“井建”由数据分析迈入数据工程

位于美国休斯顿的埃克森美孚技术工程公司（ExxonMobil Technology and Engineering Company）数据工程专家，于2024年3月在美国得州专家会议上，针对全球油气田开发的数据分析现状，以及未来迈进到数据工程问题，提出一系列方案与解决办法。

埃克森美孚公司专家认为，当世界各地油气田使用的数据分析方法，例如机器学习方法，其以物理学和工程学的“第一性原理”为基础时，特别是以深厚的领域专业知识为支撑时，数据分析就会发展到数据工程阶段，数据科学就能在油井建设中体现其重要价值。

这其中第一性原理指的是回归事物最基本条件，将其拆分成各要素进行解构分析，从而找到实现目标最优路径的方法。第一性原理源于古希腊哲学家亚里士多德提出的一个哲学观点：“每个系统中存在一个最基本的命题，其不能被违背或删除。”

尽管近年来数据工程受到石油公司的广泛关注，但实施结果仍不理想，并没有从其数据工程工作中获取应有价值。

通常油气田所做的数据分析工作，阻碍价值获取的关键问题包括：数据管理不善，数据科学团队缺乏良好的构建领域专业知识，数据工作中应用物理学和工程学理论的领域不足，以及未能对数据科学工作的价值及时进行评估。

埃克森美孚公司专家表示，尽管油气田数据应用尚存不足，但仅有的油井施工流程数据应用还是满足勘探开发的部分需求。这些数据经过分析，最终为油井建设提供高层次价值。

专家展望未来，认为世界各地油气田勘探开发数据工程计划当中，将包括以下3类数据。

一是数据历史研究；二是油井建设规划；三是油井建设过程，以及钻完井结束后的数据学习的规律性认识。

其中数据历史研究是数据工程最初的重点内容。就长期过程而言，随着数据工程的洞察力的形成和价值潜力的显现，各石油公司应该考虑更深一步的数据分析内涵。

专家认为，全世界的油气田的油井建设，一般都不具备“大数据”的状态与环境。具体说，从机器学习模型的角度来看油气田的数据状态；在充分考虑油气田原有需要具备大量控制参数的情况下，相对来说，油气田的数据几乎总是“相当稀疏”。

为此，公司技术专家总是讨论油气田可能采取措施，即提高现有数据利用率，并加大有影响力数据的使用频率，以获得制定更多最优解决方案的能力。

专家认为管理层怎样强调数据管理和治理的重要性都不为过。但是其中应注重对数据工程团队专业知识的培训，即每位数据工程专家都应具备扎实的建井流程知识。

具体说，数据工程团队的基本知识体系，应包括钻井力学，油井施工作业程序，数据工程，数据管理，数据分析，数据挖掘等。

专家指出，随着油气田工程数据能力的提高，摆在数据工程团队面前，将出现更大范围的数据展示机会，包括从更多数据源中提取的更大数据集。这将使统计假设检验更加严格。

技术专家在分析油气田数据时，发现逐井分析数据的模式，往往无法通过有效的假设检验，最终得出结论。换句话说，油气田的某些问题，需要利用统计学中的“大数法则 ”才能取得成功。这种情形，使得数据工程团队看到数据工程技术在油井建设中的广阔应用前景。

美国推出多级压裂液体分布与射孔污染评价方法

美国雪佛龙公司（Chevron）与得克萨斯农工大学石油工程系（Department of Petroleum Engineering， Texas A&M University）专家，于2023年10月推出一项科研成果，即油气田勘探开发当中，多级压裂作业的井下液体分布与射孔污染评价。

美国专家提出通过光纤传感技术进行压裂监测和诊断，可以提供有关压裂效率的重要信息。这一技术对于长水平井的多级压裂，显得更加实用。

美国专家解释，通过评价中的分布式温度传感（DTS）和分布式声学传感（DAS）测量的组合分析，已被用于绘制水力压裂过程中的流体分布图，并且可以从分析中估计压裂作业的“簇级”和“阶段”的裂缝体积。

专家在解释DTS和DAS模型的基础上，将其应用扩展到流体安全空间，以及压裂“级间”隔离评估。在“柱塞式”全孔水力压裂中，当一个阶段完成泵送工序时，此阶段被柱塞隔离，而下一阶段则执行射孔程序，然后进行压裂。

美国专家提出，如果压裂作业现场的柱塞工作不正常，当压裂液进入下一阶段时，会导致压裂流体分布不均，并可能造成更严重的射孔污染。当这种现象发生时，DAS和DTS监控都可以自动记录下来。美国专家指出，由于建立解释模型，系统可以量化，包括柱塞在内的液体泄漏所影响的流体分布。

美国专家提出，根据DTS测量，完成阶段以下的冷却被视为当前阶段的流体。根据这些信息，储层热模型可以估算系统的泄漏量。

根据DAS测量，专家首先根据频带能级，解释系统的体积分布，与DTS解释进行比较，然后使用体积来估计射孔污染区域。井下摄像机的射孔污染测量，也用于数学的估算。通过这种方法，作业人员可以了解流体分布，流道中柱体推进的形态，以及在多级压裂处理过程中，压裂层级的隔离，与对射孔污染估计的重要性。

然后，这些信息可用于分析和优化完井和压裂处理设计。专家给出现场实例。根据数学估计的流体分布结果，操作人员观察到压裂现场，若是拥有更高的注入速率，以及更大的流体体积，地下岩层就可能会产生更均匀分布的流体。

当作业人员考虑到各压裂层级之间的信息沟通时，DTS和井下摄像机给出的信息，表明压裂层段的流体分布与射孔污染面积之间，存在相关性。美国专家注意到在完井设计中，只有有限的作业参数，对压裂流体分布和射孔污染区域有强烈影响。

（编译：郭永峰 编译自美国《JPT（石油技术报道）》杂志）

基于开创性深度学习架构的钻井机械钻速预测技术

斯伦贝谢公司将一种开创性的深度学习架构（Transformer架构）集成到钻井时间序列数据领域，以优化钻井过程中机械钻速的预测。

首先将包括钻井参数和钻速在内的最新数据输入变换器。变换器的主要目标是将注意力集中在当前的时间窗口上。该焦点允许变换器提取准确反映当前条件的数据驱动MSE（机械比能）方程的更新版本。这种方法有助于变换器捕获数据中的最新模式和依赖关系。随后，变换器的输出与包含钻井参数和钻速的完整数据历史一起被转发给解码器。解码器起着捕获数据中嵌入的短期和长期关系的关键作用。解码器内的自我关注机制旨在考虑整个输入序列，使其能够辨别。

该系统可将尾管坐挂和释放所需的时间从数小时缩短至数分钟。最近的一次作业仅用了10分钟，整个作业过程节约了6小时的钻机时间和学习各种特征之间随时间变化的复杂关系。最后，解码器的输出提供了未来时间范围内的预测机械钻速。 

该技术利用美国犹他州地热能前沿观测站（FORGE）的数据，探讨了通过深度学习模型分析钻井参数与钻速之间的关系。在FORGE先导井58—32井的现场试验结果表明，Transformer模型表现出很高的准确性，实际数据与模型预测基本一致，其中的异常可能无法从可用数据集中推断出来，还需要在来自不同井和操作环境的更大数据集上验证该模型，以评估模型的普遍适应性。 

利用该模型进行了机械钻速预测的最佳采样间隔和预测层位研究。结果发现，60秒的采样间隔可以最大限度地提高Transformer模型的预测精度。此外，通过重新训练以微调特定井的模型，从而提高其预测性能。基于Transformer的钻速预测器表现优于深度学习模型，在10分钟的预测范围内实现了5.22%的低总体对称平均百分比误差（SMAPE）。该模型提供了经济高效的钻井优化新方法，具有实时精度、时效性和可扩展性。

（编译：大庆钻探工程有限公司 赵志桩 田玉栋 编译自July 2024 SPE Journal）