基于一维卷积神经网络的钻井周期预测_吴玉林.pdf

第30卷第3期在过去的几十年里，全球范围内的快速工业化使得能源需求显著增加。随着易开采油气藏的枯竭，探明收稿日期：2022-10-10；改回日期：2023-03-05。第一作者：吴玉林，男，1996年生，在读硕士研究生，CCF学生会员（K9271G），研究方向为数据挖掘。E-mail：。通信作者：姜莹，女，1976年生，高级工程师，硕士，研究方向为大数据人工智能。E-mail：。基于一维卷积神经网络的钻井周期预测吴玉林1，姜莹1，程光华2，马佳3，钱育蓉1（1.新疆大学软件学院，新疆 乌鲁木齐830046；2.中国海油集团能源经济研究院，北京100013；3.中国海洋石油集团有限公司，北京100010）基金项目：国家自然科学基金资助项目“基于时-空-谱特征深度学习的遥感图像超分辨率重建研究”（61966035）；自治区科技厅国际合作项目“数据驱动的中俄云计算共享平台建设”（2020E01023）；自治区自然科学基金项目“面向政务的多源异构数据融合与挖掘关键技术研究”（2021D01C083）；自治区科技计划青年科学基金项目“基于深度神经网络的综合能源系统运行风险评估方法研究”（2022D01C83）摘要海洋钻井工程投资和风险巨大，准确预测钻井周期和评估钻井风险有助于油田公司合理规划投资预算。鉴于现有的钻井周期预测大多采用概率统计学方法，文中利用神经网络在非线性关系拟合方面的优越性，结合卷积神经网络局部感知的特性，提出通过一维卷积神经网络（1DCNN）预测钻井周期。针对钻井事故对钻井周期的影响，提出对钻井事故进行量化分析，以事故量化、开钻年份、完钻井深、各井段顶深和钻深、各井段钻头尺寸和套管尺寸作为模型输入，建立事故井钻井周期预测模型，平均绝对百分误差和可决系数分别为11.66%，95.22%。根据事故量化分析结果，筛选无事故井，建立在无事故量化输入情况下的无事故井钻井周期预测模型。研究表明，事故井钻井周期预测模型有利于评估钻井风险，无事故井钻井周期预测模型可在新井不考虑钻井事故影响下提供较为准确的周期预测参考，对海上钻井周期预测具有一定的理论和实践意义。关键词钻井周期；预测；一维卷积神经网络；事故量化中图分类号：TE22文献标志码：ADrilling cycle prediction based on one-dimensional convolutional neural networkWU Yulin1,JIANG Ying1,CHENG Guanghua2,MA Jia3,QIAN Yurong1(1.College of Software,Xinjiang University,Urumqi 830000,China;2.CNOOC Energy Economics Research Institute,Beijing 100013,China;3.China National Offshore Oil Corporation,Beijing 100010,China)Abstract:The investment and risks of offshore drilling projects are huge.Accurately predicting the drilling cycle and evaluatingdrilling risks can help oilfield companies plan their investment budgets reasonably.In view of the fact that most of the existingdrilling cycle prediction methods use probability and statistics methods,using the advantages of neural network in nonlinearrelationship fitting,combined with the local perception characteristics of convolutional neural network,a one-dimensionalconvolutional neural network(1DCNN)is proposed to predict the drilling cycle.Aiming at the influence of drilling accidents on thedrilling cycle,a quantitative analysis of drilling accidents is proposed.Using accident quantification,drilling year,total depth,topdepth and drilling depth of each well section,drill bit size and casing size of each well section as models input,establish the drillingcycle prediction model of accident wells,which mean absolute percentage error and the coefficient of determination are 11.66%and95.22%,respectively.According to the accident quantification results,accident-free wells are screened and the drilling cycleprediction model of accident-free well is established.The research shows that the accident well drilling cycle prediction model isbeneficial to assess the drilling risk,and the accident-free well drilling cycle prediction can provide more accurate reference forcycle prediction without considering the influence of new well drilling accidents,which has certain theoretical and practicalsignificance for offshore drilling cycle prediction.Keywords:drillingcycle;prediction;one-dimensionalconvolutional neural network;accident quantification引用格式：吴玉林，姜莹，程光华，等.基于一维卷积神经网络的钻井周期预测J.断块油气田，2023，30（3）：495-504.WU Yulin，JIANG Ying，CHENG Guanghua，et al.Drilling cycle prediction based on one-dimensional convolutional neural networkJ.Fault-Block Oil&Gas Field，2023，30（3）：495-504.断块油气田FAULT-BLOCK OIL GAS FIELDdoi:10.6056/dkyqt2023030182023年5月断块油气田2023年5月油气储备和开发油气资源变得更加重要。探井是为了寻找石油和天然气而钻的，主要目的是收集地下条件信息，并确认地层是否含有碳氢化合物1。钻井周期作为石油钻井工程投资测算的关键参数，对保证油气田勘探开发整体目标按计划实现和及时投产尽早回收投资有重要意义。因此，准确预测钻井周期是油气勘探开发规划中的一项重要工作2。1研究概况目前，针对钻井周期预测的研究主要基于概率统计学方法和线性回归方法。董世明等3根据近几年所钻定向井的现场实钻资料，应用数理统计的方法，结合定额标准，综合分析得出钻井周期预测及钻井成本预算。张伟文等4、黄伟和等5采用加权系数法，按单井平均工时由小到大，将同一钻头尺寸或套管尺寸所有井的钻完井工时进行排序，测算工时定额。以上基于统计学的方法在统计过程中把每个钻井阶段看成是独立随机过程，忽略了一些因素，如井段间的依赖关系6、顶深和钻深的影响，预测结果会出现偏差。Brett等7、刘朝全等8将学习曲线法应用于陆地钻井周期预测研究，该方法提出当某一区域进行一系列井身结构和作业步骤类似井的钻井工作时，钻井周期可以用学习曲线进行拟合，通过对学习曲线的分析，可以评估作业者的管理能力和技术水平，描述钻井作业遇到的问题，但学习曲线方法对井的选取限制条件较多、评价方法单一，预测准确度较低，不适合海上钻井周期预测。胡振平9对29口陆上页岩气井钻井周期进行套算对比，采用Brett法和采用刘朝全法平均绝对百分误差分别为18.81%和18.59%。Kaiser10利用多元线性回归分析预测钻井周期和成本，该方法只能对自变量的线性组合进行建模，无法捕捉数据中的非线性关系。Merlo等11通过概率法建立了能够评估建井成本和时间的应用软件，Quang-Hung等12采用多变量概率模型结合蒙特卡洛模拟进行钻井周期区间预测，在10%90%的置信区间内无事故钻井周期范围为1026 d，该方法可以改进钻井规划过程，有利于对整个钻井施工过程的风险进行评估，但是该方法有主观性，不应该被期望识别和捕捉钻井过程中所有的风险13，需谨慎讨论和应用蒙特卡洛模拟才能提高油井预测的可靠性14。Mourthr等15通过最邻近分类算法（KNN）找出相邻或相似井并推算出钻井周期，但该方法不能定量进行风险评估16。以上方法对钻井周期预测精度有限，应用于综合日费高达上百万元17的海洋钻井预算，局限较大。近年来，受动物神经网络构造启发产生的人工神经网络18在油气行业应用价值已得到充分证实19-26，但很少应用于钻井周期预测研究。本文利用神经网络在非线性关系拟合方面的优越性，结合卷积神经网络局部感知特性，提出建立一维卷积神经网络钻井周期预测模型。海上钻井作业条件复杂且不确定，许多因素影响钻井时间和成本，钻井事故就是影响因素之一10，将钻井中事故（如漏失、卡钻等）、等待天气造成钻井停工量化为一次钻井作业中断。有些事故或其他异常情况会额外增加同一井段的钻进次数，导致其他作业工序（如起钻和下钻）时间增加，所以应对同一井段内钻进次数进行量化并分析。本文以钻井事故量化、开钻年份、完钻井深、各井段顶深和钻深、各井段钻头尺寸和套管尺寸作为神经网络输入量构建事故井钻井周期预测模型。通过对比实验证明了事故量化对钻井周期预测的影响及预测一定量化风险事故下钻井周期的可行性。在实际预测无事故井钻井周期中，通常将事故井从数据集中剔除，但无事故井样本量较少，神经网络训练准确度和泛化能力差。为尽可能排除事故的影响，提出基于事故量化分析筛选受钻井事故影响较小的井作为无事故井，建立无事故井钻井周期预测模型，对新井在不考虑钻井事故发生的情况下较为准确进行钻井周期预测。2钻井过程及数据分析本文采用的数据是笔者的行业合作公司数据库中近12 a内19.8万条共975次建井日志数据。其中，一次完整建井作业按照过程可分为迁装作业、钻井作业、测试作业和拆迁作业。本文研究的钻井周期为钻井作业中各井段进尺作业和固井作业周期之和，不包括非生产时间。2.1进尺作业进尺作业是指利用机械设备将不同地层钻成指定孔眼的过程。进尺作业周期包括进尺时间和进尺辅助时间。其中，进尺时间包括纯钻进、扩眼钻进、起下钻和接单根时间；进尺辅助时间包括循环、测斜、短起下钻等时间