A Machine Learning-Based Bridging Particle Size Recommendation Method for Lost Circulation Control

doi:10.12388/j.issn.1673-2677.2024.01.002

Abstract

Abstract:

Lost circulation is a key technical challenge in oil and gas exploration，and bridge plugging is the most commonly used method for lost circulation control. As an important parameter，the size of bridging particles directly affects the plugging. At present，the size selection mainly relies on experience，lacking a scientific and effective method. In light of this，this paper investigates a particle size recommendation method for lost circulation control based on machine learning algorithms. The basic data used for this method are well-logging，mud logging，and lost circulation control data from 126 completed wells in Kuqa piedmont area of Tarim Basin. The input layer adopts 23 main parameters screened based on the Pearson algorithm，and the output layer is in 4 bridging particle size ranges of 0-750 μm，750-1 500 μm，1 500-4 000 μm and＞4 000 μm. 10 commonly used machine learning algorithms are trained and tested to determine the accuracy of three types of datasets：well logging data，mud logging data，and combination of the former two types. It is found that the scores of each algorithm for the well logging + mud logging dataset are generally higher than those for the well logging and mud logging datasets. For the combined dataset，the support vector machine and extremely randomized trees algorithms have the highest F1 scores of above 0.9. The bridging particle size recommendation model based on the support vector machine and extremely randomized trees algorithms is validated twice on a well in Kuqa piedmont area. The predicted results of bridging particle size of the two algorithm models are consistent with the actual bridging effect in the field. This method exhibits good application prospects in the scientific optimization of bridging particle size.

Key words:

lost circulation control, bridging technology, bridging particle size, machine learning algorithm, Kuqa piedmont, Tarim Basin

摘要：

井漏是油气勘探领域的重大技术难题。桥接堵漏是最常用的堵漏技术手段，其中架桥颗粒粒径是关键参数，直接影响堵漏成败，目前架桥颗粒粒径的选择主要依赖经验，缺乏科学有效的方法。研究了一种基于机器学习算法的堵漏颗粒粒径推荐方法。该方法基础数据为塔里木盆地库车山前区域126口完钻井的测井、录井及防漏堵漏施工数据，其输入层为基于皮尔森算法筛选出的23项主要参数，输出层为0~750 μm、750~1 500 μm、1 500~4 000 μm、4 000 μm以上等4个架桥颗粒粒径区间。训练测试了10种常用的机器学习算法在测井数据、录井数据及测井+录井数据等三类数据集上的准确率，测井+录井数据集上各算法得分普遍高于测井和录井数据集。在测井+录井数据集上，支持向量机和极限随机树算法的F1得分最高，达到0.9以上。基于支持向量机和极限随机树算法的架桥颗粒粒径推荐模型在库车山前一口井上验证2井次，两种算法模型的架桥颗粒粒径预测结果与现场实际堵漏效果一致，在桥堵粒径级配科学优选上具有良好的应用前景。

关键词:

堵漏, 桥堵技术, 架桥颗粒粒径, 机器学习算法, 库车山前, 塔里木盆地

CLC Number:

T122.2 ','1');return false;" target="_blank">
T122.2

LIU Fan, LIU Yushuang, ZHANG Zhen, LI Yongjian, LIU Ce, MA Zhihu, .

A Machine Learning-Based Bridging Particle Size Recommendation Method for Lost Circulation Control [J]. Xinjiang Oil & Gas, 2024, 20(1): 13-20.

刘凡, 刘裕双, 张震, 李永健, 刘策, 马志虎, .

基于机器学习的堵漏颗粒粒径推荐方法 [J]. 新疆石油天然气, 2024, 20(1): 13-20.

References

［1］孙金声，白英睿，程荣超，等. 裂缝性恶性井漏地层堵漏技术研究进展与展望［J］. 石油勘探与开发，2021，48（3）：630-638.SUN J S，BAI Y R，CHENG R C，et al. Research progress and prospect of plugging technologies for fractured formation with severe lost circulation［J］. Petroleum Exploration and Development，2021，48（3）：630-638.

［2］房超，张辉，陈朝伟，等. 地质工程一体化漏失机理与预防措施——以塔里木库车山前古近系复合盐层为例［J］. 石油钻采工艺，2022，44（6）：684-692.FANG C，ZHANG H，CHEN Z W，et al. Geology-engineering integrated investigation of leakoff mechanisms and prevention measures：A case study of the Palaeogene composite salt layer in the Kuqa piedmont zone，Tarim Basin［J］. Oil Drilling & Production Technology，2022，44（6）：684-692.

［3］尹达，刘锋报，康毅力，等. 库车山前盐膏层钻井液漏失成因类型判定［J］. 钻采工艺，2019，42（5）：121-123.YIN D，LIU F B，KANG Y L，et al. Determination of the causes of drilling fluid loss in the salt gypsum layer in the Kuqa piedmont［J］. Drilling & Production Technology，2019，42（5）：121-123.

［4］王涛，刘锋报，罗威，等. 塔里木油田防漏堵漏技术进展与发展建议［J］. 石油钻探技术，2021，49（1）：28-33.WANG T，LIU F B，LUO W，et al. The technical advance and development suggestions for leakage prevention and plugging technologies in the Tarim Oilfield ［J］. Petroleum Drilling Techniques，2021，49（1）：28-33.

［5］尹达，叶艳，李磊，等. 塔里木山前构造克深7井盐间高压盐水处理技术［J］. 钻井液与完井液，2012，29（5）：6-8、95.YIN D，YE Y，LI L，et al. High pressure salt water treatment technology of well Keshen7 in foothill structural zone of Tarim［J］. Drilling Fluid & Completion Fluid，2012，29（5）：6-8，95.

［6］刘均一，邱正松，罗洋，等. 油基钻井液随钻防漏技术实验研究［J］. 钻井液与完井液，2015，32（5）：10-14、101.LIU J Y，QIU Z S，LUO Y，et al. Study on lost circulation prevention while drilling using oil based drilling fluid［J］. Drilling Fluid & Completion Fluid，2015，32（5）：10-14，101.

［7］马川. 裂缝漏层堵漏钻井液研究［D］. 四川成都：西南石油大学，2018.MA C. Study on drilling fluids for fractured thief zone plugging［D］. Chengdu，Sichuan：Southwest Petroleum University，2018.

［8］沈浩坤，孙金声，吕开河，等. 水基钻井液有机处理剂智能化研究进展与应用展望［J］. 油田化学，2022，39（1）：155-162.SHEN H K，SUN J S，LYU K H，et al. Research progress and application prospects of intelligent organic treatment agent for water-based drilling fluid［J］. Oilfield Chemistry，2022，39（1）：155-162.

［9］匡立春，刘合，任义丽，等. 人工智能在石油勘探开发领域的应用现状与发展趋势［J］. 石油勘探与开发，2021，48（1）：1-11.KUANG L C，LIU H，REN Y L，et al. Application and development trend of artificial intelligence in petroleum exploration and development［J］. Petroleum Exploration and Development，2021，48（1）：1-11.

［10］李雨，侯磊，徐磊，等. 基于混合BP神经网络的原油管道电耗预测研究［J］. 石油化工高等学校学报，2022，35（2）：68-73.LI Y，HOU L，XU L，et al. Power consumption prediction method for crude oil pipeline based on hybrid BP neural network［J］.Journal of Petrochemical Universities，2022，35（2）：68-73.

［11］李宁，徐彬森，武宏亮，等. 人工智能在测井地层评价中的应用现状及前景［J］. 石油学报，2021，42（4）：508-522.LI N，XU B S，WU H L，et al. Application status and prospects of artificial intelligence in well logging and formation evaluation［J］. Acta Petrolei Sinica，2021，42（4）：508-522.

［12］耿黎东. 钻完井大数据特点与应用方案研究［J］. 石油钻采工艺，2022，44（1）：89-96.GENG L D. Study on characteristics and application scheme of big data in drilling and completion［J］. Oil Drilling & Production Technology，2022，44（1）：89-96.

［13］王敏生，光新军. 智能钻井技术现状与发展方向［J］. 石油学报，2020，41（4）：505-512.WANG M S，GUANG X J. Status and development trends of intelligent drilling technology［J］. Acta Petrolei Sinica，2020，41（4）：505-512.

［14］孙金声，刘凡，程荣超，等. 机器学习在防漏堵漏中研究进展与展望［J］. 石油学报，2022，43（1）：91-100.SUN J S，LIU F，CHENG R C，et al. Research progress and prospects of machine learning in lost circulation control［J］. Acta Petrolei Sinica，2022，43（1）：91-100.

［15］REEDY K，POPA A S，CASSIDY S D. Remediation solutions for lost circulation using case based reasoning［C］. SPE Western Regional Meeting，Garden Grove，California，USA，2018.

［16］ALKINANI H H，AL-HAMEEDI A T T，DUNN-NORMAN S. Minimizing lost circulation non-productive time using expected monetary value and decision tree analysis［C］. SPE Western Regional Meeting，2021.

［17］ABBAS A K，HAMED H M，AL-BAZZAZ W，et al. Predicting the amount of lost circulation while drilling using artificial neural networks：An example of southern Iraq oil fields［C］. SPE Gas & Oil Technology Showcase and Conference，Dubai，UAE，2019.

［18］ABBAS A K，BASHIKH A A，ABBAS H，et al. Intelligent decisions to stop or mitigate lost circulation based on machine learning［J］. Energy，2019，183：1104-1113.

［19］尹达，胥志雄，徐同台，等. 库车山前深井钻完井液技术［M］. 北京：石油工业出版社，2020.YIN D，XU Z X，XU T T，et al. Deep well drilling and completion fluid technology applied in Kuqa piedmont［M］. Beijing：Petroleum Industry Press，2020.

［20］李宁，李龙，王涛，等. 库车山前盐膏层与目的层漏失机理分析与治漏措施研究［J］. 广州化工，2020，4（11）：101-103.LI N，LI L，WANG T，et al. The study of lost circulation mechanism and plugging measures of gypsum-salt formations and target zones in the kuqa piedmont［J］. Guangzhou Chemical Industry，2020，4（11）：101-103.

［21］桑应宾. 基于K近邻的分类算法研究［D］. 重庆：重庆大学，2009.SANG Y B. Study on classification algorithms based on K-nearest neighbor［D］. Chongqing：Chongqing University，2009.

［22］丁世飞，齐丙娟，谭红艳. 支持向量机理论与算法研究综述［J］. 电子科技大学学报，2011，40（1）：2-10.DING S F，QI B J，TAN H Y. An overview on theory and algorithm of support vector machines［J］. Journal of University of Electronic Science and Technology of China，2011，40（1）：2-10.

［23］周飞燕，金林鹏，董军. 卷积神经网络研究综述［J］. 计算机学报，2017，40（6）：1229-1251.ZHOU F Y，JIN L P，DONG J. Review of convolutional neural network［J］. Chinese Journal of Computers，2017，40（6）：1229-1251.

［24］陈果. 基于遗传算法的支持向量机分类器模型参数优化［J］. 机械科学与技术，2007，26（3）：347-350.CHEN G. Optimizing the parameters of support vector machine’s classifier model based on genetic algorithm［J］. Mechanical Science and Technology，2007，26（3）：347-350.

［25］李宏波，罗平亚，白杨，等. 机器学习算法概述及其在钻井工程中的应用［J］. 新疆石油天然气，2022，18（1）：1-13.LI H B，LUO P Y，BAI Y，et al. An overview of machine learning algorithms and their application in drilling engineering［J］. Xinjiang Oil & Gas，2022，18（1）：1-13.

［26］方匡南，吴见彬，朱建平，等. 随机森林方法研究综述［J］. 统计与信息论坛，2011，26（3）：32-38.FANG K N，WU J B，ZHU J P，et al. A review of technologies on random forests［J］. Journal of Statistics and Information，2011，26（3）：32-38.

［27］龙艳芳. 基于极限随机树集成的短时交通流预测模型研究［D］. 湖南长沙：湖南大学，2017.LONG Y F. Study on short-term traffic flow prediction model based on extremely randomized trees integration［D］. Changsha，Hunan：Hunan University，2017.

［28］史加荣，王丹，尚凡华，等. 随机梯度下降算法研究进展［J］. 自动化学报，2021，47（9）：2103-2119.SHI J R，WANG D，SHANG F H，et al. Research advances in stochastic gradient descent algorithms［J］. Acta Automatica Sinica，2021，47（9）：2103-2119.

［29］曹莹，苗启广，刘家辰等. AdaBoost算法研究进展与展望［J］. 自动化学报，2013，39（6）：745-758.CAO Y，MIAO Q G，LIU J C，et al. Advance and prospects of AdaBoost algorithm［J］. Acta Automatica Sinica，2013，39（6）：745-758

［30］赵劲松，王梓齐，刘长良. 基于Bagging集成策略和多元状态估计的风电机组齿轮箱状态监测［J］. 科学技术与工程，2020，20（20）：8180-8186.ZHAO J S，WANG Z Q，LIU C L. Wind turbine gearbox condition monitoring based on Bagging ensemble strategy and multivariate state estimate technique［J］.Science Technology and Engineering，2020，20（20）：8180-8186.