本發(fā)明涉及石油工程，尤其涉及一種深水鉆井溢流早期預(yù)警裝置和方法。

背景技術(shù)：

1、深水鉆井是指在較深海域進(jìn)行的鉆井作業(yè)，深水鉆井已經(jīng)成為勘探和開發(fā)海洋石油資源的重要手段。深水鉆井面臨著復(fù)雜的環(huán)境挑戰(zhàn)，包括深海的高壓、低溫、高鹽度以及強(qiáng)海流等極端條件，在深水鉆井過程中，溢流是一種常見的鉆井風(fēng)險。溢流是指鉆井過程中地層流體通過地層裂縫或孔隙進(jìn)入井筒的現(xiàn)象。如果不及時采取措施控制溢流，可能會導(dǎo)致更嚴(yán)重的鉆井事故，如井噴等。因此，進(jìn)行溢流早期預(yù)警對于保障深水鉆井作業(yè)的安全至關(guān)重要。

2、經(jīng)檢索，中國專利號為cn114482990a的發(fā)明專利，公開了鉆井溢流預(yù)警的方法及裝置；

3、與現(xiàn)有技術(shù)相比，該中國專利號為cn114482990a的發(fā)明專利根據(jù)鉆井的錄井?dāng)?shù)據(jù)和鉆井工程數(shù)據(jù)，建立用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練和神經(jīng)網(wǎng)絡(luò)輸入的溢流數(shù)據(jù)集；建立bp-lstm神經(jīng)網(wǎng)絡(luò)模型；以訓(xùn)練樣本數(shù)據(jù)集，對bp-lstm神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到溢流預(yù)警神經(jīng)網(wǎng)絡(luò)模型；將測試樣本數(shù)據(jù)集，輸入至溢流預(yù)警神經(jīng)網(wǎng)絡(luò)模型，得到第一鉆井溢流發(fā)生概率；根據(jù)鉆井的錄井?dāng)?shù)據(jù)和鉆井工程數(shù)據(jù)，進(jìn)行井筒內(nèi)壓力計(jì)算，得到第二鉆井溢流發(fā)生概率；對第一鉆井溢流發(fā)生概率和第二鉆井溢流發(fā)生概率進(jìn)行加權(quán)計(jì)算，得到鉆井溢流的加權(quán)概率；在加權(quán)概率超過預(yù)設(shè)數(shù)值時，發(fā)出鉆井溢流的預(yù)警信息。本發(fā)明可提升鉆井溢流預(yù)警的準(zhǔn)確度和處理效率。

4、但上述裝置在實(shí)際的使用過程中，由于海洋環(huán)境復(fù)雜，水流、壓力和溫度變化可能對傳感器的讀數(shù)產(chǎn)生干擾，影響監(jiān)測精度，并且未根據(jù)數(shù)據(jù)情況及時的動態(tài)調(diào)整閾值，可能導(dǎo)致誤報或漏報，因此提出一種深水鉆井溢流早期預(yù)警裝置和方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在海洋環(huán)境復(fù)雜，水流、壓力和溫度變化可能對傳感器的讀數(shù)產(chǎn)生干擾，影響監(jiān)測精度，并且未根據(jù)數(shù)據(jù)情況及時的動態(tài)調(diào)整閾值，可能導(dǎo)致誤報或漏報的缺點(diǎn)，而提出的一種深水鉆井溢流早期預(yù)警裝置和方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

3、一種深水鉆井溢流早期預(yù)警裝置和方法，包括：

4、數(shù)據(jù)采集模塊，用于采集鉆井時的數(shù)據(jù)，所述數(shù)據(jù)包括井下井底壓力、溫度、聲波測井?dāng)?shù)據(jù)、伽馬測井?dāng)?shù)據(jù)、水下氣體含量數(shù)據(jù)和水上井液流動數(shù)據(jù)；

5、環(huán)境補(bǔ)償模塊，用于監(jiān)測環(huán)境變化，應(yīng)用基于神經(jīng)網(wǎng)絡(luò)的實(shí)時校正算法對數(shù)據(jù)采集模塊采集的數(shù)據(jù)進(jìn)行動態(tài)校正；

6、數(shù)據(jù)處理與分析模塊，用于對數(shù)據(jù)采集模塊的數(shù)據(jù)進(jìn)行清洗處理和提取特征，所述特征傳輸至預(yù)警系統(tǒng)模塊；

7、閾值設(shè)定與調(diào)整模塊，用于設(shè)定閾值，根據(jù)數(shù)據(jù)波動幅度通過增量學(xué)習(xí)模型調(diào)整閾值；

8、預(yù)警系統(tǒng)模塊，接受閾值設(shè)定與調(diào)整模塊設(shè)定的閾值以及環(huán)境補(bǔ)償模塊動態(tài)校正后的數(shù)據(jù)采集模塊采集的數(shù)據(jù)，識別到數(shù)據(jù)異常時，預(yù)警系統(tǒng)模塊自動觸發(fā)預(yù)警信號；

9、數(shù)據(jù)記錄模塊，用于對所有監(jiān)測數(shù)據(jù)、校正數(shù)據(jù)及預(yù)警記錄進(jìn)行存檔；

10、所述數(shù)據(jù)采集模塊實(shí)時監(jiān)測鉆井時的數(shù)據(jù)，同時所述環(huán)境補(bǔ)償模塊監(jiān)測環(huán)境變化，之后對數(shù)據(jù)采集模塊的數(shù)據(jù)進(jìn)行動態(tài)校正，所述數(shù)據(jù)處理與分析模塊對數(shù)據(jù)采集模塊的數(shù)據(jù)進(jìn)行清洗處理和提取特征，之后將特征傳輸至預(yù)警系統(tǒng)模塊，所述閾值設(shè)定與調(diào)整模塊在設(shè)定閾值后根據(jù)數(shù)據(jù)波動幅度調(diào)整闕值，所述預(yù)警系統(tǒng)模塊接數(shù)據(jù)處理與分析模塊清洗處理和特征提取后的數(shù)據(jù)，并與閾值設(shè)定與調(diào)整模塊調(diào)整后的閾值作比較，所述數(shù)據(jù)記錄模塊同時對所有監(jiān)測數(shù)據(jù)、校正數(shù)據(jù)及預(yù)警記錄進(jìn)行存檔。

11、上述技術(shù)方案進(jìn)一步包括：

12、所述數(shù)據(jù)采集模塊包括井下數(shù)據(jù)獲取單元、水下數(shù)據(jù)獲取單元和水上數(shù)據(jù)獲取單元，所述井下數(shù)據(jù)獲取單元利用隨鉆測量和隨鉆測井技術(shù)，實(shí)時監(jiān)測井底壓力、溫度、聲波測井?dāng)?shù)據(jù)、伽馬測井?dāng)?shù)據(jù)關(guān)鍵參數(shù)，所述水下數(shù)據(jù)獲取單元通過監(jiān)測儀獲取氣體含量、通過流量測量裝置獲取鉆井液在環(huán)空中的流量數(shù)據(jù)，利用水下攝像頭和傳感器監(jiān)測情況及水下環(huán)境參數(shù)，所述水上數(shù)據(jù)獲取單元通過鉆井液流量監(jiān)測儀、液面高度監(jiān)測儀，實(shí)時監(jiān)測鉆井液在平臺段的流動情況。所述環(huán)境補(bǔ)償模塊包括環(huán)境因素監(jiān)測單元、實(shí)時校正算法單元和氣象與海況數(shù)據(jù)校正單元，所述環(huán)境因素監(jiān)測單元通過環(huán)境監(jiān)測傳感器，實(shí)時監(jiān)測并記錄環(huán)境參數(shù)變化，所述實(shí)時校正算法單元通過實(shí)時校正算法，以應(yīng)對環(huán)境變化對傳感器讀數(shù)的影響，所述氣象與海況數(shù)據(jù)校正單元對采集到的氣象和海況數(shù)據(jù)進(jìn)行校正處理。

13、所述實(shí)時校正算法單元為基于神經(jīng)網(wǎng)絡(luò)的實(shí)時校正算法，具體步驟如下：

14、數(shù)據(jù)收集與預(yù)處理：

15、數(shù)據(jù)收集：從各種傳感器和環(huán)境監(jiān)測設(shè)備中獲取大量的數(shù)據(jù)樣本，包含傳感器讀數(shù)以及與之同時記錄的環(huán)境參數(shù)，如溫度、濕度、壓力；

16、數(shù)據(jù)清洗：對收集到的數(shù)據(jù)進(jìn)行仔細(xì)的檢查和清理，以去除噪聲、異常值和缺失數(shù)據(jù)；

17、數(shù)據(jù)劃分：將清洗后的數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集，訓(xùn)練集用于模型的訓(xùn)練過程，即通過調(diào)整模型的參數(shù)來最小化損失函數(shù)，驗(yàn)證集用于在訓(xùn)練過程中評估模型的性能，測試集則用于在訓(xùn)練完成后評估模型的泛化能力；

18、神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)：

19、確定網(wǎng)絡(luò)結(jié)構(gòu)：選擇卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時校正，卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，通過卷積操作提取輸入數(shù)據(jù)的特征，卷積層的輸出特征圖大小計(jì)算公式為：，其中，n是輸出特征圖的尺寸，w?是輸入圖像的尺寸，f是卷積核的尺寸，p是填充的大小，用于在輸入圖像的邊界上添加額外的零像素，s是步長，即卷積核在輸入圖像上滑動的距離；

20、激活函數(shù)：選擇relu激活函數(shù)，以增強(qiáng)模型的非線性映射能力定義損失函數(shù)，relu激活函數(shù)算法公式為：，在這個公式中，表示relu激活函數(shù)的輸出，x表示輸入值；

21、損失函數(shù)：通過均方誤差評估模型預(yù)測值與實(shí)際值之間的差異，其算法公式為：?，其中：?mse表示均方誤差，n表示數(shù)據(jù)點(diǎn)的總數(shù)，表示第i個實(shí)際測量值，表示第i個估計(jì)值；

22、模型訓(xùn)練：

23、初始化參數(shù)：隨機(jī)初始化神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)；

24、前向傳播：將訓(xùn)練數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中，并逐層計(jì)算輸出值，每一層的輸出值將作為下一層的輸入值進(jìn)行傳遞，直到得到最終的預(yù)測結(jié)果；

25、反向傳播：根據(jù)損失函數(shù)計(jì)算預(yù)測結(jié)果與實(shí)際值之間的差異，并通過反向傳播算法將誤差傳遞到每一層，更新權(quán)重和偏置參數(shù)，以減小損失函數(shù)的值；

26、迭代訓(xùn)練：重復(fù)前向傳播和反向傳播的過程，直到滿足停止條件；

27、模型驗(yàn)證與測試；

28、驗(yàn)證模型：使用驗(yàn)證集對訓(xùn)練好的模型進(jìn)行驗(yàn)證，評估模型的泛化能力和性能；

29、測試模型：使用測試集對模型進(jìn)行測試，確保模型在實(shí)際應(yīng)用中的準(zhǔn)確性和可靠性；

30、部署與應(yīng)用：

31、模型部署：將訓(xùn)練好的模型部署到實(shí)際的應(yīng)用場景中；

32、實(shí)時校正：利用部署的模型對傳感器讀數(shù)進(jìn)行實(shí)時校正，消除外部干擾，提高數(shù)據(jù)的準(zhǔn)確性和可靠性。

33、所述數(shù)據(jù)處理與分析模塊包括數(shù)據(jù)清洗單元和特征提取單元，所述數(shù)據(jù)清洗單元對數(shù)據(jù)采集模塊的數(shù)據(jù)進(jìn)行清洗處理，去除其中的噪聲和異常值，所述特征提取單元從數(shù)據(jù)清洗單元清洗后的數(shù)據(jù)中提取關(guān)鍵特征，如風(fēng)速、風(fēng)向、波浪高度。

34、所述數(shù)據(jù)清洗單元通過高斯濾波進(jìn)行清洗和處理，所述高斯濾波的算法公式為;

35、

36、其中，是濾波后像素點(diǎn)的灰度值，是原像素點(diǎn)領(lǐng)域內(nèi)的灰度值，m和n是濾波窗口的大小，表示對領(lǐng)域內(nèi)所有像素點(diǎn)求和。

37、所述閾值設(shè)定與調(diào)整模塊包括閾值設(shè)定單元和動態(tài)閾值調(diào)整單元，所述閾值設(shè)定單元根據(jù)研究方法和歷史數(shù)據(jù)，設(shè)定初始的監(jiān)測閾值，所述動態(tài)閾值調(diào)整單元設(shè)置閾值調(diào)整規(guī)則，根據(jù)數(shù)據(jù)波動幅度或頻率進(jìn)行自動調(diào)整。

38、所述動態(tài)閾值調(diào)整單元的閾值調(diào)整過程為：

39、實(shí)時趨勢監(jiān)測：

40、數(shù)據(jù)采集：實(shí)時采集數(shù)據(jù)采集模塊的數(shù)據(jù)；

41、趨勢分析：

42、滑動窗口法：設(shè)定一個時間窗口，計(jì)算這些數(shù)據(jù)的均值和標(biāo)準(zhǔn)差；

43、異常檢測算法：使用z-score統(tǒng)計(jì)方法識別超出正常范圍的數(shù)據(jù)點(diǎn)，當(dāng)前壓力超過過去平均值+2倍標(biāo)準(zhǔn)差，則標(biāo)記為異常，所述z-score統(tǒng)計(jì)方法的算法公式為：

44、

45、其中：

46、z?表示數(shù)據(jù)點(diǎn)x的z-score，即該數(shù)據(jù)點(diǎn)相對于數(shù)據(jù)集平均值的標(biāo)準(zhǔn)化位置，x?表示數(shù)據(jù)點(diǎn)的原始值或觀測值，μ表示數(shù)據(jù)集的平均值，σ表示數(shù)據(jù)集的標(biāo)準(zhǔn)差；

47、動態(tài)調(diào)整機(jī)制：

48、閾值設(shè)定：初始閾值基于歷史數(shù)據(jù)和行業(yè)標(biāo)準(zhǔn)設(shè)定，定期更新閾值以反映實(shí)時數(shù)據(jù)的變化，確保敏感度和特異性；

49、自適應(yīng)調(diào)整：

50、增量學(xué)習(xí)：建立增量學(xué)習(xí)模型，持續(xù)學(xué)習(xí)新數(shù)據(jù)，利用新的數(shù)據(jù)點(diǎn)調(diào)整預(yù)測模型，使其能夠適應(yīng)不同的鉆井環(huán)境；

51、反饋機(jī)制：監(jiān)測到異常時，記錄該事件，并根據(jù)后續(xù)情況自動調(diào)整閾值，連續(xù)三次警報觸發(fā)，提高閾值，降低誤報率；

52、預(yù)警流程示例：

53、數(shù)據(jù)監(jiān)測：

54、每分鐘收集并上傳實(shí)時數(shù)據(jù)；

55、趨勢分析：

56、系統(tǒng)每5分鐘對最近10分鐘的數(shù)據(jù)進(jìn)行分析，計(jì)算均值和標(biāo)準(zhǔn)差；

57、異常檢測：

58、某次采集的壓力值超出當(dāng)前計(jì)算的閾值，則觸發(fā)報警；

59、閾值動態(tài)調(diào)整：

60、報警頻繁出現(xiàn)時，分析報警原因，適時調(diào)整閾值。

61、所述預(yù)警系統(tǒng)模塊包括數(shù)據(jù)監(jiān)測單元和報警觸發(fā)單元，所述數(shù)據(jù)監(jiān)測單元持續(xù)監(jiān)測實(shí)時數(shù)據(jù)，并與動態(tài)閾值進(jìn)行比較，所述報警觸發(fā)單元接收數(shù)據(jù)監(jiān)測單元的比較結(jié)果，實(shí)時數(shù)據(jù)超出設(shè)定的動態(tài)閾值，立即觸發(fā)報警，所述數(shù)據(jù)記錄模塊包括數(shù)據(jù)存檔單元和反饋機(jī)制單元，所述數(shù)據(jù)存檔單元將所有監(jiān)測數(shù)據(jù)、校正數(shù)據(jù)及預(yù)警記錄進(jìn)行存檔，以便后續(xù)分析和改進(jìn)。

62、一種深水鉆井溢流早期預(yù)警方法，包括以下步驟：

63、步驟一：通過數(shù)據(jù)采集模塊實(shí)時監(jiān)測鉆井時的井下數(shù)據(jù)、水下數(shù)據(jù)和水上數(shù)據(jù)，并通過環(huán)境補(bǔ)償模塊進(jìn)行監(jiān)測環(huán)境變化，對數(shù)據(jù)采集模塊的傳感器讀數(shù)進(jìn)行校正；

64、步驟二：通過數(shù)據(jù)處理與分析模塊對數(shù)據(jù)采集模塊采集到的數(shù)據(jù)進(jìn)行處理和分析，之后傳輸給預(yù)警系統(tǒng)模塊，通過閾值設(shè)定與調(diào)整模塊根據(jù)監(jiān)測實(shí)時數(shù)據(jù)趨勢對預(yù)警系統(tǒng)模塊的閾值進(jìn)行動態(tài)調(diào)整，之后預(yù)警系統(tǒng)模塊根據(jù)比較結(jié)果進(jìn)行報警；

65、步驟三：數(shù)據(jù)記錄模塊對預(yù)警工作產(chǎn)生的所有數(shù)據(jù)進(jìn)行記錄。

66、本發(fā)明具備以下有益效果：

67、1、本發(fā)明中，在進(jìn)行預(yù)警工作時，由于海洋環(huán)境復(fù)雜，水流、壓力和溫度變化可能對傳感器的讀數(shù)產(chǎn)生干擾，影響監(jiān)測精度，可通過環(huán)境補(bǔ)償模塊獲取到精確的環(huán)境數(shù)據(jù)，這些數(shù)據(jù)經(jīng)過實(shí)時校正算法的處理，能夠消除外部干擾，如水流波動、溫度變化等對傳感器讀數(shù)的影響，從而提高了數(shù)據(jù)的準(zhǔn)確性和可靠性，這對于準(zhǔn)確判斷鉆井過程中的異常情況至關(guān)重要。

68、2、本發(fā)明中，閾值設(shè)定與調(diào)整模塊通過深入分析歷史數(shù)據(jù)，可以識別出正常操作范圍，從而設(shè)定合理的監(jiān)測閾值，減少誤報和漏報的可能性，并且通過準(zhǔn)確的閾值設(shè)定和動態(tài)調(diào)整，能在溢流發(fā)生前及時發(fā)出警報，從而采取應(yīng)急措施，降低潛在的經(jīng)濟(jì)損失。