复杂油气溢漏早期识别与安全控制研究进展.docx

    复杂油气溢漏早期识别与安全控制研究进展*    刘伟 唐纯静 付加胜 宋先知 徐宝昌 计杨杨(1. 中国石油集团工程技术研究院有限公司 2. 中国石油大学(北京) )0 引 言我国深层超深层油气资源达671 亿t 油当量,占总量的34%, 对筑牢我国能源安全具有重要的现实与战略意义 然而, 深部地层处于高温高压环境且压力体系复杂, 钻井时易引发溢流和漏失等复杂事故, 若不能及时发现和处置, 有可能引发井喷等重大事故, 导致严重的人员伤亡、 经济损失和恶劣的社会影响 近些年, 几次重大的井控险情接连给人们敲响了安全警钟 据统计,的井喷事故从发现溢流到井喷失控不足0.5 h, 地面工程师的响应时间短 随着井深的增加, 井底压力增大, 压力系统变得复杂, 遇到断层和裂缝的概率增大, 易发生溢漏转换、 漏喷同存, 导致井下复杂工况更加难以识别与控制, 井控风险进一步加大 如何及时发现溢流与漏失并高效精准恢复井筒压力平衡是安全钻井的关键现有的井喷风险监测和预警技术的环境及工况适应性差, 监测结果的准确性和时效性难以保证,早期预警精度低, 整体上与国际先进水平差距明显, 不能有效满足日益增加的高温高压井安全钻井和复杂工况对井控的要求。

因此, 为了提高钻井现场溢流漏失早期识别的准确性和有效性, 增强井筒压力控制效果, 笔者开展了针对性研究, 经过技术攻关, 结合应用技术和理论研究, 有效破解了制约复杂油气钻探重大安全难题1 国内外研究现状国外对溢流漏失等钻井风险的预测有着较为成熟的研究 B.SHAHRIARI 等[1]提出一种流量估计器, 包括检测和识别裂缝地层及井筒之间的流量该估计器基于数据驱动的机器学习方法, 使用各种钻井案例中生成预标记的数据集, 通过利用LSTM神经网络, 分析现成的钻井数据, 学习井筒动态参数变化, 以便尽早检测到溢流 C.E.OBI 等[2]提出一种基于深度学习的井筒内部流体流动动态变化, 通过对动态数据进行机器学习, 从而确定井下流体的流动状态以及判断是否发生溢流漏失N.S.NOORI 等[3]利用浅层神经网络模型, 对具有时间序列性的钻井数据进行分析学习, 计算流体流量, 根据钻井液流量的变化进行溢流漏失钻井风险的识别判断 A.JINASENA 等[4]通过建立动态数学模型来计算钻井液循环过程中的流体损失, 以及向相关监测系统及时传输流体损失量, 进而进行溢流漏失监测预防 同时各大公司也有着较为成熟的典型钻井风险识别系统, 如挪威eDrilling Solutions 公司开发的集实时钻井仿真、 3D 可视化和远程专家控制为一体的eDrilling 系统, 斯伦贝谢与BP 公司合作研发的无意外风险钻井系统 NDS[5], 均可钻前预测钻井风险并能够实时处理风险。

国内目前针对溢流漏失等钻井风险的预测系统技术有着较大的发展, 但相对国外较为落后, 还没有一套成熟的系统 如马鹏鹏等[6]结合钻井远程数据采集与分析系统, 实现了钻井作业动态模拟与井下复杂情况预测与控制, 研发了实时监测与决策系统理论与方法 杨传书[7]研发了Drill Risk 风险评估系统, 该系统构建了“钻前-钻中-钻后” 体系, 实现了钻前阶段对施工作业潜在风险的预测、钻进过程中风险的实时监测以及钻后风险总结 岳家平等[8]综合利用井下及地面监测数据, 将深度学习算法中的长短期记忆网络应用于钻井过程中溢漏风险的识别, 从信息全面利用、 智能建立模型2个方面提升溢漏风险识别的准确性, 基于长短期记忆网络模型研发溢漏风险智能识别试验系统软件平台 李皋等[9]研发了一套井下温度、 压力、 湿度等参数的随钻采集测量短节, 并编制了相关软件,实现了地面-井下数据的随钻监测, 根据所测得的数据建立概率数学模型, 进行钻井风险预测 同时井底压力的精确计算也是监测溢流漏失发生的重要方法, 如张禾等[10]采用K-means 聚类的方法优化朴素贝叶斯模型, 结合井底压力监测原理, 建立井底压力计算模型, 以用来监测井底压力的变化。

但是纯数据驱动的溢流漏失监测方法在预测过程中的特征值选取较为困难 近年来, 国内也有部分专家进行机理模型与数据驱动相结合的预测方法研究,如孙伟峰等[11]将动态钻井物理模型与人工智能、数据挖掘算法相结合, 提出基于实时录井数据的钻井监测及事故预警技术 该技术以钻井施工过程中的综合录井数据作为输入, 利用模型算法来实时准确呈现钻井过程中的井下工况, 预测即将发生的复杂风险 周家立[12]根据控压钻井动态模型, 结合新的自适应观测理论, 构建新的自适应观测器, 同时与深度置信网络方法、 独立成分分析法相结合,构建钻井过程智能工况诊断方法2 技术研究进展本文从环空气液固三相变质量流动以及受模糊信息、 慢反馈信号耦合作用下环空压力控制理论方法等方面开展研究, 形成溢流漏失自动识别、 气侵自动处理、 多工况井筒压力闭环控制等关键核心技术, 丰富了井筒安全监控技术内涵, 是向自动化、智能化井控风险监控迈出的关键一步2.1 多类型地层溢漏识别及井筒压力演变2.1.1 多类型地层溢流判别和漏失压力计算根据施加回压后溢流后续发展情况, 提出欠平衡溢流与重力置换溢流2 种溢流类型判别方法[13],若施加回压后溢流量减少, 则是欠平衡溢流类型;若施加回压后溢流量反而增加, 则是重力置换溢流类型。

通过本判别方法, 有效解决了碳酸盐岩储层溢流识别难题 针对井壁不可渗滤假设和Terzaghi有效应力模型框架约束, 考虑漏失压力与孔隙压力和破裂压力的关系, 基于孔隙压力预测方法, 建立了砂岩和碳酸盐岩2 类地层的极小漏失压力计算模型[14], 可有效预防井漏的发生 碳酸盐岩地层极小漏失压力等于自然漏失压力 砂岩地层极小漏失压力等于压裂漏失压力2.1.2 气侵条件下岩屑-钻井液的复杂滑移特性针对深部复杂地层存在井筒温压场计算精度低等难题, 考虑岩屑沉降方位的影响, 通过数千组椭圆、 棒状、 杆状等非球形岩屑沉降试验, 得到了气相、 岩屑形状和沉降方位对岩屑沉降特性的影响规律, 阐明了环空壁面效应及气相滑移对岩屑沉降过程的微观作用机制, 建立了非球形岩屑曳力系数(见图1) 和复杂岩屑沉降末速统一模型[15], 为精确处理固-液滑移特性和建立环空多相流动传热模型提供了理论依据 图1 中φ为球形度图1 不同球形度下岩屑沉降的曳力系数试验结果Fig.1 Measured drag coefficients during cutting settlement with varied degrees of sphericity2.1.3 井筒-地层耦合的非等温气液固瞬态流动耦合非球形岩屑沉降特性和井筒-地层对流换热机理, 利用非等温瞬态井筒气-液-固三相流动传热模型[16], 实现井筒-地层传热快速计算、 温度实时动态计算, 为井筒压力计算提供数据基础, 从而有效提高模型精度。

计算结果阐明了井筒-地层换热对井筒多相流动的影响机制, 揭示了复杂流动传热条件下井筒温压动态演化特性(见图2), 为准确描述高温高压井气侵多相流动演化特性和精确预测井筒压力奠定了理论基础图2 深井气侵条件下气液固三相流温压演化特性Fig.2 Temperature-pressure evolution of the gas-liquid-solid triple-phase flow in deep wells with gas kick2.2 溢漏早期自动识别与多源参数定量表征2.2.1 环空气液固三相流动传热模型高效求解耦合固-液漂移流模型和井筒-地层对流换热模型, 结合隐式有限差分法, 建立了环空气-液-固三相流动传热模型的高效求解方法[16], 实现了出入口流量变化精细描述, 在保证计算精度的同时提升了求解效率, 为优化气侵预警模型性能和井底压力实时预测提供了理论支撑2.2.2 漏失量、 速度和井深等关键参数精确计算根据压差漏失机理, 融合漏失压力与漏失量的非线性关系, 突破传统方法中漏失速度与压差的线性制约, 针对稳定与非稳定状态下漏失量、 漏失速度、 漏失井深等关键参数[17]进行精确反演, 井深反演值在预设值上下波动, 漏失井深反演值平均误差仅为井深的3%, 漏失井深的精确定位能够大幅提高防漏堵漏的有效性。

图3 为漏失反演结果图3 漏失反演结果曲线Fig.3 Lost circulation inversion results2.2.3 基于出入口流量的多策略动态自动校核针对压力波传播至井底时间及井底压力响应特性的定量分析难题, 根据井底压力与地层压力差导致循环钻井液总体积变化, 建立了井底压力变化与钻井液进出口流量差之间的关系 根据钻井液出入口瞬时流量差(微分量) 进行信号分析, 利用一定时间内钻井液出入口流量平均量(平衡量) 来校正钻井泵上水效率; 在此基础上, 采用钻井液出入口的累积量(积分量) 来校正流量累计, 真实反映溢流和漏失量 现场实时采集流量、 工况及参数动态变化, 进而实时验算、 给定目标压力, 最后进行闭环压力控制, 形成一套多策略动态自动校核及压力控制策略方法现场应用结果表明, 该方法发现溢流漏失时间较传统录井警报可提前10 min, 实现了早预警、 早控制, 有效提升了井控事故的地面响应时间2.3 基于非线性估计的井筒压力闭环控制方法2.3.1 融合多变量的井筒压力控制3 阶动态模型针对井下信息源不清晰、 高精度压力控制难等难题, 提出了耦合水力学-管柱力学-机械钻速的多变量非线性动态模型(见图4), 井筒压力控制融合多变量, 以高效调控井底压力与提升机械钻速为目标, 揭示了多个操控变量之间的关联耦合机理。

图4 模型耦合框架Fig.4 Model coupling framework2.3.2 自适应井下不确定参数的非线性观测器利用地面可测工程参数, 结合水力学模型实现井下不确定参数(环空摩擦因数、 密度) 和变量(井底流量)联合估计, 利用立压、 回压及出口流量等测量数据, 对建模参数进行辨识校正, 提高自适应观测器估计精度, 准确预测井底压力和流量, 为闭环调控提供准确及时的反馈信息[18]估计不确定参数的计算结果表明, 即使建模误差达到20%, 观测器仍可对井下钻头流量和压力进行快速、 实时、 准确估计, 真实反映两者变化的趋势, 已成为井下工况快速判断依据2.3.3 一定超前量的井筒压力闭环控制方法基于非线性多变量耦合模型和非线性估计方法, 以保证井下安全为前提, 以减少非生产时间为目标, 协调地面转速、 钻压、 节流阀开度及泵流量等多源操控变量, 强化学习, 明确操作特性、 超前修正综合目标函数, 形成了具有一定超前量的井筒压力闭环控制方法2.4 溢流漏失随钻实时识别、 监测方法与系统人工智能的快速发展, 使其在石油钻井领域的应用也愈发广泛, 如基于事故树或神经网络建立的溢流漏失判别系统, 但是这些系统都是纯机器学习, 其预测精确度取决于学习样本, 这就会造成一定误差。

因此, 为降低该误差, 建立基于机理与数据复合驱动井下复杂诊断方法以及深度置信神经网络的工况判别与分类模型, 进一步研发了井下溢流漏失随钻实时识别与检测系统2.4.1 基于机理与数据复合驱动的井下复杂诊断方法利用动态机理模型估计井下不可测变量(井底流量), 揭示其动态估计机理, 精确预测动态演化趋势, 形成受机理约束、 融合数据驱动的井下复杂诊断方法[19] 在非线性动态估计算法的基础上,利用独立主元分析方法对立压、 回压、 出口流量及出入口流量差等钻井数据进行处理, 其中出入口流量差等于实际出口流量减去井底流量估算值图5 为出入口流量与钻井液池体积变化曲线。