CN105102760A - 用rimlier数据对井孔事件建模的系统、方法和计算机程序产品 - Google Patents

用rimlier数据对井孔事件建模的系统、方法和计算机程序产品 Download PDF

Info

Publication number
CN105102760A
CN105102760A CN201280076859.XA CN201280076859A CN105102760A CN 105102760 A CN105102760 A CN 105102760A CN 201280076859 A CN201280076859 A CN 201280076859A CN 105102760 A CN105102760 A CN 105102760A
Authority
CN
China
Prior art keywords
rimlier
data
cluster
modeling
abnormal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201280076859.XA
Other languages
English (en)
Inventor
罗贝洛·塞缪尔
O·R·杰曼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Landmark Graphics Corp
Original Assignee
Landmark Graphics Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Landmark Graphics Corp filed Critical Landmark Graphics Corp
Publication of CN105102760A publication Critical patent/CN105102760A/zh
Pending legal-status Critical Current

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02818—Density, viscosity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G06F16/24565—Triggers; Constraints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Complex Calculations (AREA)

Abstract

一种数据挖掘和分析系统，其分析异常数据的集群(即，rimlier)以检测和/或预测井下事件。

Description

用RIMLIER数据对井孔事件建模的系统、方法和计算机程序产品
技术领域
本发明总体涉及数据挖掘和分析，并且更具体地，涉及分析异常井孔数据的一个或多个集群或“rimlier”以对井下事件进行建模的系统。
背景技术
在过去，已经提出数据挖掘来预测井孔事件。传统上，在数据提取后，异常数据被除去以使数据齐次，因为为了执行对数据进行建模所必要的计算，系统隐含假定数据是齐次的并且质量良好。因此，如果异常数据未被除去，则传统的时序模型，诸如Arima、支持向量机等，将在钻孔领域中失败，因为他们不能处理异常数据，该异常数据可以被看作偏离统计结果的不期望的噪声。一旦异常数据已被除去，则清理过的数据集然后被用于基于图案或趋势预测事件。
然而，传统的方法具有缺点。首先，除去的异常数据可以给予对过去、现在或将来的井下事件的更深入了解，诸如，例如，钻头故障、由于振动的工具故障等。除去的异常数据实际上可表示较低频率的微事件，而非表示噪声。这样，通过除去异常数据，给予对井下事件了解的关键数据可被忽视。
因此，在现有技术中需要利用异常数据检测和预测井孔事件，从而利用井下数据的所有可用数据的系统。
附图说明
图1示出根据本发明的示例性实施例的rimlier数据分析系统的方框图；
图2A是根据本发明的示例性方法通过rimlier数据分析系统执行的方法的流程图；
图2B示出沿时序绘制的示例性低密度rimlier；
图2C示出沿时序绘制的示例性高密度rimlier；
图2D示出根据本发明的示例性实施例的正常数据、低密度异常和rimlier的数据分布；
图2E示出根据本发明的示例性实施例的正常和异常高密度rimlier的数据分布；
图2F示出根据本发明的示例性实施例的沿时序绘制的头-rimlier-尾分布；以及
图3示出根据本发明的示例性实施例的随钻测量变量和它们相对于时间的影响。
具体实施方式
本发明的说明性实施例和相关方法在下面描述为他们可以在系统中采用以使用rimlier数据对井下事件进行建模。如本文所使用的，对井下事件进行“建模”是指检测和/或预测井下事件。为了清楚起见，实际实施或方法的非全部特征在本说明书中进行了描述。当然应当理解，在任何这种实际实施例的发展中，必须做出许多实施特定的决策，以实现开发者的特定目标，诸如符合将从一个实施到另一个实施改变的系统相关和商业相关的限制。此外，应当理解，这种发展成果可能是复杂和费时的，但仍然是对于具有本公开的益处的本领域技术人员承担的例行任务。考虑下面的描述和附图，本发明的各种实施例和相关方法的进一步的方面和优点将变得显而易见。
图1示出根据本发明的示例性实施例的rimlier数据分析系统100的方框图。如将在本文中所描述的，rimlier数据分析系统100分析显示异常行为的一组异常数据，在此也称为集群，在本文中称为“rimlier”。一旦被识别，rimlier数据分析系统100分析rimlier以确定指示井下事件的发生的rimlier内的那些数据变量。然后，基于该分析，rimlier数据分析系统100对(即，检测和/或预测)井下事件进行建模，诸如，例如，通常特征在于瞬时不规律行为的那些事件，诸如由工具振动、在牙轮钻头的情况下的轴承故障、钻头或扩孔器齿故障、增加的岩屑床、井底组件的旋转等引起的行为。
通过rimlier数据分析系统100分析的数据可以是实时数据或存储在本地/远程数据库中。该数据库可以包括例如一般井和作业信息、作业级概要数据、泵送进度表单个阶段数据，或通常在日常操作报告中捕获的指示操作进度和井的整体状态的其他数据。这种数据可以包括例如最终套管柱部件和其设定深度、进行中的钻柱、井底钻孔组件和用于钻孔的钻头和其尺寸等。本发明的示例性实施例访问数据库以提取一个或多个所希望的数据集。然后，该系统为指示图案或趋势的变量分析数据集，并且因此确定正常数据点和偏离正常数据点的也称为异常的那些数据点。
之后，rimlier数据分析系统100使用已知的统计挖掘技术对异常分组，并且将其隔离成低密度异常集群和高密度异常集群。如本文所用，聚类不仅指传统的聚类技术，诸如，例如，核K均值聚类，还指其他分组技术，诸如，例如，人工视觉识别和更先进的计算技术，如具有本公开的益处的本领域技术人员将理解的。低密度异常集群是具有低数量的数据点的那些集群，而高密度异常集群是具有较高数量的数据点的那些集群。具有本公开的益处的本领域技术人员认识到，其中哪个集群被认为是高密度和低密度的确定依在给定的异常数据集中的数据点的总数量而定。例如，在一些情况下，100个数据点的异常集群可以不反映实际的井下问题；但是可以替代地反映电信号尖峰。在另一示例中，10个数据点的异常集群可反映实际的井下问题，并且因此被认为是高密度集群。然而，如将在本文中所描述的，rimlier数据分析系统100然后分析高密度异常集群或rimlier以对井下事件进行建模。
参照图1，rimlier数据分析系统100包括至少一个处理器102、非临时性计算机可读存储设备104、收发器/网络通信模块105、可选I/O设备106，以及可选显示器108(例如，用户界面)，它们全部经由系统总线109互连。由处理器102可执行的软件指令可被存储在存储设备104或一些其他计算机可读介质中，该软件指令用于根据本文描述的示例性实施例实施存储在rimlier分析引擎110内的软件指令。
虽然没有在图1中明确示出，但应当认识到，rimlier数据分析系统100可以经由一个或多个适当的网络连接而连接到一个或多个公共和/或专用网络。还应当认识到，包括rimlier分析引擎110的软件指令还可以从CD-ROM或其他适当的存储介质经由有线或无线通信方法被加载到存储设备104。
此外，本领域技术人员将理解，本发明可以用各种计算机系统配置实践，包括手持式设备、多处理器系统、基于微处理器的或可编程的消费者电子产品、小型计算机、大型计算机等。任何数量的计算机系统和计算机网络都可以接受用于与本发明一起使用。本发明可以在分布式计算环境中实践，其中任务由通过通信网络链接的远程处理设备执行。在分布式计算环境中，程序模块可以位于包括存储器存储设备的本地和远程计算机存储介质中。本发明可以因此关于计算机系统或其他处理系统中的各种硬件、软件或它们的组合来实施。
仍参照图1，在某些示例性实施例中，rimlier分析引擎110包括数据挖掘模块112和数据分析模块114。Rimlier分析引擎110提供集成各种系统部件的技术工作流平台，使得一个部件的输出变成下部件的输入。在示例性实施例中，数据挖掘和分析引擎110可以是例如通过得克萨斯州休斯敦的哈里伯顿能源服务公司商购的AssetConnetTM软件平台。如由具有本公开的益处的本领域技术人员所理解的，数据库挖掘和分析引擎110提供了集成的多用户生产工程环境，以促进简化的工作流实践、音响工程和快速决策。在这样做时，rimlier分析引擎110简化了多域工作流的创建，并允许任何种类的应用到整合单一的工作流中。这些相同的本领域技术人员也将认识到，其他类似的工作流平台可以与本发明一起利用。
作为rimlier分析引擎110的数据库部件，数据挖掘模块112由处理器102用于从服务器数据库(未示出)或从实时井下数据捕获用于计算的良好相关的数据集。在某些示例性实施例中，服务器数据库可以是例如本地或远程SQL服务器，其包括与井作业细节、井孔几何数据、每个阶段的泵送进度表、后作业的概要、井底信息等相关的数据变量。在另一示例性实施例中，数据挖掘模块112使用本领域已知的方法从井下源接收实时数据。如将在本文中所描述的，本发明的示例性实施例利用数据挖掘模块112，以使用服务器查询从数据库或对应于不同作业ID的井下数据源捕获关键变量。在数据被提取或接收后，rimlier分析引擎110将数据集传递到数据分析模块114。
数据分析模块114由处理器102用来分析由数据挖掘模块112提取的数据。示例性数据分析平台可以是例如，如将被具有本公开益处的本领域技术人员容易地理解的。如本文所述，rimlier数据分析系统100经由数据分析模块114分析该数据集以识别用于对井下事件进行建模的rimlier。
现在参照图2A，现在将描述由本发明执行的示例性方法200。在该示例性方法中，rimlier数据分析系统100分析异常数据的一个或多个集群，或rimlier，以识别指示一个或多个井下事件的那些数据变量，并且之后对那些井下事件进行建模。例如，rimlier数据分析系统100可以被用于检测和/或预测特定的作业是否已经或将要经历筛选、破坏振动事件、钻头故障等。这样，下面的方法将描述rimlier数据分析系统100如何挖掘和分析数据以对此类井下事件进行建模。
在方框202处，rimlier数据分析系统100初始化并经由显示器108显示图形用户界面，其创建将容易地由具有本公开的益处的本领域技术人员理解。在这里，rimlier数据分析系统100等待反映数据集提取的查询的进入。在一个示例性实施例中，SQL查询可被用来指定要从数据库中提取的数据，而日志提取的查询可被用来从实时源上传数据。此类查询可以包括例如现场位置、储层名、变量名，新的变量所需的进一步计算等。在方框204处，rimlier数据分析系统100检测查询，并在方框206处，处理器102命令数据挖掘模块112从数据库或实时源提取对应数据集。示例性数据集变量可以包括例如与对于特定井的权重、压力、温度、垂直或旋转速度、浆料体积、支撑剂质量等有关的数据点。在示例性实施例中，当补充数据的双传感器都存在时信号噪声可消除，如将由具有本公开的益处的本领域技术人员理解的。
在方框208处，rimlier分析引擎110分析所提取的数据集以确定异常。为做到这一点，rimlier分析引擎110将基于给定阈值分析数据。在某些示例性实施例中，如果变量被表征为标准差3倍的值，则变量可被分配异常状态，尽管其他优点因数都可以利用。在阈值内的那些变量被认为是正常的，而阈值之外的那些数据点被认为是异常。例如，如果所提取的数据集与井下压力相关，则在一定范围内的那些压力将被认为是正常的，而在该范围之外的那些压力将被视为异常。一旦异常被确定，则rimlier分析引擎110然后使用聚类技术诸如，例如，核K均值聚类对异常分组。然而，其他的聚类技术可以被利用，如将由具有本公开的益处的本领域技术人员理解的。
在某些示例性实施例中，rimlier分析引擎110可在确定异常之前预处理所提取的数据，以便除去损坏的数据。有时，进入数据库的数据可以包括不完整的或不一致的数据。不完整的数据可包括NAN或NULL数据，或轻率录入的数据。噪声数据可以包括起因于故障集合或人为错误的数据。不一致的数据可以包括具有不同格式或者不一致的名称的数据。
在方框210处，rimlier分析引擎110分析该集群以确定是否存在任何高密度集群。如先前所描述，具有本公开的益处的本领域技术人员将认识到，其中哪个集群被认为是高密度和低密度的确定依在给定的异常数据集中的数据变量的总数量而定。例如，对于具有10个总变量的异常集群，2个数据点可被认为是高密度，而对于具有1000个变量的异常集群，200个变量可被认为是低密度。因此，rimlier分析引擎110的某些示例性实施例可以做出该确定，例如，基于预定义的阈值或经由用户界面动态地输入的阈值。
如果在方框210处rimlier分析引擎110在逻辑上确定“否”，则该算法循环回到方框204并再次开始。然而，如果rimlier分析引擎110确定“是”(即，高密度异常集群存在)，则这些高密度集群将在方框212处被标记为rimlier。为了说明这一点，图2B示出仅具有几个数据尖峰(异常)的低密度集群的示例性时序分布T0...Tn，其对应于一个或多个实时井下组件测量D0...Dn(例如，立管压力、转矩、钻头上的重量、钻头旋转速度等)，而图2C示出具有与正常的数据点形成对照的多个数据尖峰(异常)的高密度集群的类似分布。图2D示出沿X、Y平面的低密度异常和高密度异常的示例性分布。在这里，正常和异常数据点已被聚类并且由rimlier分析引擎110绘制。然后发现，所提取的数据集包含低密度异常1和低密度异常2与高密度异常集群或rimlier1和高密度异常集群或rimlier2。因此，在方框212处，rimlier分析引擎110然后将高密度异常1和高密度异常2标记为rimlier1和rimlier2。
在方框214处，rimlier分析引擎110使用数据分析模块114分析rimlier以识别可用于对井下事件进行建模的那些变量。为完成这一点，rimlier分析引擎110可以利用各种多元统计技术，诸如，例如，最小二乘回归、神经网络、模糊或混合神经模糊、基于规则、基于案例或决策树技术。如将由具有本公开的益处的本领域技术人员理解的，利用此类技术，本发明基于物理学的原理插入现有的统计模型、历史数据以及近期的行为，以基于rimlier的存在确定井和其部件的可能出现的后果或预测的未来。如先前所描述的，rimlier的存在可以指示例如引起插入失败或可能的昂贵补救过程的钻头性能的可能恶化。
在第一示例性方法中，在方框214(a)处rimlier分析引擎110可执行单个rimlier的微分析。在这里，参照图2E，rimlier分析引擎110进一步将单个rimlier聚类成正常高密度rimlier和异常高密度rimlier。Rimlier分析引擎110然后分析异常高密度rimlier，以确定进一步的微集群是否是可能的，同时正常高密度异常1被丢弃(因为它实际上不是显著的rimlier)。如果给定的微集群沿曲线图远离其他集群，则其可指示在rimlier内存在异常。例如，可存在多个超过用于钻柱的机械阈值的负转速。这样，rimlier分析引擎110可继续后续rimlier的微聚类，直到是可能的不希望事件的具体特征的那些rimlier被分离和识别。因此，该选项允许rimlier分析引擎110消除rimlier内的不必要的异常，或者识别事件预测和检测中有用的附加集群。该算法迭代地继续直到最终在方框216处rimlier分析引擎110对井下事件进行建模。
在第二示例性方法中，在方框214(b)处rimlier分析引擎110可执行多个rimlier的宏分析。该宏分析尤其可以用来研究rimlier的图案，使得事件可以被预测。另外，rimlier分析引擎110还可以分析rimlier以识别图案、方差、趋势、种类、各种响应等，如将由具有本公开的益处的本领域技术人员理解的。熵技术，如将由具有本公开的益处的本领域技术人员理解的，可以被用于预测例如工具故障、侧向或径向振动等。另外，rimlier分析引擎110可以利用熵来研究rimlier的齐次性，这将确保rimlier在给定的时间周期具有统一的数据。齐次数据的熵是零，而rimlier的熵必须被计算。
参照图2F，头-rimlier-尾的时序分布被绘制以进一步说明该示例性方法。为执行熵分析，rimlier分析引擎110必须使用下面的公式确定头数据和rimlier数据以及尾数据和rimlier数据之间的相对熵：
熵被定义为E＝Σ-p(x)log(x)式(1)
其中p(x)是x的概率。
在这里，rimlier分析引擎110首先利用聚类技术以检测并添加rimlier，如先前所述。除了聚类，其他技术可用于检测并添加rimlier，诸如，例如，基于规则的、基于密度的、分解、SVM、神经网络等，如将由具有本公开的益处的本领域技术人员理解的。其次，rimlier分析引擎110计算rimlier因数的头部和尾部。头Rimlier因数被定义为头部的熵对rimlier数据的比率，如下所示：
尾Rimlier因数被定义为尾部的熵对rimlier数据的比率，并且由rimlier分析引擎110计算如下：
在方框216处，一旦rimlier分析引擎110计算比率(即，头Rimlier因数和尾Rimlier因数)，则它们然后被rimlier分析引擎110用于量化和预测或对井下事件进行建模。例如，超出已定义阈值的rimlier比率或密度的提高并且因此权重和重要性的提高指示存在的或即将发生的井下事件。然而，如果rimlier比率正降低，则问题正消失。在另选的示例性实施例中，rimlier分析引擎110可以将该比率用于多个集群。再次，如果该比率开始降低，则这表明没有井下问题。然而，如果该比率开始提高，则这可导致灾难性的故障。在此类情况下，在方框216处，rimlier分析引擎110可经由用户界面发送警报信号，以基于预定义的用户阈值警告用户。
在其他示例性实施例中，rimlier分析引擎110还可以将该比率与机械或水力机械特定能量比较，以确定或预测井下问题。通过执行这种比较，rimlier分析引擎110可确定在井下组件中的能量如何被消耗(即，系统效率提高还是降低)。例如，系统效率的降低指示现在或未来的井下事件的存在，而系统效率的提高指示没有问题。因此，在方框216处，此类事件由rimlier分析引擎110进行建模，由此该事件被预测和/或检测。
在某些示例性实施例中，rimlier分析引擎110还可以利用熵以与其他数据交叉关联，诸如，例如，在不同的深度的类似的工具数据，以及伽马射线、电阻率和从在钻柱中的其他工具接收的其他测量。来自其他工具的此类数据可以实时或从数据库存储设备被接收。通过该数据的交叉关联，rimlier分析引擎110可以相反地验证、消除或证实其结果。例如，钻头转矩的不稳定的变化可以是由于通过伽马射线日志观察到的地层的改变——不是由于钻头齿问题。在这种实施例中，rimlier数据位于具有与伽马射线和其他日志交叉关联的若干变量的多维空间内，以确定某些事件是否是由于可以消除或避免的可变的变量(例如，流速)或不可变的变量(例如，地层)。此后，在方框216处，除了预测和/或检测事件，rimlier分析引擎110还可以确定是否能够避免某些事件。
因此，基于上述分析，rimlier分析引擎110对井孔事件进行建模。除了指示井下事件的某些持续的数据点之外，例如，不同的趋势可以用于指示事件。例如，rimlier数据的分析可以指示在地表处线绳中的曳力增加；然而，数据还可以反映增加的熵的趋势，其指示未来的打管事件。类似地，例如，线绳和钻头齿故障也可以检测到。
Rimlier分析引擎110可以各种方式输出结果，诸如，例如，地球模型、绘制图表、二或三维图像等，如将由具有本公开的益处的本领域技术人员理解的。在这方面，数据的可视化是任何数据挖掘分析的重要特征。一旦数据的维度是3或更高，则数据的人可视化变得非常困难。这样，在方框216处，本发明的某些示例性实施例利用多维标度(“MDS”)以用数据可视化增强WDMA系统100的分析，因为该技术为可视化目的减少数据的维度，如将由具有本公开的益处的本领域技术人员理解的。
参照图3，本发明的某些示例性实施例还可以利用不同的分布或频谱分析来分析rimlier，使得给定的事件的影响参数可被确定。此类分布分析可以用来在频域中研究数据，并且在本领域是已知的。在图3中所示的示例中，rimlierA、B和C被绘制以相对于时间T0...Tn表示钻孔测量的变量D0...Dn及其对rimlierA、B和C的影响。在另选方案中，分布或频谱分析可以基于一些其他变量，诸如，例如，深度。在另一实施例中，变量的热图(未示出)还可以被显示以指示危险事件和它们的增加的存在。在又一示例性实施例中，rimlier分析引擎110可以利用所预测的故障事件，以通过相应地解释此类事件确定或估计非生产时间，如将由具有本公开的益处的本领域技术人员理解的。
在又一示例性实施例中，rimlier数据分析系统100可以使用来自单个井或多个井的数据预测钻孔速率或钻头寿命。通过利用上述的一个或多个分析方法，rimlier分析引擎110计算钻孔相关的数据的实际和建模的rimlier值之间的调节因数。此类调节因数的计算可以例如迭代地或在算法上进行以匹配实际数据，如将由具有本公开的益处的本领域技术人员理解的。例如，100的计算值和110的实际值具有1.1的调节因数。
然而，一旦调节因数被计算，则rimlier分析引擎110可确定趋势并分配相关的加权因数以执行正演建模。例如，特定的能量计算与岩石强度的计算比较，非密闭岩石强度或密闭岩石强度允许钻孔性能的持续评估，以识别限定条件，诸如，例如，在钻孔系统中的泥糊点，齿磨损或钻头附近故障。在这里，基于该比较，rimlier分析引擎110确定能量需要以提供给钻头，以便击穿该地层，从而保证钻头寿命被有效地使用。
因此，在某些示例性实施例中，rimlier分析引擎110可建议钻井参数以确保最佳钻孔效率和钻头寿命。随着井下地层评价工具为了引起不同的地层抗压强度的地层变化而更新和修正，rimlier分析引擎110可相应地重新计算钻头磨损和钻头寿命变化。在此类实施例中，rimlier数据分析系统100从井下传感器接收实时数据，如将由具有本公开的益处的本领域技术人员理解的。
如本文所述，本发明的示例性实施例提供系统进行数据挖掘，并识别rimlier数据以检测和/或防止井下事件，从而提供对钻孔作业、生产增强和井激励/完成的有价值的了解。由于本发明的某些示例性实施例仅分析rimlier，因此快速和有效的统计过程被提供，其需要比现有技术的系统更小的存储空间和更低的处理能力。
此外，使与仅rimlier的分析结合的井下数据聚类的本发明的能力将提供对实时或预测事件的更多了解。如本文所述，聚类高密度rimlier数据将允许事件的检测和/或预测，诸如，例如，钻头故障、由于振动的工具故障等。另外，本发明还确定某些预测或检测到的事件是否是可变或不可变的。此外，本发明在其以简单、直观和易于理解的格式呈现结果的能力方面也是有用的，使得其成为预测和/或检测井下事件的非常有效的工具。
本文所描述的前述方法和系统在规划、改变和/或钻孔井孔中是特别有用的。如所描述的，系统分析一个或多个rimlier以识别可用于预测和/或检测井事件的特性。一旦被识别，则所检测的/预测的事件然后可以经由用户界面可视化地呈现。该数据然后可用于识别井的装置并开发井的工作流或激励计划。此后，根据使用本发明识别的那些特性，井孔被钻孔、激励、改变和/或完成。
本领域技术人员将理解本发明的方法也可被动态地执行。因此，井位或激励计划可基于本发明的输出实时更新。另外，在实施井位或激励计划后，随着井孔参数改变或者被阐明或调节，本发明的系统可以在完成过程中即时地或迭代地用于确定最佳井眼轨迹，断裂初始点和/或激励设计。在这两种情况下，动态计算的结果可被用来改变先前实施的井位或激励计划。
本发明的示例性方法提供了一种对井下事件进行建模的计算机实施的方法，该方法包括从数据库中提取数据集，数据集包括正常井孔数据和异常井孔数据，聚类多个异常数据以形成rimlier，分析rimlier以确定在rimlier内的指示井下事件的那些数据变量，以及基于rimlier的分析来对井下事件进行建模。在另一方法中，聚类多个异常数据以形成rimlier进一步包括将多个异常数据聚类到多个集群，将多个集群隔离成高密度集群和低密度集群，以及将那些高密度集群标记为rimlier。又一方法进一步包括从所提取的数据集中除去损坏的数据。
在另一方法中，分析rimlier进一步包括将rimlier隔离成正常高密度rimlier和异常高密度rimlier，并且分析异常高密度rimlier以确定指示井下事件的那些数据变量。在又一方法中，聚类多个异常数据以形成rimlier进一步包括形成多个rimlier。在另一方法中，对井下事件进行建模进一步包括对井下组件的能量效率进行建模。又一方法进一步包括确定建模的井下事件是否可避免。另一方法进一步包括产生对应于所建模的井下事件的警报信号。又一方法进一步包括以树模型或地球模型的形式显示所建模的井下事件。在又一方法中，井孔根据所建模的井下事件被钻孔、完成或激励。
本发明的另一示例性实施例提供了包括处理电路以执行本文所描述方法的系统。本发明的又一示例性实施例提供了一种计算机程序产品，其包括当被至少一个处理器执行时使得处理器执行本文所描述方法的指令。
虽然各种实施例和方法已经被示出和描述，但本发明并不限定于此类实施例和方法，并应理解为包括如对于本领域技术人员将显而易见的所有的修改和变化。例如，虽然在本文中描述为利用rimlier数据，但是本发明的示例性实施例还可以使用正常数据与rimlier结合以检测或对井下事件进行建模。因此，应当理解，本发明并非旨在被限定于所公开的特定形式。相反，其意图在于涵盖落入如附随的权利要求书所限定的本发明的精神和范围内的所有的修改、等价物和替代物。
权利要求书(按照条约第19条的修改)
1.一种对井下事件进行建模的计算机实施的方法，所述方法包括：
从数据库中提取数据集，所述数据集包括正常井孔数据和异常井孔数据；
将多个所述异常数据聚类到多个集群；
将所述多个集群隔离成高密度集群和低密度集群，其中所述高密度集群用作所述rimlier；
分析所述rimlier以确定在所述rimlier内的指示井下事件的那些数据变量；以及
基于所述rimlier的所述分析来对所述井下事件进行建模。
2.根据权利要求1所述的计算机实施的方法，其中分析所述rimlier进一步包括：
确定如通过以下定义的头Rimlier因数：
E h E r = Σ - p h ( x ) log ( x ) Σ - p r ( x ) log ( x ) ; 以及
确定如通过以下定义的尾Rimlier因数：
E t E r = Σ - p t ( x ) log ( x ) Σ - p r ( x ) log ( x ) ,
其中所述头Rimlier因数和所述尾Rimlier因数被利用以确定指示所述井下事件的那些数据变量。
3.根据权利要求1所述的计算机实施的方法，其进一步包括从所述提取的数据集中除去损坏的数据。
4.根据权利要求1所述的计算机实施的方法，其中分析所述rimlier进一步包括：
将所述rimlier隔离成正常高密度rimlier和异常高密度rimlier；以及
分析所述异常高密度rimlier以确定指示所述井下事件的那些数据变量。
5.根据权利要求1所述的计算机实施的方法，其中聚类所述多个异常数据进一步包括形成多个rimlier。
6.根据权利要求5所述的计算机实施的方法，其中对所述井下事件进行建模进一步包括对井下组件的能量效率进行建模。
7.根据权利要求1所述的计算机实施的方法，其进一步包括确定所述建模的井下事件是否能够避免。
8.根据权利要求1所述的计算机实施的方法，其进一步包括产生对应于所述建模的井下事件的警报信号。
9.根据权利要求1所述的计算机实施的方法，其进一步包括以树模型或地球模型的形式显示所述建模的井下事件。
10.根据权利要求1所述的计算机实施的方法，其中井孔根据所述建模的井下事件被钻孔、完成或激励。
11.根据权利要求5所述的计算机实施的方法，其中分析所述多个rimlier进一步包括确定穿过所述多个rimlier的图案，其中所述井下事件基于所述确定的图案被建模。
12.一种包括处理电路以执行权利要求1至权利要求11所述的任何方法的系统
13.一种包括指令的计算机程序产品，所述指令当由至少一个处理器执行时使得所述处理器执行根据权利要求1至权利要求11所述的任何方法。

Claims (30)

1.一种对井下事件进行建模的计算机实施的方法，所述方法包括：
从数据库中提取数据集，所述数据集包括正常井孔数据和异常井孔数据；
聚类多个所述异常数据以形成rimlier；
分析所述rimlier以确定在所述rimlier内的指示井下事件的那些数据变量；以及
基于所述rimlier的所述分析来对所述井下事件进行建模。
2.根据权利要求1所述的计算机实施的方法，其中聚类所述多个异常数据以形成rimlier进一步包括：
将所述多个异常数据聚类到多个集群；
将所述多个集群隔离成高密度集群和低密度集群；以及
将那些高密度集群标记为所述rimlier。
3.根据权利要求1所述的计算机实施的方法，其进一步包括从所述提取的数据集中除去损坏的数据。
4.根据权利要求1所述的计算机实施的方法，其中分析所述rimlier进一步包括：
将所述rimlier隔离成正常高密度rimlier和异常高密度rimlier；以及
分析所述异常高密度rimlier以确定指示所述井下事件的那些数据变量。
5.根据权利要求1所述的计算机实施的方法，其中聚类所述多个异常数据以形成所述rimlier进一步包括形成多个rimlier。
6.根据权利要求5所述的计算机实施的方法，其中对所述井下事件进行建模进一步包括对井下组件的能量效率进行建模。
7.根据权利要求1所述的计算机实施的方法，其进一步包括确定所述建模的井下事件是否能够避免。
8.根据权利要求1所述的计算机实施的方法，其进一步包括产生对应于所述建模的井下事件的警报信号。
9.根据权利要求1所述的计算机实施的方法，其进一步包括以树模型或地球模型的形式显示所述建模的井下事件。
10.根据权利要求1所述的计算机实施的方法，其中井孔根据所述建模的井下事件被钻孔、完成或激励。
11.一种包括对井下事件进行建模的处理电路的系统，所述处理电路执行方法包括：
从数据库中提取数据集，所述数据集包括正常井孔数据和异常井孔数据；
聚类多个所述异常数据以形成rimlier；
分析所述rimlier以确定在所述rimlier内的指示井下事件的那些数据变量；以及
基于所述rimlier的所述分析来对所述井下事件进行建模。
12.根据权利要求11所述的系统，其中聚类所述多个异常数据以形成rimlier进一步包括：
将所述多个异常数据聚类到多个集群；
将所述多个集群隔离成高密度集群和低密度集群；以及
将那些高密度集群标记为所述rimlier。
13.根据权利要求11所述的系统，其进一步包括从所述提取的数据集中除去损坏的数据。
14.根据权利要求11所述的系统，其中分析所述rimlier进一步包括：
将所述rimlier隔离成正常高密度rimlier和异常高密度rimlier；以及
分析所述异常高密度rimlier以确定指示所述井下事件的那些数据变量。
15.根据权利要求11所述的系统，其中聚类所述多个异常数据以形成所述rimlier进一步包括形成多个rimlier。
16.根据权利要求15所述的系统，其中对所述井下事件进行建模进一步包括对井下组件的能量效率进行建模。
17.根据权利要求11所述的系统，其进一步包括确定所述建模的井下事件是否能够避免。
18.根据权利要求11所述的系统，其进一步包括产生对应于所述建模的井下事件的警报信号。
19.根据权利要求11所述的系统，其进一步包括以树模型或地球模型的形式显示所述建模的井下事件。
20.根据权利要求11所述的系统，其中井孔根据所述建模的井下事件被钻孔、完成或激励。
21.一种包括对井下事件进行建模的指令的计算机程序产品，所述指令当由至少一个处理器执行时使得所述处理器执行包括以下操作的方法：
从数据库中提取数据集，所述数据集包括正常井孔数据和异常井孔数据；
聚类多个所述异常数据以形成rimlier；
分析所述rimlier以确定在所述rimlier内的指示井下事件的那些数据变量；以及
基于所述rimlier的所述分析来对所述井下事件进行建模。
22.根据权利要求21所述的计算机程序产品，其中聚类所述多个异常数据以形成rimlier进一步包括：
将所述多个异常数据聚类到多个集群；
将所述多个集群隔离成高密度集群和低密度集群；以及
将那些高密度集群标记为所述rimlier。
23.根据权利要求21所述的计算机程序产品，其进一步包括从所述提取的数据集中除去损坏的数据。
24.根据权利要求21所述的计算机程序产品，其中分析所述rimlier进一步包括：
将所述rimlier隔离成正常高密度rimlier和异常高密度rimlier；以及
分析所述异常高密度rimlier以确定指示所述井下事件的那些数据变量。
25.根据权利要求21所述的计算机程序产品，其中聚类所述多个异常数据以形成所述rimlier进一步包括形成多个rimlier。
26.根据权利要求25所述的计算机程序产品，其中对所述井下事件进行建模进一步包括对井下组件的能量效率进行建模。
27.根据权利要求21所述的计算机程序产品，其进一步包括确定所述建模的井下事件是否能够避免。
28.根据权利要求21所述的计算机程序产品，其进一步包括产生对应于所述建模的井下事件的警报信号。
29.根据权利要求21所述的计算机程序产品，其进一步包括以树模型或地球模型的形式显示所述建模的井下事件。
30.根据权利要求21所述的计算机程序产品，其中井孔根据所述建模的井下事件被钻孔、完成或激励。
CN201280076859.XA 2012-11-05 2012-11-05 用rimlier数据对井孔事件建模的系统、方法和计算机程序产品 Pending CN105102760A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2012/063555 WO2014070207A1 (en) 2012-11-05 2012-11-05 System, method and computer program product for wellbore event modeling using rimlier data

Publications (1)

Publication Number Publication Date
CN105102760A true CN105102760A (zh) 2015-11-25

Family

ID=50627892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280076859.XA Pending CN105102760A (zh) 2012-11-05 2012-11-05 用rimlier数据对井孔事件建模的系统、方法和计算机程序产品

Country Status (10)

Country Link
US (1) US10242130B2 (zh)
EP (1) EP2900913B1 (zh)
CN (1) CN105102760A (zh)
AU (1) AU2012393514B2 (zh)
CA (1) CA2889382C (zh)
MX (1) MX2015005629A (zh)
NO (1) NO2900913T3 (zh)
RU (1) RU2595277C1 (zh)
SG (1) SG11201502913PA (zh)
WO (1) WO2014070207A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599487A (zh) * 2016-12-16 2017-04-26 天津大学 基于arima模型和用户调控的动态方差实时报警方法
WO2017206182A1 (en) * 2016-06-03 2017-12-07 Schlumberger Technology Corporation Detecting events in well reports
CN109074432A (zh) * 2016-03-03 2018-12-21 斯特拉克斯私人有限公司 用于识别和量化异常的方法与设备
CN117436022A (zh) * 2023-12-11 2024-01-23 南城云趣(北京)信息技术有限公司 一种煤矿井下安全综合管理方法及系统

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140372041A1 (en) * 2013-06-14 2014-12-18 Baker Hughes Incorporated Validation of physical and mechanical rock properties for geomechanical analysis
US10577894B1 (en) 2015-06-08 2020-03-03 DataInfoCom USA, Inc. Systems and methods for analyzing resource production
AU2016278958B2 (en) 2015-06-19 2021-11-11 Conocophillips Company System and method for event detection using streaming signals
EP3311237B1 (en) * 2015-06-19 2022-08-03 ConocoPhillips Company System and method for event detection using streaming signals
CN107784314A (zh) * 2016-08-26 2018-03-09 北京协同创新智能电网技术有限公司 一种多变量报警系统的正常异常数据划分方法及系统
WO2018194598A1 (en) * 2017-04-19 2018-10-25 Halliburton Energy Services, Inc. Statistics and physics-based modeling of wellbore treatment operations
US10866962B2 (en) 2017-09-28 2020-12-15 DatalnfoCom USA, Inc. Database management system for merging data into a database
US11403161B2 (en) 2018-08-29 2022-08-02 Walmart Apollo, Llc Method and apparatus for identifying errors in a data store
US11113588B2 (en) 2019-10-02 2021-09-07 United States Of America As Represented By The Secretry Of The Navy Randomization-based hierarchical and associatively assisted vector learning for machine vision
US11423211B2 (en) 2019-10-28 2022-08-23 United States Of America As Represented By The Secretary Of The Navy Transformational randomization for enhanced artificial intelligence capabilities and diagnostic tutoring
CN110905478B (zh) * 2019-11-07 2023-04-11 中法渤海地质服务有限公司 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法
CN111667392B (zh) * 2020-06-12 2023-06-16 成都国铁电气设备有限公司 一种基于时空聚类的铁路接触网缺陷热点区域预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101586458A (zh) * 2009-05-27 2009-11-25 杨厚荣 一种采注井节能增效系统
CN102197319A (zh) * 2008-08-25 2011-09-21 沙特阿拉伯石油公司 智能油气田中的数据获取
CN102472825A (zh) * 2009-08-07 2012-05-23 埃克森美孚上游研究公司 使用目标函数的钻井咨询系统和方法
CN102575516A (zh) * 2009-08-07 2012-07-11 埃克森美孚上游研究公司 根据地面测量估计井下钻探振动振幅的方法
EP2031423B1 (en) * 2007-08-31 2013-05-15 Services Pétroliers Schlumberger Identifying geological features in an image of an underground formation surrounding a borehole

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5444619A (en) 1993-09-27 1995-08-22 Schlumberger Technology Corporation System and method of predicting reservoir properties
US6392409B1 (en) 2000-01-14 2002-05-21 Baker Hughes Incorporated Determination of T1 relaxation time from multiple wait time NMR logs acquired in the same or different logging passes
US6801197B2 (en) * 2000-09-08 2004-10-05 Landmark Graphics Corporation System and method for attaching drilling information to three-dimensional visualizations of earth models
US6614716B2 (en) * 2000-12-19 2003-09-02 Schlumberger Technology Corporation Sonic well logging for characterizing earth formations
US20040186833A1 (en) * 2003-03-19 2004-09-23 The United States Of America As Represented By The Secretary Of The Army Requirements -based knowledge discovery for technology management
US20060081412A1 (en) 2004-03-16 2006-04-20 Pinnacle Technologies, Inc. System and method for combined microseismic and tiltmeter analysis
US7394943B2 (en) * 2004-06-30 2008-07-01 Applera Corporation Methods, software, and apparatus for focusing an optical system using computer image analysis
US7243735B2 (en) * 2005-01-26 2007-07-17 Varco I/P, Inc. Wellbore operations monitoring and control systems and methods
US20060230018A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Mahalanobis distance genetic algorithm (MDGA) method and system
US7983885B2 (en) 2006-12-29 2011-07-19 Terratek, Inc. Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity
US20090260883A1 (en) * 2008-04-16 2009-10-22 Terratek Inc. Continuous measurement of heterogeneity of geomaterials
US8781762B2 (en) * 2008-07-14 2014-07-15 Exxonmobil Upstream Research Company Systems and methods for determining geologic properties using acoustic analysis

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2031423B1 (en) * 2007-08-31 2013-05-15 Services Pétroliers Schlumberger Identifying geological features in an image of an underground formation surrounding a borehole
CN102197319A (zh) * 2008-08-25 2011-09-21 沙特阿拉伯石油公司 智能油气田中的数据获取
CN101586458A (zh) * 2009-05-27 2009-11-25 杨厚荣 一种采注井节能增效系统
CN102472825A (zh) * 2009-08-07 2012-05-23 埃克森美孚上游研究公司 使用目标函数的钻井咨询系统和方法
CN102575516A (zh) * 2009-08-07 2012-07-11 埃克森美孚上游研究公司 根据地面测量估计井下钻探振动振幅的方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109074432A (zh) * 2016-03-03 2018-12-21 斯特拉克斯私人有限公司 用于识别和量化异常的方法与设备
CN109074432B (zh) * 2016-03-03 2023-09-29 斯特拉克斯私人有限公司 用于识别和量化异常的方法与设备
WO2017206182A1 (en) * 2016-06-03 2017-12-07 Schlumberger Technology Corporation Detecting events in well reports
US11473407B2 (en) 2016-06-03 2022-10-18 Schlumberger Technology Corporation Detecting events in well reports
CN106599487A (zh) * 2016-12-16 2017-04-26 天津大学 基于arima模型和用户调控的动态方差实时报警方法
CN106599487B (zh) * 2016-12-16 2019-10-25 天津大学 基于arima模型和用户调控的动态方差实时报警方法
CN117436022A (zh) * 2023-12-11 2024-01-23 南城云趣(北京)信息技术有限公司 一种煤矿井下安全综合管理方法及系统
CN117436022B (zh) * 2023-12-11 2024-02-13 南城云趣(北京)信息技术有限公司 一种煤矿井下安全综合管理方法及系统

Also Published As

Publication number Publication date
US10242130B2 (en) 2019-03-26
EP2900913A1 (en) 2015-08-05
WO2014070207A1 (en) 2014-05-08
NO2900913T3 (zh) 2018-01-06
RU2595277C1 (ru) 2016-08-27
CA2889382A1 (en) 2014-05-08
CA2889382C (en) 2019-01-22
MX2015005629A (es) 2015-11-16
EP2900913A4 (en) 2016-06-22
AU2012393514B2 (en) 2016-10-27
US20150234954A1 (en) 2015-08-20
EP2900913B1 (en) 2017-08-09
SG11201502913PA (en) 2015-05-28
AU2012393514A1 (en) 2015-04-30

Similar Documents

Publication Publication Date Title
CN105102760A (zh) 用rimlier数据对井孔事件建模的系统、方法和计算机程序产品
EP3334897B1 (en) Bore penetration data matching
US8229880B2 (en) Evaluation of acid fracturing treatments in an oilfield
US7577527B2 (en) Bayesian production analysis technique for multistage fracture wells
US9031823B2 (en) Systems and methods for subsurface oil recovery optimization
US11238379B2 (en) Systems and methods for optimizing oil production
CN102007504A (zh) 工作流程自动化、自适应和集成的系统及方法
CN103548032A (zh) 使用微震事件数据的水力裂缝表征的系统和方法
US11512573B2 (en) Stimulation using fiber-derived information and fracturing modeling
EP2980749A1 (en) System and method of facilitating the retrieval and analysis of data
Temizel et al. Turning Data into Knowledge: Data-Driven Surveillance and Optimization in Mature Fields
Lee et al. Development of a trip time for bit exchange simulator for drilling time estimation
WO2015048607A1 (en) Data analytics for oilfield data repositories
Romberg et al. Predicting Trouble Stages with Geomechanical Measurements and Machine Learning: A Case Study on Southern Midland Basin Horizontal Completions
US20240191611A1 (en) Periodic predictive drilling based on active and historic data
US20220282610A1 (en) Predicting a drill string packoff event
US20220341315A1 (en) Process-mining software for generating a process flow for forming a wellbore
Adenan Machine Learning Assisted Framework for Advanced Subsurface Fracture Mapping and Well Interference Quantification
EP4196954A1 (en) Infill development prediction system
Powell Deriving rock strength from MSE and drilling data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20151125