Применение машинного обучения для анализа влияния параметров бурения на развиваемую пространственную интенсивность

Помимо этого, большинство скважин – наклонно-направленные, поэтому чрезвычайно важно спроектировать такую траекторию ствола скважины, какую возможно пробурить в соответствии с заданной траекторией и имея те технологии, которые предусмотрены контрактом либо проектом.

𝓲

iStock

Одним из параметров, характеризующих траекторию скважины, является пространственная интенсивность, то есть скорость искривления ее ствола (иными словами, насколько быстро изменяются зенитный угол и азимут). Способность развивать пространственную интенсивность (РПИ) меняется в зависимости от компоновок низа бурильной колонны (КНБК) и параметров бурения, таких как нагрузка на долото, скорость вращения бурильной колонны, расход бурового раствора, а также физико-механические свойства горных пород. Очень важно подобрать такие КНБК и параметры, которые обеспечат необходимую интенсивность и позволят беспрепятственно пробурить скважину согласно заданным параметрам по проектной траектории.

Традиционно анализ пробуренных скважин выполняется индивидуально, при этом результаты во многом зависят от визуального восприятия, интерпретации и опыта специалиста, который производит этот анализ. При прогнозировании пространственной интенсивности траектории скважины, которую могут развивать те или иные КНБК, анализ пробуренных ранее скважин занимает время, пропорциональное объему входных данных. При этом результаты анализа, как правило, усреднены и содержат заметную погрешность. В определенных проектах эта погрешность превышает пределы, установленные технической спецификацией. Такая ситуация вынуждает сервисные компании использовать консервативные технические решения, например, роторно-управляемые системы (РУС) с более агрессивной способностью РПИ. Эти решения часто могут быть более дорогостоящими с точки зрения обслуживания, а также увеличивают извилистость ствола скважины, которая в свою очередь увеличивает риски, возникающие в ходе строительства.

Российский инженер Айрат Фахрылгаянов предложил использовать для выполнения анализа соседних скважин и определения ключевых параметров, влияющих на развиваемую пространственную интенсивность, концепцию машинного обучения. В рамках этой концепции анализируются большие объемы данных, полученных во время бурения, и определяется взаимосвязь каждого параметра c РПИ. Предложенная концепция была использована для анализа данных, полученных при бурении пяти скважин, и определения корреляции между применяемыми параметрами бурения и РПИ. Результаты были применены на трех последующих скважинах, обеспечив увеличение РПИ на 50% с использованием оптимизированных параметров, но при той же технологии бурения. Этот эксперимент продемонстрировал потенциал машинного обучения при анализе скважин для прогнозирования поведения КНБК. Рассмотрим вкратце основные идеи, лежащие в основе концепции г-на Фахрылгаянова.

Машинное обучение является неотъемлемой частью концепции искусственного интеллекта (ИИ). Основная цель машинного обучения - исследовать структуру данных и адаптировать эти данные к моделям, которые будут понятны и полезны людям. В рамках этой задачи оно предоставляет прогнозы ожидаемых результатов в различных областях и предвосхищает некоторые события. Машинное обучение используется во многих областях науки, и сегодня практически любой пользователь извлекает выгоду из машинного обучения сам того не ведая. Машинное обучение подразделяется на две различные системы: обучение с учителем и без учителя. При обучении с учителем результат известен заранее, следовательно, алгоритм разрабатывается таким образом, чтобы машина могла прийти к известному выводу. При обучении без учителя входные данные подаются в алгоритм без маркированных ответов, а ответы анализируются статистически, чтобы вывести значения, попадающие в определенный диапазон. Обе системы объединяет то, что они требуют большего количества данных для обучения, чтобы повысить точность результатов.

В нефтяной отрасли, где технологический прогресс расширил возможности бурения и увеличил эффективность производства, использование машинного обучения все еще отстает от других отраслей. И хотя процесс бурения с применением РУС и приборов каротажа и проведением измерений во время бурения в составе КНБК, генерирует огромное количество данных, в настоящее время эти данные используются совершенно недостаточно.

Одной из наиболее частых проблем направленного бурения является неверная оценка РПИ, особенно когда выбранной системой направленного бурения является РУС. Неспособность следовать траектории – это одна из основных причин непроизводительных затрат времени, приводящих к финансовым потерям как для заказчика, так и для сервисных компаний. Очевидным решением, как уже было сказано, является использование более агрессивных с точки зрения РПИ РУС. Однако у этого решения есть проблема - эти РУС могут быть слишком агрессивными, создавая излишнюю интенсивность и, соответственно, извилистость скважины. Кроме того, эти системы могут быть дорогостоящими в последующем обслуживании, поскольку компоненты подвергаются большим изгибающим нагрузкам, что может привести к преждевременному усталостному разрушению и отказу оборудования. Поэтому РУС должны быть выбраны с оптимальной способностью РПИ.

Традиционно анализ скважин для прогнозирования РПИ выполняется путем установления простой корреляции между параметрами работы установки в режиме наклонно-направленного бурения (Steering Ratio – параметр, характеризующий насколько долго РУС работает в режиме наклонно-направленного бурения) и полученной пространственной интенсивностью. Однако конструкции скважин и условия бурения отличаются от одной скважины к другой даже на одном и том же месторождении. Вариации зенитных углов, горных пород и используемых параметров бурения (например, расхода бурового раствора, скорости вращения, нагрузки на долото) существенно влияют на итоговую пространственную интенсивность. Поэтому в большинстве случаев результат анализа зависит от опыта и навыков инженера по наклонно-направленному бурению, за многие годы работы уже создавшего собственную базу данных корреляций различных факторов.

Айрат Фахрылгаянов предложил применить для анализа и обработки машинное обучение с линейной регрессией, что позволило достичь аналогичной многопараметрической корреляции уже в автоматизированном режиме и с огромными массивами данных и понять, как каждый из параметров влияет на РПИ. Результаты такого анализа позволяют проводить более целостную оценку РПИ и лучший выбор РУС, а также определить наиболее эффективную траекторию ствола скважины.

Решение использовать линейную регрессию для определения корреляции между несколькими переменными в линейной зависимости и того, насколько сильна эта связь, было достаточно логичным. В теории линейной регрессии качество прогноза оценивается двумя значениями: среднеквадратической ошибкой (RMSE) и коэффициентом множественной корреляции (R). RMSE определяет, насколько велика ошибка, возникающая при сопоставлении двух наборов данных. При этом сравниваются предсказанные и наблюдаемые или известные значения. Коэффициент же множественной корреляции определяет, насколько хорошо значение данной переменной можно предсказать, используя линейную функцию. Корреляция между значениями переменных и лучшими прогнозами может быть вычислена линейно из прогностических переменных. RMSE должен быть как можно ниже, тогда как R должен быть ближе к 1. Например, при RMSE = 1.18 и R = 0.98 можно сделать вывод, что типичные наблюдаемые значения будут находиться в диапазоне от -1.18 до 1.18 от значений, предсказанных моделью, с вероятностью 68% - стандартное отклонение (одна сигма – 1). При значении R = 1 корреляция указывает на то, что прогнозы абсолютно точны, а R = 0 предполагает, что нелинейная комбинация независимых переменных является лучшим предиктором, чем фиксированное среднее зависимой переменной.

𝓲

iStock

Для прогнозирования РПИ основным ожидаемым результатом, полученным от алгоритма обучения, является линейная корреляция. В рамках этой связи переменные имеют разные веса и степень влияния на результат. Цель алгоритма - получить коэффициенты, которые приводят к минимальной разнице между моделью и фактическими данными. Разница называется ошибкой, а функция, представляющая сумму ошибок, является функцией стоимости (cost function), ранее объясненной как RMSE.

Огромное количество данных, получаемых при бурении, позволяет количественно оценить корреляции между параметрами / механикой бурения и результатами РПИ. Повышая точность вводимых данных, можно повысить качество корреляций и снизить итоговые ошибки, возникающие при использовании модели. Понимая факторы, влияющие на РПИ, можно оптимизировать программу бурения на этапе планирования дизайна скважины с наиболее эффективной траекторией и оптимальным выбором РУС. А на этапе выполнения работ эти данные помогут инженеру по наклонно-направленному бурению принимать правильные решения в отношении оптимизации параметров бурения для достижения целевой пространственной интенсивности.

Поскольку нефтяная отрасль вообще и бурение скважин в частности, становятся более цифровизированной за счет сбора огромных объемов данных, потенциал машинного обучения в этой индустрии практически неограничен. Внедрение машинного обучения с использованием различных алгоритмов значительно улучшит возможности пользователя эффективно использовать имеющиеся данные и превращать их в информацию, которая будет представлять практическую ценность для сервисных компаний и, в итоге, для заказчика.

В заключение необходимо отметить, что подготовка данных является одним из важнейших этапов работы и требует значительных усилий. Наборы данных для машинного обучения должны соответствовать высоким требованиям к точности и качеству, которых зачастую сложно достичь при бурении скважин. Тем не менее описанное решение было успешно применено при оптимизации параметров бурения трех многоствольных скважин на одном из месторождений в Западной Сибири. Подход, предложенный Айратом Фахрылгаяновым и основанный на машинном обучении с линейной регрессией, является ярким примером, демонстрирующим неоспоримые преимущества наступающей эры ИИ. Он не только дает конкретное решение, но и показывает специалистам путь его дальнейшего усовершенствования путем внедрения более сложных алгоритмов обучения, таких как нейронные сети. И результаты этой будущей работы могут существенно превзойти уже достигнутые.

Автор: Дмитрий Архипов