CN111176113A - 一种基于长短时记忆神经网络的钻具受力优化控制方法 - Google Patents
一种基于长短时记忆神经网络的钻具受力优化控制方法 Download PDFInfo
- Publication number
- CN111176113A CN111176113A CN201911412233.1A CN201911412233A CN111176113A CN 111176113 A CN111176113 A CN 111176113A CN 201911412233 A CN201911412233 A CN 201911412233A CN 111176113 A CN111176113 A CN 111176113A
- Authority
- CN
- China
- Prior art keywords
- drilling
- time
- drilling tool
- stress
- gate
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Earth Drilling (AREA)
Abstract
本发明涉及地下工程及塌方抢险救援领域,具体公开了一种基于长短时记忆神经网络的钻具受力优化控制方法,以长短时记忆神经网络代替人工实现了自动根据监测数据判断钻机所处状态,并实时提出优化方案;现场试验前利用离散元方法进行数值模拟,避免了现场试验地质情况复杂、试验成本高、数据分析困难的缺点;建模过程中采用控制变量的方法分析单一变量对钻具受力的影响,更准确的总结该状况下的钻具曲线变化特征;本发明能够用于钻机钻进的全周期中,当现场曲线的发展趋势与标准线偏差较大时,自动判断选择优化方案,使得外钻筒扭矩曲线的变化朝着制定的目标发展,在充分发挥大口径钻机的救援效率同时,同时避免“卡钻”问题的发生,使得救援过程流畅。
Description
技术领域
本发明涉及地下工程及塌方抢险救援领域,尤其涉及一种基于长短时记忆神经网络的钻具受力优化控制方法。
背景技术
随着国家经济的快速发展,地下工程(如公路隧道、铁路隧道、城市地铁等)以其不占用土地资源的巨大优势,在我国的应用越来越广泛。由于隧道地下作业存在不确定性,塌方灾害常有发生。一旦发生塌方,开展受困于隧道内人员的快速营救是救险工作的首要任务。
大口径钻机救援法是较为先进的机械救援方法,此方法利用钻机穿透塌方体,抽出钻具内管后形成逃生通道。相比传统的坍方救援方法(小导坑法、侧壁导坑法)具有成孔快速、安全,且对周围塌方体扰动小的优点。但由于目前使用经验不足,救援过程中出现的钻机“卡钻”问题影响了逃生通道的打通,甚至造成救援失败。目前避免该问题发生主要通过人工观察钻机数据监测系统监测到的钻具各部分受力曲线凭经验推断可能遇到问题,进行受力优化控制的方法,但此方法具有准确率低且决策时间长,给钻具钻进方法调整带来滞后性的缺点。
长短时记忆神经网络(Long short-term memory neural network,LSTM)是机器学习中的一种模型,尤其擅长处理时间序列数据;LSTM通过程序和算法自动学习并进行优化,同时,需要一定数量的样本数据来构建过往经验“知识”。
因此,如能提供一种基于长短时记忆神经网络的钻具受力优化控制方法,则可为科学优化钻具使用方法提供指导,有效避免卡钻问题的发生。
发明内容
有鉴于此,本发明的目的在于提供一种基于长短时记忆神经网络的钻具受力优化控制方法,可为科学优化钻具使用方法提供指导,有效避免卡钻问题的发生。
本发明提供了一种基于长短时记忆神经网络的钻具受力优化控制方法,包括以下步骤:
步骤一,制定一条外钻筒钻进过程所受扭矩的标准线;
步骤二,采用离散元方法对钻具钻进不同塌方体进行数值模拟,对比标准线得到异常情况下钻具受力曲线的特征并对应提出优化方案,优化方案包括保持现状、提升速度、降低速度、采用螺旋钻头+外钻筒钻进、采用DTH潜孔锤+外钻简钻进及采用DTH潜孔锤伸缩钻头+外钻简钻进;
步骤三,根据现场试验中大口径钻机自带的数据采集系统监测曲线的特征选择解决方案,通过观察曲线变化对优化方案进行验证;
步骤四,构建基于LSTM的优化控制模型,处理数值模拟和现场试验所得数据并作为样本对优化控制模型进行训练;
步骤五,将救援过程中钻机数据采集系统监测的数据输入优化控制模型,实时输出对应的优化方案。
进一步,所述的步骤一中,外钻筒钻进过程所受扭矩的标准线为:
其中,M为外钻筒钻进过程所受的标准扭矩值,Mmax为钻机所提供的最大扭矩值,M1为保留动力值,Xa为钻进的目标位移值,X为实际钻进位移值。
进一步,所述的步骤二中,数值模拟过程中采用控制变量法对塌方体和钻具进行建模并输出钻具的各部分的受力曲线;受力曲线包括外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻进速度,变量为塌方体类型、钻头类型、钻进速度;根据曲线结果总结各种工况下钻具的受力曲线特征,并提出优化方案使得曲线按标准线发展。
进一步,所述的步骤三中,通过钻机自带的MWD数据采集监测系统对外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻具的钻进速度进行监测。
进一步,所述的步骤四中,基于LSTM的优化控制模型包括输入层、隐藏层和输出层;输入层的输入特征分别为外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻进速度,输出层输出优化方案;隐藏层加入了门结构,即输入门、遗忘门和输出门,遗忘门和输入门控制单元状态C,遗忘门决定上一时刻的单元状态Ct-1有多少保留到当前时刻的单元状态Ct,输入门决定了当前时刻的输入Xt有多少保存到当前时刻的单元状态Ct,输出门控制单元状态Ct有多少输出到当前时刻的输出ht。
进一步,所述的步骤四中,优化控制模型训练过程包括如下步骤:
步骤4.1:计算输入门的值it:
it=σ(WxiXt+Whiht-1+WciCt-1+bi);
其中,Xt为当前时刻的输入,ht-1为上一时刻的输出,Ct-1为上一时刻的单元状态,Wi为输入门的权重矩阵,bi为输入门的偏置项,σ为sigmoid激活函数;
步骤4.2:计算遗忘门的值ft:
ft=σ(WxfXt+Whfht-1+WcfCt-1+bf);
其中,Wf为遗忘门的权重矩阵,bf是遗忘门的偏置项;
步骤4.3:计算单元状态的值Ct:
Ct=ftCt-1+ittanh(WxcXt+Whcht-1+bc);
其中,Wc为单元状态的权重矩阵,bf是单元状态的偏置项,tanh是双曲正切激活函数;
步骤4.4:计算输出门的值ot:
ot=σ(WxoXt+Whoht-1+WcoCt+bo);
其中,Wo为输出门的权重矩阵,bo是输出门的偏置项;
步骤4.5:计算LSTM单元的值ht:
ht=ottanh(Ct);
步骤4.6:计算全连接层at的值:
at=ot(Whyht+by);
其中,Wy为LSTM层与全连接层的权重矩阵,by是偏置项;
步骤4.7:计算Softmax层处理后输出值;
进一步,所述的步骤五中,将在救援过程中将前一段时间的监测数据输入到训练好的优化控制模型,输出计算结果,根据结果进行受力优化控制。
与现有技术相比,本发明具有以下有益技术效果:
本发明的一种基于长短时记忆神经网络的钻具受力优化控制方法,实现了自动根据监测数据判断钻机所处状态,实时提出优化方案;现场试验前利用离散元方法进行数值模拟,避免了现场试验地质情况复杂、试验成本高、数据分析困难的缺点;建模过程中采用控制变量的方法分析单一变量对钻具受力的影响,更准确的总结该状况下的钻具曲线变化特征;本发明能够用于钻机钻进的全周期中,当现场曲线的发展趋势与标准线偏差较大时,自动判断选择优化方案,使得外钻筒扭矩曲线的变化朝着制定的目标发展,在充分发挥大口径钻机的救援效率同时,同时避免“卡钻”问题的发生,使得救援过程流畅。
附图说明
图1为本发明工作流程图;
图2为本发明外钻筒扭矩标准线图;
图3为本发明长短时记忆神经网络结构图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1至图3所示:本实施例提供了一种基于长短时记忆神经网络的钻具受力优化控制方法,包括以下步骤:
步骤一,制定一条外钻筒钻进过程所受扭矩的标准线;
步骤二,采用离散元方法对钻具钻进不同塌方体进行数值模拟,对比标准线得到异常情况下钻具受力曲线的特征并对应提出优化方案,优化方案包括保持现状、提升速度、降低速度、采用螺旋钻头+外钻筒钻进、采用DTH潜孔锤+外钻简钻进及采用DTH潜孔锤伸缩钻头+外钻简钻进(“+”表示二者相结合);
步骤三,根据现场试验中大口径钻机自带的数据采集系统监测曲线的特征选择解决方案,通过观察曲线变化对优化方案进行验证;
步骤四,构建基于LSTM的优化控制模型,处理数值模拟和现场试验所得数据并作为样本对优化控制模型进行训练;
步骤五,将救援过程中钻机数据采集系统监测的数据输入优化控制模型,实时输出对应的优化方案。
所述的步骤一中,将钻机钻进过程发生的“卡钻”事故转化为外钻筒钻动所需的扭矩大于钻机提供的最大扭矩,所以需要结合钻进的目标位移Xa和钻机所提供的最大扭矩Mmax制定一条外钻筒扭矩的标准线,如图1所示;理想状态下,扭矩与钻进位移呈正比,即在钻进到目标位移时,外钻筒所受扭矩达到钻机所提供的最大扭矩,但实际中,外钻筒所受扭矩是不断波动的,为避免在达到目标位移之前卡钻,需要保留一定的动力M1,那么钻进位移为X时的标准扭矩值M为,外钻筒钻进过程所受扭矩的标准线为:
其中,M为外钻筒钻进过程所受的标准扭矩值,Mmax为钻机所提供的最大扭矩值,M1为保留动力值,Xa为钻进的目标位移值,X为实际钻进位移值。
所述的步骤二中,数值模拟过程中采用控制变量法对塌方体和钻具进行建模并输出钻具的各部分的受力曲线;受力曲线包括外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻进速度,变量为塌方体类型、钻头类型、钻进速度;根据曲线结果总结各种工况下钻具的受力曲线特征,并提出优化方案使得曲线按标准线发展。
具体而言,当钻具受力曲线按标准线发展时,采用保持现状的优化方案;当钻具钻进塌方体较为松散的部分(或者空腔)时,外钻简扭矩增加的速率会显著降低,为充分的利用钻机的潜能,应该采用提升速度的方案;外钻筒扭矩增长速率过快时,应根据DTH潜孔锤受力与外钻筒扭矩曲线相结合,来判断外钻筒扭矩增长过快的原因是否为钻进速度并决定选用降低速度的方案;由于隧道塌方周边士体或岩体的复杂性,大口径钻机钻进过程中应针对所遭遇到的岩体条件更换不同钻头使钻机适合各种塌方体粒径、各种复杂地质条件下隧道塌方救援:当塌方体为砂土、黄土和粘土时,采用外钻筒+螺旋钻头的钻进方案;当塌方体为碎石士(碎石粒径最大不超过60cm)时,采用DTH潜孔锤+外钻简的钻进方案;当塌方体主要为碎石(粒径超过60cm)时,采用DTH潜孔锤伸缩钻头+外钻简的钻进方案。
所述的步骤三中,通过钻机自带的MWD数据采集监测系统对外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻具的钻进速度进行监测。
所述的步骤四中,数据的类型为时间序列数据,基于LSTM的优化控制模型包括输入层、隐藏层和输出层;输入层的输入特征分别为外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻进速度,输出层输出优化方案;相对传统循环神经网络的隐藏层,长短时记忆循环神经网络的隐藏层加入了门结构,即输入门、遗忘门和输出门,遗忘门和输入门控制单元状态C,遗忘门决定上一时刻的单元状态Ct-1有多少保留到当前时刻的单元状态Ct,输入门决定了当前时刻的输入Xt有多少保存到当前时刻的单元状态Ct,输出门控制单元状态Ct有多少输出到当前时刻的输出ht。门结构使得神经网络可以有选择性地控制输入信息进入单元状态,这样在有效防止梯度消失或爆炸的同时,也使单元状态存储的记忆更加精确。
所述的步骤四中,优化控制模型训练过程(即长短时记忆循环神经网络优化更新)包括如下步骤:
步骤4.1:计算输入门的值it:
it=σ(WxiXt+Whiht-1+WciCt-1+bi);
其中,Xt为当前时刻的输入,ht-1为上一时刻的输出,Ct-1为上一时刻的单元状态,Wi为输入门的权重矩阵,bi为输入门的偏置项,σ为sigmoid激活函数;
步骤4.2:计算遗忘门的值ft:
ft=σ(WxfXt+Whfht-1+WcfCt-1+bf);
其中,Wf为遗忘门的权重矩阵,bf是遗忘门的偏置项;
步骤4.3:计算单元状态的值Ct:
Ct=ftCt-1+ittanh(WxcXt+Whcht-1+bc);
其中,Wc为单元状态的权重矩阵,bf是单元状态的偏置项,tanh是双曲正切激活函数;
步骤4.4:计算输出门的值ot:
ot=σ(WxoXt+Whoht-1+WcoCt+bo);
其中,Wo为输出门的权重矩阵,bo是输出门的偏置项;
步骤4.5:计算LSTM单元的值ht:
ht=ottanh(Ct);
步骤4.6:计算全连接层at的值:
at=ot(Whyht+by);
其中,Wy为LSTM层与全连接层的权重矩阵,by是偏置项;
步骤4.7:计算Softmax层处理后输出值;
所述的步骤五中,将在救援过程中将前一段时间的监测数据输入到训练好的优化控制模型,输出计算结果,根据结果进行受力优化控制。
由此可见,本控制方法以长短时记忆神经网络代替人工实现了自动根据监测数据判断钻机所处状态,并实时提出优化方案;现场试验前利用离散元方法进行数值模拟,避免了现场试验地质情况复杂、试验成本高、数据分析困难的缺点。建模过程中采用控制变量的方法分析单一变量对钻具受力的影响,更准确的总结该状况下的钻具曲线变化特征;本方法能够用于钻机钻进的全周期中,当现场曲线的发展趋势与标准线偏差较大时,自动判断选择优化方案,使得外钻筒扭矩曲线的变化朝着制定的目标发展,在充分发挥大口径钻机的救援效率同时,同时避免“卡钻”问题的发生,使得救援过程流畅。
最后说明的是,本文应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想,在不脱离本发明原理的情况下,还可对本发明进行若干改进和修饰,这些改进和修饰也落入本发明的保护范围内。
Claims (7)
1.一种基于长短时记忆神经网络的钻具受力优化控制方法,其特征在于,包括以下步骤:
步骤一,制定一条外钻筒钻进过程所受扭矩的标准线;
步骤二,采用离散元方法对钻具钻进不同塌方体进行数值模拟,对比标准线得到异常情况下钻具受力曲线的特征并对应提出优化方案,优化方案包括保持现状、提升速度、降低速度、采用螺旋钻头+外钻筒钻进、采用DTH潜孔锤+外钻简钻进及采用DTH潜孔锤伸缩钻头+外钻简钻进;
步骤三,根据现场试验中大口径钻机自带的数据采集系统监测曲线的特征选择解决方案,通过观察曲线变化对优化方案进行验证;
步骤四,构建基于LSTM的优化控制模型,处理数值模拟和现场试验所得数据并作为样本对优化控制模型进行训练;
步骤五,将救援过程中钻机数据采集系统监测的数据输入优化控制模型,实时输出对应的优化方案。
3.根据权利要求2所述的一种基于长短时记忆神经网络的钻具受力优化控制方法,其特征在于,所述的步骤二中,数值模拟过程中采用控制变量法对塌方体和钻具进行建模并输出钻具的各部分的受力曲线;受力曲线包括外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻进速度,变量为塌方体类型、钻头类型、钻进速度;根据曲线结果总结各种工况下钻具的受力曲线特征,并提出优化方案使得曲线按标准线发展。
4.根据权利要求3所述的一种基于长短时记忆神经网络的钻具受力优化控制方法,其特征在于,所述的步骤三中,通过钻机自带的MWD数据采集监测系统对外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻具的钻进速度进行监测。
5.根据权利要求4所述的一种基于长短时记忆神经网络的钻具受力优化控制方法,其特征在于,所述的步骤四中,基于LSTM的优化控制模型包括输入层、隐藏层和输出层;输入层的输入特征分别为外钻筒和DTH潜孔锤钻头所受的扭矩和阻力以及钻进速度,输出层输出优化方案;隐藏层加入了门结构,即输入门、遗忘门和输出门,遗忘门和输入门控制单元状态C,遗忘门决定上一时刻的单元状态Ct-1有多少保留到当前时刻的单元状态Ct,输入门决定了当前时刻的输入Xt有多少保存到当前时刻的单元状态Ct,输出门控制单元状态Ct有多少输出到当前时刻的输出ht。
6.根据权利要求5所述的一种基于长短时记忆神经网络的钻具受力优化控制方法,其特征在于,所述的步骤四中,优化控制模型训练过程包括如下步骤:
步骤4.1:计算输入门的值it:
it=σ(WxiXt+Whiht-1+WciCt-1+bi);
其中,Xt为当前时刻的输入,ht-1为上一时刻的输出,Ct-1为上一时刻的单元状态,Wi为输入门的权重矩阵,bi为输入门的偏置项,σ为sigmoid激活函数;
步骤4.2:计算遗忘门的值ft:
ft=σ(WxfXt+Whfht-1+WcfCt-1+bf);
其中,Wf为遗忘门的权重矩阵,bf是遗忘门的偏置项;
步骤4.3:计算单元状态的值Ct:
Ct=ftCt-1+ittanh(WxcXt+Whcht-1+bc);
其中,Wc为单元状态的权重矩阵,bf是单元状态的偏置项,tanh是双曲正切激活函数;
步骤4.4:计算输出门的值Ot:
ot=σ(WxoXt+Whoht-1+WcoCt+bo);
其中,Wo为输出门的权重矩阵,bo是输出门的偏置项;
步骤4.5:计算LSTM单元的值ht:
ht=ottanh(Ct);
步骤4.6:计算全连接层at的值:
at=ot(Whyht+by);
其中,Wy为LSTM层与全连接层的权重矩阵,by是偏置项;
步骤4.7:计算Softmax层处理后输出值;
7.根据权利要求6所述的一种基于长短时记忆神经网络的钻具受力优化控制方法,其特征在于,所述的步骤五中,将在救援过程中将前一段时间的监测数据输入到训练好的优化控制模型,输出计算结果,根据结果进行受力优化控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911412233.1A CN111176113B (zh) | 2019-12-31 | 2019-12-31 | 一种基于长短时记忆神经网络的钻具受力优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911412233.1A CN111176113B (zh) | 2019-12-31 | 2019-12-31 | 一种基于长短时记忆神经网络的钻具受力优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111176113A true CN111176113A (zh) | 2020-05-19 |
CN111176113B CN111176113B (zh) | 2022-11-22 |
Family
ID=70649056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911412233.1A Active CN111176113B (zh) | 2019-12-31 | 2019-12-31 | 一种基于长短时记忆神经网络的钻具受力优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111176113B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001420A (zh) * | 2020-07-24 | 2020-11-27 | 武汉安视感知科技有限公司 | 一种矿井工人钻杆智能计时计数方法、设备及存储设备 |
CN115929193A (zh) * | 2022-10-21 | 2023-04-07 | 徐州徐工基础工程机械有限公司 | 一种复合电源电动旋挖钻机及其动力头多模式控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040256152A1 (en) * | 2003-03-31 | 2004-12-23 | Baker Hughes Incorporated | Real-time drilling optimization based on MWD dynamic measurements |
CN106837295A (zh) * | 2017-01-25 | 2017-06-13 | 河南理工大学 | 智能化安全高效钻进自动控制系统及控制方法 |
US20190147125A1 (en) * | 2017-11-15 | 2019-05-16 | Schlumberger Technology Corporation | Field Operations System |
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 |
CN110110740A (zh) * | 2019-03-26 | 2019-08-09 | 中国地质大学(武汉) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 |
CN110222387A (zh) * | 2019-05-24 | 2019-09-10 | 北京化工大学 | 基于混合漏积分crj网络的多元钻井时间序列预测方法 |
CN110500034A (zh) * | 2019-08-30 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法 |
-
2019
- 2019-12-31 CN CN201911412233.1A patent/CN111176113B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040256152A1 (en) * | 2003-03-31 | 2004-12-23 | Baker Hughes Incorporated | Real-time drilling optimization based on MWD dynamic measurements |
CN106837295A (zh) * | 2017-01-25 | 2017-06-13 | 河南理工大学 | 智能化安全高效钻进自动控制系统及控制方法 |
US20190147125A1 (en) * | 2017-11-15 | 2019-05-16 | Schlumberger Technology Corporation | Field Operations System |
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 |
CN110110740A (zh) * | 2019-03-26 | 2019-08-09 | 中国地质大学(武汉) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 |
CN110222387A (zh) * | 2019-05-24 | 2019-09-10 | 北京化工大学 | 基于混合漏积分crj网络的多元钻井时间序列预测方法 |
CN110500034A (zh) * | 2019-08-30 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法 |
Non-Patent Citations (3)
Title |
---|
JIAHANG HAN等: "A Data Driven Approach of ROP Prediction and Drilling Performance Estimation", 《INTERNATIONAL PETROLEUM TECHNOLOGY CONFERENCE》 * |
张晓景: "大口径钻机在隧道塌方体中钻进的力学性能及优化控制研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
陶宇龙等: "时间序列建模在卡钻类别判断中的应用研究", 《现代电子技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001420A (zh) * | 2020-07-24 | 2020-11-27 | 武汉安视感知科技有限公司 | 一种矿井工人钻杆智能计时计数方法、设备及存储设备 |
CN112001420B (zh) * | 2020-07-24 | 2022-09-09 | 武汉安视感知科技有限公司 | 一种矿井工人钻杆智能计时计数方法、设备及存储设备 |
CN115929193A (zh) * | 2022-10-21 | 2023-04-07 | 徐州徐工基础工程机械有限公司 | 一种复合电源电动旋挖钻机及其动力头多模式控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111176113B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110805469B (zh) | 山岭隧道钻爆法施工掌子面稳定性分级方法 | |
CN111176113B (zh) | 一种基于长短时记忆神经网络的钻具受力优化控制方法 | |
CN110671095B (zh) | 一种地质地层压力智能随钻软测量方法 | |
CN115238861B (zh) | 一种基于井壁垮塌程度约束的安全钻井液密度确定方法 | |
CN112765791B (zh) | 一种基于数值样本和随机森林的tbm卡机风险预测方法 | |
CN112664174B (zh) | 一种基于多钻孔的隧道围岩等级判定方法及系统 | |
CN113298220B (zh) | 一种基于神经网络优化的盾构机掘进速度预测方法 | |
CN106050216A (zh) | 一种提高滑动钻进效率的顶驱扭摆减阻方法及装置 | |
CN112926267B (zh) | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 | |
CN113361043B (zh) | 一种硬岩隧道掘进机刀盘比能的预测方法及系统 | |
CN112502613B (zh) | 一种钻井方法及装置 | |
CN111622752A (zh) | 一种三维井筒系统的提速评价方法 | |
Liu et al. | A reinforcement learning based 3d guided drilling method: Beyond ground control | |
Mokhtari et al. | Feasibility study of EPB shield automation using deep learning | |
CN114086887A (zh) | 一种基于人工智能的待钻井眼轨道井下规划方法 | |
Torno et al. | Mathematical and fuzzy logic models in prediction of geological and geomechanical properties of rock mass by excavation data on underground works | |
Zhou et al. | Prediction of ROP and MPV Based on Support Vector Regression Method | |
Niu et al. | An intelligent prediction method of the karst curtain grouting volume based on support vector machine | |
CN113282990A (zh) | 一种盾构运动轨迹的智能化实时确定方法、终端和介质 | |
Mobarra et al. | Application of artificial neural networks to the prediction of TBM penetration rate in TBM-driven golab water transfer tunnel | |
Yu-wei et al. | Intelligent recognition of tunnel stratum based on advanced drilling tests | |
CN116975623B (zh) | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 | |
CN116484716B (zh) | 基于钻进参数的掌子面围岩初始地应力解析方法及系统 | |
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 | |
You et al. | Stratigraphic identification using real-time drilling 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |