logo
专注油气领域
与独立思考者同行

人工智能信念体系 提效降本新概念

人工智能信念体系 提效降本新概念

信念体系这一术语在油气领域或许还有些陌生,其与人工智能的结合在钻井监测中已经显现出了强大的优势。

来自 | JPT
编译 | 惊蛰

近年来,检测和报警系统已经应用于多种钻井故障中,包括卡钻、井液流入/流失和钻井状态异常等。但是,钻柱刺漏和泥浆泵故障的检测还主要依赖于常规方法,即通过判断立管压力、泵入速率或MWD数据变化等。

作业人员通常使用简单的液压系数,将立管压力与泵送速率关联以检测钻柱刺漏。MWD压力和泥浆马达数据在一定程度上可以改善检测效果,但是由于传感器数据质量差,同时有存在诸多影响流量和压力数据的各种因素,该方法极不稳定。因此,钻井人员通常不会发现钻柱裂缝,直至发生刺漏,随后便需要设备更换和打捞作业,损失达数十万美元。

作业人员还可以根据立管压力变化,检测泥浆泵故障及泵部件的损耗状况。高频泵压力数据可以增强泵磨损检测,此外,加速计数据可以用于阀泄漏的判断,但受限于作业现场的条件,这些方法大多无法完成。

为了解决以上问题,油气行业已经引入了全新的监测方案。通过使用基本的钻机传感器数据和相关信息,建立了检测各种钻井失效模式的方法。截至目前,该方法已经用于钻柱刺漏和泵故障的检测、警报。

该方法的检测和警报系统以Bayesian(贝叶斯)网络为基础,Bayesian整合了关键传感器输入、输出数据以及水力模型预测。随后将这些输入概率信念系统,其结果是输出0到1之间的信念值,预示着特定的钻井作业、设备或传感器故障发生几率。

就像人类大脑利用经验智能的根据环境变化采取行动时产生的信息一样,概率模型利用过去和现在的数据趋势以及人工智能(AI)方法,产生关于钻井问题和设备故障的预测。此外,该模型还会评估这些趋势,通过自我学习和自校准提高其预测准确性,能够针对失真传感器数据、井况信息和模型的不确定性进行调整。因此,当信念值上升到指定的水平,并且系统触发警报时,司钻可以更加确定地采取行动,而不用担心误报。

Bayesian网络由离散或连续数值的节点组成,节点通过条件概率表(CPT)连接,并通过箭头指向的方式表示因果关系。根据每个CPT对特定结果的相对影响,每个CPT都分配得到了一个权重值。其中关键节点是作业中的“突发事件”,Bayesian网络涵盖多种事件类型及其相关概率。网络布置可用于检测与井控、液压相关的各种事故,例如钻柱刺漏、泵故障、液体漏失、封隔器故障等。

当然,Bayesian网络还包括“计划内事件”节点,以解决诸如泵启动、泵入速率调节之类的事件。这种节点设计消除了可能发生的错误警报,例如,在泵启动期间,立管压力和流速数据变化可能被网络错误地理解为刺漏。

此外,其他节点由处理后的实时输入数据组成,例如当前和之前的泵压力、冲程数据及周期性对比。还采用了统计和曲线拟合技术,用于确定趋势是否恒定或存在增加、减少、不稳定等问题。自校准网络汇总了数据变化趋势,并推断出诸如刺漏和泵故障等问题的个人信念(即数值)。 随后信念值被编入警报和报告模块,为操作人员提供实时数据。

为了检测可能发生的钻柱刺漏和泵故障并启动警报,该方法的开发人员专注于将流速趋势实时数据、模拟泵压力与流速关联,基于这些参数共同描述了设备的状态,通过实时警报即可进行评估。

在检测到刺漏和泵故障问题时,该系统的警报分为两个阶段。首先,系统会自动跟踪刺漏和泵故障信念的波动平均值。如果其超过了某个阈值,系统向钻井工程师发出警报。在第二阶段,工程师根据趋势分析结构,确定刺漏或泵故障发生的可能性。

由于刺漏和泵故障检测模式具有许多相同点,因此,第一阶段就能确定了刺漏或泵故障风险及可能的发生时间。随后,将刺漏和泵故障信念值作为一个整体,而不是单独识别,错误警报发生概率降低了一般。而第二阶段就可用于精确识别警报代表的故障类型。

案例研究

北美的一个钻井平台上使用了AI信念系统,在一次钻井作业中,该系统在钻柱刺漏前发出了6次警报。基于此,在问题恶化之前,作业人员及时进行了补救,防止了更大规模的经济损失。除了“灾难性”作业故障,该系统的早期事件检测允许作业人员主动发现并解决问题,迅速的恢复正常操作,大大减少了非生产时间。另一口井中,该系统成功区分了钻柱刺漏和泵故障。判断故障发生的主要依据是立管压力的突然降低,同时,流出速率发生了细微的变化,流出趋势变化恒定,直到立管压力降低发生很长时间后才减少。

在指出钻柱刺漏风险后,作业人员继续向前钻进,明显迹象表明,与每分钟泵入速率相比,流出量正在减少。此外,液压系数流出量保持不变,而流量减小。这些数据增加了泵故障的信念,随后操作人员对旋转装置和钻机的三个泥浆泵进行了必要的维护,避免了更大的损失。

For English, Please click here (展开/收缩)

未经允许,不得转载本站任何文章:

评论 抢沙发