Глубокое обучение и анализ временных рядов для раннего обнаружения поглощений бурового раствора в процессе бурения

Буровые работы заключаются в разрушении горной породы для углубления ствола скважины при добыче нефти или газа. Буровой раствор, циркулирующий с поверхности через бурильную колонну и возвращающийся на поверхность по кольцевому пространству, используется для удаления выбуренной породы и поддержания гидростатического давления. Поглощения бурового раствора (LCI) являются одним из основных источников непроизводительного времени (NPT) при бурении. Эти инциденты возникают вследствие существующих природных трещин (каверн, пустот и т. д.) и/или гидравлических трещин, вызванных бурением. Начало поглощения может привести к другим опасным явлениям, включая приток пластового флюида, проявление или выброс, а также прихват бурильной колонны. Обычно поглощения контролируются на буровой путем наблюдения за уровнями бурового раствора в емкостях. Такой ручной процесс может приводить к пропуску момента возникновения поглощения или его позднему обнаружению. Алгоритмы классификации на основе машинного обучения (ML) и глубокого обучения (DL) эффективно обрабатывают данные временных рядов и обеспечивают раннее обнаружение подобных временных явлений. В данном исследовании проведен широкомасштабный анализ поверхностных данных о бурении и реологических данных, полученных из исторических скважин с зарегистрированными поглощениями. Анализ включал первичную и вторичную предварительную обработку, в том числе агрессивную выборку, конструирование признаков и нормализацию окон, для построения обобщаемых моделей глубокого обучения для работы в реальном времени. Для учета дисбаланса классов и обучения устойчивых, обобщаемых моделей использовалась фокальная функция потерь. Результаты, полученные с помощью различных алгоритмов ML/DL, показали, что модели одномерных сверточных нейронных сетей обеспечили наилучшую эффективность: точность, полнота и F1-мера на невиданных тестовых данных бурения составили 87,34%, 73,40% и 79,77% соответственно.