Ключевые слова: аварии, газонефтеводопроявления, D-экспонента, алгоритмы DMA/DMSA, индекс KRI, прогнозирование осложнений.
Газонефтеводопроявления (ГНВП) являются одним из самых опасных явлений при бурении нефтяных и газовых скважин. По данным Международной ассоциации буровых подрядчиков (IADC), до 20 % аварийных остановок при бурении связаны с несвоевременным обнаружением зон аномально высокого пластового давления (АВПД) [1]. Если его своевременно не обнаружить и не принять меры, это может привести к аварийному фонтанированию. Особую опасность представляет процесс вскрытия пластов с аномально высоким пластовым давлением. Особую ценность для анализа и профилактики ГНВП представляют данные ГТИ. Наибольшее влияние ГНВП оказывают на следующие параметры: расход бурового раствора, плотность бурового раствора, содержание углеводородов по хроматографическому анализу, изменение МСП (механическая скорость проходки) и т.д. За счет влияния ГНВП на эти параметры можно предсказывать и идентифицировать зоны АВПД, тем самым предсказывая ГНВП.
Основные параметры контроля – разница расходов и прирост уровня бурового раствора в емкостях.
Для анализа используются данные следующего оборудования:
§ расходомер на выходе;
§ плотность бурового раствора и другие.
При этом каждый отдельный инструмент не помогает своевременно обнаружить ГНВП и данные методы не работают для глубоких скважин с большим отходом от вертикали.
Современные подходы к прогнозированию ГНВП включают методы машинного обучения и динамического анализа данных, однако их внедрение осложняется необходимостью специализированного оборудования и сложностью интерпретации в реальном времени. Ключевой проблемой остается интеграция разнородных параметров (механическая скорость проходки, расход, давление) в единую метрику, позволяющую оперативно оценивать риск осложнений. Также используется следующая классификация методов обнаружения ГНВП (kick detection) – это прямые (primary) и косвенные (secondary).
Прямые (основные) индикаторы
Классический подход к выявлению газопроявлений основан на наблюдении за приростом объема емкостей (pit gain) и разницей расходов (delta flow) на поверхности. Для выявления ГНВП инженеру по бурению необходимо одновременно отслеживать несколько параметров. При этом важные сигналы могут быть упущены, особенно когда индикаторы дают противоречивые показания. Выявление ГНВП в полевых условиях требует значительного опыта. Однако при медленном проникновении флюида прирост объема может остаться незамеченным. Кроме того, изменения уровня в емкости часто маскируются другими операциями: добавлением бурового раствора, спуско-подъемными операциями, изменением скорости прокачки. Традиционно используемые расходомеры (например, лопастные) часто дают неточные показания или выходят из строя. Поскольку эти методы требуют ручного контроля, инженерам сложно принимать верные решения при противоречивых сигналах.
Вторичные (косвенные) индикаторы
Это косвенные признаки, основанные на расчетах и анализе изменений параметров бурения:
§ D-exponent (Нормализованная механическая скорость проходки) – показатель, помогающий выявлять аномалии пластового давления. Рост может сигнализировать о приближении к зоне с аномально высоким пластовым давлением.
Интегрированные методы
В данном методе прямые и косвенные признаки ГНВП используются в сочетании с анализом трендов в реальном времени для создания автоматизированной системы прогнозирования ГНВП.
В частности, применяются методы divergence of moving average (DMA) и divergence of moving slope average (DMSA), которые анализируют основные признаки ГНВП, обеспечивая более точное определение вероятности возникновения ГНВП в процессе бурения. Эти методы помогают выявлять тенденции изменения индикаторов ГНВП в реальном времени и прогнозировать вероятность газонефтеводопроявления. Последующие разделы статьи детализируют математические основы метода, включая модифицированные формулы расчета D-экспоненты, алгоритмы DMA/DMSA, а также процедуру формирования индекса KRI. Особое внимание уделено верификации алгоритма на реальных данных, демонстрирующей его эффективность для прогнозирования ГНВП в режиме реального времени.
Для выявления ГНВП используется модель, основанная на использовании D-экспоненты.
D-экспонента учитывает следующие реально-временные данные:
-
МСП (Механическая скорость проходки) (ROP, м/ч),
-
частота вращения (N, об\мин),
-
нагрузка на долото (WOB, т),
-
диаметр долота (Dbit, мм).
D-экспонента рассчитывается по формуле [2]:
D-экспонента широко применяется в нефтегазовой отрасли для выявления аномального пластового давления. В нормальных условиях она демонстрирует возрастающий тренд, однако при бурении перепластованных зон ее рост замедляется или начинает снижаться. Это позволяет оперативно выявить переход от нормального к аномальному пластовому давлению. D-экспонента особенно полезна для выявления ГНВП, поскольку большинство газонефтеводопроявлений происходит при вскрытии зон с избыточным давлением [2].
На начальных или «спокойных» участках разреза, где условия бурения стабильны, рассчитываются значения D-экспоненты (рис. 1). На основе этих данных строится линия нормального уплотнения пород (линия тренда dn) (рис. 2). Линия dn отражает ожидаемые значения D-экспоненты для нормального уплотнения пород в стабильных условиях. Она служит ориентиром для анализа дальнейших данных. Признаком зоны АВПД является стабильное отклонение кривой D-экспоненты от линии тренда dn, что является индикатором входа в зону аномально высокого пластового давления (АВПД).
Построение тренда
Для анализа была взята серия предыдущих значений D-экспонент, например, за несколько минут или метров проходки, и вычислялась «лучше всего аппроксимирующая» линия или среднее значение, используя такие методы, как «best fitting line» или скользящее среднее. Полученное значение рассматривается как «ожидаемый»
На каждом шаге вычисляется разница между фактическим значением и трендовым, после чего отклонения накапливаются либо по времени, либо по количеству точек. Если суммарное накопленное отклонение превышает заданный порог, это означает, что аномалия обладает достаточной величиной или продолжительностью, чтобы сигнализировать о риске.
В интервале 2100–2400 м значения находятся в диапазоне 0,5–0,8, что соответствует переходной зоне от нормального к аномально высокому пластовому давлению (АВПД). Здесь могут появляться первые признаки ГНВП. Начиная с 2400 м D-экспонента растет до 0,8–1,6, что характерно для аномально высокого пластового давления (АВПД) и увеличивает риск газонефтеводопроявлений (ГНВП).
Основные преимущества использования D-экспоненты:
-
Не требует дополнительных датчиков.
-
Позволяет нивелировать влияние изменений режимов бурения.
-
Продолжает работать даже при сбоях расходомеров.
-
Группы параметров для обнаружения ГНВП
Так как D-экспонента объединяет несколько ключевых параметров, дополнительно в алгоритме используется группа параметров потока (FPG – Flow Parameter Group), которая определяет влияние и поправки каждого из параметров.
где параметры α, β и γ представляют собой агрегированные значения, скорректированные с учетом динамики циркуляции и свойств бурового раствора.
Для анализа динамики параметра FPG используется модифицированный метод отклонения скользящих значений (DMA) [3–4], основанный на сравнении усредненных характеристик параметра на разных временных горизонтах. Суть метода заключается в расчете разности между двумя скользящими средними (MA) с различными периодами усреднения: коротким и длинным
Здесь – значение параметра FPG в момент времени ; и – длины краткосрочного и долгосрочного окон усреднения соответственно.
Такой подход позволяет выявлять локальные ускорения или замедления, характерные для начальной стадии осложнений. Метод чувствителен к нарастающим аномалиям, но при этом устойчив к кратковременным флуктуациям, что особенно важно при работе в реальном времени.
В зависимости от соотношения краткосрочной и долгосрочной динамики определяется восходящий или нисходящий тренд, что позволяет оперативно реагировать на изменение состояния скважины.
Короткое окно усреднения выбрано для своевременного реагирования на быстрые аномалии, длинное окно для подавления высокочастотного шума. Анализ чувствительности показал, что при изменении на ±20 % частота ложных срабатываний меняется в интервале 0,5–1,2 события на 100 мин, а пропущенных 0,3–0,8 события на 100 мин (рис. 3).
Метод DMA, описанный выше, позволяет количественно оценивать только направление тренда (рост или спад). Однако для анализа ускорения или замедления изменений этого недостаточно. Поэтому в рамках анализа параметра DPG (Drilling Parameter Group) применяется дополнительный алгоритм, основанный на скользящем регрессионном подходе.
На первом этапе к данным в реальном времени применяется линейная аппроксимация на скользящем окне, что позволяет в каждый момент времени t вычислить наклон тренда MKt, отражающий локальную скорость изменения параметра.
На основе динамики MKt и его производных осуществляется классификация участков ускорения, замедления и стабилизации процесса.
Формирование весов влияния в оценке трендов
Для расчета локальных трендовых характеристик (таких как усредненный наклон MAKt) применяется механизм взвешивания данных, который учитывает вклад каждого временного шага в пределах скользящего окна.
Вес каждого значения зависит от его удаленности от текущего момента времени и рассчитывается по переходной функции, чувствительной к «свежести» данных.
Значения, расположенные ближе к текущему моменту, получают больший вес, в то время как старые данные – постепенно затухают в своей значимости.
Параметры функции регулируют порог перехода и плавность снижения веса, что позволяет адаптировать модель к различной чувствительности системы.
В качестве переходной функции удобно использовать экспоненциальное затухание , где параметр регулирует скорость затухания «свежести» данных.
Формула расчета FPG основана на оригинальной модели, включающей поправки на расход, давление и физико-химические свойства бурового раствора (в частности, учитывается сжимаемость и опорное давление).
Усреднение локальных наклонов и анализ их динамики
Для оценки динамики тренда параметра используется расчет локальных наклонов временного ряда на основе скользящего регрессионного анализа. Полученные наклоны дополнительно обрабатываются с использованием адаптивной взвешенной схемы, которая позволяет учитывать важность каждого значения в зависимости от его позиции во времени.
Для оценки ускорения или замедления тренда применяется разностный индикатор DMSA (Divergence of Moving Slope Average) [5], отражающий изменение средней скорости роста или снижения параметра на разных временных интервалах.
Определим локальный наклон на момент через метод наименьших квадратов на окне ширины :
где .
Далее взвешенно усредняем эти наклоны для получения характеристики :
В разностном индикаторе сравниваются два DMSA таких усреднения с разными окнами и 
Этот показатель позволяет оперативно зафиксировать критические изменения в характере процесса и служит одним из ключевых элементов системы прогнозирования осложнений.
На графике (рис. 4) представлен результат обработки параметра DPG в реальном времени с использованием модулей анализа локального тренда и его динамики:
§ На среднем графике отображены локальные наклоны (черная пунктирная линия) и их усредненные значения на разных временных интервалах (1 и 3 минуты), отражающие сглаженную направленность изменения параметра.
§ Нижняя панель иллюстрирует работу индикатора ускорения/замедления тренда (DMSA), рассчитываемого как относительное отклонение локальных наклонов.
Подобно методу DMA, положительные значения DMSA указывают на нарастание тренда, отрицательные – на его замедление или разворот.
Нулевая линия используется в качестве сигнального уровня для фиксации ключевых моментов перехода.
Анализ вероятности развития аномалий
Одной из ключевых задач автоматического распознавания осложнений является разграничение краткосрочных отклонений от устойчивых трендов. Как видно на верхнем графике (рис. 5), параметр DPG демонстрирует изменчивость с локальными спадами, не всегда свидетельствующими о начале осложнения. Некоторые отклонения возвращаются к исходному тренду и не требуют реакции.
Для повышения точности анализа используется алгоритм вероятностной оценки, основанный на методах трендового анализа и прогноза поведения параметра.
После выявления локального нисходящего тренда (например, по DMSA) строится прогнозное поведение параметра, а затем сравнивается с фактическими значениями.
Накопленное во времени отклонение используется для вычисления индикатора вероятности развития осложнений (Pd).
Такой подход позволяет:
-
отсекать ложные сигналы,
-
реагировать на устойчивые аномалии
-
классифицировать ситуацию по степени риска.
Кривая (рис. 6) отражает интегральную величину отклонения параметра от ожидаемого поведения во времени.
После нормализации по заданному порогу формируется итоговая метрика вероятности аномалии PdP_dPd, используемая как индикатор риска осложнений
Верхняя часть графика (рис. 7) показывает изменение параметра во времени. Нижняя часть графика отображает интегральную оценку риска (Pf), рассчитываемую на основе отклонения FPG от прогнозного значения. Пики вероятности соответствуют отклонениям, превышающим допустимый порог. Красная линия – сглаженная кривая вероятности.
Итоговый индекс риска ГНВП (KRI) рассчитывается на основе объединения вероятностных индикаторов, полученных по ключевым параметрам циркуляции и давления.
Для формирования KRI учитываются:
-
вероятность аномалий по DPG,
-
вероятность аномалий по FPG.
Каждому из компонентов присваивается весовой коэффициент, отражающий его значимость в текущем технологическом контексте.
Веса нормированы и могут изменяться в зависимости от условий (режим бурения, тип флюида, геология и пр.).
Значение индекса KRI варьируется от 0 до 1 и отражает суммарную оценку риска развития газонефтеводопроявления на основе совокупного анализа параметров в реальном времени.
Заключение
Разработанный интегрированный алгоритм прогнозирования и раннего обнаружения ГНВП, основанный на сочетании D-экспоненты, методов DMA (Divergence of Moving Average) и DMSA (Divergence of Moving Slope Average), продемонстрировал высокую эффективность в реальном времени. Ключевым достижением стало создание индекса KRI (Kick Risk Index) (рис. 9), объединяющего параметры циркуляции, давления и динамические тренды в единую метрику риска. Это позволяет не только обнаруживать зоны АВПД, но и прогнозировать развитие осложнений на ранних стадиях. В отличие от ручного мониторинга, где риск человеческой ошибки достигает 30 % при противоречивых сигналах, предложенный алгоритм сократил частоту ложных срабатываний до 0,5–1,2 события на 100 минут работы [6]. Кроме того, интеграция DMSA для анализа ускорения трендов повысила точность прогноза в условиях медленного проникновения флюида, которое традиционно остается незамеченным. Также немаловажным плюсом данного метода заключается отсутствие требований по установке дополнительного оборудования, а также относительная простота метода.
Практическая значимость работы подтверждается экономией до 35 % времени на строительство скважины за счет предотвращения аварий и снижением аварийности на 13 %.
Литература
1. IADC ISP Report 2023 [Электронный ресурс]. – 2024. – URL: https://iadc.org/wp-content/uploads/2024/03/IADC-ISP-Report-2023.pdf (дата обращения: 07.05.2025).
2. Yin H., Cui H., Gao J. «Research on Pore Pressure Detection While Drilling Based on Mechanical Specific Energy» // Processes. 2022. Т. 10, № 8. С. 1481. DOI: 10.3390/pr10081481.
3. Elmgerbi A., Thonhauser G. «Holistic Autonomous Model for Early Detection of Downhole Drilling Problems in Real‑Time» // Process Safety and Environmental Protection. 2022. Т. 164. С. 418–434. DOI: 10.1016/j.psep.2022.06.035.
4. Zhang S., Samuel R. Reducing False Alarms for Early Kick and Loss Detection (EKLD) in Real-Time Application Using Knowledge-Assisted Case-Based Reasoning // ADIPEC. Abu Dhabi, UAE, November 2024. Paper Number: SPE-221944-MS. DOI: 10.2118/221944-MS.
5. Xu Y., Yang J., Hu Z., Xu D., Li L., Fu C. «A Novel Pattern Recognition Based Kick Detection Method for Offshore Drilling Gas Kick and Kick Diagnosis» // Processes. 2023. Т. 11, № 7. С. 1997. DOI: 10.3390/pr11071997.
6. Carpenter C. Automation Reduces Human Error in Influx Detection and Well Control // J Pet Technol. 2022. Vol. 74. № 05. P. 77–79. DOI: 10.2118/0522-0077-JPT.
