CN110795888A - 一种石油钻井风险预测方法 - Google Patents
一种石油钻井风险预测方法 Download PDFInfo
- Publication number
- CN110795888A CN110795888A CN201910865814.4A CN201910865814A CN110795888A CN 110795888 A CN110795888 A CN 110795888A CN 201910865814 A CN201910865814 A CN 201910865814A CN 110795888 A CN110795888 A CN 110795888A
- Authority
- CN
- China
- Prior art keywords
- drilling
- data
- risk
- sample set
- prediction model
- 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
Images
Landscapes
- Earth Drilling (AREA)
Abstract
本发明公开了一种石油钻井风险预测方法,包括:S1:连续数据离散化处理,对采集的钻井参数数据进行预处理,并对处理后的数据进行离散化,形成离散决策表;S2:预测模型优化与调用,利用学习样本集与测试样本集分别对优化的风险预测模型进行训练与测试,得到风险预测值。本发明通过连续数据离散化和调用优化预测模型,利用实时采集的钻井参数,提取参数的相关特征,利用粗糙集理论去除冗余特征实现样本降维,同时支持向量机能够实现在有限样本条件下获得良好的学习、分类及推广结果,能够实现提前预测并警示卡钻、井漏、溢流等钻井风险,减少非作业时间,提高钻井效率。
Description
技术领域
本发明涉及油气勘探开发技术领域,尤其涉及一种石油钻井风险预测方法。
背景技术
钻井过程是一项存在着大量随机性、模糊性和不确定性的复杂工程。由于对客观情况的认识不清或者主观意识的错误决策,往往会导致很多复杂情况甚至会造成严重的事故,轻者消耗大量人力、物力,延长钻井周期,造成钻井成本的增加,重者直接导致全井报废,甚至可能造成人员伤亡。随着钻井工艺和技术的飞速发展,减少钻井事故,降低钻井成本,提高钻井效率是人们迫切追求的共同目标。
钻井风险预测是指根据钻井作业现场的实时数据,并利用一定的方法对钻井作业中存在的风险进行预测,实现对钻井风险的预防和控制。钻井作业流程十分复杂,同时存在很多不确定因素。因此,高效地预测钻井风险对石油钻井具有重大的指导意义。
目前钻井风险预测方法主要有神经网络、模糊推理、故障树理论、灰色关联法、案列推理、D-S证据理论、多传感器信息融合等,这些方法只是单独将某种人工智能方法应用到钻井风险预测模型中,由于算法本身的局限性,导致不能准确对钻井风险进行预测。同时预测方法的实时性、适应性还有待提高。
发明内容
本发明的目的在于,针对上述问题,提出一种石油钻井风险预测方法。
一种石油钻井风险预测方法,包括:
S1:连续数据离散化处理,对采集的钻井参数数据进行预处理,并对处理后的数据进行离散化,形成离散决策表;
S2:预测模型优化与调用,利用学习样本集与测试样本集分别对优化的风险预测模型进行训练与测试,得到风险预测值。
进一步的,一种石油钻井风险预测方法,所述预处理包括:异常数据剔除,对采集的钻井参数数据进行滤波和异常值剔除处理,去除突变数据与噪声,保证数据的真实有效;提取特征参数,构造并调用特征矩阵,提取钻井参数数据中的重要特征参数。
进一步的,一种石油钻井风险预测方法,所述步骤S1还包括钻井数据分类处理步骤,将钻井数据分为突发型风险数据和缓变型风险数据,并建立短时间段和长时间段预处理方法,分别对突发型风险数据和缓变型风险数据进行预处理。
进一步的,一种石油钻井风险预测方法,所述离散化的过程是将数据预处理后得到的重要特征参数制成样本集,并运用粗糙集模型对样本集进行约简处理,形成离散决策表。
进一步的,一种石油钻井风险预测方法,所述约简处理包括属性离散化、生成决策表以及属性集约简三个步骤,用于去除冗余特征,实现样本降维。
进一步的,一种石油钻井风险预测方法,所述预测模型优化与调用包括如下子步骤:
S201:将约简处理的样本集分为学习样本集和测试样本集;
S202:利用支持向量机模型,建立针对钻井风险的数学预测模型;
S203:通过网格寻优算法优化模型参数;
S204:利用学习样本集和测试样本集分别对数学预测模型进行训练和预测。
进一步的,一种石油钻井风险预测方法,所述数学预测模型包括基于独立地面数据的预测模型和基于地面、井下数据结合的预测模型。
本发明的有益效果:
(1)能提前预测并警示卡钻、井漏、溢流等钻井风险。
(2)能减少非作业时间,提高钻井效率。
(3)提高钻井效率,降低钻井作业成本,同时还提升了综合钻井智能系统的智能化水平,这将大大增强钻机的市场竞争力。
附图说明
图1是本发明石油钻井风险预测方法的流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
本实施例中,如图1所示,一种石油钻井风险预测方法具体包括如下两个方面:
连续数据离散化处理
(1)对突发型风险和缓变型风险进行分类处理,分别建立短时间段和长时间段处理方法,短时间段针对突发性风险,长时间段针对缓变型风险,分别提取其参数特征信息。
(2)同时运用粗糙集理论(RS)对训练样本进行知识约简处理,去除冗余特征,实现样本降维,形成离散决策表。
钻井风险预测模型参数寻优
(1)通过训练样本,利用支持向量机(SVM)理论,建立针对卡钻、井漏、溢流等钻井风险预测的数学模型。建立基于独立地面数据和地面、井下数据结合的两种预测模型,并利用网格寻优算法(GS)优化模型参数,提高识别准确率。
(2)通过钻井风险数学预测模型,利用地面实时钻井数据,对卡钻、井漏、溢流等钻井风险进行实时预测和诊断,实现对卡钻、井漏、溢流等钻井风险的预测。
本发明通过连续数据离散化和调用优化预测模型,利用实时采集的钻井参数,提取参数的相关特征,利用粗糙集理论去除冗余特征实现样本降维,同时支持向量机能够实现在有限样本条件下获得良好的学习、分类及推广结果,能够实现提前预测并警示卡钻、井漏、溢流等钻井风险,减少非作业时间,提高钻井效率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种石油钻井风险预测方法,其特征在于,包括:
S1:连续数据离散化处理,对采集的钻井参数数据进行预处理,并对处理后的数据进行离散化,形成离散决策表;
S2:预测模型优化与调用,利用学习样本集与测试样本集分别对优化的风险预测模型进行训练与测试,得到风险预测值。
2.根据权利要求1所述的一种石油钻井风险预测方法,其特征在于,所述预处理包括:
异常数据剔除,对采集的钻井参数数据进行滤波和异常值剔除处理,去除突变数据与噪声,保证数据的真实有效;
提取特征参数,构造并调用特征矩阵,提取钻井参数数据中的重要特征参数。
3.根据权利要求1所述的一种石油钻井风险预测方法,其特征在于,所述步骤S1还包括钻井数据分类处理步骤,将钻井数据分为突发型风险数据和缓变型风险数据,并建立短时间段和长时间段预处理方法,分别对突发型风险数据和缓变型风险数据进行预处理。
4.根据权利要求1所述的一种石油钻井风险预测方法,其特征在于,所述离散化的过程是将数据预处理后得到的重要特征参数制成样本集,并运用粗糙集模型对样本集进行约简处理,形成离散决策表。
5.根据权利要求4所述的一种石油钻井风险预测方法,其特征在于,所述约简处理包括属性离散化、生成决策表以及属性集约简三个步骤,用于去除冗余特征,实现样本降维。
6.根据权利要求1所述的一种石油钻井风险预测方法,其特征在于,所述预测模型优化与调用包括如下子步骤:
S201:将约简处理的样本集分为学习样本集和测试样本集;
S202:利用支持向量机模型,建立针对钻井风险的数学预测模型;
S203:通过网格寻优算法优化模型参数;
S204:利用学习样本集和测试样本集分别对数学预测模型进行训练和预测。
7.根据权利要求6所述的一种石油钻井风险预测方法,其特征在于,所述数学预测模型包括基于独立地面数据的预测模型和基于地面、井下数据结合的预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910865814.4A CN110795888A (zh) | 2019-09-12 | 2019-09-12 | 一种石油钻井风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910865814.4A CN110795888A (zh) | 2019-09-12 | 2019-09-12 | 一种石油钻井风险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110795888A true CN110795888A (zh) | 2020-02-14 |
Family
ID=69427160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910865814.4A Pending CN110795888A (zh) | 2019-09-12 | 2019-09-12 | 一种石油钻井风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110795888A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496302A (zh) * | 2020-04-02 | 2021-10-12 | 中国石油化工股份有限公司 | 一种对钻井风险进行智能识别预警的方法与系统 |
CN114169656A (zh) * | 2020-09-11 | 2022-03-11 | 中国石油化工股份有限公司 | 一种基于邻井历史数据的钻井卡钻风险预警方法及系统 |
CN114562236A (zh) * | 2022-02-15 | 2022-05-31 | 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 |
CN114991690A (zh) * | 2021-08-31 | 2022-09-02 | 中国石油天然气集团有限公司 | 一种随钻地层压力测试方法与装置 |
CN116822971A (zh) * | 2023-08-30 | 2023-09-29 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5318136A (en) * | 1990-03-06 | 1994-06-07 | University Of Nottingham | Drilling process and apparatus |
CN103628816A (zh) * | 2013-11-18 | 2014-03-12 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 地震属性指导水平井导向的方法及其装置 |
CA3064241A1 (en) * | 2012-10-31 | 2014-04-30 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
US20140129486A1 (en) * | 2012-11-02 | 2014-05-08 | Saudi Arabian Oil Company | Systems and methods for drilling fluids expert systems using bayesian decision networks |
US20140333754A1 (en) * | 2011-12-13 | 2014-11-13 | Halliburton Energy Services, Inc. | Down hole cuttings analysis |
CN106640035A (zh) * | 2016-12-19 | 2017-05-10 | 四川宏华电气有限责任公司 | 一种钻井参数自动优化的vfd控制系统及方法 |
CN109857782A (zh) * | 2019-01-28 | 2019-06-07 | 中国石油大学胜利学院 | 一种测井数据采集处理系统 |
-
2019
- 2019-09-12 CN CN201910865814.4A patent/CN110795888A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5318136A (en) * | 1990-03-06 | 1994-06-07 | University Of Nottingham | Drilling process and apparatus |
US20140333754A1 (en) * | 2011-12-13 | 2014-11-13 | Halliburton Energy Services, Inc. | Down hole cuttings analysis |
CA3064241A1 (en) * | 2012-10-31 | 2014-04-30 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
US20140129486A1 (en) * | 2012-11-02 | 2014-05-08 | Saudi Arabian Oil Company | Systems and methods for drilling fluids expert systems using bayesian decision networks |
CN103628816A (zh) * | 2013-11-18 | 2014-03-12 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 地震属性指导水平井导向的方法及其装置 |
CN106640035A (zh) * | 2016-12-19 | 2017-05-10 | 四川宏华电气有限责任公司 | 一种钻井参数自动优化的vfd控制系统及方法 |
CN109857782A (zh) * | 2019-01-28 | 2019-06-07 | 中国石油大学胜利学院 | 一种测井数据采集处理系统 |
Non-Patent Citations (1)
Title |
---|
连晓圆: ""钻井过程中故障检测与诊断方法的研究"" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496302A (zh) * | 2020-04-02 | 2021-10-12 | 中国石油化工股份有限公司 | 一种对钻井风险进行智能识别预警的方法与系统 |
CN113496302B (zh) * | 2020-04-02 | 2024-05-14 | 中国石油化工股份有限公司 | 一种对钻井风险进行智能识别预警的方法与系统 |
CN114169656A (zh) * | 2020-09-11 | 2022-03-11 | 中国石油化工股份有限公司 | 一种基于邻井历史数据的钻井卡钻风险预警方法及系统 |
CN114991690A (zh) * | 2021-08-31 | 2022-09-02 | 中国石油天然气集团有限公司 | 一种随钻地层压力测试方法与装置 |
CN114562236A (zh) * | 2022-02-15 | 2022-05-31 | 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 |
CN116822971A (zh) * | 2023-08-30 | 2023-09-29 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
CN116822971B (zh) * | 2023-08-30 | 2023-11-14 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148285B (zh) | 一种基于大数据技术的油井参数智能预警系统及其预警方法 | |
CN110795888A (zh) | 一种石油钻井风险预测方法 | |
CN110766192B (zh) | 基于深度学习的钻井井漏预测系统及方法 | |
US9280517B2 (en) | System and method for failure detection for artificial lift systems | |
CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
CN111352971A (zh) | 银行系统监控数据异常检测方法及系统 | |
CN111506478A (zh) | 基于人工智能实现告警管理控制的方法 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN115330268B (zh) | 一种应对矿山灾难的综合性应急指挥方法及系统 | |
CN109034140A (zh) | 基于深度学习结构的工业控制网络信号异常检测方法 | |
CN111126820A (zh) | 反窃电方法及系统 | |
Aslam et al. | Anomaly detection using explainable random forest for the prediction of undesirable events in oil wells | |
CN117196350B (zh) | 一种矿山地质环境特征监测与恢复治理方法及系统 | |
CN116379360A (zh) | 一种基于知识迁移的掺氢天然气管道损伤预测方法及系统 | |
CN115982655A (zh) | 一种基于决策树的缺失数据流程异常预测方法 | |
CN114611958A (zh) | 一种基于机器学习的石油钻井大数据处理方法和装置 | |
CN116777085B (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
CN118095878A (zh) | 油井解堵双级选井方法、装置、计算设备及存储介质 | |
CN116611004B (zh) | 煤矿安全灾害预测模型训练方法、预警方法、预警系统 | |
CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN111461461B (zh) | 一种水利工程异常检测方法及系统 | |
CN114530163A (zh) | 基于密度聚类的采用声音识别设备生命周期的方法及系统 | |
CN113392576A (zh) | 一种系留气球主缆绳拉力状态评估预警方法 |
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 |