1. 技术原理
在钻井过程中，特别是高温高压深井，会遇到各种复杂情况和挑战，井漏是其中最为费钱费时的钻井难题之一。为了避免井漏，很多研究人员通过电阻率测井、计算井筒温度剖面和循环当量密度等方式预测井漏。然而，这些方法在应用过程中绝大多数会由于费用或技术原因而无法成功应用。法赫德国王石油与矿业大学的研究表明，支持向量机的机器学习技术（SVM）具有最优超平面的特征，增加了在良好的三维特征空间中训练样本的空间，在预测钻井漏失方面具有比人工神经网络和传统方法更高的精度。
2. 关键技术
SVM技术需要井漏记录数据和相关钻井参数。井漏数据包括出口流量、漏失井深；输入的钻井参数包括井深、大钩载荷、大钩高度、机械钻速、转速、立压、扭矩、钻压等。再对数据进行处理，去除无效值，并进行过滤和平滑后，将单井的钻井参数分成两组，一组用来机器学习和训练，另一组用来测试预测结果的精度，最终达到钻井漏失预测的目标。
3. 创新点及技术优势
SVM在井漏预测方面具有较高的精度，而且仅需钻压、扭矩、大钩载荷、转速、钻井液密度、钻井液出口流量。该技术同时也考虑了地层因素，主要反映在机械钻速和扭矩上。在钻进漏失层前，可帮助现场钻井工程师提前预测，从而及早调整钻井参数或堵漏方案。
4. 现场应用情况
分别利用SVM技术和基于径向基的神经网络技术（RBF）对某单井的漏失情况进行了预测。该实例中75%的数据用于训练，25%的数据用于测试和修正相关模型。结果显示，RBF技术的预测相关系数0.981，均方根误差0.097，而SVM预测漏失相关度为1，均方根误差为0。
图1 基于RBF技术和SVM技术井漏预测结果对比
（刘劲歌 编译）
《石油工程科技动态》相关信息编译于国内外石油公司网站、发表的论文、专利等，欢迎分享至朋友圈；未经允许，请勿转载！中国石化石油工程技术研究院 战略规划研究所
发布者：cubeoil，转转请注明出处：//www.mirrorballz.com/archives/886
