CN110500081B - 一种基于深度学习的自动钻井方法 - Google Patents
一种基于深度学习的自动钻井方法 Download PDFInfo
- Publication number
- CN110500081B CN110500081B CN201910819342.9A CN201910819342A CN110500081B CN 110500081 B CN110500081 B CN 110500081B CN 201910819342 A CN201910819342 A CN 201910819342A CN 110500081 B CN110500081 B CN 110500081B
- Authority
- CN
- China
- Prior art keywords
- drilling
- data
- well
- model
- scheme
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 377
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 239000002131 composite material Substances 0.000 claims description 18
- 230000001965 increasing effect Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 230000001603 reducing effect Effects 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000003340 mental effect Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
Images
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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供了一种基于深度学习的自动钻井方法。所述方法可包括步骤：建立钻井数据库；基于所述钻井数据库形成钻井模型；向所述钻具模型输入待作业井的基础信息、设计的井眼轨迹数据和钻具组合，所述钻具模型能够模拟出钻进效能并输出钻井方案；基于所述钻井方案进行钻井作业并实时测量井眼轨迹数据，所述钻井模型基于所述测量数据进行实时的评价，在评价不合格的情况下，所述钻井模型重新规划钻井方案，基于规划后的钻井方案继续进行钻井作业。与现有技术相比，本发明的有益效果可包括：能够实现智能控制井眼轨迹和钻进效能；控制方式的合理规划，能将工程师从高强度的脑力和劳动脱离出来。
Description
技术领域
本发明涉及石油钻井技术领域，特别地，涉及一种基于深度学习的自动钻井方法。
背景技术
在石油天然气开发过程中，为了以最少的钻井数量开采油气资源，或者为了减少地面和地下条件对石油天然气开发的影响，20世纪30年代石油天然气工作者发明了非垂直井钻井技术，人为地按预期偏移在地层中钻井，形成定向井或水平井。
目前实现定向井、水平井按预期在地层中钻井主要有以下两种技术：一是旋转导向钻井技术，通过井下驱动装置在旋转条件下，在钻头位置产生预期的力或转角，实现所钻井眼按预期方向偏移。该方法的优点是钻井效率高，缺点是作业费用较高，目前还没有在国内大范围使用。二是定向滑动钻井技术，在钻进过程中，保持钻柱不旋转，依靠井下弯的动力钻具产生钻头破岩旋转力和所钻井筒向预期方向便宜的力和转角。在传统滑动钻进时，由定向工程师指挥司钻通过钻柱的转动和钻井方式、钻井参数的改变来实现井眼轨迹控制，由于工程师技术能力的不同，控制井段的选择和井眼轨迹控制方式不同，最后控制的结果也不一样。并且，反复的井眼轨迹调整会增加工程师的劳动强度。
发明内容
针对现有技术中存在的不足，本发明的目的在于解决上述现有技术中存在的一个或多个问题。例如，本发明的目的之一在于提供一种能够实现智能控制井眼轨迹和钻进效能的基于深度学习的自动钻井方法。
为了实现上述目的，本发明一方面提供了一种基于深度学习的自动钻井方法。所述方法可包括步骤：建立包含有历史钻井数据和/或模拟钻井数据的钻井数据库，所述历史和/或模拟钻井数据包括：井的基础信息、井眼轨迹数据、钻具组合及其钻进效能数据、钻进方式和钻井控制参数；基于所述钻井数据库形成钻井模型；向所述钻具模型输入待作业井的基础信息、设计的井眼轨迹数据和人工给出的钻具组合，所述钻具模型能够模拟出钻进效能并输出钻井方案；基于所述钻井方案进行钻井作业并实时测量井眼轨迹数据，所述钻井模型能够基于所述测量数据进行实时的评价，所述评价包括钻进效能和井眼轨迹匹配程度的评价，在评价不合格的情况下，所述钻井模型重新规划钻井方案，基于所述规划后的钻井方案继续进行钻井作业。
本发明另一方面也提供了一种基于深度学习的自动钻井方法。所述方法可包括以下步骤：建立包含有历史钻井数据和/或模拟钻井数据的钻井数据库，所述历史和/或模拟钻井数据包括：井的基础信息、井眼轨迹数据、钻具组合、钻进方式和钻井控制参数；基于所述钻井数据库形成钻井模型；向所述钻具模型输入待作业井的基础信息、设计的井眼轨迹数据，所述钻具模型能够给出建议的钻具组合，基于所述建议的钻具组合，所述钻具模型能够模拟出钻进效能并输出钻井方案；基于所述钻井方案进行钻井作业并实时测量井眼轨迹数据，所述钻井模型能够基于所述测量数据进行实时的评价，所述评价包括钻进效能和井眼轨迹匹配程度的评价，在评价不合格的情况下，所述钻井模型重新规划钻井方案，基于所述规划后的钻井方案继续进行钻井作业。
根据本发明的一个或多个示例性实施例，所述形成钻井模型的步骤可包括：通过对所述钻井数据库进行深度学习来形成钻井模型。
根据本发明的一个或多个示例性实施例，所述钻井方案可包括：钻进方式、钻井参数和轨迹控制节点，其中，所述轨迹控制节点包括钻进方式切换井深。
根据本发明的一个或多个示例性实施例，所述历史井作业数据可包括待作业井的邻井、相似井和待作业井已作业段中至少一种的钻井数据。
根据本发明的一个或多个示例性实施例，所述实时测量实际井眼轨迹数据可包括：在每个控制节点测量井眼轨迹数据。
根据本发明的一个或多个示例性实施例，所述实时测量实际井眼轨迹数据可包括：每钻进5～30m就测量一次井眼轨迹数据。
根据本发明的一个或多个示例性实施例，所述钻井模型重新规划钻井方案的步骤可包括：在钻进方式为复合钻进方式的情况下，调整钻井参数；在钻进方式为滑动钻进方式的情况下，划分新的轨迹控制节点以调整井眼轨迹。
根据本发明的一个或多个示例性实施例，可通过控制绞车传感器、泥浆泵传感器和顶驱控制器来调整钻井参数。
根据本发明的一个或多个示例性实施例，可通过调整目标工具面来调整井眼轨迹。
与现有技术相比，本发明的有益效果可包括：能够实现智能控制井眼轨迹和钻进效能；能够为钻井提供实时性、智能性决策，还能够为定向钻井轨迹控制效率和钻进效能的提高提供技术支撑；能够做到控制方式的合理规划，实时评价优化作业方式和钻井参数，还能将工程师从高强度的脑力和劳动脱离出来。
附图说明
通过下面结合附图进行的描述，本发明的上述和其他目的和特点将会变得更加清楚，其中：
图1示出了本发明的基于深度学习的自动钻井方法的一个流程示意图。
具体实施方式
在下文中，将结合附图和示例性实施例详细地描述本发明的基于深度学习的自动钻井方法。
为了实现钻井智能化、自动化，同时解决井眼轨迹规划、钻进方式控制井眼控制和钻井参数等问题，本发明通过深度学习大量不同的钻具组合对应钻进效能数据，可以形成某区块作业井的钻井模型，并针对作业井的轨迹设计要求，规划作业井段作业方式以及作业参数。实钻过程，本发明通过不断评价各钻进方式切换节点钻进效能，可以实时优化轨迹控制节点及其钻井参数。其中，通过对绞车、泥浆泵和顶驱等的控制，可以实现钻进方式的切换以及钻井参数的实施。
在本发明的一个示例性实施例中，所述基于深度学习的自动钻井方法可包括以下步骤：
建立钻井数据库，钻井数据库中的数据可以是历史钻井数据和模拟钻井数据中的至少一种。钻井数据库中的数据可包括：井的基础信息、井眼轨迹数据、钻具组合、钻具组合的钻进效能数据、钻进方式和钻井控制参数；这些数据的类型可以历史钻井数据，也可以是模拟钻井数据，更可以是两者兼有。历史井钻井数据可包括待作业井的邻井、相似井和本井已作业段中至少一种的钻井数据。
基于所述钻井数据库形成钻井模型。其中，可通过深度学习的方法来形成钻井模型。
向所述钻具模型输入待作业井的基础信息、设计的井眼轨迹数据和钻具组合，所述钻具模型能够模拟出钻进效能并输出钻井方案。其中，钻具组合为钻井模型基于输入的待作业井的基础信息和设计的井眼轨迹数据推荐的钻具组合，或者为人工确定的钻具组合。所述钻井方案可包括钻进方式、钻井参数和轨迹控制节点，钻进方式可包括复合钻进井段、滑动钻进井段，所述轨迹控制节点(可简称为控制节点)包括钻进方式切换井深。
基于所述钻井方案进行钻井作业并实时测量井眼轨迹数据，所述钻井模型能够基于所述测量数据(即测量的井眼轨迹数据)进行实时的评价，所述评价包括钻进效能和井眼轨迹匹配程度的评价，在评价不合格的情况下，所述钻井模型重新规划钻井方案，基于所述规划后的钻井方案继续进行钻井作业。
在本实施例中，所述实时测量实际井眼轨迹数据包括：在每个控制节点测量井眼轨迹数据。
或者，所述实时测量实际井眼轨迹数据包括：每钻进5～30m就测量一次井眼轨迹数据。
在本实施例中，在所述评价不合格的情况下，所述钻井模型重新规划钻井方案的步骤包括：
针对复合钻进方式，调整钻井参数。其中，可通过控制绞车传感器、泥浆泵传感器和顶驱控制器来调整钻井参数。
针对滑动钻进方式，划分新的控制节点以调整井眼轨迹。其中，通过调整目标工具面来调整井眼轨迹。
在本发明的另一个示例性实施例中，本发明的基于深度学习的自动钻井方法可为：基于深度学习运用实钻工程数据和模拟钻井数据，形成闭合的智能钻井模型，以井眼轨迹为基础配合钻具组合的工具效能规划钻井井段中钻进方式和控制参数，钻进过程中实时评估钻进效能，优化钻进方式和钻井参数，实现钻井的智能控制。
具体地，如图1所示，本发明的基于深度学习的自动钻井方法可包括以下步骤：
(a)建立智能钻井数据库，通过智能深度学习等方法，形成钻井指导模型。
(b)输入作业井数据，给出本井钻具组合建议，划分井眼轨迹初始控制节点。如图1所示，向钻井模型输入本井作业数据，钻井模型可以给出一个推荐钻具组合，可以选用该推荐钻具组合，也可手动向钻井模型输入钻具组合，然后，钻具模型可以输出本井的钻井方案。钻井方案可包括钻进方式、钻井参数、控制节点、钻具组合和井基本信息等。
(c)实时测量井眼轨迹数据，评价钻进效能，识别井眼轨迹与设计匹配程度，规划井眼控制方案，划分最新控制节点，确定钻进方式。其中，钻进效能描述的是钻进增降斜效果和时效，针对的是某最新钻进方式下已钻井段井斜增降效果和钻进速度。井眼轨迹与设计匹配程度主要描述的是最新实钻测斜数据对比当前测量深度下井眼轨迹信息匹配程度(包括井斜、方位、垂深、闭合距等直接测量和间接计算数据)。需要说明的是滑动钻进是人为轨迹调整；复合钻进会有自然增降趋势(由钻具组合和地层适应性决定)，可通过钻井参数影响其效果。
(d)滑动钻进时，控制调整工具面达到推荐值以及钻进推荐长度。在滑动钻进之前按照初始控制节点确定了第一个滑动钻进推荐长度，由于在滑动钻进过程中可以不间断产生连续动态测斜数据，每产生一个动态测斜数据可计算当前滑动钻进效能，会出现三种情况：(1)增降斜效果大于原设计，那么滑动钻进井段会减少；(2)增降斜效果小于原设计，滑动钻进井段会增加；(3)增降斜效果与原设计符合，到节点改变钻进方式即可。因此，对于(1)和(2)，需调整工具面以到钻进推荐长度。
(e)复合钻进时，执行推荐钻井参数，兼顾井眼轨迹和钻井速度要求。
在本实施例中，步骤(a)中，包括在实际应用之前，建立以井基础信息、井眼轨迹数据、钻具组合和复合或滑动钻井参数等实际或模拟钻井数据，将以上信息通过深度学习方法后，形成以钻井轨迹为基础、划分轨迹控制节点、钻进方式和钻井参数为主的钻井模型。其中，井基础信息可包括：井号、井别、井型、井的地理位置、井口坐标、地面海拔、补心高度、磁偏角、子午线收敛角、设计井深，完钻层位，钻井目的，目的层位，完钻原则，完井方式等钻井设计的信息；井基础信息可包括：地质靶区信息(可包括靶点垂直深度，闭合方位，闭合距，井斜角，方位角，水平段长度)。钻井参数为复合钻进和滑动钻进的钻井参数，可包括：钻压，转速，泵压，入口排量，出口排量，扭矩等。轨迹控制节点为复合钻进方式、滑动钻进方式的切换节点。
在本实施例中，步骤(b)中，输入即将作业井基础数据、全部井眼轨迹设计数据(即人工设计好的井眼轨迹数据)后，系统根据钻井模型优选本井下入的钻具组合，也可以工程师人工输入钻具组合。根据井眼轨迹设计数据以及钻具组合，系统模拟钻进效能，将复合钻进井段、钻井参数和滑动钻进井段、目标工具面分配到井眼轨迹数据点中。将钻进方式切换井深(即滑动钻进和复合钻进方式切换井深)作为初始控制节点。
在本实施例中，步骤(c)中，包括下钻刚接触井底(即已钻井眼的深度)时，测量井底井眼轨迹数据，按照初始控制节点进行井眼轨迹匹配程度分析，如果井眼轨迹存在偏差，那么从测量井深数据点开始，以目标靶区为最终实现点，重新规划井眼轨迹控制方案，划分最新复合钻和滑动钻进控制节点。
在本实施例中，进一步地，步骤(c)中，包括在钻进过程中，每一个井眼轨迹控制节点或者每5m～30m进行一次测量，根据两个测量点或者节点之间井斜、网格方位和垂深计算出本段钻进狗腿度，配以机械钻速从而进一步评价钻进效能，即在同种钻进方式下钻进长度中狗腿度(即全角变化率)以及机械钻速，对比本井方案中预期效果差异。如果钻进效能与钻井模型存在差距，针对复合钻进优化钻井参数，针对滑动钻进则通过井眼轨迹差别位置调整目标工具面。对于在本控制节点出现的井眼轨迹偏差，评价按照当前节点控制方式能否达到目标靶区，如果不能则根据目标靶区重新规划井眼轨迹控制方案，划分最新复合钻和滑动钻控制节点；
在本实施例中，步骤(d)中，通过步骤(c)确定为需要调整井眼轨迹时，通过控制绞车传感器自动将钻头提离井底，启动钻柱扭摆系统分析钻柱连续转动的扭矩，设置钻柱扭摆系统正反向扭转扭矩为钻柱连续转动扭矩的10～70％，缓慢增加扭摆扭矩，通过增减正向或者反向扭矩来匹配目标工具面，准确后下入井底，如果钻进过程工具面出现偏差值超过模型给出控制范围，偏大则减少正向扭矩或增加反向扭矩，同理偏小则增加反向扭矩或增大正向扭矩。依次按照钻井控制节点推荐钻井参数和作业井段作业。
在本实施例中，步骤(e)中，通过步骤(c)确定为复合钻进方式时，按照钻井模型通过控制绞车传感器、泥浆泵传感器和顶驱控制器来调整钻井参数，来实现以钻具组合复合钻效能进行钻进。
综上所述，本发明的基于深度学习的自动钻井方法的优点可包括：
(1)本方法通过一种人工智能深度学习技术对邻井或者相似井的钻进效能样本进行学习，或者对本井已作业井段的效能进行学习，然后结合绞车控制传感器、泥浆泵油门控制器以及顶驱控制器操作硬件设备，可以实现推荐钻进方式和钻井参数，从而智能控制井眼轨迹和钻进效能。
(2)本发明构建了全新的、完整的智能钻井方法，为钻井提供实时性、智能性决策，还能够为定向钻井提高轨迹控制效率和钻进效能提供技术支撑。
(3)本发明依托智能方法来建立的自动钻井系统，不仅能够做到控制方式的合理规划，实时评价优化作业方式和钻井参数，还能将工程师从高强度的脑力和劳动脱离出来。
尽管上面已经通过结合示例性实施例描述了本发明，但是本领域技术人员应该清楚，在不脱离权利要求所限定的精神和范围的情况下，可对本发明的示例性实施例进行各种修改和改变。
Claims (7)
1.一种基于深度学习的自动钻井方法，其特征在于，所述方法包括以下步骤：
建立包含有历史钻井数据和模拟钻井数据的钻井数据库，历史钻井数据和模拟钻井数据包括：井的基础信息、井眼轨迹数据、钻具组合、钻具组合的钻进效能数据、钻进方式和钻井控制参数；
基于钻井数据库形成钻井模型；
向钻井模型输入待作业井的基础信息、设计的井眼轨迹数据和人工给出的钻具组合，钻井模型能够模拟出钻进效能并输出钻井方案；
基于钻井方案进行钻井作业并实时测量井眼轨迹数据，钻井模型能够基于所述测量井眼轨迹数据进行实时的评价，所述评价包括钻进效能和井眼轨迹匹配程度的评价，在评价不合格的情况下，钻井模型重新规划钻井方案，基于规划后的钻井方案继续进行钻井作业；
所述形成钻井模型的步骤包括：通过对所述钻井数据库进行深度学习来形成钻井模型；
所述钻井方案包括：钻进方式、钻井参数和轨迹控制节点，其中，所述轨迹控制节点包括钻进方式切换井深；
钻进效能描述的是钻进增降斜效果和时效；
在所述评价不合格的情况下，所述钻井模型重新规划钻井方案的步骤包括：在钻进方式为复合钻进方式的情况下，调整钻井参数；在钻进方式为滑动钻进方式的情况下，划分新的轨迹控制节点以调整井眼轨迹。
2.一种基于深度学习的自动钻井方法，其特征在于，所述方法包括以下步骤：
建立包含有历史钻井数据和模拟钻井数据的钻井数据库，历史钻井数据和模拟钻井数据包括：井的基础信息、井眼轨迹数据、钻具组合、钻具组合的钻进效能数据、钻进方式和钻井控制参数；
基于钻井数据库形成钻井模型；
向钻井模型输入待作业井的基础信息、设计的井眼轨迹数据，钻井模型能够给出建议的钻具组合，基于所述建议的钻具组合，钻井模型能够模拟出钻进效能并输出钻井方案；
基于钻井方案进行钻井作业并实时测量井眼轨迹数据，钻井模型能够基于所述测量井眼轨迹数据进行实时的评价，所述评价包括钻进效能和井眼轨迹匹配程度的评价，在评价不合格的情况下，钻井模型重新规划钻井方案，基于规划后的钻井方案继续进行钻井作业；
所述形成钻井模型的步骤包括：通过对所述钻井数据库进行深度学习来形成钻井模型；
所述钻井方案包括：钻进方式、钻井参数和轨迹控制节点，其中，所述轨迹控制节点包括钻进方式切换井深；
钻进效能描述的是钻进增降斜效果和时效；
在所述评价不合格的情况下，所述钻井模型重新规划钻井方案的步骤包括：在钻进方式为复合钻进方式的情况下，调整钻井参数；在钻进方式为滑动钻进方式的情况下，划分新的轨迹控制节点以调整井眼轨迹。
3.根据权利要求1或2所述的基于深度学习的自动钻井方法，其特征在于，所述历史钻井数据包括待作业井的邻井、相似井和待作业井已作业段中至少一种的钻井数据。
4.根据权利要求1或2所述的基于深度学习的自动钻井方法，其特征在于，所述实时测量井眼轨迹数据包括：在每个控制节点测量井眼轨迹数据。
5.根据权利要求1或2所述的基于深度学习的自动钻井方法，其特征在于，所述实时测量井眼轨迹数据包括：每钻进5～30m就测量一次井眼轨迹数据。
6.根据权利要求1或2所述的基于深度学习的自动钻井方法，其特征在于，通过控制绞车传感器、泥浆泵传感器和顶驱控制器来调整钻井参数。
7.根据权利要求1或2所述的基于深度学习的自动钻井方法，其特征在于，通过调整目标工具面来调整井眼轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910819342.9A CN110500081B (zh) | 2019-08-31 | 2019-08-31 | 一种基于深度学习的自动钻井方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910819342.9A CN110500081B (zh) | 2019-08-31 | 2019-08-31 | 一种基于深度学习的自动钻井方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110500081A CN110500081A (zh) | 2019-11-26 |
| CN110500081B true CN110500081B (zh) | 2022-09-16 |
Family
ID=68590831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910819342.9A Active CN110500081B (zh) | 2019-08-31 | 2019-08-31 | 一种基于深度学习的自动钻井方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110500081B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378344A (zh) * | 2020-02-25 | 2021-09-10 | 中国石油化工股份有限公司 | 一种用于优化钻井起下钻速度阈值的方法及系统 |
| CN111520122B (zh) * | 2020-03-27 | 2023-05-30 | 中国石油化工股份有限公司石油工程技术研究院 | 一种机械钻速预测方法、装置及设备 |
| CN111520123B (zh) * | 2020-03-27 | 2021-03-02 | 中国石油化工股份有限公司石油工程技术研究院 | 一种机械钻速预测方法、装置及设备 |
| US11339640B2 (en) | 2020-06-02 | 2022-05-24 | Saudi Arabian Oil Company | Method and system of drilling with geologically-driven rate of penetration |
| CN111810113A (zh) * | 2020-08-11 | 2020-10-23 | 中国石油天然气集团有限公司 | 一种基于深度学习的旋转导向自动钻井方法 |
| CN111980688B (zh) * | 2020-09-01 | 2021-11-23 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
| CN113090188B (zh) * | 2021-04-26 | 2022-12-20 | 西安石油大学 | 基于机器学习的智能钻井实时井眼轨迹测量方法及系统 |
| CN115949387A (zh) * | 2022-12-13 | 2023-04-11 | 上海中联重科桩工机械有限公司 | 软土层钻进效率的控制方法、电子设备及计算机存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106121621A (zh) * | 2016-07-15 | 2016-11-16 | 西南石油大学 | 一种智能钻井专家系统 |
| CN109281649A (zh) * | 2018-08-13 | 2019-01-29 | 中国石油天然气集团有限公司 | 钻井优化方法及装置 |
| WO2019087213A1 (en) * | 2017-11-06 | 2019-05-09 | Chowhan Tushar | A machine vision and machine intelligence aided electronic and computer system for assisting on formation drilling, boring, tunneling on-line guidance, assisted decision and dull grading system for drilling tool and associated drill string components |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8285531B2 (en) * | 2007-04-19 | 2012-10-09 | Smith International, Inc. | Neural net for use in drilling simulation |
| GB2458356B (en) * | 2007-12-17 | 2010-12-29 | Logined Bv | Oilfield well planning and operation |
| US7878268B2 (en) * | 2007-12-17 | 2011-02-01 | Schlumberger Technology Corporation | Oilfield well planning and operation |
| CN102852511B (zh) * | 2012-09-28 | 2015-12-09 | 中国科学院自动化研究所 | 一种石油钻机的智能钻进控制系统和方法 |
| US9428961B2 (en) * | 2014-06-25 | 2016-08-30 | Motive Drilling Technologies, Inc. | Surface steerable drilling system for use with rotary steerable system |
| CN104806226B (zh) * | 2015-04-30 | 2018-08-17 | 北京四利通控制技术股份有限公司 | 智能钻井专家系统 |
| US10302785B2 (en) * | 2016-07-13 | 2019-05-28 | FracGeo, LLC | Geosteering using rock geomechanical properties derived from drilling data and an accurate drilling model |
| US20200040719A1 (en) * | 2016-10-05 | 2020-02-06 | Schlumberger Technology Corporation | Machine-Learning Based Drilling Models for A New Well |
| WO2018231363A1 (en) * | 2017-06-15 | 2018-12-20 | Drillscan France Sas | Generating drilling paths using a drill model |
| GB2578700B (en) * | 2017-08-21 | 2022-09-21 | Landmark Graphics Corp | Neural network models for real-time optimization of drilling parameters during drilling operations |
| US11391143B2 (en) * | 2017-09-11 | 2022-07-19 | Schlumberger Technology Corporation | Well planning system |
| WO2019051439A1 (en) * | 2017-09-11 | 2019-03-14 | Schlumberger Technology Corporation | SYSTEM AND METHOD FOR AUTOMATED DRILLING NETWORK |
| CN108798657B (zh) * | 2018-05-31 | 2021-07-23 | 中国石油集团川庆钻探工程有限公司 | 基于钻井液录井参数气测值的录井解释方法 |
-
2019
- 2019-08-31 CN CN201910819342.9A patent/CN110500081B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106121621A (zh) * | 2016-07-15 | 2016-11-16 | 西南石油大学 | 一种智能钻井专家系统 |
| WO2019087213A1 (en) * | 2017-11-06 | 2019-05-09 | Chowhan Tushar | A machine vision and machine intelligence aided electronic and computer system for assisting on formation drilling, boring, tunneling on-line guidance, assisted decision and dull grading system for drilling tool and associated drill string components |
| CN109281649A (zh) * | 2018-08-13 | 2019-01-29 | 中国石油天然气集团有限公司 | 钻井优化方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110500081A (zh) | 2019-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110500081B (zh) | 一种基于深度学习的自动钻井方法 | |
| CN110500034B (zh) | 建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法 | |
| CN106285476B (zh) | 一种水平钻井实时地震地质综合导向方法 | |
| CN101936134B (zh) | 当钻井时选择最优井眼轨迹 | |
| CN104481400B (zh) | 一种三维水平井井眼轨迹控制方法 | |
| CN106437512B (zh) | 一种页岩气水平井着陆轨迹随钻跟踪调控方法 | |
| CN111810113A (zh) | 一种基于深度学习的旋转导向自动钻井方法 | |
| CN109557584A (zh) | 一种水平钻井实时地震地质综合导向方法 | |
| CN109098659B (zh) | 一种滑动钻井工具面调整方法 | |
| CN107420040A (zh) | 一种二维浅层水平井井眼轨道设计方法 | |
| CN109653728A (zh) | 一种基于向量相似度的井眼轨迹钻前模拟方法 | |
| Zhao et al. | Model predictive control for mud motor operation in directional drilling | |
| Cochener | Quantifying drilling efficiency | |
| Helmy et al. | Well design using a computer model | |
| Dayabu et al. | New technologies in drilling | |
| CN103510855B (zh) | 一种水平井录井导向轨迹优化方法 | |
| CN115628009A (zh) | 一种基于强化学习的井眼轨迹智能控制方法 | |
| CN110656886B (zh) | 一种水平井着陆段地质导向方法 | |
| CN113935131B (zh) | 一种提速钻具的使用效果预测方法及应用 | |
| Louhenapessy et al. | The Effectiveness of Directed Drilling Track Planning Method with Variation of Build Up Rate | |
| CN111090947B (zh) | 一种基于点-桥拓扑结构的智能完井流动模拟方法 | |
| CN118327467B (zh) | 一种页岩油气开采方法 | |
| CN118547989A (zh) | 一种三维水平井井眼轨道设计方法 | |
| CN116065958A (zh) | 一种大偏移距三维水平井井眼轨迹控制方法 | |
| Yan | Research on the method of improving the drilling rate of horizontal well reservoirs |
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 |