井漏事故是钻井作业过程中常见的风险之一,因其多发性和危害严重性的特点,一直是石油领域研究的热点。但是目前国内外对井漏事故的识别往往是根据录井过程中录井参数总池体积和流量差的变化来判别井漏是否发生及严重程度,受限于泥浆池面过大,通常只有当异常体积达到2.2m时才会识别出井漏,识别的准确性很大程度上依赖仪器的精度,也增加了现场工程师的工作量;同时录井过程迟到时间和置换性漏失的存在也会影响到井漏识别的实时性和准确性。对井漏事故的处理往往也是依靠现场专家的经验,主观性较强,造成了以往井漏处理案例的损失。为此,本文在分析现有井漏实时识别和处理决策方法不足的基础上,提出了采用人工智能分析方法,通过构建数学模型来实现井漏的实时识别与处理决策。通过构建井漏故障树分析了井漏事故发生的根本原因及影响因素,利用现场采集到的综合录井数据本文总结了井漏发生之前征兆参数的变化及井漏发生时表征参数的变化规律。将井漏识别分为两个过程:第一个阶段为基于井漏机理和现场收集到的数据确定井漏识别的参数;第二个阶段根据设定的井漏表征参数进行井漏漏失类型及严重程度的判别分析。将智能决策分为两个过程:第一个阶段根据设定的检索模型检索出相对应的井漏事故;第二个阶段依据所建立的决策模型确定最优的决策处理方案。不同的井漏类型在录井过程中对应不同的录井特征曲线,本文以曲线形态作为井漏识别的出发点构建了井漏实时识别模型。鉴于界标模型在判别两条曲线相似性的优越性,本文将界标模型应用到录井曲线的相似性判别上,构建了井漏类别标准曲线,在曲线相似性判别的基础上实现井漏事故的实时识别并为随后的井漏处理决策提供决策依据。基于规则推理的传统智能决策方法,虽然知识表示形式简单、直观,但是当问题的规模和复杂度增加的时候,规则的一致性则难以检验和保证、推理效率低下和不符合人类认知规律的缺点将暴露出来。基于案例的推理是一种基于记忆、利用以往求解类似问题的实例或经验来处理当前问题的推理过程,符合钻井专家决策时的认知过程,实验表明本文利用案例推理理论可以有效提高复杂问题的求解效率,适合求解钻井工程决策问题。在建立的井漏智能识别及处理决策模型的基础上,采用微软公司的Visual Studio 2010编程软件和SQLServer 2008数据库管理平台开发了相应软件,通过实验室仿真分析,结果表明使用该软件能够实现井漏实时识别并为堵漏提供决策方法。
暂无评论