意外的溢流和漏失对钻井作业构成重大风险。常用的溢漏报警系统采用固定的判断界限，误报率高，可靠性低。Pason系统公司提出了一种新颖的、适用于循环系统监测的机器学习算法框架，通过为循环出口流量和泥浆池增量提供预期的安全操作范围，使其保持非常低的误报率。
进行溢漏监测时，钻井作业人员习惯于设置出口流量和泥浆池增量的报警界限，并在这些轨迹偏离界限时警报。Pason公司的监测算法被设计为提供类似的边界和报警逻辑，但是使用机器学习使得这些边界适应于入口排量、井深和钻头位置等参数，这些参数影响出口流量和泥浆池增量预期值。该算法可以用图1中的流程图来描述，棕黄色框表示功能，蓝色框表示可能的用户输入，绿色框表示基于司钻输入参数（入口流量和钻头运动），使用在线自适应机器学习明确估计出口流量和泥浆池增量的期望值。自适应机器学习算法用于自动和自适应地更新预期的操作范围。预测指标与预期操作范围的直接比较用于生成警告，并可将这些警告组合起来生成警报。
图1 使用预测变量进行溢漏监测的机器学习示例
图2是一个数据驱动的机器学习流程图，显示了从入口排量和钻头运动的回归模型得到的出口排量的更新过程示例。最左边的曲线显示了（重叠的）最近的5个时间序列数据。这些数据被缓存起来，变成机器学习方法中使用的N维矢量预测器（入口排量和钻头运动）和M×1矢量的预测器（出口排量）集合。其结果是最右边子图的底部图中的出口流量估计（绿色线），其中顶部图显示了井深和钻头位置，中间图显示了入口流量，底部图显示了测量的出口流量（白色线）和预期的出口流量（绿色线）。
图2 数据驱动机器学习示例流程图
Pason公司采用了受试者工作特征曲线（ROC曲线）和检测时间，并使用大量标记的溢流和漏失来评估其研发的系统。研究结果表明，与现有的溢流和漏失监测的固定范围方法相比，新方法有了显著的改进，包括降低虚报警率，增强监测概率，减少预警时间。
图3溢漏监测ROC曲线
经典机器学习算法提供了强大的功能，但是这些方法的内部工作是不透明的，不满足实际动态应用需求。Pason公司提出的溢漏监测机器学习框架，通过提供明确的安全操作界限和用户驱动的模型重置（因为司钻通常会“重新调整”边界），将数据动态分析功能紧密集成到钻井作业人员中，使得钻井作业人员能够将其专业知识与可解释的机器学习提供的信息结合起来，增强了溢流监测的可靠性与灵活性。
（供稿 王果）
《石油工程科技动态》相关信息编译于国内外石油公司网站、发表的论文、专利等，欢迎分享至朋友圈；未经允许，请勿转载！中国石化石油工程技术研究院 战略规划研究所
