基于机器学习的深水钻井井口安全检测方法、装置

本发明涉及油气开采，特别是基于机器学习的深水钻井井口安全检测方法、装置。

背景技术：

1、深水钻井过程中，重达数百吨的水下井口在固井之前主要依靠周围海底土提供承载力，随着钻井作业在钻遇不同深度、不同岩性地层，包括含油气层，尤其是钻遇天然气水合物层，随着水合物的不断分解，地层的稳定性和承载力大幅下降，可能导致水下井口和表层导管失稳下沉，造成井眼报废等重大安全风险。建设可靠的钻井井口安全信号系统可以有效提升井口安全评估和防止井口下沉的预防能力，最大限度地减少钻井井口失稳所造成的损失。钻井井口安全信号系统一般包含数据采集、数据传输、分析预测、发布预警与应急响应五个环节，任何一个环节发生故障均会导致整个钻井井口安全信号系统失效。因此，降低钻井井口安全信号系统故障率，增强预警系统可靠性具有非常重要的意义。

2、目前，降低钻井井口安全信号系统故障率的手段主要是为系统关键环节增加备份，比如说增加传感器数量以保证数据采集环节的可靠性，使用多种传输手段以保证数据传输环节的可靠性，使用多种阈值保证分析预测环节的可靠性等，这种增加系统冗余以降低系统故障率的方式，在一定程度上能够提升系统的可靠性。然而，这种方式也存在明显的弊端：一方面，为钻井井口安全信号系统每个环节增加冗余会造成钻井井口安全预警成本的大幅提升；另一方面，如果遇到极端事件或恶劣的环境条件，由于电力缺失、断网等因素，这种关键环节增加备份的方式也不能保证钻井井口安全信号系统的可靠性。综上，现有技术难以降低钻井井口安全信号系统故障率，亟待提升钻井井口安全评估和应急响应的智能化能力，以适应现代油气工业装备的需求。

技术实现思路

1、本发明的目的在于提供基于机器学习的深水钻井井口安全检测方法、装置，解决现有预警方案难以降低钻井井口安全信号系统故障率的问题。

2、本发明的目的通过以下技术方案来实现：

3、基于机器学习的深水钻井井口安全检测方法，包括以下步骤：

4、s101、梳理钻井井口安全信号系统中目标井口安全隐患点的监测参数；

5、s102、获取目标井口安全隐患点监测参数的历史数据；

6、s103、把所有监测参数分成第一类监测参数与第二类监测参数，所述第一类监测参数为井口失稳发生的诱发因素，所述第二类监测参数为表征目标井口安全隐患点稳定状态的关键因素；

7、s104、基于目标井口安全隐患点监测参数的历史数据创建用于机器学习的数据集，将第一类监测参数的历史数据或实时数据作为输入，将第二类监测参数的实时数据作为输出，通过机器学习算法进行训练和预测，得到井口安全预警关键参数预测值；

8、s105、基于井口安全预警关键参数预测值，当钻井实时数据超出上述参数预测值，则发布预警提醒信号，同时显示触发预警的参数名称、超出数值、建议的应急响应措施。

9、进一步的，所述s102步骤中，对获取的目标井口安全隐患点监测参数的历史数据进行预处理、归一化处理；

10、所述s103步骤中，第一类监测参数用ifi表示，包括：实时地层压力、温度、钻井液注液压力、钻井液的密度、钻井液流量、钻井液钻柱内流速、表层导管的端部阻力喷射流速度、表层导管的侧向摩阻力；所述第二类监测参数用cfj表示，包括：井口载荷/位移量、井口直径；选取一个或多个第一类监测参数ifi与第二类监测参数cf构建x个数据组合，表示为gx{ifi，cf}，x表示第x个数据组合；

11、所述s104步骤中，基于所述监测参数数据集，确定输入数据和输出数据，通过机器学习算法对ifi和cfj的相关性进行分析和校验，并选择与cfj具有较强相关性的ifi作为机器学习算法中的输入数据；将所述输入数据和/或输出数据运用机器学习算法对模型进行训练，根据模型评估损失函数最小，挑选出参数最优的模型准则，构建用于预测井口安全预警关键参数值的井口安全预测模型；

12、所述s105步骤中，将钻井实时数据输入井口安全预测模型，输出实时预测结果，当所述预测结果超出安全预警关键参数预测值时，发布包括警报声、警报灯，同时在可视化显示器上显示触发预警的监测参数名称、超出数值大小和程度，并给出建议的应急响应措施，所述应急响应措施包括：静置等候时长、使用吸力桩井口提高承载力大小、导管下入深度及井口优选直径大小、调节钻井注液。

13、进一步的，所述s104步骤中，通过机器学习算法对ifi和cfj的相关性进行分析和校验，并选择与cfj具有较强相关性的ifi作为机器学习算法中的输入数据，包括：对于任意一个数据组合gx{ifi，cf}，将ifi作为自变量，cf作为因变量，建立线性或非线性回归模型，并计算回归模型的相关系数和残差平方和；对比x个数据组合gx{ifi，cf}回归模型的相关系数和残差平方和，选取相关系数最大且残差平方和最小的数据组合gcf{ifi，cf}作为最优数据组合，最优数据组合中的ifi即为与第二类监测参数cf相关性最强的一个或多个独立监测参数，将ifi作为机器学习算法中第二类监测参数cf的作为输出数据时的输入数据；对于第j个第二类监测参数cfj，重复上述步骤，得到第二类监测参数cfj的最优数据组合gcfj{ifi，cf}；

14、将所述输入数据和/或输出数据运用机器学习算法对模型进行训练，包括：对于某一个特定的第二类监测参数cf，以最优数据组合gcf{ifi，cf}中的第一类监测参数ifi作为机器学习算法输入数据，第二类监测参数cf作为输出数据，构建机器学习模型mcf对数据进行训练；优化机器学习模型mcf中的参数；得到训练好的机器学习模型mcf；对于第j个第二类监测参数cfj，重复上述步骤，得到第二类监测参数cfj的机器学习模型mcfj；

15、所述机器学习算法进行预测，包括：利用已经训练好的机器学习模型mcfj对第二类监测参数cfj的实时数据cfjrt进行预测，对某一特定的第二类监测参数cf，基于获得的最优数据组合gcf{ifi，cf}创建用于预测第二类关键参数cf实时数据的输入数据集合{ifirt}，ifirt表示第i个用于预测第二监测参数cf实时数据的独立监测参数；将数据集合{ifirt}输入训练好的机器学习模型mcf；返回第二监测参数cf的实时预测结果cfrt；对于第j个第二监测参数cfj，重复上述步骤，得到第二关键参数cfj的实时预测结果cfjrt；

16、rmse是预测值cfjrt围绕实际值cfj分布的度量，rmse值越小，预测精度越高，rmse表示为：。

17、本发明还提供基于机器学习的深水钻井井口安全检测装置，其特征在于：包括：

18、采集模块，用于采集监测参数的历史和实时数据；

19、第一确定模块，用于基于所述监测参数的历史和实时数据，确定第一类监测参数与第二类监测参数，所述第一类监测参数为井口失稳发生的诱发因素，所述第二类监测参数为表征目标井口安全隐患点稳定状态的关键因素，基于所述第一类监测参数与所述第二类监测参数，确定用于机器学习的数据集，将所述第一类监测参数的历史数据确定为输入，将所述第二类监测参数的实时数据确定为输出，基于所述机器学习的数据集，通过机器学习算法进行训练，基于所述机器学习算法训练，确定井口安全预测模型，基于所述井口安全预测模型，确定井口安全预警关键参数预测阈值；

20、第二确定模块，用于基于所述井口安全预警关键参数预测阈值，确定实施钻井过程中井口安全状态情况，所述钻井实时数据超出上述井口安全预警关键参数预测阈值，则确定为井口不安全状态；

21、安全信号模块，用于基于所述实施钻井过程中井口安全状态情况，对确定为井口不安全状态的，发布安全预警信号，同时显示触发预警的参数名称、超出数值、建议的应急响应措施。

22、进一步的，所述第一类监测参数用ifi表示，包括：实时地层压力、温度、钻井液注液压力、钻井液的密度、钻井液流量、钻井液钻柱内流速、表层导管的端部阻力喷射流速度、表层导管的侧向摩阻力；所述第二类监测参数用cfj表示，包括：井口载荷/位移量、井口直径。

23、进一步的，所述采集模块还包括有预处理模块，归一化模块，所述预处理模块对监测参数的历史数据进行预处理，所述归一化模块对监测参数的历史数据进行归一化处理。

24、进一步的，还包括一体化机器学习预测模型和安全信号台，所述安全信号台连接所述一体化机器学习预测模型，呈现一体化机器学习预测模型的安全信号。

25、进一步的，所述一体化机器学习预测模型包括内外嵌套设置的钻井监测数据采集和处理装置，所述钻井监测数据采集和处理装置包括由上至下的监测数据处理装置，荷载/位移传感器，拉力传感器，温度、压力、流量传感器；

26、所述安全信号台包括括存储器，处理器，存储在存储器上并在处理器上运行的计算机程序，显示触发预警的参数名称、超出数值、建议的应急响应措施的发送器，所述存储器用于存储接收器收取的所述钻井监测数据采集和处理装置的数据。

27、本发明具有以下优点：

28、1、在极端事件或恶劣环境条件下，例如电力缺失、断网等因素，即使数据采集与数据传输环节失效，由于仍然可以通过预测得到井口安全预警关键参数预测值，可以防止井口安全预警系统发生故障，从而降低井口安全预警系统故障率，提升井口安全预警系统的可靠性。

29、2、通过机器学习算法对第一类监测参数和第二类监测参数的相关性进行分析和校验，能够提高机器学习算法分析和校验第一类监测参数和第二类监测参数的相关性的精确度与效率，从而提升井口安全预警系统的可靠性。

30、3、由于能够挑选参数最优的机器学习算法模型准则，能够确保最优第一类监测参数和第二类监测参数具有较强相关性，能够优化机器学习模型中的参数，并以优化后的机器学习模型进行训练，能够提高训练的精确度，从而提升井口安全预警系统的可靠性。

31、4、当预测结果触发安全预警时，能够显示触发预警的具体参数名称、超出数值和程度；依据算法模型反演，能够立刻给出建议的应急响应措施，可以把安全隐患消除在萌芽中，避免井口和表层导管失稳下沉，造成井眼报废等重大损失。