Model predykcyjny utraty cyrkulacji oparty na parametrach wiercenia z wykorzystaniem sieci neuronowej PSO-BP

Dlaczego ważne jest utrzymanie płuczki w otworze

Gdy firmy wiercą głęboko w poszukiwaniu ropy i gazu, polegają na ciężkiej płuczce, która utrzymuje odwiert pod kontrolą. Jeśli ta płuczka nagle zniknie w szczelinach skały, prace trzeba przerwać, koszty rosną, a prawdopodobieństwo niebezpiecznych zdarzeń, takich jak wyrzut z szybu, wzrasta. W artykule opisano nowy sposób wczesnego wykrywania takich strat, wykorzystujący inteligentny model komputerowy uczący się na rzeczywistych danych z wierceń i mogący ostrzec inżynierów, zanim drobne problemy przerodzą się w poważne wypadki.

Co oznacza, gdy odwiert zaczyna „pić”

Podczas wiercenia pompy tłoczą płuczkę w dół rurą wiertniczą, a następnie w górę w przestrzeni między rurą a ścianą otworu, zabierając urobek i równoważąc ciśnienia podziemne. Utrata cyrkulacji ma miejsce, gdy płuczka ucieka do otaczającej skały zamiast wracać na powierzchnię. Może przesączać się przez naturalne szczeliny i pory, albo wymusić powstanie nowych pęknięć, jeśli jest zbyt ciężka. W obu przypadkach na powierzchni obserwuje się mniejszy powrót płuczki, a odwiert może szybko stać się niestabilny — grozi to zapadnięciem się otworu, zakleszczeniem rur czy „kiksem”, gdy płyny formacyjne wtłaczają się do szybu.

Odczytywanie parametrów życiowych płuczki

W terenie rejestruje się wiele pomiarów co kilka sekund: ile płuczki mieści się w zbiornikach powierzchniowych, jak szybko płynie do i z odwiertu, jakie ciśnienie jest potrzebne do jej wtłoczenia, jak szybko wierci się koroną i jak duże obciążenie występuje na kolumnie wiertniczej. Autorzy wykazują, że żaden pojedynczy odczyt nie wystarcza do wiarygodnego wykrycia problemu; istotne są wzorce łączące kilka sygnałów. Korzystając ze statystyki i wiedzy praktyków, zawężają długą listę parametrów do małego zestawu najlepiej odzwierciedlającego zdarzenia utraty: całkowita objętość w pitach, ciśnienie w stojaku pompowym, różnica między przepływem do i z odwiertu, obciążenie top drive (lub haka), szybkość penetracji, gęstość płuczki oraz kierunek odwiertu. Razem te wskaźniki działają jak parametry życiowe stanu odwiertu.

Nauka cyfrowego roju rozpoznawania problemów

Zespół buduje system ostrzegania wokół typu sztucznej sieci neuronowej — elastycznego modelu, który potrafi wychwycić złożone zależności ukryte w danych. Samodzielnie taka sieć może jednak uczyć się powoli i utknąć w rozwiązywaniach podsoptimalnych. Aby temu zaradzić, badacze łączą ją z optymalizacją rojem cząstek — algorytmem inspirowanym przez stada ptaków szukających pożywienia. Każda „cząstka” w roju reprezentuje możliwy zestaw ustawień sieci neuronowej. Porównując, jak dobrze każdy zestaw przewidywał przeszłe przypadki strat, roj porusza się zbiorowo w stronę lepszych rozwiązań. W ten sposób optymalizacja rojem służy do strojenia wewnętrznych połączeń sieci przed końcowym treningiem, co przyspiesza uczenie i zwiększa stabilność.

Z hałaśliwych danych terenowych do wczesnych ostrzeżeń

Rzeczywiste dane z wierceń są chaotyczne — zawierają brakujące wartości, szum z czujników i sporadyczne błędne pomiary. Autorzy najpierw oczyszczają zbiór danych z kilku szybów w zachodnich Chinach, usuwają obserwacje odstające, kodują wpisy opisowe i skalują wszystkie liczby do wspólnego zakresu, aby żadna zmienna nie dominowała. Następnie analizują siłę związku każdego parametru ze zdarzeniami utraty i zachowują tylko te, które wnoszą odrębne informacje. Po przetrenowaniu hybrydowego modelu na dziesiątkach zarejestrowanych odcinków z utratami i normalnymi interwałami testują go na nowych fragmentach odwiertów. Model nie tylko śledzi wzrosty i spadki kluczowych parametrów, lecz także przekształca te wzorce w jasną prognozę, czy utrata jest prawdopodobna.

Jak dobrze działa inteligentny nadzorca

Aby ocenić, czy nowe podejście jest warte zastosowania w praktyce, autorzy porównują je z kilkoma alternatywami: zwykłą siecią neuronową i wersjami strojonymi przez dwie inne techniki optymalizacyjne. Używają standardowych miar błędu i pokazują, że sieć strojona przez optymalizację rojem przewiduje utratę cyrkulacji dokładniej niż pozostałe, dopasowując się do rzeczywistych obserwacji z mniejszymi rozbieżnościami. W odwiertach testowych model poprawnie identyfikuje strefy, w których płuczka zostanie utracona, i szacuje skalę problemu, dostarczając przydatnego ostrzeżenia w trakcie trwania wiercenia.

Co to oznacza dla bezpieczniejszego i tańszego wiercenia

Mówiąc prosto, badanie pokazuje, że połączenie praktycznej wiedzy wiertniczej z zaawansowanymi narzędziami rozpoznawania wzorców może stworzyć wiarygodny system wczesnego ostrzegania, gdy odwiert zaczyna „przeciekać” płuczką do skały. Monitorując garść starannie dobranych sygnałów i pozwalając cyfrowemu rojowi dopracować mechanizm predykcji, metoda osiąga wysoką dokładność i ogranicza fałszywe alarmy. Jeśli zostanie wdrożona w systemach monitoringu czasu rzeczywistego, może pomóc wiertnikom reagować wcześniej — dostosowując właściwości płuczki lub warunki pracy zanim wystąpią poważne straty — zmniejszając ryzyko, oszczędzając czas i pieniądze oraz stanowiąc wzór dla podobnych narzędzi bezpieczeństwa w innych projektach podziemnych i inżynierii konstrukcyjnej.

Cytowanie: Wang, Z., Yang, M., Du, P. et al. Prediction model of lost circulation based on drilling parameters with PSO-BP neural network. Sci Rep 16, 13976 (2026). https://doi.org/10.1038/s41598-026-44613-2

Słowa kluczowe: utrata cyrkulacji, bezpieczeństwo wiercenia, sieć neuronowa, optymalizacja rojem cząstek, wczesne ostrzeganie