CN110852018B - 基于神经网络的pso钻井参数优化方法 - Google Patents
基于神经网络的pso钻井参数优化方法 Download PDFInfo
- Publication number
- CN110852018B CN110852018B CN201911002148.8A CN201911002148A CN110852018B CN 110852018 B CN110852018 B CN 110852018B CN 201911002148 A CN201911002148 A CN 201911002148A CN 110852018 B CN110852018 B CN 110852018B
- Authority
- CN
- China
- Prior art keywords
- drilling
- data
- neural network
- parameters
- current
- 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 131
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 13
- 239000012530 fluid Substances 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 10
- 239000010410 layer Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000005086 pumping Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- KAESVJOAVNADME-UHFFFAOYSA-N Pyrrole Chemical compound C=1C=CNC=1 KAESVJOAVNADME-UHFFFAOYSA-N 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Earth Drilling (AREA)
Abstract
本发明属于钻井工程技术领域，尤其是涉及一种基于神经网络的PSO钻井参数优化方法，其特征在于包括如下步骤：(1)将当前设计参数输入钻井参数优化系统数据库；(2)查询是否存在当前井的邻井历史数据，数据传输至系统数据分析处理模块，预处理后的数据输入神经网络进行模型训练，输出钻前参数预测模型；(3)下钻后，同步获取当前随钻数据参数，计算当前机械钻速，模型更新，将模型中相同地层岩性和井眼尺寸下的机械钻速与当前机械钻速对比。本发明将原始参数信号采集，并通过软件处理，分析整个钻井过程信息数据，对重点数据进行后续优化，通过钻井参数优化全过程的多元技术融合，实现对参数实时、动态的智能优化及系统综合分析。
Description
技术领域
本发明属于钻井工程技术领域，尤其是涉及一种基于神经网络的PSO钻井参数优化方法。
背景技术
钻井工程是油气开发领域中的关键环节，是勘探开发过程中经济投入最大、风险最高的环节之一。钻井过程的效率和成本直接反映出钻井水平的高低，对后续油气生产和作业具有重要意义。由于受到地质条件、钻机机械性能、钻井液特性、钻头类型等因素的综合影响，钻井过程呈现出极大的不确定性。一直以来，如何在复杂因素影响下设法提高钻井效率、缩短钻井周期、节省开发成本已经成为钻井工作的一个工程难点和热点。钻井参数优化是在大量钻井数据和理论分析的基础上，研究各项钻井参数对机械钻速所产生的影响和对应规律，通过对钻压、转速、排量等钻井参数的组合优选，最终达到优化钻井过程，降低钻井成本的目的。目前，钻井参数优化方法大多基于建立各种复杂的数学模型，通过繁琐的公式推导及计算来获得较优的钻井参数。然而，由于钻井过程的复杂性，钻井参数除了受多重因素的影响，各参数之间还存在关联耦合，呈现很大的不确定性、随机性和非线性，通过建立常规数学模型进行优化计算不仅计算过程异常复杂、而且模型常常忽略某些实际条件，导致模型不够精确，实用性及局限性较大。
发明内容
本发明的目的是提供一种基于神经网络的PSO钻井参数优化方法，利用神经网络的非线性拟合、大规模并行分布处理和自组织自学习能力，建立钻井过程的非线性映射模型，然后采用粒子群智能优化算法(PSO)优化钻井参数，为复杂因素影响的钻井参数优化提供了一种有效方法。
本发明的目的是通过下述技术方案来实现的：
本发明的基于神经网络的PSO钻井参数优化方法，其特征在于包括如下步骤：
(1)将当前井地层岩性、井眼尺寸、设计井深、井位、钻具组合等设计参数输入钻井参数优化系统数据库；
(2)从目标数据库查询是否存在当前井的邻井历史数据，若存在则提取后经远程数据传输至系统数据分析处理模块，对邻井数据进行预处理，处理后的数据输入神经网络进行模型训练，输出钻前参数预测模型；
(3)下钻后，同步获取当前随钻数据参数，计算当前机械钻速，同时将随钻数据参数输入神经网络进行模型更新，将模型中相同地层岩性和井眼尺寸下的机械钻速与当前机械钻速对比；若当前更优，则保持参数不变，判断是否进入优化算法；若预测值更优，将对应参数代替当前参数，判断是否进入优化算法；若人工选择进入优化算法，采用PSO算法对当前参数进行组合优化，得到当前状态下的最优参数匹配；若不进入优化算法，则继续以当前参数钻进，并保存数据至数据库，直至结束。
所述的钻井参数优化系统包括数据采集模块、数据传输模块、底层数据库、数据分析处理模块、神经网络预测模块、PSO参数优化模块、上位机显示与操作模块。
所述的数据采集模块包括井口检测传感器和井下随钻测量仪测量传感器。
所述的井口检测传感器包括转盘转速、泵冲、立压、池体积、电扭矩、钻井液密度和绞车传感器。
所述的井下随钻测量仪测量传感器包括钻压、扭矩、温度、内外环空压力、振动、井斜、方位和工具面传感器。
本发明的优点：
(1)本发明的基于神经网络的PSO钻井参数优化方法，利用传感器技术、信息采集与传输技术，计算机技术与数据挖掘技术将原始参数信号采集，并通过软件处理，分析整个钻井过程信息数据，对重点数据进行筛选、处理，然后输入到神经网络算法并进行后续优化，通过钻井参数优化全过程的多元技术融合，实现对参数实时、动态的智能优化及系统综合分析；
(2)本发明的基于神经网络的PSO钻井参数优化方法，依托的神经网络是一种人工智能算法，具有高度的自学习和非线性映射能力，能够通过对样本的学习训练，建立机械钻速与钻井参数之间的映射关系，不依赖固定数学公式，实现对目标的预测，其方法更利于钻井过程中参数的动态优化要求，计算效率高、抗干扰性强、运行平稳，能够实现非线性、不确定性钻井参数建模；
(3)本发明的基于神经网络的PSO钻井参数优化方法，采用粒子群优化算法，解决钻井参数组合寻优问题；粒子群算法PSO在解决钻井参数优化时有着多方面的优点：首先，PSO具有高效的搜索能力，能同时对非劣参数组合进行并行搜索，并且每次迭代能产生一组非劣参数组合；其次，PSO的记忆功能可以有效保证粒子跟踪种群中的最好参数组合和自身最优参数组合来对搜索空间进行搜索，算法计算效率高，执行速度快；此外，PSO不依赖问题的函数特征和解的形式，便于与神经网络算法进行结合，通用性强，为后续钻井参数优化方法的改进提供了更广阔空间。
附图说明
图1为本发明的结构框图。
图2为本发明数据采集与处理结构框图。
图3为本发明网络训练过程示意图。
图4为本发明神经网络预测值与实际值偏差示意图。
具体实施方式
下面结合附图进一步说明本发明的具体实施方式。
如图1-4所示，本发明的基于神经网络的PSO钻井参数优化方法，其特征在于包括如下步骤：
(1)将当前井地层岩性、井眼尺寸、设计井深、井位、钻具组合等设计参数输入钻井参数优化系统数据库；
(2)从目标数据库查询是否存在当前井的邻井历史数据，若存在则提取后经远程数据传输至系统数据分析处理模块，对邻井数据进行预处理，处理后的数据输入神经网络进行模型训练，输出钻前参数预测模型；
(3)下钻后，同步获取当前随钻数据参数，计算当前机械钻速，同时将随钻数据参数输入神经网络进行模型更新，将模型中相同地层岩性和井眼尺寸下的机械钻速与当前机械钻速对比；若当前更优，则保持参数不变，判断是否进入优化算法；若预测值更优，将对应参数代替当前参数，判断是否进入优化算法；若人工选择进入优化算法，采用PSO算法对当前参数进行组合优化，得到当前状态下的最优参数匹配；若不进入优化算法，则继续以当前参数钻进，并保存数据至数据库，直至结束。
所述的钻井参数优化系统包括数据采集模块、数据传输模块、底层数据库、数据分析处理模块、神经网络预测模块、PSO参数优化模块、上位机显示与操作模块。
所述的数据采集模块包括井口检测传感器和井下随钻测量仪测量传感器。
所述的井口检测传感器包括转盘转速、泵冲、立压、池体积、电扭矩、钻井液密度和绞车传感器。
所述的井下随钻测量仪测量传感器包括钻压、扭矩、温度、内外环空压力、振动、井斜、方位和工具面传感器。
实施例
1.数据采集与处理
随着自动化和数字化技术发展，钻井过程引入很多先进的实时数据采集和检测平台，积累了海量的钻井数据。这些数据具有数量庞大、来源丰富、数据类型不统一、数据冗余性高等特点。根据公知经验，影响钻井效率的因素复杂，通过查阅资料，目前常见的对机械钻速影响的目标参数有：井深、层位、悬重、钻压、扭矩、钻时、排量、泵压、转速、钻井液密度、钻井液粘度、方位、井斜、垂深、设计井深等。由于钻井之前，设计垂深、设计井深、方位、井斜都已经确定，因此可以视为静态数据不予分析。根据分析，确定钻压、转速、排量、钻井液密度、泵压对优化机械钻速具有更高的可操作性和意义。
数据预处理：
钻井过程是动态且连续的，在钻井现场收集各种随钻参数时，会因为难以控制或难以预见性的干扰因素而导致所采集的原始样本数据存在异常或缺失，为了避免部分样本数据的缺失对神经网路训练精度产生不必要影响，采用填充法处理缺省数据，利用软件将缺省的参数自动填充为邻域一定范围的平均值，虽然此种方式牺牲了一定的模型精确性，但相对原始数据而言损失较小。
然后，进行钻井数据降维度和归一化处理，将钻井参数数据从有量纲的数据转换为无量纲的数据，使得输入数据都成为纯量，从而达到减小不同量纲对网络的影响，也便于神经网络的计算。采用威某井0时-24时实测数据为原始样本数据。利用prestd函数对输入输出参数样本进行规范化处理。
2.神经网络建模
结合钻井参数建立神经网络预测模型，在上述分析的基础上，去除对机械钻速影响较小的参数，选取钻压、排量、钻井液密度、转速、泵压作为神经网络输入，输入层设计输入节点数为5。由于神经网络预测，是通过上一时刻或者历史时刻的钻压、排量等参数预测下一时刻的机械钻速情况，因此网络输出应为机械钻速，输出节点数为1。隐含层设计，通常隐含层数目越多，神经网络的输出精确性越高，误差越小。但神经网络的训练时间会对应增加，增加隐层节点数可以达到提高精度、降低误差的目的，因此选取隐含层为单层结构。神经网络隐层节点数目的确定目前没有精确的理论依据，但目前常用最佳隐含层节点数的经验公式有以下几种：
(1)
(2)
(3)n＝log2mi
(4)n＝2mi+1
n：隐层节点数；
mi：输入层节点数；
mj：输出节点数；
C：10～15任意常数
根据公式(4)确定隐层神经元为5。
网络训练：采集大量样本对神经网络进行训练，达到预设精度后保存网络；根据神经网咯输入节点为5，输出节点为1，将采集到的8000条现场实测样本数据中的前3000条作为训练数据，作为神经网络的输入，对神经网络进行训练，训练步数为1000，精度为0.01％，训练完成后绘制图像如附图1。
检验网络：将采集到的8000条现场实测样本数据中的后5000条作为检验数据，作为神经网络的输入，对神经网络预测模型进行验证，得到结果。
3.PSO优化算法
若人工判断进入优化程序，则开始PSO优化参数。所述PSO优化算法包括粒子编码、适应度函数选取以及参数设置三个关键点。所述粒子编码采用向量编码方式，分别对应钻压、排量、钻井液密度、转速、泵压参数。适应度函数通常是一个固定的函数式，由于本实例中参数预测模型是由神经网络非线性映射得出，因此粒子群算法的适应度函数以神经网络的输出结果充当。所述粒子参数设置包括种群规模、迭代次数等参数的设置，种群规模M＝50，迭代次数 N＝120，学习因子C1＝1.0,C2＝2.0 。
Claims (5)
1.一种基于神经网络的PSO钻井参数优化方法，其特征在于包括如下步骤：
(1)将当前井地层岩性、井眼尺寸、设计井深、井位、钻具组合等设计参数输入钻井参数优化系统数据库；
(2)从目标数据库查询是否存在当前井的邻井历史数据，若存在则提取后经远程数据传输至系统数据分析处理模块，对邻井数据进行预处理，处理后的数据输入神经网络进行模型训练，输出钻前参数预测模型；
(3)下钻后，同步获取当前随钻数据参数，计算当前机械钻速，同时将随钻数据参数输入神经网络进行模型更新，将模型中相同地层岩性和井眼尺寸下的机械钻速与当前机械钻速对比；若当前更优，则保持参数不变，判断是否进入优化算法；若预测值更优，将对应参数代替当前参数，判断是否进入优化算法；若人工选择进入优化算法，采用PSO算法对当前钻井参数进行组合优化，得到当前状态下的最优钻井参数匹配；若不进入优化算法，则继续以当前钻井参数钻进，并保存数据至数据库，直至结束；
所述对邻井数据进行预处理为：采用填充法处理缺省参数，将缺省参数自动填充为邻域一定范围的平均值，然后采用prestd函数对参数进行降维度和归一化处理；
所述处理后的数据输入神经网络进行模型训练，输出钻前参数预测模型为：选取钻压、排量、钻井液密度、转速、泵压作为神经网络输入，选取机械钻速作为神经网络输出，隐层为单层结构；将邻井实测数据前段作为训练数据进行神经网络训练，达到预设精度或训练步数后网络训练完成；将实测数据后段作为检验数据对神经网络进行检验，对神经网络预测模型进行验证，得到结果后，输出钻前参数预测模型；
所述采用PSO算法对当前钻井参数进行组合优化为：采用向量编码方式，分别对应钻压、排量、钻井液密度、转速、泵压参数；以神经网络的输出预测模型结果作为PSO算法的适应度函数；设置粒子参数，所述粒子参数包括：种群规模、迭代次数和学习因子。
2.根据权利要求1所述的基于神经网络的PSO钻井参数优化方法，其特征在于所述的钻井参数优化系统包括数据采集模块、数据传输模块、底层数据库、数据分析处理模块、神经网络预测模块、PSO参数优化模块、上位机显示与操作模块。
3.根据权利要求2所述的基于神经网络的PSO钻井参数优化方法，其特征在于所述的数据采集模块包括井口检测传感器和井下随钻测量仪测量传感器。
4.根据权利要求3所述的基于神经网络的PSO钻井参数优化方法，其特征在于所述的井口检测传感器包括转盘转速、泵冲、立压、池体积、电扭矩、钻井液密度和绞车传感器。
5.根据权利要求3所述的基于神经网络的PSO钻井参数优化方法，其特征在于所述的井下随钻测量仪测量传感器包括钻压、扭矩、温度、内外环空压力、振动、井斜、方位和工具面传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911002148.8A CN110852018B (zh) | 2019-10-21 | 2019-10-21 | 基于神经网络的pso钻井参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911002148.8A CN110852018B (zh) | 2019-10-21 | 2019-10-21 | 基于神经网络的pso钻井参数优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110852018A CN110852018A (zh) | 2020-02-28 |
| CN110852018B true CN110852018B (zh) | 2022-04-05 |
Family
ID=69596742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911002148.8A Active CN110852018B (zh) | 2019-10-21 | 2019-10-21 | 基于神经网络的pso钻井参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110852018B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382543A (zh) * | 2020-03-13 | 2020-07-07 | 中国海洋石油集团有限公司 | 一种基于改进蚁群算法的海上丛式井钻井顺序优化方法 |
| 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 |
| CN112036741B (zh) * | 2020-08-28 | 2022-10-11 | 四川长宁天然气开发有限责任公司 | 一种页岩气钻井工程智能调度方法及系统 |
| CN112364561B (zh) * | 2020-10-26 | 2022-07-26 | 上海感探号信息科技有限公司 | 控车动作修正方法、装置、电子设备和存储介质 |
| CN112502613B (zh) * | 2020-11-27 | 2022-01-07 | 中国科学院地质与地球物理研究所 | 一种钻井方法及装置 |
| CN112431585B (zh) * | 2020-11-30 | 2023-09-29 | 西安石油大学 | 一种基于深度信念网络的自动送钻方法 |
| CN112487582B (zh) * | 2020-12-10 | 2021-09-14 | 西南石油大学 | 一种基于cart算法的油气钻井机械钻速预测与优化方法 |
| CN112901137B (zh) * | 2021-03-08 | 2021-11-16 | 西南石油大学 | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 |
| CN113077091B (zh) * | 2021-04-09 | 2024-04-23 | 中国石油大学(北京) | 一种基于机器学习的漏速概率分布预测方法和系统 |
| CN113378423B (zh) * | 2021-04-23 | 2022-05-31 | 中国市政工程中南设计研究总院有限公司 | 城轨保护mjs工法桩智能反分析快速反演方法及系统 |
| CN113268803B (zh) * | 2021-06-08 | 2022-11-29 | 中国石油大学(北京) | 钻井溢流诊断模型的生成方法、钻井溢流诊断方法及装置 |
| CN113338894B (zh) * | 2021-07-15 | 2023-06-02 | 西安石油大学 | 一种小型智能钻机的控制方法 |
| CN113792936A (zh) * | 2021-09-28 | 2021-12-14 | 中海石油(中国)有限公司 | 一种随钻岩性智能识别方法、系统、设备和存储介质 |
| CN114856540B (zh) * | 2022-05-11 | 2024-05-28 | 西南石油大学 | 一种基于在线学习的水平井机械钻速随钻预测方法 |
| WO2024077538A1 (en) * | 2022-10-13 | 2024-04-18 | Saudi Arabian Oil Company | Methods and systems for predicting lithology and formation boundary ahead of the bit |
| CN116842854B (zh) * | 2023-09-01 | 2023-11-07 | 山东科技大学 | 基于优化神经网络的煤体应力智能预测和异径卸压方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| US11137514B2 (en) * | 2017-03-29 | 2021-10-05 | International Business Machines Corporation | Method for determining a drilling plan for a plurality of new wells in a reservoir |
| CN107100611B (zh) * | 2017-05-27 | 2019-12-17 | 中国地质大学（武汉） | 一种地质勘探钻进过程双层智能钻速建模方法 |
| CN107193055B (zh) * | 2017-05-27 | 2019-10-18 | 中国地质大学（武汉） | 一种复杂地质钻进过程双层智能钻速建模系统 |
-
2019
- 2019-10-21 CN CN201911002148.8A patent/CN110852018B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110852018A (zh) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852018B (zh) | 基于神经网络的pso钻井参数优化方法 | |
| US8145462B2 (en) | Field synthesis system and method for optimizing drilling operations | |
| CN111520123B (zh) | 一种机械钻速预测方法、装置及设备 | |
| US8229880B2 (en) | Evaluation of acid fracturing treatments in an oilfield | |
| RU2723805C9 (ru) | Способ и компьютерная система управления бурением скважин | |
| BR112015009197B1 (pt) | Método e sistema para realizar uma operação de perfuração | |
| US10775531B2 (en) | Big data point and vector model | |
| CN115234220A (zh) | 利用智能钻头实时识别井下粘滑振动的方法及装置 | |
| CN115586086A (zh) | 一种基于大数据的井壁失稳分析方法 | |
| CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
| CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
| CN112052977A (zh) | 一种基于深度时空注意力网络的油藏储量预测方法 | |
| US20230212937A1 (en) | Automated electric submersible pump (esp) failure analysis | |
| CN112727433A (zh) | 一种钻井参数优化方法 | |
| CN114077861A (zh) | 一种钻井过程中实时识别岩性的方法和系统 | |
| CN115438090A (zh) | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 | |
| Wan et al. | Intelligent Prediction of Drilling Rate of Penetration Based on Method-Data Dual Validity Analysis | |
| You et al. | Stratigraphic identification using real-time drilling data | |
| CN110567623B (zh) | 确定水力振荡器在钻具上安装位置的方法 | |
| CN113268799B (zh) | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 | |
| Ge et al. | Development of Automatic Recognition and Recording System for Rig Jobs | |
| Tian et al. | Rock fracture identification with measurement while drilling data in down-the-hole drills | |
| CN117805938B (zh) | 一种基于深度学习的围岩地质力学参数智能预测方法 | |
| RU2782505C2 (ru) | Способ и компьютерная система обработки скважинных данных | |
| Chen | Applying Deep Learning Techniques to Downhole Data |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201021 Address after: No. 6, liupukang, Xicheng District, Beijing 100120 Applicant after: CHINA NATIONAL PETROLEUM Corp. Applicant after: China National Petroleum Corporation Great Wall Drilling Engineering Co.,Ltd. Address before: 124010 Xinglongtai, Liaoning Province, oil street, No. 96, No. Applicant before: China National Petroleum Corporation Great Wall Drilling Engineering Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |