CN109753729A - 实时优化钻井作业参数的方法及装置、电子设备 - Google Patents
实时优化钻井作业参数的方法及装置、电子设备 Download PDFInfo
- Publication number
- CN109753729A CN109753729A CN201910011079.0A CN201910011079A CN109753729A CN 109753729 A CN109753729 A CN 109753729A CN 201910011079 A CN201910011079 A CN 201910011079A CN 109753729 A CN109753729 A CN 109753729A
- Authority
- CN
- China
- Prior art keywords
- parameter
- efficiency
- breaking rock
- data
- well
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 239000011435 rock Substances 0.000 claims abstract description 139
- 238000005553 drilling Methods 0.000 claims abstract description 77
- 239000002245 particle Substances 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000001419 dependent effect Effects 0.000 claims abstract description 12
- 230000000153 supplemental effect Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 241001074085 Scophthalmus aquosus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Abstract
本申请揭示了一种实时优化钻井作业参数的方法、装置、电子设备和存储介质。所述方法包括:获取邻近井的钻井数据,钻井数据包括作业参数、钻井工具参数、地质参数、泥浆参数数据;通过钻井数据训练以破岩效率为因变量、以作业参数、钻井工具参数、地质参数、泥浆参数为自变量的破岩效率模型;通过破岩效率模型计算不同作业参数组合对应的破岩效率,通过粒子群算法根据破岩效率的大小优化作业参数,使破岩效率达到最大。上述方法通过邻近井的钻井数据训练破岩效率模型,之后,在实时作业中,通过破岩效率模型实现不同作业参数值组合所对应破岩效率的实时计算,将计算得到的破岩效率值中最大值所对应作业参数值组合应用于作业,使破岩效率达到最大。
Description
技术领域
本申请涉及钻井技术领域,特别涉及一种实时优化钻井作业参数的方法、装置、电子设备和计算机可读存储介质。
背景技术
目前,现场钻井作业需人工调控钻机的作业参数(钻压、转速和排量)。作业人员根据经验调控作业参数,以获得较大的破岩效率。
破岩效率的大小除取决于作业参数外,还取决于地质、钻井工具,地质不同、钻井工具不同,使破岩效率达到最大的作业参数值不同,作业人员很难根据经验判断作业参数取什么值时破岩效率最大,因此,在实际作业中,破岩效率很难达到最大。
申请内容
为了解决相关技术中破岩效率难以达到最大的技术问题,本申请提供了一种实时优化钻井作业参数的方法、装置、电子设备和计算机可读存储介质。
一种实时优化钻井作业参数的方法,所述方法包括:
获取邻近井的钻井数据,所述钻井数据包括作业参数数据、钻井工具参数数据、地质参数数据、泥浆参数数据;
通过所述钻井数据训练以破岩效率为因变量、以作业参数、钻井工具参数、地质参数、泥浆参数为自变量的破岩效率模型;
通过所述破岩效率模型计算不同作业参数组合对应的破岩效率,通过粒子群算法根据破岩效率的大小优化作业参数,使破岩效率达到最大。
一种实时优化钻井作业参数的装置,所述装置包括:
数据获取模块,用于获取邻近井的钻井数据,所述钻井数据包括作业参数数据、钻井工具参数数据、地质参数数据、泥浆参数数据;
模型训练模块,用于通过所述钻井数据训练以破岩效率为因变量、以作业参数、钻井工具参数、地质参数、泥浆参数为自变量的破岩效率模型;
优化模块,用于通过所述破岩效率模型计算不同作业参数组合对应的破岩效率,通过粒子群算法根据破岩效率的大小优化作业参数,使破岩效率达到最大。
一种电子设备,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如前所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请提供的方法包括以下步骤:获取邻近井的钻井数据,所述钻井数据包括作业参数数据、钻井工具参数数据、地质参数数据、泥浆参数数据;通过所述钻井数据训练以破岩效率为因变量、以作业参数、钻井工具参数、地质参数、泥浆参数为自变量的破岩效率模型;通过所述破岩效率模型计算不同作业参数组合对应的破岩效率,通过粒子群算法根据破岩效率的大小优化作业参数,使破岩效率达到最大。上述方法通过邻近井的钻井数据训练破岩效率模型,使得破岩效率模型能够根据作业参数、钻井工具参数、地质参数、泥浆参数计算破岩效率。之后,在实时作业中,通过破岩效率模型实现不同作业参数值组合所对应破岩效率的实时计算,将计算得到的破岩效率值中最大值所对应作业参数值组合应用于作业,使破岩效率达到最大。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并于说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种实时优化钻井作业参数的方法的流程图;
图2是根据图1对应实施例示出的一种实时优化钻井作业参数的方法的流程图;
图3是根据图2对应实施例示出的步骤250的细节的流程图;
图4是根据图1对应实施例使出的步骤150的细节的流程图;
图5是根据一示例性实施例示出的一种实时优化钻井作业参数的装置的框图;
图6是根据图5对应实施例示出的优化模块的细节的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,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申请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描述的、本申请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一种实时优化钻井作业参数的方法的流程图。如图1所示,该方法包括以下步骤。
步骤110,获取邻近井的钻井数据,钻井数据包括作业参数数据、钻井工具参数数据、地质参数数据、泥浆参数数据。
作业参数包括钻机的钻压、转速和排量,作业参数数据包括钻机的钻压值、转速值和排量值。在一示例性实施例中,钻井数据中的作业参数数据是邻近井的历史作业参数数据。
钻井工具参数例如套管尺寸、裸眼尺寸,在一示例性实施例中,钻井工具参数数据是邻近井的历史钻井工具参数数据。
地质参数例如中子孔隙度,在一示例性实施例中,地质参数数据是邻近井的历史地质参数数据。
泥浆参数例如泥浆的密度、泥浆的固相含量,在一示例性实施例中,泥浆参数是邻近井的历史泥浆参数数据,。
步骤130,通过钻井数据训练以破岩效率为因变量、以作业参数、钻井工具参数、地质参数、泥浆参数为自变量的破岩效率模型。
破岩效率的大小指示了钻机破岩的速度,破岩效率的值越大,破岩的速度越快。
破岩效率模型是以通用数学模型(例如回归模型)为基础建立的因变量为破岩效率、自变量为作业参数、钻井工具参数、地质参数、泥浆参数的数学模型。
根据钻井数据与破岩效率的关系对破岩效率模型进行训练,修正破岩效率模型中参数的系数、次数,将修正后的破岩效率模型用于步骤150中计算破岩效率。
步骤150,通过破岩效率模型计算不同作业参数组合对应的破岩效率,通过粒子群算法根据破岩效率的大小优化作业参数,使破岩效率达到最大。
破岩效率模型以破岩效率为因变量,以作业参数、钻井工具参数、地质参数、泥浆参数为自变量。
钻井时,钻井工具参数的值、泥浆参数的值是作业人员根据实际需求设定的,地质参数的值可以通过录井技术取得。
作业参数的值是通过步骤150实时设定的。作业参数包括钻机的钻压、转速、排量,作业参数的值取不同的组合时(例如,钻压30klbs、转速50r/min、排量4000L/min;钻压35klbs、转速60r/min、排量4000L/min;钻压40klbs、转速57r/min、排量3000L/min),一般对应不同的破岩效率。
在实际作业中,作业参数在一定合理范围内取值。多个作业参数值组合通过破岩效率模型对应于多个破岩效率值,将最大破岩效率值对应的作业参数值组合实时应用于作业。
上述方法通过邻近井的钻井数据训练破岩效率模型,使得破岩效率模型能够根据作业参数、钻井工具参数、地质参数、泥浆参数计算破岩效率。之后,在实时作业中,通过破岩效率模型实现不同作业参数值组合所对应破岩效率的实时计算,将计算得到的破岩效率值中最大值所对应作业参数值组合应用于作业,使破岩效率达到最大。
图2是根据图1对应实施例示出的一种实时优化钻井作业参数的方法的流程图。在一示例性实施例中,如图2所示,在步骤110之前,还包括以下步骤。
步骤210,获取邻近井的钻井原始数据,钻井原始数据包括作业参数原始数据、钻井工具参数原始数据、地质参数原始数据、泥浆参数原始数据。
钻井原始数据是直接从邻近井的历史钻井数据中获得的数据,包括邻近井的历史作业参数数据、历史钻井工具参数数据、历史地质参数数据、历史泥浆参数数据。
在具体实现中,钻井原始数据涉及大量的数据点,数据点之间在三维实际空间中沿x、y、z方向相互之间间隔1米。
对钻井原始数据通过以下步骤(步骤230、步骤250)进行处理后,得到钻井数据。
步骤230,对钻井原始数据进行清洗、降噪、标准化,得到标准化数据。
将钻井原始数据按其对应的参数进行分类,之后,将同类(对应于同一参数)钻井原始数据按钻井原始数据所属的地质层分组,属于不同地质层的钻井原始数据归入不同的数据组,删除(清洗)数据组中异常(与数据组中的大部分数据差异较大)的钻井原始数据。
在具体实现中,上述分类、分组可以通过聚类分析方法(例如层次聚类、k-means)完成。
将清洗后剩余的钻井原始数据与钻井方式参数关联,钻井方式参数指示了钻井原始数据对应的钻井方式。例如,钻井方式参数的值取1,指示钻井原始数据对应的钻井方式是套管方式,钻井方式参数的值取2,指示钻井原始数据对应的钻井方式是裸眼方式。
对关联后的钻井原始数据进行降噪,进一步删除钻井原始数据中的异常数据。最后,统一清洗、降噪后剩余的钻井原始数据的量纲,将钻井原始数据标准化,在具体实现中,可以通过z-score方法标准化钻井原始数据。
步骤250,根据标准化数据之间的相关性,以及标准化数据与破岩效率之间的相关性,从标准化数据中选出钻井数据。
根据标准化数据中不同参数之间的相关性,将相关性好的数个参数删减至一个参数。根据参数与破岩效率的相关性,删除与破岩效率相关性差的参数。
最后,将剩余的参数所对应标准化数据作为钻井数据,用于破岩效率模型的训练。
图3是根据图2对应实施例示出的步骤250的细节的流程图。在一示例性实施例中,如图3所示,步骤250包括:
步骤251,计算标准化数据中不同参数之间的相关系数,参数之间的相关系数大于指定的上限时,随机选择其中一个参数作为预选变量参数。
在一示例性实施例中,标准化数据中包含作业参数、钻井工具参数、地质参数、泥浆参数,作业参数包括钻机的钻压、转速和排量,钻井工具参数包括裸眼尺寸,地质参数包括中子孔隙度,泥浆参数包括泥浆的密度、泥浆的固相含量。
计算上述参数之间的相关系数,参数之间的相关系数大于指定的上限(例如0.9),说明参数之间存在较好的线性关系,只需将其中一个参数选为预选变量参数。
步骤253,计算预选变量参数与破岩效率之间的相关系数,预选变量参数与破岩效率之间的相关系数大于指定的下限时,将预选变量参数选为变量参数。
预选变量参数与破岩效率的相关系数大于指定的下限(例如0.1),说明该预选变量参数的变化一定程度上导致了破岩效率的变化,需将该预选变量参数选为变量参数。
相关系数的计算方法例如Pearson相关系数。
步骤255,将标准化数据中变量参数所对应数据选为钻井数据。
从标准化数据所对应参数中选出预选变量参数,从预选变量参数中选出变量参数,只从标准化数据中选出较为必要的数据作为钻井数据,用于破岩效率模型的训练。
根据图3对应实施例,在一示例性实施例中,步骤130之前,还包括以下步骤:根据变量参数与破岩效率的关系建立以破岩效率为因变量的破岩效率模型,变量参数包括作业参数、钻井工具参数、地质参数、泥浆参数。
破岩效率的大小取决于包括作业参数在内的多个参数,主要取决于通过图3所示步骤选出的变量参数。
通过变量参数构造破岩效率模型,之后,通过钻井数据训练该破岩效率模型,修正破岩效率模型中变量参数的系数、次数。训练后该破岩效率模型能够根据不同的作业参数值计算对应的破岩效率。
只通过变量参数构造破岩效率模型可以减少模型的计算量,也可以防止过拟合。
图4是根据图1对应实施例使出的步骤150的细节的流程图。在一示例性实施例中,如图4所示,步骤150包括:
步骤151,通过破岩效率模型计算作业参数取不同值时的破岩效率,作业参数在指定范围内取值。
在钻井过程中,通过破岩效率模型根据实时的作业参数、钻井工具参数、地质参数、泥浆参数数据计算破岩效率。其中,作业参数在指定范围内取值,例如钻压限制在1-40klbs,转速限制在0-120r/min,排量限制在500-4500L/min。
在实际作业中,为了防止优化导致作业参数值出现过大波动,为作业参数值的变化设置一个上限,进一步限制作业参数的取值范围。
步骤153,在指定范围内,通过粒子群算法寻找破岩效率的最大值,根据该最大值对应的作业参数值更新作业参数。
数个只在特定范围内取值的作业参数构成一个数维的空间,在该空间内使用粒子群算法寻找最优的作业参数值组合(最大破岩效率对应的作业参数值组合)。
将最优的作业参数值组合应用到作业中,实现钻井作业参数的智能、自动优化,取代目前根据经验人工优化的方式。
在粒子群算法的每一次迭代中,粒子通过跟踪个体极值pBest(粒子本身所找到的最优解)和全局极值gBest(整个粒子群当前找到的最优解)来更新自己。
在找到pBest和gBest后,粒子更新自己的速度和位置以靠近最优解,直到全局极值不再变化或者迭代次数达到预先设定的最大迭代次数,最后一次迭代所得到的全局极值就是全局最优解。该全局最优解所对应的作业参数值组合即是当前最优的作业参数值组合。
在整个粒子群算法寻优过程中,均以泵压和扭矩作为约束条件,每调整一组作业参数,对应的泵压和扭矩也会有相应的变化,为确保整个操作的安全性,调整工程作业参数的同时,泵压和扭矩也要在特定的安全范围内。
下述为本申请装置实施例,可以用于执行本申请上述方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图5是根据一示例性实施例示出的一种实时优化钻井作业参数的装置的框图。如图5所示,该装置包括以下模块。
数据获取模块410,用于获取邻近井的钻井数据,所述钻井数据包括作业参数数据、钻井工具参数数据、地质参数数据、泥浆参数数据;
模型训练模块430,用于通过所述钻井数据训练以破岩效率为因变量、以作业参数、钻井工具参数、地质参数、泥浆参数为自变量的破岩效率模型;
优化模块450,用于通过所述破岩效率模型计算不同作业参数组合对应的破岩效率,通过粒子群算法根据破岩效率的大小优化作业参数,使破岩效率达到最大。
在一示例性实施例中,该装置还包括以下模块。
获取模块,用于获取邻近井的钻井原始数据,所述钻井原始数据包括作业参数原始数据、钻井工具参数原始数据、地质参数原始数据、泥浆参数原始数据;
处理模块,用于对所述钻井原始数据进行清洗、降噪、标准化,得到标准化数据;
选择模块,用于根据所述标准化数据之间的相关性,以及所述标准化数据与破岩效率之间的相关性,从所述标准化数据中选出所述钻井数据。
图6是根据图5对应实施例示出的优化模块的细节的框图。如图6所示,优化模块包括以下单元。
计算单元451,用于通过所述破岩效率模型计算作业参数取不同值时的破岩效率,所述作业参数在指定范围内取值;
寻找单元453,用于在所述指定范围内,通过粒子群算法寻找破岩效率的最大值,根据该最大值对应的作业参数值更新作业参数。
可选的,本申请还提供一种电子设备,该电子设备可以用于如前所示实施环境中,执行如上任一所示的方法的全部或者部分步骤。所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
所述计算机可读指令被所述处理器执行时实现前述方法。
该实施例中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。
在一示例性实施例中,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,上述指令可由处理器执行以完成上述方法。
应当理解的是,本申请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。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种实时优化钻井作业参数的方法,其特征在于,所述方法包括:
获取邻近井的钻井数据,所述钻井数据包括作业参数数据、钻井工具参数数据、地质参数数据、泥浆参数数据;
通过所述钻井数据训练以破岩效率为因变量、以作业参数、钻井工具参数、地质参数、泥浆参数为自变量的破岩效率模型;
通过所述破岩效率模型计算不同作业参数组合对应的破岩效率,通过粒子群算法根据破岩效率的大小优化作业参数,使破岩效率达到最大。
2.根据权利要求1所述的方法,其特征在于,获取邻近井的钻井数据之前,所述方法还包括:
获取邻近井的钻井原始数据,所述钻井原始数据包括作业参数原始数据、钻井工具参数原始数据、地质参数原始数据、泥浆参数原始数据;
对所述钻井原始数据进行清洗、降噪、标准化,得到标准化数据;
根据所述标准化数据之间的相关性,以及所述标准化数据与破岩效率之间的相关性,从所述标准化数据中选出所述钻井数据。
3.根据权利要求2所述的方法,其特征在于,根据所述标准化数据之间的相关性,以及所述标准化数据与破岩效率之间的相关性,从所述标准化数据中选出所述钻井数据,包括:
计算所述标准化数据中不同参数之间的相关系数,参数之间的相关系数大于指定的上限时,随机选择其中一个参数作为预选变量参数;
计算所述预选变量参数与破岩效率之间的相关系数,所述预选变量参数与破岩效率之间的相关系数大于指定的下限时,将所述预选变量参数选为变量参数;
将所述标准化数据中所述变量参数所对应数据选为所述钻井数据。
4.根据权利要求3所述的方法,其特征在于,通过所述钻井数据训练以破岩效率为因变量、以作业参数、钻井工具参数、地质参数、泥浆参数为自变量的破岩效率模型之前,所述方法还包括:
根据所述变量参数与所述破岩效率的关系建立以所述破岩效率为因变量的所述破岩效率模型,所述变量参数包括所述作业参数、钻井工具参数、地质参数、泥浆参数。
5.根据权利要求1所述的方法,其特征在于,通过所述破岩效率模型计算不同作业参数组合对应的破岩效率,通过粒子群算法根据破岩效率的大小优化作业参数,使破岩效率达到最大包括:
通过所述破岩效率模型计算作业参数取不同值时的破岩效率,所述作业参数在指定范围内取值;
在所述指定范围内,通过粒子群算法寻找破岩效率的最大值,根据该最大值对应的作业参数值更新作业参数。
6.一种实时优化钻井作业参数的装置,其特征在于,所述装置包括:
数据获取模块,用于获取邻近井的钻井数据,所述钻井数据包括作业参数数据、钻井工具参数数据、地质参数数据、泥浆参数数据;
模型训练模块,用于通过所述钻井数据训练以破岩效率为因变量、以作业参数、钻井工具参数、地质参数、泥浆参数为自变量的破岩效率模型;
优化模块,用于通过所述破岩效率模型计算不同作业参数组合对应的破岩效率,通过粒子群算法根据破岩效率的大小优化作业参数,使破岩效率达到最大。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
获取模块,用于获取邻近井的钻井原始数据,所述钻井原始数据包括作业参数原始数据、钻井工具参数原始数据、地质参数原始数据、泥浆参数原始数据;
处理模块,用于对所述钻井原始数据进行清洗、降噪、标准化,得到标准化数据;
选择模块,用于根据所述标准化数据之间的相关性,以及所述标准化数据与破岩效率之间的相关性,从所述标准化数据中选出所述钻井数据。
8.根据权利要求6所述的装置,其特征在于,所述优化模块包括:
计算单元,用于通过所述破岩效率模型计算作业参数取不同值时的破岩效率,所述作业参数在指定范围内取值;
寻找单元,用于在所述指定范围内,通过粒子群算法寻找破岩效率的最大值,根据该最大值对应的作业参数值更新作业参数。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据权利要求1至5中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据权利要求1至5中任一项所述的方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018109334260 | 2018-08-16 | ||
CN201810933426 | 2018-08-16 | ||
CN2018115506974 | 2018-12-18 | ||
CN201811550697 | 2018-12-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109753729A true CN109753729A (zh) | 2019-05-14 |
Family
ID=66405163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910011079.0A Pending CN109753729A (zh) | 2018-08-16 | 2019-01-07 | 实时优化钻井作业参数的方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109753729A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348045A (zh) * | 2019-05-29 | 2019-10-18 | 长江大学 | 一种基于改进型锯齿遗传算法的页岩气钻井参数优选方法 |
CN110778307A (zh) * | 2019-10-24 | 2020-02-11 | 西南石油大学 | 一种卡钻预警和类型诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120118637A1 (en) * | 2009-08-07 | 2012-05-17 | Jingbo Wang | Drilling Advisory Systems And Methods Utilizing Objective Functions |
US20130066445A1 (en) * | 2011-09-07 | 2013-03-14 | Lei Wang | Drilling advisory systems and methods with combined global search and local search methods |
CN106321064A (zh) * | 2016-08-22 | 2017-01-11 | 中国石油天然气股份有限公司 | 钻井参数的控制方法及装置 |
-
2019
- 2019-01-07 CN CN201910011079.0A patent/CN109753729A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120118637A1 (en) * | 2009-08-07 | 2012-05-17 | Jingbo Wang | Drilling Advisory Systems And Methods Utilizing Objective Functions |
US20130066445A1 (en) * | 2011-09-07 | 2013-03-14 | Lei Wang | Drilling advisory systems and methods with combined global search and local search methods |
CN106321064A (zh) * | 2016-08-22 | 2017-01-11 | 中国石油天然气股份有限公司 | 钻井参数的控制方法及装置 |
Non-Patent Citations (2)
Title |
---|
周春晓;吴兆清;张国辉;谢冬梅;: "基于粒子群算法的PDC钻头钻井参数优化", 中国石油和化工标准与质量, no. 9, 21 February 2012 (2012-02-21), pages 160 - 161 * |
苏兴华;: "基于数据仓库的钻井工程数据集成技术研究", 石油工业计算机应用, no. 1, 31 December 2009 (2009-12-31), pages 19 - 23 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348045A (zh) * | 2019-05-29 | 2019-10-18 | 长江大学 | 一种基于改进型锯齿遗传算法的页岩气钻井参数优选方法 |
CN110348045B (zh) * | 2019-05-29 | 2021-03-26 | 长江大学 | 一种基于改进型锯齿遗传算法的页岩气钻井参数优选方法 |
CN110778307A (zh) * | 2019-10-24 | 2020-02-11 | 西南石油大学 | 一种卡钻预警和类型诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685378B (zh) | 一种基于数据挖掘的tbm施工围岩可掘性分级方法 | |
US20180357343A1 (en) | Optimization methods for physical models | |
CN112861423B (zh) | 数据驱动的注水油藏优化方法和系统 | |
WO2016089839A1 (en) | Integrated network asset modeling | |
NO20130540A1 (no) | Loftegassoptimalisering med chokestyring | |
CN109829217B (zh) | 压裂性裂缝油藏产能模拟方法及装置 | |
US8554717B2 (en) | Risk assessment for tools | |
CN103745225A (zh) | 分布式ctr预测模型训练的方法和系统 | |
US9921338B2 (en) | Selecting and optimizing oil field controls for production plateau | |
CN109753729A (zh) | 实时优化钻井作业参数的方法及装置、电子设备 | |
US20140365183A1 (en) | Production strategy plans assesment method, system and program product | |
CN113032905B (zh) | 深空航天器的综合状态评估方法及装置 | |
CN106875286A (zh) | 一种聚合物驱油田全过程注聚参数分阶段优化决策方法 | |
CN102682348A (zh) | 复杂装备部件维修级别优化系统及其建立方法 | |
CN105045091A (zh) | 基于模糊神经控制系统的疏浚工艺智能决策分析方法 | |
CN109252855B (zh) | 确定气井最终累积产量的方法及装置 | |
WO2013176781A2 (en) | Optimization visualization using normalized achievement variables | |
CN104361261B (zh) | 一种基于率模可靠性理论的齿轮泵健康状态评估方法 | |
CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
CN110516808A (zh) | 一种知识表示模型的创建方法 | |
Morooka et al. | Development of intelligent systems for well drilling and petroleum production | |
Palmer et al. | Proactive rod pump optimization: Leveraging big data to accelerate and improve operations | |
CN109416778A (zh) | 基于清洗事件的引擎性能建模 | |
CN112796747B (zh) | 基于多目标的油气钻井策略预测方法及装置 | |
CN111852466B (zh) | 一种用于页岩气井规模配产与管网运行优化的方法 |
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 |