发明内容
本发明实施例提供一种地面定向系统控制方法,用以适应多变的钻井情况,提高钻井效率,该方法包括:
获取现场钻井数据;
将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,所述控制算法用于控制顶驱对定向井进行造斜作业。
可选的,现场钻井数据包括以下之一或组合:地层数据、钻机数据、钻井过程中的即时数据。
可选的,将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,包括:
对现场钻井数据进行分类,将高于预设值的数据作为第一类数据,将低于预设值的数据作为第二类数据;
利用钻井仿真模型模拟钻井过程,获取模拟钻井数据;
将模拟钻井数据和第二类数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法。
可选的,将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,还包括:
将第一类数据输入控制算法中进行测试,获取控制算法对顶驱的控制效果;
如果控制效果未达到预设标准,则对控制算法中的参数进行微调。
可选的,在将学习样本输入深度学习模型进行训练前,在深度学习模型中增加一层隐含层,所述隐含层用于向用户开放,补全现场的缺失信息。
本发明实施例还提供一种地面定向系统控制装置,用以适应多变的钻井情况,提高钻井效率,该装置包括:
数据获取模块,用于获取现场钻井数据;
训练控制模块,用于将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,所述控制算法用于控制顶驱对定向井进行造斜作业。
可选的,训练控制模块进一步用于:
对现场钻井数据进行分类,将高于预设值的数据作为第一类数据,将低于预设值的数据作为第二类数据;
利用钻井仿真模型模拟钻井过程,获取模拟钻井数据;
将模拟钻井数据和第二类数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法。
可选的,训练控制模块进一步用于:
将第一类数据输入控制算法中进行测试,获取控制算法对顶驱的控制效果;
如果控制效果未达到预设标准,则对控制算法中的参数进行微调。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明实施例中,通过获取现场钻井数据,并将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,利用控制算法控制顶驱对定向井进行造斜作业,保证了该控制算法考虑的参数更加全面,不局限于常量或理想状态,进而使后续对顶驱的控制更加准确,同时可以适应各类复杂的井况。并且,通过利用控制算法控制顶驱对定向井进行造斜作业,还降低了对操作人员的要求,当操作人员需要控制顶驱工作时,只需发送简单的指令即可实现对顶驱的控制,保证了钻进的效率。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
首先,对本申请实施例中涉及的名词进行介绍:
深度学习模型:是一种运算模型,由大量的节点(或称神经元)之间相互联接构成,每个节点对应一个策略函数,每两个节点间的连接代表一个对于通过该连接信号的加权值,称之为权重。样本输入深度学习模型的节点后,通过每个节点输出一个输出结果,该输出结果作为下一个节点的输入样本,深度学习模型通过样本最终输出结果对每个节点的策略函数和权重进行调整,该过程被称为训练。
图1是本申请一个示例性实施例提供的地面定向系统控制方法流程图,如附图1所示,该方法包括:
步骤101、获取现场钻井数据;
现场钻井数据包括以下之一或组合:地层数据、钻机数据、钻井过程中的即时数据。
步骤102、将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,所述控制算法用于控制顶驱对定向井进行造斜作业。
综上所述,本实施例提供的地面定向系统控制方法,通过获取现场钻井数据,并将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,利用控制算法控制顶驱对定向井进行造斜作业,保证了该控制算法考虑的参数更加全面,不局限于常量或理想状态,进而使后续对顶驱的控制更加准确,同时可以适应各类复杂的井况。并且,通过利用控制算法控制顶驱对定向井进行造斜作业,还降低了对操作人员的要求,当操作人员需要控制顶驱工作时,只需发送简单的指令即可实现对顶驱的控制,保证了钻进的效率。
可选的,将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,包括:
对现场钻井数据进行分类,将高于预设值的数据作为第一类数据,将低于预设值的数据作为第二类数据。
利用钻井仿真模型模拟钻井过程,获取模拟钻井数据。
将模拟钻井数据和第二类数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法。
其中,第一类数据为现场实际数据中工况较好的一部分数据,第二类数据为现场实际数据中工况较差的一部分数据。通过利用钻井仿真模型模拟钻井过程,获取模拟钻井数据,并将模拟钻井数据和第二类数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,将模拟的现场钻井数据与现场实际数据进行了结合,进一步保证了该控制算法的准确性。
进一步地,为了提高控制算法的控制效果,将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,还包括:
将第一类数据输入控制算法中进行测试,获取控制算法对顶驱的控制效果;
如果控制效果未达到预设标准,则对控制算法中的参数进行微调。
在一种实施例中,为了避免在现场实际作业时出现参数缺失,限制本发明的实际应用范围,在将学习样本输入深度学习模型进行训练前,在深度学习模型中增加一层隐含层(即形成一个新的深度学习模型),所述隐含层可选择在必要的时候用于向用户开放,补全现场的缺失信息。
具体地,在对学习样本进行训练前,去现场了解情况,确定现场有可能难以获取的信息(即缺失信息)。
需要时,遴选出与深度学习模型关联性较弱的信息,针对这些弱关联性缺失信息,深度学习模型在没有外界信息输入的情况下以缺省值代替。
针对其余的强关联性缺失信息,在输出的深度学习模型中增加一层隐含层,用于专门处理这类强关联性缺失信息,增加的隐含层只从该缺失信息获取数据流,且增加的隐含层可以向下一隐含层的所有或任意单元输出数据流。当现场信息完整时,上述算法按正常程序执行。当现场信息发生缺失时,算法或程序向用户开放所述增加一层隐含层的单元的赋值权,这些单元的数值由现场用户根据现场情况进行调节。
以一个典型的算法模型网络为例,图3为传统的算法网络,其中,a、b、c、d、e、f为输入条件,Ka、Kb、Kc、Kd为输出参数,算法依据输入条件实时计算输出参数,最后由这些输出参数或参数方程决定了最终控制执行器的动作(即控制效果)。但如果输入层部分缺失,则整个算法无法执行。图4就是优化后的算法网络,当输入参数完整时,优化算法类似传统的算法一样可以正常执行;当输入参数缺失时,例如d、e、f缺失,此时程序向用户开放新增隐含层中的单元i、j的赋值权限,由现场作业人员依据现场情况,对单元i、j进行调整,以满足整个算法的可执行性。
通过向用户开放隐含层(而不是直接开放输入层)可以达到以下效果:
1)缺失的输入层信息往往不只在2项以上,太多的输入层需要输入给现场带来操作不便,而新增隐含层的单元数是可以约定好的,一般控制在1到2个。
2)缺失的输入层信息涉及单位换算,数值上下限等问题,而新增隐含层的单元可以约定为一定范围内的无量纲正数,不容易引起操作失误。
下面以通过发明开发的一款基于SVM的多参数自动实时控制系统来对本发明进行说明,简称SMART(SVM Multi-parameter Automatic Real Time)控制系统。如附图5所示,具体步骤如下:
广泛搜集导向马达滑动钻井的现场钻井数据,这些钻井的数据包括地层信息、钻机信息、钻井过程的即时信息。
将现场钻井数据按一定比例分为两类,随机抽选出部分效果比较好的数据作为A类,其余作为B类导入系统数据库,并进行分布式数据处理,数据处理包括数据排序、数据格式转换、数据分类等。
搭建或针对现有的钻井动态分析仿真软件进行二次编程,针对上述数据库中的B类工况进行建模,这个模型需要考虑到各种影响因素的作用,包括岩性差异、钻柱、驱动系统、井下钻具组合各个组件以及动态钻井环境下钻井系统的整体行为。该模型可以模拟整个钻井过程中随着时间变化的各种状态,如振动的量化,模组,扭矩的分布以及机械钻速。这个系统的建立基于钻头及钻具和地层相互作用的模型,在该模型的基础上对整个钻具组合进行有限元分析。同时,对于不同的操作参数以及钻具组合的影响也在模型的考虑和仿真算法中有所体现。在仿真过程中,模型还需要对地层的各项参数例如地层的抗压强度,地层倾角,非均质性以及各向异性地层都会进行分析,从而得出精确的模型和仿真结果。
建立一套评价体系,从钻时、滑动比等多方面综合评价算法的优劣。
采用机器学习算法,在上述模型中进行模拟滑动钻井作业,并参考上述评价体系执行迭代训练,若评价为满意,则完成算法迭代,如评价为不满意,则更新算法参数。
完成算法训练后,再将该算法用于测试上述A类工况,并考察控制的效果,若效果不满意,则对算法中的参数进行手动微调,直至算法达到满意的效果;
在此过程中,算法根据现场的实际情况,选择执行全自动控制或在缺失现场信息时向用户开放i参数进行控制。
基于同一发明构思,本发明实施例中还提供了一种地面定向系统控制装置,如下面的实施例所述。由于地面定向系统控制装置解决问题的原理与地面定向系统控制方法相似,因此,地面定向系统控制装置的实施可以参见地面定向系统控制方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明实施例提供了一种地面定向系统控制装置,如附图2所示,该装置包括:
数据获取模块201,用于获取现场钻井数据;
训练控制模块202,用于将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,所述控制算法用于控制顶驱对定向井进行造斜作业。
在本发明实施例中,训练控制模块202进一步用于:
对现场钻井数据进行分类,将高于预设值的数据作为第一类数据,将低于预设值的数据作为第二类数据;
利用钻井仿真模型模拟钻井过程,获取模拟钻井数据;
将模拟钻井数据和第二类数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法。
在本发明实施例中,训练控制模块202进一步用于:
将第一类数据输入控制算法中进行测试,获取控制算法对顶驱的控制效果;
如果控制效果未达到预设标准,则对控制算法中的参数进行微调。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述方法的计算机程序。
综上所述,本发明通过获取现场钻井数据,并将现场钻井数据作为学习样本,输入深度学习模型进行训练,输出顶驱的控制算法,利用控制算法控制顶驱对定向井进行造斜作业,保证了该控制算法考虑的参数更加全面,不局限于常量或理想状态,进而使后续对顶驱的控制更加准确,同时可以适应各类复杂的井况。并且,通过利用控制算法控制顶驱对定向井进行造斜作业,还降低了对操作人员的要求,当操作人员需要控制顶驱工作时,只需发送简单的指令即可实现对顶驱的控制,保证了钻进的效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。