Бурение будущего: большие данные и машинное обучение в нефтегазовой отрасли

Область практического применения информатики и анализа больших наборов данных за последние несколько лет существенно расширилась. Накопленные огромные базы данных и увеличение вычислительных мощностей послужили плодородной почвой для активного внедрения этих возможностей в самых различных отраслях. Одной из сфер, в которых использование цифрового анализа приводит к наиболее впечатляющим результатам, является решение проблем бурения в нефтегазовой индустрии.

Главные вызовы при бурении

В последние годы бурение стало источником огромного количества данных, как собираемых в реальном времени, так и извлекаемых после выполнения работ из памяти приборов, входящих в состав компоновки низа бурильного инструмента (КНБК). Сбор, хранение, очистка и обработка этой информации могут служить мощным источником идей и движущей силой для преодоления существующих границ технических возможностей.

Бурение — это механическое разрушение горной породы путем передачи механической энергии с поверхности на КНБК через вращение бурильной колонны на поверхности и нагрузку на долото, а также гидравлической энергии буровых насосов. Эффективность процесса определяет, насколько быстро идет разрушение горных пород, что выражается в механической скорости проходки (МСП). Однако, чаще всего, бурить приходится неоднородные типы пород, сильно прослоенные включениями и пропластками с различными механическими свойствами.

Такие гетерогенные пласты приводят к неэффективности в распределении энергии, доставляемой с поверхности. Помимо энергии, рассеиваемой при преодолении трения, некоторая ее часть может расходоваться на генерацию шоков и вибраций в забое. Это также приводит к снижению МСП. Доказано, что шоки и вибрации являются основной причиной повреждений механических компонентов и отказов электроники приборов, входящих в КНБК.

Есть возможность во время бурения получать с поверхности данные о реальном состоянии КНБК наряду с параметрами бурения. Анализируя их, оператор делает корректировки и принимает решения об изменении параметров бурения для минимизации шоков и вибраций на забое. Однако ограниченная пропускная способность передачи данных, а также их качество и разрешение оставляют желать лучшего. Иногда, при работе с роторно-управляемыми системами (РУС) и вовсе нет возможности получать данные в реальном режиме времени, и бурение ведется «вслепую».

В ходе реализации проекта на одном из крупных российских месторождений буровики столкнулись с огромным количеством отказов компонентов КНБК. Из-за ограничений, обусловленных конструкцией КНБК, работы производились без передачи данных в реальном времени, то есть без возможности видеть, что происходит во время бурения и каковы условия в забое. Структура горных пород на данном месторождении отличалась исключительной неоднородностью. Бурение велось с использованием моторизованных РУС, когда автономный РУС устанавливается ниже мотора и соединяется с приводным валом винтового забойного двигателя. Оценочные потери, вызванные отказами, составляли десятки миллионов рублей. Это не только наносило ущерб финансовым результатам реализации проекта, но также могло существенно сказаться и на репутации буровой компании.

Большие данные в помощь бурильщикам

Решение было предложено группой инженеров сопровождения бурения под руководством Айрата Фахрылгаянова. Оно заключалось в использовании нового подхода к анализу больших данных, использующего алгоритмы машинного обучения. У Фахрылгаянова уже был аналогичный опыт. Он использовал алгоритмы для максимизации пространственной интенсивности искривления ствола скважины, развиваемой КНБК в пластах нефтенасыщеных пород-коллекторов. Однако, на этот раз задача была более сложной, так как требовалось собрать и обработать огромное количество данных высокого разрешения. Только представьте себе размер файла, полученных в течение одного рейса продолжительностью 5 дней, записанных с миллисекундным интервалом!

Идея, предложенная Фахрылгаяновым, заключалась в выполнении необходимой обработки данных и последующей их передаче алгоритмам машинного обучения для установления корреляции между параметрами бурения, получаемыми на поверхности, и вибрациями в забое. Сам алгоритм был относительно несложной в реализации частью проекта, чего нельзя сказать про подготовку информации. Для обеспечения однородности и точности собранных во время бурения данных важно было стандартизировать их структуру. Это задача включала в себя установление единых систем единиц измерения, определение частоты записи и установление стандартов качества данных. Использование для решения этой задачи автоматизированной обработки способствовало оптимизации процесса анализа данных и повысило эффективность их использования.

Подготовленный набор данных включал параметры бурения и данные о шоках и вибрациях, полученные примерно с 30 скважин, пробуренных ранее в регионе. Следующей задачей, которая предстояла группе Фахрылгаянова, был выбор наиболее подходящего алгоритма машинного обучения. Наилучшие результаты показало регрессионное дерево случайных решений. Модель обучалась на подмножестве данных, содержащем 70% данных, и тестировалась на оставшихся 30%.

Входными переменными были:

• параметры бурения, такие как нагрузка на долото, частота оборотов на поверхности, расход бурового раствора;
• конструктивные особенности компоновки низа бурильного инструмента, такие как длина, модель долота и количество стабилизирующих элементов;
• последним компонентом были шоки и вибрации из записанных в памяти данных.

Полученные выводы были многообещающими и противоречили многим ранее сделанным предположениям. Первым и наиболее интересным результатом было то, что большинство шоков и вибраций генерировались во время операций над забоем скважины. То есть при проработках, а не во время бурения. К такому выводу Айрат пришел, когда модель показала их максимальный уровень при значениях нагрузки на долото, близких к нулю. Это означало, что буровая колонна в этот момент находилась над забоем, то есть бурение не производилось. Полученные накопленные шоки в конечном итоге приводили к отказам приборов каротажа и систем наклонно-направленного бурения. Кроме того, инженеры определили лучший набор параметров бурения для минимизации шоков и вибраций в забое во время бурения.

В результате внедрения данного метода надежность компонентов низа бурильных колонн увеличилась на 100%, что означает снижение частоты отказов вдвое. Также, в результате увеличения механической скорости проходки и сокращения рейсов для замены вышедших из строя приборов, удалось на 27% повысить производительность бурения. Результаты работы группы Айрата Фахрылгаянова вызвали большой интерес у самого широкого круга профессионалов, а предложенная инженерами методика имеет большие перспективы дальнейшего широкого использования в отрасли.