钻井心电图？斯伦贝谢又搞啥？

技术借鉴对于油气上游行业与医疗界而言并不新鲜。这种联系意义非凡，因为这两个学科都严重依赖于应用数学。在2021年SPE/IADC国际钻井大会上，一篇倍受欢迎的论文提出了一种受医学启发的方法，用于防止井下振动造成灾难性的钻井系统故障。

该论文描述了一种“钻井心电图”，它可以诊断“钻井心率异常”，与利用医学心电图诊断心脏病患者的危险振动异常相类似。

该方法对井下31250赫兹的振动波的波形进行了分类。振动信号被视为钻井心电图（D-ECG），使用聚类算法进行处理，并与钻井事故结合，以实时诊断可能导致灾难性故障的异常特征模式。

因此他走进了医学图书馆，而且他还发现在过去的三十年内，业内一直在研究井下振动随钻测量（MWD），但却只着力于分析振动的振幅和均方根值。

没人考虑过分析井下振动的频率。正是这一启示孕育了D-ECG概念，它基于实时高频获取的振动波形，来防止BHA故障。

Matheus说：“振动几乎一直存在。挑战在于如何分辨何为正常，何为异常？”

旋转导向系统配备了磁力计、加速度计、振动与冲击传感器等测量设备，可以获取大量信息，从而推断出钻具涡动、跳钻、粘滑的严重程度。然而，通常情况下，所得到的统计数据不足以区分井筒某个位置的作业是否正常。

如今，电子技术取得长足进步，推动了钻井动态数据高清记录仪的发展，将采样频率从传统的100 Hz扩展至1600 Hz。然而，大多数这些设备只用于记录数据，无法与地面进行实时通信，也无法提供井下钻井情况的信息。

旋转导向系统通常还配有复杂的导向传感器，类似于随钻测量工具，能够在几分之一秒内记录信号。利用现场可编程门阵列，对旋转导向系统的振动频率模块进行编译，运行于控制组件内，从而获取井下振动的波形数据。采集与处理振动的频率为31250赫兹，是当前标准处理采样频率的300倍。

Matheus说：“利用机器学习，我们能够分析频率，识别出异常振动信号。我们发现了两种破坏性的振动模式与一个新频率，将它们作为钻井危险情况或作业异常的标志。”

使用D-ECG方法，结合机器学习算法，可获取与分析历史振动数据，用于判断井下异常情况，例如钻具涡动、跳钻、地层变化等，并可实时应用于优化轨迹控制以及防止灾难性钻井故障。

若要将早期模型应用于旋转导向系统的电路板，例如使用深度神经网络架构来监测模拟的井下钻井情况，非常具有挑战性。因此，需制定计划，找寻不太复杂的解决方案，对井下振动进行实时分类。利用代表D-ECG的快速傅立叶变换信号，将时域采集的振动数据转换为频域。然后使用机器学习中常用的无监督聚类算法K-means，对D-ECG进行分组。

将高频振动数据组成的几个数据集与现场事件报告相关联。因为目标是识别可能导致故障的D-ECG，所以重点只放在识别“良好”与“破坏性”的钻井情况上。“良好”的钻井意味着旋转导向系统按计划运行，现场维护也没有发现任何损坏的硬件。

“破坏性”的钻井情况意味着旋转导向系统无法执行作业，并且在工具维护时发现损坏的组件。可将破坏性特征下载到旋转导向系统的工具配置中，用于实时识别危险或异常钻井条件。

石油圈原创，石油圈公众号：oilsns

图3展示了三种类型的D-ECG，它们造成井下故障的概率很高。数据显示，如果旋转导向系统遭遇具有这些特征的井下振动，该工具很可能会在井下出现故障。

根据Matheus的说法，不同来源的数据，例如旋转导向系统的井下数据、地面数据、现场事故、维保系统等，将被整合到健康分析数据库中，安装于钻井控制系统或井下设备。

可轻松将识别出的异常钻井特征部署于井下，从而将井下的作业状态实时传输到地面。然后，则可实施控制措施来操纵地面执行器，例如顶驱、绞车和泥浆泵。

Matheus认为，该方法可以扩展至创建模型，来识别诸多钻井情况，从而提高钻井效率。

他说：“该框架的初衷是便于处理与维护世界各地的井下工具，共享井下工具记录的健康数据，使工程师、工具专家能够与不同背景的数据科学家合作，创造出解决方案，以增加钻井系统的可靠性，优化建井过程。”