CN109542884B - 采用大数据耦合参数以优化破岩效率的方法和系统 - Google Patents
采用大数据耦合参数以优化破岩效率的方法和系统 Download PDFInfo
- Publication number
- CN109542884B CN109542884B CN201811295100.6A CN201811295100A CN109542884B CN 109542884 B CN109542884 B CN 109542884B CN 201811295100 A CN201811295100 A CN 201811295100A CN 109542884 B CN109542884 B CN 109542884B
- Authority
- CN
- China
- Prior art keywords
- rock breaking
- data
- breaking efficiency
- parameters
- engineering
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Earth Drilling (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明揭示了一种采用大数据耦合参数以优化破岩效率的方法和系统。所述方法包括:获取邻近井所对应的静态地质数据、工程数据范围和工具参数进行预处理、聚类分析并建立大数据模型,根据静态地质数据、工程数据范围和工具参数以准确预测钻井目标参数破岩效率;根据新井的破岩效率预测特征,优选新井的工具参数以最大化预测的破岩效率。对所即将进行的钻井,借助于邻近井所对应的静态地质数据和工程数据范围,结合聚类分析实现所适应破岩环境的破岩效率预测,保证了所进行破岩效率运算的全面和可靠,并通过不同的工具参数组合预测出的破岩效率,以优选工具参数组合获得预测的高效破岩来降低钻井成本,真正满足钻井的工程需要,适用于工程上的实时快速决策需要。
Description
技术领域
本发明涉及计算机应用技术领域,特别涉及一种采用大数据耦合参数以优化破岩效率的方法和系统。
背景技术
钻井的进行,往往存在着不同的破岩效率,其破岩效率受限于各种状况而时高时低,在所进行的钻井中并无法保证高效破岩,甚至于难以提高破岩效率,使得钻井成本等不可控。
具体而言,在所进行的钻井过程当中,经常遇到复杂的井下情况。钻井面临着复杂的井下情况,而在此钻井过程中仅限于人为经验给予控制,无法预知所能够获得的破岩效率,进而难以有效改善钻井过程,使得真正进行的钻井过程能够得到优化,高效破岩。
应当理解,钻井过程是针对于一地质结构所执行的工程,影响钻井过程中的钻井速度,进而直接影响着破岩效率的因素众多,例如,地质结构自身的特性,工程执行所相关的因素等,并无法根据影响破岩效率的众多因素而直接对当前进行钻井的地质结构下即将执行的钻井过程预测所能够获得的破岩效率,从而以此为依据确定是否执行此钻井过程。
因此,亟待为所进行的钻井实现准确有效的破岩效率预测,破岩效率的准确有效预测方能够真正的保证钻井这一工程的可控性。
发明内容
为了解决相关技术中钻井的破岩效率无法得到准确有效预测的技术问题,本发明提供了一种采用大数据耦合参数以优化破岩效率的方法、系统和机器设备。
一种采用大数据耦合参数以优化破岩效率的方法,所述方法包括:
获取钻井所对应的静态地质数据、工程数据范围和工具参数组合;
预处理所述静态地质数据、工程数据范围和工具参数;
结合聚类分析建立的机器学习模型,根据预处理的所述静态地质数据、工程数据范围和工具参数预测新井的目标参数破岩效率;
根据新井的破岩效率预测特征以及邻近井的地质特征、工程数据范围,优选对新井所设定的工具参数组合,以基于所述目标参数破岩效率最大化所预测的破岩效率。
在一个示例性实施例中,所述获取钻井所对应的静态地质数据、工程数据范围和工具参数,包括:
获取描述邻近井所对应地质状况的地质参数为钻井所对应的静态地质数据,且获取为所述邻近井动态配置的工程数据范围。
在一个示例性实施例中,所述预处理所述静态地质数据、工程数据范围以及工具参数,包括:
进行所述静态地质数据、工程数据和工具参数的清洗以及数值映射;
对清洗和数值映射的静态地质数据、工程数据和工具参数进行降噪和归一化处理。
在一个示例性实施例中,所述结合聚类分析建立的机器学习模型,根据预处理的所述静态地质数据、工程数据和工具参数预测新井的目标参数破岩效率,包括:
对预处理之后的静态地质数据、工程数据范围和工具参数进行特征选择,处理相互之间关联性高的参数,且去除相对所述破岩效率关联性低的参数,获得进行所述新井的破岩效率预测特征,所述新井的破岩效率预测特征用于新井在所述机器学习模型的目标参数破岩效率预测。
在一个示例性实施例中,所述方法还包括:
获取可供进行机器学习模型训练的历史数据,所述历史数据包括标注了所对应真实破岩效率的破岩效率预测特征;
进行所述历史数据的破岩环境聚类,获得所聚类得到的破岩环境,且以所述历史数据中标注的真实破岩效率作为所获得破岩环境对应的真实破岩效率;
通过所述历史数据以所适应破岩环境对应的真实破岩效率为目标进行迭代训练,获得机器学习模型。
在一个示例性实施例中,所述根据新井的破岩效率预测特征以及邻近井的地质特征和工程数据范围,优选对新井所设定的工具参数组合,以基于所述目标参数破岩效率最大化所预测的破岩效率,包括:
根据所述目标参数破岩效率优选对新井所设定的工具参数组合;
通过训练得到的所述机器学习模型对新井的破岩效率预测特征,在所述工具参数组合中所优选工具参数下适应于所述邻近井地质特征所指示的破岩环境最大化预测破岩效率。
在一个示例性实施例中,所述获取可供进行机器学习模型训练的历史数据,包括:
以单位米为历史数据的样本覆盖区域,获取可供进行机器学习模型训练的历史数据,所述单位米将对应于新钻井区域下的破岩效率预测特征。
一种采用大数据耦合参数以优化破岩效率的系统,所述系统包括:
数据获取模块,用于获取邻近井所对应的静态地质数据以及工程数据范围和工具参数;
预处理模块,用于预处理所述静态地质数据、工程数据范围和工具参数;
运算模块,用于结合聚类分析建立的机器学习模型,根据预处理的静态地质数据、工程数据范围和工具参数预测进行钻井的目标参数破岩效率;
优化模块,用于根据新井的破岩效率预测特征以及邻近井的地质特征和工程数据范围,优选新井设定的工具参数组合,以基于所述目标参数破岩效率最大化所预测的破岩效率。
一种机器设备,包括:
数据采集硬件,被配置为获取邻近井所对应的静态地质数据、工程数据范围和工具参数;以及
计算机设备,被配置为对获得的所述静态地质数据、工程数据范围和工具参数执行如前所述方法中的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:
对所即将进行的钻井,即新井,将执行新井的破岩效率预测,即首先获取邻近井所对应的静态地质数据、工程数据范围和工具参数,预处理静态地质数据、工程数据范围和工具参数,然后进行聚类分析并建立大数据模型以精准预测破岩效率,最后根据钻井的目标参数破岩效率优选新井的工具参数组合,以获得最大化预测的破岩效率,由此,对所即将进行的钻井,借助于邻近井所对应的静态地质数据和工程数据范围,实现所适应破岩环境的破岩效率预测,以此来根据所预测得到的目标参数破岩效率优选工具参数组合,通过邻近井的静态地质数据和工程数据、工具参数控制保证了所进行破岩效率运算的全面和可靠,通过不同的工具参数组合预测出的破岩效率,进而能够优选工具参数在所执行钻井过程获得针对于新井所在地质结构和工程数据范围的最大破岩效率,准确有效的实现了新井的破岩效率预测,且使得所预测得到的目标参数破岩效率得到能够在钻井过程得到有效和充分和利用,使得钻井这一工程可控,进而得以通过高效破岩来降低钻井成本,真正满足钻井的工程需要,且适用于工程上的实时快速决策需要。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的对本发明所涉及的实施环境的示意简图;
图2是根据一示例性实施例示出的一种采用大数据耦合参数以优化破岩效率的方法的流程图;
图3是根据图2对应实施例示出示出的一种采用大数据耦合参数以优化破岩效率的方法在另一个示例性实施例的流程图;
图4是根据图2对应实施例示出的对步骤230进行描述的流程图;
图5是根据一示例性实施例示出的一种装置的框图;
图6是一示例性实施例示出的一种采用大数据耦合参数以优化破岩效率的系统的框图;
图7是根据图6对应实施例示出的对预处理模块进行描述的框图;
图8是根据另一实施例示出的一种采用大数据耦合参数以优化破岩效率的系统的框图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的对本发明所涉及的实施环境的示意简图。在一个实施性实施例中,本发明对新井,即所需要进行的钻井进行破岩效率预测,部署在计算机设备110中,对一地质结构下即将进行的钻井实现破岩效率的预测,与之相对应的,此计算机设备110所交互的其它设备,即数据采集硬件130,将作为各种数据的来源,是所进行破岩效率预测的数据源。
例如,数据采集硬件130,包括各种历史数据落地的数据仓库,也包括对所进行钻井的地质结构取心进行实验测量的硬件设备等,在此不进行一一列举。
在计算机设备110和数据采集硬件130的配合下,达成石油勘探开发领域的应用,以此来快速且准确有效的为钻井进行破岩效率的预测。
图2是根据一示例性实施例示出的一种采用大数据耦合参数以优化破岩效率的方法的流程图。在一个示例性实施例中,如图2所示的,一种采用大数据耦合参数以优化破岩效率的方法,至少包括以下步骤。
在步骤210中,获取邻近井所对应的静态地质数据、工程数据范围和工具参数。
其中,在此所指新井,是针对于当前所即将进行的钻井而言的,通过对一地质结构上即将进行的钻井获得新井,此时已经为这一钻井的进行设定了所执行所必须的各种工程参数范围以及工具参数,而工具参数是工程上可选择和调整的参数。邻近井是与新井相对而言的。由于钻井是在一地质结构上进行的,因此,对应了一系列的静态地质数据,此静态地质数据可由邻近井获得。静态地质数据是原本即存在的且不可人为改变的参数,例如,用于描述所对应地质结构的参数等。应当理解,邻近井即与新井处于同一地质结构上,因此,对邻近井来获得静态地质数据,在保证了数据准确完整的同时,也降低了数据获取的成本和代价。
在一个示例性实施例中,静态地质数据包括地质参数,地质参数包括温度、压力、岩石物性(比如,孔隙度、渗透率等)、岩性以及矿物成分等。将通过录井数据以及对地质结构取心进行实验测量获得静态地质数据中的地质参数。
静态地质数据取决于地质结构本身所存在的特性,是固有的,无法人为改变的;而工程参数中的工具参数则是可动态改变,可调整的,也就是说,随着本发明中破岩效率的准确有效预测,所预测得到的破岩效率能够反向作用于所需要进行的钻井过程,例如,调整原本动态配置的工具参数,由所调整的工具参数结合邻近井的工程参数范围和静态地质数据再次进行破岩效率的预测,再由所预测的破岩效率而确定是否需要再次进行工具参数的调整,以此类推,直至获得较佳破岩效率;在获得了较佳破岩效率之后,再真正进行钻井获得新井,由此,既实现了高效破岩,又极大的节省了破岩成本,使得在各种地质结构上进行的钻井可控。
在此应当补充说明的是,工具数据是所进行的钻井工程作业时可人为改变的参数,比如,工具数据可包括钻井方向测量数据,即井深、方位角等,也可包括钻头设计参数以及底部钻具组合,还可以包括泥浆参数等,泥浆参数包括泥浆、密度等。工具数据与所进行的钻井工程作业密切相关,是为钻井工程作业的进行而配置的。
本发明所实现的破岩效率预测是基于静态地质数据和工程数据以及工具参数组合进行,而静态地质数据和工程数据是在地质结构以及工程方面对钻井工程作业的描述,因此,得以保证了所进行破岩效率预测是全面可靠的,进而为获得准确有效的破岩效率奠定基础。
在一个示例性实施例中,步骤210,包括:获取描述邻近井所对应地质状况的地质参数为钻井所对应的静态地质数据,且获取为邻近井动态配置的工程数据范围和工具参数。
其中,应当理解,一地质结构上,不同区域有着不同的地质状况,因此,需要针对不同的地质状态而获取钻井所对应的静态地质数据,进而方能够为此地质结构上的每一区域提供精准的数据进行破岩效率预测。
对于所进行的钻井工程作业,在获取所对应地质状况的地质参数为钻井所对应静态地质数据之时,也将随之获取钻井动态配置的工程数据范围作为工程数据。
在步骤230中,预处理静态地质数据、工程数据范围和工具参数。
其中,对静态地质数据、工程数据范围以及工具参数所进行的预处理,用于为数据的有效识别执行各自预处理过程,以使得所获取的静态地质数据、工程数据范围和工具参数在预处理之后能够用于进行特征构造以及运算。
与之相对应的,预处理静态地质数据、工程数据范围和工具参数所获得的钻井参数数据,是钻井所涉及各方面内容的数值化表示,并且也是按照一定格式所结构化的数据,以保证其内容能够被有效识别和读取。
在一个示例性实施例中,预处理包括了数据的清洗、数值映射以及整合等过程,以此来完成预处理。但是,除些之后,也可根据所具体情况为所进行的预处理过程新增其它操作过程,例如,数据的降噪处理等,在此不进行限定。
在步骤250中,结合聚类分析建立的机器学习模型,根据预处理的静态地质数据、工程数据范围和工具参数预测新井的目标参数破岩效率。
其中,通过前述步骤实现了静态地质数据、工程数据范围以及工具参数的预处理之后,即可由完成预处理的静态地质数据、工程数据范围和工具参数,此时,将借助邻近井所对应的静态地质数据和工程数据范围,以可配置的工具参数为目标参数,来进行此目标参数的破岩效率预测,评估照此目标参数进行钻井所能够获得的破岩效率,即目标参数破岩效率,以便于以此为依据进行工具参数的优选。
目标参数破岩效率的预测,将通过聚合分析所建立的机器学习模型实现。对所建立的机器学习模型,需要为此而对预处理的静态地质数据、工程数据范围和工具参数进行特征构造,以便于以构造的特征作为输入信息来通过机器学习模型获得目标参数破岩效率。
经过预处理的静态地质数据、工程数据范围和工具参数都包括着众多参数,需要对此进行特征构造,以应用于所进行的破岩效率预测。通过进行特征构造,而使得所获得的破岩率预测特征相互之间的关联性低,但每一破岩率预测特征与破岩效率都具备非常高的关联性。
新井的破岩效率预测特征,以钻井的破岩效率为目标,对钻井工程作业进行着描述,为保证破岩效率预测特征的获得,将通过关联分析来实现对预处理之后的静态地质数据、工程数据范围和工具参数的特征构造,一方面对所包含的众多参数实现了降维,另一方面也得以保证了所构造特征,即新井的破岩效率预测特征之间无关联性或者关联性较弱,且与破岩效率之间关联性高。
所进行的特征构造中,对于关联性高的参数,将对此进行特征提取,以在关联性高的参数被去除之时,也针对于所去除参数中携带的内容进行着新特征的提取,以此来保证不会由于参数的去除而造成内容的缺失。
在一个示例性实施例中,步骤250包括:对预处理之后的静态地质数据、工程数据范围和工具参数进行特征选择,处理相互之间关联性高的参数,且去除相对破岩效率关联性低的参数,获得新井的破岩效率预测特征,新井的破岩效率预测特征用于新井在机器学习模型的目标参数破岩效率预测。
其中,如前所述的,对预处理之后的静态地质数据、工程数据范围和工具参数进行着特征选择,以此来实现降维,随着此特征选择的进行,也相应进行着特征提取,以此来为所去除的参数重新构造特征。
预处理之后的静态地质数据、工程数据范围和工具参数中,参数之间的关联性将用所运算得到的相关性取值,即相关性系数表征。在一个示例性实施例中,将通过所设定的数值划分所运算得到的相关性系数绝对值,以此来判定参数之间的关联性高低。
具体的,为参数之间高关联性、较高关联性以及低关联性的判定设定所分别对应的相关系数绝对值范围,进而根据所运算得到的相关性系数即可判定参数之间的关联性状况,例如,确定参数之间是强相关的,或者仅认为参数之间仅仅是相关性较强,或者确定参数之间相关性很差甚至于不相关。
例如,对于参数之间所运算得到的相关性系数,如果其绝对值高于0.8,则认为这两个参数之间强相关;如果两个参数之间相关性系数的绝对值处于0.6至0.8,则认为两个参数之间有相关性;如果两个参数之间相关性系数的绝对值是小于0.2的,则认为两个参数之间相关性很差或者说两个参数之间是不相关的。
由此,即可在预处理之后的静态地质数据、工程数据范围和工具参数中进行着参数两两之间的相关性运算,所运算得到的相关性系数便用于在钻井参数数据的特征选择中去除相互之间关联性高的参数,进而为此而重新构造特征。
此外,也通过在预处理之后的静态地质数据、工程数据范围和工具参数中运算每一参数与破岩效率之间的相关性,应用所获得的相关性系数去除相对破岩效率相关性低的参数。
此时,所留下的参数以及所重新构造的特征,便形成了新井的破岩效率预测特征。
在步骤270中,根据新井的破岩效率预测特征以及邻近井的地质特征和工程数据范围,优化对新井所设定的工具参数组合,以基于目标参数破岩效率最大化所预测的破岩效率。
其中,在通过前述步骤获得当前所即将进行钻井所对应的破岩效率预测特征之后,应用所得到的破岩效率预测特征进行所适应破岩环境的破岩效率运算。也就是说,经由破岩效率预测特征而进行的破岩效率运算,是针对于所适应的破岩环境进行的,基于为钻井而识别出的破岩环境得到所预测的破岩效率,以此来使得破岩效率预测的准确性能够得到保障。
应当理解,对于新井的破岩效率预测特征,是与破岩效率强相关的,因此,新井的破岩效率预测特征也必然是描述了所对应的破岩环境的。
经由新井的破岩效率预测特征运算,是针对于破岩环境进行的,以通过破岩效率预测特征所描述的破岩环境来实现破岩效率的运算。
对于所进行的破岩效率运算,是通过机器学习模型所实现的。机器学习模型是由大量的历史数据训练得到,是对大量破岩效率预测特征以及所对应的真实破岩效率进行机器学习而迭代训练得到的,由此,所进行的破岩效率运算是基于真实破岩状况所进行的,得以实现破岩效率的精准预测。
图3是根据图2对应实施例示出示出的一种采用大数据耦合参数以优化破岩效率的方法在另一个示例性实施例的流程图。在另一个示例性实施例中,如图3所示的,该采用大数据耦合参数以优化破岩效率的方法还包括以下步骤。
在步骤310中,获取可供进行机器学习模型训练的历史数据,历史数据包括标注了所对应真实破岩效率的破岩效率预测特征。
其中,进行机器学习模型训练的历史数据是通过已进行的钻井工程作业所获得的,其覆盖了所能够构造的所有破岩效率预测特征,并且标注了所对应的真实破岩效率。以所获取的大量历史数据作为样本来进行机器学习模型的训练,由此为构建基于大数据的机器学习模型。
应当理解,所进行的历史数据获取,一方面是获取大量历史数据而为并未构建的机器学习模型发起训练,另一方面则是获取当前新增的历史数据而为已经构建的机器学习模型进行优化。
在初始阶段,为了提供能够进行破岩效率预测的机器学习模型,需要获取大量历史数据,由所获得的大量历史数据构造特征,进而通过所构造的特征以及所对应的真实破岩效率进行机器学习,以训练得到机器学习模型。
所训练得到的机器学习模型便可用于进行钻井的破岩效率预测,当然,随着预测的进行,不断为所进行的钻井而运算出了所预测的破岩效率,并且也不断的在各种地质结构上进行着钻井工程作业,此时,也将由此而获得真实破岩效率,应当理解,真实破岩效率和所预测的破岩效率之间存在着偏差,需要使用真实破岩效率以及所对应的破岩效率预测特征作为历史数据而进行机器学习模型的迭代训练,以优化模型,使得后续所预测的破岩效率能够接近甚至于等于真实破岩效率。
步骤310,是随着所进行的机器学习模型的构建以及所不断进行的机器学习模型的优化而执行的。
在一个示例性实施例中,步骤310包括:以单位米为历史数据的样本覆盖区域,获取可供进行机器学习模型训练的历史数据,历史数据包括标注了所对应真实破岩效率的破岩效率预测特征。
其中,历史数据描述了单位米所对应钻井区域下的破岩效率预测特征以及所获得的真实破岩效率。破岩效率预测特征描述了所在地质结构的一个区域上进行破岩的状况,由此,所对应标注的真实破岩效率则是对应于此区域所真实存在的破岩效率。
由此可知,每一条历史数据,都是对应于特定地质结构上区域的,此区域称之为样本覆盖区域。样本覆盖区域的大小,决定了所进行破岩效率预测的精度。与之相对应的,作为样本的历史数据,其所对应的样本覆盖区域大小便决定机器学习模型训练识别破岩效率的精度,进而即构成了最终所获得机器学习模型进行破岩效率预测的精度。
在所进行的机器学习模型训练中,以单位米为历史数据的样本覆盖区域而进行历史数据的获取,后续由机器学习模型所运算得到的破岩效率,便是对应于一单位米的区域的,实现以米为单位的破岩效率精准预测。
在步骤330中,进行历史数据的破岩环境聚类,获得所聚类得到的破岩环境,且以历史数据中标注的真实破岩效率作为所获得破岩环境对应的真实破岩效率。
其中,在获得可供进行机器学习模型训练的历史数据之后,为所需要进行的机器学习模型训练进行横向聚类,换而言之,便是为机器学习模型进行着各维特征的聚类分析,进而实现着所对应破岩环境的聚类。
由此,在历史数据的作用下,得以识别出所存在的破岩环境,进而使得所进行的机器学习模型训练是依据破岩环境所进行的,保证破岩效率的精准预测。
在步骤350中,通过历史数据以所适应破岩环境对应的真实破岩效率为目标进行迭代训练,获得机器学习模型。
其中,在通过前述步骤实现了破岩环境的识别之后,由于每一历史数据都有对应的真实破岩效率,并且每一历史数据都是对应于一破岩环境的,因此所识别得到的破岩环境是对应了真实破岩效率的。
以历史数据来获得进行机器学习模型训练的各维特征,即新井的破岩效率预测特征作为样本来进行机器学习模型的迭代训练,由于新井的破岩效率预测特征是对应于破岩环境的,因此迭代训练所获得的机器学习模型也是适应于破岩环境的,进而达成适应于破岩环境的机器学习模型。
通过此示例性实施例,使得为钻井而进行的破岩效率预测是基于大数据的机器学习实现的,并且是对应于所存在的静态地质数据、工程数据范围和工具参数的,因此能够使得所预测的破岩效率接近到真实破岩效率,其准确性和可靠性均有保障。
在此示例性实施例中,通过所进行的横向聚类动态识别破岩环境,来使得通过各维特征迭代训练的机器学习模型是适应于各种破岩环境的,进而通过不同区域破岩环境的差异以及对破岩效率的影响来准确预测得到所对应的破岩效率,一地质结构下不同区域的破岩效率能够被精准预测得到,具备非常高的区域敏感性。
通过此示例性实施例,使得所进行的破岩效率预测是基于破岩环境所进行的,因此,借助于所预测得到的破岩效率以及所适应破岩环境而精准调整参数,例如,进行工程数据中的参数调整,以针对不同的破岩环境提高破岩效率,精准实现高效破岩。
与此示例性实施例相对应的,步骤270包括:
根据目标参数破岩效率优选新井所设定的工具参数组合;
通过训练得到的机器学习模型对进行所述新井的破岩效率预测特征,在工具参数组合中所优选工具参数下适应于邻近井地质特征所指示的破岩环境最大化预测破岩效率。
其中,正如前述描述所指出的,所进行的钻井破岩效率预测,是针对于破岩环境而进行的。通过机器学习模型,得以对进行新井的破岩效率预测特征识别得到所适应的破岩环境,进而基于所识别得到的破岩环境来识别得到破岩效率。
在如上所述的示例性实现例中,对于所进行的破岩效率预测而言,引入了静态地质数据、工程数据范围和工具参数,避免了预测误差,甚至于所存在的较大误差,并且使得所预测的破岩效率能够作用于钻井工程作业的动态调整,保证了破岩效率预测的准确有效性。
图4是根据图2对应实施例示出的对步骤230进行描述的流程图。在一个示例性实施例中,如图4所示,该步骤230至少包括以下步骤。
在步骤231中,进行静态地质数据、工程数据范围的数据清洗以及工具参数数值映射。
其中,如前所述的,对静态地质数据、工程数据范围和工具参数进行的预处理包括了数据的清洗和数值映射。数据的清洗用于实现数据的过滤,以将不完整的数据、错误的数据以及重复的数据去除。数值映射则是对非量化的文本数据进行的,以将文本数据转化为数值。例如,所获得的静态地质数据中,岩性类型这一参数是以文本形式存在的;又例如,在工程数据中,泥浆类型也是以文本形式存在的,通过数值映射将文本转化为定量的参数,以便于实现运算。
在一个示例性实施例中,还将对清洗和数据映射的静态地质数据、工程数据和工具参数进行整合。所指的整合,是对原始数据进行初步整理以转换成一定格式,通过整合的执行而获得的数据即为钻井参数数据。
通过此示例性实施例,为新井的破岩效率预测进行了各种数据所整理,对于所进行的破岩效率预测而言,得以保证所获取的数据是后续所进行的运算中能够识别的,进而保证了数据的有效性。
预处理的数据使得所最终用于运算的钻井参数数据是已经结构化的,并且避免了错误以及重复的数据存在,从而得以提高运算效率,避免运算出错的可能性。
在步骤233中,:对清洗和数值映射的静态地质数据、工程数据范围和工具参数进行降噪和归一化处理。
其中,应当理解的是,所进行的降噪处理,是对存在的噪声进行去除的实现过程。而对于所进行的归一化处理,则是进行数据化和无量纲化的处理过程,以达到数据归一的目的。
在一个示例性实施例中,所进行的数据标准化可以包括利用均值或中位数方差而进行的数据标准化,以及利用最小值最大值进行归一化的过程,即:
(x-min)/(max-min)
其中,x为所需要进行处理的数据,而min则为所存在的最小值,max则是所存在的最大值。
在另一个示例性实施例中,该采用大数据耦合参数以优化破岩效率的方法,还对所构造的破岩效率预测特征进行敏感性分析,由所进行的敏感性分析进行特征的重要性排序。
其中,特征的重要性是根据模型训练过程中的结果输出确定的。在一个示例性实施例中,此过程可通过决策树或者随机森林算法来实现。
通过所进行的敏感性分析而实现的,由此来获得最为影响钻井的关键工程参数,进而优化可调的工程参数,以优化钻井的破岩效率,找出钻井工程作业存在的工程瓶颈。
通过如前所述的示例性实施例,使得所进行的钻井破岩效率预测是通过大数据耦合地质、工程和泥浆等参数进行的,具体而言,能够耦合伽马、电阻等地质测井参数,钻压、排量、顶驱转速等工程参数,以及密度、粘度等泥浆参数。
通过如前所述的示例性实施例,使得基于大数据的机器学习能够应用于钻井工程作业中,使得在各种地质结构的钻井现场所即将执行的钻井能够得到优化,并且由此而快速准确的获得了可控性保证,优化了新井的工程设计。
图5是根据一示例性实施例示出的一种装置的框图。例如,装置500可以是图1所示的计算机设备。
参照图5,该装置500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)522(例如,一个或一个以上处理器)和存储器532,一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器522可以设置为与存储介质530通信,在装置500上执行存储介质530中的一系列指令操作。装置500还可以包括一个或一个以上电源526,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口558,和/或,一个或一个以上操作系统541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。上述图2、图3和图4所示实施例中所述的由计算机设备所执行的步骤可以基于该图5所示的装置结构。
下述为本发明装置实施例,可以用于执行本发明上述实现原油饱和度预测的方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明实现原油饱和度预测的方法实施例。
图6是一示例性实施例示出的一种采用大数据耦合参数以优化破岩效率的系统的框图。该采用大数据耦合参数以优化破岩效率的系统,如图6所示,包括但不限于:数据获取模块710、预处理模块730、运算模块750和优化模块770。
数据获取模块710,用于获取邻近井所对应的静态地质数据、工程数据范围和工具参数;
预处理模块730,用于预处理所述静态地质数据、工程数据范围和工具参数
运算模块750,用于结合聚类分析建立的机器学习模型,根据预处理的静态地质数据、工程数据范围和工具参数预测新井的目标参数破岩效率;
优化模块770,用于根据新井的破岩效率预测特征、邻近井的地质特征和工程数据范围,优选新井所设定的工具参数组合,以基于所述目标参数破岩效率最大化所预测的破岩效率。
在一个示例性实施例中,数据获取模块710进一步用于获取描述邻近井所对应地质状况的地质参数为钻井所对应的静态地质数据,且获取为邻近井动态配置的工程数据范围。
图7是根据图6对应实施例示出的对预处理模块进行描述的框图。在一个示例性实施例中,如图7所示,该预处理模块730至少包括:初步处理单元731和整合单元733。
初步处理单元731,用于进行所述静态地质数据、工程数据范围的清洗以及工具参数的数值映射;
降噪归一单元733,用于对清洗和数值映射的静态地质数据、工程数据范围和工具参数进行降噪和归一化处理。
在另一个示例性实施例中,运算模块750还用于对预处理之后的静态地质数据、工程数据范围和工具参数进行特征选择,处理相互之间关联性高的参数,且去除相对所述破岩效率关联性低的参数,获得进行所述新井的破岩效率预测特征,所述新井的破岩效率预测特征用于新井在所述机器学习模型的目标参数破岩效率预测。
在另一个示例性实施例中,优化模块770还用于执行:
根据所述目标参数破岩效率优选对新井所设定的工具参数组合;
通过训练得到的所述机器学习模型对进行所述新井的破岩效率预测特征,在所述工具参数组合中所优选工具参数下适应于所述邻近井地质特征和工程数据范围所指示的破岩环境最大化预测破岩效率。
图8是根据另一实施例示出的一种采用大数据耦合参数以优化破岩效率的系统的框图。在另一个示例性实施例中,该采用大数据耦合参数以优化破岩效率的系统,如图8所示,至少包括:历史数据获取模块910、聚类模块930以及迭代训练模块950。
历史数据获取模块910,用于获取可供进行机器学习模型训练的历史数据,所述历史数据包括标注了所对应真实破岩效率的破岩效率预测特征;
聚类模块930,用于进行所述历史数据的破岩环境聚类,获得所聚类得到的破岩环境,且以所述历史数据中标注的真实破岩效率作为所获得破岩环境对应的真实破岩效率;
迭代训练模块950,用于通过所述历史数据以所适应破岩环境对应的真实破岩效率为目标进行迭代训练,获得机器学习模型。
可选的,本发明还提供一种机器设备,该实现原油饱和度预测的装置可以用于前述所示实施环境中,执行如上任一所示的方法的全部或者部分步骤。所述机器设备包括:
数据采集硬件,被配置为获取邻近井所对应的静态地质数据、工程数据范围和工具参数;以及
计算机设备,被配置为对获得的静态地质数据、工程数据范围和工具参数执行前述方法所相关的步骤,针对所优选工具参数获得的破岩效率预测。
该实施例中的装置的处理器执行操作的具体方式已经在前述方法的实施例中执行了详细描述,此处将不做详细阐述说明。
在示例性实施例中,还提供了一种存储介质,该存储介质为计算机可读存储介质,例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器,上述指令可由装置的处理器执行以完成上述方法。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (6)
1.一种采用大数据耦合参数以优化破岩效率的方法,其特征在于,所述方法包括:
获取邻近井所对应的静态地质数据、工程数据范围和工具参数;
进行所述静态地质数据、工程数据范围的清洗以及工具参数的数值映射;
对清洗和数值映射的静态地质数据、工程数据范围以及工具参数进行降噪和归一化处理;
对预处理之后的静态地质数据、工程数据范围和工具参数进行特征选择,处理相互之间关联性高的参数,且去除相对所述破岩效率关联性低的参数,获得新井的破岩效率预测特征,所述新井的破岩效率预测特征用于新井在所述机器学习模型的目标参数破岩效率预测;
根据所述目标参数破岩效率优选对新井所设定的工具参数组合;
通过训练得到的所述机器学习模型对新井的破岩效率预测特征,在所述工具参数组合中所选择工具参数下适应于所述邻近井地质特征所指示的破岩环境最大化预测破岩效率。
2.根据权利要求1所述的方法,其特征在于,所述获取邻近井所对应的静态地质数据、工程数据范围和工具参数,包括:
获取描述邻近井所对应地质状况的地质参数为钻井所对应的静态地质数据,且获取为邻近井动态配置的工程数据范围和工具参数。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取可供进行机器学习模型训练的历史数据,所述历史数据包括标注了所对应真实破岩效率的破岩效率预测特征;
进行所述历史数据的破岩环境聚类,获得所聚类得到的破岩环境,且以所述历史数据中标注的真实破岩效率作为所获得破岩环境对应的真实破岩效率;
通过所述历史数据以所适应破岩环境对应的真实破岩效率为目标进行迭代训练,获得机器学习模型。
4.根据权利要求3所述的方法,其特征在于,所述获取可供进行机器学习模型训练的历史数据,包括:
以单位米为历史数据的样本覆盖区域,获取可供进行机器学习模型训练的历史数据,所述单位米将对应于新钻井区域下的破岩效率预测特征。
5.一种采用大数据耦合参数以优化破岩效率的系统,其特征在于,所述系统包括:
数据获取模块,用于获取邻近井所对应的静态地质数据、工程数据范围和工具参数;
预处理模块,用于进行所述静态地质数据、工程数据范围的清洗以及工具参数的数值映射;
对清洗和数值映射的静态地质数据、工程数据范围以及工具参数进行降噪和归一化处理
运算模块,用于对预处理之后的静态地质数据、工程数据范围和工具参数进行特征选择,处理相互之间关联性高的参数,且去除相对所述破岩效率关联性低的参数,获得新井的破岩效率预测特征,所述新井的破岩效率预测特征用于新井在所述机器学习模型的目标参数破岩效率预测;
优化模块,用于根据所述目标参数破岩效率优选对新井所设定的工具参数组合;
通过训练得到的所述机器学习模型对新井的破岩效率预测特征,在所述工具参数组合中所选择工具参数下适应于所述邻近井地质特征所指示的破岩环境最大化预测破岩效率。
6.一种机器设备,其特征在于,包括:
数据采集硬件,被配置为获取邻近井所对应的静态地质数据以及为所进行钻井而配置的工程数据范围和工具参数;以及
计算机设备,被配置为对获得的所述静态地质数据、工程数据范围和工具参数执行如权利要求1至4中任意一其所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295100.6A CN109542884B (zh) | 2018-11-01 | 2018-11-01 | 采用大数据耦合参数以优化破岩效率的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295100.6A CN109542884B (zh) | 2018-11-01 | 2018-11-01 | 采用大数据耦合参数以优化破岩效率的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109542884A CN109542884A (zh) | 2019-03-29 |
CN109542884B true CN109542884B (zh) | 2023-04-07 |
Family
ID=65845790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811295100.6A Active CN109542884B (zh) | 2018-11-01 | 2018-11-01 | 采用大数据耦合参数以优化破岩效率的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109542884B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241576B (zh) * | 2019-07-16 | 2022-11-01 | 中国石油天然气股份有限公司 | 油气井完井处理方法及装置 |
CN112699921B (zh) * | 2020-12-16 | 2022-07-15 | 重庆邮电大学 | 一种基于堆栈降噪自编码的电网暂态故障数据聚类清洗方法 |
CN114562236B (zh) * | 2022-02-15 | 2023-07-28 | 中海油能源发展股份有限公司 | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016150113A1 (zh) * | 2015-03-25 | 2016-09-29 | 东方宝麟科技发展(北京)有限公司 | 螺杆钻具及其破岩钻井方法 |
CN106150485A (zh) * | 2015-04-08 | 2016-11-23 | 中国石油化工股份有限公司 | 一种基于数字岩体的钻井井漏预测系统 |
-
2018
- 2018-11-01 CN CN201811295100.6A patent/CN109542884B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016150113A1 (zh) * | 2015-03-25 | 2016-09-29 | 东方宝麟科技发展(北京)有限公司 | 螺杆钻具及其破岩钻井方法 |
CN106150485A (zh) * | 2015-04-08 | 2016-11-23 | 中国石油化工股份有限公司 | 一种基于数字岩体的钻井井漏预测系统 |
Non-Patent Citations (1)
Title |
---|
地质力学特征评价新方法在导向钻井优化中的应用;吴超等;《中国石油大学学报(自然科学版)》;20170620(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109542884A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11814931B2 (en) | Machine-learning for sedimentary facies prediction | |
EP3437067B1 (en) | Automated core description | |
US10657441B2 (en) | Model generation for real-time rate of penetration prediction | |
CN109542884B (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
RU2723805C9 (ru) | Способ и компьютерная система управления бурением скважин | |
WO2016154723A1 (en) | Method and apparatus for drilling a new well using historic drilling data | |
US11846748B2 (en) | Deep learning seismic attribute fault predictions | |
EP3397833A1 (en) | Machine learning for production prediction | |
CN113689055B (zh) | 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法 | |
CN110397402B (zh) | 钻井方法及装置 | |
US11572777B2 (en) | Constructing digital twins for oil and gas recovery using Ensemble Kalman Filter | |
CA3005825A1 (en) | Drilling control based on brittleness index correlation | |
US20190234207A1 (en) | Optimization of rate-of-penetration | |
CN115329657B (zh) | 钻井参数优化方法及装置 | |
WO2020159564A1 (en) | Constructing digital twins for oil and gas recovery using ensemble kalman filter | |
CN109902360B (zh) | 在钻井现场作业中优化工程参数的方法、装置及机器设备 | |
WO2021040774A1 (en) | Wellbore trajectory control using reservoir property projection and optimization | |
CN114398828A (zh) | 一种钻速智能预测及优化方法、系统、设备和介质 | |
WO2023034968A1 (en) | Hybrid neural network for drilling anomaly detection | |
CN114016998A (zh) | 一种测井遇阻遇卡的预测方法及装置 | |
US11216700B2 (en) | Automated material classification by structural features | |
EP4162150A1 (en) | Automated electric submersible pump (esp) failure analysis | |
US11965407B2 (en) | Methods and systems for wellbore path planning | |
US11965410B2 (en) | Orchestration framework to determine composite well construction recommendations | |
WO2024077538A1 (en) | Methods and systems for predicting lithology and formation boundary ahead of the bit |
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 |