CN111144053A - 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 - Google Patents
一种基于遗传算法优化的钻进过程造斜率预测方法及系统 Download PDFInfo
- Publication number
- CN111144053A CN111144053A CN201911319688.9A CN201911319688A CN111144053A CN 111144053 A CN111144053 A CN 111144053A CN 201911319688 A CN201911319688 A CN 201911319688A CN 111144053 A CN111144053 A CN 111144053A
- Authority
- CN
- China
- Prior art keywords
- data
- build
- rate
- network
- build rate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000005553 drilling Methods 0.000 title claims abstract description 60
- 230000008569 process Effects 0.000 title claims abstract description 43
- 230000002068 genetic effect Effects 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005452 bending Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005755 formation reaction Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了一种基于遗传算法优化的钻进过程造斜率预测方法及系统,该方法及系统,分为以下几项处理步骤:1、获取数据;2、Pearson相关性系数分析处理;3、归一化处理;4、采用遗传算法优化BP神经网络算法去搭建整体数据的预测模型。本发明所提的方法及系统克服了以前造斜率预测方法中许多的局限性,并且采用遗传算法优化的BP神经网络算法,提高了预测精度,提供了一种地质勘探三维地质场参智能计算方法,为钻进过程轨迹控制打下基础。
Description
技术领域
本发明涉及能源与预测领域,具体为一种基于遗传算法,来优化BP神经网络算法的钻进过程造斜率预测方法及系统。
背景技术
在定向井钻井过程中,为了实现安全,高效的钻进,对于钻井的轨迹一般都要实现智能控制,实现井眼轨迹控制的关键在于对钻具组合的造斜率控制。根据国内外钻井经验可知,钻具组合的造斜率主要与两方面的因素有关:
一、是钻具组合的力学特性,例如钻头侧向力、钻头偏转角、钻头合力等的影响;
二、是井眼状况特性,包括前一井段的造斜率和待钻井段的初始井斜角等。多个变量的共同作用决定了井底钻具组合在待钻井眼的实际造斜率。
在长水平段水平井的钻井过程中,为了保证井眼轨迹的光滑,在钻进过程中就要尽可能的复合钻进,因为如果进行滑动钻进调整井斜或者方位,全角变化率就会比较大。进行复合钻进的前提就是准确的预测底部钻具组合的造斜率。
并且随着钻井正朝着自动化、智能化的方向发展,众所周知,如果能够很好的进行钻井轨迹控制,就能够提高钻井效率和精度,而造斜率是衡量钻具组合进行钻进过程中造斜能力的重要指标,因此能够构建一个科学高效的造斜率预测方法对于提高组合钻具智能化钻进具有非常重要的实践意义。
造斜率,也称为造斜强度,是指单位造斜钻进进尺(度/米、度/10米、度/100米)中形成的钻孔全弯曲角度,如果造斜钻进形成的钻孔全弯曲角度均在铅锤面上,则为顶角造斜率;若造斜钻进形成的钻孔全弯曲角度均在水平面上,则为方位角造斜率。
往往造斜钻进形成的钻孔全弯曲角度处于倾斜面上。在钻井的实际过程中,造斜率的预测收到诸多可控及不可控因素的耦合影响,非常复杂,难以精确预测,并且受到BHA类型,BHA结构参数,已钻井眼几何参数,钻进参数,地层参数和钻头参数等诸多因素的影响,导致其预测具有一定的复杂性、随机性和非线性,难以用数学或者物理模型来进行描述。
发明内容
本发明要解决的技术问题在于,针对现有技术无法对造斜率进行全方位预测的缺陷,提供一种基于遗传算法优化的钻进过程造斜率预测方法及系统。
本发明解决其技术问题所采用的技术方案是:构造一种基于遗传算法优化的钻进过程造斜率预测方法,包括以下步骤:
S1、获取若干个在钻进过程中影响造斜率因素的数据;
S2、在基于步骤S1获取的所述影响造斜率因素的数据基础上,采用Pearson相关性系数进行分析,进一步从所述影响造斜率因素的数据中,去除相关性系数较小的数据,得到初始数据集;
S3、在步骤S2的基础上,对所述初始数据集进行归一化处理,得到归一化数据集;
S4、将所述归一化数据集作为整体数据,输入到BP神经网络,进行造斜率预测网络模型的搭建;其中,在进行网络搭建的过程中,采用遗传算法进行网络优化;
S5、采用步骤S4中搭建好的造斜率预测模型,进行造斜率的预测。
本发明所述的一种基于遗传算法优化的钻进过程造斜率预测系统,包括以下模块:
数据获取模块,用于获取若干个在钻进过程中影响造斜率的因素;
相关性分析模块,用于在基于数据获取模块获取的所述影响造斜率因素的数据基础上,采用Pearson相关性系数进行分析,进一步从所述影响造斜率因素的数据中,去除相关性系数较小的数据,得到初始数据集;
归一化处理模块,用于在相关性分析模块的基础上,对所述初始数据集进行归一化处理,得到归一化数据集;
网络搭建模块,用于将所述归一化数据集作为整体数据,输入到BP神经网络,进行造斜率预测网络模型的搭建;其中,在进行网络搭建的过程中,采用遗传算法进行网络优化;
造斜率预测模块,用于采用网络搭建模块中搭建好的造斜率预测模型,进行造斜率的预测。
实施本发明的一种基于遗传算法优化的钻进过程造斜率预测方法及系统,具有以下有益效果:
1、本发明只是考虑了五个因素,在不考虑转向工具结构和原理的情况下,能够适用于各种地层不同的钻进过程;
2、本发明提出的预测造斜率流程,是之前别人没有提出过;且本发明采用GA-BP网络,能够拟合造斜率与多输入影响因素之间地复杂非线性耦合关系,较好的预测造斜率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明基于遗传算法优化BP神经网络算法的钻进过程造斜率预测方法流程示意图;
图2是本发明遗传算法优化的BP神经网络算法的流程示意图;
图3是本发明基于遗传算法优化BP神经网络算法的钻进过程造斜率预测系统的结构示意图。
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,现对照附图详细说明本发明的具体实施方式。
本发明提供一种技术方案:一种基于遗传算法优化的BP神经网络算法的钻进过程造斜率预测方法,能够有效预测造斜率,为地质钻进智能化控制提供基础。
请参考图1,本发明提供的本发明基于遗传算法优化BP神经网络算法的钻进过程造斜率预测方法流程示意图,其包括以下步骤:
步骤一:获取钻进过程中钻头侧向力、钻头偏转角、钻头合力角、已钻井眼造斜率和待钻井段的初始井斜角五个因素。
步骤二:在步骤一获取的数据的基础上,采用Pearson相关性系数分析,获得与造斜率相关性较大的四个因素;其中:
构建包括造斜率数据的训练集,将从步骤一中获取到的钻头侧向力、钻头偏转角、钻头合力角、已钻井眼造斜率和待钻井段的初始井斜角五个因素,与训练集的造斜率做Pearson相关性系数分析,其中,Pearson相关性系数分析的数学计算公式为:
通过上述计算公式,进一步从所述影响造斜率因素的数据中,去除相关性系数较小的因素;其中,xi、yi分别表示取到的第i个表征的两个不同的特征变量,N表示取到的样本数量。
步骤三:在步骤二的基础上,对确定的因素进行归一化处理,准备用于模型搭建。对确定的因素进行归一化处理进行归一化处理具体为:
将每个与造斜率具有相关性联系的因素映射到[0,1]区间上;其中,归一化处理的数学公式为:
xi表示获取到的第i个数据;xmin、xmax分别表示从获取到的所有数据里面,取其中最小、最大的数据;x'i表示归一化后得到的数据。
步骤四:采用遗传算法优化BP神经网络算法去搭建整体数据的预测模型。
请参考图2,本发明提供的遗传算法优化BP神经网络算法流程示意图,输入为训练集和学习率,输出为训练后网络参数确定地BP神经网络模型,该模型主要步骤为:
步骤1:初始化
(1)网络各层神经元个数,连接权和阈值;
(2)个体编码与种群初始化,编码长度计算如式:
s=m×n+n×n+n×l+l;
m,n,l分别为输入层、隐含层和输出层神经元的节点数。
(3)迭代误差精度和最大迭代次数。
步骤2:计算适应度函数;
步骤3:选择操作,操作方式如式:
其中pk表示被选择的概率,f(xk)表示任一个个体xk的适应度值;
步骤4:交叉操作,作用于算数交叉子,操作方式如式:
步骤5:变异操作;
步骤6:优化结果输出,满足条件,输出最优解,否则返回步骤2;
步骤7:输出全局最优值及其位置,BP网络获取最优权值阈值。
请参考图3,其为本发明公开的基于遗传算法优化BP神经网络算法的钻进过程造斜率预测系统的结构示意图,其包括以下模块:
1、数据获取模块L1,用于获取若干个在钻进过程中影响造斜率的因素;其中,所述若干个在钻进过程中影响造斜率的因素包括钻头侧向力、钻头偏转角、钻头合力角、已钻井眼造斜率和待钻井段的初始井斜角;
所述已钻井眼造斜率及待钻井段的初始井斜角的数据是基于现场环境测量所得;
所述钻头侧向力、钻头偏转角及钻头合力角是通过连续梁法或者有限元方法计算出来的现场数据。
2、相关性分析模块L2,用于在基于数据获取模块获取的所述影响造斜率因素的数据基础上,采用Pearson相关性系数进行分析,进一步从所述影响造斜率因素的数据中,去除相关性系数较小的数据,得到初始数据集;其中:
相关性分析模块L2中,进行相关性分析的过程包括:
构建包括造斜率数据的训练集;
将从数据获取模块L1中获取到的若干个影响造斜率因素的数据,与训练集的造斜率做Pearson相关性系数分析,其中,Pearson相关性系数分析的数学计算公式为:
通过上述计算公式,进一步去除相关性系数较小的因素。
3、归一化处理模块L3,用于在相关性分析模块的基础上,对所述得到的若干个与造斜率具有相关性联系的因素进行归一化处理;
4、网络搭建模块L4,用于将归一化处理后的数据作为整体数据,输入到BP神经网络,进行造斜率预测网络模型的搭建;其中,在进行网络搭建的过程中,采用遗传算法进行网络优化;其中:
网络搭建模块L4中,将归一化处理后的数据作为整体数据,输入到BP神经网络,利用遗传算法来优化网络的权值和阈值;
其中,利用优化后的网络权值和阈值,来搭建预测模型的步骤在前面已做介绍,此部分不在做详细解释。
5、造斜率预测模块L5,用于采用网络搭建模块中搭建好的造斜率预测模型,进行造斜率的预测。
结合上述方法及系统,在钻井的实际过程中,通过物理模型来进行造斜率的预测,在考虑了诸多可控及不可控因素的耦合影响的情况下,为了实现精确预测,考虑了BHA类型、BHA结构参数、已钻井眼几何参数、钻进参数、地层参数和钻头参数等诸多因素的影响,降低了预测的复杂性、随机性和非线性、在能源与预测领域中,这也是首次结合深度学习和遗传算法来预测造斜率,在不考虑转向工具结构和原理的情况下,能够适用于各种地层不同的钻进过程,具有良好的应用前景。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种基于遗传算法优化的钻进过程造斜率预测方法,其特征在于,包括以下步骤:
S1、获取若干个在钻进过程中影响造斜率因素的数据;
S2、在基于步骤S1获取的所述影响造斜率因素的数据基础上,采用Pearson相关性系数进行分析,进一步从所述影响造斜率因素的数据中,去除相关性系数较小的数据,得到初始数据集;
S3、在步骤S2的基础上,对所述初始数据集进行归一化处理,得到归一化数据集;
S4、将所述归一化数据集作为整体数据,输入到BP神经网络,进行造斜率预测网络模型的搭建;其中,在进行网络搭建的过程中,采用遗传算法进行网络优化;
S5、采用步骤S4中搭建好的造斜率预测模型,进行造斜率的预测。
2.根据权利要求1所述的钻进过程造斜率预测方法,其特征在于,所述若干个在钻进过程中影响造斜率的因素包括钻头侧向力、钻头偏转角、钻头合力角、已钻井眼造斜率和待钻井段的初始井斜角。
3.根据权利要求2所述的钻进过程造斜率预测方法,其特征在于,所述已钻井眼造斜率及待钻井段的初始井斜角的数据是基于现场环境测量所得;
所述钻头侧向力、钻头偏转角及钻头合力角是通过连续梁法或者有限元方法计算出来的现场数据。
6.根据权利要求5所述的钻进过程造斜率预测方法,其特征在于,步骤S4中,将归一化处理后的数据作为整体数据,输入到BP神经网络,利用遗传算法来优化网络的权值和阈值;
其中,利用优化后的网络权值和阈值,来搭建预测模型的步骤为:
S41、初始化:初始化网络各层神经元个数,连接权和阈值;个体编码与种群初始化;
S42、计算适应度函数;
S43、执行选择操作、交叉操作和变异操作;
S44、优化结果输出,在输出结果满足预设的条件时,输出最优解,否则返回步骤S42;
S45、输出全局最优值及其位置,BP网络获取最优权值阈值。
7.一种基于遗传算法优化的钻进过程造斜率预测系统,其特征在于,包括以下模块:
数据获取模块,用于获取若干个在钻进过程中影响造斜率的因素;
相关性分析模块,用于在基于数据获取模块获取的所述影响造斜率因素的数据基础上,采用Pearson相关性系数进行分析,进一步从所述影响造斜率因素的数据中,去除相关性系数较小的数据,得到初始数据集;
归一化处理模块,用于在相关性分析模块的基础上,对所述初始数据集进行归一化处理,得到归一化数据集;
网络搭建模块,用于将所述归一化数据集作为整体数据,输入到BP神经网络,进行造斜率预测网络模型的搭建;其中,在进行网络搭建的过程中,采用遗传算法进行网络优化;
造斜率预测模块,用于采用网络搭建模块中搭建好的造斜率预测模型,进行造斜率的预测。
8.根据权利要求7所述的钻进过程造斜率预测系统,其特征在于,所述若干个在钻进过程中影响造斜率的因素包括钻头侧向力、钻头偏转角、钻头合力角、已钻井眼造斜率和待钻井段的初始井斜角;
所述已钻井眼造斜率及待钻井段的初始井斜角的数据是基于现场环境测量所得;
所述钻头侧向力、钻头偏转角及钻头合力角是通过连续梁法或者有限元方法计算出来的现场数据。
10.根据权利要求7所述的钻进过程造斜率预测方法,其特征在于,网络搭建模块中,将归一化处理后的数据作为整体数据,输入到BP神经网络,利用遗传算法来优化网络的权值和阈值;
其中,利用优化后的网络权值和阈值,来搭建预测模型的步骤为:
S41、初始化:初始化网络各层神经元个数,连接权和阈值;个体编码与种群初始化;
S42、计算适应度函数;
S43、执行选择操作、交叉操作和变异操作;
S44、优化结果输出,在输出结果满足预设的条件时,输出最优解,否则返回步骤S42;
S45、输出全局最优值及其位置,BP网络获取最优权值阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319688.9A CN111144053A (zh) | 2019-12-19 | 2019-12-19 | 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319688.9A CN111144053A (zh) | 2019-12-19 | 2019-12-19 | 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144053A true CN111144053A (zh) | 2020-05-12 |
Family
ID=70518925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911319688.9A Pending CN111144053A (zh) | 2019-12-19 | 2019-12-19 | 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144053A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111749675A (zh) * | 2020-05-25 | 2020-10-09 | 中国地质大学(武汉) | 一种基于级联模型算法的地层可钻性预测方法及系统 |
CN111810112A (zh) * | 2020-06-18 | 2020-10-23 | 中国地质大学(武汉) | 基于粒子滤波和模型预测控制的垂直钻进纠偏控制方法 |
CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 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 |
CN113886989A (zh) * | 2021-10-08 | 2022-01-04 | 长江大学 | 一种基于机器学习的石油钻井的参数优化方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19936146A1 (de) * | 1999-07-31 | 2001-02-01 | Abb Research Ltd | Verfahren zur Ermittlung der Schichtdickenverteilung in einer Lackschicht |
CN106639879A (zh) * | 2015-10-30 | 2017-05-10 | 中石化石油工程技术服务有限公司 | 一种底部钻具组合造斜率预测方法 |
CN106640033A (zh) * | 2015-10-30 | 2017-05-10 | 中石化石油工程技术服务有限公司 | 旋转导向工具状态监测方法 |
CN109869131A (zh) * | 2019-03-26 | 2019-06-11 | 敖江昵 | 一种定向井微复合造斜方法及装置 |
US20190345809A1 (en) * | 2018-05-10 | 2019-11-14 | Baker Hughes, A Ge Company, Llc | Earth-boring tool rate of penetration and wear prediction system and related methods |
-
2019
- 2019-12-19 CN CN201911319688.9A patent/CN111144053A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19936146A1 (de) * | 1999-07-31 | 2001-02-01 | Abb Research Ltd | Verfahren zur Ermittlung der Schichtdickenverteilung in einer Lackschicht |
CN106639879A (zh) * | 2015-10-30 | 2017-05-10 | 中石化石油工程技术服务有限公司 | 一种底部钻具组合造斜率预测方法 |
CN106640033A (zh) * | 2015-10-30 | 2017-05-10 | 中石化石油工程技术服务有限公司 | 旋转导向工具状态监测方法 |
US20190345809A1 (en) * | 2018-05-10 | 2019-11-14 | Baker Hughes, A Ge Company, Llc | Earth-boring tool rate of penetration and wear prediction system and related methods |
CN109869131A (zh) * | 2019-03-26 | 2019-06-11 | 敖江昵 | 一种定向井微复合造斜方法及装置 |
Non-Patent Citations (5)
Title |
---|
(美)杰克·J.菲利普斯(JACK J.PHILLIPS)著;李元明,林佳澍译: "《培训评估与衡量方法手册 第3版》", 31 December 2001, 人力资源开发经典译丛 * |
张红 等: "基于Kriging代理模型的造斜率预测方法研究", 《科学技术与工程》 * |
王吉亮 等著: "《基于人工智能算法与三维数值模拟的隧道围岩稳定性系统研究》", 30 November 2019, 武汉:武汉大学出版社 * |
申静波 等: "基于改进BP算法的摩阻因数预测方法研究", 《计算机技术与发展》 * |
范佳静 等: "基于GABP神经网络预测法的工程机械", 《工业技术经济》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111749675A (zh) * | 2020-05-25 | 2020-10-09 | 中国地质大学(武汉) | 一种基于级联模型算法的地层可钻性预测方法及系统 |
CN111810112A (zh) * | 2020-06-18 | 2020-10-23 | 中国地质大学(武汉) | 基于粒子滤波和模型预测控制的垂直钻进纠偏控制方法 |
CN111810112B (zh) * | 2020-06-18 | 2021-12-03 | 中国地质大学(武汉) | 基于粒子滤波和模型预测控制的垂直钻进纠偏控制方法 |
CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 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 |
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 |
CN113886989A (zh) * | 2021-10-08 | 2022-01-04 | 长江大学 | 一种基于机器学习的石油钻井的参数优化方法及系统 |
CN113886989B (zh) * | 2021-10-08 | 2024-03-29 | 长江大学 | 一种基于机器学习的石油钻井的参数优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144053A (zh) | 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 | |
Gan et al. | A new hybrid bat algorithm and its application to the ROP optimization in drilling processes | |
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 | |
CN110807557A (zh) | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 | |
CN104615862A (zh) | 基于进化算法的高含水油田确定井位的方法 | |
CN110348046B (zh) | 一种基于模糊综合评价的钻进轨迹多目标优化方法 | |
CN111980688B (zh) | 一种基于集成学习算法的井斜角度预测方法 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN111914478A (zh) | 一种综合地质钻孔测井岩性识别方法 | |
WO2021126284A1 (en) | Deep learning seismic attribute fault predictions | |
CN115059448A (zh) | 一种基于深度学习算法的地层压力监测方法 | |
Qiu et al. | A back-propagation neural network model based on genetic algorithm for prediction of build-up rate in drilling process | |
CN112069646A (zh) | 一种精确预测机械钻速的方法 | |
Chen et al. | Prediction of the rate of penetration in offshore large-scale cluster extended reach wells drilling based on machine learning and big-data techniques | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 | |
US11555397B2 (en) | Detecting wellpath tortuosity variability and controlling wellbore operations | |
Gan et al. | Multi-source information fusion-based dynamic model for online prediction of rate of penetration (ROP) in drilling process | |
CN112906760A (zh) | 一种水平井压裂段分段方法、系统、设备及存储介质 | |
CN115267927B (zh) | 一种基于蚁群-梯度串联算法的多边界幕式地质导向方法 | |
CN114856428B (zh) | 一种滑动导向钻井前馈控制方法、前馈工控机及系统 | |
CN116484717A (zh) | 一种基于机器学习与几何法融合的钻头位置预测方法 | |
CN113836812B (zh) | 一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法 | |
CN112431585B (zh) | 一种基于深度信念网络的自动送钻方法 | |
CN112360341B (zh) | 基于机器学习的滑动定向钻井工具面状态辨识方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |