ПРОГНОЗИРОВАНИЕ РИСКА В РЕАЛЬНОМ ВРЕМЕНИ ВО ВРЕМЯ БУРОВЫХ РАБОТ Российский патент 2016 года по МПК G06F19/00 E21B44/00 

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННЫЕ ЗАЯВКИ

[0001] Неприменимо.

ЗАЯВЛЕНИЕ ОТНОСИТЕЛЬНО ФИНАНСИРУЕМЫХ ГОСУДАРСТВОМ ИССЛЕДОВАНИЙ

[0002] Не применимо.

ОБЛАСТЬ ТЕХНИКИ

[0003] Настоящее изобретение в целом относится к системам и способам прогнозирования риска в реальном времени во время буровых работ. В частности, настоящее изобретение относится к прогнозированию риска в реальном времени во время буровых работ с помощью получаемых от незаконченной скважины данных реального времени, подготовленной толстослойной модели (coarse layer model) и подготовленной тонкослойной модели (fine layer model) для каждого соответствующего слоя подготовленной толстослойной модели.

УРОВЕНЬ ТЕХНИКИ

[0004] Известные методики прогнозирования риска во время буровых работ по нефти и газу обычно предполагают лишь единственную модель или единственный подход к прогнозированию риска. Одним из недостатков таких методик является снижение точности результатов предсказания по времени из-за подготовки с использованием больших массивов данных. Кроме того, при подготовке искомых моделей по таким методикам хронологические данные разделяются на сегменты по трем отрезкам времени: i) когда все условия бурения находятся в норме; ii) когда существует угроза реализации риска; и iii) когда риск уже реализован на практике, например, в виде прихвата колонны труб. В большинстве случаев в хронологических данных для третьего отрезка времени (iii) выявляются резкие изменения по сравнению с другими отрезками времени. Таким образом, хронологические данные, получаемые из отрезка времени (iii), преобладают над хронологическими данными для двух других отрезков времени, вследствие чего снижается точность прогнозирования в условиях угрозы реализации риска во временном отрезке (i). Кроме того, в некоторых известных методиках для подготовки могут быть использованы хронологические данные лишь от единственной скважины, что является недостаточным для точного описания атрибутов существующих скважин или новых скважин с такими же географическими характеристиками.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0005] Настоящее изобретение далее описывается со ссылками на сопроводительные чертежи, на которых одинаковые элементы обозначены одинаковыми ссылочными номерами и среди которых:

[0006] На фиг. 1 представлена блок-схема, иллюстрирующая один из вариантов способа осуществления настоящего изобретения.

[0007] На фиг. 2 приведено изображение, иллюстрирующее пример формата представления множества атрибутов хронологических данных, вводимых на шаге 104, показанном на фиг. 1.

[0008] На фиг. 3 приведено изображение, иллюстрирующее пример формата хронологических данных, разделяемых на сегменты на шаге 106, показанном на фиг. 1.

[0009] На фиг. 4 приведено изображение, иллюстрирующее пример методик для выделения одного или более отличительных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных на шаге 110, показанном на фиг. 1.

[0010] На фиг. 5 приведено изображение, иллюстрирующее пример толстослойной модели и тонкослойной модели в определении, выполненном на шаге 112, показанном на фиг. 1.

[0011] На фиг. 6 приведено изображение, иллюстрирующее пример построения графического интерфейса пользователя для мониторинга риска, спрогнозированного на шаге 120, показанном на фиг 1, и для управления буровыми работами на каждой незаконченной скважине.

[0012] На фиг. 7 приведена блок-схема, иллюстрирующая вариант реализации вычислительной системы для осуществления раскрытого здесь изобретения.

ПРЕДПОЧТИТЕЛЬНЫЕ ВАРИАНТЫ ОСУЩЕСТВЛЕНИЯ ИЗОБРЕТЕНИЯ

[0013] Таким образом, в раскрытом здесь изобретении один или более недостатков техники известного уровня устраняется путем создания систем и способов для прогнозирования риска в реальном времени во время буровых работ с помощью получаемых от незаконченной скважины данных реального времени, подготовленной толстослойной модели и подготовленной тонкослойной модели для каждого соответствующего слоя подготовленной толстослойной модели.

[0014] В варианте реализации раскрытое здесь изобретение включает в себя способ для прогнозирования риска во время работ по бурению скважины, который включает в себя: i) определение толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели, основываясь на типе модели для скважины; ii) подготовку толстослойной модели и каждой тонкослойной модели с использованием процессора компьютера, типа модели и разбитых на сегменты хронологических данных и/или одного или более выделенных отличительных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных; iii) повторение шагов а)-b) с моделью другого типа, пока не станут приемлемыми толстослойная модель и каждая тонкослойная модель; и iv) прогнозирование предварительно определяемого риска для скважины с использованием приемлемой толстослойной модели, каждой приемлемой тонкослойной модели и данных реального времени для скважины.

[0015] В другом варианте реализации раскрытое здесь изобретение включает в себя энергонезависимый носитель программы, несущий в материальном виде машиноисполняемые команды для прогнозирования риска во время работ по бурению скважины, который включает в себя: i) определение толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели, основываясь на типе модели для скважины; ii) подготовку толстослойной модели и каждой тонкослойной модели с использованием типа модели и разбитых на сегменты хронологических данных и/или одного или более выделенных отличительных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных; iii) повторение шагов а)-b) с моделью другого типа, пока не станут приемлемыми толстослойная модель и каждая тонкослойная модель; и iv) прогнозирование предварительно определяемого риска для скважины с использованием приемлемой толстослойной модели, каждой приемлемой тонкослойной модели и данных реального времени для скважины.

[0016] В еще одном варианте реализации раскрытое здесь изобретение включает в себя энергонезависимый носитель программы, несущий в материальном виде машиноисполняемые команды для прогнозирования риска во время работ по бурению скважины, который включает в себя: i) определение толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели, основываясь на типе модели для скважины; ii) подготовку толстослойной модели и каждой тонкослойной модели с использованием процессора компьютера, типа модели и разбитых на сегменты хронологических данных и/или одного или более выделенных отличительных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных; iii) повторение шагов а)-b) с моделью другого типа, пока не станут приемлемыми толстослойная модель и каждая тонкослойная модель; и iv) прогнозирование предварительно определяемого риска для скважины с использованием приемлемой толстослойной модели, каждой приемлемой тонкослойной модели и данных реального времени для скважины.

[0017] Объект настоящего изобретения описан на конкретных примерах, однако описание само по себе не подразумевает ограничение объема раскрытого здесь изобретения. Это значит, что объект раскрытого здесь изобретения может быть реализован другими способами, включающими в себя различные шаги или комбинации шагов, подобные описанным в данном документе, в сочетании с другими существующими или будущими технологиями. Кроме того, хотя термин "шаг" может быть использован в данном документе для описания различных элементов или способов, данный термин не следует считать подразумевающим конкретную очередность между шагами или среди последовательности шагов в раскрытом здесь виде, пока иной вариант не ограничен в описании рамками конкретной очередности. Хотя раскрытое здесь изобретение может быть применено в нефтегазовой отрасли, это не ограничивает рамки его применения, которые могут быть распространены на другие отрасли для получения аналогичных результатов.

Описание способа

[0018] На фиг. 1 представлена блок-схема варианта реализации способа 100 для осуществления раскрытого здесь изобретения. Способ 100 олицетворяет подход к прогнозированию риска в реальном времени во время буровых работ с помощью данных реального времени от незаконченной скважины, основанный на дуальной модели: подготовленной толстослойной модели и подготовленной тонкослойной модели для каждого соответствующего слоя подготовленной толстослойной модели.

[0019] На шаге 102 вручную выбирают риск, один или более атрибутов риска, одну или более законченных скважин, одну или более незаконченных скважин, тип модели и параметры модели с помощью клиентского интерфейса и/или видеоинтерфейса, описанного далее со ссылкой на фиг. 7. В альтернативном варианте возможен выбор риска, одного или более атрибутов риска, одной или более законченных скважин, одной или более незаконченных скважин, типа модели и/или параметров модели автоматически. Риском может являться любой риск, связанный с бурением скважины, например риск прихвата колонны труб. Атрибуты риска могут включать в себя все и любые атрибуты, связанные с риском, например, такие как нагрузка на крюк, нагрузка на долото и скорость вращения двигателя при прихвате колонны труб. Параметры модели используются для определения толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели, как описано далее со ссылкой на шаг 112. Тип модели используется для подготовки толстослойной модели и каждой тонкослойной модели, как описано далее со ссылкой на шаг 114. В качестве примеров в последующем описании выбраны риск и атрибуты риска в отношении прихвата колонны труб.

[0020] На шаге 104 вручную вводят данные, состоящие из данных реального времени от одной или более незаконченных скважин и хронологических данных от одной или более законченных скважин, с помощью клиентского интерфейса и/или видеоинтерфейса, описанного далее со ссылкой на фиг. 7. В альтернативном варианте возможен ввод данных реального времени и хронологических данных автоматически. Данные реального времени и хронологические данные могут включать в себя: i) регистрируемые наземным оборудованием данные, такие как скорость бурения (ROP), скорость вращения в оборотах в минуту (RPM), нагрузка на долото (WOB), глубина скважины и глубина погружения долота; ii) результаты геофизических исследований, такие как угол наклона и значение азимута; и iii) результаты измерения параметров формации, такие как удельное сопротивление, пористость, скорость по акустическому каротажу и мощность гамма-излучения. Возможна регистрация данных реального времени и хронологических данных с шагами приращения по времени и/или по глубине. Хронологические данные включают в себя также данные, относящиеся к выбранному риску и атрибуту (атрибутам) риска от всех доступных законченных скважин в одном и том же географическом регионе. Каждый выбранный риск, который реализован (например, в виде прихвата колонны труб), вручную или автоматически помечается в хронологических данных по меньшей мере одним из двух маркеров - времени и глубины - и каждый выбранный атрибут риска (например, нагрузка на долото) вручную или автоматически помечается в хронологических данных в качестве безопасного атрибута, атрибута потенциального риска или реализованного риска по меньшей мере одним из двух маркеров - времени и глубины. Атрибуты риска в хронологических данных перечислены в столбцах, по которым строятся каротажные кривые. Для каждого атрибута форматируются новые хронологические данные через каждые десять (10) секунд, как показано на фиг. 2. В ином варианте возможно форматирование новых хронологических данных с различными шагами приращения по времени и/или по глубине в зависимости от имеющихся хронологических данных.

[0021] На шаге 106 хронологические данные разделяют на сегменты по времени согласно методикам, хорошо известным в данной области техники. Как показано на фиг. 3, хронологические данные могут быть разделены на сегменты по времени и/или по глубине с помощью скользящего окна или разделительного окна для объединения в группы следующих один за другим и совместимых между собой сегментов данных.

[0022] На шаге 108 в способе 100 определяют, требуется ли выделение одного или более отличительных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных, основываясь на входных данных от клиентского интерфейса и/или видеоинтерфейса, описанного далее со ссылкой на фиг. 7. Если не нужно выделять признаки, то в способе 100 переходят к шагу 112. Если выделение признаков требуется, то в способе 100 переходят к шагу 110. Благодаря выделению признаков, обозначающих собой каждый соответствующий сегмент хронологических данных способ 100 может быть использован для повышения точности получаемых результатов прогнозирования риска в реальном времени.

[0023] На шаге 110 возможно выделение одного или более признаков, обозначающих собой каждый соответствующий сегмент хронологических данных, с помощью методик, хорошо известных в данной области техники, например методик на основе выделения статистических признаков, коэффициентов линейного предиктивного фильтра, ковариантной матрицы и/или L-моментов. Хотя эти методики приведены в качестве примера, на данном шаге возможно использование одной или более таких методик. На фиг. 4 представлен каждый из примеров методики выделения признаков. В каждой методике результатом является соответствующий вектор признаков (F_DS_1…N). Вектор признаков (F_DS_1…N) состоит из некоторого числа (N) векторов признаков. Методика выделения статистических признаков обеспечивает получение для хронологических данных, разделенных на сегменты, статистических показателей базового порядка, таких как минимальное значение, максимальное значение, среднее значение и дисперсия разделенных на сегменты хронологических данных. Таким образом, в методике выделения статистических признаков статистические показатели базового порядка каждого сегмента данных (DS) преобразуются в определенное количество (N) векторов признаков. Методика на основе коэффициентов линейного предиктивного фильтра обеспечивает получение коэффициентов линейного фильтра, а методика на основе L-моментов обеспечивает получение значений L-моментов; каждый из результатов относится к разделенным на сегменты хронологическим данным. Результаты по методике на основе ковариантной матрицы могут быть получены, как указано ниже. Типовой сегмент (DS_i) хронологических данных состоит из матрицы атрибутов:

Перед выделением признака (признаков) ковариантности матрицы DS_i осуществляется фильтрация DS_i для получения ее производных по горизонтали и по вертикали (первой и второй) в виде матрицы:

HD_{1_}DS_i: Первая производная по горизонтали - по строкам DS_i

VD_{1_}DS_i: Первая производная по вертикали - по столбцам DS_i

HD_{2_}DS_i: Вторая производная по горизонтали - по строкам DS_i

VD_{2_}DS_i: Вторая производная по вертикали - по столбцам DS_i

Исходные значения и производные от всех значений, содержащихся в DS_i, сведены в следующую матрицу (M_DS_i):

Первая строка матрицы M_DSi состоит из значений, содержащихся в первой (верхней левой) части всех пяти матриц (DS_i, HD_{1_}DS_i, VD_{1_}DS_i, HD_{2_}DS_i, VD_{2_}DS_i). В матрицу M_DS_i суммарно вставлено N²×5 значений. Матрицу, являющуюся ковариантной для матрицы M_DS_i, вычисляют по следующему уравнению:

где (E) - математическое ожидание матрицы. Поскольку вычисленная по формуле (3) матрица является симметричной, в качестве признаков ковариантности используют только значения в верхнем или нижнем треугольнике этой матрицы. Таким образом, при данной методике объем данных, с которого начинается определение DS_i в качестве вектора признаков, уменьшается с N² до всего 15 значений.

[0024] На шаге 112 определяют толстослойную модель и тонкослойную модель для каждого слоя толстослойной модели на основе выбранного типа модели. Выбранным типом модели может являться статическое отображение или нечеткое отображение. При статическом отображении длительность и количество зон риска определяют предварительно, а при нечетком отображении длительность и количество зон риска заранее не определяют, как будет разъяснено в последующем описании. Нечеткое отображение включает в себя модель системы нечеткого логического вывода и базу правил, определяемые специалистом в данной области; они представляют собой хорошо известные методики, которые не использовались для определения толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели. В системе нечеткого логического вывода и в базе правил автоматически вычисляется, используя разделенные на сегменты хронологические данные или выделенные признаки, обозначающие собой каждый соответствующий сегмент хронологических данных, оптимальное количество i) слоев для толстослойной модели, обозначающих собой различные зоны риска с оптимальными приращениями времени (например, в минутах); и ii) слоев для каждой тонкослойной модели, обозначающих собой различные уровни классификации с оптимальными приращениями времени (например, в минутах) внутри соответствующей зоны риска, составляющими в сумме оптимальное приращение времени соответствующей зоны риска. При этом оптимальное приращение времени и уровень классификации могут быть разными для каждой из зон риска. При статическом отображении параметры выбранной модели используются для определения толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели. Параметры модели могут включать в себя, например, горизонт прогнозирования (например, в минутах), номер сегмента толстослойной модели (то есть количество слоев толстослойной модели, обозначающих собой зоны риска с одними и тем же приращениями времени (например, в минутах), составляющими в сумме горизонт прогнозирования), номер сегмента тонкослойной модели (то есть количество слоев каждой тонкослойной модели, обозначающих собой различные уровни классификации с одними и теми же приращениями времени (например, в минутах) внутри соответствующей зоны риска, составляющими в сумме приращение времени соответствующей зоны риска), и интервал предупреждения (например, в минутах). Горизонт прогнозирования представляет собой максимальный промежуток времени, на который в шаге 120 может быть предсказан риск возникновения угрожающего события (например, прихвата колонны труб) до истечения этого промежутка, в хронологических данных. На фиг. 5 приведен пример статического отображения, иллюстрирующий использование толстослойной модели и тонкослойной модели для оценки риска прихвата колонны труб в пределах горизонта прогнозирования, равного 120 минутам. Номер сегмента толстослойной модели равен четырем (4), то есть толстослойная модель разделена на четыре слоя, обозначающих собой четыре различные зоны риска с одинаковыми приращениями времени (30 минут), в сумме составляющими горизонт прогнозирования (120 минут), и безопасную зону. Различные зоны риска обозначают собой различные степени вероятности прихвата колонны труб в зависимости от горизонта прогнозирования, а безопасная зона обозначает собой нормальные условия бурения. Номер сегмента тонкослойной модели равняется шести (6), что означает разделение каждой тонкослойной модели на шесть слоев, обозначающих собой 6 различных уровней классификации с одними и теми же приращениями времени (5 минут) внутри соответствующей зоны риска (например, зоны риска 4), составляющими в сумме приращение времени соответствующей зоны риска (30 минут). Каждый уровень классификации обозначает собой отличный от других уровень риска внутри соответствующей зоны риска. Таким образом, каждый слой толстослойной модели, обозначающий собой отличную от других зону риска, включает в себя тонкослойную модель с количеством слоев, равным количеству различных обозначаемых ими уровней классификации. Благодаря использованию толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели (например, подхода с удвоением слоя) может быть сокращено количество слоев для того, чтобы повысить точность работы алгоритмов машинного подготовки и точно прогнозировать время, остающееся до момента возможной реализации риска. Интервал предупреждения определяет периодичность визуального отображения результатов шага 120 и объем новых хронологических данных для использования при отображении каждого результата. Если, например, выбран интервал предупреждения в одну минуту, то для ежеминутного отображения результатов шага 120 используются 6 строк новых хронологических данных (согласно шагу 104 (одна строка для каждых 10 секунд)).

[0025] На шаге 114 проводят подготовку толстослойной модели и каждой тонкослойной модели с использованием выбранного типа модели и разбитых на сегменты хронологических данных и/или выделенного(ых) признака(ов), обозначающего(их) собой каждый соответствующий сегмент хронологических данных. Тип модели для толстослойной модели может быть выбран на основе статического отображения или нечеткого отображения в зависимости от того, какой тип модели был использован при определении толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели на шаге 112. Иными словами, использованный на шаге 112 тип модели необходимо использовать также для подготовки толстослойной модели и каждой тонкослойной модели. Статическое отображение включает в себя модели трех различных типов, хорошо известные специалистам: модели нечеткой классификации, скрытые марковские модели и классификационные модели. Тип модели для каждой тонкослойной модели также можно выбирать среди тех же самых трех различных типов моделей статического отображения. Для толстослойной модели и для каждой тонкослойной модели выбирается лишь один тип модели, который может быть одинаковым или разным для двух моделей. Нечеткое отображение включает в себя модель системы нечеткого логического вывода и базу правил. Модель системы нечеткого логического вывода содержит четыре (4) компоненты: модуль фаззификации, модуль логического вывода, базу правил и модуль дефаззификации, которые хорошо известны в данной области техники. База правил содержит правила, определяемые специалистом в области бурения для идентификации индикаторов определенных рисков при бурении, таких как риск прихвата колонны труб. Модуль логического вывода выполняет операцию логического вывода по нечетким правилам, заданным в базе правил. Модуль фаззификации преобразует четкие входные значения в нечеткие лингвистические значения, а модуль дефаззификации преобразует лингвистические значения в четкие значения с помощью функций принадлежности. Выбранный тип модели используется для подготовки толстослойной модели и каждой тонкослойной модели путем подстановки разбитых на сегменты хронологических данных и/или выделенного(ых) признака(ов), обозначающего(их) собой каждый соответствующий сегмент хронологических данных, в: i) наиболее подходящий слой толстослойной модели, обозначающий собой зону риска непосредственно перед реализованным риском или безопасную зону; и ii) наиболее подходящий слой тонкослойной модели, обозначающий собой уровень классификации внутри соответствующей зоны риска толстослойной модели. Поскольку каждый выбранный риск, который реализован (например, в виде прихвата колонны труб), помечается в разделенных на сегменты хронологических данных и в выделенном(ых) признаке(ах), обозначающем(их) собой каждый соответствующий сегмент хронологических данных, по меньшей мере одним из двух маркеров (времени и глубины), а также в связи с тем, что каждый выбранный атрибут риска (например, нагрузка на долото) помечается в разделенных на сегменты хронологических данных и в выделенном(ых) признаке(ах), обозначающем(их) собой каждый соответствующий сегмент хронологических данных, по меньшей мере одним из двух маркеров (времени и глубины) в качестве безопасного, потенциального риска или реализованного риска, имеется возможность простой подстановки разделенных на сегменты хронологических данных и выделенного(ых) признака(ов), обозначающего(их) собой каждый соответствующий сегмент хронологических данных, в: i) наиболее подходящий слой толстослойной модели, обозначающий собой зону риска непосредственно перед реализованным риском или безопасную зону; и ii) наиболее подходящий слой тонкослойной модели, обозначающий собой уровень классификации внутри соответствующей зоны риска толстослойной модели, как показано на фиг. 5.

[0026] На шаге 116 в способе 100 определяется, приемлемы ли толстослойная модель и каждая тонкослойная модель, на основе результатов шага 114. Если толстослойная модель и тонкослойная модель приемлемы, то в способе 100 выполняется переход к шагу 120. Если толстослойная модель и тонкослойная модель не приемлемы, то в способе 100 выполняется переход к шагу 118. Приемлемость толстослойной модели и каждой тонкослойной модели зависит от точности каждой модели при прогнозировании риска, оцениваемой по методике n-кратной перекрестной проверки на достоверность, хорошо известной в данной области техники. Если результат оценки точности оказывается ниже предварительно заданного значения, то толстослойная модель или соответствующая тонкослойная модель является неприемлемой и не применима к описанию разбитых на сегменты хронологических данных или выделенного(ых) признака(ов), обозначающего(их) собой каждый соответствующий сегмент хронологических данных, подставленных в соответствующие им зоны.

[0027] На шаге 118 возможен выбор другого типа модели способом, описанным со ссылкой шаг 102. Как только выбран другой тип модели, в способе 100 повторяются шаги 112, 114 и 116 до тех пор, пока толстослойная модель и каждая тонкослойная модель не станут приемлемыми. Таким способом могут быть выбраны и проверены различные типы моделей с целью определения приемлемой толстослойной модели и каждой приемлемой тонкослойной модели.

[0028] На шаге 120 прогнозируют (предсказывают) риск для каждой незаконченной скважины с помощью последней по счету (то есть приемлемой). подготовленной толстослойной модели, каждой последней по счету (то есть приемлемой) подготовленной тонкослойной модели и данных реального времени для каждой соответствующей незаконченной скважины. Данные реального времени для каждой незаконченной скважины сравнивают с последней по счету подготовленной толстослойной моделью и каждой последней по счету подготовленной тонкослойной моделью с целью отнесения данных реального времени по классу: i) к безопасной зоне (то есть к зоне с нормальными условиями бурения); или ii) к зоне риска и уровню классификации внутри соответствующей зоны риска. Поскольку каждая зона риска и каждый уровень классификации внутри соответствующей зоны риска определяют количество времени (например, в минутах) до наступления события, означающего реализацию риска (например, прихвата колонны труб), осуществляемая таким способом классификация данных реального времени по мере их приема во время буровых работ делает возможным прогнозирование риска в реальном времени во время буровых работ на множестве типичных или нетипичных незаконченных скважин, на которых выполняется мониторинг. Результаты прогнозирования риска для каждой незаконченной скважины могут быть использованы для управления буровыми работами в реальном времени в той мере, какая необходима для снижения степени риска для каждой соответствующей незаконченной скважины.

[0029] На фиг. 6 показан дисплей 600 графического интерфейса пользователя для мониторинга результатов прогнозирования риска на шаге 120 и управления буровыми работами на каждой незаконченной скважине. Верхняя панель 602 в дисплее 600 содержит вкладки для выбора атрибутов риска, связанных с выбранным риском, незаконченной скважиной (скважинами), где необходим мониторинг, параметрами модели и типом модели для подготовки толстослойной модели и каждой тонкослойной модели. Выбранные атрибуты риска включают в себя нагрузку на крюк, давление в стояке и нагрузку на долото, связанные с риском прихвата колонны труб. Выбранной незаконченной скважиной является Скважина 1. Выбранные параметры модели включают в себя горизонт прогнозирования (120 минут), номер сегмента толстослойной модели (4), номер сегмента тонкослойной модели (6) и интервал предупреждения (1 минута). А выбранным типом модели является классификационная модель. Как следствие выбора вкладок прогнозирования и мониторинга в реальном времени в верхней панели 602, отображаются результаты шага 120 в окне 604 зоны риска. В данном примере толстослойная модель разделена на 4 слоя, обозначающих собой 4 различные зоны риска, поскольку горизонт прогнозирования (120 минут) разделен на зоны риска, количество которых равняется номеру сегмента (4) толстослойной модели. Таким образом, каждая зона риска включает в себя одно и то же приращение времени (30 минут), и сумма этих значений для горизонта прогнозирования равняется 120 минутам. Каждая тонкослойная модель разделена на 6 слоев, обозначающих собой 6 различных уровней классификации с одним и тем же приращением времени (5 минут) внутри соответствующей зоны риска, и сумма этих значений для соответствующей зоны риска равняется 30 минутам. Каждый уровень классификации обозначает собой отличный от других уровень риска внутри соответствующей зоны риска. Зона риска 1 обозначает собой максимально низкую степень риска в 90-120 минутах от реализации риска в виде прихвата колонны труб, а зона риска 4 обозначает собой максимально высокую степень риска в 0-30 минутах от реализации риска в виде прихвата колонны труб. Данные реального времени, принимаемые от Скважины 1 во время буровых работ, классифицируют способом, описанным со ссылкой на шаг 120 на фиг. 1, для прогнозирования степени риска прихвата колонны труб в Скважине 1. Таким образом, спрогнозированная степень риска прихвата колонны труб в Скважине 1 представлена линией 606 в окне 604 зоны риска. Линия 606 строится в реальном времени, и каждая точка 608 данных на линии 606 обозначает собой результаты шага 120. Каждая точка 608 данных на линии 606 отделена от другой точки 608 данных выбранным интервалом предупреждения (1-минутным). Несмотря на то что ни один из уровней классификации каждой тонкослойной модели не отображается в окне 604 зоны риска, каждый уровень классификации обозначает собой отличную от других степень риска внутри соответствующей зоны риска и используется для классификации точек 608 данных внутри зоны риска 1 и зоны риска 2. Наряду с окном 604 зоны риска дисплей 600 содержит окна 610 атрибутов риска для мониторинга выбранных атрибутов риска (например, нагрузки на крюк, давления в стояке и нагрузки на долото) и окно 612 процента риска для мониторинга спрогнозированного риска прихвата колонны труб в виде процента.

[0030] Одновременно с построением и мониторингом линии 606 в окне 604 зоны риска возможно появление различных рекомендаций в окне 614 буровых работ. Эти рекомендации относятся к изменениям, которые могут быть внесены в текущие буровые работы, руководствуясь последней по счету подготовленной толстослойной моделью и каждой последней по счету подготовленной тонкослойной моделью, с целью снижения степени риска в реальном времени. Рекомендации предварительно определяются специалистом в данной области согласно последней по счету подготовленной толстослойной модели и каждой последней по счету подготовленной тонкослойной модели. Таким способом могут быть предварительно определены рекомендации по буровым работам для каждого уровня классификации риска и выведены для отображения в окне 614 буровых работ, когда точка 608 данных, обозначающая собой данные реального времени, классифицирована внутри соответствующего уровня классификации. Согласно рекомендации по буровым работам, отображаемой в окне 614 буровых работ, предлагается увеличить крутящий момент во время бурения для снижения степени риска путем перехода из зоны риска 2 в зону риска 1. Если линия 606 не отображается, предполагается, что буровые работы проводятся в безопасной зоне.

[0031] Наряду с использованием результатов шага 120 для прогнозирования риска в реальном времени возможно сохранение результатов и их последующее использование в качестве хронологических данных: i) для мониторинга других незаконченных скважин согласно способу 100; и ii) для выполнения статистического анализа длительности каждой степени риска для скважины, на которой выполняется мониторинг. При последующем использовании статистический анализ может включать в себя, например: i) распределение вероятностей длительности конкретной степени риска; ii) распределение вероятностей суммарной длительности последовательных степеней риска; iii) распределение вероятностей длительности последовательных спрогнозированных событий с одной и той же степенью риска (например, в зоне 5 риска); и iv) распределение вероятностей длительности и последовательности степеней риска, являющихся прогнозом картины событий. Например, статистический анализ распределений вероятностей, приведенных в качестве иллюстраций, может быть использован для определения скважин с проблемой ухода бурового раствора во время бурения. В результате анализа одного или более распределений вероятностей может быть обнаружено, что уход бурового раствора происходит прежде всего в скважинах, в которых длительность конкретной степени риска (например, степени 3) подчиняется распределению Гаусса. Как следствие, обнаруживается корреляционная связь между уходом бурового раствора и длительностью степени риска 3 во время буровых работ. После подтверждения существования этой связи (например, при выявлении ее в множестве скважин) возможно использование этого корреляционного показателя для анализа в реальном времени путем вычисления распределения вероятностей длительности различных степеней риска во время буровых работ. Если длительность конкретной степени риска (например, степени 3) подчиняется распределению Гаусса, то возможна посылка уведомления в виде предупреждения об угрозе ухода бурового раствора. Статистический анализ распределений вероятностей, приведенных в качестве иллюстраций, может быть использован также для выявления: i) скважин с повышенным уровнем скрытых потерь времени или непроизводительных потерь времени в процессе бурения (длительность конкретной степени риска (например, степени 4) подчиняется логарифмически нормальному распределению); и ii) скважин с прихватом колонны труб (степени риска чередуются следующим образом: степень 4 риска малой длительности, затем степень 3 риска большой длительности и затем событие прихвата колонны труб).

[0032] Таким образом, способ 100 на фиг. 1 и графический интерфейс пользователя на фиг. 6 предоставляют операторам, инженерам и руководителям буровых работ возможность контролировать в реальном времени определенные риски при бурении незаконченных скважин и принимать обоснованные решения относительно того, когда и каким образом управлять буровыми операциями или вносить изменения в них для заблаговременного снижения степени риска. Следствием этого может являться сокращение затрат на буровые работы и повышение их производительности. По сравнению с известными методиками прогнозирования риска в способе 100 учитываются только хронологические данные для скважины в условиях бурения непосредственно перед моментом реализации конкретного риска (то есть в условиях бурения перед реализацией угрозы, но не в условиях бурения с реализованной угрозой). Поскольку хронологические данные в условиях с реализованным риском не учитываются, точность прогнозирования риска повышается. Кроме того, поскольку для подготовки моделей используются хронологические данные от всех доступных скважин в одном и том же географическом регионе, способ 100 обеспечивает повышенную точность прогнозирования риска во время бурения новой скважины с такими же географическими характеристиками.

Описание системы

[0033] Настоящее изобретение может быть реализовано с помощью машиноисполняемой программы инструкций, такой как программные модули, которые обычно именуют программными приложениями или прикладными программами, выполняемыми вычислительной машиной. Программное обеспечение может включать в себя, например, стандартные подпрограммы, программы, объекты, компоненты и структуры данных, которые выполняют определенные задачи или реализуют определенные типы абстрактных данных. Программное обеспечение образует интерфейс, позволяющий вычислительной машине реагировать в соответствии с источником входных данных. В качестве интерфейсного приложения для реализации раскрытого здесь изобретения может быть использовано коммерческое программное приложение Zeta Analytics™, продаваемое на рынке компанией Landmark Graphics Corporation. Программное обеспечение может также взаимодействовать с другими кодовыми сегментами для инициирования множества задач в ответ на данные, принимаемые от источника получаемых данных. Программное обеспечение может быть сохранено и/или размещено в любом из множества запоминающих устройств, таких как компакт-диск (CD-ROM), магнитный диск, запоминающее устройстве на цилиндрических магнитных доменах и полупроводниковое запоминающее устройство (например, различные типы оперативных запоминающих устройств (ОЗУ) или постоянных запоминающих устройств (ПЗУ)). Кроме того, возможна передача программного обеспечения и результатов его работы по разнообразным средам передачи, таким как оптическое волокно, металлический провод и/или по любой из разнообразных сетей, например по сети Интернет.

[0034] Кроме того, для специалистов в данной области будет понятно, что раскрытое здесь изобретение может быть реализовано с помощью множества различных конфигураций вычислительных систем, включая портативные устройства, многопроцессорные системы, микропроцессорную или программируемую бытовую электронную аппаратуру, мини-компьютеры, большие ЭВМ и т.п. Раскрытое здесь изобретение допускает использование любого количества вычислительных систем и вычислительных сетей. Раскрытое здесь изобретение может быть осуществлено в среде распределенных вычислительных средств, где задачи выполняются с помощью удаленных обрабатывающих устройств, связанных между собой коммуникационной сетью. В среде распределенных вычислительных средств программные модули могут находиться в запоминающих средах (включая устройства памяти) как местных, так и удаленных вычислительных машин. Поэтому раскрытое здесь изобретение может быть реализовано с применением различных аппаратных средств, программного обеспечения или их комбинаций, в вычислительной системе или другой системе обработки данных.

[0035] На фиг. 7 приведена блок- схема, иллюстрирующая один из вариантов системы для реализации раскрытого здесь изобретения с помощью вычислительной машины. Система содержит вычислительный блок, иногда называемый вычислительной системой, который содержит запоминающее устройство, прикладные программы, клиентский интерфейс, видеоинтерфейс и модуль обработки данных. Вычислительный блок представляет собой лишь один из примеров подходящей вычислительной среды и не подразумевает собой какие-либо ограничения в отношении области применения или функциональной широты раскрытого здесь изобретения.

[0036] В запоминающем устройстве сохраняются в первую очередь прикладные программы, которые можно считать также программными модулями, содержащими машиноисполняемые команды, выполняемые вычислительным блоком для реализации настоящего изобретения, описанного в настоящем документе и проиллюстрированного фиг. 1-6. Поэтому запоминающее устройство содержит модуль прогнозирования риска в реальном времени, способный интегрировать функциональные возможности остальных прикладных программ, показанных на фиг. 7. В частности, приложение Zeta Analytics™ может быть использовано в качестве интерфейсного приложения для создания типов модулей на шаге 102, для формирования хронологических данных на шаге 104 и для отображения и мониторинга результатов шага 120 с помощью графического интерфейса пользователя. Модуль прогнозирования риска в реальном времени обеспечивает возможность выполнения остальных шагов 102-120, описанных со ссылкой на фиг. 1. Наряду с использованием интерфейсного приложения в виде Zeta Analytics™ возможно использование вместо него других интерфейсных приложений либо использование модуля прогнозирования риска в реальном времени в качестве автономного приложения.

[0037] Хотя вычислительный блок представлен в виде с одним общим запоминающим устройством, обычно вычислительный блок содержит множество машиночитаемых носителей. В качестве примера, не подразумевающего ограничений, машиночитаемые носители могут включать в себя вычислительные запоминающие среды и коммуникационные среды. Запоминающее устройство вычислительной системы может включать в себя вычислительные запоминающие среды в виде энергозависимого и/или энергонезависимого запоминающего устройства, такого как постоянное запоминающее устройство (ПЗУ) и оперативное запоминающее устройство (ОЗУ). Базовая система ввода-вывода (BIOS), содержащая основные стандартные программы, поддерживающие пересылку информации между элементами внутри вычислительного блока, например, при запуске, обычно хранится в ПЗУ. ОЗУ обычно содержит данные и/или программные модули, которые моментально доступны блоку обработки данных и/или используются им в текущей работе. В качестве примера, не подразумевающего ограничений, вычислительный блок содержит операционную систему, прикладные программы, другие программные модули и программные данные.

[0038] Компоненты, показанные в запоминающем устройстве, могут быть записаны также в другую съемную/несъемную, энергозависимую/энергонезависимую вычислительную запоминающую среду либо могут быть реализованы в вычислительном блоке посредством интерфейса прикладной программы (API) или среды облачных вычислений, которая может находиться в отдельном вычислительном модуле, подсоединенном через вычислительную систему или сеть. Исключительно в качестве примера, накопитель на жестком диске может осуществлять считывание с несъемного энергонезависимого магнитного носителя и запись на него, накопитель на магнитном диске может осуществлять считывание со съемного энергонезависимого магнитного диска и запись на него, а накопитель на оптическом диске может осуществлять считывание со съемного энергонезависимого оптического диска (например, CD-ROM или другого оптического носителя) и запись на него. Другими съемными/несъемными, энергозависимыми/энергонезависимыми вычислительными запоминающими средами, которые могут быть использованы в примере реализации рабочей среды, могут являться среди прочего кассеты с магнитной лентой, карты флэш-памяти, универсальные цифровые диски (DVD), цифровую видеопленку, твердотельное ОЗУ, твердотельное ПЗУ и т.п. Накопители и связанные с ними вычислительные запоминающие среды, описанные выше, обеспечивают хранение машиночитаемых команд, структур данных, программных модулей и других данных для вычислительного блока.

[0039] Клиент может вводить команды и информацию в вычислительный блок через клиентский интерфейс, который может представлять собой устройство ввода данных, например клавиатуру и указательное устройство, обычно представляющее собой мышь, шаровой манипулятор или сенсорную панель. Устройством ввода данных может являться микрофон, джойстик, антенна спутниковой связи, сканер и т.п. Эти и другие устройства ввода данных часто подсоединяются к блоку обработки данных через клиентский интерфейс, который связан с системной шиной, но могут быть подсоединены через другой интерфейс и шинную структуру, такую как параллельный порт или универсальная последовательная шина (USB).

[0040] Возможно подключение монитора или другого устройства визуального отображения к системной шине через интерфейс, например видеоинтерфейс. Возможно также использование графического интерфейса пользователя (GUI) в сочетании с видеоинтерфейсом для получения инструкций от клиентского интерфейса и передачи инструкций блоку обработки данных. Наряду с монитором вычислительные машины могут содержать также другие периферийные устройства вывода такие как динамики и принтер, которые могут быть подсоединены через интерфейс выходной периферии.

[0041] Хотя многие другие внутренние компоненты вычислительного блока не показаны, специалисты со средним уровнем знаний в данной области определят, что такие компоненты и их взаимосвязи хорошо им известны.

[0042] Хотя раскрытое здесь изобретение было описано на примере предпочтительных на данный момент вариантов осуществления, специалистам в данной области техники будет понятно, что эти варианты не исчерпывают возможности реализации раскрытого изобретения. Исходя из этого предполагается, что раскрытые здесь варианты осуществления могут быть видоизменены и заменены альтернативными вариантами без отступления от сущности и объема настоящего изобретения, определяемых приложенной формулой изобретения и ее эквивалентами.

Изобретение относится к системе и способу прогнозирования риска в реальном времени во время буровых работ. Техническим результатом является повышение точности прогнозирования риска в реальном времени во время буровых работ. Система и способ прогнозирования риска в реальном времени во время буровых работ с использованием данных реального времени от незаконченной скважины, подготовленной толстослойной модели и подготовленной тонкослойной модели для каждого соответствующего слоя подготовленной толстослойной модели. Наряду с использованием систем и способов для прогнозирования риска в реальном времени возможно использование этих систем и способов также для мониторинга других незаконченных скважин и для статистического анализа длительности каждой степени риска в скважине, на которой выполняется мониторинг. 3 н. и 17 з.п. ф-лы, 7 ил.

1. Способ прогнозирования риска во время буровых работ на скважине, включающий в себя:
a) определение толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели на основе типа модели для скважины;
b) подготовку толстослойной модели и каждой тонкослойной модели с использованием процессора компьютера, типа модели и разбитых на сегменты хронологических данных и/или одного или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных.
c) повторение шагов а)-b) с использованием модели другого типа, пока не станут приемлемыми толстослойная модель и каждая тонкослойная модель; и
d) прогнозирование предварительно определяемого риска для скважины с помощью приемлемой толстослойной модели, каждой приемлемой тонкослойной модели и данных реального времени для скважины.

2. Способ по п. 1, в котором типом модели является нечеткое отображение или статическое отображение.

3. Способ по п. 2, в котором нечеткое отображение включает в себя модель системы нечеткого логического вывода и базу правил, которые с использованием разбитых на сегменты хронологических данных и/или одного или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных, вычисляют оптимальное количество слоев для толстослойной модели, обозначающих собой различные зоны риска с оптимальными соответствующими приращениями времени, и оптимальное количество слоев для каждой тонкослойной модели, обозначающих собой различные уровни классификации с оптимальными соответствующими приращениями времени внутри соответствующей зоны риска, составляющими в сумме оптимальное приращение времени соответствующей зоны риска.

4. Способ по п. 2, в котором статическое отображение выполняют с использованием множества параметров модели, включая горизонт прогнозирования, номер сегмента толстослойной модели, номер сегмента тонкослойной модели и интервал предупреждения.

5. Способ по п. 4, в котором номер сегмента толстослойной модели обозначает собой количество слов для толстослойной модели, которые обозначают собой различные зоны риска с одними и тем же приращениями времени, составляющими в сумме горизонт прогнозирования, а номер сегмента тонкослойной модели обозначает собой количество слоев для каждой тонкослойной модели, обозначающих собой различные уровни классификации с одними и теми же приращениями времени внутри соответствующей зоны риска, составляющими в сумме приращение времени соответствующей зоны риска.

6. Способ по п. 2, в котором реализацию предварительно определяемого риска помечают маркером времени и/или глубины в разбитых на сегменты хронологических данных и/или одном или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных.

7. Способ по п. 6, в котором один или более атрибутов риска помечают маркером времени и/или глубины в качестве отсутствия риска, потенциального риска или реализованного предварительно определенного риска в разбитых на сегменты хронологических данных и/или одном или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных.

8. Способ по п. 7, в котором разбитые на сегменты хронологические данные и/или один или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных, подставляют в наиболее подходящий слой толстослойной модели, обозначающий собой зону риска или безопасную зону, и в наиболее подходящий слой тонкослойной модели, обозначающий собой уровень классификации внутри соответствующей зоны риска толстослойной модели, с использованием помеченного предварительно заданного реализованного риска и одного или более атрибутов риска.

9. Способ по п. 8, в котором прогнозирование предварительно определяемого риска с использованием данных реального времени для скважины включает в себя: сравнение с данными реального времени, относящимися к скважине, для приемлемой толстослойной модели и каждой приемлемой тонкослойной модели, при котором классифицируют данные реального времени по принадлежности к безопасной зоне или зоне риска и определяют уровень классификации внутри соответствующей зоны риска; повторение шага d) из п. 1 по мере приема данных реального времени для скважины в процессе бурения; и вывод на дисплей спрогнозированного предварительно определяемого риска во время буровых работ в предварительно определяемом интервале предупреждения.

10. Энергонезависимый носитель программы, несущий в материальном виде машиноисполняемые команды для прогнозирования риска во время буровых работ на скважине, причем команды при их исполнении осуществляют:
a) определение толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели на основе типа модели для скважины;
b) подготовку толстослойной модели и каждой тонкослойной модели с использованием типа модели и разбитых на сегменты хронологических данных и/или одного или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных;
c) повторение шагов а)-b) с использованием модели другого типа, пока не станут приемлемыми толстослойная модель и каждая тонкослойная модель; и
d) прогнозирование предварительно определяемого риска для скважины с помощью приемлемой толстослойной модели, каждой приемлемой тонкослойной модели и данных реального времени для скважины.

11. Носитель программы по п. 10, в котором типом модели является нечеткое отображение или статическое отображение.

12. Носитель программы по п. 11, в котором нечеткое отображение включает в себя модель системы нечеткого логического вывода и базу правил, которые с использованием разбитых на сегменты хронологических данных и/или одного или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных, вычисляют оптимальное количество слоев для толстослойной модели, обозначающих собой различные зоны риска с оптимальными соответствующими приращениями времени, и оптимальное количество слоев для каждой тонкослойной модели, обозначающих собой различные уровни классификации с оптимальными соответствующими приращениями времени внутри соответствующей зоны риска, составляющими в сумме оптимальное приращение времени соответствующей зоны риска.

13. Носитель программы по п. 11, в котором статическое отображение выполнено с использованием множества параметров модели, включая горизонт прогнозирования, номер сегмента толстослойной модели, номер сегмента тонкослойной модели и интервал предупреждения.

14. Носитель программы по п. 13, в котором номер сегмента толстослойной модели обозначает собой количество слоев для толстослойной модели, которые обозначают собой различные зоны риска с одними и тем же приращениями времени, составляющими в сумме горизонт прогнозирования, а номер сегмента тонкослойной модели обозначает собой количество слоев для каждой тонкослойной модели, обозначающих собой различные уровни классификации с одними и теми же приращениями времени внутри соответствующей зоны риска, составляющими в сумме приращение времени соответствующей зоны риска.

15. Носитель программы по п. 11, в котором реализация предварительно определяемого риска помечена маркером времени и/или глубины в разбитых на сегменты хронологических данных и/или одном или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных.

16. Носитель программы по п. 15, в котором один или более атрибутов риска помечены маркером времени и/или глубины в качестве отсутствия риска, потенциального риска или реализованного предварительно определенного риска в разбитых на сегменты хронологических данных и/или одном или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных.

17. Носитель программы по п. 16, в котором разбитые на сегменты хронологические данные и/или один или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных, подставляют в наиболее подходящий слой толстослойной модели, обозначающий собой зону риска или безопасную зону, и в наиболее подходящий слой тонкослойной модели, обозначающий собой уровень классификации внутри соответствующей зоны риска толстослойной модели, с использованием помеченного предварительно заданного реализованного риска и одного или более атрибутов риска.

18. Носитель программы по п. 17, в котором прогнозирование предварительно определяемого риска с использованием данных реального времени для скважины включает в себя: сравнение с данными реального времени, относящимися к скважине, для приемлемой толстослойной модели и каждой приемлемой тонкослойной модели, при котором классифицируются данные реального времени по принадлежности к безопасной зоне или зоне риска и определяется уровень классификации внутри соответствующей зоны риска; повторение шага d) из п. 1 по мере приема данных реального времени для скважины в процессе бурения; и вывод на дисплей спрогнозированного предварительно определяемого риска во время буровых работ в предварительно определяемом интервале предупреждения.

19. Энергонезависимый носитель программы, несущий в материальном виде машиноисполняемые команды для прогнозирования риска во время буровых работ на скважине, причем команды при их исполнении осуществляют:
определение толстослойной модели и тонкослойной модели для каждого слоя толстослойной модели на основе типа модели для скважины;
подготовку толстослойной модели и каждой тонкослойной модели с использованием типа модели и разбитых на сегменты хронологических данных и/или одного или более выделенных признаков, обозначающих собой каждый соответствующий сегмент хронологических данных; и
прогнозирование предварительно определяемого риска для скважины с помощью толстослойной модели, каждой тонкослойной модели и данных реального времени для скважины.

20. Носитель программы по п. 19, в котором типом модели является нечеткое отображение или статическое отображение.