石油行业经过几十年的快速发展，已经进入新探明石油资源品质劣质化和老油田高含水后期开发阶段，形成了众多难动用储量。剩余的石油资源常常处于复杂的地质构造中，钻井技术难度日益升高且故障复杂频发，勘探开发成本居高不下。据近年的钻井资料分析，钻井过程中处理复杂情况和钻井故障的时间约占总施工时间的6%-8%，及时准确的诊断和处置，能够有效减少损失和降低故障复杂处置难度，避免诱发其它复杂和故障。但是由于钻井过程处于地质构造复杂的数千米井下，存在着大量的模糊性、随机性和不确定性，且故障复杂的规律难以通过数据模型来精确描述，传统的故障复杂监测识别存在着误判率高、严重依赖人工经验、识别延迟时间长等局限性。

人工智能技术与油气行业深度融合让传统方法难以完美解决的业务问题有了新的技术手段。基于钻井实时数据的井漏早期识别系统应用人工智能技术，通过对录井时间序列数据的分析处理实现井漏早期识别预警，有效提升了井漏识别的准确性和及时性。系统研发过程包括业务场景分析、算法模型研究和智能应用研发三个阶段。

1►业务场景分析

井下故障复杂虽然很难通过数据模型描述，但是可以通过各种实时参数的变化发现端倪，并非完全没有规律可循；但是故障复杂的诱发因素众多，按照性质可以分为工程因素和地质因素；其次钻井过程常见的故障复杂很多，如井涌、井漏、卡钻、井塌等；再次各种故障复杂在不同钻井工况下变化规律也存在很大差异。因此完整的考虑各种工况下的各类故障复杂早期识别将会是极为庞大繁杂的系统。本文以点带面，通过钻进工况下的井漏早期识别说明系统研究过程。

钻井过程因素分析

井漏是钻井中常见的故障类型，也是其它事故的诱因之一，如井涌、卡钻等，如果对井漏事故的预防和处理不及时，可能导致其它连锁反应，造成不可估量的经济损失，其危害主要有：

（1）漏失带来的钻井液损失；

（2）堵漏施工中堵漏剂材料消耗，带来经济损失；

（3）降低钻井作业效率；

（4）可能造成储层污染；

（5）可能诱发其它复杂情况和事故。

井漏发生时录井的工程参数、气测参数和钻井液参数会有明显的变化，然而单一参数的变化并不能代表井漏的发生，需要综合考虑多个参数的变化。目前主要的参数变化规律如下：

1）泥浆罐总池体积减少

根据出口泥浆返出情况，非置换性井漏分为两种：①出口流量小于入口流量，②井口无泥浆返出。无论哪种情况，由于出入口流量差，都会导致地面泥浆罐总池积减少。

2）钻井液返出量减小或出入口流量差增大

井漏发生时，当入口流量不变时，由于钻井液进入地层，因此出口流量减小，流量差为正；如果堵漏不及时，遇到大缝洞时，漏失速率和严重程度会不断增加。

3）大钩负载升高

针对置换性漏失，即井漏和溢流同时发生。漏失和溢流速度相同时，出入口流量两个参数无明显变化。通常情况下，钻井液密度大于地层流体密度。由于密度差，导致钻井液对钻具的浮力减小，大钩负载增大。

4）立管压力（SPP）减小

井漏发生时，泥浆从漏失位置流出，漏失位置以上泥浆上返速度会减小或者为零，上返速度减小引起钻井液环空压降减小，从而体现为录井秒数据中的立管压力减小。

另一方面，如果发生置换性井漏（井漏和溢流同时发生，且体量相当）时，地层液体稀释井眼内钻井液密度。钻井液粘度、动切力减小，环空压降减小，立管压力同时减小。

5）钻井出口相对流量（FLOWOUT）减小

由于钻井液流入地层，钻井液出口相对流量减小。

6）钻速突然增大

井漏多发生在具有一定孔隙、裂缝和溶洞的复杂地层，必须具备一定钻井液侵入地层的通道，岩石易破裂等特征的地层。相对于钻进过程，这样的地层可钻性较高，井漏发生时通常伴随着机械钻速的增大。

其次，钻速较大时，井眼容积变化较快，钻井液灌总液体积也会以一定速度减小（不考虑补充钻井液）；再次由于泥饼的形成、失水等正常损失，钻井液总体也不会一直保持不变。

7）钻井液密度减小

置换性井漏时，地层流体与钻井液发生置换，导致钻井液密度下降，但是钻井液返出存在延迟时间，该表征规律存在延迟。

井漏时各参数的变化规律也受施工工序的影响，如钻头变化、钻具组合变化、造斜等都可能造成工程参数非正常波动。

2►算法模型研究

建立井漏早期识别模型的主要目的是在井漏发生初期能够准确识别井漏的发生，因此模型需满足实时性要求。目前井场能够采集传输并用于实时指挥决策的数据主要包括录井、固井、压裂等现场实时数据。井漏早期识别模型主要使用录井实时包括各类参数进行构建。

1）录井实时数据预处理

∎ 重新计算钻井工况，依据新计算工况剔除非钻进时间段，形成若干离散的时间序列数据片段；

∎ 剔除剩余数据片段中时长小于10min的片段；

∎ 缺失值插补；

∎ 由于井漏发生的时间段相于正常钻井过程实时数据占比非常小，下一步根据复杂故障记录对样本分布均匀性进行处理。

2）特征工程处理

根据井漏的表征规律将井漏特征分为三类：录井测量值的基础特征、专业计算特征和变化趋势特征。

基础特征包括：钻速、立管压力、套管压力、液灌容量、出入口密度、出入口温度、出入口流量、总烃等；

专业计算特征：表征线重、附加ECD、DC指数、环空压降等；

变化趋势特征：关键特征的移动平均值、移动斜率特征值等。

3）模型训练

使用LSTM、CNN进行模型训练。

4）模型优化

初始构建的算法模型准确率差强人意，有很大的提升空间；但由于样本数量的限制，无法通过扩大样本来提升精度。在受限的样本环境下，制定了如下模型优化策略：

第一步：从业务角度去除无效特征，简化模型学习难度

无用的特征会使模型更难于从扰动的数据（噪声）中探测真正的关系，无效特征越多，机器学习模型的信噪比和平均准确率就越低。通过去除特征的方式，降低模型维度；减少模型训练需要的数据量。如果模型精度达到预期精度，则停止；否则，进行第二步；

第二步：逐个增加不是明显与目标相关的特征

排除一个不确定是否与目标有关的特征会损害机器学习模型的准确率，逐个增加未确认是否与目前相关的特征，测试模型准确率。

特征筛选

特征相关性分析

第三步：优选机器学习方法和超参

通过调整机器学习方法和超参组合优化模型性能。

3►智能应用研发

基于录井实时数据的工程、气测、钻井液参数，应用机器学习技术构建井漏早期识别模型，实现数据驱动式的井漏早期预警。系统包括模型管理、实时数据接口管理、井漏监测预警等功能模块。经过了约10口的钻井数据的测试，准确识别了所有的井漏，平均识别时间比传统方法提前了5分钟。