CN110874686A - 一种井下风险判别方法 - Google Patents
一种井下风险判别方法 Download PDFInfo
- Publication number
- CN110874686A CN110874686A CN201811025274.0A CN201811025274A CN110874686A CN 110874686 A CN110874686 A CN 110874686A CN 201811025274 A CN201811025274 A CN 201811025274A CN 110874686 A CN110874686 A CN 110874686A
- Authority
- CN
- China
- Prior art keywords
- risk
- analysis result
- occurrence probability
- risk analysis
- probability
- 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.)
- Granted
Links
- 238000012850 discrimination method Methods 0.000 title description 5
- 238000012502 risk assessment Methods 0.000 claims abstract description 145
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000005553 drilling Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 19
- 239000003208 petroleum Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种井下风险判别方法,所述方法包括:基于风险征兆对目标井进行风险分析,获取第一风险分析结果;基于风险发生机理对目标井进行风险分析,获取第二风险分析结果;基于风险案例对目标井进行风险分析,获取第三风险分析结果;确认风险征兆、风险发生机理以及风险案例的风险分析针对目标井的符合率;结合所述符合率,综合所述第一风险分析结果、所述第二风险分析结果以及所述第三风险分析结果进行风险发生概率分析,获取井下风险分析结果。在本发明的方法综合了多种井下风险分析理论,从多个角度对井下风险进行分析,从而可以获取更加全面、准确的风险分析结果。相较于现有技术,本发明的风险分析结果的判别合理性以及判别准确率都得到了大大提升。
Description
技术领域
本发明涉及地质勘探领域,具体涉及一种井下风险判别方法。
背景技术
在现有技术中,在油气勘探开发进程中,钻井是必不可少的一环。由于地下状况与地面状况的差异性,钻井施工的方式明显有别与地面施工,地面施工的工艺以及设备很难直接应用与钻井施工,这就使得相较于地面施工,钻井施工的施工难度以及施工风险较高。
石油钻井井下风险的识别与控制,是石油钻井施工中关注的重点,一直是石油钻井工程技术研究的重点。在现有技术中,针对钻井井下风险,基于多种不同的风险分析理论提出了多种不同的风险分析方法。但是,由于井下环境复杂多变,现有的风险分析理论很难做到针对井下状况的全面细致把握,也无法针对钻井地域环境、井下地质环境的变化进行理想的适配。这就使得,现有技术中的风险分析方法具有一定的局限性和片面性,无法做到全面分析,从而大大影响的最终风险分析结果的准确性。
发明内容
本发明提供了一种井下风险判别方法,所述方法包括:
基于风险征兆对目标井进行风险分析,获取第一风险分析结果;
基于风险发生机理对目标井进行风险分析,获取第二风险分析结果;
基于风险案例对目标井进行风险分析,获取第三风险分析结果;
确认风险征兆、风险发生机理以及风险案例的风险分析针对目标井的符合率;
结合所述符合率,综合所述第一风险分析结果、所述第二风险分析结果以及所述第三风险分析结果进行风险发生概率分析,获取井下风险分析结果。
在一实施例中:
在获取所述第一风险分析结果、所述第二风险分析结果以及所述第三风险分析结果的过程中分别量化计算对应的第一风险发生概率、第二风险发生概率以及第三风险发生概率;
确认风险征兆、风险发生机理以及风险案例的风险分析针对目标井的符合率,其中,分别为所述第一风险发生概率、所述第二风险发生概率以及所述第三风险发生概率赋予相应的权重;
获取井下风险分析结果,其中,根据所述第一风险发生概率、所述第二风险发生概率以及所述第三风险发生概率及其对应的权重计算井下风险发生概率。
在一实施例中,利用灰色关联法计算所述第一风险发生概率。
在一实施例中,利用故障分析法以及神经网络算法计算所述第二风险发生概率。
在一实施例中:
结合油田区块数据,分析当前应用场景下根据风险征兆、风险发生机理、风险案例进行井下风险识别的符合率,进行归一化处理,计算出三种风险分析方向对应的权重系数。
在一实施例中,所述方法还包括:
获取当前地层和/或邻井当前深度段发生风险的第四风险分析结果;
结合所述符合率,以所述第四风险分析结果为修正参考,综合所述第一风险分析结果、所述第二风险分析结果以及所述第三风险分析结果进行风险发生概率分析,获取所述井下风险分析结果。
在一实施例中,获取所述第四风险分析结果,其中:
针对当前地层和/或邻井当前深度段发生的、与目标井可能发生的风险同类的风险进行风险分析。
在一实施例中,获取当前地层和/或邻井当前深度段发生风险的第四风险分析结果,其中:
获取当前地层发生风险的几率以及邻井当前深度段发生风险的几率,分别作为所述井下风险分析结果的第一修正系数以及第二修正系数。
在一实施例中,根据下述方程式计算所述井下风险分析结果中的井下风险发生概率,
PRisk=PLayer·PAdj·(wgPGrey+wmPMech+wcPCase)
其中:
PRisk是井下风险发生概率;
PLayer是当前地层发生风险的几率;
PAdj是邻井在相同深度发生风险的几率;
PGrey是基于风险征兆计算得出的风险发生概率;
PMech是基于风险发生机理计算得出的风险发生概率;
PCase是案例推理得出的风险发生概率;
wg、wm、wc是属于[0,1]的权重系数。
在一实施例中,所述方法还包括:
针对当前应用需求为钻井进行针对风险状况的类别划分;
根据所述井下风险分析结果为目标井进行风险归类并展示归类结果。
在本发明的方法综合了多种井下风险分析理论,从多个角度对井下风险进行分析,从而可以获取更加全面、准确的风险分析结果。相较于现有技术,本发明的风险分析结果的判别合理性以及判别准确率都得到了大大提升。
本发明的其它特征或优点将在随后的说明书中阐述。并且,本发明的部分特征或优点将通过说明书而变得显而易见,或者通过实施本发明而被了解。本发明的目的和部分优点可通过在说明书、权利要求书以及附图中所特别指出的步骤来实现或获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1以及图2是根据本发明实施例的方法的流程图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
在现有技术中,在油气勘探开发进程中,钻井是必不可少的一环。由于地下状况与地面状况的差异性,钻井施工的方式明显有别与地面施工,地面施工的工艺以及设备很难直接应用与钻井施工,这就使得相较于地面施工,钻井施工的施工难度以及施工风险较高。
石油钻井井下风险的识别与控制,是石油钻井施工中关注的重点,一直是石油钻井工程技术研究的重点。在现有技术中,针对钻井井下风险,基于多种不同的风险分析理论提出了多种不同的风险分析方法。但是,由于井下环境复杂多变,现有的风险分析理论很难做到针对井下状况的全面细致把握,也无法针对钻井地域环境、井下地质环境的变化进行理想的适配。这就使得,现有技术中的风险分析方法具有一定的局限性和片面性,无法做到全面分析,从而大大影响的最终风险分析结果的准确性。
针对上述问题,本发明提出了一种井下风险判别方法。在本发明的方法中,综合了多种井下风险分析理论,从多个角度对井下风险进行分析,从而获取更加全面、准确的风险分析结果。相较于现有技术,本发明的风险分析结果的判别合理性以及判别准确率都得到了大大提升。
具体的,在现有技术中,针对井下风险,存在很多种风险分析角度。理论上讲,考虑的角度越多,数据来源越全面,最终得到的风险分析结果就越准确。但是,由于井下环境的复杂性以及不确定性,井下风险分析往往涉及到复杂的数据采集以及数据计算过程,考虑的角度的增多,分析计算的数据量也会急剧提升,这会带来严重的数据处理压力。
进一步的,由于井下环境的复杂性,井下风险分析往往是基于采样数据以及历史数据,其中夹杂很多历史经验判断以及概率性假设,这就使得从不同角度进行分析获取的分析结果有可能是相互冲突的,这就给多个分析角度的结合带来了很大的难度。
针对上述问题,在本发明的方法中,针对现有技术中的风险分析理论进行了分析与筛选,确定结合三个风险分析角度进行综合性的风险分析。这三个角度分别是针对风险征兆进行风险分析、针对风险发生机理进行风险分析以及针对风险案例进行风险分析推理。
接下来基于附图详细描述根据本发明实施例的方法的详细流程,附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,在一实施例中,方法包括以下步骤:
S110,基于风险征兆对目标井进行风险分析,获取第一风险分析结果;
S120,基于风险发生机理对目标井进行风险分析,获取第二风险分析结果;
S130,基于风险案例对目标井进行风险分析,获取第三风险分析结果;
S140,确认风险征兆、风险发生机理以及风险案例的风险分析针对目标井的符合率;
S150,结合所述符合率,综合所述第一风险分析结果、所述第二风险分析结果以及所述第三风险分析结果进行风险发生概率分析,获取井下风险分析结果。
进一步的,为了实现多角度风险分析的融合,在一实施例中,将基于不同风险分析理论的风险分析结果进行统一。具体的,在风险分析过程中基于不同风险分析理论对风险发生概率进行量化计算,从而使得最终的风险分析结果均统一为风险发生概率。
具体的,在一实施例中,在获取第一风险分析结果、第二风险分析结果以及第三风险分析结果的过程中分别量化计算对应的第一风险发生概率、第二风险发生概率以及第三风险发生概率。
进一步的,在一实施例中,针对计算出的风险发生概率,在确认风险征兆、风险发生机理以及风险案例的风险分析针对目标井的符合率的过程中,分别为第一风险发生概率、第二风险发生概率以及第三风险发生概率赋予相应的权重。
对应的,在一实施例中,在获取井下风险分析结果的过程中,根据第一风险发生概率、第二风险发生概率以及第三风险发生概率及其对应的权重计算井下风险发生概率。
具体的,在一实施例中,在基于风险征兆对目标井进行风险分析的过程中,利用灰色关联法计算第一风险发生概率。
具体的,在一实施例中,在基于风险发生机理对目标井进行风险分析的过程中,利用故障分析法以及神经网络算法计算第二风险发生概率。
具体的,在一实施例中,结合油田区块数据,分析当前应用场景下根据风险征兆、风险发生机理、风险案例进行井下风险识别的符合率,进行归一化处理,计算出三种风险分析方向对应的权重系数。
进一步的,为了进一步提高风险分析结果的准确性,在一实施例中,在进行最终的风险分析时,还参考了与当前目标井相关的其他应用场景中风险发生状况。
具体的,在一实施例中,方法还包括:
获取当前地层和/或邻井当前深度段发生风险的第四风险分析结果;
结合符合率,以第四风险分析结果为修正参考,综合第一风险分析结果、第二风险分析结果以及第三风险分析结果进行风险发生概率分析,获取所述井下风险分析结果。
进一步的,考虑到不同应用场景发生的风险类型是不同的,而不同类型的风险由于其产生机理的不同,无法很好的相互借鉴。因此,在一实施例中,在获取第四风险分析结果的过程中,针对当前地层和/或邻井当前深度段发生的、与目标井可能发生的风险同类的风险进行风险分析。
进一步的,为了实现多角度风险分析的融合,在一实施例中,在获取当前地层和/或邻井当前深度段发生风险的第四风险分析结果的过程中,获取当前地层发生风险的几率以及邻井当前深度段发生风险的几率,分别作为井下风险分析结果的第一修正系数以及第二修正系数。
具体的,如图2所示,在一实施例中,方法包括以下步骤:
S210,基于风险征兆对目标井进行风险分析,计算第一风险发生概率;
S220,基于风险发生机理对目标井进行风险分析,计算第二风险发生概率;
S230,基于风险案例对目标井进行风险分析,计算第三风险发生概率;
S240,为第一风险发生概率、第二风险发生概率以及第三风险发生概率赋予相应的权重;
S251,计算当前地层发生风险的几率,作为第一修正系数;
S252,计算邻井当前深度段发生风险的几率,作为第二修正系数;
S260,根据第一风险发生概率、第二风险发生概率、第三风险发生概率及其对应的权重,结合第一修正系数以及第二修正系数计算井下风险发生概率。
具体的,在一实施例中,根据下述方程式计算井下风险分析结果中的井下风险发生概率,
PRisk=PLayer·PAdj·(wgPGrey+wmPMech+wcPCase) (1)
其中:
PRisk是井下风险发生概率;
PLayer是当前地层发生风险的几率;
PAdj是邻井在相同深度发生风险的几率;
PGrey是基于风险征兆计算得出的风险发生概率;
PMech是基于风险发生机理计算得出的风险发生概率;
PCase是案例推理得出的风险发生概率;
wg、wm、wc是属于[0,1]的权重系数。
进一步的,由于最终获取的井下风险分析结果是一个针对风险的详细描述(具体的,在一实施例中,是量化的风险发生概率),在某些应用场景中,对于工作人员来说,井下风险分析结果的内容就显得有些繁琐,不够直观。因此,在一实施例中,针对当前应用需求为钻井进行针对风险状况的类别划分;根据井下风险分析结果为目标井进行风险归类并展示归类结果。这样,工作人员就可以直接得到自己所需的目标井风险情况,大大降低了工作人员的工作量,提高了工作效率。
具体的,在一实施例中,针对风险发生的概率,将钻井分为三类。具体的:
井下风险发生概率PRisk>=0.8为一类风险井,针对该类井,基本可以确定其会发生此类风险;
井下风险发生概率PRisk>=0.5且<0.8为二类风险井,针对该类井,不能确定一定会发生此类风险,但发生风险的可能性较大,需要重点关注;
井下风险发生概率PRisk<0.5为三类风险井,针对该类井,不太可能发生此类风险。
进一步的,在一实施例中,在一具体的应用场景中,本发明的方法实施包含如下具体步骤:
(1)数据准备:采集的数据包括油田区块风险案例、地质信息、实钻信息、监测井工程设计信息、邻井信息、井史信息等。
(2)计算三个分析方向的概率:根据风险征兆、风险发生机理、风险案例,从三个不同方向分别计算在钻地层发生某类井下风险的概率,概率范围[0-1]。基于风险征兆的风险识别方向选取灰色关联算法,计算得出PGrey;机理方向计算得出的风险发生概率选取故障分析法+神经(BP)网络算法,计算得出PMech;案例推理的风险识别方向选取案例推理方法,计算得出PCase。
(3)确定三个分析方向的加权系数:结合油田区块大数据,分析根据风险征兆、风险发生机理、风险案例进行井下风险识别的符合率,进行归一化处理,计算出三种方向的权重系数,分别为wg、wm、wc,其范围[0-1]并且其和为1。
(4)确定修正系数:结合油田区块大数据,分析当前地层发生此类风险的几率、邻井当前深度段发生此类风险的几率,分别为PLayer、PAdj,作为风险概率计算的修正系数,其范围[0.9-1.2]。
(5)计算最终风险概率:融合基于风险征兆、风险发生机理、风险案例等三种不同类型的风险识别方向,并考虑三种风险识别方向的权重、把当前地层及邻井当前深度段发生此类风险的几率作为修正系数等,根据式(1)计算最终的风险发生概率,计算得出PRisk,其概率范围[0-1]。
(6)确定风险发生可能性:最终风险概率值PRisk>=0.8,会发生此类风险;PRisk>=0.5且<0.8,可能发生此类风险;PRisk<0.5,不太可能发生此类风险。
接下来通过一具体应用实例来描述根据本发明一实施例的方法的执行效果。
根据本发明一实施例中,针对某油田区块重点井钻井施工监控项目中进行风险分析。具体的,采集了该油田区块的油田区块风险案例、地质信息、实钻信息、监测井工程设计信息、邻井信息等,结合相关井下风险判别软件模块功能,分别计算出基于风险征兆、风险发生机理、风险案例的井下风险概率及其加权系数、修正系数等,最终计算出监控井的风险发生概率。在监控井X钻进到6032米处,给出了发生井漏风险的预警,现场工程师对该预警情况进行了深入分析,避免了一次井漏风险的发生。
基于本发明一实施例的执行效果可以看出,相对于现有技术,本发明可以获取更加准确的井下风险分析结果,本发明具有很高的应用价值和推广价值。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
说明书中提到的“一实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一实施例”并不一定均指同一个实施例。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。本发明所述的方法还可有其他多种实施例。在不背离本发明实质的情况下,熟悉本领域的技术人员当可根据本发明做出各种相应的改变或变形,但这些相应的改变或变形都应属于本发明的权利要求的保护范围。
Claims (10)
1.一种井下风险判别方法,其特征在于,所述方法包括:
基于风险征兆对目标井进行风险分析,获取第一风险分析结果;
基于风险发生机理对目标井进行风险分析,获取第二风险分析结果;
基于风险案例对目标井进行风险分析,获取第三风险分析结果;
确认风险征兆、风险发生机理以及风险案例的风险分析针对目标井的符合率;
结合所述符合率,综合所述第一风险分析结果、所述第二风险分析结果以及所述第三风险分析结果进行风险发生概率分析,获取井下风险分析结果。
2.根据权利要求1所述的方法,其特征在于:
在获取所述第一风险分析结果、所述第二风险分析结果以及所述第三风险分析结果的过程中分别量化计算对应的第一风险发生概率、第二风险发生概率以及第三风险发生概率;
确认风险征兆、风险发生机理以及风险案例的风险分析针对目标井的符合率,其中,分别为所述第一风险发生概率、所述第二风险发生概率以及所述第三风险发生概率赋予相应的权重;
获取井下风险分析结果,其中,根据所述第一风险发生概率、所述第二风险发生概率以及所述第三风险发生概率及其对应的权重计算井下风险发生概率。
3.根据权利要求2所述的方法,其特征在于,利用灰色关联法计算所述第一风险发生概率。
4.根据权利要求2所述的方法,其特征在于,利用故障分析法以及神经网络算法计算所述第二风险发生概率。
5.根据权利要求2~4中任一项所述的方法,其特征在于:
结合油田区块数据,分析当前应用场景下根据风险征兆、风险发生机理、风险案例进行井下风险识别的符合率,进行归一化处理,计算出三种风险分析方向对应的权重系数。
6.根据权利要求1~5中任一项所述的方法,其特征在于,所述方法还包括:
获取当前地层和/或邻井当前深度段发生风险的第四风险分析结果;
结合所述符合率,以所述第四风险分析结果为修正参考,综合所述第一风险分析结果、所述第二风险分析结果以及所述第三风险分析结果进行风险发生概率分析,获取所述井下风险分析结果。
7.根据权利要求6所述的方法,其特征在于,获取所述第四风险分析结果,其中:
针对当前地层和/或邻井当前深度段发生的、与目标井可能发生的风险同类的风险进行风险分析。
8.根据权利要求6或7所述的方法,其特征在于,获取当前地层和/或邻井当前深度段发生风险的第四风险分析结果,其中:
获取当前地层发生风险的几率以及邻井当前深度段发生风险的几率,分别作为所述井下风险分析结果的第一修正系数以及第二修正系数。
9.根据权利要求8所述的方法,其特征在于,根据下述方程式计算所述井下风险分析结果中的井下风险发生概率,
PRisk=PLayer·PAdj·(wgPGrey+wmPMech+wcPCase)
其中:
PRisk是井下风险发生概率;
PLayer是当前地层发生风险的几率;
PAdj是邻井在相同深度发生风险的几率;
PGrey是基于风险征兆计算得出的风险发生概率;
PMech是基于风险发生机理计算得出的风险发生概率;
PCase是案例推理得出的风险发生概率;
wg、wm、wc是属于[0,1]的权重系数。
10.根据权利要求1~9中任一项所述的方法,其特征在于,所述方法还包括:
针对当前应用需求为钻井进行针对风险状况的类别划分;
根据所述井下风险分析结果为目标井进行风险归类并展示归类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025274.0A CN110874686B (zh) | 2018-09-04 | 2018-09-04 | 一种井下风险判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025274.0A CN110874686B (zh) | 2018-09-04 | 2018-09-04 | 一种井下风险判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874686A true CN110874686A (zh) | 2020-03-10 |
CN110874686B CN110874686B (zh) | 2022-05-17 |
Family
ID=69715960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811025274.0A Active CN110874686B (zh) | 2018-09-04 | 2018-09-04 | 一种井下风险判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874686B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130341093A1 (en) * | 2012-06-21 | 2013-12-26 | Stuart Inglis Jardine | Drilling risk avoidance |
US20160239754A1 (en) * | 2013-10-25 | 2016-08-18 | Landmark Graphics Corporation | Real-Time Risk Prediction During Drilling Operations |
CN107292754A (zh) * | 2016-03-31 | 2017-10-24 | 中国石油化工股份有限公司 | 一种钻井风险预测系统 |
CN107292467A (zh) * | 2016-03-31 | 2017-10-24 | 中国石油化工股份有限公司 | 一种钻井风险预测方法 |
CN108345976A (zh) * | 2017-01-24 | 2018-07-31 | 中国石油化工股份有限公司 | 一种长输油气管道动态风险评估方法及装置 |
-
2018
- 2018-09-04 CN CN201811025274.0A patent/CN110874686B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130341093A1 (en) * | 2012-06-21 | 2013-12-26 | Stuart Inglis Jardine | Drilling risk avoidance |
US20160239754A1 (en) * | 2013-10-25 | 2016-08-18 | Landmark Graphics Corporation | Real-Time Risk Prediction During Drilling Operations |
CN107292754A (zh) * | 2016-03-31 | 2017-10-24 | 中国石油化工股份有限公司 | 一种钻井风险预测系统 |
CN107292467A (zh) * | 2016-03-31 | 2017-10-24 | 中国石油化工股份有限公司 | 一种钻井风险预测方法 |
CN108345976A (zh) * | 2017-01-24 | 2018-07-31 | 中国石油化工股份有限公司 | 一种长输油气管道动态风险评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
杨传书: ""钻井风险评价系统DrillRisk的研发与应用"", 《石油钻探技术》 * |
赵庆: ""钻井实时监控与技术决策系统研发进展"", 《石油科技论坛》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110874686B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2013403352B2 (en) | Real-time risk prediction during drilling operations | |
CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
Zhang et al. | A probabilistic approach for safety risk analysis in metro construction | |
CN105679022B (zh) | 一种基于低秩的多源交通数据的补全方法 | |
Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
WO2015060865A1 (en) | Real-time risk prediction during drilling operations | |
CN113064932A (zh) | 一种基于数据挖掘的网络态势评估方法 | |
CN116957156A (zh) | 一种基于bim技术的建筑工程监测管理系统及优化方法 | |
CN105653791A (zh) | 一种基于数据挖掘的在役油管柱腐蚀失效预测系统 | |
Zhang et al. | Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground | |
Cui et al. | Identifying accident black spots based on the accident spacing distribution | |
CN114827211B (zh) | 一种物联网节点数据驱动的异常监控区域检测方法 | |
CN116796043A (zh) | 一种智能园区数据可视化方法及系统 | |
CN110874686B (zh) | 一种井下风险判别方法 | |
Liu et al. | BIM-based digital platform and risk management system for mountain tunnel construction | |
WO2023009027A1 (ru) | Способ и система для предупреждения о предстоящих аномалиях в процессе бурения | |
Wang et al. | AdaBoost-driven multi-parameter real-time warning of rock burst risk in coal mines | |
CN110348510B (zh) | 一种基于深水油气钻井过程阶段性特征的数据预处理方法 | |
CN116366277A (zh) | 一种信息融合的网络安全态势评估方法 | |
Zhao et al. | Combining Drilling Big data and machine learning method to improve the timeliness of drilling | |
Mata et al. | Automated Reservoir Management Workflows to Identify Candidates and Rank Opportunities for Production Enhancement and Cost Optimization in a Giant Field in Offshore Abu Dhabi | |
CN114970921A (zh) | 一种钻井遇阻卡严重度的预警方法及系统 | |
Fu et al. | TBM tunneling strata automatic identification and working conditions decision support | |
CN116307644B (zh) | 一种矿用本安型数据分析展示报警终端及使用方法 | |
Ahmad et al. | Evaluating neural network intrusion detection approaches using Analytic Hierarchy Process |
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 |