offshore drilling incidents. Journal of Natural Gas Science and Engineering, vol. 34, August 2016, pp. 139-158, DOI: 10.1016/j.jngse.2016.06.054.

5. Qishuai Yin, Jin Yang, Shujie Liu (CNOOC) | Ting Sun, Wenlong Li, Lilin Li, Nanding Hu, Gang Tong, Xiaoliang Chen, He Deng. Intelligent Method of Identifying Drilling Risk in Complex Formations Based on Drilled Wells Data. SPE Intelligent Oil and Gas Symposium, 9-10 May, 2017, Abu Dhabi, UAE, DOI: 10.2118/187472-MS.

6. Екатерина Гурина, Никита Ключников, Алексей Зайцев, Евгения Романенкова, Ксения Антипова, Игорь Симон, Виктор Макаров, Дмитрий Коротеев. Обнаружение отказов при наклонно-направленном бурении с использованием поиска аналогов в реальном времени. Препринт, представленный в Journal of Petroleum Science and Engineering, 7 июня 2019 г.

7. Ксения Антипова, Никита Ключников, Алексей Зайцев, Екатерина Гурина, Евгения Романенкова, Дмитрий Коротеев. Основанная на данных модель для прогнозирования аварий при бурении. Ежегодная техническая конференция и выставка SPE, 30 сентября - 2 октября 2019 года, Калгари, Альберта, Канада, DOI: 10.2118/195888-MS.

8. Sridharan Chandrasekaran, G. Suresh Kumar. Optimization of Rate of Penetration with Real Time Measurements Using Machine Learning and Meta-Heuristic Algorithm. International Journal of Scientific & Technology Research, vol. 8, issue 9, September 2019.

1. Компьютерный способ предупреждения о будущей аномалии в процессе бурения, включающий в себя:

- формирование первого обучающего набора данных для первого алгоритма машинного обучения (MLA) на основе исторических данных скважин;

- обучение первого алгоритма MLA с использованием первого обучающего набора данных для формирования первой модели нормального отклика;

- определение потенциальной аномалии бурения на основе первой модели нормального отклика и данных реального времени скважин;

- формирование второго обучающего набора данных для второго алгоритма MLA на основе исторических данных скважин и образцовых данных, сформированных первой моделью нормального отклика;

- обучение второго алгоритма MLA с использованием второго обучающего набора данных для формирования второй модели нормального отклика;

- предсказание основных параметров процесса бурения на основе второй модели нормального отклика и данных реального времени скважин;

- определение фактической аномалии бурения на основе предсказанных основных параметров процесса бурения и данных реального времени скважин;

- формирование предупреждения на основе потенциальной аномалии бурения и/или фактической аномалии бурения.

2. Способ по п. 1, в котором формируется несколько вторых обучающих наборов данных для второго алгоритма MLA.

3. Способ по п. 2, в котором один или несколько обучающих наборов данных из нескольких вторых обучающих наборов данных для второго алгоритма MLA выбирается на основе операций и фаз в данных реального времени скважин.

4. Способ по п. 3, в котором для определения операций и фаз данные реального времени скважин подвергаются предварительной обработке.

5. Способ по п. 1, в котором предсказание выполняется в реальном времени.

6. Способ по п. 1, в котором основные параметры процесса бурения представляют собой средний вес на крюке, средний крутящий момент и среднее давление на входе.

7. Способ по п. 1, до формирования предупреждения дополнительно включающий в себя объединение данных потенциальной аномалии бурения и данных фактической аномалии бурения.

8. Способ по п. 7, дополнительно включающий в себя обновление первой и/или второй модели нормального отклика на основе объединенных данных аномалии.

9. Способ по п. 1, в котором предупреждение является видимым.

10. Способ по п. 9, в котором видимое предупреждение основано на окрашенном свете.

11. Способ по п. 9, в котором видимое предупреждение основано на тексте.

12. Способ по п. 9, в котором видимое предупреждение основано на изображении.

13. Способ по п. 1, в котором предупреждение является слышимым.

14. Способ по п. 13, в котором слышимое предупреждение основано на особом звуке.

15. Способ по п. 13, в котором слышимое предупреждение основано на голосовом сообщении.



 

Похожие патенты:

Изобретение относится к серверу, способам и оборудованию для обучения на основе данных и управления кондиционером. Технический результат заключается в возможности определения и управления температурой кондиционера.

Изобретение относится к области информационной безопасности. Технический результат заключается в реализации возможности определения аномалий в работе устройства с помощью использования модели IoT-устройства (далее - устройство).

Группа изобретений относится к области машинного обучения. Техническим результатом является уменьшение размера схем памяти, которая хранит информацию гистограммы.

Изобретение относится к области распознавания изображений, а именно к технике обнаружения и классификации объектов на изображениях. Техническим результатом является повышение вероятности обнаружения и классификации объектов на изображениях различных видов, включая изображения видимого диапазона, СВЧ-диапазона и ИК-диапазона.

Изобретение относится к области технологий обработки данных, в частности к способам обучения распознавания лица по ключевым точкам. Техническим результатом является повышение точности определения координат ключевых точек при распознавании лица.

Изобретение относится к области вычислительной техники. Технический результат заключается в улучшении уровня защиты файлов компьютерной системы от шифровальщиков, а также в снижении ошибок первого и второго рода при определении подозрительного процесса, связанного с шифровальщиком.

Изобретение относится к области вычислительной техники. Технический результат заключается в снижении смещения алгоритма MLA, возникшего при первоначальном обучении переводу текстовой строки на первом языке параллельной текстовой строкой на втором языке.

Изобретение относится к вычислительной технике. Технический результат заключается в улучшении уровня защиты набора устройств пользователя.

Изобретение относится к области вычислительной техники. Техническим результатом является обеспечение определения фактов посещения точки интереса пользователями, использующими беспроводные устройства.

Изобретение относится к области вычислительной техники для определения синтетически измененных изображений лиц на видео. Техническим результатом является повышение точности и эффективности обнаружения синтетического изменения изображений лиц людей в видео.

Изобретение относится к области вычислительной техники. Техническим результатом является снижение расхода энергии транспортным средством на конкретном участке пути, а также обеспечение возможности контроля расхода энергии транспортным средством и повышение точности предоставления информации о расходе энергии транспортным средством.
Наверх