壓力與規(guī)則雙約束下的溢流智能預警模型

隨著油氣勘探開發(fā)向復雜油氣資源領域拓展，地層壓力層系變化更為復雜。溢流作為鉆井高危風險之一，對其進行及時準確預警愈發(fā)重要。分析了正常工況與溢流下的表征參數(shù)，以邏輯規(guī)則構建工況識別模型，實現(xiàn)鉆進、起下鉆等8種工況的實時分析，從而減少鉆井工況對溢流分析的影響。通過特征工程構建數(shù)據(jù)庫，分析數(shù)據(jù)有效性，利用神經(jīng)網(wǎng)絡形成溢流智能預警模型。利用小波分析診斷溢流波動，結合傳統(tǒng)溢流診斷規(guī)則，實現(xiàn)壓力信號與規(guī)則雙約束下的溢流智能預警方法，進一步提高模型準確率與泛化能力。通過南海溢流數(shù)據(jù)與四川盆地實時鉆井數(shù)據(jù)對模型驗證，結果表明，受約束后溢流預警模型相較于傳統(tǒng)診斷方法可有效提前警報，相較于單一智能模型可有效降低虛警，模型最終準確率為95.28%。該模型有望輔助實現(xiàn)安全高效鉆井作業(yè)，為智能化鉆井提供基礎。

鉆井風險；溢流預警；智能模型；壓力信號；規(guī)則約束；工況識別

TE21

A

DOI： 10.12473/CPM.202312044

Intelligent Warning Model for Overflow Under

Constraints of Pressure and Rules

Duan Shiming1" Song Xianzhi1" Yao Xuezhe1" Zhu Zhaopeng1" Xu Zhengming2

（1.State Key Laboratory of Petroleum Resources and Prospecting，China University of Petroleum （Beijing）；2.School of Energy Resources，China University of Geosciences （Beijing））

As oil and gas exploration and development extend towards complex reservoirs，the changes in formation pressure are more complicated.Overflow is one of the high risks in drilling，and conducting timely and accurate warning of it is becoming increasingly important.In the paper，first，the characterization parameters under normal working conditions and overflow were analyzed，and a working condition identification model was built based on logic rules，achieving real-time analysis of 8 working conditions such as drilling and tripping，thereby reducing the influence of drilling conditions on overflow analysis.Second，a database was constructed based on feature engineering to analyze data validity，and the neural network technique was used to build an intelligent warning model of overflow.Third，the wavelet analysis was used to diagnose overflow fluctuations，and combined with traditional overflow diagnosis rules，an intelligent warning method for overflow under constraints of pressure signals and rules was proposed to further improve the accuracy and generalization ability of the model.Finally，the model was verified using the overflow data of the South China Sea and the real-time drilling data of the Sichuan Basin.The results show that the constrained overflow warning model can effectively provide early warnings compared to traditional methods，and can effectively reduce 1 alarms compared to a single intelligent model.The final accuracy of the model is 95.28%.This model is expected to assist in achieving safe and efficient drilling operations，and provides a foundation for intelligent drilling.

drilling risk;overflow warning；intelligent model；pressure signal；rule constraints；working condition identification

0" 引" 言

鉆井過程中由于地層信息預測不準確、施工操作不當?shù)纫蛩匾自斐蓢娐┛ㄋ茹@井風險［1］。其中，溢流作為常見鉆井風險之一，在其發(fā)生后若不加以處理，快則在10 min之內(nèi)，慢則在10～30 min內(nèi)將會引發(fā)更為嚴重的井噴事故［2-3］。例如中國重慶開縣“12.23”特大井噴事故、美國墨西哥灣漏油事故，都造成設備損壞、人員傷亡、環(huán)境污染以及油井報廢等嚴重后果［4］。溢流已成為鉆井行業(yè)公認的高頻、高危害的事故之一［5］。而形成高效準確的溢流預警模型，是保障鉆井的安全與高效的有效手段。

段世明，等：壓力與規(guī)則雙約束下的溢流智能預警模型

最初國內(nèi)外往往通過新儀器和閾值判斷等經(jīng)典傳統(tǒng)方法監(jiān)測參數(shù)診斷溢流，進行溢流預警分析診斷。國內(nèi)外先后監(jiān)測流量［6］、鉆井液［7-8］、井底參數(shù)［9］和綜合數(shù)據(jù)［10］等參數(shù)進行溢流預警。但溢流參數(shù)變化復雜，流量和鉆井液參數(shù)等常規(guī)方法存在預警滯后、虛警率高等問題［11］；利用隨鉆井底參數(shù)因對成本和設備要求較高，故此方法使用較少。后續(xù)有學者嘗試綜合考慮2種方法的優(yōu)點，使用地面參數(shù)反映井底參數(shù)。李相方等［12］、孫寶江等［13］對溢流后井筒流動特征進行分析，明確溢流井底參數(shù)與地面參數(shù)的聯(lián)系；李軍等［14］開展鉆井氣侵工況模擬試驗，采用概率密度、小波分析等信號分析方法確定壓力信號波動響應，可以反映氣侵工況與位置。但壓力波信號和多相流模型多停留在實驗室階段。隨著信息化和物聯(lián)網(wǎng)的發(fā)展，具有更高準確性時效性的溢流智能預警方法展現(xiàn)出了良好的發(fā)展前景。LIANG H.B.等［15-16］利用立管壓力和套管壓力構建的模糊C均值聚類方法平均確定率高達94%；DUAN S.M.等［17］、YIN Q.S.等［18-19］、A.K.FJETLAND等［20］、付家勝等［21］利用流量、立壓、鉤載等參數(shù)作為輸入，利用神經(jīng)網(wǎng)絡模型構建了多種溢流智能預警模型，相較于傳統(tǒng)方法均可提前發(fā)出警報，準確率約90%。以上結果均表明，溢流智能預警模型效果具備較好的準確性，相對于閾值警報可提前預警，但研究均停留在實驗室階段，或使用歷史數(shù)據(jù)進行測試，尚無大量數(shù)據(jù)驗證或現(xiàn)場測試使用。

為此，綜合考慮上述傳統(tǒng)診斷模型與智能預警模型優(yōu)缺點，以實時錄井數(shù)據(jù)為基礎構建基于邏輯規(guī)則的鉆井工況診斷模型，防止工況變化影響導致的溢流誤判；通過數(shù)據(jù)清洗、特征優(yōu)選、模型優(yōu)化等流程，構建溢流智能預警模型；結合小波分析處理壓力信號，推測井底參數(shù)輔助溢流診斷，利用傳統(tǒng)溢流診斷規(guī)則二次約束氣侵預警模型。最終以傳統(tǒng)診斷方法為基礎保證模型性能與泛化能力，結合智能模型提高模型精度與效率，形成壓力信號與規(guī)則雙約束的溢流智能預警模型，可降低模型虛警，更早發(fā)出溢流警報。本模型有望輔助實現(xiàn)安全高效鉆井作業(yè)，為智能化鉆井提供基礎。

1" 溢流分析與工況識別模型

使用數(shù)據(jù)來源于南海3個區(qū)塊及四川某區(qū)塊，共計300萬條錄井數(shù)據(jù)。南海區(qū)塊盆地為從淺水區(qū)向深水區(qū)的過渡帶，具備深水和高溫高壓雙重特性的地層，地層壓力系數(shù)多在1.2～2.0，部分目標層溫度高達160 ℃，存在大量地層不整合面，極易發(fā)生復雜井況。四川某區(qū)塊井深6 000～8 000 m，井底溫度190 ℃，地層壓力當量密度為2.0 g/cm3，平均關井套壓達4.3 MPa，其中最高壓達到19.5 MPa，溢漏事故頻發(fā)。

1.1" 溢流表征參數(shù)分析

溢流后往往直接導致出口流量、鉆井液池體積增加。此外由于流體的侵入也會引起大鉤載荷、泵壓等錄井參數(shù)的變化。溢流后主要響應參數(shù)變化情況如表 1所示。

利用表 1中參數(shù)變化規(guī)律，前人進行了多種傳統(tǒng)溢流預警研究［6-11］，不斷形成新儀器和新方法進行溢流診斷。

1.2" 基于邏輯規(guī)則的鉆井工況分析模型

鉆井工況與錄井參數(shù)同樣存在響應關系，因此需構建參數(shù)響應的工況識別方法，判斷鉆井工況從而輔助提高預警模型精度。選取大鉤位置等7種常規(guī)錄井參數(shù)，對下鉆、起鉆等8種常見鉆井工況進行分析，構建基于邏輯規(guī)則的工況識別模型。其中大鉤位置、井深和鉆頭位置趨勢利用最小二乘法計算斜率進行判斷，其余參數(shù)均通過閾值判斷其變化。最終判斷規(guī)則如表 2所示。

1.3" 數(shù)據(jù)處理與分析

現(xiàn)場錄井數(shù)據(jù)往往受外界干擾較波動較大，需進行可靠性分析與數(shù)據(jù)清洗處理。分析鉆井工況與數(shù)據(jù)質(zhì)量。選取數(shù)據(jù)中連續(xù)鉆進工況的分段數(shù)據(jù)，利用下式計算工況鉆速與錄井鉆速，結果如表 3所示。

由表3可知，兩者平均相對誤差為0.75%，結果表明工況識別準確，錄井數(shù)據(jù)質(zhì)量較好。

vi1=Δhi/Δti

vi2=∑ivROP/Ni（1）

式中：Δhi代表第i段鉆進工況中井深的變化，m；Δti代表第i段鉆進工況中消耗的時間，h；vi1代表第i段鉆進工況計算的機械鉆速-工況鉆速，m/h；∑ivROP代表第i段鉆進工況中錄井數(shù)據(jù)中機械鉆速的求和，m/h；Ni代表第i段鉆進工況中數(shù)據(jù)點的數(shù)量；vi2代表第i段鉆進工況中利用錄井數(shù)據(jù)計算的機械鉆速-錄井鉆速。

初始錄井數(shù)據(jù)中共存在26種參數(shù)，為提高計算效率與精度，利用相關系數(shù)與表征參數(shù)綜合篩選模型輸入?yún)?shù)?？紤]皮爾遜系數(shù)受異常值的影響比較大，結合斯皮爾曼相關系數(shù)形成綜合相關系數(shù)進行相關性分析：

rP=covX，YσXσY

rS=1-6∑d2inn2-1

r=rP+rS2（2）

式中：rP為皮爾遜系數(shù)，cov（X，Y）為2個變量X和Y的協(xié)方差，σXσY為2個變量X和Y標準差的乘積，rS為斯皮爾曼系數(shù)，di為每組觀測中2個變量的等級差值，n為觀測數(shù)，r為綜合相關系數(shù)。

為利于數(shù)據(jù)分析，將相關系數(shù)絕對值小于0.6的值視為無關，計算結果如圖 1所示。結合1.1節(jié)中溢流參數(shù)響應關系，最終使用鉆速、鉆壓、扭矩、轉速、立壓、池體積、出口流量、入口流量、出口密度、入口密度、總泵沖、全烴、流量差作為溢流模型輸入。結合工況識別模型，工況識別與預警模型輸入共計17種參數(shù)。

此外，通過標準差方法刪除數(shù)據(jù)中的異常值，提高數(shù)據(jù)質(zhì)量，可防止異常值影響后續(xù)歸一化數(shù)據(jù)。隨后根據(jù)溢流的表征因素，判斷溢流情況發(fā)生的具體時間點，進行溢流標簽標定。南海區(qū)塊歷史數(shù)據(jù)分別劃分為訓練、驗證與測試集。四川某區(qū)塊數(shù)據(jù)劃分為A和B兩個區(qū)塊：A區(qū)塊為歷史錄井數(shù)據(jù)，用作訓練與驗證，B區(qū)塊為線上實時數(shù)據(jù)，用作模型測試。最終數(shù)據(jù)使用情況如表4所示。

2" 受約束的溢流智能預警模型構建

2.1" 智能預警模型構建

優(yōu)選神經(jīng)元數(shù)量，利用stackoverflow中的經(jīng)驗式（3）判斷其大致范圍。考慮溢流警報為二分類問題，將神經(jīng)網(wǎng)絡輸出設定為2個神經(jīng)元，即溢流標簽為［0，1］，正常數(shù)據(jù)標簽為［1，0］，其結構圖如圖2所示。

此外，選擇激活函數(shù)為Relu和Softmax函數(shù)：

Nh=Nsα×（Ni+No）（3）

式中：Nh為隱藏層神經(jīng)元數(shù)量；Ns為訓練集的樣本數(shù)量；Ni為輸入層神經(jīng)元數(shù)量；No為輸出層神經(jīng)元數(shù)量；α為可以自取的任意值變量，通常范圍可取2～10。

2.2" 模型約束條件構建

2.2.1" 壓力信號約束條件

當溢流氣侵發(fā)生時，可以將溢流事件視為井筒敞口流動系統(tǒng)的一次激動壓力事件［22-25］。根據(jù)水中波速計算公式可以發(fā)現(xiàn)［26］，往往在溢流發(fā)生后幾秒內(nèi)即可從立壓/套壓中獲取溢流信號。信號強弱則可以通過水錘計算公式進行估算［26］：

vw=Kρ×1+KditE≈1 385.60 m/s（4）

Δp=vwΔvρ（5）

式中：vw為壓力波在水中的傳播速度，m/s；K為管道中介質(zhì)的體積彈性模量，一般對于水K值為2.19×109 Pa；ρ為介質(zhì)密度，kg/m3，水為1 000 kg/m3；t為管道壁厚，約0.009 17 m；di為管道內(nèi)徑，約0.121 36 m；E為管道體積彈性模量，合金鋼取2.06×1011 Pa；Δp為溢流導致的激動壓力值，Pa；Δv為溢流流體入侵導致的井筒流速增量，m/s。

小波分析方法可以分離出信號的精細或粗糙成分，適用于分析突變信號以及奇異信號，可以推廣用來檢測溢流信號變化。同時小波分析方法被考慮在多相流動［27］和氣侵監(jiān)測［12］中使用。這里將小波分析方法與智能模型結合，以增強溢流預警模型效果。利用小波分析需要確定數(shù)據(jù)頻率、數(shù)據(jù)長度和分解尺度：①現(xiàn)場數(shù)據(jù)頻率為每點3 s，即0.33 Hz，為提高數(shù)據(jù)分辨率利用二階樣條插值將信號調(diào)整為1 Hz，利于結果分析與診斷；②以1 Hz的采樣頻率對比20、30、60、180、300、600 s中高頻特征變化情況，結果表明時間長度越短信號變化越明顯，因此使用數(shù)據(jù)長度為20 s；③當小波的分解尺度過多時，會導致計算量增加，并且在大尺度上數(shù)據(jù)的可信性降低。分解尺度過少時，一些低頻段的信息將被隱藏在大尺度逼近信號中?；诖耍?jīng)對比驗證，信號分解的尺度設定為3。原信號經(jīng)過3尺度小波分解所對應的不同頻率范圍，如表5所示。

考慮溢流引發(fā)的波動壓力會改變壓力的范圍，統(tǒng)計上述aaa、aad等不同頻率下參數(shù)的均值、方差、最大值與最小值，分析常規(guī)變化范圍與溢流變化范圍，設定警報閾值，進行預警分析。結果表明dad曲線最具代表性，具體判斷規(guī)則見表 6。

2.2.2" 規(guī)則約束條件

考慮溢流表征參數(shù)對模型約束，提高模型的泛化能力。設置3項判斷規(guī)則：鉆井液池體積持續(xù)增大，非下鉆情況下出入口流量差持續(xù)增大，此外如果全烴持續(xù)增大則判斷為氣侵。

2.2.3" 模型約束設計

將智能模型與立管壓力約束組合，警報結果進行加權平均計算：

P0=0.8P1+0.2P2（6）

P=0，C1×C2=0

0.6P0+0.2C1+0.2C2，C1×C2≠0（7）

式中：P0為智能模型與立壓約束綜合結果，取值［0，1］；P1為智能模型結果，取值［0，1］；P2為立管壓力約束結果，每滿足一條小波約束條件則累計賦值0.25，取值［0，1］；P為模型最終結果；C1與C2分別為規(guī)則約束第一與第二條約束，當滿足約束時為1，不滿足時為0。

最終受壓力信號與溢流規(guī)則約束的溢流智能預警模型結構如圖 2所示。

3" 模型驗證與分析

驗證模型包括初始的智能模型（簡稱無約束智能模型），受立壓約束的智能模型（簡稱單約束智能模型），受壓力信號與規(guī)則雙約束的智能模型（簡稱雙約束智能模型），以及白麗麗等［21，28］的診斷模型（簡稱傳統(tǒng)診斷模型）。

3.1" 南海區(qū)塊數(shù)據(jù)驗證與分析

使用南海地區(qū)某井20余萬條數(shù)據(jù)，由于篇幅有限，僅展示部分正常工況數(shù)據(jù)與溢流氣侵診斷情況。選取易導致誤判的下鉆與劃眼的正常鉆井數(shù)據(jù)（301 200～341 994 s）和日志記錄溢流樣本數(shù)據(jù)：現(xiàn)場于某日18時至次日12時鉆進至3 000多米發(fā)現(xiàn)并處理溢流（即410 400～475 200 s）。

正常鉆井數(shù)據(jù)。圖3為正常鉆井數(shù)據(jù)與模型警報結果（局部）。由圖3可以看出，此段正常鉆井時間內(nèi)包括多次短起下，在劃眼過程中重復出現(xiàn)出口流量大于入口流量，總池體積短時上升的現(xiàn)象，使用無約束智能模型與單約束智能模型則會發(fā)出警報，傳統(tǒng)診斷模型同樣虛警嚴重，受立壓和規(guī)則影響的雙約束模型則平穩(wěn)運行無警報發(fā)出。

溢流數(shù)據(jù)。鉆井溢流特征曲線與模型警報結果如圖4所示。

由圖4a可以看出，溢流時間段內(nèi)出口流量一直大于入口流量，總池體積漲幅50 m3。事后分析，由于鉆進時總池體積變化劇烈，出入口流量波動大，所以結合曲線波動變化，現(xiàn)場發(fā)現(xiàn)溢流事件較晚。在此次警報過程中工況一直處于循環(huán)，此前一段時間為鉆進。由圖4b可見，在此段時間內(nèi)所有模型均有警報，但傳統(tǒng)診斷模型自393 604 s即開始警報，存在較長的虛警時間。無約束智能模型與單約束智能模型則晚發(fā)出警報?？紤]前文虛警情況，部分時間可能存在虛警情況。雙約束智能模型則在發(fā)出警報后持續(xù)至日志風險警報時間段，提前警報12 297 s。

3.2" 四川B區(qū)塊數(shù)據(jù)驗證與分析

四川B區(qū)塊正在鉆進中（包括探井），無詳細地質(zhì)情況與分析。針對8口井，截至2023年10月，線上累計32萬條數(shù)據(jù)，現(xiàn)場3次溢流警報，但由于數(shù)據(jù)丟失等原因，僅有一次完整記錄。這里結合實時數(shù)據(jù)情況分別對A、B這2口井，抽取正常鉆井與溢流警報2個時間段進行展示分析。由于在選取時間段內(nèi)傳統(tǒng)診斷模型均無警報發(fā)生，主要對無約束智能模型與雙約束智能模型進行對比。由于數(shù)據(jù)采集并不穩(wěn)定，所以2個數(shù)據(jù)點間隔為3 s至5 d不等。

A井無溢流事件，展示數(shù)據(jù)為井深3 500 m以上氣井鉆進工況，存在部分短起下工況，如圖 5a所示。該段總池體積波動，總體趨于平穩(wěn)；出入口流量由于短起下導致部分數(shù)據(jù)為0，全烴最高值為34%。由于部分位置出口流量波動與氣井特有的氣體侵入（如巖屑含氣），使用無約束智能模型會導致多次虛警，如圖5b所示。結合立壓與規(guī)則約束，綜合考慮井底無溢流波動與流量差較為穩(wěn)定的情況，單約束與雙約束智能模型無虛警發(fā)生，運行穩(wěn)定。

四川B井實際發(fā)生2次溢流事件，由于數(shù)據(jù)上傳與收集錯誤，僅記錄1次溢流，如圖6所示。由于井漏問題調(diào)整鉆井液密度低于設計密度，于645 779 s在劃眼下鉆過程中發(fā)現(xiàn)溢流，隨后關井處理至655 029 s溢流消失。無約束智能模型與單約束智能模型于639 883 s開始警報，且兩者均于現(xiàn)場處理結束的655 029 s后仍存在部分警報，雙約束智能模型則于640 286 s開始警報，當現(xiàn)場645 779 s關井時警報間接停止，當655 029 s處理結束時，警報完全停止。

經(jīng)統(tǒng)計，在8口井累計64 d的現(xiàn)場試驗中，最終雙約束智能模型準確率為95.28%，相比于無約束智能模型，虛警率明顯降低，效果穩(wěn)定，可有效對溢流進行警報。

4" 結" 論

通過分析溢流與鉆井工況的表征參數(shù)，構建基于邏輯規(guī)則的工況識別模型；利用人工智能方法優(yōu)選鉆井參數(shù)并形成溢流智能預警基礎模型，結合小波分析后的立壓信號與溢流響應規(guī)則形成雙約束的溢流智能預警模型，并利用實際數(shù)據(jù)對模型進行驗證分析。結論如下：

（1）以邏輯規(guī)則為基礎構建了可實時識別8種鉆井工況的工況識別模型，與錄井數(shù)據(jù)進行對比驗證，平均誤差僅為0.57%，模型效果良好；提出利用小波分析提取溢流壓力波動，結合傳統(tǒng)與溢流智能診斷方法，提出了基于壓力信號與規(guī)則雙約束的溢流智能預警新方法。

（2）對無約束智能模型、單約束智能模型、雙約束智能模型與傳統(tǒng)診斷模型進行對比分析，結果表明，雙約束智能模型可以抑制無約束智能模型與單約束智能模型存在的虛假警報，相較于傳統(tǒng)診斷模型具有更高的效率與精確性。因此，雙約束智能模型可實現(xiàn)更快更準確的溢流警報。

（3）將雙約束智能模型應用于實際鉆井現(xiàn)場8口井、累計64 d，最終模型準確率為95.28%。此方法有望進一步保障現(xiàn)場鉆井安全，為智能鉆井提供基礎。

［1］" "劉偉，唐純靜，付加勝，等．復雜油氣溢漏早期識別與安全控制研究進展［J］．石油機械，2023，51（5）：9-16．

LIU W，TANG C J，F(xiàn)U J S，et al.Research progress of early identification and safety control of well kick and lost circulation complexities［J］.China Petroleum Machinery，2023，51（5）： 9-16.

［2］" 胡文瑞．地質(zhì)工程一體化是實現(xiàn)復雜油氣藏效益勘探開發(fā)的必由之路［J］．中國石油勘探，2017，22（1）：1-5．

HU W R.Geology-engineering integration-a necessary way to realize profitable exploration and development of complex reservoirs［J］.China Petroleum Exploration，2017，22（1）： 1-5.

［3］" 韓軍偉，楊紅滿，張軍陽．精確發(fā)現(xiàn)溢流研究及在西北工區(qū)現(xiàn)場應用［J］．錄井工程，2017，28（3）：69-74．

HAN J W，YANG H M，ZHANG J Y.Research on accurate kick discovery and field application in Northwest working area［J］.Mud Logging Engineering，2017，28（3）： 69-74.

［4］" RATHNAYAKA S，KHAN F，AMYOTTE P.Accident modeling approach for safety assessment in an LNG processing facility［J］.Journal of Loss Prevention in the Process Industries，2012，25（2）： 414-423.

［5］" FU J H，SU Y，JIANG W，et al.Development and testing of kick detection system at mud line in deepwater drilling［J］.Journal of Petroleum Science and Engineering，2015，135： 452-460.

［6］" ORBAN J J，ZANKER K J.Accurate flow-out measurements for kick detection，actual response to controlled gas influxes［C］∥SPE/IADC Drilling Conference and Exhibition.Dallas，Texas： SPE，1988： SPE 17229-MS.

［7］" DASHTI H H，RIAZI M R.Acoustic velocities in petroleum fluids： measurement and prediction［J］.Journal of Petroleum Science and Engineering，2014，124： 94–104.

［8］" 李軼明，夏威，羅方偉，等．隨鉆超聲波氣侵監(jiān)測工具原理及試驗研究［J］．石油機械，2020，48（10）：16-23．

LI Y M，XIA W，LUO F W，et al.Principle and experimental research of ultrasonic gas kick detecting while drilling Tool［J］.China Petroleum Machinery，2020，48（10）： 16-23.

［9］" 王金波．基于LWD和APWD的深水溢流早期監(jiān)測研究［D］．青島：中國石油大學（華東），2018．

WANG J B.Study on early kick detection based on the measured information LWD and APWD in deepwater drilling［D］.Qingdao： China University of Petroleum（East China），2018.

［10］" 周英操，劉偉．PCDS精細控壓鉆井技術新進展［J］．石油鉆探技術，2019，47（3）：68-74．

ZHOU Y C，LIU W.New progress on PCDS precise pressure management drilling technology［J］.Petroleum Drilling Techniques，2019，47（3）： 68-74.

［11］" 孫合輝，李鄧玥，黃漢軍，等．出口流量監(jiān)測技術在溢流預警方面的應用研究［J］．錄井工程，2014，25（4）：59-62．

SUN H H，LI D Y，HUANG H J，et al.Applied research of outlet flow monitoring technique for warning overflow［J］.Mud Logging Engineering，2014，25（4）： 59-62.

［12］" 李相方，莊湘琦，隋秀香，等．氣侵期間環(huán)空氣液兩相流動研究［J］．工程熱物理學報，2004，25（1）：73-76．

LI X F，ZHUANG X Q，SUI X X，et al.Study on two-phase gas-liquid flow during gas kick［J］.Journal of Engineering Thermophysics，2004，25（1）： 73-76.

［13］" 孫寶江，宋榮榮，王志遠．高含硫化氫天然氣氣侵時的溢流特性［J］．中國石油大學學報（自然科學版），2012，36（1）：73-79．

SUN B J，SONG R R，WANG Z Y.Overflow behaviors of natural gas kick well with high content of H_2S gas［J］.Journal of China University of Petroleum（Edition of Natural Science），2012，36（1）： 73-79.

［14］" 李軍，張金凱，任凱，等．鉆井氣侵工況壓力信號波動特征實驗研究［J］．鉆采工藝，2018，41（4）：4-7．

LI J，ZHANG J K，REN K，et al.Experimental study on pressure signal fluctuation characteristics under gas invasion conditions［J］.Drilling amp; Production Technology，2018，41（4）： 4-7.

［15］" LIANG H B，LI G L，LIANG W L.Intelligent early warning model of early-stage overflow based on dynamic clustering［J］.Cluster Computing，2019，22（1）： 481-492.

［16］" LIANG H B，LIU G，GAO J C，et al.Overflow remote warning using improved fuzzy c-means clustering in IoT monitoring system based on multi-access edge computing［J］.Neural Computing and Applications，2020，32（19）： 15399-15410.

［17］" DUAN S M，SONG X Z，CUI Y，et al.Intelligent kick warning based on drilling activity classification［J］.Geoenergy Science and Engineering，2023，222： 211408.

［18］" YIN Q S，YANG J，TYAGI M，et al.Field data analysis and risk assessment of gas kick during industrial deepwater drilling process based on supervised learning algorithm［J］.Process Safety and Environmental Protection，2021，146： 312-328.

［19］" YIN Q S，YANG J，TYAGI M，et al.Downhole quantitative evaluation of gas kick during deepwater drilling with deep learning using pilot-scale rig data［J］.Journal of Petroleum Science and Engineering，2022，208，Part A： 109136.

［20］" FJETLAND A K，ZHOU J，ABEYRATHNA D，et al.Kick detection and influx size estimation during offshore drilling operations using deep learning［C］∥2019 14th IEEE Conference on Industrial Electronics and Applications （ICIEA）.Xian，China： IEEE，2019： 2321-2326.

［21］" 付加勝，劉偉，韓霄松，等．基于CNN-LSTM融合網(wǎng)絡的溢流早期預測深度學習方法［J］．石油機械，2021，49（6）：16-22．

FU J S，LIU W，HAN X S，et al.CNN-LSTM fusion network based deep learning method for early prediction of overflow［J］.China Petroleum Machinery，2021，49（6）： 16-22.

［22］" 范霖，蘇懷，彭世亮，等. 基于供氣可靠性的天然氣管道系統(tǒng)預防性維護方案智能優(yōu)化方法［J］. 中國石油大學學報（自然科學版），2023，47（1）：134-140.

FAN L， SU H， PENG S L， et al. Supply-reliability based method of intellectual optimization on preventive maintenance strategy for natural gas pipeline system［J］. Journal of China University of Petroleum（ Edition of Natural Science），2023，47（1）：134-140.

［23］" 張礦生，宮臣興，陸紅軍，等. 基于集成學習的井漏智能預警模型及智能推理方法［J］. 石油鉆采工藝，2023，45（1）：47-54.

ZHANG K S， GONG C X， LU H J， et al." Intelligent" early" warning model and intelligent reasoning method based on integrated learning for loss circulation［J］. Oil Drilling amp; Production Technology， 2023， 45（1）： 47-54.

［24］" 吳澤兵，谷亞冰，姜雯，等. 基于遺傳優(yōu)化算法的井底鉆壓智能預測模型［J］. 石油鉆采工藝， 2023，45（2）：151-159.

WU Z B， GU Y B， JIANG W， et al. Intelligent prediction models of downhole weight on bit based on genetic optimization algorithm［J］. Oil Drilling amp; Production Technology， 2023， 45（2）： 151-159.

［25］" 李輝， 滿曰南， 李紅星， 等. 基于相對熵改進模糊 C 均值聚類的溢流預警研究［J］. 鉆采工藝， 2023， 46（3）： 165-170.

LI H ， MAN Y N ， LI H X ， et al. Research on kick warning based on relative entropy improved fuzzy c-mean clustering［J］. Drilling amp; Production Technology， 2023， 46（3）： 165-170.

［26］" 樊洪海．實用鉆井流體力學［M］．北京：石油工業(yè)出版社，2014．

FAN H H.Practical drilling fluid mechanics［M］.Beijing： Petroleum industry press，2014.

［27］" 冀海峰．小波分析技術在兩相流檢測中的應用研究［D］．杭州：浙江大學，2002．

JI H F.Applications of wavelet analysis to the measurement of Two-Phase flow［D］.Hangzhou： Zhejiang University，2002.

［28］" 白麗麗，孫文峰，高金蘭，等．基于多參數(shù)控制的鉆井事故監(jiān)測預警系統(tǒng)［J］．化工自動化及儀表，2017，44（7）：643-647．

BAI L L，SUN W F，GAO J L，et al.Drilling accident monitoring and early-warning system based on multi-parameter control［J］.Control and Instruments in Chemical Industry，2017，44（7）： 643-647.

第一段世明，在讀博士研究生，生于1998年，研究方向為溢流預警與多相流流動計算。地址：（102249）北京市昌平區(qū)。email：2020310163@student.cup.edu.cn。

通信作者：宋先知，教授。email：songxz@cup.edu.cn。2023-12-30" 修改稿收到日期：2024-08-10劉鋒