基于录井时序数据与多尺度分解的井漏智能诊断模型: 以伊朗Azadegan油田为例

刘宏; 李军; 杨宏伟; 祁文莉; 柳贡慧; 杨钰龙

doi:10.12404/j.issn.1671-1815.2507596

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (26) :11297-11307 DOI: 10.12404/j.issn.1671-1815.2507596

石油、天然气工业

基于录井时序数据与多尺度分解的井漏智能诊断模型: 以伊朗Azadegan油田为例

刘宏 ¹ ,
李军 ¹^,²^,^* ,
杨宏伟 ¹ ,
祁文莉 ³ ,
柳贡慧 ¹^,⁴ ,
杨钰龙 ⁵

作者信息 +

Intelligent Lost Circulation Diagnosis Model Based on Logging Time Series Data and Multi-scale Decomposition: Azadegan Oilfield in Iran

LIU Hong ¹ ,
LI Jun ¹^,²^,^* ,
YANG Hong-wei ¹ ,
QI Wen-li ³ ,
LIU Gong-hui ¹^,⁴ ,
YANG Yu-long ⁵

Author information +

文章历史 +

摘要

井漏是钻井作业中常见的一种复杂工况,严重影响钻井的安全性和效率。现有的井漏预警模型大多集中在预测井漏发生时刻,而对井漏的严重程度及其风险评估关注较少。为此,提出了一种融合录井时序数据与多尺度分解的井漏智能诊断模型,该模型结合了改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)、本征模态分量(intrinsic mode function,IMF)筛选准则以及粒子群优化算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)。首先,基于伊朗Azadegan油田的钻完井报告,筛选出对不同漏失程度有明显表征的录井参数。其次,利用ICEEMDAN对录井参数数据进行多尺度分解,通过计算皮尔逊相关系数和能量熵,筛选出与井漏特征变化相关性强的IMF分量,并重构数据以去除中高频噪声干扰。最后,采用PSO优化SVM模型构建井漏诊断模型,其中PSO算法优化模型的惩罚系数C和核参数γ,从而提升模型的准确性和泛化能力。研究结果表明,ICEEMDAN-PSO-SVM模型的测试集准确率可达98%以上,相较于PSO-SVM、随机森林(random forest,RF)和SVM,在关键性能指标上有显著提升。该研究为降低钻井过程中的安全风险、提高工程效率和经济效益提供了重要支持。

Abstract

Lost circulation is a common complex condition in drilling operations that severely compromises safety and efficiency. Most existing early-warning models focus mainly on predicting when lost circulation occurs, with insufficient attention to its severity and risk assessment. To address this gap, an intelligent lost circulation diagnostic model integrating logging time series data and multi-scale decomposition was proposed, combining ICEEMDAN(improved complete ensemble empirical mode decomposition with adaptive noise), IMF (intrinsic mode function) screening criteria, and SVM (support vector machine) optimized by PSO (particle Swarm optimization). First, from drilling and completion reports of Iran’s Azadegan Oilfield, logging parameters that effectively characterize different leakage degrees were selected. Second, the logging data undergo multi-scale decomposition via ICEEMDAN. IMF components strongly correlated with leakage characteristics were filtered using Pearson correlation coefficients and energy entropy, and the data are reconstructed to eliminate medium-to-high-frequency noise. Finally, a diagnostic model was built with the PSO-optimized SVM, in which the PSO optimizes the penalty coefficient C and kernel parameter γ, to enhance accuracy and generalization. Results indicate the ICEEMDAN-PSO-SVM model’s test set accuracy exceeds 98%, outperforming PSO-SVM, RF (random forest) and SVM across key performance metrics. This study offers valuable support for mitigating drilling safety risks and enhancing engineering efficiency and economic benefits.

Graphical abstract

关键词

井漏诊断 / 井漏严重程度 / ICEEMDAN / IMF / PSO-SVM

Key words

lost circulation diagnosis / severity of lost circulation / ICEEMDAN / IMF / PSO-SVM

引用本文

引用格式 ▾

刘宏, 李军, 杨宏伟, 祁文莉, 柳贡慧, 杨钰龙. 基于录井时序数据与多尺度分解的井漏智能诊断模型: 以伊朗Azadegan油田为例[J]. 科学技术与工程, 2026, 26(26): 11297-11307 DOI:10.12404/j.issn.1671-1815.2507596

LIU Hong, LI Jun, YANG Hong-wei, QI Wen-li, LIU Gong-hui, YANG Yu-long. Intelligent Lost Circulation Diagnosis Model Based on Logging Time Series Data and Multi-scale Decomposition: Azadegan Oilfield in Iran[J]. Science Technology and Engineering, 2026, 26(26): 11297-11307 DOI:10.12404/j.issn.1671-1815.2507596

登录浏览全文

4963

注册一个新账户忘记密码

全球工业化推进下,能源需求激增带来紧迫挑战。深层、超深层及非常规油气资源的勘探开发是增储关键,其钻井作业的安全与高效直接影响油气顺利开采^[1-2]。钻井过程中,天然裂缝地层或地层与井筒压力不平衡易引发井漏,不仅造成经济损失,还可能污染地层环境。因此,准确识别并预防井漏的发生,对提升作业安全性与效率意义重大^[3]。

当前井漏检测技术主要分为4类:传统监测、地质力学分析、仪器测量和机器学习预测。传统监测依赖人工观察泥浆池液面及井口流体状态,准确性、稳定性不足且成本较高;地质力学分析通过地层力学特性与井内参数变化评估井漏风险^[4];仪器测量借助流量计、温压传感器等实时监测关键参数以确定漏失位置,随钻测井与随钻环空压力监测结合可实时发现异常、识别井漏^[5],但这类技术易受井下极端环境影响,且设备复杂、成本偏高;随着人工智能发展,机器学习在油气行业应用渐广,通过算法模型识别井漏模式与趋势,可预测潜在风险。蔺研锋等^[6]提出基于专家经验的井漏智能预测方法,采用LSTM和Bi-LSTM捕捉综合录井曲线动态自相关特征,提升了预测准确性;张矿生等^[7]提出因果关系约束下的水平井井漏智能预警方法并应用于长庆油田,通过LSTM集成网络实现预警,准确率达95.6%。而现有井漏预警模型多聚焦于预测井漏发生时刻,对漏失严重程度及风险评估关注不足,尤其缺乏对轻微渗漏与严重漏失的针对性预测。此外,现有模型多通过改进结构提升性能,数据处理方法有限,未能充分解决钻井现场高频噪声对综合录井数据的负面影响,可能降低模型准确性。因此,需依托有效的数据处理技术与适配模型,提高井漏程度风险预测的准确性。

针对现有研究局限,从数据处理与模型优化两方面展开针对性优化。在数据处理方面,钻井现场中高频噪声复杂,传统单一小波变换去噪效果不足^[8],而多尺度信号分解算法(如EMD)可将信号分解为不同尺度子信号,精准分离噪声、保留有效信息^[9]。在模型优化方面,井漏程度诊断属于分类任务,SVM在相关领域应用广泛。李凯阳等^[10]提出一种基于变分模态分解结合粒子群优化支持向量机模型进行手势分类,模型识别6种手势动作时识别准确率可达97.30%;邢昭等^[11]联合支持向量机和梯度提升决策树构建模型以用于研究区的滑坡危险性评价,有效预测出研究区域的极高危险区、高危险区、中危险区和低危险区的占比情况;Deng等^[12]的IFOA-SVM井漏预测模型,能以更少迭代次数实现更高预测准确性;白凯等^[13]用ISSA优化IRF模型参数,性能显著优于经典模型。通过调研可知,合理应用多尺度分解数据处理方法与群智优化算法优化模型参数,对提升井漏诊断模型性能至关重要。

基于上述分析,现提出一种基于ICEEMDAN-SVM的井漏程度诊断方法。在数据处理阶段,采用ICEEMDAN算法对原始钻井信号进行多尺度分解,有效分离高频噪声与有效信息;在模型构建阶段,利用粒子群算法(particle swarm optimization,PSO)对SVM的惩罚系数C和核参数γ进行协同优化,构建PSO-SVM诊断模型。最后进行井漏程度分类准确率、泛化性能等方面的对比实验验证。研究成果可为复杂工况下井漏风险评估及现场防控措施制定提供依据,对保障钻井安全、降低井漏损失具有重要意义。

1 井漏机理与类型分析

1.1 井漏机理

井漏的发生与地层特性、井眼结构、钻井工艺参数和钻井液性能密切相关。高渗透性或裂缝发育地层易使钻井液渗入形成漏失通道。大尺寸或不规则井眼会致钻井液流速不均、局部压力过高,引发井漏。钻压过大、转速过高、排量过大等工艺参数问题,可能破坏地层结构或导致井底压力失衡。钻井液密度若过高,可能超地层破裂压力,压裂地层,形成漏失通道^[14-15]。井漏发生时,钻井工程与钻井液参数等均会发生显著变化。然而,仅依据单一参数识别井漏易出现较大误差,因此需综合多种参数变化进行判断^[16]。

1.2 井漏案例数据集

研究选取了伊朗Azadegan油田的数据以训练模型,用于预测钻井作业中的井漏程度。Azadegan油田是世界上最大的未开发油田之一,其内部包含I、II和III 3个不同的构造块。Mardanirad等^[17]对Azadegan油田中20口井的每日钻井、泥浆和完井报告进行了深入分析,并调研了不同区块的日常钻井和录井数据,结果表明大多数井漏事件发生在III区。因此,从该区域中选取了5口具有代表性的邻井,这些井涵盖了不同的漏失情况,并利用其数据构建了井漏识别数据集。依据井漏机理,选取了井眼结构、钻井工程和钻井液等多项参数,具体参数信息如表1所示。此外,还从每日钻井报告中提取了每米钻井深度的钻井液漏失率,并根据漏失量(桶/h)将漏井程度划分为5个等级^[18],从“无漏失”到“完全漏失”依次编码为0~4,具体划分标准如表2所示。

2 相关原理概述

2.1 改进自适应噪声完备集合经验模态分解

ICEEMDAN作为自适应分解算法,在每步迭代中向待分解信号添加经EMD分解白噪声后得到的第k阶IMF分量,从而有效抑制了传统EMD算法中的模态混叠现象^[19],其流程如下。

(1)在待分解信号x中加入第1白噪声的模态分量E₁(wⁱ),得到加噪信号xⁱ为

(1)

${\mathit{x}}^{\mathit{i}}=\mathit{x}+{\mathit{\beta }}_{0}{\mathit{E}}_{1}\left({\mathit{w}}^{\mathit{i}}\right)$

式(1)中:β₀为第1阶段的信噪比;wⁱ为高斯白噪声。

(2)利用EMD计算加噪信号xⁱ的局部均值,取均值得到第一残差R₁,进而得到第一模态分量IMF₁。

(2)

${\mathit{R}}_{1}=\frac{1}{\mathit{I}}\sum _{\mathit{i}=1}^{\mathit{i}}\mathit{L}({\mathit{x}}^{\mathit{i}})$

(3)

$\mathit{I}\mathit{M}{\mathit{F}}_{1}=\mathit{x}-{\mathit{R}}_{1}=\mathit{x}-\frac{1}{\mathit{I}}\sum _{\mathit{i}=1}^{\mathit{I}}\mathit{L}({\mathit{x}}^{\mathit{i}})$

式中:L(·)为局部均值算子;I为模态分解的次数。

(3)通过类推,将白噪声添加到k-1残差中,得到k残差,最后将得到k模态分量。

(4)

$\mathit{I}\mathit{M}{\mathit{F}}_{\mathit{k}}={\mathit{R}}_{\mathit{k}-1}-{\mathit{R}}_{\mathit{k}}$

(5)

$\mathit{I}\mathit{M}{\mathit{F}}_{\mathit{k}}=\frac{1}{\mathit{I}}\sum _{\mathit{i}=1}^{\mathit{I}}\mathit{L}[{\mathit{R}}_{\mathit{k}-1}+{\mathit{\beta }}_{\mathit{k}-1}{\mathit{E}}_{\mathit{k}}\left({\mathit{w}}^{\mathit{i}}\right)]$

2.2 本征模态分量筛选准则

在ICEEMDAN分解后,并非所有IMF包含显著有效信息。为了去除噪声并保留原始信号主体,采用皮尔逊相关系数对IMF分量进行筛选,仅保留与原信号相关性高的分量用于重构。相关系数P_k计算式^[20]为

(6)

${\mathit{P}}_{\mathit{k}}=\frac{\sum _{\mathit{j}=1}^{\mathit{N}}\mathit{x}\mathit{I}\mathit{M}{\mathit{F}}_{\mathit{k}}\left(\mathit{j}\right)}{\sqrt{\sum _{\mathit{j}=1}^{\mathit{N}}{\mathit{x}}^{2}\sum _{\mathit{j}=1}^{\mathit{N}}\mathit{I}\mathit{M}{\mathit{F}}_{\mathit{k}}^{2}\left(\mathit{j}\right)}}$

式(6)中:N为序列长度值;IMF_k为每阶IMF分量,k=1,2,…,n。

井漏发生时,钻井参数中的有效信息在频域与能量域均会显著改变。因此在ICEEMDAN分解的基础上,观察每阶IMF的能量熵的动态差异,可精准区分有效信号与噪声分量,能量熵H_EN的计算式^[21]为

(7)

${\mathit{H}}_{\mathit{E}\mathit{N}}=-\sum _{\mathit{k}=1}^{\mathit{n}}{\mathit{P}}_{\mathit{k}}\mathit{l}\mathit{o}{\mathit{g}}_{2}{\mathit{P}}_{\mathit{k}}$

式(7)中:P_k为第k个IMF与总能量的比值。

2.3 群智优化诊断模型

SVM是一种机器学习算法,旨在高维空间中找到一个最优超平面以实现数据的分类,并使得距离该平面最近的数据点到该平面距离最大^[22]。SVM的惩罚系数C和核参数γ是影响模型性能的关键因素。传统方法常依赖人为经验设置参数,易导致模型性能欠佳。粒子群优化算法(PSO)通过模拟鸟群觅食行为,具有全局搜索能力强、收敛速度快的优点,可有效解决SVM参数优化问题^[23]。根据式(8),粒子群中的所有粒子会根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置,从而优化SVM的C和γ,提升模型在分类和回归任务中的性能,PSO优化SVM的流程如图1所示。

(8)

$\left\{\begin{array}{l}{\mathit{V}}_{\mathit{i}\mathit{d}}^{\mathit{m}+1}=\mathit{\omega }{\mathit{V}}_{\mathit{i}\mathit{d}}^{\mathit{m}}+{\mathit{c}}_{1}{\mathit{r}}_{1}({\mathit{P}}_{\mathit{i}\mathit{d}}^{\mathit{m}}-{\mathit{X}}_{\mathit{i}\mathit{d}}^{\mathit{m}})+{\mathit{c}}_{2}{\mathit{r}}_{2}({\mathit{P}}_{\mathit{g}\mathit{d}}^{\mathit{m}}-{\mathit{X}}_{\mathit{i}\mathit{d}}^{\mathit{m}})\\ {\mathit{X}}_{\mathit{i}\mathit{d}}^{\mathit{m}+1}={\mathit{X}}_{\mathit{i}\mathit{d}}^{\mathit{m}}+{\mathit{V}}_{\mathit{i}\mathit{d}}^{\mathit{m}+1}\end{array}\right.$

式(8)中:m为迭代次数;ω为惯性权重;

${\mathit{P}}_{\mathit{i}\mathit{d}}^{\mathit{m}}$

和

${\mathit{P}}_{\mathit{g}\mathit{d}}^{\mathit{m}}$

分别为粒子个体最优值和种群最优值;

${\mathit{X}}_{\mathit{i}\mathit{d}}^{\mathit{m}}$

和

${\mathit{V}}_{\mathit{i}\mathit{d}}^{\mathit{m}}$

分别为粒子s次迭代中的位置和速度;c₁和c₂均为非负常数的学习因子;r₁和r₂均为分布于[0,1]的随机数。

2.4 基于ICEEMDAN-PSO-SVM的井漏智能诊断模型框架

如图2所示,提出的基于ICEEMDAN-PSO-SVM的井漏智能诊断模型框架主要分为3个阶段。

阶段1:输入井漏表征参数,针对含高频噪声较多的数据,采用ICEEMDAN算法进行多尺度分解,结合多指标IMF筛选准则完成去噪处理,通过信号重构提升数据集质量。

阶段2:构建基于PSO优化SVM的井漏诊断模型,利用PSO算法对模型的惩罚系数C与核参数γ进行全局优化,进而提升模型的识别准确性与泛化能力。

阶段3:将优化后的ICEEMDAN-PSO-SVM模型分别与不同模型进行性能对比,验证其综合诊断性能;此外,通过对比不同数据处理方法对模型性能的提升效果,进一步验证ICEEMDAN算法在综合录井数据去噪中的优势。

3 井漏诊断识别案例

3.1 数据处理过程

研究以伊朗Azadegan油田5口邻井的漏失信息为基础,构建井漏数据集(表1和表2),并将其用于井漏诊断模型的训练与测试。首先对数据集进行实时数据质量控制,过滤掉离群值数据记录。这些异常数据可能源于泵送系统故障或数据采集系统安装不当。其次,在钻井施工现场,由于设备、环境等因素的影响,综合录井数据通常会受到噪声干扰,过多的噪声会严重影响数据集的质量,进而降低模型的性能。具体分析表1中的井漏数据集可知:井眼尺寸和钻深属于井眼结构范畴,数据采集过程不受噪声影响,因此无须额外的去噪处理;出口流量、泵冲次数和泥浆密度,这些数据含有较多的低频噪声分量,且变化较为缓慢。对于这类数据,仅需进行数据平滑处理即可有效去除噪声;钻速、钻压、转速、扭矩和立管压力数据,这些数据含有较多的高频噪声分量,简单的平滑处理无法有效去除其中的高频噪声。因此,需要采用ICEEMDAN算法对这些数据进行多尺度分解,并结合多指标IMF筛选准则进行去噪处理,以提高数据集的质量。

以钻速数据为例进行数据去噪处理(钻压、转速、扭矩及立管压力数据均采用相同处理流程,故本文中未单独展示其处理过程),如图3所示。从钻速数据的时域图中可以观察到,数据中存在大量“毛刺”等高频噪声干扰。为了去除这些噪声,采用ICEEMDAN算法对钻速数据进行分解。其中设置添加噪声的标准差(N_std)为0.2,白色噪声组数(N_R)为100,迭代最大次数(Max_Iter)为1 000,此时分解效果最佳。从图3的分解结果可以看出,ICEEMDAN算法分解产生的IMF数量较少,且残余噪声和虚假分量基本被消除。

如图4所示,钻速数据经过多尺度分解后,依次从高频IMF1分解到低频IMF8。其中,高频IMF中主要包含大量高频噪声,这些噪声需要进行筛选后去除;而中低频IMF则主要包含有效信息分量和数据的趋势变化,这些分量需要进行筛选后保留,以确保数据的完整性和准确性。因此,采用皮尔逊相关系数和能量熵筛选相关IMFs,计算结果如图5所示。从图5可知,IMF1和IMF2的相关系数较低且能量熵较高,为高频噪声主导的分量,需要去除;IMF3~IMF5的相关系数较高且能量熵最低,为非平稳信号主成分,进行保留;IMF6~IMF8与原始信号程度相关,为信号趋势项,且能量在时频域分布较分散,进行保留。利用IMF3-8进行信号重构即可得到去噪处理后的钻速数据,如图6所示,去噪后的数据噪声明显减少,时域波形趋势更加明显和光滑。为了验证ICEEMDAN分解效果的优势,研究分别对比了不同分解算法结合去噪处理的效果,如图7所示。可发现采用ICEEMDAN分解的去噪数据,其信噪比(signal-to-noise ratio,SNR)最高可达15.80 dB,且均方误差值(root mean square error,RMSE)最低可至2.53,去噪效果最优;而采用EMD分解,其SNR和RMSE分别为8.50和4.96,数据质量较低,且重构误差较大。这表明ICEEMDAN算法在去除噪声的同时,能够更好地保留信号的有效信息,明显优于传统的EMD分解方法。

3.2 诊断模型搭建与优化

在对钻速、钻压、转速、扭矩和立管压力等数据进行去噪处理后,为了解决数据集中多参数特征尺度和量纲不一致的问题,采用了最大-最小归一化方法来处理特征数据,以消除不同量纲和单位的影响,其计算公式^[24]为

(9)

$\stackrel{\sim }{\mathit{X}}{\mathit{ }}_{\mathit{i}}=\frac{{\mathit{X}}_{\mathit{i}}-\mathit{m}\mathit{i}\mathit{n}{\mathit{X}}_{\mathit{i}}}{\mathit{m}\mathit{a}\mathit{x}{\mathit{X}}_{\mathit{i}}-\mathit{m}\mathit{i}\mathit{n}{\mathit{X}}_{\mathit{i}}}$

式(9)中:

${\stackrel{\sim }{\mathit{X}}}_{\mathit{i}}$

为归一化后的数值;X_i为原始第i个变量;minX_i为原始第i个变量的最小值;maxX_i为原始第i个变量的最大值。

归一化后的数据集按照7∶3的比例分割,其中70%的数据被分配给训练集,剩余的30%数据被分配给测试集,并独立于模型训练过程进行保存。使用井漏数据集在ICEEMDAN-PSO-SVM、PSO-SVM、随机森林(random forest,RF)和SVM 4种模型中进行训练和测试,以比较不同模型的分类性能。其中,SVM的C初始值设置为0.1,最大值为100;γ初始值设置为1.0,最大值为100;采用RBF核函数。PSO的主要参数设置如表3所示。群智优化算法的适应度曲线变化反映了算法的收敛速度和精度。图8展示了PSO优化SVM的适应度曲线。从图8可以看出,适应度值在前4次迭代中迅速下降,这表明算法在初期阶段快速找到了较优解。随后,适应度值在大约第30次迭代后趋于稳定,这表明算法在此时已经找到了一个最优解,适应度最终达到最低值约0.022 9。

3.3 实验结果分析

3.3.1 模型性能评估

采用准确率(A_ccuracy)、精确率(P_recision)、召回率(R_ecall)和F₁-Scorce指标对诊断模型性能进行评估。此外,虚警率R_FA和漏警率(R_MA)对于评估井漏诊断模型的实际应用效果至关重要,能够帮助更全面地评价模型的性能^[25-26]。

(10)A_ccuracy=$\frac{\mathit{T}\mathit{P}+\mathit{T}\mathit{N}}{\mathit{T}\mathit{P}+\mathit{T}\mathit{N}+\mathit{F}\mathit{P}+\mathit{F}\mathit{N}}$

(11)P_recision=$\frac{\mathit{T}\mathit{P}}{\mathit{T}\mathit{P}+\mathit{F}\mathit{P}}$

(12)R_ecall=$\frac{\mathit{T}\mathit{P}}{\mathit{T}\mathit{P}+\mathit{F}\mathit{N}}$

(13)F₁-Score=$\frac{2\mathit{P}\mathit{r}\mathit{e}\mathit{c}\mathit{i}\mathit{s}\mathit{i}\mathit{o}\mathit{n}\times \mathit{R}\mathit{e}\mathit{c}\mathit{a}\mathit{l}\mathit{l}}{\mathit{P}\mathit{r}\mathit{e}\mathit{c}\mathit{i}\mathit{s}\mathit{i}\mathit{o}\mathit{n}+\mathit{R}\mathit{e}\mathit{c}\mathit{a}\mathit{l}\mathit{l}}$

(14)R_FA=$\frac{\mathit{F}\mathit{P}}{\mathit{F}\mathit{P}+\mathit{T}\mathit{N}}$

(15)R_MA=$\frac{\mathit{F}\mathit{N}}{\mathit{F}\mathit{N}+\mathit{T}\mathit{P}}$

式中:TP为真阳性;TN为真阴性;FP为假阳性;FN为假阴性。

3.3.2 实验1:不同模型的性能对比

为了验证ICEEMDAN-PSO-SVM在井漏诊断模型的可行性,分别与PSO-SVM、RF和SVM的性能进行比较,每种模型的训练集准确率如图9所示。所提出的ICEEMDAN-PSO-SVM模型在训练集上达到了99.691 4%的高准确率,而PSO-SVM和RF的准确率分别为95.834 5%和92.703 5%,表现良好。相比之下,SVM的准确率仅为74.816 2%,表现不佳。为了全面评估模型的分类性能,进一步比较了各模型在测试集上的混淆矩阵,如图10所示。其中,垂直轴表示真实标签,水平轴表示预测标签。结果显示,SVM的测试集准确率最低,仅为75.312 3%,而ICEEMDAN-PSO-SVM的测试集准确率最高,达到了98.644 9%,明显优于其他模型。此外,计算了4种模型的精确率、召回率、F₁-Scorce、虚警率和漏警率,以评估其对不同漏失情况的分类诊断能力,结果如图11所示。ICEEMDAN-PSO-SVM在轻微渗漏、中等渗漏和严重渗漏(标签1~标签3)的分类中,精确率、召回率和F₁-Scorce均超过94%,虚警率和漏警率均低于6%。对于完全漏失(标签4),其精确率和召回率分别为81.82%和75.00%,尽管虚警率和漏警率相对较高,但整体性能仍然最佳。PSO-SVM和RF模型在标签0和1的分类上表现较好,但在标签3和标签4上的精确率和召回率较低,虚警率和漏警率相对较高。SVM仅在标签0上表现良好,而在标签1~标签4上的分类效果不理想。上述实验结果表明,研究提出的ICEEMDAN-PSO-SVM模型在井漏诊断识别中展现出更优的分类性能。

3.3.3 实验2:不同数据处理的模型性能对比

为了进一步验证ICEEMDAN对综合录井数据去噪效果的优势性,研究对比了EMD、EEMD、CEEMDAN和ICEEMDAN分解算法对PSO-SVM模型性能的影响。不同分解算法的设置信息如表4所示。不同数据处理的模型在测试集上的混淆矩阵,如图12所示。4种模型测试集的准确率均可保持在96%,展示出了较好的性能。然而,评估每个模型对不同漏失情况的分类诊断能力,如图13所示。基于EMD的模型对于标签1、标签2和标签4的精确率和召回率仅维持在71%左右,虚警率和漏警率最高可达28.70%。而随着分解算法的优化,基于CEEMDAN的模型对于标签0~标签3的精确率和召回率均可达到91%以上,除了标签4的性能指标偏低,模型的整体性能接近ICEEMDAN-PSO-SVM。实验结果进一步表明,不同的数据处理方法有利于改善数据集质量,进而提升模型的诊断性能。

4 结论

为了准确识别钻井过程中的不同程度漏失的发生,提出了一种融合录井时序数据与多尺度分解的井漏智能诊断模型,得出如下结论。

(1)采用ICEEMDAN算法结合多指标IMF筛选准则能有效去除综合录井数据中的噪声干扰。实验证明,重构后的数据SNR可高达15.80 dB,RMSE可低至2.53,显示出较理想的去噪效果。

(2)研究提出的ICEEMDAN-PSO-SVM模型准确率可高达98%以上,相比于PSO-SVM、RF和SVM模型,在精确率、召回率、F₁-Scorce、虚警率和漏警率性能指标上均有明显的提升,展示出了良好的井漏诊断性能。

(3)研究进一步表明,优质的数据处理方法有助于提高数据集的质量,从而提升井漏诊断的准确率。数据处理与模型优化并非相互排斥,而是相互促进,共同增强模型的整体性能。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Zhang R H, Su N Y, Liao L M, et al. Effects of different thermal insulated drill pipe deployment methods on wellbore temperature control in ultra-deep wells[J]. Petroleum Science, 2025, 22(10): 4174-4194.

[2]	高阳东, 赖维成, 张新涛, 等. 中国海油油气勘探新进展与下步勘探方向[J]. 中国海上油气, 2024, 36(3): 1-10.

[3]	Gao Yangdong, Lai Weicheng, Zhang Xintao, et al. New progress and future directions of CNOOC oil and gas exploration[J]. China Offshore Oil and Gas, 2024, 36(3): 1-10.

[4]	陈卫婷, 朱忠喜, 吴德胜, 等. 基于瞬态压力波邻域差值计算的井漏识别方法[J]. 科学技术与工程, 2025, 25(34): 14649-14661.

[5]	Chen Weiting, Zhu Zhongxi, Wu Desheng, et al. Well leakage location method based on transient pressure wave neighbourhood difference calculation[J]. Science Technology and Engineering, 2025, 25(34): 14649-14661.

[6]	Ao Y, Zhu Z X, Zhang N, et al. Solution and analysis of wellbore temperature and pressure field coupling model under lost circulation[J]. ACS Omega, 2022, 7(32): 28675-28684.

[7]	Wang N, Wang J, Sun B, et al. Study of transient responses in the APWD measurements during gas influx[J]. Journal of Natural Gas Science and Engineering, 2016, 35: 522-531.

[8]	蔺研锋, 闵超, 代博仁, 等. 基于动态特征和深度神经网络的钻井漏失事故预测[J]. 西安石油大学学报(自然科学版), 2022, 37(3): 64-69.

[9]	Lin Yanfeng, Min Chao, Dai Boren, et al. Prediction of drilling leakage accident based on dynamic features and deep neural network[J]. Journal of Xi’an Shiyou University(Natural Science Edition), 2022, 37(3): 64-69.

[10]	张矿生, 宫臣兴, 陆红军, 等. 基于集成学习的井漏智能预警模型及智能推理方法[J]. 石油钻采工艺, 2023, 45(1): 47-54.

[11]	Zhang Kuangsheng, Gong Chenxing, Lu Hongjun, et al. Intelligent early warning model and intelligent reasoning method based on integrated learning for loss circulation[J]. Oil Drilling & Production Technology, 2023, 45(1): 47-54.

[12]	段世明, 宋先知, 姚学喆, 等. 压力与规则双约束下的溢流智能预警模型[J]. 石油机械, 2025, 53(1): 1-9.

[13]	Duan Shiming, Song Xianzhi, Yao Xuezhe, et al. Intelligent warning model for overflow under constraints of pressure and rules[J]. China Petroleum Machinery, 2025, 53(1): 1-9.

[14]	杨苗, 任玲, 王双, 等. 基于CEEMDAN-小波阈值的电容式棉种监测信号降噪方法[J]. 农业机械学报, 2025, 56(5): 71-81.

[15]	Yang Miao, Ren Ling, Wang Shuang, et al. Noise reduction method of capacitive cotton seed monitoring signal based on CEEMDAN-wavelet threshold[J]. Transactions of the Chinese Society for Agricultural Machinery, 2025, 56(5): 71-81.

[16]	李凯阳, 韩团军, 刘庆江. 表面肌电信号熵特征和改进PSO-SVM的手势识别方法[J]. 科学技术与工程, 2025, 25(35): 15155-15164.

[17]	Li Kaiyang, Han Tuanjun, Liu Qingjiang. Gesture recognition method based on surface electromyography (sEMG) entropy features and improved PSO-SVM[J]. Science Technology and Engineering, 2025, 25(35): 15155-15164.

[18]	邢昭, 孟小军, 袁晶晶, 等. 信息量支持下SVM-GBDT模型的滑坡危险性评价[J]. 科学技术与工程, 2025, 25(7): 2712-2720.

[19]	Xing Zhao, Meng Xiaojun, Yuan Jingjing, et al. Landslides hazard assessment based on SVM-GBDT and gradient boosting decision tree model supported by information quantity[J]. Science Technology and Engineering, 2025, 25(7): 2712-2720.

[20]	Deng S, Pei C Y, Yan X P, et al. Lost circulation prediction method based on an improved fruit fly algorithm for support vector machine optimization[J]. ACS Omega, 2023, 8(36): 32838-32847.

[21]	白凯, 戴升升, 张照硕, 等. 群智能算法优化改进随机森林算法的井漏预测[J]. 现代电子技术, 2025, 48(14): 159-168.

[22]	Bai Kai, Dai Shengsheng, Zhang Zhaoshuo, et al. Lost circulation prediction based on improved random forest algorithmoptimized by swarm intelligence algorithm[J]. Modern Electronics Technique, 2025, 48(14): 159-168.

[23]	孙金声, 杨景斌, 白英睿, 等. 深层超深层钻井液技术研究进展与展望[J]. 石油勘探与开发, 2024, 51(4): 889-898.

[24]	Sun Jinsheng, Yang Jingbin, Bai Yingrui, et al. Research progress and development of deep and ultra-deep drilling fluid technology[J]. Petroleum Exploration and Development, 2024, 51(4): 889-898.

[25]	林英松, 蒋金宝, 秦涛. 井漏处理技术的研究及发展[J]. 断块油气田, 2005(2): 4-7, 89.

[26]	Lin Yingsong, Jiang Jinbao, Qin Tao. The development of well loss processing technology[J]. Fault-Block Oil & Gas Field, 2005(2): 4-7, 89.

[27]	刘颖彪, 徐生江, 田龙, 等. 钻井复杂事故预警技术研究进展[J]. 新疆石油天然气, 2025, 21(2): 15-23.

[28]	Liu Yingbiao, Xu Shengjiang, Tian Long, et al. Research progress on earlywarning technology of drilling complex accidents[J]. Xinjiang Oil & Gas, 2025, 21(2): 15-23.

[29]	Mardanirad S, Wood D A, Zakeri H. The application of deep learning algorithms to classify subsurface drilling lost circulation severity in large oil field datasets[J]. SN Applied Sciences, 2021, 3(9): 785.

[30]	李恒丰, 李琳, 赵志峰. 井漏预测模型的超参数优化与解释: 以伊朗马伦油田为例[J]. 科学技术与工程, 2024, 24(35): 15006-15013.

[31]	Li Hengfeng, Li Lin, Zhao Zhifeng. Drilling fluid lost-circulation prediction model hyperparameter optimization and interpretation: a case study of the Marun Field in Iran[J]. Science Technology and Engineering, 2024, 24(35): 15006-15013.

[32]	李思奇, 夏卯, 鲁思兆, 等. 基于二次分解时频图和SE-DSMC-BSA的轻量化有载分接开关机械故障识别方法[J]. 振动与冲击, 2025, 44(11): 268-279, 308.

[33]	Li Siqi, Xia Mao, Lu Sizhao, et al. Lightweight OLTC mechanical fault recognition method based on secondary decomposition time-frequency maps and SE-DSMC-BSA[J] Journal of Vibration and Shock, 2025, 44(11): 268-279, 308.

[34]	陈永高, 钟振宇. 基于改进EEMD算法的桥梁结构响应信号模态分解研究[J]. 振动与冲击, 2019, 38(10): 23-30.

[35]	Chen Yonggao, Zhong Zhenyu. Research on modal modal decomposition of response signals for a bridge structure based on the improved EEMD[J]. Journal of Vibration and Shock, 2019, 38(10): 23-30.

[36]	张龙, 宋成洋, 邹友军, 等. 基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断[J]. 机械设计与研究, 2019, 35(6): 96-104.

[37]	Zhang Long, Song Chengyang, Zou Youjun, et al. A rolling bearingfault diagnosis method based on VMD multi-feature fusion and PSO-SVM[J] Machine Design & Research, 2019, 35(6): 96-104.

[38]	Vladimir N. Vapnik. The nature of statistical learning theory[M]. New York: Springe, 1995.

[39]	Zhu Z X, Liu H, Wu D S, et al. A diagnosis method for loss of circulation based on transient-pressure wave analysis and particle swarm optimization[J]. Physics of Fluids, 2024, 36(7): 077121.

[40]	盛武, 樊斌斌. EMD-GRU组合模型在煤矿瓦斯体积分数预测中的应用[J]. 安全与环境学报, 2025, 25(4): 1339-1348.

[41]	Sheng Wu, Fan Binbin. Application of the EMD-GRU combined model for predicting gas volume fraction in coal mines[J]. Journal of Safety and Environment, 2025, 25(4): 1339-1348.

[42]	陈凯枫, 杨学文, 宋先知, 等. 基于工程录井数据的井漏智能诊断方法[J]. 石油机械, 2022, 50(11): 16-22.

[43]	Chen Kaifeng, Yang Xuewen, Song Xianzhi, et al. An intelligent diagnosis method for lost circulation based on engineering logging data[J]. China Petroleum Machinery, 2022, 50(11): 16-22.

[44]	刘浩男, 文晓涛, 何健, 等. 基于随机森林算法的AVO类型判别[J]. 中国海上油气, 2020, 32(5): 73-81.

[45]	Liu Haonan, Wen Xiaotao, He Jian, et al. AVO type discrimination based on random forest algorithm[J]. China Offshore Oil and Gas, 2020, 32(5): 73-81.

基金资助

新型油气勘探开发国家科技重大专项(2025ZD1403206)

新型油气勘探开发国家科技重大专项(2025ZD1401900)

国家自然科学基金重大科研仪器研制项目(52227804)

国家自然科学基金联合基金(U22B2072)

国家自然科学基金面上项目(52474018)

PDF (12716KB)

访问

被引

详细

导航

Received	Published	Revised
2025-11-02	2026-09-18	2026-04-07
Online Date
2026-10-09

摘要