CN110965991B - 基于人工智能的随钻岩石矿物组分识别方法及装置 - Google Patents

基于人工智能的随钻岩石矿物组分识别方法及装置 Download PDF

Info

Publication number
CN110965991B
CN110965991B CN201811132812.6A CN201811132812A CN110965991B CN 110965991 B CN110965991 B CN 110965991B CN 201811132812 A CN201811132812 A CN 201811132812A CN 110965991 B CN110965991 B CN 110965991B
Authority
CN
China
Prior art keywords
rock
drilling
formula
bit
input parameters
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
Application number
CN201811132812.6A
Other languages
English (en)
Other versions
CN110965991A (zh
Inventor
杨沛
陈龙
何仁清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN201811132812.6A priority Critical patent/CN110965991B/zh
Publication of CN110965991A publication Critical patent/CN110965991A/zh
Application granted granted Critical
Publication of CN110965991B publication Critical patent/CN110965991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • E21B47/00—Survey of boreholes or wells
    • E21B47/01—Devices for supporting measuring instruments on drill bits, pipes, rods or wirelines; Protecting measuring instruments in boreholes against heat, shock, pressure or the like
    • 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
    • E21B47/00—Survey of boreholes or wells
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Physics & Mathematics (AREA)
  • Geology (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Fluid Mechanics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Earth Drilling (AREA)
  • Drilling And Exploitation, And Mining Machines And Methods (AREA)

Abstract

本发明公开了一种基于人工智能的随钻岩石矿物组分识别方法及装置，通过获取输入参数的参数值，该输入参数包括随钻工程参数，将该输入参数的参数值作为BP神经网络的输入，可以获得BP神经网络输出的随钻岩石矿物组分识别结果，其中，BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的。本申请的方案中，构建了基于BP神经网络的随钻岩石矿物组分识别模型，通过输入相应的随钻岩石矿物组分识别参数的参数值，可以及时准确地获得所钻地层的岩石矿物组分，从而有利于石油的勘探开发。

Description

基于人工智能的随钻岩石矿物组分识别方法及装置
技术领域
本发明涉及石油勘探开发技术领域，尤其涉及一种基于人工智能的随钻岩石矿物组分识别方法及装置。
背景技术
传统的岩石矿物组分识别主要通过工程岩屑录井的方法进行分析。录井技术是油气勘探开发活动中最基本的技术，是发现、评估油气藏最及时、最直接的手段，具有获取地下信息及时、多样，分析解释快捷的特点。测井技术，是利用岩层的电化学特性、导电特性、声学特性、放射性等地球物理特性，测量地球物理参数的方法。
目前，工程岩屑录井由于受到迟到时间的影响，无法及时准确的反映所钻地层的岩石矿物组分；随钻测井由于测量装置距钻头具有一定的距离，因此同样无法及时的反映出地层岩石矿物组分的变化。
因此，如何能够及时准确地获得所钻地层的岩石矿物组分，是本领域亟需解决的技术问题。
发明内容
有鉴于此，本发明实施例提供了一种基于人工智能的随钻岩石矿物组分识别方法及装置，以实现及时准确地获得所钻地层的岩石矿物组分。
第一方面，本发明实施例提供了一种基于人工智能的随钻岩石矿物组分识别方法，包括：
获取输入参数的参数值，所述输入参数包括随钻工程参数；
将所述输入参数的参数值作为BP神经网络的输入，获得所述BP神经网络输出的随钻岩石矿物组分识别结果，其中，所述BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，所述随钻工程参数包括井深、钻压、转速、机械钻速、以及扭矩。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，所述输入参数还包括总破岩能量当量；
所述获取各输入参数的参数值，包括：
获取钻压破岩能量当量Ee，扭矩破岩能量当量Er，水功率破岩能量当量Ew；
根据第一公式，计算总破岩能量当量Ep，其中，所述第一公式为： Ep＝K1Ee+K2Er+Ew；
其中，K1、K2分别为钻压和扭矩所做的功对岩石的破碎效率。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，获取钻压破岩能量当量Ee，包括：
获取在钻压为Te的条件下，钻头从时刻t1到时刻t2的起始位置H1和结束位置H2；
根据第三公式，计算所述钻压破岩能量当量Ee，其中，所述第三公式为：
Ee＝TeVpΔt；其中，
Figure BDA0001813992130000021
其中，ΔH＝H2-H1，Δt＝t2-t1。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，获取扭矩破岩能量当量Er，包括：
根据第四公式，计算扭矩破岩能量当量Er，其中，所述第四公式为： Er＝MNrΔt；
其中，M为作用于钻头的扭矩，Nr为钻头转速。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，获取水功率破岩能量当量Ew，包括：
根据第五公式，计算水功率破岩能量当量Ew，其中，所述第五公式为:
Figure BDA0001813992130000022
其中，Pj为射流水功率，Pμ为循环压耗，Ph为立柱压力，ρd为钻井液密度，Q为泵的排量，A0为喷嘴出口截面积，m、a为同钻具结构和钻井液性能相关的常数，D为井深。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，所述输入参数还包括钻压破岩能量当量Ee和/或扭矩破岩能量当量Er。
结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，所述BP神经网络中隐匿层个数为6，学习率为0.90。
第二方面，本发明实施例提供了一种基于人工智能的随钻岩石矿物组分识别装置，包括：
参数获取模块，用于获取输入参数的参数值，所述输入参数包括随钻工程参数；
结果输出模块，用于将所述输入参数的参数值作为BP神经网络的输入，获得所述BP神经网络输出的随钻岩石矿物组分识别结果，其中，所述BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，所述随钻工程参数包括井深、钻压、转速、机械钻速、以及扭矩。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，所述输入参数还包括总破岩能量当量；
相应的，所述参数获取模块，包括：
第一获取单元，用于获取钻压破岩能量当量Ee，扭矩破岩能量当量 Er，水功率破岩能量当量Ew；
第一计算单元，用于根据第一公式，计算总破岩能量当量Ep，其中，所述第一公式为：Ep＝K1Ee+K2Er+Ew；
其中，K9、K2分别为钻压和扭矩所做的功对岩石的破碎效率。
结合第二方面的第二种可能的实施方式，本发明实施例提供了第二方面的第三种可能的实施方式，
所述第一获取单元，具体用于获取在钻压为Te的条件下，钻头从时刻 t9到时刻t2的起始位置H9和结束位置H2；
所述第一获取单元，还具体用于根据第三公式，计算所述钻压破岩能量当量Ee，其中，所述第三公式为：
Ee＝TeVpΔt；其中，
Figure BDA0001813992130000041
其中，ΔH＝H2-H9，Δt＝t2-t9。
结合第二方面的第三种可能的实施方式，本发明实施例提供了第二方面的第四种可能的实施方式，
所述第一获取单元，还具体用于根据第四公式，计算扭矩破岩能量当量Er，其中，所述第四公式为：Er＝MNrΔt；
其中，M为作用于钻头的扭矩，Nr为钻头转速。
结合第二方面的第三种可能的实施方式，本发明实施例提供了第二方面的第五种可能的实施方式，
所述第一获取单元，还具体用于根据第五公式，计算水功率破岩能量当量Ew，其中，所述第五公式为:
Figure BDA0001813992130000042
其中，Pj为射流水功率，Pμ为循环压耗，Ph为立柱压力，ρd为钻井液密度，Q为泵的排量，A0为喷嘴出口截面积，m、a为同钻具结构和钻井液性能相关的常数，D为井深。
结合第二方面，本发明实施例提供了第二方面的第六种可能的实施方式，所述输入参数还包括钻压破岩能量当量Ee和/或扭矩破岩能量当量Er。
结合第二方面，本发明实施例提供了第二方面的第七种可能的实施方式，所述BP神经网络中隐匿层个数为6，学习率为0.90。
本发明提供的基于人工智能的随钻岩石矿物组分识别方法及装置，通过获取输入参数的参数值，该输入参数包括随钻工程参数，将该输入参数的参数值作为BP神经网络的输入，可以获得BP神经网络输出的随钻岩石矿物组分识别结果，其中，BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的。本申请的方案中，构建了基于BP神经网络的随钻岩石矿物组分识别模型，通过输入相应的随钻岩石矿物组分识别参数的参数值，可以及时准确地获得所钻地层的岩石矿物组分，从而有利于石油的勘探开发。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于人工智能的随钻岩石矿物组分识别方法的流程示意图；
图2为本发明实施例二提供的基于BP神经网络的岩石矿物组分识别结果；
图3为本发明实施例三提供的基于人工智能的随钻岩石矿物组分识别装置的结构示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1为本发明实施例一提供的基于人工智能的随钻岩石矿物组分识别方法的流程示意图，如图1所示，该方法包括：
101、获取输入参数的参数值，所述输入参数包括随钻工程参数；
102、将所述输入参数的参数值作为BP神经网络的输入，获得所述 BP神经网络输出的随钻岩石矿物组分识别结果，其中，所述BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的。
实际应用中，该基于人工智能的随钻岩石矿物组分识别方法的执行主体可以为基于人工智能的随钻岩石矿物组分识别装置。在实际应用中，该基于人工智能的随钻岩石矿物组分识别装置可以通过虚拟装置，例如软件代码实现，也可以通过写入有相关执行代码的实体装置，例如，U盘实现，再或者，也可以通过集成有相关执行代码的实体装置实现，例如，平板电脑、笔记本电脑和台式电脑等。
结合实际场景进行示例：以本实施例的执行主体为基于人工智能的随钻岩石矿物组分识别装置为例，实际应用中，首先要构建随钻岩石矿物组分识别模型，该随钻岩石矿物组分识别模型是基于BP神经网络，以选择的随钻岩石矿物组分识别参数为输入参数，该输入参数可以包括随钻工程参数，以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的。具体的BP神经网络训练方法采用相关技术，在此不再赘述。该基于BP神经网络的随钻岩石矿物组分识别模型建好之后，具体地，可以将当前获取到的相应输入参数的参数值输入该随钻岩石矿物组分识别模型，其输出的随钻岩石矿物组分识别结果即为当前所钻地层的岩石矿物组分。
工程参数录井作为对施工情况监测的常规手段，在钻井现场得到广泛应用。在钻进的过程中发现扭矩、钻压等工程录井参数均可以在一定程度上反映出岩石矿物组分的变化。优选的，步骤101中的随钻工程参数可以包括井深、钻压、转速、机械钻速、以及扭矩。
本实施例提供的基于人工智能的随钻岩石矿物组分识别方法，通过获取输入参数的参数值，该输入参数包括随钻工程参数，将该输入参数的参数值作为BP神经网络的输入，可以获得BP神经网络输出的随钻岩石矿物组分识别结果，其中，BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的。本申请的方案中，构建了基于BP神经网络的随钻岩石矿物组分识别模型，通过输入相应的随钻岩石矿物组分识别参数的参数值，可以及时准确地获得所钻地层的岩石矿物组分，从而有利于石油的勘探开发。
上述BP神经网络的输入参数的选择可以有多种方式。
一种实施方式中，在上述实施例一的基础上，步骤101中的输入参数还可以包括总破岩能量当量；
相应的，上述步骤101，具体包括：
201、获取钻压破岩能量当量Ee，扭矩破岩能量当量Er，水功率破岩能量当量Ew；
202、根据第一公式，计算总破岩能量当量Ep，其中，第一公式为：Ep＝K1Ee+K2Er+Ew；其中，K1、K2分别为钻压和扭矩所做的功对岩石的破碎效率。
实际应用中，在现场钻进过程中，由于工况的复杂性，钻进的工程参数需要进行频繁调整以实现安全快速钻进的目标。然而由于这些工程参数彼此相互影响，因此单个的工程参数无法清晰准确的反映岩石矿物组分变化的信息。为了建立起工程参数录井曲线同岩石矿物组分之间的关系，迫切需要引入一个中间变量将工程参数录井曲线中反映岩石矿物组分的信息提炼出来并加以处理整合，最终得到岩石矿物组分变化同工程参数录井曲线之间的关系。破岩能量当量可以综合的反映出扭矩、钻压等工程参数在破碎岩石时所消耗的能量，因此在破岩工具相同的情况下可以考虑通过破岩能量当量将施工参数同岩石矿物组分联系起来。
具体地，破碎岩石所需要的总能量为Ep，即总破岩能量当量，其主要由三部分组成，钻头随钻压钻进一定距离所做的功Ee(轴向破岩)，即钻压破岩能量当量，钻头在扭矩的作用下旋转破岩所做的功Er(旋转破岩)，即扭矩破岩能量当量；钻井液的水功率损耗为Ew，即水功率破岩能量当量。结合能量的传递效率，可以按照上述第一公式计算出总破岩能量当量。BP 神经网络可以将工程参数录井中各个数据的波形曲线同破岩能量当量结合起来，共同对岩石矿物组分变化做出判别，提高了随钻岩石矿物组分识别的准确性。
本实施方式中，上述获取钻压破岩能量当量Ee，具体包括：
301、获取在钻压为Te的条件下，钻头从时刻t1到时刻t2的起始位置 H1和结束位置H2；
302、根据第三公式，计算所述钻压破岩能量当量Ee，其中，第三公式为：
Ee＝TeVpΔt；其中，
Figure BDA0001813992130000071
其中，ΔH＝H2-H1，Δt＝t2-t1。
本实施方式中，上述获取扭矩破岩能量当量Er，具体包括：
303、根据第四公式，计算扭矩破岩能量当量Er，其中，第四公式为： Er＝MNrΔt；
其中，M为作用于钻头的扭矩，Nr为钻头转速。
本实施方式中，上述获取水功率破岩能量当量Ew，具体包括：
304、根据第五公式，计算水功率破岩能量当量Ew，其中，第五公式为:
Figure BDA0001813992130000081
其中，Pj为射流水功率，Pμ为循环压耗，Ph为立柱压力，ρd为钻井液密度，Q为泵的排量，A0为喷嘴出口截面积，m、a为同钻具结构和钻井液性能相关的常数，D为井深。
另一种实施方式中，在上述实施例一的基础上，步骤101中的输入参数还可以包括钻压破岩能量当量Ee和/或扭矩破岩能量当量Er。
具体地，BP神经网络的输入参数还可以包括钻压破岩能量当量Ee和/ 或扭矩破岩能量当量Er，这两个输入参数的可以通过上述实施方式中的计算公式获取，在此不再赘述。
本实施方式提供的基于人工智能的随钻岩石矿物组分识别方法，克服了传统随钻岩石矿物组分识别技术存在误差大和识别滞后的问题，通过引入中间变量破岩能量当量可综合的反映出各工程参数录井曲线在破碎由不同岩石矿物组分够成的岩层时所消耗的能量,最终通过BP神经网络算法实时识别钻遇地层的岩石矿物组分，从而有利于石油的勘探开发。
实施例二
实施例二中，决定BP神经网络岩石矿物组分识别效果的有输入参数和训练参数。本实施例中，输入参数选取井深、钻压、转速、机械钻速、扭矩、钻压破岩能量当量、扭矩破岩能量当量、总破岩能量当量。训练参数中主要参数为隐匿层个数和学习率，这个两个参数可通过试算得到的岩石矿物组分识别结果的优劣确定最优值，优选的，该BP神经网络中隐匿层个数为6，学习率为0.90。具体地，学习率分别取0.75、0.80、0.85、 0.90、0.95对其进行训练，通过计算比对，当学习率为0.90时，识别效果好。图2为本发明实施例二提供的基于BP神经网络的岩石矿物组分识别结果。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图3为本发明实施例三提供的基于人工智能的随钻岩石矿物组分识别装置的结构示意图，如图3所示，该装置包括：
参数获取模块401，用于获取输入参数的参数值，输入参数包括随钻工程参数；
结果输出模块402，用于将输入参数的参数值作为BP神经网络的输入，获得BP神经网络输出的随钻岩石矿物组分识别结果，其中，BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的。
优选的，随钻工程参数可以包括井深、钻压、转速、机械钻速、以及扭矩。
本实施例提供的基于人工智能的随钻岩石矿物组分识别装置，通过获取输入参数的参数值，该输入参数包括随钻工程参数，将该输入参数的参数值作为BP神经网络的输入，可以获得BP神经网络输出的随钻岩石矿物组分识别结果，其中，BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的。本申请的方案中，构建了基于BP神经网络的随钻岩石矿物组分识别模型，通过输入相应的随钻岩石矿物组分识别参数的参数值，可以及时准确地获得所钻地层的岩石矿物组分，从而有利于石油的勘探开发。
一种实施方式中，在上述实施例二的基础上，输入参数还包括总破岩能量当量；
相应的，参数获取模块401，包括：
第一获取单元，用于获取钻压破岩能量当量Ee，扭矩破岩能量当量 Er，水功率破岩能量当量Ew；
第一计算单元，用于根据第一公式，计算总破岩能量当量Ep，其中，第一公式为：Ep＝K1Ee+K2Er+Ew；
其中，K9、K2分别为钻压和扭矩所做的功对岩石的破碎效率。
本实施方式中，BP神经网络可以将工程参数录井中各个数据的波形曲线同破岩能量当量结合起来，共同对岩石矿物组分变化做出判别，提高了随钻岩石矿物组分识别的准确性。
本实施方式中，第一获取单元，具体用于获取在钻压为Te的条件下，钻头从时刻t9到时刻t2的起始位置H9和结束位置H2；
第一获取单元，还具体用于根据第三公式，计算钻压破岩能量当量 Ee，其中，第三公式为：
Ee＝TeVpΔt；其中，
Figure BDA0001813992130000101
其中，ΔH＝H2-H9，Δt＝t2-t9。
本实施方式中，第一获取单元，还具体用于根据第四公式，计算扭矩破岩能量当量Er，其中，第四公式为：Er＝MNrΔt；
其中，M为作用于钻头的扭矩，Nr为钻头转速。
本实施方式中，第一获取单元，还具体用于根据第五公式，计算水功率破岩能量当量Ew，其中，第五公式为:
Figure BDA0001813992130000102
其中，Pj为射流水功率，Pμ为循环压耗，Ph为立柱压力，ρd为钻井液密度，Q为泵的排量，A0为喷嘴出口截面积，m、a为同钻具结构和钻井液性能相关的常数，D为井深。
另一实施方式中，在上述实施例二的基础上，输入参数还可以包括钻压破岩能量当量Ee和/或扭矩破岩能量当量Er。
另一实施例中，决定BP神经网络岩石矿物组分识别效果的有输入参数和训练参数。本实施例中，输入参数选取井深、钻压、转速、机械钻速、扭矩、钻压破岩能量当量、扭矩破岩能量当量、总破岩能量当量。训练参数中主要参数为隐匿层个数和学习率，这个两个参数可通过试算得到的岩石矿物组分识别结果的优劣确定最优值，优选的，该BP神经网络中隐匿层个数为6，学习率为0.90。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (14)

1.一种基于人工智能的随钻岩石矿物组分识别方法，其特征在于，包括：
获取输入参数的参数值，所述输入参数包括随钻工程参数；将所述输入参数的参数值作为BP神经网络的输入，获得所述BP神经网络输出的随钻岩石矿物组分识别结果，其中，所述BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的；
所述输入参数还包括总破岩能量当量，所述获取输入参数的参数值，包括：
获取钻压破岩能量当量Ee，扭矩破岩能量当量Er，水功率破岩能量当量Ew；
根据第一公式，计算总破岩能量当量Ep，其中，所述第一公式为：Ep＝K1Ee+K2Er+Ew；
其中，K1、K2分别为钻压和扭矩所做的功对岩石的破碎效率。
2.根据权利要求1所述的方法，其特征在于，所述随钻工程参数包括井深、钻压、转速、机械钻速、以及扭矩。
3.根据权利要求1所述的方法，其特征在于，获取钻压破岩能量当量Ee，包括：
获取在钻压为Te的条件下，钻头从时刻t1到时刻t2的起始位置H1和结束位置H2；
根据第三公式，计算所述钻压破岩能量当量Ee，其中，所述第三公式为：
Ee＝TeVpΔt；其中，
Figure FDA0003995511540000011
其中，ΔH＝H2-H1，Δt＝t2-t1。
4.根据权利要求3所述的方法，其特征在于，获取扭矩破岩能量当量Er，包括：
根据第四公式，计算扭矩破岩能量当量Er，其中，所述第四公式为：Er＝MNrΔt；
其中，M为作用于钻头的扭矩，Nr为钻头转速。
5.根据权利要求3所述的方法，其特征在于，获取水功率破岩能量当量Ew，包括：
根据第五公式，计算水功率破岩能量当量Ew，其中，所述第五公式为:
Figure FDA0003995511540000021
其中，Pj为射流水功率，Pμ为循环压耗，Ph为立柱压力，ρd为钻井液密度，Q为泵的排量，A0为喷嘴出口截面积，m、a为同钻具结构和钻井液性能相关的常数，D为井深。
6.根据权利要求1所述的方法，其特征在于，所述输入参数还包括钻压破岩能量当量Ee和/或扭矩破岩能量当量Er。
7.根据权利要求1所述的方法，其特征在于，所述BP神经网络中隐匿层个数为6，学习率为0.90。
8.一种基于人工智能的随钻岩石矿物组分识别装置，其特征在于，包括：
参数获取模块，用于获取输入参数的参数值，所述输入参数包括随钻工程参数；
结果输出模块，用于将所述输入参数的参数值作为BP神经网络的输入，获得所述BP神经网络输出的随钻岩石矿物组分识别结果，其中，所述BP神经网络是以输入参数的不同参数值及其对应的随钻岩石矿物组分识别结果为样本集，经过深度学习训练建立的；
所述输入参数还包括总破岩能量当量，相应的，所述参数获取模块，包括：
第一获取单元，用于获取钻压破岩能量当量Ee，扭矩破岩能量当量Er，水功率破岩能量当量Ew；
第一计算单元，用于根据第一公式，计算总破岩能量当量Ep，其中，所述第一公式为：Ep＝K1Ee+K2Er+Ew；
其中，K9、K2分别为钻压和扭矩所做的功对岩石的破碎效率。
9.根据权利要求8所述的装置，其特征在于，所述随钻工程参数包括井深、钻压、转速、机械钻速、以及扭矩。
10.根据权利要求8所述的装置，其特征在于，
所述第一获取单元，具体用于获取在钻压为Te的条件下，钻头从时刻t9到时刻t2的起始位置H9和结束位置H2；
所述第一获取单元，还具体用于根据第三公式，计算所述钻压破岩能量当量Ee，其中，所述第三公式为：
Ee＝TeVpΔt；其中，
Figure FDA0003995511540000031
其中，ΔH＝H2-H9，Δt＝t2-t9。
11.根据权利要求10所述的装置，其特征在于，
所述第一获取单元，还具体用于根据第四公式，计算扭矩破岩能量当量Er，其中，所述第四公式为：Er＝MNrΔt；
其中，M为作用于钻头的扭矩，Nr为钻头转速。
12.根据权利要求10所述的装置，其特征在于，
所述第一获取单元，还具体用于根据第五公式，计算水功率破岩能量当量Ew，其中，所述第五公式为:
Figure FDA0003995511540000032
其中，Pj为射流水功率，Pμ为循环压耗，Ph为立柱压力，ρd为钻井液密度，Q为泵的排量，A0为喷嘴出口截面积，m、a为同钻具结构和钻井液性能相关的常数，D为井深。
13.根据权利要求8所述的装置，其特征在于，所述输入参数还包括钻压破岩能量当量Ee和/或扭矩破岩能量当量Er。
14.根据权利要求8所述的装置，其特征在于，所述BP神经网络中隐匿层个数为6，学习率为0.90。
CN201811132812.6A 2018-09-27 2018-09-27 基于人工智能的随钻岩石矿物组分识别方法及装置 Active CN110965991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811132812.6A CN110965991B (zh) 2018-09-27 2018-09-27 基于人工智能的随钻岩石矿物组分识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811132812.6A CN110965991B (zh) 2018-09-27 2018-09-27 基于人工智能的随钻岩石矿物组分识别方法及装置

Publications (2)

Publication Number Publication Date
CN110965991A CN110965991A (zh) 2020-04-07
CN110965991B true CN110965991B (zh) 2023-02-24

Family

ID=70026948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811132812.6A Active CN110965991B (zh) 2018-09-27 2018-09-27 基于人工智能的随钻岩石矿物组分识别方法及装置

Country Status (1)

Country Link
CN (1) CN110965991B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967576B (zh) * 2020-07-22 2022-09-02 长春工程学院 一种基于深度学习的地球化学数据处理方法和系统
US11719092B2 (en) 2020-10-13 2023-08-08 Saudi Arabian Oil Company Systems and methods for drilling a wellbore using taggant analysis
US11237295B1 (en) 2020-10-13 2022-02-01 Saudi Arabian Oil Company Method for intelligent automatic rock fragments depth determination while drilling
CN112597826A (zh) * 2020-12-08 2021-04-02 核工业北京地质研究院 一种对高光谱sasi数据进行岩性分类的方法
CN113609753A (zh) * 2021-07-05 2021-11-05 金华电力设计院有限公司 一种锚杆钻机装备的岩层实时感知方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424919B1 (en) * 2000-06-26 2002-07-23 Smith International, Inc. Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network, and methods for training the artificial neural network
CN104318109A (zh) * 2014-10-29 2015-01-28 中国石油集团川庆钻探工程有限公司 基于支持向量机的页岩气储层识别方法
CN104412130A (zh) * 2012-04-05 2015-03-11 普拉德研究及开发股份有限公司 使用标准化的差分数据的地层成分评价
CN104453875A (zh) * 2014-10-29 2015-03-25 中国石油集团川庆钻探工程有限公司 基于自组织竞争神经网络的页岩气储层识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424919B1 (en) * 2000-06-26 2002-07-23 Smith International, Inc. Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network, and methods for training the artificial neural network
CN104412130A (zh) * 2012-04-05 2015-03-11 普拉德研究及开发股份有限公司 使用标准化的差分数据的地层成分评价
CN104318109A (zh) * 2014-10-29 2015-01-28 中国石油集团川庆钻探工程有限公司 基于支持向量机的页岩气储层识别方法
CN104453875A (zh) * 2014-10-29 2015-03-25 中国石油集团川庆钻探工程有限公司 基于自组织竞争神经网络的页岩气储层识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钻井岩性实时识别方法研究;张辉等;《石油钻采工艺》;20050228;第27卷(第01期);第13-15、80页 *

Also Published As

Publication number Publication date
CN110965991A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN110965991B (zh) 基于人工智能的随钻岩石矿物组分识别方法及装置
Al-AbdulJabbar et al. A robust rate of penetration model for carbonate formation
Elkatatny New approach to optimize the rate of penetration using artificial neural network
Soares et al. Real-time predictive capabilities of analytical and machine learning rate of penetration (ROP) models
CA2684276C (en) Methods and systems for designing and/or selecting drilling equipment using predictions of rotary drill bit walk
CN110397402B (zh) 钻井方法及装置
RU2679151C1 (ru) Способы и системы моделирования усовершенствованной трехмерной компоновки низа бурильной колонны
Hankins et al. An integrated approach for drilling optimization using advanced drilling optimizer
Mohan et al. Comprehensive hydromechanical specific energy calculation for drilling efficiency
Tian et al. Working mechanism and rock-breaking characteristics of coring drill bit
Minghui et al. Theories and applications of pulsed-jet drilling with mechanical specific energy
Hareland et al. Calculating unconfined rock strength from drilling data
Akin et al. Estimating drilling parameters for diamond bit drilling operations using artificial neural networks
RU2564423C2 (ru) Система и способ моделирования взаимодействия расширителя и долота
Etesami et al. A semiempirical model for rate of penetration with application to an offshore gas field
CN110671095B (zh) 一种地质地层压力智能随钻软测量方法
CN109555515A (zh) 地层坍塌压力确定方法和装置
Vivas et al. Real-Time Model for Thermal Conductivity Prediction in Geothermal Wells Using Surface Drilling Data: A Machine Learning Approach
Deng et al. Bit optimization method for rotary impact drilling based on specific energy model
Zhang et al. Combining machine learning and classic drilling theories to improve rate of penetration prediction
Mohammadi Behboud et al. Studying empirical correlation between drilling specific energy and geo-mechanical parameters in an oil field in SW Iran
US11262282B2 (en) Analyzing drilling fluid rheology at a drilling site
De Moura et al. Physics-Based Rate of the Penetration Prediction Model for Fixed Cutter Drill Bits
US10302814B2 (en) Mechanisms-based fracture model for geomaterials
US20160123141A1 (en) Reservoir hydrocarbon calculations from surface hydrocarbon compositions

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