CN109508827A - 一种基于时间递归神经网络的钻井事故预警模型 - Google Patents
一种基于时间递归神经网络的钻井事故预警模型 Download PDFInfo
- Publication number
- CN109508827A CN109508827A CN201811352903.0A CN201811352903A CN109508827A CN 109508827 A CN109508827 A CN 109508827A CN 201811352903 A CN201811352903 A CN 201811352903A CN 109508827 A CN109508827 A CN 109508827A
- Authority
- CN
- China
- Prior art keywords
- accident
- drilling
- data
- model
- neural network
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时间递归神经网络的钻井事故预警模型。第一步,采用自回归模型分析方法预测某一时刻的钻井特征值,并衡量预测得到的特征值与该时刻钻井真实数据之间的差异,由此得到事故候选集合。然后利用专家知识对事故候选集合中的事故进行真伪判断,并划分事故类型;最后获得已标注的若干钻井时序数据;在获得标注数据的前提下,训练一个有监督的模型,第二步,基于深度学习,构建时间递归神经网络模型。首先,随机选取部分标注的时序数据作为训练集,具体输入为各特征的组合和时间窗口的选取,然后对模型进行训练,最终预测输出一分钟后的事故发生概率与事故发生的类型。
Description
技术领域
本发明属于钻井预警模型的技术领域,具体涉及一种基于时间递归神经网络的钻井事故预警模型。
背景技术
在钻井施工过程中,工程事故发生的可能性随时都存在,事故的发生会造成资金的巨大损失和时间的巨大浪费。而在工程事故发生前给出某种程度、某种意义上的警示,对于预防事故的发生、控制事故的发展、最大限度的减少损失都具有重大意义。长期以来,安全钻井和优化钻井一直是钻探工程的重要研究课题之一,根据钻井过程中的参数变化,分析和处理钻井数据,建立事故预警模型来预测并诊断事故现象,及时知道各种可能出现的钻井事故,如井涌、井喷及卡钻等,才能保证钻井作业正常进行。
现已有的用于预测钻井事故的方法,主要包括:通过计算计划的预期井眼能量和计划的井身的预期迂曲度来对钻井事故的发生进行预测;用液压循环系统模拟过程中套管内油气输运特性;通过水压缓冲器的波动变化信号,使报警器发出事故报警。
这三种方法,都通过对钻井时一个或两个特征信号改变,如根据计算计划的预期井眼能量和计划的井身的预期迂曲度或是根据泵压的改变等来对钻井事故是否会发生进行判断,而事故发生的影响因素又有很多,所以现有的技术对钻井事故的预测不够准确和全面。
发明内容
本发明的目的在于针对现有技术中的上述不足,提供一种基于时间递归神经网络的钻井事故预警模型,以解决现有钻井预警方法对钻井事故的预测不够准确和全面的问题。
为达到上述目的,本发明采取的技术方案是:
一种基于时间递归神经网络的钻井事故预警模型,其包括:
S1、采用自回归模型分析方法预测某一时刻的钻井特征值,并衡量预测得到的特征值与所述时刻钻井真实数据之间的差异,得到事故候选集合;利用专家知识对事故候选集合中的事故进行真伪判断,并划分事故类型,获得已标注的若干钻井时序数据;
S2、基于深度学习,构建时间递归神经网络模型;随机选取部分标注的时序数据作为训练集,具体输入为各特征的组合和时间窗口的选取,并对模型进行训练,预测输出一分钟后的事故发生概率与事故发生的类型。
优选地,实现步骤S1的方法为:
确定平滑窗口大小;
根据自回归模型分析方法,利用时间序列数据一个时刻前的一个平滑窗口中的数据预测本时刻的钻井特征值;
根据相似性衡量标准衡量所述时刻的特征值与钻井真实数据之间的相似性,若所述相似性低于预设的阈值,则判断所述时刻出现钻井事故,并得到钻井事故候选集合;
基于专家知识对事故候选集合中事故进行真伪判断,筛选钻井生产过程中真实的事故,并对事故类别划分,获得标注的大量钻井时序数据。
优选地,输出一分钟后的事故发生概率与事故发生的类型的方法为:
构建预测事故的神经网络模型;
随机选出步骤S1中标注的若干钻井时序数据中的部分数据,并将部分数据作为训练集;
将钻井中产生的36个特征数据进行组合,并根据设置的时间窗口大小切分钻井实时数据,得到模型的输入;
迭代所述训练集中的数据,并预测1分钟后钻井现场事故发生概率和事故类型,进而得到钻井事故预警模型。
优选地,相似性衡量标准包括一范数相似性、二范数相似性和余弦相似性中的任意一种。
优选地,若特征数据值与真实值之间的的差异高于预设的阈值,则弃用所述特征数据值;若特征数据值与真实值之间的的差异低于预设的阈值,则得到特征值数据的事故候选集。
优选地,构建的预测事故的神经网络模型包括输入节点、输出节点和隐藏层节点数;
输入节点数为标注了的钻井时序数据的标签数;
输出节点为三个,分别对应卡钻、井涌和井喷三种异常事故。
本发明提供的基于时间递归神经网络的钻井事故预警模型,具有以下有益效果:
利用自回归模型预测的本时刻特征数据值与真实值进行比较获得候选事故集,进而得到能反映钻井真实状况的并且标注了的时序数据。本方法可以获得真实、准确、高时效性数据,提高钻井事故的准确性和及时性。
神经网络模型,利用深度学习中的时间递归神经网络,考虑钻井数据时间维度的前提下,学习事故预警模型,并预测一分钟后的事故发生概率与事故发生的类型。具有很强的联想记忆、自学习、自适应和非线性处理能力,并且具有强大的并行处理能力和实习性,适用于钻井过程难以建立数学模型、信息不足、实时性要求高等特点,为钻井事故预测的准确性提供了可靠保障,能够有效地解决现有钻井预警方法对钻井事故的预测不够准确和全面的问题,具有较强的实用性和推广性。
附图说明
图1为基于时间递归神经网络的钻井事故预警模型构建自回归模型的流程图。
图2为基于时间递归神经网络的钻井事故预警模型训练钻井事故预警模型的流程图。
图3为基于时间递归神经网络的钻井事故预警模型深度学习方法中时间递归神经网络的模型图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例,本方案的基于时间递归神经网络的钻井事故预警模型,包括:
S1、首先采用自回归模型分析方法预测某一时刻的钻井特征值,并衡量预测得到的特征值与该时刻钻井真实数据之间的差异,由此得到事故候选集合;然后利用专家知识对事故候选集合中的事故进行真伪判断,并划分事故类型;最后获得已标注的若干钻井时序数据。
以下对步骤S1进行详细说明
钻井实时数据的采集带有天然的时间特性,将钻井过程中实时产生的36维特征数据按其出现的时间先后排列而成的钻井实测数据看作是一种高维的时间序列,故利用时间序列对钻井数据进行建模,并利用时间序列模型得到的预测值和实际值之间的差异程度来衡量该时刻数据的异常程度。
参考图1,其详细步骤包括:
确定平滑窗口大小;
根据自回归模型分析方法,利用时间序列数据一个时刻前的一个平滑窗口数据预测本时刻的特征数据值;
根据相似性衡量标准衡量所述时刻的特征数据值与真实值之间的相似性,若所述相似性低于预设的阈值,则判断为事故,并得到特征数据的事故候选集合;
基于专家知识对事故候选集合中事故进行真伪判断,筛选钻井生产过程中真实的事故,并对事故类别划分,获得标注的大量钻井时序数据。
其中,相似性衡量标准包括一范数相似性、二范数相似性和余弦相似性等中的任意一种。
S2、基于时间递归神经网络模型。首先,随机选取S1的部分标注的时序数据作为训练集,具体输入为各特征的组合和时间窗口的选取,然后对模型进行训练,最终预测输出一分钟后的事故发生概率与事故发生的类型。
参考图2,以下对步骤S2进行详细说明
参考图3,构建预测事故的神经网络模型,确定输入节点数、输出节点数及隐藏层节点数:
其中,输入节点数即是标注了的钻井时序数据的标签数,标注钻井时序数据的标签包括取自提升系统的钻压、大钩负荷、大钩高度、井眼深度、钻头位置等;取自旋转系统的转盘转速、转盘扭矩等;取自循环系统的泥浆密度、泥浆进出口温度、地面泥浆总体积、进出口泥浆流量、泥浆进出口电导率、泵压、泵排量、烃类气体含量等;还有众多的监测参数,如水力参数及钻井参数等。上述特征数据有的与泥浆性能有关,有的与机械特性相联系,综合反映了钻井工程各个设备与系统的工作状态,并很好地反映钻井过程的运行状况,是后续事故发生预测的基础。
隐藏层节点数没有固定的公式,一般根据经验选取。
输出层的节点数为3,分别对应卡钻、井涌、井喷三种异常情况。
随机选出步骤S1中标注的若干钻井时序数据中的部分数据,并将部分数据作为训练集;
将钻井中产生的36个特征数据进行组合,并根据设置的时间窗口大小切分钻井实时数据,得到输入矩阵;
迭代所述训练集中的数据,并输出1分钟后钻井现场事故发生概率和事故类型,进而得到钻井事故预警模型。
参考图3,深度学习方法中时间递归神经网络,属于有监督学习,能够有效处理序列数据。多种构建模型的方法属于时间递归神经网络,比如RNN、LSTM、GRU等,模型基本框架结构如图3所示。
因为时间递归神经网络中的一个重要结构就是在隐藏层加入循环链,有了该结构后,本发明模型就具有“记忆”的能力,能够处理序列数据。就RNN模型来说无法“长期记住”数据信息,而本发明模型的数据每三秒钟采集一次,根据设置的时间窗口,而RNN容易丢失之前的信息,很难满足实际的需求。
同时,LSTM、GRU都在RNN的基础上,引入了控制“全局记忆”的模块,能够更好的把信息传递下去,所以相较本发明采用LSTM或GRU。
本发明采用时间序列建模,将利用自回归模型预测的本时刻特征数据值与真实值进行比较获得候选事故集,进而得到能反映钻井真实状况的并且标注了的时序数据。本方法可以获得真实、准确、高时效性数据,提高钻井事故的准确性和及时性。
构建神经网络模型,利用深度学习中的时间递归神经网络,考虑钻井数据时间维度的前提下,学习事故预警模型,并预测一分钟后的事故发生概率与事故发生的类型。具有很强的联想记忆、自学习、自适应和非线性处理能力,并且具有强大的并行处理能力和实习性,适用于钻井过程难以建立数学模型、信息不足、实时性要求高等特点,为钻井事故预测的准确性提供了可靠保障,能够有效地解决现有钻井预警方法对钻井事故的预测不够准确和全面的问题,具有较强的实用性和推广性。
虽然结合附图对发明的具体实施方式进行了详细地描述,但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内,本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (6)
1.一种基于时间递归神经网络的钻井事故预警模型,其特征在于,包括:
S1、采用自回归模型分析方法预测某一时刻的钻井特征值,并衡量预测得到的特征值与所述时刻钻井真实数据之间的差异,得到事故候选集合;利用专家知识对事故候选集合中的事故进行真伪判断,并划分事故类型,获得已标注的若干钻井时序数据;
S2、基于深度学习,构建时间递归神经网络模型;随机选取部分标注的时序数据作为训练集,具体输入为各特征的组合和时间窗口的选取,并对模型进行训练,预测输出一分钟后的事故发生概率与事故发生的类型。
2.一种用于权利要求1所述的基于时间递归神经网络的钻井事故预警模型,其特征在于,实现步骤S1的方法为:
确定平滑窗口大小;
根据自回归模型分析方法,利用时间序列数据一个时刻前的一个平滑窗口中的数据预测本时刻的钻井特征值;
根据相似性衡量标准衡量所述时刻的特征值与钻井真实数据之间的相似性,若所述相似性低于预设的阈值,则判断所述时刻出现钻井事故,并得到钻井事故候选集合;
基于专家知识对事故候选集合中事故进行真伪判断,筛选钻井生产过程中真实的事故,并对事故类别划分,获得标注的大量钻井时序数据。
3.一种用于权利要求1所述的基于时间递归神经网络的钻井事故预警模型,其特征在于,输出一分钟后的事故发生概率与事故发生的类型的方法为:
构建预测事故的神经网络模型;
随机选出步骤S1中标注的若干钻井时序数据中的部分数据,并将部分数据作为训练集;
将钻井中产生的36个特征数据进行组合,并根据设置的时间窗口大小切分钻井实时数据,得到模型的输入;
迭代所述训练集中的数据,并预测1分钟后钻井现场事故发生概率和事故类型,进而得到钻井事故预警模型。
4.一种用于权利要求2所述的基于时间递归神经网络的钻井事故预警模型,其特征在于:所述相似性衡量标准包括一范数相似性、二范数相似性和余弦相似性中的任意一种。
5.一种用于权利要求1所述的基于时间递归神经网络的钻井事故预警模型,其特征在于:若所述特征数据值与真实值之间的的差异高于预设的阈值,则弃用所述特征数据值;若所述特征数据值与真实值之间的的差异低于预设的阈值,则得到所述特征值数据的事故候选集。
6.一种用于权利要求3所述的基于时间递归神经网络的钻井事故预警模型,其特征在于:构建的预测事故的神经网络模型包括输入节点、输出节点和隐藏层节点数;
输入节点数为标注了的钻井时序数据的标签数;
输出节点为三个,分别对应卡钻、井涌和井喷三种异常事故。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811352903.0A CN109508827B (zh) | 2018-11-14 | 2018-11-14 | 一种基于时间递归神经网络的钻井事故预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811352903.0A CN109508827B (zh) | 2018-11-14 | 2018-11-14 | 一种基于时间递归神经网络的钻井事故预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109508827A true CN109508827A (zh) | 2019-03-22 |
CN109508827B CN109508827B (zh) | 2022-04-29 |
Family
ID=65748453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811352903.0A Active CN109508827B (zh) | 2018-11-14 | 2018-11-14 | 一种基于时间递归神经网络的钻井事故预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508827B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009151A (zh) * | 2019-04-02 | 2019-07-12 | 上海麦图信息科技有限公司 | 一种石油钻井事故时间的标注方法 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
CN111191836A (zh) * | 2019-12-27 | 2020-05-22 | 东软集团股份有限公司 | 一种井漏预测方法、装置及设备 |
RU2745136C1 (ru) * | 2020-09-08 | 2021-03-22 | Федеральное государственное бюджетное учреждение науки Институт проблем нефти и газа Российской академии наук | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин |
RU2745137C1 (ru) * | 2020-09-08 | 2021-03-22 | Федеральное государственное бюджетное учреждение науки Институт проблем нефти и газа Российской академии наук | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин |
CN113129157A (zh) * | 2019-12-30 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 |
CN113469407A (zh) * | 2021-05-21 | 2021-10-01 | 北京市燃气集团有限责任公司 | 一种燃气事故预测方法及装置 |
CN113486595A (zh) * | 2021-07-23 | 2021-10-08 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
CN113657628A (zh) * | 2021-08-20 | 2021-11-16 | 武汉霖汐科技有限公司 | 工业设备监控方法、系统、电子设备及存储介质 |
CN113685166A (zh) * | 2021-07-27 | 2021-11-23 | 中国海洋石油集团有限公司 | 一种钻井事故预警方法及系统 |
CN114526052A (zh) * | 2021-12-31 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
CN113486595B (zh) * | 2021-07-23 | 2024-05-14 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080172179A1 (en) * | 2007-01-15 | 2008-07-17 | Chevron U.S.A. Inc. | Method and system for assessing exploration prospect risk and uncertainty |
CN103824131A (zh) * | 2014-02-28 | 2014-05-28 | 西南石油大学 | 油气井钻井施工作业现场的风险预测系统及方法 |
CN105143598A (zh) * | 2013-02-27 | 2015-12-09 | 兰德马克绘图国际公司 | 用于预测钻井事故的方法和系统 |
-
2018
- 2018-11-14 CN CN201811352903.0A patent/CN109508827B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080172179A1 (en) * | 2007-01-15 | 2008-07-17 | Chevron U.S.A. Inc. | Method and system for assessing exploration prospect risk and uncertainty |
CN105143598A (zh) * | 2013-02-27 | 2015-12-09 | 兰德马克绘图国际公司 | 用于预测钻井事故的方法和系统 |
CN103824131A (zh) * | 2014-02-28 | 2014-05-28 | 西南石油大学 | 油气井钻井施工作业现场的风险预测系统及方法 |
Non-Patent Citations (2)
Title |
---|
刘光星 等: "ARMA 建模在神经网络卡钻预测方法中的应用研究", 《现代电子技术》 * |
胡英才: "基于神经网络融合技术的钻井事故诊断方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009151A (zh) * | 2019-04-02 | 2019-07-12 | 上海麦图信息科技有限公司 | 一种石油钻井事故时间的标注方法 |
CN110766192B (zh) * | 2019-09-10 | 2022-09-09 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
CN111191836A (zh) * | 2019-12-27 | 2020-05-22 | 东软集团股份有限公司 | 一种井漏预测方法、装置及设备 |
CN113129157A (zh) * | 2019-12-30 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 |
RU2745136C1 (ru) * | 2020-09-08 | 2021-03-22 | Федеральное государственное бюджетное учреждение науки Институт проблем нефти и газа Российской академии наук | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин |
RU2745137C1 (ru) * | 2020-09-08 | 2021-03-22 | Федеральное государственное бюджетное учреждение науки Институт проблем нефти и газа Российской академии наук | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин |
CN113469407A (zh) * | 2021-05-21 | 2021-10-01 | 北京市燃气集团有限责任公司 | 一种燃气事故预测方法及装置 |
CN113486595A (zh) * | 2021-07-23 | 2021-10-08 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
CN113486595B (zh) * | 2021-07-23 | 2024-05-14 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
CN113685166A (zh) * | 2021-07-27 | 2021-11-23 | 中国海洋石油集团有限公司 | 一种钻井事故预警方法及系统 |
CN113685166B (zh) * | 2021-07-27 | 2023-10-27 | 中国海洋石油集团有限公司 | 一种钻井事故预警方法及系统 |
CN113657628A (zh) * | 2021-08-20 | 2021-11-16 | 武汉霖汐科技有限公司 | 工业设备监控方法、系统、电子设备及存储介质 |
CN114526052A (zh) * | 2021-12-31 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
CN114526052B (zh) * | 2021-12-31 | 2023-09-19 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109508827B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508827A (zh) | 一种基于时间递归神经网络的钻井事故预警模型 | |
Liang et al. | Dynamic evaluation of drilling leakage risk based on fuzzy theory and PSO-SVR algorithm | |
CA2640727C (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
Hou et al. | Lost circulation prediction in south China sea using machine learning and big data technology | |
BR112015009197B1 (pt) | Método e sistema para realizar uma operação de perfuração | |
NO346634B1 (no) | Fremgangsmåte, system og datamaskinlesbart medium for hurtig oppdatering av olje- og gassfeltproduksjonsmodeller med fysiske og proksysimulatorer | |
Liang et al. | An sand plug of fracturing intelligent early warning model embedded in remote monitoring system | |
CN113553356A (zh) | 一种钻井参数预测方法和系统 | |
Chernikov et al. | Application of artificial intelligence methods for identifying and predicting complications in the construction of oil and gas wells: problems and solutions | |
CN117386344B (zh) | 一种基于两阶段学习的钻井异常工况诊断方法及系统 | |
Shi et al. | A new method to detect influx and loss during drilling based on machine learning | |
CN113062731A (zh) | 一种钻井井下复杂工况智能识别方法 | |
Mardanirad et al. | The application of deep learning algorithms to classify subsurface drilling lost circulation severity in large oil field datasets | |
Haibo et al. | Application of an intelligent early-warning method based on DBSCAN clustering for drilling overflow accident | |
Li et al. | Detection of downhole incidents for complex geological drilling processes using amplitude change detection and dynamic time warping | |
Yousef et al. | Predictive data analytics application for enhanced oil recovery in a mature field in the Middle East | |
Han et al. | An intelligent moving window sparse principal component analysis-based case based reasoning for fault diagnosis: Case of the drilling process | |
Fan et al. | Distributed monitoring with integrated probability PCA and mRMR for drilling processes | |
CN109902265A (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
Li et al. | Identification of downhole conditions in geological drilling processes based on quantitative trends and expert rules | |
Geekiyanage et al. | Feature selection for kick detection with machine learning using laboratory data | |
CN110188439A (zh) | 基于案例推理和系统动力学的地铁施工地表沉降预警方法 | |
Nwanwe et al. | An adaptive neuro-fuzzy inference system white-box model for real-time multiphase flowing bottom-hole pressure prediction in wellbores | |
Otchere et al. | Enhancing Drilling Fluid Lost-circulation Prediction: Using Model Agnostic and Supervised Machine Learning | |
Deregeh et al. | A new method of earlier kick assessment using ANFIS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |