Способ прогнозирования прихватов бурильных труб Российский патент 2020 года по МПК G06N3/08 

Область техники

Изобретение относится к нефтегазовой области и может быть использовано для прогнозирования прихватов колонны бурильных труб в процессе проектирования или бурения нефтяных и газовых скважин с использованием нейросетевой модели.

Уровень техники

Бурение скважин для разведки и разработки новых месторождений, а также добычи углеводородных ресурсов всегда было и остается чрезвычайно капиталоемким для нефтегазодобывающих организаций. Получение высоких технико-экономических показателей бурения во многом зависит от успешности преодоления осложнений и аварий. При этом риск возникновения аварий в современных условиях бурения нефтяных и газовых скважин (разнообразие геологического строения районов, глубина скважин, высокие давления, температура и солевая агрессия, наличие неустойчивых пород, сложность конструкций и конфигураций скважин) очень высок.

Наиболее распространенным и трудоемким видом аварий в процессе бурения скважин является прихват бурильной колонны, поэтому способам прогнозирования и идентификаций прихватов колонн бурильных труб отводится первостепенная роль.

Прихват - это непредвиденный процесс при сооружении скважин, характеризующийся потерей подвижности колонны труб или скважинных приборов при приложении к ним максимально допустимых нагрузок с учетом запаса прочности труб и применяемого оборудования. По механизму возникновения, прихваты можно разделить на три группы: а) дифференциальный прихват (под действием перепада давления); б) прихват вследствие геометрических изменений ствола скважины; в) прихват вследствие зашламования или закупоривания кольцевого пространства твердыми частицами (в результате оседания шлама, утяжелителя, осыпей, обвалов, выпучивания пород, сальникообразования и т.п.).

Прихват можно предотвратить, если по ранним признакам правильно идентифицировать начало возникновения того или иного вида прихватов и предпринимать своевременные меры, которые в нефтегазовом деле принято называть «предупреждением прихватов». Существует набор методов по предупреждению прихватов, которые обеспечивают безопасность и не требуют больших трудовых или материальных затрат. Однако своевременное обнаружение ранних признаков проявления прихватов - является сложной задачей, поскольку одни и те же признаки в разных ситуациях, условиях и операциях могут интерпретироваться по-разному. Корректная интерпретация признаков прихватов затруднительна без учета большого набора влияющих факторов, что в полевых условиях в настоящее время не всегда возможно. Таким образом, разработка способов прогнозирования и диагностирования прихватов, учитывающих большую часть влияющих факторов, позволит минимизировать вероятность ошибочной интерпретации признаков и своевременно обнаруживать прихваты. В результате, способ прогнозирования и распознавания прихватов позволяет сократить экономические издержки и повысить технико-технологические показатели процесса бурения скважины за счет сокращения времени на ликвидацию прихват.

Из уровня техники известен способ прогнозирования прихвата колонны бурильных труб (патент US 5181172 A, МПК G06F 15/20, Е21В 44/00, опубл. 19.01.1993 г.), включающий в себя аналитическую шаговую оценку отношения силы осевого напряжения сдвига колонны бурильных труб к глубине нахождения долота (именуемое в работе, как показатель степени тяжести ствола скважины), с последующим определением скорости приращения этого показателя относительно изменения глубины нахождения долота.

Недостатком данного способа является то, что для проведения полной процедуры прогнозирования необходимо остановить процесс бурения скважины на некоторое время (для определений силы осевого напряжения сдвига), что сильно увеличивает непродуктивную трату времени. Повышение непродуктивной траты времени снижает технологическую производительность процесса бурения скважины.

Известен способ и система прогнозирования прихватов колонны бурильных труб (патент WO 2013/066746 А1 и US 8752648 B2, МПК Е21В 44/02, Е21В 47/13, Е21В 17/01, опубл. 10.05.2013 г., а также патент US 20140110167 А1, МПК Е21В 41/00, Е21В 44/00, G06N 3/08, G06N 99/00, опубл. 24.04.2014 г.), включающий в себя получение в компьютерной системе множества статических и динамических параметров бурения, таких как диаметр долота, диаметр скважины, вес технологического инструмента (нагрузка на крюке), частота вращения технологического инструмента, крутящий момент на валу ротора или забойного двигателя, давления закачки бурового раствора, давления на стояке бурового насоса, давления бурового раствора при выходе из скважины, нагрузка на долото, частота вращения долота, угол наклона скважины, пористость и проницаемость пласта, и с помощью ансамблей моделей машинного обучения прогнозирование значения вероятности и времени наступления прихват. Ансамбль моделей состоит из нейронной сети, дерева решений, метода опорных векторов и байесовского метода.

Недостатком данного способа и системы прогнозирования прихвата является то, что среди множества показателей параметров бурения не учитываются реологические и технологические параметры бурового раствора, которые являются важными факторами, влияющими на процесс возникновений прихвата; полученный выходной прогноз не классифицируется на типы прихватов, что в свою очередь не позволяет буровому персоналу оперативно оценивать влияния конкретных факторов на развитие того или иного вида прихватов, следовательно, устранение прихватоопасных ситуаций на ранних стадиях по полученным прогнозам становится сложнее. А также, данный способ не способен прогнозировать прихват на стадии проектирования скважины, так как способ привязан к показателям динамических параметров бурения.

Известен способ прогнозирования прихвата бурильных труб (патент US 20170306726 А1, МПК Е21В 41/00, Е21В 47/00, Е21В 47/09, G06G 17/50, опубл. 26.10.2017 г.), включающий в себя считывание показания веса технологического инструмента (нагрузку на крюке) и глубины нахождения долота, с последующим сравниванием со значением прогнозируемого показателя адаптивной и линейной регрессионной моделей. Если значение веса технологического инструмента будет выше, чем прогнозируемое (номинальное) значение той же глубины нахождения долота, тогда формируется предупреждение о высокой вероятности возникновения прихвата.

Недостатком данного способа прогнозирования прихвата является то, что: прогноз строится только по показаниям веса технологического инструмента и глубины нахождения долота, не учитываются важные показатели параметров бурения, в том числе реологические и технологические параметры бурового раствора, которые являются важными факторами, влияющими на процесс возникновений прихвата; полученный выходной прогноз не классифицируется на типы прихватов, что в свою очередь не позволяет буровому персоналу оперативно оценивать влияния конкретных факторов на развитие того или иного вида прихвата, следовательно, устранение прихватоопасных ситуаций на ранних стадиях по полученным прогнозам становится сложнее; для построения правильного прогноза необходимо через 100 метров наращивания инструмента устанавливать пороговое значение веса технологического инструмента, исходя из анализа среднего показателя веса инструмента, что без участия персонала невозможно выполнить. А также, данный способ не способен прогнозировать прихват на стадии проектирования скважины, так как способ привязан к показателям динамических параметров бурения.

Известен способ прогнозирования прихвата бурильных труб (патент US 10513920 В2 и WO 2016/205493 А1, МПК Е21В 44/00, Е21В 47/12, Е21В 7/00, Е21В 7/28, Е21В 19/00, опубл. 24.12.2019 г.), включающий в себя выделение значения параметров режимов бурения, которые являются косвенными признаками технического состояния колоны бурильных труб, с последующим расчетом показателя приращения этих параметров и сопоставление с эталонными значениями этих параметров. Когда текущие значения параметров превосходят предел эталонных значений, формируется предупреждение о риске возникновения прихвата. Способ применяется во всех операциях процесса бурения скважины (спуск, подъем, проработка, промывка, бурения).

Недостаток данного способа состоит в том, что результаты прогноза могут быть ошибочными, так как модель имеет высокую чувствительность к зашумленным данным; из приведенных примеров (в способе) прогнозирования прихватов видно, что прихват прогнозирован за тот период времени, когда уже наступил прихват, следовательно, способ больше относиться к обнаружению (идентификации), чем к прогнозированию прихвата, так как интервал времени прогнозирования до прихвата очень короткий; полученный прогноз не классифицируется на типы прихватов, что в свою очередь не позволяет буровому персоналу оперативно оценивать влияние конкретных факторов на развитие того или иного вида прихватов, следовательно, устранение прихватоопасных ситуаций на ранних стадиях по полученным прогнозам становится сложнее; данный способ не предусмотрен для прогнозирования прихвата на стадии проектирования скважины.

Техническая задача изобретения направлена на создание двух моделей искусственной нейронной сети, с последующим ансамблированием этих моделей для прогнозирования прихвата колонны бурильных труб на стадии проектирования или в процессе бурения скважины.

Технический результат изобретения - повышение достоверности прогнозирования и диагностирования состояния колонны бурильных труб на риск возникновении прихватов.

Раскрытие изобретения

Технический результат достигается тем, что способ прогнозирования прихватов бурильных труб на стадии проектирования или в процессе бурения скважины, характеризуется тем, что:

- создают перечень измеряемых, определяемых и задаваемых косвенно-диагностических параметров бурения скважины;

- создают набор данных о прихватах из записей ранее пробуренных скважин;

- разделяют элементы косвенно-диагностических параметров (КДП), а именно Х2 - тип горной породы в зоне прихвата, X15 - компоненты понизителя вязкости бурового раствора, X16 - компоненты понизителя водоотдачи бурового раствора, X17 - компоненты ингибирующей добавки, X18 - компоненты смазочной добавки, на субэлементы с присвоением долевых значений в соответствии своего основного элемента;

- проводят процедуру разделения набора данных о прихватах на мини-наборы с последующей нормализацией значений мини-наборов;

- создают первую модель прогнозирования по тренировочным и проверочным мини-наборам на основе полносвязанной нейронной сети;

- тестируют первую модель на тестовом мини-наборе;

- создают вторую модель прогнозирования по тренировочным и проверочным мини-наборам на основе модульной нейронной сети;

- тестируют вторую модель на тестовом мини-наборе;

- осуществляют построение конечной модели прогнозирования на основе ансамбля первой и второй модели с совместным обучением по тренировочным и проверочным мини-наборам;

- тестируют ансамбль моделей на тестовом мини-наборе;

- осуществляют оценку качества работы ансамбля моделей на полном наборе данных методом k-блочной кросс-валидации;

- осуществляют процедуру прогнозирования прихватов колонны бурильных труб с помощью ансамбля моделей нейронной сети, и получают результаты прогнозных значений, показывающих вероятность возникновения прихватов с указанием группы на стадии проектирования или в процессе бурения скважины, следующим путем: измеряют, рассчитывают, выбирают и определяют КДП для прогнозируемого интервала бурения проектируемой или бурящийся скважины; далее производят нормализацию значений КДП и передают в модель прогнозирования, которая в свою очередь выдает прогноз на прихват, если модель прогнозирует отсутствие прихвата, то на этом завершается процедура прогнозирования для имеющихся КДП, если модель прогнозирует прихват с указанием группы прихвата, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват.

Тем не менее, так же необходимо обращать внимание на значение неуправляемых КДП и провести проверку правильности расчетов и определение этих параметром.

Сущность изобретения поясняется следующими графическими материалами, где:

Фиг.1 - Блок-схема последовательности реализации способа. 100, Шаг 1 - создание сокращенного перечня измеряемых, определяемых и задаваемых косвенно-диагностических параметров бурения скважины; 102, Шаг 2 - создание набора данных о прихватах из записей ранее пробуренных скважин; 104, Шаг 3 - преобразование некоторых элементов косвенно-диагностических параметров на субэлементы; 106, Шаг 4 - проведение процедуры разделение данных на мини-наборы данных с последующей нормализацией значении мини-наборов; 108, Шаг 5 - создание первой модели прогнозирования (по тренировочным и проверочным мини-наборам) на основе полносвязанной нейронной сети; 110, Шаг 6 - тестирование первой модели на тестовом мини-наборе; 112, Шаг 7 - создание второй модели прогнозирования (по тренировочным и проверочным мини-наборам) на основе модульной нейронной сети; 114, Шаг 8 - тестирование второй модели на тестовом мини-наборе; 116, Шаг 9 - построение конечной модели прогнозирования на основе ансамбля двух моделей (первой и второй модели) с совместным обучением (по тренировочным и проверочным мини-наборам); 118, Шаг 10 - тестирование ансамбля моделей на тестовом мини-наборе; 120, Шаг 11 - оценка качество работы ансамбля моделей на полном наборе данных методом k-блочной кросс-валидации; 122, Шаг 12 - осуществление прогнозирование прихватов колонны бурильных труб с помощью ансамбля моделей нейронной сети, и получение результатов (прогнозных значений), показывающих вероятность возникновения прихватов (с указанием группы) на стадии проектирования или в процессе бурения скважины.

Фиг. 2А - Графическая схема перечня входных данных (измеряемые и определяемые параметры бурения скважины);

Фиг. 2Б - Схема преобразования элементов данных на субэлементы;

Фиг. 3 - Схема разделения набора данных на тренировочный, проверочный и тестовый мини-набор;

Фиг. 4 - Блок-схема процесса обучения сети (методом обратного распространение ошибки);

Фиг. 5 - Топология полносвязанной модели нейронной сети (модель 1);

Фиг. 6 - Топология трех модульной нейронной сети (модель 2);

Фиг. 7 - Топология ансамбля моделей нейронной сети;

Фиг. 8 - Основные параметры, настройки и характеристики ансамбля моделей нейронной сети;

Фиг. 9 - Схема процедуры оценки качество работы ансамбля моделей методом k-блочной кросс-валидации;

Фиг. 10 - Алгоритмическая блок-схема процедуры прогнозирования прихвата.

Способ осуществляется следующим образом. Процесс бурения скважины задается множествами параметрами бурения, по которым прямо или косвенно можно оценить состояние ствола скважины, состояние технологического инструмента, а также все операции и малые процессы, протекающие во время бурения скважины. Для оценки состояния колонны бурильных труб на риск возникновение прихват, советскими учеными (Самотой А.К., Аветисов А.Г.) был сформулирован перечень параметров из множества имеющихся параметров бурения. Так как значения этих параметров носят функцию диагностирования, их часто называют косвенно-диагностическими параметрами (КДП). На стадии проектирование скважины КДП рассчитывают, определяют и задают, а в процессе бурения скважины измеряют и определяют.

В предлагаемом способе, в качестве элементов набора входных параметров (входных данных) для прогнозирования прихватов бурильных труб, используют КДП, такие как: X₁ - глубина, на которой находится долото в момент прихвата, м; Х₂ - тип горной породы в зоне прихвата; Х₃ - пластовое давление в зоне прихвата, кгс/см²; Х₄ - разность между давлением столба промывочной жидкости и пластовым давлением, кгс/см²; X₅ - плотность бурового раствора, г/см³; Х₆ - условная вязкость, с; X₇ - статическое напряжение сдвига бурового раствора (при одной минуты в покое CHC₁), мгс/см²; X₈ - статическое напряжение сдвига бурового раствора (при 10 минут в покое СНС₁₀), мгс/см²; Х₉ - водоотдача бурового раствора, см³/30 мин; Х₁₀ - длина утяжеленной бурильной трубы (УБТ), м; Х₁₁ - зазор между стенкой скважины и УБТ, мм; Х₁₂ - угол искривления ствола скважины, градус; Х₁₃ - температура на глубине прихвата, °С; Х₁₄ - количество нефти в растворе, %; Х₁₅ - компоненты понизителя вязкости бурового раствора; X₁₆ - компоненты понизителя водоотдачи бурового раствора; Х₁₇ - компоненты ингибирующей добавки; X₁₈ - компоненты смазочной добавки.

Эти диагностические параметры 200 (Фиг. 2А) по характеру описаний, условно разделяются на геологические 201 (Х₂, Х₃, Х₁₃), технологические и реологические параметры бурового раствора 202 (Х₄, X₅, X₆, Х₇, X₈, Х₉, Х₁₄, Х₁₅, Х₁₆, Х₁₇, X₁₈), технико-технологические параметры бурения 203 (X₁, Х₁₀, Х₁₁, Х₁₂). А также по степени управляемости условно разделяются на управляемые (Х₆, Х₇, X₈, Х₉, Х₁₀, Х₁₁, Х₁₄, Х₁₅, Х₁₆, Х₁₇, X₁₈) и неуправляемые (X₁, Х₂, Х₃, Х₄, Х₅, Х₁₂, Х₁₃) параметры (на фиг.условно не показаны).

Для повышения информативности и восприимчивости КДП к нейронным сетям, некоторые элементы КДП 204 (Фиг. 2Б), такие как Х₂, Х₁₅, X₁₆, Х₁₇ и X₁₈ преобразуют на субэлементы 205. Каждому субэлементу данных 205 присваивают долевое значение в соответствии своего основного элемента КДП 204 (Фиг. 2Б). С помощью такого преобразования повышают репрезентативность выборки для нейронной сети.

В результате, получают 32 компонента КДП, которые в наибольшей степени. характеризуют состояние колонны бурильных труб, находящихся в стволе скважины. В качестве выходной информации о прихвате рассматривают четыре возможных состояния: Y₁ - дифференциальный прихват (под действием перепада давления); Y₂ - прихват вследствие геометрических изменении ствола скважины; Y₃ - прихват, вследствие зашламования или закупоривания кольцевого пространство; Y₄ - отсутствие прихвата.

По результатам записей ранее пробуренных скважин, в которых происходили прихваты, создают наборы данных (выборку) о прихватах 200 (Фиг. 3). Каждый прихват характеризуют (описывают) КДП. Для подготовки модели прогнозирования, созданный набор данных о прихватах 200 разделяют на тренировочные 301, проверочные 302 и тестовые мини-наборы 303. Для того, чтобы сделать сходство разных образцов мини-набора более заметным для модели нейронной сети 305, что помогает модели 305 выделять и обобщать новые мини-наборы, производят процедуру нормализации 304 и 306 над наборами. Суть нормализации состоит в центрировании данных и приведении их к единичной дисперсии. Нормализацию производят следующим уравнением:

где - среднее значение по признаку X_i (элемента мини- набора), σ - среднеквадратическое отклонение.

После того как мини-наборы были нормализованы (304 и 306), модель 305 обучают на тренировочных, а качество обучения оценивают на проверочных мини-наборах. После завершения обучения, модель 305 тестируют 307 на тестовом мини-наборе. Такой подход позволяет получить наиболее точную оценку обобщенности модели.

Так, в разработке модели применяются нейронные сети типа многослойного персептрона прямого распространения, следовательно, применяется алгоритм обучения сети с учителем методом обратного распространения ошибки (со стохастическим градиентным спуском). На Фиг. 4 изображен схематическая иллюстрация процесса обучения нейронной сети.

В предлагаемом способе используют две модели. Первая модель 500 (Фиг. 5) состоит из полносвязанной нейронной сети, на входы которой поступают геологические, технологические и реологические параметры бурового раствора, а также технико-технологические параметры бурения. Модель 500 соединяется с нейронными слоями интегратора 501А, который в свою очередь имеет 4 выходного нейрона, генерирующий сигнал 501В о состоянии бурильной колонны. Вторая модель 600 (Фиг. 6) состоит из трехмодульной нейронной сети. Каждый модуль 601, 602, 603 состоит из полносвязанной нейронной сети. На входы первого модуля 601 поступают геологические параметры 201, второго модуля 602 - технологические и реологические параметры бурового раствора 202, третьего модуля 603 - технико-технологические параметры бурения 203. Модули 601, 602 и 603 между собой построены параллельно, но выходы у них объединены полносвязанными слоями интегратора 501 А, который в свою очередь имеет 12 нейронов во входном слое, 128 нейронов в скрытом и 4 во выходном слое 501В. Основные параметры и настройки упомянутых моделей представлены на Фиг. 8 (801, 802).

Для улучшения результатов прогнозирования производят ансамблирование двух моделей 500 и 600 (Фиг. 7). Ансамблирование основано на предположении о том, что разнообразные модели одной задачи, могут быть хороши по разным причинам: каждая модель рассматривает немного другие аспекты данных, чтобы сделать прогноз, и видит только часть целого. Объединив результаты, получаемые набором разных моделей, можно получить гораздо более точное описание данных. Далее реализовывают совместное обучение семейства двух разнообразных моделей-кандидатов 500 и 600 в единую сеть (Фиг. 7), благодаря которым они будут генерировать различные границы решений для тренировочных данных. Основные параметры, настройки и характеристики 800 ансамбля моделей 500 и 600 представлены на Фиг. 8.

Оценка качества работы сети из ансамбля моделей производится методом кросс-валидации по k-блокам. Имеющийся набор данных 200 случайным образом подразделяют на 20-блоков мини-данных 900 (Фиг. 9). В качестве обучающей выборки применяют 19 из них 902, а один блок мини-данных 901 в качестве проверочных, и проводят обучения и оценка сети. Процедуру повторяют 20-раз, в результате чего, получают 20 моделей с их оценками качества работы сети (L₁…L₂₀). Затем вычисляют среднюю ошибку работы модели, на основе разных независимых блоков: , где L_i - значения ошибка сети i-той модели.

Метод кросс-валидации по k-блокам позволяет выполнять тонкие настройки модели, т.е. находить оптимальные значения гиперпараметров, которые дают удовлетворительную обобщающую способность. После того как определяют удовлетворительные значения гиперпараметров, повторно производят процесс обучения модели на полном обучающем наборе. В результате получают окончательную оценку качества модели на базе независимых тестовых наборов. С учетом того, что k - блочная кросс-валидация - это метод генерирования повторных образцов без возврата (непересекающихся образцов), преимущество этого подхода заключается в том, что каждая точка образца является частью обучающего и проверочного наборов данных ровно один раз, что в итоге позволяет получить более низкодисперсную оценку качества модели.

После того как вышесказанные этапы выполнены осуществляют прогнозирование прихватов бурильных труб по двум возможным вариантам выполнения.

Вариант 1. Прогнозирование в процессе бурения скважины.

Измеряют и определяют КДП 1000 (Фиг. 10) для прогнозируемого интервала бурения бурящийся скважины. Производят нормализацию значений КДП 1001 и передают в модель прогнозирование 305, которая в свою очередь выдает прогноз на прихват. Если модель прогнозирует 1002 отсутствие прихвата, то на этом завершается 1003 процедура прогнозирования для имеющихся КДП. Если модель прогнозирует 1002 прихват с указанием группы прихвата 1004, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват. Тем не менее, так же необходимо обращать внимание на значение неуправляемых КДП и провести проверку правильности расчетов и определение этих параметром.

Вариант 2. Прогнозирование на стадии проектирование скважины.

Рассчитывают, выбирают и определяют КДП 1000 (Фиг. 10) для прогнозируемого интервала проекта скважины. Производят нормализацию значений КДП 1001, и подают моделью прогнозированию 305, которая в свою очередь выдает прогноз на прихват. Если модель прогнозирует 1002 отсутствия прихвата, то на этом завершается 1003 процедура прогнозирования для имеющихся КДП. Если модель прогнозирует 1002 прихват с указанием группы прихвата 1004, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват. Тем не менее, так же необходимо обращать внимание на значение неуправляемых КДП и провести проверку правильности расчетов и выборов этих параметром.

Предлагаемый способ был реализован (воспроизведен) с использованием промысловых архивных данных о прихватах ВНИИКРнефти и ОАО «Нафту газ» по 102 прихватам скважин, в том числе 30 из них - дифференциальный прихват, 32 - прихват вследствие геометрических изменений ствола скважины и 40 - прихват вследствие зашламования или закупоривания кольцевого пространства твердыми частицами. В результате, способом были получены прогнозные значений, показывающий вероятность возникновения прихватов (с указанием группы). Способ демонстрировал прогнозирования прихватов с точностью 96%, (правильно спрогнозировал 23 случаев из 24).

Изобретение относится к нефтегазовой области и может быть использовано для прогнозирования прихватов колонны бурильных труб в процессе проектирования или бурения нефтяных и газовых скважин с использованием нейросетевой модели. Техническим результатом является повышение достоверности прогнозирования и диагностирования состояния колонны бурильных труб на риск возникновения прихватов. Предложен способ прогнозирования прихватов бурильных труб на стадии проектирования или в процессе бурения скважины, характеризующийся тем, что создают перечень измеряемых, определяемых и задаваемых косвенно-диагностических параметров бурения скважины; создают набор данных о прихватах из записей ранее пробуренных скважин; разделяют элементы косвенно-диагностических параметров (КДП) на субэлементы с присвоением долевых значений в соответствии своего основного элемента; проводят процедуру разделения набора данных о прихватах на мини-наборы с последующей нормализацией значений мини-наборов; создают первую модель прогнозирования по тренировочным и проверочным мини-наборам на основе полносвязанной нейронной сети; тестируют первую модель на тестовом мини-наборе; создают вторую модель прогнозирования по тренировочным и проверочным мини-наборам на основе модульной нейронной сети; тестируют вторую модель на тестовом мини-наборе; осуществляют построение конечной модели прогнозирования на основе ансамбля первой и второй модели с совместным обучением по тренировочным и проверочным мини-наборам; тестируют ансамбль моделей на тестовом мини-наборе; осуществляют оценку качества работы ансамбля моделей на полном наборе данных методом k-блочной кросс-валидации; осуществляют процедуру прогнозирования прихватов колонны бурильных труб с помощью ансамбля моделей нейронной сети и получают результаты прогнозных значений, показывающих вероятность возникновения прихватов с указанием группы на стадии проектирования или в процессе бурения скважины, следующим путем: измеряют, рассчитывают, выбирают и определяют КДП для прогнозируемого интервала бурения проектируемой или бурящейся скважины, далее производят нормализацию значений КДП и передают в модель прогнозирования, которая в свою очередь выдает прогноз на прихват, если модель прогнозирует отсутствие прихвата, то на этом завершается процедура прогнозирования для имеющихся КДП, если модель прогнозирует прихват с указанием группы прихвата, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват. 11 ил.

Способ прогнозирования прихватов бурильных труб на стадии проектирования или в процессе бурения скважины, характеризующийся тем, что

- создают перечень измеряемых, определяемых и задаваемых косвенно-диагностических параметров бурения скважины;

- создают набор данных о прихватах из записей ранее пробуренных скважин;

- разделяют элементы косвенно-диагностических параметров (КДП), а именно Х₂ - тип горной породы в зоне прихвата, Х₁₅ - компоненты понизителя вязкости бурового раствора, X₁₆ - компоненты понизителя водоотдачи бурового раствора, Х₁₇ - компоненты ингибирующей добавки, X₁₈ - компоненты смазочной добавки, на субэлементы с присвоением долевых значений в соответствии своего основного элемента;

- проводят процедуру разделения набора данных о прихватах на мини-наборы с последующей нормализацией значений мини-наборов;

- создают первую модель прогнозирования по тренировочным и проверочным мини-наборам на основе полносвязанной нейронной сети;

- тестируют первую модель на тестовом мини-наборе;

- создают вторую модель прогнозирования по тренировочным и проверочным мини-наборам на основе модульной нейронной сети;

- тестируют вторую модель на тестовом мини-наборе;

- осуществляют построение конечной модели прогнозирования на основе ансамбля первой и второй модели с совместным обучением по тренировочным и проверочным мини-наборам;

- тестируют ансамбль моделей на тестовом мини-наборе;

- осуществляют оценку качества работы ансамбля моделей на полном наборе данных методом k-блочной кросс-валидации;

- осуществляют процедуру прогнозирования прихватов колонны бурильных труб с помощью ансамбля моделей нейронной сети и получают результаты прогнозных значений, показывающих вероятность возникновения прихватов с указанием группы на стадии проектирования или в процессе бурения скважины, следующим путем: измеряют, рассчитывают, выбирают и определяют КДП для прогнозируемого интервала бурения проектируемой или бурящейся скважины, далее производят нормализацию значений КДП и передают в модель прогнозирования, которая в свою очередь выдает прогноз на прихват, если модель прогнозирует отсутствие прихвата, то на этом завершается процедура прогнозирования для имеющихся КДП, если модель прогнозирует прихват с указанием группы прихвата, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват.