CN111479982B - 具有滤波器的现场操作系统 - Google Patents

具有滤波器的现场操作系统 Download PDF

Info

Publication number
CN111479982B
CN111479982B CN201880079625.8A CN201880079625A CN111479982B CN 111479982 B CN111479982 B CN 111479982B CN 201880079625 A CN201880079625 A CN 201880079625A CN 111479982 B CN111479982 B CN 111479982B
Authority
CN
China
Prior art keywords
internal state
neural network
state vector
deep neural
equipment
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
CN201880079625.8A
Other languages
English (en)
Other versions
CN111479982A (zh
Inventor
Y·于
Q·刘
R·J·米汉
S·查姆邦
M·K·哈姆扎
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.)
Schlumberger Technology Corp
Original Assignee
Schlumberger Technology Corp
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 Schlumberger Technology Corp filed Critical Schlumberger Technology Corp
Publication of CN111479982A publication Critical patent/CN111479982A/zh
Application granted granted Critical
Publication of CN111479982B publication Critical patent/CN111479982B/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
    • E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
    • 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
    • E21B21/00—Methods or apparatus for flushing boreholes, e.g. by use of exhaust air from motor
    • E21B21/08—Controlling or monitoring pressure or flow of drilling fluid, e.g. automatic filling of boreholes, automatic control of bottom pressure
    • 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
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E21B49/003—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells by analysing drilling variables or conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2200/00—Details of seismic or acoustic prospecting or detecting in general
    • G01V2200/10—Miscellaneous details
    • G01V2200/14—Quality control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2200/00—Details of seismic or acoustic prospecting or detecting in general
    • G01V2200/10—Miscellaneous details
    • G01V2200/16—Measure-while-drilling or logging-while-drilling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/80—2D [Two Dimensional] animation, e.g. using sprites

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Geology (AREA)
  • Artificial Intelligence (AREA)
  • Mining & Mineral Resources (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Algebra (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Fluid Mechanics (AREA)
  • Databases & Information Systems (AREA)
  • Geophysics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Analytical Chemistry (AREA)
  • Remote Sensing (AREA)
  • Acoustics & Sound (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)

Abstract

一种方法可以包括：训练深度神经网络以生成经训练的深度神经网络，其中经训练的深度神经网络表示非线性卡尔曼滤波器的函数，所述非线性卡尔曼滤波器经由装备和环境的动态系统的内部状态向量来表示所述动态系统；使用经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量；响应于环境中的操作，从装备接收操作数据；使用操作数据和经训练的深度神经网络生成内部状态向量；以及将至少内部状态向量与至少基本内部状态向量进行比较。

Description

具有滤波器的现场操作系统
相关申请
本申请要求于2017年11月15日提交的具有序列号62/586,288的美国临时申请的优先权和权益，该临时申请通过引用方式并入本文，并且本申请通过引用方式将2018年11月15日提交的标题为“Field Operations System”的具有序列号____________的美国非临时申请(代理人案卷号IS17.0629-US-NP)并入本文，并且通过引用方式将2018年11月15日提交的标题为“Field Operations System with Particle Filter”的具有序列号____________的美国非临时申请(代理人案卷号IS18.0088-US-NP)并入本文。
背景技术
资源现场可以是地下环境中一种或多种资源(例如，石油、天然气、石油和天然气)的聚集、储池或储池组。资源现场可以包括至少一个储层。储层可以以能够捕集烃类的方式成形并且可以被不可渗透的或密封的岩石覆盖。可以在环境中钻取钻孔，在该环境中可以利用该钻孔形成可用于从储层开采烃类的井。
钻机可以是能够操作以在环境中形成钻孔、将装备运输到环境中的钻孔中以及离开环境中的钻孔等的部件系统。作为示例，钻机可以包括可用于钻取钻孔以及获取关于环境、关于钻井等的信息的系统。资源现场可以是陆上现场、海上现场、陆上和海上现场。钻机可以包括用于在陆上和/或海上执行操作的部件。钻机可以是例如基于船舶的、基于海上平台的、陆上的等。
现场规划可在一个或多个阶段进行，所述一个或多个阶段可以包括旨在识别和评估环境(例如，目标圈闭、区带等)的勘探阶段，该勘探阶段可以包括钻取一个或多个钻孔(例如，一个或多个探井等)。其他阶段可以包括评价、开发和开采阶段。
发明内容
一种方法可以包括：训练深度神经网络以生成经训练的深度神经网络，其中经训练的深度神经网络表示非线性卡尔曼滤波器的函数，所述非线性卡尔曼滤波器经由装备和环境的动态系统的内部状态向量来表示所述动态系统；使用经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量；响应于环境中的操作，从装备接收操作数据；使用操作数据和经训练的深度神经网络生成内部状态向量；以及将至少内部状态向量与至少基本内部状态向量进行比较。一种系统可以包括：处理器；可由处理器访问的存储器；处理器可执行指令，所述处理器可执行指令存储在存储器中并且可执行以指示系统：训练深度神经网络以生成经训练的深度神经网络，其中经训练的深度神经网络表示非线性卡尔曼滤波器的函数，所述非线性卡尔曼滤波器经由装备和环境的动态系统的内部状态向量来表示所述动态系统；使用经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量；响应于环境中的操作，从装备接收操作数据；使用操作数据和经训练的深度神经网络生成内部状态向量；以及将至少内部状态向量与至少基本内部状态向量进行比较。一种或多种计算机可读存储介质可以包括处理器可执行指令，以指示计算系统：训练深度神经网络以生成经训练的深度神经网络，其中经训练的深度神经网络表示非线性卡尔曼滤波器的函数，所述非线性卡尔曼滤波器经由装备和环境的动态系统的内部状态向量来表示所述动态系统；使用经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量；响应于环境中的操作，从装备接收操作数据；使用操作数据和经训练的深度神经网络生成内部状态向量；以及将至少内部状态向量与至少基本内部状态向量进行比较。还公开了各种其他设备、系统、方法等。
提供本概述是为了介绍将在以下详细描述中进一步描述的概念选择。本概述既不意在识别所要求保护主题的关键或必要特征，也不意在用来帮助限制所要求保护主题的范围。
附图说明
通过参考结合附图进行的以下描述，可以更容易地理解所描述的实现方式的特征和优点。
图1示出了地质环境中的装备的示例；
图2示出了装备的示例和井眼类型的示例；
图3示出了系统的示例；
图4示出了系统的示例；
图5示出了图形用户界面的示例；
图6示出了图形用户界面的示例；
图7示出了系统的示例；
图8示出了表示系统的卡尔曼滤波器的示例；
图9示出了方法的示例和系统的示例；
图10示出了系统的示例；
图11示出了系统的示例；
图12示出了曲线图的示例；
图13示出了系统的示例；
图14示出了比较方法的示例；
图15示出了方法的示例；
图16示出了系统的示例；
图17示出了经编码时间序列的示例；
图18示出了训练数据的曲线图的示例；
图19示出了输入曲线图的示例和预测响应的曲线图的示例；
图20示出了处理后的状态空间的曲线图；
图21示出了方法的示例和系统的示例；
图22示出了计算系统的示例；以及
图23示出了系统和联网系统的示例部件。
具体实施方式
以下描述包括目前设想用于实践所描述的实现方式的最佳模式。该描述不是限制性的，而仅仅是为了描述实现方式的一般原理。应参考所发布的权利要求确定所描述的实现方式的范围。
图1示出了地质环境120的示例。在图1中，地质环境120可以是包括多个层(例如，分层)的沉积盆地，所述多个层包括储层121并且可以例如通过断层123(例如，或多个断层)相交。作为示例，地质环境120可以配备有各种传感器、检测器、致动器等中的任何一种。例如，装备122可以包括用于相对于一个或多个网络125接收和传输信息的通信电路。此类信息可以包括与井下装备124相关联的信息，所述井下装备可以是用以采集信息、协助资源采收等的装备。其他装备126可以位于远离井场的位置并且包括感测、检测、发射或其他电路。此类装备可以包括存储和通信电路以存储和传送数据、指令等。作为示例，一件或多件装备可以提供(例如，关于一个或多个开采的资源等的)数据的测量、收集、传送、存储、分析等。作为示例，可以提供一个或多个卫星用于通信、数据采集等目的。例如，图1示出了与可被配置用于通信的网络125进行通信的卫星，需注意，卫星可以另外地或替代地包括用于成像(例如，空间、频谱、时间、辐射等)的电路。
图1还将地质环境120示出为可选地包括与井相关联的装备127和128，所述井包括可与一个或多个裂缝129相交的基本水平部分。例如，考虑可包括天然裂缝、人工裂缝(例如，水力裂缝)或天然裂缝与人工裂缝的组合的页岩地层中的井。作为示例，可以对横向延伸的储层进行钻井。在此类示例中，可能存在属性、应力等的横向变化，其中对此类变化的评估可以帮助规划、操作等以(例如，经由压裂、注入、提取等)开发储层。作为示例，装备127和/或128可包括用于压裂、地震感测、地震数据分析、评估一个或多个裂缝、注入、产量等的部件、一个或多个系统等。作为示例，装备127和/或128可以提供(例如，关于一个或多个开采的资源的)例如产量数据等数据的测量、收集、传送、存储、分析等。作为示例，可以提供一个或多个卫星用于通信、数据采集等目的。
图1还示出了装备170的示例和装备180的示例。此类装备(其可以是部件的系统)可以适用于地质环境120。虽然装备170和180被示出为陆基的，但是各种部件可适用于海上系统。
装备170包括平台171、井架172、天车173、钢丝绳174、游动滑车组件175、绞车176和装卸台177(例如，二层台)。作为示例，钢丝绳174可以至少部分地经由绞车176控制，使得游动滑车组件175相对于平台171在垂直方向上行进。例如，通过绞入钢丝绳174，绞车176可以使钢丝绳174移动穿过天车173并远离平台171向上提升游动滑车组件175；而通过放出钢丝绳174，绞车176可以使钢丝绳174移动穿过天车173并朝向平台171下放游动滑车组件175。游动滑车组件175承载钻杆(例如，套管等)的情况下，跟踪游动滑车175的移动可以提供关于已经部署多少钻杆的指示。
井架可以是用于支撑天车以及至少部分地经由钢丝绳可操作地耦接到天车的游动滑车的结构。井架可以是金字塔形的并且提供合适的强度重量比。井架可以作为一个单元移动或逐件地移动(例如，将被组装和拆卸)。
作为示例，绞车可包括卷轴、制动器、动力源和各种辅助装置。绞车可以受控地放出和卷入钢丝绳。钢丝绳可以卷绕在天车上并且耦接到游动滑车以获得“滑车组”或“滑轮”方式的机械优势。放出和卷入钢丝绳可致使游动滑车(例如，以及可能悬置在其下面的任何东西)被下放到钻孔中或从钻孔中起出。放出钢丝绳可通过重力提供动力并且通过马达、发动机等(例如，电动机、柴油机等)进行卷入。
作为示例，天车可包括一组滑轮(例如，槽轮)，所述滑轮可位于井架或钻塔的顶部处或附近，钢丝绳穿过滑轮。游动滑车可包括一组槽轮，这些槽轮可以经由穿过游动滑车的槽轮组和穿过天车的槽轮组中的钢丝绳在井架或钻塔中上下移动。天车、游动滑车和钢丝绳可以形成井架或钻塔的滑轮系统，这可以使得能够处置重负载(例如，钻柱、钻杆、套管、尾管等)使其提升离开或下放至钻孔。例如，钢丝绳的直径可以是约一厘米至约五厘米，例如钢缆。通过使用一组槽轮，此类钢丝绳可以承载比钢丝绳以单股可支撑的重量更重的负载。
作为示例，井架工可以是在附接到井架或钻塔的平台上工作的钻井队成员。井架可包括井架工可站立的装卸台。作为示例，此类装卸台可以在钻台上方约10米或更高处。在被称为起钻(TOH)的操作中，井架工可穿戴安全带，该安全带使得井架工能够从工作台(例如，二层台)向外倾斜以够到位于井架或钻塔中心处或附近的钻杆，并且将绳索缠绕在钻杆上并将钻杆拉回其储存位置(例如，指梁)，直到可能需要将钻杆重新下入钻孔中。作为示例，钻机可包括自动化钻杆处置装备，使得井架工控制机械而不是靠体力处置钻杆。
作为示例，起下钻可以指从钻孔中起出装备和/或将装备下入钻孔的动作。作为示例，装备可包括可从井眼中起出和/或下入或替换到井眼中的钻柱。作为示例，可以在钻头已经钝化或者已经以其他方式不再有效地钻进并且要被替换的情况下执行钻杆的起下。
图2示出了井场系统200的示例(例如，在可以位于陆上或海上的井场处)。如图所示，井场系统200可包括：用于贮存泥浆和其他材料的泥浆罐201(例如，其中泥浆可以是钻井液)；用作泥浆泵204的入口的吸入管线203，所述泥浆泵用于从泥浆罐201泵送泥浆使得泥浆流至振动软管206；用于绞盘一根或多根钻井钢丝绳212的绞车207；用于从振动软管206接收泥浆的立管208；用于从立管208接收泥浆的方钻杆软管209；一个或多个鹅颈管210；游动滑车211；用于经由一根或多根钻井钢丝绳212承载游动滑车211的天车213(例如，参见图1的天车173)；井架214(例如，参见图1中的井架172)；方钻杆218或顶驱240；方钻杆补心219；转盘220；钻台221；喇叭口短节222；一个或多个防喷器(BOP)223；钻柱225；钻头226；套管头227；和用于将泥浆和其他材料输送到例如泥浆罐201的流管228。
在图2的示例系统中，通过旋转钻井在地下地层230中形成井眼232；需注意，各种示例实施方案也可以使用定向钻井。
如图2的示例所示，钻柱225悬置在井眼232内并且具有钻柱组件250，该钻柱组件在其下端包括钻头226。作为示例，钻柱组件250可以是底部钻具组件(BHA)。
井场系统200可以提供钻柱225的操作和其他操作。如图所示，井场系统200包括平台211和定位在井眼232上方的井架214。如所提到的，井场系统200可包括转盘220，其中钻柱225穿过转盘220中的开口。
如图2的示例所示，井场系统200可包括方钻杆218和相关联部件等，或者顶驱240和相关联部件。关于方钻杆的示例，方钻杆218可以是方形或六边形金属/合金杆，其中钻有用作泥浆流动路径的孔。方钻杆218可用于将旋转运动从转盘220经由方钻杆补心219传递到钻柱225，同时允许钻柱225在旋转期间下放或升高。方钻杆218可以穿过可由转盘220驱动的方钻杆补心219。作为示例，转盘220可包括主补心，该主补心可操作地耦接到方钻杆补心219，使得转盘220的旋转可转动方钻杆补心219并因此转动方钻杆218。方钻杆补心219可包括与方钻杆218的外部轮廓(例如，正方形、六边形等)匹配的内部轮廓；然而，其具有稍大的尺寸使得方钻杆218可以在方钻杆补心219内自由地上下移动。
关于顶驱示例，顶驱240可以提供由方钻杆和转盘执行的功能。顶驱240可以转动钻柱225。作为示例，顶驱240可包括一个或多个(例如，电动和/或液压)马达，所述马达利用适当的传动装置连接到称为空心轴的短管段，所述短管段又可旋入保护接头或钻柱225本身。顶驱240可以悬置在游动滑车211上，因此该旋转机构可以自由地沿着井架214上下移动。作为示例，顶驱240可以允许使用比方钻杆/转盘方式更多的单根立柱来执行钻井。
在图2的示例中，泥浆罐201可以贮存泥浆，泥浆可以是一种或多种类型的钻井液。作为示例，可以钻取井筒以开采流体、注入流体或两者(例如，烃类、矿物质、水等)。
在图2的示例中，钻柱225(例如，包括一个或多个井下工具)可以由以螺纹方式连接在一起的一系列钻杆组成，以形成在其下端具有钻头226的长管。随着钻柱225进入井筒中用于钻井，在钻井之前或与钻井重合的某个时间点，可以通过泵204从泥浆罐201(例如，或其他来源)将泥浆经由管线206、208和209泵送至方钻杆218的端口，或者例如泵送至顶驱240的端口。泥浆然后可以经由钻柱225中的通道(例如，多个通道)流动并且在位于钻头226上的端口流出(例如，参见方向箭头)。随着泥浆经由钻头226中的端口离开钻柱225，泥浆可以向上循环通过钻柱225的一个或多个外表面与一个或多个周围井壁(例如，裸井眼、套管等)之间的环空区域，如方向箭头所示。以这种方式，泥浆润滑钻头226并将热能(例如，摩擦或其他能量)和地层岩屑携带至地面，其中泥浆(例如，以及岩屑)可以返回到泥浆罐201例如用于再循环(例如，通过处理以去除岩屑等)。
由泵204泵送到钻柱225中的泥浆在离开钻柱225之后可以形成贴附在井筒的泥饼，除了其他功能之外，这可以减小钻柱225与一个或多个周围井壁(例如，井眼、套管等)之间的摩擦。摩擦的减小可以促进钻柱225的前进或回缩。在钻井操作期间，整个钻柱225可以从井筒中起出并且可选地例如用新的或锋利的钻头、较小直径的钻柱等替换。如所提到的，将钻柱起出井眼或在井眼中替换钻柱的动作被称为起下钻。根据起下钻方向，起下钻可以被称为向上起钻或向外起钻或向下下钻或向内下钻。
作为示例，考虑向下下钻，其中在钻柱225的钻头226到达井筒底部时，泥浆的泵送开始润滑钻头226以用于钻进目的以扩大井筒。如所提到的，可以通过泵204将泥浆泵送到钻柱225的通道中，并且在填充通道时，泥浆可以用作传输能量(例如，可以像泥浆脉冲遥测那样编码信息的能量)的传输介质。
作为示例，泥浆脉冲遥测装备可以包括井下装置，该井下装置被配置为实现泥浆中的压力变化以产生可基于其来调制信息的一个或多个声波。在此类示例中，来自井下装备(例如，钻柱225的一个或多个模块)的信息可以向上传输到井口装置，井口装置可以将此类信息中继到其他装备以进行处理、控制等。
作为示例，遥测装备可以通过经由钻柱225本身传输能量来操作。例如，考虑将经编码的能量信号传递给钻柱225的信号发生器，以及可以接收这种能量并对其进行中继以进一步传输经编码的能量信号(例如，信息等)的中继器。
作为示例，钻柱225可以配备有遥测装备252，该遥测装备包括：可旋转驱动轴；涡轮叶轮，其机械地耦接到驱动轴，使得泥浆可以使涡轮叶轮旋转；调制器转子，其机械地耦接到驱动轴，使得涡轮叶轮的旋转导致所述调制器转子旋转；调制器定子，其邻近或接近调制器转子而安装，使得调制器转子相对于调制器定子的旋转在泥浆中产生压力脉冲；以及可控制动器，其用于选择性地制动调制器转子的旋转以调制压力脉冲。在此类示例中，交流发电机可以耦接到上述驱动轴，其中交流发电机包括至少一个定子绕组，该定子绕组电耦接到控制电路，以选择性地使该至少一个定子绕组短路以电磁制动交流发电机，从而选择性地制动调制器转子的旋转以调制泥浆中的压力脉冲。
在图2的示例中，井口控制和/或数据采集系统262可包括用于感测由遥测装备252生成的压力脉冲并且(例如)传送感测到的压力脉冲或从中导出的信息以用于处理、控制等的电路。
所示示例的组件250包括随钻测井(LWD)模块254、随钻测量(MWD)模块256、可选模块258、旋转导向系统和马达260以及钻头226。此类部件或模块可以被称为工具，其中钻柱可以包括多个工具。
LWD模块254可以容纳在合适类型的钻铤中，并且可以包含一个或多个所选类型的测井工具。还应该理解，可以采用一个以上的LWD和/或MWD模块，例如，如钻柱组件250的模块256所表示的。在提到LWD模块的位置的情况下，作为示例，其可以指LWD模块254、模块256等的位置处的模块。LWD模块可以包括用于测量、处理和存储信息的能力，以及与地面装备通信的能力。在所示示例中，LWD模块254可包括地震测量装置。
MWD模块256可以容纳在合适类型的钻铤中，并且可以包含用于测量钻柱225和钻头226的特性的一个或多个装置。作为示例，MWD工具254可以包括用于产生电力的装备，例如，以为钻柱225的各种部件供电。作为示例，MWD工具254可以包括遥测装备252，例如，其中涡轮叶轮可以通过泥浆的流动来产生电力；可以理解，可以采用其他电源和/或电池系统来为各种部件供电。作为示例，MWD模块256可包括以下类型的测量装置中的一种或多种：钻压测量装置、扭矩测量装置、振动测量装置、冲击测量装置、黏滑测量装置、方向测量装置和倾斜度测量装置。
图2还示出了可以钻取的井眼的类型的一些示例。例如，考虑斜直井眼272、S形井眼274、深倾斜井眼276和水平井眼278。
作为示例，钻井操作可以包括定向钻井，其中例如井的至少一部分包括弯曲轴线。例如，考虑限定曲率的半径，其中相对于垂直方向的倾斜度可以变化，直到达到约30度和约60度之间的角度，或者例如，达到约90度或可能大于约90度的角度。
作为示例，定向井可以包括多种形状，其中每种形状可旨在满足特定的操作要求。作为示例，在将信息传递给钻井工程师时可以基于该信息执行钻井过程。作为示例，可以基于在钻井过程期间接收的信息修改倾斜度和/或方向。
作为示例，钻孔的偏向可以部分地通过使用井底马达和/或涡轮来实现。关于马达，例如，钻柱可包括容积式马达(PDM)。
作为示例，系统可以是导向系统并且包括用于执行诸如地质导向的方法的装备。作为示例，导向系统可以包括位于钻柱下部的PDM或涡轮，其恰好位于钻头上方，可以安装弯接头。作为示例，在PDM的上方，可以安装提供感兴趣的实时或接近实时数据(例如，倾斜度、方向、压力、温度、钻头上的实际重量、扭矩应力等)的MWD装备和/或LWD装备。对于后者，LWD装备可以向地面发送各种类型的感兴趣数据，包括例如地质数据(例如，伽马射线测井、电阻率、密度和声波测井等)。
实时或接近实时地提供关于井轨迹的进程的信息的传感器与例如从地质角度表征地层的一个或多个测井记录的耦接可以允许实现地质导向方法。这种方法可包括导航地下环境，例如，以遵循期望的路线到达期望的一个或多个目标。
作为示例，钻柱可以包括用于测量密度和孔隙度的方位密度中子(ADN)工具；用于测量倾斜度、方位角和冲击的MWD工具；用于测量电阻率和伽马射线相关现象的补偿双电阻率(CDR)工具；一个或多个可变径稳定器；一个或多个弯曲接头；以及地质导向工具，其可包括马达和可选地用于测量和/或响应于倾斜度、电阻率和伽马射线相关现象中的一者或多者的装备。
作为示例，地质导向可以包括基于井下地质测井测量结果，以旨在将定向井筒保持在期望区域、地带(例如，产油层)等内的方式进行井筒的有意定向控制。作为示例，地质导向可包括引导井筒以将井筒保持在储层的特定井段，例如，以最小化气体和/或水的突破，并且例如最大化包括井筒的井的经济产量。
再次参考图2，井场系统200可包括一个或多个传感器264，所述一个或多个传感器可操作地耦接到控制和/或数据采集系统262。作为示例，一个或多个传感器可以位于地面位置。作为示例，一个或多个传感器可以位于井下位置。作为示例，一个或多个传感器可以位于距离井场系统200大约一百米的距离内的一个或多个远程位置。作为示例，一个或多个传感器可位于补偿井场，其中井场系统200和补偿井场处于共同的油气田(例如，油田和/或气田)中。
作为示例，可以提供一个或多个传感器264用于跟踪钻杆、跟踪钻柱的至少一部分的移动等。
作为示例，系统200可以包括一个或多个传感器266，所述一个或多个传感器可以感测和/或传输信号到流体管道，诸如钻井液管道(例如，钻井泥浆管道)。例如，在系统200中，一个或多个传感器266可以可操作地耦接到立管208的泥浆流过的部分。作为示例，井下工具可以产生脉冲，脉冲可以穿过泥浆并且由一个或多个传感器266中的一个或多个感测到。在此类示例中，井下工具可以包括相关联的电路，例如，可以编码信号例如以减少对传输的要求的编码电路。作为示例，位于地面的电路可包括解码电路，以解码至少部分地经由泥浆脉冲遥测传输的经编码信息。作为示例，位于地面的电路可包括编码器电路和/或解码器电路，并且井下电路可包括编码器电路和/或解码器电路。作为示例，系统200可包括传输器，该传输器可以生成可经由作为传输介质的泥浆(例如，钻井液)在井下传输的信号。
作为示例，钻柱的一个或多个部分可能会被卡住。术语“卡住”可以指无法从钻孔移动或移除钻柱的一种或多种不同程度的现象。作为示例，在卡住状态下，可能能够旋转钻杆或将其下放回钻孔中，或者例如在卡住状态下，可能无法在钻孔中轴向移动钻柱，但一定量的旋转是可能的。例如，在卡住状态下，可能无法轴向和旋转地移动钻柱的至少一部分。
关于术语“卡钻”，可以指钻柱的某一部分无法轴向旋转或移动。作为示例，被称为“压差卡钻”的状况可以是钻柱无法沿钻孔的轴线移动(例如，旋转或往复运动)的状况。当由低储层压力、高井筒压力或两者引起的高接触力施加在钻柱的足够大的面积上时，可能发生压差卡钻。压差卡钻可能具有时间和经济成本。
作为示例，卡钻力可以是井筒和储层之间的压差与压差作用在的面积的乘积。这意味着在大的工作面积上施加相对低的压差(Δp)可与在小面积上施加高压差对卡钻一样有效。
作为示例，被称为“机械卡钻”的状况可以是通过除压差卡钻之外的机制限制或防止钻柱运动的状况。例如，机械卡钻可以由井眼中的垃圾、井筒几何结构异常、水泥、键槽或环空中的岩屑堆积中的一者或多者造成。
图3示出了系统300的示例，该系统包括用于评估310、规划320、工程设计330和操作340的各种装备。例如，可以实现钻井工作流框架301、地震到模拟框架302、技术数据框架303和钻井框架304以执行一个或多个过程，诸如评估地层314、评估过程318、生成轨迹324、验证轨迹328、制定约束334、至少部分地基于约束设计装备和/或过程338、执行钻井344并评估钻井和/或地层348。
在图3的示例中，地震到模拟框架302可以是例如
Figure BDA0002532266730000141
框架(斯伦贝谢公司(Schlumberger Limited)，休斯顿，德克萨斯州)，并且技术数据框架303可以是例如
Figure BDA0002532266730000142
框架(斯伦贝谢公司，休斯顿，德克萨斯州)。
作为示例，框架可以包括实体，所述实体可以包括地球实体、地质对象或其他对象，诸如井、地面、储层等。实体可以包括出于评估、规划、工程设计、操作等中的一者或多者的目的而重构的实际物理实体的虚拟表示。
实体可以包括基于经由感测、观测等采集的数据(例如，地震数据和/或其他信息)的实体。实体可以由一个或多个属性表征(例如，地球模型的几何支柱网格实体可以由孔隙度属性表征)。这些属性可以表示一个或多个测量结果(例如，采集的数据)、计算结果等。
框架可以是基于对象的框架。在此类框架中，实体可以包括基于预定义类的实体，例如，以便于建模、分析、模拟等。基于对象的框架的示例是MICROSOFTTM.NETTM框架(雷德蒙德，华盛顿州)，其提供了一组可扩展的对象类。在.NETTM框架中，对象类封装了可重用代码和相关联数据结构的模块。对象类可用于实例化对象实例以供程序、脚本等使用。例如，钻孔类可基于井数据定义用于表示钻孔的对象。
作为示例，框架可以包括可以允许与模型或基于模型的结果(例如，模拟结果等)进行交互的分析部件。关于模拟，框架可以可操作地链接到模拟器或包括模拟器，诸如
Figure BDA0002532266730000143
储层模拟器(斯伦贝谢公司，休斯顿，德克萨斯州)、
Figure BDA0002532266730000151
储层模拟器(斯伦贝谢公司，休斯顿，德克萨斯州)等。
上述
Figure BDA0002532266730000152
框架提供允许优化勘探和开发操作的部件。
Figure BDA0002532266730000153
框架包括地震到模拟软件部件，所述地震到模拟软件部件可以输出信息以用于例如通过提高资产团队生产力而提高储层性能。通过使用此类框架，各种专业人员(例如，地球物理学家、地质学家、井工程师、储层工程师等)可以开发协作型工作流并集成操作以简化流程。此类框架可被认为是应用程序并且可以被认为是数据驱动的应用程序(例如，在为了建模、模拟等目的而输入数据的情况下)。
作为示例，一个或多个框架可以是互操作的和/或在一个或另一个上运行。例如，考虑商品名为
Figure BDA0002532266730000154
框架环境(斯伦贝谢公司，休斯顿，德克萨斯州)的框架环境，其允许将后加件(或插件)集成到
Figure BDA0002532266730000155
框架工作流中。
Figure BDA0002532266730000156
框架环境利用.NETTM工具(微软公司，雷德蒙德，华盛顿州)，并且提供用于高效开发的稳定的用户友好型界面。在示例实施方案中，各种部件可以实现为符合框架环境的规范并且根据框架环境的规范(例如，根据应用程序编程接口(API)规范等)操作的后加件(或插件)。
作为示例，框架可以包括模型模拟层以及框架服务层、框架核心层和模块层。该框架可以包括
Figure BDA0002532266730000157
框架，其中模型模拟层可以包括或可操作地链接到托管
Figure BDA0002532266730000158
框架应用程序的以
Figure BDA0002532266730000159
模型为中心的软件包。在示例实施方案中，
Figure BDA00025322667300001510
软件可以被认为是数据驱动的应用程序。
Figure BDA00025322667300001511
软件可以包括用于模型构建和可视化的框架。这种模型可以包括一个或多个网格。
作为示例，模型模拟层可以提供域对象、充当数据源、提供渲染并提供各种用户界面。渲染可以提供图形环境，其中应用程序可以显示其数据，同时用户界面可以为应用程序用户界面部件提供常见外观和感觉。
作为示例，域对象可以包括实体对象、属性对象以及可选地其他对象。实体对象可用于几何地表示井、地面、储层等，而属性对象可以用于提供属性值以及数据版本和显示参数。例如，实体对象可以表示井，其中属性对象提供测井信息以及版本信息并显示信息(例如，将井显示为模型的一部分)。
作为示例，数据可以存储在一个或多个数据源(或数据存储区，通常是物理数据存储装置)中，这些数据源可以位于相同或不同的物理站点，并且可以经由一个或多个网络访问。作为示例，模型模拟层可被配置为对项目进行建模。这样，可以存储特定项目，其中所存储的项目信息可包括输入、模型、结果和案例。因此，在完成建模会话时，用户可以存储项目。稍后，可以使用模型模拟层访问和恢复项目，模型模拟层可以重新创建相关域对象的实例。
作为示例，系统300可以用于执行一个或多个工作流。工作流可以是包括若干个工作步骤的过程。工作步骤可以对数据进行操作，例如，创建新数据、更新现有数据等。作为示例，工作流可以例如基于一个或多个算法对一个或多个输入进行操作并创建一个或多个结果。作为示例，系统可以包括用于工作流的创建、编辑、执行等的工作流编辑器。在此类示例中，工作流编辑器可以提供对一个或多个预定义工作步骤、一个或多个定制工作步骤等的选择。作为示例，工作流可以是至少部分地可在
Figure BDA0002532266730000161
软件中实现的工作流，例如，该工作流对地震数据、一个或多个地震属性等进行操作。
作为示例，地震数据可以是经由地震勘测采集的数据，其中来源和接收器位于地质环境中以发射和接收地震能量，其中这种能量的至少一部分可以反射离开地下结构。作为示例，可以利用一个或多个地震数据分析框架(例如，考虑由德克萨斯州休斯顿的斯伦贝谢公司销售的
Figure BDA0002532266730000162
框架)来确定地下结构的深度、范围、属性等。作为示例，地震数据分析可以包括正演建模和/或反演，例如，以迭代地建立地质环境的地下区域的模型。作为示例，地震数据分析框架可以是地震到模拟框架(例如，
Figure BDA0002532266730000171
框架等)的一部分或可操作地耦接到地震到模拟框架。
作为示例，工作流可以是至少部分地可在
Figure BDA0002532266730000172
框架中实现的过程。作为示例，工作流可以包括访问诸如插件的模块(例如，外部可执行代码等)的一个或多个工作步骤。
作为示例，框架可以提供对油气系统的建模。例如，商品名为
Figure BDA0002532266730000173
框架(斯伦贝谢公司，休斯顿，德克萨斯州)的建模框架包括用于输入各种类型的信息(例如，地震、井、地质等)的特征，以对沉积盆地的演化进行建模。
Figure BDA0002532266730000174
框架通过输入诸如地震数据、井数据和其他地质数据等各种数据(例如)来对沉积盆地的演化进行建模而提供油气系统建模。
Figure BDA0002532266730000175
框架可以预测储层是否以及如何充满烃类，包括例如烃类生成的来源和时间、运移路线、量、孔隙压力以及地下或地面条件的烃类型。结合诸如
Figure BDA0002532266730000176
框架的框架，可以构建工作流以提供盆地-远景规模勘探解决方案。框架之间的数据交换可以促进模型构建、数据分析(例如，使用
Figure BDA0002532266730000177
框架能力分析的
Figure BDA0002532266730000178
框架数据)以及工作流的耦接。
如所提到的，钻柱可以包括可以进行测量的各种工具。作为示例，可以使用电缆工具或另一种类型的工具来进行测量。作为示例，工具可被配置为采集电井眼图像。例如，全井眼地层微成像仪(FMI)工具(斯伦贝谢公司，休斯顿，德克萨斯州)可以采集井眼图像数据。用于此类工具的数据采集序列可包括在采集极板关闭的情况下将工具下入井眼中，打开极板并将极板压靠在井眼壁上，在井眼中平移工具时将电流递送到限定井眼的材料，并且远程感测通过与材料的相互作用而改变的电流。
对地层信息的分析可揭示诸如溶洞、溶蚀平面(例如，沿着层面的溶蚀)、应力相关特征、倾斜事件等特征。作为示例，工具可采集可能有助于表征储层(可选地，裂缝型储层)的信息，其中裂缝可以是自然的和/或人工的(例如，水力裂缝)。作为示例，可以使用诸如
Figure BDA0002532266730000181
框架的框架分析由一个或多个工具采集的信息。例如，
Figure BDA0002532266730000182
框架可以与一个或多个其他框架(诸如
Figure BDA0002532266730000183
框架)互操作。
作为示例，工作流的各个方面可以自动完成、可以部分自动化，或者可以手动完成，如通过人类用户与软件应用程序进行交互。作为示例，工作流可以是循环的，并且可以包括例如四个阶段，诸如评估阶段(例如，参见评估装备310)、规划阶段(例如，参见规划装备320)、工程设计阶段(例如，参见工程设计装备330)和执行阶段(例如，参见操作装备340)。作为示例，工作流可以在一个或多个阶段开始，其可以(例如，以串行方式、并行方式、循环方式等)前进到一个或多个其他阶段。
作为示例，工作流可以从评估阶段开始，评估阶段可以包括地质服务提供方评估地层(例如，参见评估块314)。作为示例，地质服务提供方可以使用执行针对此类活动定制的软件包的计算系统来进行地层评估；或者例如，可以采用一个或多个其他合适的地质平台(例如，另选地或附加地)。作为示例，地质服务提供方可以例如使用地球模型、地球物理模型、盆地模型、石油技术模型、其组合等来评估地层。此类模型可以考虑到各种不同的输入，包括补偿井数据、地震数据、导井数据、其他地质数据等。模型和/或输入可以存储在由服务器维护并由地质服务提供方访问的数据库中。
作为示例，工作流可以前进到地质学与地球物理学(“G&G”)服务提供方，其可以生成井轨迹(例如，参见生成块324)，这可以涉及执行一个或多个G&G软件包。此类软件包的示例包括
Figure BDA0002532266730000184
框架。作为示例，G&G服务提供方可以基于例如由地层评估(例如，根据评估块314)提供的一个或多个模型和/或例如从(例如，由一个或多个服务器等维护的)一个或多个数据库访问的其他数据确定井轨迹或其部分。作为示例，井轨迹可以考虑到各种“设计基础”(BOD)约束，诸如一般地面位置、目标(例如，储层)位置等。作为示例，轨迹可以结合关于可以在钻井中使用的工具、底部钻具组件、套管尺寸等的信息。井轨迹确定可以考虑到各种其他参数，包括风险容限、流体重量和/或规划、井底压力、钻井时间等。
作为示例，工作流可以前进到第一工程设计服务提供方(例如，与其相关联的一个或多个处理机)，该第一工程设计服务提供方可以验证井轨迹以及例如救援井设计(例如，参见验证块328)。这样的验证过程可以包括评估物理属性、计算结果、风险容限、与工作流的其他方面的集成等。作为示例，用于此类确定的一个或多个参数可以由服务器和/或第一工程设计服务提供方维护；需注意，一个或多个模型、一个或多个井轨迹等可由服务器维护并由第一工程设计服务提供方访问。例如，第一工程设计服务提供方可以包括执行一个或多个软件包的一个或多个计算系统。作为示例，在第一工程设计服务提供方拒绝或以其他方式建议对井轨迹进行调整的情况下，可以调整井轨迹或者向G&G服务提供方发送请求这种修改的消息或其他通知。
作为示例，一个或多个工程设计服务提供方(例如，第一、第二等)可以提供套管设计、底部钻具组件(BHA)设计、流体设计等，以实现井轨迹(例如，参见设计块338)。在一些实施方案中，第二工程设计服务提供方可以使用一个或多个软件应用程序来执行此类设计。此类设计可以存储在由一个或多个服务器维护的一个或多个数据库中，所述一个或多个数据库可以例如采用
Figure BDA0002532266730000191
框架工具，并且可以由工作流中的其他服务提供方的一个或多个访问。
作为示例，第二工程设计服务提供方可以向第三工程设计服务提供方寻求对与井轨迹一起建立的一个或多个设计的批准。在此类示例中，第三工程设计服务提供方可以考虑关于井工程设计规划是否可接受的各种因素，诸如经济变量(例如，石油产量预测、每桶成本、风险、钻井时间等)，并且可以诸如向运营公司代表、井所有者代表等请求支出授权(例如，参见制定块334)。作为示例，此类确定所基于的数据中的至少一些可以存储在由一个或多个服务器维护的一个或多个数据库中。作为示例，第一工程设计服务提供方、第二工程设计服务提供方和/或第三工程设计服务提供方可以由单个工程师团队或甚至单个工程师提供，因此可以是或可以不是单独的实体。
作为示例，在经济性可能无法接受或拒发授权的情况下，工程设计服务提供方可建议对套管、底部钻具组件和/或流体设计进行更改，或者以其他方式通知和/或将控制返回到不同的工程设计服务提供方，以便可对套管、底部钻具组件和/或流体设计进行调整。在修改此类设计中的一个或多个在钻井约束、轨迹等内是不切实际的情况下，工程设计服务提供方可以建议对井轨迹进行调整和/或工作流可以返回或以其他方式通知初始工程设计服务提供方和/或G&G服务提供方，使得任一者或两者都可修改井轨迹。
作为示例，工作流可以包括考虑井轨迹，包括已接受的井工程设计规划和地层评估。然后，此类工作流可以将控制传递给钻井服务提供方，钻井服务提供方可以实现井工程设计规划、建立安全和有效的钻井、保持井完整性，并且报告进度和操作参数(例如，参见块344和348)。作为示例，可以将操作参数、遇到的地层、钻井时收集的数据(例如，使用随钻测井或随钻测量技术)传回地质服务提供方进行评估。作为示例，地质服务提供方然后可以重新评估井轨迹或井工程设计规划的一个或多个其他方面，并且在一些情况下，可能在预定的约束内，可根据现实钻井参数(例如，基于现场采集的数据等)调整井工程设计规划。
取决于具体实施方案，无论井被完全钻取还是完成其一部分，工作流都可以前进至后审查(例如，参见评估块318)。作为示例，后审查可包括审查钻井性能。作为示例，后审查还可包括(例如，向一个或多个相关工程设计、地质或G&G服务提供方)报告钻井性能。
工作流的各种活动可以连续执行并且/或者可以不按顺序执行(例如，部分地基于来自模板、附近井等的信息，以填补将由另一服务提供方提供的信息中的任何空白)。作为示例，从事一项活动可能会影响另一项活动的结果或基础，并且因此可手动或自动调用一个或多个工作流活动、工作产品等的变化。作为示例，服务器可允许在各种服务提供方可访问的中央数据库上存储信息，其中可以通过与适当服务提供方进行通信来寻求变化、可以自动进行变化、或者变化可以以其他方式显现为对相关服务提供方的建议。与有序的分段性方法相比，这种方式可被认为是钻井工作流的整体方法。
作为示例，在钻取井筒期间，工作流的各种动作可以重复多次。例如，在一个或多个自动化系统中，可以实时或接近实时地提供来自钻井服务提供方的反馈，并且在钻井期间采集的数据可以被馈送至一个或多个其他服务提供方，这些其他服务提供方可以相应地调整其部分工作流。由于在工作流的其他区域中可能存在依赖性，因此此类调整可以例如以自动化方式渗透到工作流中。在一些实施方案中，循环过程可以在达到某个钻井目标(诸如完成井筒的一部分)之后以及/或者在钻取整个井筒之后附加地或替代地进行，或者在每天、每周、每月等基础上进行。
井规划可以包括确定可以延伸到储层的井的路径，例如，以经济地从其中开采流体，诸如烃类。井规划可以包括选择可用于实现井规划的钻井和/或完井组件。作为示例，可以施加各种约束作为可以影响井设计的井规划的一部分。作为示例，可以至少部分地基于关于地下域的已知地质、在区域中存在的(例如，实际的和/或规划的等)一个或多个其他井(例如，考虑碰撞避免)等的信息来施加此类约束。作为示例，可以至少部分地基于一个或多个工具、部件等的特性施加一个或多个约束。作为示例，一个或多个约束可以至少部分地基于与钻井时间和/或风险容限相关联的因素。
作为示例，系统可以允许减少浪费，例如，如根据LEAN定义的浪费。在LEAN的上下文中，考虑以下类型浪费的一种或多种：运输(例如，不必要地移动项目，无论是物理项目还是数据项目)；库存(例如，部件，无论是物理部件还是信息部件，如在制品，以及未处理的成品)；运动(例如，人员或装备不必要地移动或行走以执行期望的处理)；等待(例如，信息等待、换班期间的生产中断等)；生产过剩(例如，材料、信息、装备的生产等超过了需求)；过度加工(例如，由不良工具或产品设计创建活动造成)；以及缺陷(例如，检查和修复规划、数据、装备等中的缺陷所涉及的工作)。作为示例，允许以协作方式执行动作(例如，方法、工作流等)的系统可以帮助减少一种或多种类型的浪费。
作为示例，可以利用系统来实现用于促进跨多个计算装置的分布式井工程设计、规划和/或钻井系统设计的方法，其中协作可以在各种不同的用户(例如，一些是本地的用户、一些是远程的用户、一些是移动的用户等)之间发生。在这样的系统中，经由适当装置，各种用户可以经由一个或多个网络(例如，局域网和/或广域网、公用网络和/或专用网络、陆基、海基和/或区域网络)可操作地耦接。
作为示例，系统可以允许经由子系统方法进行井工程设计、规划和/或钻井系统设计，其中井场系统由各种子系统组成，这些子系统可包括装备子系统和/或操作子系统(例如，控制子系统等)。作为示例，可以使用经由通信链路(例如，网络链路等)可操作地耦接的各种计算平台/装置来执行计算。作为示例，一个或多个链路可以可操作地耦接到公共数据库(例如，服务器站点等)。作为示例，特定的一个或多个服务器可以管理从一个或多个装置接收通知以及/或者向一个或多个装置发布通知。作为示例，可以针对项目实现系统，其中系统可以将井规划输出为(例如)数字井规划、纸质井规划、数字和纸质井规划等。此类井规划可以是针对特定项目的完整井工程设计规划或设计。
图4示出了系统400的示例，其包括可位于井场本地的各种部件，并且包括可远离井场的各种部件。如图所示，系统400包括编配块402、集成块404、核心与服务块406以及装备块408。这些块可以用不同于图4的示例所示的一种或多种方式进行标记。在图4的示例中，块402、404、406和408可以由操作特征、功能、体系结构中的关系等中的一个或多个限定。
作为示例，块402、404、406和408可以以金字塔体系结构来描述，其中从顶点到底部，金字塔包括编配块402、集成块404、核心与服务块406以及装备块408。
作为示例，编配块402可以与井管理级(例如，井规划和/或编配)相关联，并且可以与钻机管理级(例如，钻机动态规划和/或编配)相关联。作为示例，集成块404可以与过程管理级(例如，钻机集成执行)相关联。作为示例，核心与服务块406可以与数据管理级(例如，传感器、仪器、库存等)相关联。作为示例，装备块408可以与井场装备级(例如，井场子系统等)相关联。
作为示例，编配块402可以从钻井工作流框架和/或可以远离井场的一个或多个其他源接收信息。
在图4的示例中，编配块402包括规划/重新规划块422、编配/仲裁块424和本地资源管理块426。在图4的示例中，集成块404包括集成执行块444，该集成执行块可包括或可操作地耦接到用于井场的各种子系统的块，诸如钻井子系统、泥浆管理子系统(例如，水力学子系统)、套管子系统(例如，套管和/或完井子系统)，以及例如一个或多个其他子系统。在图4的示例中，核心与服务块406包括数据管理与实时服务块464(例如，实时或接近实时服务)以及钻机与云安全块468(例如，关于配置和各种类型的安全措施等)。在图4的示例中，装备块408被示出为能够向核心与服务块406提供各种类型的信息。例如，考虑来自钻机地面传感器、LWD/MWD传感器、泥浆测井传感器、钻机控制系统、钻机装备、人员、材料等的信息。在图4的示例中，块470可以提供数据可视化、自动报警、自动报告等中的一个或多个。作为示例，块470可以可操作地耦接到核心与服务块406和/或一个或多个其他块。
如所提到的，系统400的一部分可以远离井场。例如，在虚线的一侧显示有远程操作命令中心块492、数据库块493、钻井工作流框架块494、SAP/ERP块495和现场服务递送块496。可以位于远程的各种块可以可操作地耦接到可位于井场系统本地的一个或多个块。例如，在图4的示例中示出了通信链路412，其可操作地耦接块406和492(例如，关于监测、远程控制等)，同时图4的示例中示出了另一通信链路414，其可操作地耦接块406和496(例如，关于装备递送、装备服务等)。在图4的示例中还示出了可能的通信链路的各种其他示例。
作为示例，图4的系统400可以是现场管理工具。作为示例，图4的系统400可以包括钻井框架(例如，参见钻井框架304)。作为示例，图4的系统400中的块可以远离井场。
例如，可以根据在钻井之前建立的钻井规划钻取井筒。此类钻井规划可以是井规划或其一部分，其可阐明限定井场的钻井过程的装备、压力、轨迹和/或其他参数。作为示例，然后可以根据钻井规划(例如，井规划)执行钻井操作。作为示例，随着信息的收集，钻井操作可能会偏离钻井规划。另外，随着执行钻井或其他操作，地下条件可能改变。具体地，随着收集新信息，传感器可以将数据传输到一个或多个地面单元。作为示例，地面单元可以自动地使用此类数据更新钻井规划(例如，本地和/或远程地)。
作为示例，钻井工作流框架494可以是或包括G&G系统和井规划系统。作为示例，G&G系统对应于提供对地质和地球物理学的支持的硬件、软件、固件或其组合。换句话讲，了解储层的地质学家可以使用G&G系统决定在何处钻井，该G&G系统创建地下地层的三维模型并包括模拟工具。G&G系统可以将井轨迹和地质学家选择的其他信息传送到井规划系统。井规划系统对应于产生井规划的硬件、软件、固件或其组合。换句话讲，井规划可以是该井的高级钻井程序。井规划系统也可以称为井规划生成器。
在图4的示例中，各种块可以是可对应于一个或多个软件模块、硬件基础设施、固件、装备或其任何组合的部件。部件之间的通信可以是本地的或远程的，直接的或间接的，经由应用程序编程接口以及过程调用进行的，或者通过一个或多个通信信道进行的。
作为示例，图4的系统400中的各种块可对应于控制与油田中的装备和/或人员相关联的操作的粒度级别。如图4所示，系统400可以包括(例如，用于井规划执行的)编配块402、集成块404(例如，过程管理器集合)、核心与服务块406以及装备块408。
编配块402可以被称为井规划执行系统。例如，井规划执行系统对应于执行井建造过程的整体协调(诸如钻机的协调以及钻机和钻机装备的管理)的硬件、软件、固件或其组合。井规划执行系统可以被配置为从井规划系统获得大体井规划并将该大体井规划转换成详细的井规划。详细的井规划可以包括执行大体井规划中的动作所涉及的活动的规范、执行这些活动的日期和/或时间、执行这些活动的各个资源以及其他信息。
作为示例，井规划执行系统还可包括监测井规划的执行以跟踪进度并动态调整规划的功能。此外，井规划执行系统可以被配置为处置关于钻机的起动和停止的后勤和资源。作为示例，井规划执行系统可以包括多个子部件，诸如被配置为详述井规划系统规划的增细器、被配置为监测规划的执行的监测器、被配置为执行动态规划管理的规划管理器、以及控制井的后勤和资源的后勤和资源管理器。在一个或多个实施方案中，井规划执行系统可以被配置为在由过程管理器集合(例如，参见集成块404)管理的不同过程之间进行协调。换句话讲，在以例如比过程管理器集合更高的粒度级别操作时，井规划执行系统可以在过程管理器集合中的过程之间传递和管理资源共享。
关于集成块404，如所提到的，其可以被称为过程管理器集合。在一个或多个实施方案中，过程管理器集合可以包括对油田的各个域(诸如钻机)执行单独的过程管理的功能。例如，当钻取井时，可以执行不同的活动。每个活动可以由过程管理器集合中的单独的过程管理器控制。过程管理器集合可以包括多个过程管理器，由此每个过程管理器控制不同的活动(例如，与钻机相关的活动)。换句话讲，每个过程管理器可具有针对过程管理器定义的一组任务，该组任务对于活动中涉及的物理类型是特定的。例如，钻取井可使用钻井泥浆，钻井泥浆是被泵送到井中以便从井中抽出钻屑的流体。钻井泥浆过程管理器可以存在于过程管理器集合中，该钻井泥浆过程管理器管理钻井泥浆的混合、组成、钻井泥浆特性的测试、确定压力是否准确以及执行其他此类任务。钻井泥浆过程管理器可以与控制钻杆从井中的移动的过程管理器分开。因此，过程管理器集合可以将活动划分为若干个不同域，并且单独地管理这些域中的每一者。在其他可能的过程管理器中，过程管理器集合可以包括例如钻井过程管理器、泥浆制备和管理过程管理器、下套管过程管理器、固井过程管理器、钻机装备过程管理器和其他过程管理器。此外，过程管理器集合可以提供有关上述部件的直接控制或建议。作为示例，可以通过井规划执行系统执行过程管理器集合中的过程管理器之间的协调。
关于核心与服务块406(例如，CS块)，其可以包括用于管理各个装备和/或装备子系统的功能。作为示例，CS块可包括用于处置油田(诸如钻机)的基本数据结构、采集度量数据、生成报告以及管理人员和供应资源的功能。作为示例，CS块可包括数据采集器和聚合器、钻机状态标识符、实时(RT)钻井服务(例如，接近实时)、报告器、云和库存管理器。
作为示例，数据采集器和聚合器可以包括用于与各个装备部件和传感器进行交互以及采集数据的功能。作为示例，数据采集器和聚合器还可包括用于与位于油田的传感器进行交互的功能。
作为示例，钻机状态标识符可以包括用于从数据采集器和聚合器获取数据并将数据转换为状态信息的功能。作为示例，状态信息可以包括钻机的健康和操作性以及关于由装备执行的特定任务的信息。
作为示例，RT钻井服务可包括用于向个体传输和呈现信息的功能。具体地讲，RT钻井服务可包括用于根据角色以及例如所涉及的每个个体的装置类型(例如，移动、台式等)将信息传输给个体的功能。在一个或多个实施方案中，RT钻井服务呈现的信息可以是上下文特定的，并且可以包括信息的动态显示，使得人类用户可以查看关于感兴趣项目的细节。
作为示例，在一个或多个实施方案中，报告器可以包括用于生成报告的功能。例如，报告可以基于请求和/或自动生成，并且可以提供关于装备和/或人员的状态的信息。
作为示例，井场“云”框架可对应于位于油田本地的信息技术基础设施，诸如油田中的单个钻机。在此类示例中，井场“云”框架可以是“物联网”(IoT)框架。作为示例，井场“云”框架可以是云的边缘(例如，多个网络中的一网络)或专用网络的边缘。
作为示例，库存管理器可以是包括用于管理材料(诸如，钻机上每种资源的列表和量)的功能的块。
在图4的示例中，装备块408可对应于可以可操作地耦接到和/或嵌入到井场处的物理装备(诸如钻机装备)中的各种控制器、控制单元、控制装备等。例如，装备块408可以对应于钻机上各个项目的软件和控制系统。作为示例，装备块408可以提供来自钻机的多个子系统的监测传感器，并且向钻机的多个子系统提供控制命令，使得来自多个子系统的传感器数据可用于向钻机和/或其他装置的不同子系统提供控制命令等。例如，系统可以从钻机收集时间和深度对准的地面数据和井下数据，并且将收集的数据传输到核心服务中的数据采集器和聚合器，数据采集器和聚合器可以存储收集的数据以便在钻机现场或在非现场经由计算资源环境访问。
如所提到的，图4的系统400可以与规划相关联，其中例如规划/重新规划块422可以提供对一个或多个操作等的规划和/或重新规划。
图5示出了包括与井规划相关联的信息的图形用户界面(GUI)500的示例。具体地，GUI 500包括面板510，其中地面表示512和514连同井轨迹一起被呈现，其中位置516可以表示钻柱517沿着井轨迹的位置。GUI 500可以包括一个或多个编辑特征，诸如编辑井规划特征组530。GUI 500可以包括关于团队540的涉及、已经涉及和/或将要涉及一个或多个操作的个人的信息。GUI 500可以包括关于一个或多个活动550的信息。如图5的示例所示，GUI500可以包括钻柱560的图形控件，其中例如可以选择钻柱560的各个部分来显示一个或多个相关联的参数(例如，装备类型、装备规范、操作历史等)。图5还示出了表570作为指定多个井的信息的点电子表格。
图6示出了图形用户界面(GUI)600的示例，该图形用户界面包括日历，该日历具有针对可以是规划的一部分的各种操作的日期。例如，GUI 600示出了可以在各种时间段内发生的钻机装配、套管、固井、钻进和钻机拆卸操作。可以经由选择一个或多个图形控件来编辑此类GUI。
与现场操作相关联的各种类型的数据可以是1-D序列数据。例如，考虑关于钻井系统、井下状态、地层属性和地面力学中的一个或多个的数据被测量为单通道或多通道时间序列数据。
图7示出了提升系统700的各种部件的示例，该提升系统包括缆索701、绞车710、游动滑车711、大钩712、天车713、顶驱714、缆索死绳系紧锚固件720、缆索供应卷盘730、一个或多个传感器740和可操作地耦接到所述一个或多个传感器740的电路750。在图7的示例中，提升系统700可以包括各种传感器，这些传感器可以包括负载传感器、位移传感器、加速度计等中的一个或多个。作为示例，缆索死绳系紧锚固件720可以装配有测压仪(例如，负载传感器)。
提升系统700可以是井场系统(例如，参见图1和图2)的一部分。在此类系统中，测量通道可以是被称为BPOS的滑车位置测量通道，其提供对游动滑车的高度的测量，游动滑车的高度可以关于死点(例如，零点)而限定，并且可以在正和/或负方向上偏离该死点。例如，考虑可以在约-5米到+45米范围内移动的游动滑车，总行程约为50米。在此类示例中，钻机高度可以大于约50米(例如，可以将天车设置为距地面或钻台的高度超过约50米)。虽然针对陆基现场操作(例如，固定的、基于卡车的等)给出了各种示例，但是各种方法可以适用于海基操作(例如，基于船舶的钻机、平台钻机等)。
BPOS是一种反映钻机的地面机械特性的实时通道。通道的另一个示例是可以称为HKLD的大钩负载。HKLD可以是大钩的负载的1-D序列测量。关于导数，一阶导数可以是负载速度，而二阶导数可以是负载加速度。此类数据通道可以被用于推断和监测各种操作和/或条件。在一些示例中，钻机可以被表示为处于一种或多种状态，其可以被称为钻机状态。
关于HKLD通道，其可以帮助检测钻机是否“扣紧卡瓦”，而BPOS通道可以是用于在钻井期间进行深度跟踪的主要通道。例如，BPOS可以用于确定地质环境(例如，正在钻取的井眼等)中的测量深度。关于“扣紧卡瓦”条件或状态，HKLD处于比“脱开卡瓦”条件或状态低得多的值。
术语“卡瓦”是能够用于以相对无破坏的方式夹持钻柱(例如，钻铤、钻杆等)并将其悬置在转盘中的装置或组件。卡瓦可包括铰接在一起的三个或更多个钢楔，从而围绕钻杆形成近似的圆。在钻杆侧面(内表面)上，卡瓦装配有可更换的硬化工具钢齿，这些齿略微嵌入钻杆的侧面。卡瓦的外侧为锥形，以匹配转盘的锥度。在钻井队员将卡瓦放置在钻杆周围并且在转盘中之后，司钻可以控制钻机缓慢地降低钻柱。当卡瓦内部的齿夹持钻杆时，卡瓦被下拉。该向下力将外部楔形件向下拉，从而在钻杆上提供向内的压缩力，并且有效地将部件锁定在一起。然后，钻井队员可以在下部悬置时松开钻柱的上部部分(例如，方钻杆、保护接头、管接头或立柱)。在将一些其他部件旋入到钻柱的下部之后，司钻升高钻柱以解锁卡瓦的夹持动作，并且钻井队员可以从转盘移除卡瓦。
大钩负载传感器可用于测量钻柱上的负载重量，并且可用于检测钻柱是扣紧卡瓦还是脱开卡瓦。当钻柱扣紧卡瓦时，来自滑车或运动补偿器的运动不会影响钻柱末端的钻头的深度(例如，其将趋于保持静止)。在经由可安装在绞车轴上的绞车编码器(DWE)移动游动滑车的情况下，获取的DWE信息(例如，BPOS)不会增大所记录的钻头深度。当钻柱脱开卡瓦时(例如，向前钻进)，DWE信息(例如，BPOS)可以增大所记录的钻头深度。扣紧卡瓦和脱开卡瓦之间的大钩负载重量(HKLD)的差异往往可辨别。对于海上操作，无论钻柱是处于扣紧卡瓦还是脱开卡瓦状态，船舶的升沉都会影响钻头深度。作为示例，船舶可包括一个或多个升沉传感器，所述一个或多个升沉传感器可以感测可记录为1-D序列数据的数据。
对于海上操作，船舶可经历各种类型的运动，诸如升沉、横荡和纵荡中的一种或多种。升沉是线性垂直(上/下)运动，横荡是线性横向(左右或左舷右舷)运动，并且纵荡是海上条件赋予的线性纵向(前/后或船首/船尾)运动。作为示例，船舶可以包括一个或多个升沉传感器、一个或多个横荡传感器和/或一个或多个纵荡传感器，这些传感器中的每一个可以感测可记录为1-D序列数据的数据。
作为示例，BPOS单独地或与一个或多个其他通道组合地可以用于检测钻机是否“触底”钻进或“起下钻”等。推断的状态可进一步由一个或多个系统(诸如自动钻井控制系统)使用，该自动钻井控制系统可以是动态现场操作系统或其一部分。在此类示例中，从BPOS和/或其他通道数据中辨别的条件、操作、状态等可以作为做出一个或多个钻井决策的前提，所述一个或多个钻井决策可以包括(例如，可操作地耦接到所述一件或多件现场装备等的控制器的)一个或多个控制决策。
滑车可以是一组滑轮，用于在提升或拖动重物时获得机械优势。钻机上可存在两个滑车，即天车和游动滑车。每个滑车可以包括若干个槽轮，所述槽轮上装有钻井钢缆或钢丝绳，使得可以通过卷入(或放出)绞车上的钻井钢丝绳卷轴来提升(或下放)游动滑车。这样，滑车位置可以指游动滑车的位置，该位置可以相对于时间变化。图1示出了游动滑车组件175，图2示出了游动滑车211，并且图7示出了游动滑车711。
大钩可以是高容量的J形装备，其用于悬置各种装备，诸如水龙头和方钻杆、吊卡提环或顶驱。图7示出了大钩712可操作地联接到顶驱714。如图2所示，大钩可以附接到游动滑车211的底部(例如，图1的游动滑车组件175的一部分)。大钩可以提供一种利用游动滑车来承载较重负载的方式。大钩可以被锁定(例如，在正常条件下)或可以自由旋转，使得其可以与围绕钻台等定位的项目配合或分离。
大钩负载可以是由游动滑车所承载的下拉大钩的总力。总力包括空气中的钻柱、钻铤和任何辅助装备的重量，该重量通过倾向于减轻该重量的力而减小。可能减轻该重量的一些力包括沿钻孔壁的摩擦力(特别是在斜井中)以及由于钻柱浸入钻井液(例如，和/或其他流体)中而在钻柱上产生的浮力。如果关闭了一个或多个防喷器(BOP)，则钻孔中作用在BOP中钻柱横截面上的压力也会施加向上力。
立管可以是刚性的金属导管，其提供高压路径以供钻井液沿着井架向上行进大约三分之一的距离，在该处立管连接到柔性高压软管(例如，方钻杆软管)。大型钻机可装有多于一根立管，以便在一根立管需要维修时将停机时间降至最低。图2示出了立管208，该立管是用于钻井液(例如，钻井泥浆等)的导管。立管208内流体的压力可以称为立管压力。
关于表面扭矩，这种测量可以由钻机现场的装备提供。作为示例，可以利用一个或多个传感器测量表面扭矩，这可以提供与钻柱相关联的表面扭矩的直接和/或间接测量。作为示例，装备可以包括具有模拟频率输出和数字输出中的一个或多个的钻杆扭矩测量和控制器系统。作为示例，扭矩传感器可以与包括弹性元件的耦接件相关联，该弹性元件可操作地接合输入元件和输出元件，其中弹性元件允许输入元件和输出元件响应于通过扭矩传感器传递的扭矩相对于彼此扭转，其中扭转可以被测量并用于确定传递的扭矩。作为示例，此类耦接件可以位于驱动装置和钻杆之间。作为示例，可以经由一个或多个惯性传感器确定扭矩。作为示例，钻机现场的装备可以包括用于测量和/或确定扭矩(例如，以Nm等为单位)的一个或多个传感器。
作为示例，装备可以包括实时钻井服务系统，该实时钻井服务系统可以提供数据，诸如重量传递信息、扭矩传递信息、当量循环密度(ECD)信息、井下机械比能(DMSE)信息、运动信息(例如，关于失速、黏滑等)、弯曲信息、振动振幅信息(例如，轴向、横向和/或扭转)、钻进速度(ROP)信息、压力信息、压差信息、流量信息等。作为示例，传感器信息可以包括倾斜度、方位角、总垂直深度等。作为示例，系统可以提供关于涡动(例如，反向涡动等)的信息，并且可以可选地提供诸如一个或多个警报的信息(例如，“严重反向涡动：停止并以较低表面RPM重启”等)。
作为示例，钻柱可以包括一个或多个工具，所述一个或多个工具包括可以进行各种测量的各种传感器。例如，考虑OPTIDRILLTM工具(斯伦贝谢公司，休斯顿，德克萨斯州)，其包括应变仪、加速度计、一个或多个磁强计、一个或多个陀螺仪等。例如，此类工具可使用应变仪获取钻压(WOB)测量结果(例如，带宽为200Hz的10秒移动窗口)、使用应变仪获取扭矩测量结果(例如，带宽为200Hz的10秒移动窗口)、使用应变仪获取弯曲力矩(例如，带宽为200Hz的10秒移动窗口)、使用一个或多个加速度计获取振动(例如，带宽为0.2Hz至150Hz的30秒RMS)、使用磁强计和陀螺仪获取旋转速度(例如，带宽为4Hz的30移动窗口)、使用一个或多个应变仪获取环空和内部压力(例如，带宽为200Hz的1秒平均值)、使用一个或多个温度传感器获取环空和内部温度(例如，带宽为10Hz的1秒平均值)、以及使用加速度计获取连续倾斜度(带宽为10Hz的30秒平均值)。
如所提到的，可以使用生成的合成数据接收和表征实时钻井操作数据的通道，该合成数据可以至少部分地基于与实时钻井操作相关联的一个或多个操作参数生成。此类实时钻井操作数据可以包括地面数据和/或井下数据。如所提到的，数据可用性可以在时间上(例如，频率、间隙等)和/或以其他方式(例如，分辨率等)不同。此类数据可能在噪声水平和/或噪声特性方面有所不同。
例如，钻机钻井系统(例如，动态系统)的动态特性可以经建模如下：
F(P，E，U)→Z
其中P是钻机机械系统的工厂，E是环境(例如，地层等)，U是钻机控制项(例如，顶驱RPM、流量FLWI等)并且Z是测量结果(例如，大钩负载等)。
可以利用非线性卡尔曼滤波器进一步描述系统的动态特性。此类卡尔曼滤波器可以包括内部状态、输入、测量结果和传递函数的分量。例如，考虑以下方程：
Xt+1←f(Xt)+b(Ut)+wt
Zt+1←h(Xt+1)+vt
其中f和b是内部状态Xt和输入Ut的传递函数，h是测量函数，并且其中w和v是噪声因子(例如，分别为过程噪声和观测噪声)，所述w和v可以组合到f和h中，并且改写为如下：
Xt←f(Xt-1)+b(Ut-w：t)
Zt←h(Xt)
卡尔曼滤波器可用于控制系统，并且可以最佳地使用具有高斯误差的不精确数据来连续更新对系统当前状态的最佳估计，其中系统是动态系统(例如，可随时间变化的系统)。
卡尔曼滤波器可以用一组方程来描述，该组方程提供一种有效的计算(递归)方法以便以最小化平方误差的平均值的方式估计过程的状态。卡尔曼滤波器可以支持对过去、现在甚至未来状态的估计，并且即使在所建模的系统的精确性质未知时也可以这样做。
卡尔曼滤波器可以使用预测过程和更新过程来操作。在预测过程中，卡尔曼滤波器可以产生对当前状态变量及其不确定性的估计。一旦观测到下一测量的结果(例如，可能被诸如随机噪声等的一定量的误差破坏)，便可在更新过程中使用加权平均来更新这些估计，其中向具有更高确定性的估计给予更大的权重。卡尔曼滤波器是递归的，并且其可以使用当前的输入测量结果和先前计算的状态及其不确定性矩阵实时地操作。卡尔曼滤波器不一定假设误差是高斯误差；然而，在误差是高斯误差的特殊情况下，卡尔曼滤波器产生条件概率估计。
可以在内部状态比可以测量的几个“可观测”参数大得多(更大自由度)的情况下应用卡尔曼滤波器。然而，通过组合一系列测量结果，可以利用卡尔曼滤波器来估计动态系统的整个内部状态。
卡尔曼滤波器可以基于在时域上离散的线性动态系统。所述线性动态系统可以在由可包括高斯噪声的误差干扰的线性算子上建立的马尔可夫链上建模。系统的状态可以表示为实数向量。作为示例，在每个离散时间增量处，可以将算子应用于状态以生成新状态，其中混合有一些噪声，并且可选地混合有来自系统上的控制项(例如，在一定程度上，它们是已知的或以其他方式被估计)的一些信息。然后，可以实现混合有更多噪声的另一算子，以从真实(“隐藏”)状态生成观测到的输出。卡尔曼滤波器可以与隐马尔可夫模型(HMM)相比区别在于隐状态变量采取连续空间(而非隐马尔可夫模型中的离散状态空间)中的值。
在某些情况下，即使在假定卡尔曼滤波器使用未知的随机信号作为输入来工作的情况下，未建模的动态特性可降低卡尔曼滤波器的性能。这种情况可能是由于取决于输入的未建模动态特性的影响所致，并且因此可能使估计技术不稳定(例如，发散)。然而，独立的白噪声信号通常将不会导致发散。
前述方程是针对一种类型的卡尔曼滤波器，这种卡尔曼滤波器可以被称为非线性卡尔曼滤波器或者例如扩展卡尔曼滤波器。对于非线性卡尔曼滤波器，状态转换和观察模型可以不同于状态的线性函数，并且可以是可微函数。上述过程和观测噪声可以被假设为具有相应协方差的零均值多变量高斯噪声。函数f可用于从先前的估计中计算预测状态，并且函数h可用于从预测状态中计算预测测量结果。作为示例，可以计算偏导数的矩阵(例如，雅可比行列式或雅可比矩阵)，其中在每个时间步处，利用当前预测状态来评估雅可比行列式。此类矩阵可以在卡尔曼滤波方程中使用。扩展卡尔曼滤波器可以使在当前估计附近的非线性函数线性化。
图8示出了包括预测过程和更新过程的卡尔曼滤波器800的示例，其中更新是基于预测过程的测量结果和输出。更新过程提供状态估计的输出以及在后续迭代(例如，下一时间增量)处对预测过程的反馈(例如，递归)。如所指示的，状态的先验知识可以是由预测过程结合更新过程的输出使用的输入。如所指示的，预测过程可以基于系统(例如，动态系统)的物理模型。
作为示例，一种方法可以包括使用深度卡尔曼滤波器相对于一个或多个预定义操作程序来评估现场操作。此类深度卡尔曼滤波器可以是利用神经网络的非线性卡尔曼滤波器，该神经网络可以被训练以“学习”滤波函数。例如，此类方法可以提供基于深度神经网络的卡尔曼滤波器的解，该卡尔曼滤波器从真实数据(例如，时间序列数据)中学习，表征不同的动态系统响应并且调节数据。作为示例，传递函数可以使用深度神经网络(DNN)来建模，该深度神经网络可以实现非线性卡尔曼滤波器模型，并且经由利用真实数据(例如，多通道时间序列数据等)进行训练来求解传递函数。
作为示例，预定义操作程序(OP)可以是标准操作程序(standard operationprocedure、或standard operating procedure、或standard operational procedure)，其可以被缩写为SOP。在各种示例中，描述了作为一个或多个动态系统过程的井建造，需注意，可以针对不同类型的动态系统或者一个或多个动态系统过程定义OP或SOP。将井建造中的一个或多个SOP与实际操作序列进行比较可以改善井建造设计和/或井建造(例如，实际建造操作)。作为示例，这样的一个或多个比较可以帮助减轻和/或防止未来的井建造问题。作为示例，一种方法可以评估在执行井规划中是否已经遵循和/或正在遵循SOP以及遵循和/或正在遵循SOP的程度。
传统上，将井建造操作与SOP进行比较是基于人的“直觉”，而没有进行适当的测量。与取决于费力的人工分析的方法相比，使用计算框架的自动化方法提供了一种系统化方式来对比实际执行深入分析规划SOP、提高分析准确性并减少处理时间和成本。此外，系统可以可操作地耦接到钻机现场的装备，使得可以进行实时评估，该实时评估可以用于控制一个或多个钻机现场操作。
如所提到的，可以将系统(诸如钻井系统)描述为包括具有非线性卡尔曼滤波方程的钻机和地层。作为示例，计算框架可以利用机器学习模型对卡尔曼滤波器中的函数进行建模，该机器学习模型可以被称为机器模型，该机器模型可以是神经网络模型(例如，或者简单地，神经网络)。作为示例，神经网络可以利用实际时间序列数据集来训练，并且提供卡尔曼滤波方程的解。
作为示例，预定义操作程序(OP)可以被定义为如在卡尔曼滤波方程中建模的内部状态和输入的序列，然后将该预定义操作程序与神经网络的潜在空间(例如，经编码特征空间)中的实际操作序列进行比较，该潜在空间包括由经训练的神经网络生成的信息。
图9示出了方法900的示例，该方法可以包括：滤波块910，其用于使用非线性卡尔曼滤波器来描述钻机钻井系统的动态特性；DNN块920，其用于使用深度神经网络(DNN)来表示卡尔曼滤波器中的函数；训练块930，其用于利用实际钻井数据集来训练DNN；表示块940，其用于通过经训练的DNN经由一个或多个模拟控制序列、活动标签和对应的内部状态来表示一个或多个OP；表示块950，其用于通过经训练的DNN用内部状态来表示实际操作；执行块960，其用于使用比较函数C来执行操作级比较，以对比实际操作来评估OP中的一个；分类块970，其用于通过使用比较函数C分配一个或多个OP标签来进行分类；以及执行块980，其用于使用比较函数C来执行活动级比较，以对比实际操作序列中的对应活动来评估OP中的活动。这种方法可以包括控制块，该控制块用于控制钻机现场的一件或多件装备以改善井建造。例如，基于比较，可以调整井规划，使得执行改善井建造的一个或多个操作。
如所解释的，分类可以为实际测量到的数据分配OP标签；需注意，DNN未使用OP标签进行训练，而是以不受监督的方式利用DNN。作为示例，一种方法可以包括预测输入和响应对，以及通过比较函数(例如，参见图14)使用内部状态(例如，参见图20)进行标签分配。以这种方式，标签分配通过比较函数来实现。
图9还示出了与块910、920、930、940、950、960、970和980相关联的各种计算机可读介质(CRM)块911、921、931、941、951、961、971和981。此类块可以包括可由一个或多个处理器执行的指令，这些处理器可以是计算框架、系统、计算机等的一个或多个处理器。计算机可读介质可以是非信号、非载波并且非暂态的计算机可读存储介质。例如，计算机可读介质可以是可以以数字格式存储信息的物理存储器部件。
在图9的示例中，系统990包括一个或多个信息存储装置991、一个或多个计算机992、一个或多个网络995和指令996。关于所述一个或多个计算机992，每个计算机可以包括一个或多个处理器(例如，或处理核心)993和用于存储指令996的存储器994，所述指令例如可以由所述一个或多个处理器中的至少一个执行。作为示例，计算机可以包括一个或多个网络接口(例如，有线或无线)、一个或多个图形卡、显示接口(例如，有线或无线)等。系统990可以用于执行方法900的一个或多个动作。作为示例，指令996可以包括CRM块911、921、931、941、951、961、971和981中的一个或多个的指令。
作为示例，给定OP和实际操作序列，诸如“触底钻进”，方法900可以回答问题“动态系统的实际操作在多大程度上遵循OP？”并且例如：“如果未完全遵循，在哪里没有很好地遵循？”方法900可以提供定量的方式来测量OP和实际操作序列之间的变化。
如所提到的，目前，将井建设操作与OP进行比较是基于人的“直觉”，而未进行合规的适当测量。与取决于费力的人工分析的此类人工方法相比，方法900可以提供一种系统化方式来对比实际执行深度分析规划OP，这可以提高分析准确性，并且例如减少处理时间和成本。如所提到的，方法900可以用于控制操作中。例如，方法900可以由系统990实现，其中系统990可操作地耦接到一件或多件装备，所述一件或多件装备可以经由发出一个或多个信号、命令等来控制以改善一个或多个井建造操作。作为示例，可以经由更新井规划来实现控制。例如，可以使用图9的方法900的输出来更新GUI 600，其中GUI 600可以经由系统990执行指令而呈现到显示器，其中系统990可操作地耦接到显示器。在此类示例中，GUI 600可以可选地在井建造期间进行更新，使得井规划得以改进，并且因此井建造得以改进。方法900是DNN和卡尔曼滤波器的实际应用，其中卡尔曼滤波器在时间上表示现场(诸如钻机现场)的装备的操作，在该现场处，装备可操作以建造井的一个或多个特征部(例如，钻取井眼、清理、固井、压裂、下套管、射孔、测井等)。
如所提到的，可以利用系统动态特性的卡尔曼滤波器表示，例如其中：
F(P，E，U)→Z
或F(X，U)→Z
其中：
P：工厂；钻机机械系统
E：环境；地球、地层等
U：钻机控制项；顶驱RPM、流量FLWI等
Z：测量结果；大钩负载HKLD、立管压力SPPA等
X：内部状态；{P，E}
如所提到的，内部状态可以包括机械系统(例如，包括相关联的流体系统、电气系统等)的各个方面以及地质环境的各个方面。对于一个或多个井建造操作，内部状态可以表示钻机现场处的装备的物理条件和地质环境的物理条件，其中在装备与地质环境之间发生相互作用。作为示例，引入到地层中的井眼中的钻井液可影响地层(例如，孔隙、孔隙流体、温度、压力、化学反应等)。例如，引入到地层中的井眼中的水泥可影响地层(例如，孔隙、孔隙流体、温度、压力、化学反应等)。作为示例，水力压裂操作可以是将高压压裂液引入地层中的井中的井建造操作，其中管井中的射孔可以允许高压压裂液流入地层中以产生与井流体连通的裂缝，其中地层可以包括可以从裂缝流到井的储层流体。作为示例，钻入地层可破碎该地层的岩石，被破碎的岩石可经由钻井液运输到地面。前述方程可以表示此类相互作用和/或相互依赖性。内部状态的表示可用于控制装备，例如以一个或多个井建造参数(例如，时间、位置、完整性、开采潜力等)为目标。
图10示出了在系统框图1010、1030和1050的一个或多个示例中表示的系统动态特性的卡尔曼滤波器表示的前述方程。在系统1010中，分量f和求和运算可以视作系统1030中的循环分量R。系统1050示出了具有表示系统1030的分量的神经网络。
系统1050可以包括神经网络，该神经网络可以使用适当的数据进行训练，该数据可以从可针对除了主井之外的一个或多个井的井建造操作中获得。例如，可以使用用于在除了主井之外的一个或多个井处执行的井建造操作的补偿井数据来训练系统1050的神经网络。在系统1050的示例中，函数b(传递函数)、R和h(测量函数)可以通过这种训练变得可用。
图11示出了系统1100的示例，该系统包括与图10的系统1050的体系结构类似的体系结构。如系统1100所示，输入向量U可以是RPM、BPOS、“扣紧卡瓦”、流速、钻杆数量等的加时间窗的多个通道，而输出可以是HKLD、SPPA、STOR等的响应通道。在示例系统1100中，传递函数b经由卷积神经网络(CNN)提供，该卷积神经网络可以执行由长短期记忆(LSTM)层部件接收的特征提取，该长短期记忆层部件可以例如在潜在空间(例如，特征空间)中提供内部状态表示。LSTM部件的输出可以由全连接(FC)层部件接收，该全连接层部件可以提供用于测量建模目的的测量函数。在提到LSTM的地方，其可以是遗忘门(fg)LSTM。此类LSTM可以“遗忘”某些参数值，这可能适合于对“工厂”(例如，装备和环境)的时间行为进行建模。
如所提到的，一种方法可以包括与一个或多个预定义操作程序(例如，一个或多个OP)进行比较。
作为示例，可以将OP定义为期望状态(例如，期望内部状态)和期望控制项的序列，如下所示：
·Xs＝{x0，x1，...，xn}
·Us＝{u0，u1，...，un-1}
·OPs＝{Xs，Us}
在前述方程中，Xs可以通过使用根据深度神经网络训练的函数b和R而获得，并且输入Us可以是由特定OP定义的时间序列。
作为示例，可以将实际OP定义为实际状态(例如，实际内部状态)和实际控制项的序列，如下所示：
·Xi＝{x0，x1，...，xn}
·Ui＝{u0，u1，...，un-1}
·OPi＝{Xi，Ui}
上面的OPs是期望的操作(例如，“目标”，通过OP给出)，并OPi是利用动态系统的观测(例如，测量)确定的第i个观测到的操作序列。
图12示出了潜在空间1200中的OP表示(例如，OPs)的示例曲线图1200，该潜在空间包括各种内部状态和控制项(例如，如上给出的x和u)，这些内部状态和控制项可以在时间上连接(例如，在时间上相关)。如图12所示，“分叉”可以表示为“u”，并且“分叉”之间的“顶点”可以表示为“x”，它们形成向量Us和Xs并定义OPs。如上所解释的，内部状态可以表示为向量，并且控制项可以表示为向量，其中操作程序可以是内部状态向量(例如，内部状态的向量)和控制向量(例如，控制项的向量)的函数。如所解释的，OP可以是针对期望内部状态和期望控制项的。
如所提到的，可以利用系统在期望的和实际的内部状态和/或控制项之间进行比较。例如，在相对于期望内部状态和期望控制项(例如，经由向量等)定义OP的情况下，系统可以接收实际控制项(例如，作为向量)作为输入并且生成实际内部状态(例如，作为向量)，其中可以可选地将此信息与可以是潜在空间(例如，特征空间)的适当空间中的一个或多个OP进行比较。例如，曲线图1200可以针对可在潜在空间中呈现到显示器的OP，其中所生成的实际表示可以经由在潜在空间中呈现到显示器而被覆盖(例如，同时地绘制等)，以执行实际井建造操作与预定义OP井建造操作的比较。此类比较可允许对实际井建造期间发生的事件进行时间比较(何时以及以何种顺序)，其中井建造规划可能已经被指定为根据OP(例如，或多个OP)执行各种井建造操作。
如相对于系统1100所解释的，内部状态向量元素可以通过使用如神经网络体系结构中的经训练的函数b和R来获得。作为示例，系统1100的输入Ut可以是由OP定义的时间序列。在此类方法中，OP可以用于响应于井建造操作而确定动态系统(例如，装备和环境)的对应内部状态。此类内部状态可以被认为是期望的内部状态，如期望经由时间序列的执行实现的那些内部状态。此类方法将OP转变或转换为内部状态。在此类示例中，OP可以被表示为多个内部状态和对应的控制项，其可以在潜在空间(例如，可以与LSTM层相关联的特征空间)中呈现到显示器。
图13示出了系统1300的示例，该系统可以是图11的系统1100的截断部分，其可用于相对于时间来模拟期望内部状态(例如，参见向量Xs)的目的。如图所示，系统1300的输入是控制项的时间序列(例如，参见向量Us)，其作为时间序列被表示为通用输入Ut。此类输入可以使用CNN进行特征提取(例如，参见传递函数b)，该特征提取可以被提供给一个或多个LSTM层，所述一个或多个LSTM层是递归的并且可以相对于时间输出值x，其中这些值对应于内部状态，所述内部状态是与控制项的输入时间序列(例如，向量Us)相关联的期望内部状态。以这种方式，可以生成期望内部状态的向量Xs，所述向量与控制项的作为向量Us的输入时间序列相关联。可以利用向量来将OP的表示在潜在空间(例如，特征空间)中呈现到显示器。
图14示出了比较1400的示例，其中OP被定义为时间序列，并且其中评分函数被用于量化时间序列与实际序列的比较。如图14所示，“分叉”可以表示为“u”，并且“分叉”之间的“顶点”可以表示为“x”，它们形成向量Us和Xs并定义OPs，并且类似地，可以示出向量Ui和Xi(它们定义OPi)的输出。作为示例，可以示出多于一组OPi，以用于与一组OPs进行比较的目的。
在图14的示例中，评分函数可以定义为如下：
S＝C(OPs，OPi)
前述评分函数可以包括例如作为距离函数的C，其可以确定适当空间中的距离，该适当空间可以是DNN的潜在空间(例如，特征空间)。如上面提到的，OPs是期望的操作(例如，“目标”，通过OP给出)，并OPi是利用动态系统的观测(例如，测量)确定的第i个观测到的操作序列。因此，可以比较期望的操作和观测的操作，其中此比较可在DNN的潜在空间(例如，特征空间)中进行。作为示例，来自动态系统的多通道数据(例如，传感器数据)可以用作计算框架的输入，该计算框架包括具有深度卡尔曼滤波器的经训练的DNN，以生成指示与动态系统相关联的实际操作动作和/或操作动作序列的输出。可以将此类输出与期望输出进行比较，或者相对于期望输出进行其他处理，以生成一个或多个度量，所述一个或多个度量可以量化与期望的一个或多个操作动作及其相关联的一个或多个响应的相符性(例如，遵从)。例如，偏差的严重性可以用权重向量表示，并且被结合到前述方程中。如所提到的，可以在潜在空间(例如，特征空间)或例如从中得出的空间(例如，使用主成分分析(PCA)等，这可出于一个或多个目的降低维数)中进行比较或其他评估。
可以利用图14的方法来回答以下问题：“遵循OP的准确性如何？”这种方法可以提供期望与实际的操作级比较，这可以用于调整井建造规划、控制一个或多个井建造操作等。
作为示例，可能询问以下问题：“操作在哪里偏离了OP？”此类问题可以用于活动级比较。例如，考虑一种通过活动标签(例如，可由OP指定)将OP分成若干个分段的方法。此类方法可以包括将操作i映射到OP分段(例如，最近邻)上，并且将OP中的第m个操作与第n个实际操作进行比较。此类方法可以利用诸如以下方程的方程：
Sm，n＝C(OPs，m，OPi，n)
如上所解释的，一种方法可以包括相对于卡尔曼滤波器来表示井建造操作(例如，相对于动态系统的过程)，其中“工厂”(例如，装备和环境)可以表示为内部状态，这些内部状态可以使用神经网络体系结构生成，该神经网络体系结构包括馈送到一个或多个长短期记忆(LSTM)层的特征提取(例如，经由CNN)，所述一个或多个长短期记忆(LSTM)层可以充分考虑相对于“工厂”的操作的时间方面。卡尔曼滤波器的使用允许控制项和内部状态的关联，这可与一个或多个预定义操作程序(OP)有关。如所解释的，OP可以将操作指定为控制项，其中可以经由经训练的神经网络(例如，CNN/LSTM)生成对应的内部状态。那些控制项和内部状态可以被认为是“期望的”，并且可以与实际进行比较以确定实际操作是否和/或在多大程度上符合一个或多个指定的OP。
前述方法涉及问题和任务的表示。如所解释的，卡尔曼滤波器方法允许分离控制信号和响应信号。如所解释的，系统可以提供内部状态X的更精确的定义。一种系统可用于数据驱动的方法中，例如，其中使用补偿井数据对神经网络计算框架进行训练。如所解释的，可以使用用时间序列特征提取CNN进行训练的滤波器来解决时间属性(例如，参见卡尔曼滤波器表示中的传递函数b的分量)。
如所提到的，一种方法可以包括使用非线性卡尔曼滤波器来描述钻机钻井系统的动态特性，以及使用深度神经网络来表示卡尔曼滤波器中的函数。一种方法可以包括用实际钻井数据集(例如，补偿井等)训练此类深度神经网络。如所提到的，一种方法可以包括通过经训练的深度神经网络用模拟的控制序列、活动标签和对应的内部状态来表示OP。在此类方法中，可以对OP进行量化，其中量化可以利用由一个或多个LSTM层生成的经编码的压缩内部状态。一种方法可以包括利用通过经训练的深度神经网络生成的内部状态表示实际操作(例如，经由将实际操作信息输入到经训练的深度神经网络)。如所解释的，操作级比较可以包括使用比较函数C对比实际操作来评估OP。作为示例，一种方法可以包括通过来自OP的活动标签对实际操作内部状态进行分类。作为示例，一种方法可以包括使用比较函数C执行活动级比较，以对比实际操作序列中的对应活动来评估OP中的活动。
图15示出了方法1500的示例，该方法包括：训练块1510，其用于训练深度神经网络以生成经训练的深度神经网络，其中经训练的深度神经网络表示非线性卡尔曼滤波器的函数，该非线性卡尔曼滤波器表示装备和环境的动态系统，其中该函数包括将某一时间的内部状态向量与先前内部状态向量和操作向量相关联的传递函数f和b，以及将测量向量与内部状态向量相关联的测量函数h；生成块1520，其用于使用经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量；接收块1530，其用于响应于环境中的操作从装备接收操作数据；生成块1540，其用于使用操作数据和经训练的深度神经网络生成内部状态向量；比较块1550，其用于将至少内部状态向量与至少基本内部状态向量进行比较；以及控制块1560，其用于基于该比较来控制至少一件装备。
图15还示出了与块1510、1520、1530、1540、1550和1560相关联的各种计算机可读介质(CRM)块1511、1521、1531、1541、1551和1561。此类块可以包括可由一个或多个处理器执行的指令，这些处理器可以是计算框架、系统、计算机等的一个或多个处理器。计算机可读介质可以是非信号、非载波并且非暂态的计算机可读存储介质。例如，计算机可读介质可以是可以以数字格式存储信息的物理存储器部件。
图16示出了系统1600的示例，该系统包括各种结构，包括输入部件、CNN、LSTM、CF和合并部件。关于CF示出了多种类型的数据的示例，包括BPOS、HKLD、SPM1(例如，可代表泵送速率的每分钟行程等)等。
图17示出了图16的系统1600的潜在空间中的经编码时间序列，该经编码时间序列被配置为实现非线性卡尔曼滤波器模型。系统1600可以使用此类深度神经网络体系结构对滤波器的传递函数进行建模。可以通过训练系统1600以生成经训练的系统来求解传递函数，其中这种训练可以利用实际训练数据(例如，时间序列数据)。如相对于图16所提到的，系统1600包括具有卷积神经网络层(CNN)、长短期记忆层(LSTM)和全连接层(FC)的部件的深度神经网络模型。
图18和图19示出了训练数据1810和1830的曲线图、输入数据1910(例如，合成数据)的曲线图和输出数据1930的曲线图。使用超过160,000条真实钻井数据记录对系统1600进行训练，以生成经训练的系统。具体地，函数b、R和h通过训练变得可用。作为示例，输入向量U可以是RPM、滑车位置、卡瓦状态、流速、钻压的加时间窗的多个通道，而输出可以是扭矩(STOR)、钻进速度(ROP)、大钩负载、压力等的响应通道。在50个时期(epoch)之后，输出的准确性达到约99.5％。图19示出了来自合成通道(曲线图1910)的预测响应(曲线图1930)。
图20示出了从潜在空间中的LSTM输出生成的处理后的空间2000中的输出。图20示出了潜在空间中的模拟时间序列的动态特性。为了使钻井状态的动态特性可视化，应用主成分分析(PCA)变换来降低维数，然后将训练数据集呈现为空间中的点，并且由钻机状态处理器进行编码(例如，使用从低索引值到高索引值的数字索引，其中每个值代表不同的状态)，钻机状态处理器将钻井时间序列解译为不同的钻机状态，例如，扣紧卡瓦和脱开卡瓦、触底/离底等。
在图20的示例中，白线示出了模拟状态的动态特性。模拟从中间靠右的白圈处开始，并且在大致位于相同位置的白框处结束。白线的循环对应于钻进的多根立柱。重复钻井状态路径，但每根立柱具有一定的变化。
具体地，图20示出了由模拟器输出的在潜在空间中的模拟动态特性的可视化。数据来自最后的循环层输出，所述最后的循环层输出被投影到前两个PCA维度上，该输出表示编码的潜在空间。这些点通过钻机状态进行编码，将这些点从低状态索引到高状态索引进行编号。叠加在点投影上的白线示出了模拟的动态特性。如所提到的，动态模拟从白圈指示的位置开始，并且在白框的位置处结束。
如所解释的，可以利用深度神经网络模型来生成以控制信号作为输入的模拟自主时间序列数据。图16示出了系统1600的示例，该系统可以使用训练数据(诸如曲线图1710和1730的数据)进行训练，以生成经训练的系统。这种经训练的系统可以接收控制信号作为输入，诸如在曲线图1810中，并且可以生成时间序列数据，诸如在曲线图1830中。如所解释的，经训练的系统可以生成可在潜在空间中表示的经编码时间序列输出，可以出于一个或多个目的(例如，可视化等)对该经编码时间序列输出进行处理。
作为示例，计算框架可以包括针对现场操作的一个或多个机器学习模型。可以利用此类框架来控制一个或多个现场操作。例如，考虑一种计算框架，该计算框架可操作地耦合到一件或多件现场装备，以控制一个或多个钻井操作。
作为示例，可以使用由计算框架的一个或多个机器学习模型生成的数据来校准现场控制器。此类数据可以被称为表示实际现场操作的合成数据。作为示例，此类数据可以是钻井时间序列数据。可以将生成此类合成数据的计算框架称为计算模拟器，该计算模拟器是可以整合或分布的一种装置或系统类型。例如，计算模拟器可以是包括一个或多个处理器以及存储器的装置或系统，其中其电路是专用的(例如，经由存储在存储器中的处理器可执行指令进行配置)以生成表示实际现场操作的合成数据。作为示例，一种方法可以出于一个或多个目的利用合成数据，诸如现场控制器的校准以(例如，经由调谐等)生成校准后的现场控制器、现场控制器的测试等。作为示例，可以生成表示一个或多个现场操作的合成数据的计算框架可被用于可选地实时推断一个或多个钻井操作的一个或多个状态。例如，可以使用生成的合成数据来接收和表征实时钻井操作数据的通道，该合成数据可以至少部分地基于与实时钻井操作相关联的一个或多个操作参数生成。
图21示出了方法2100的示例，该方法包括：接收块2110，其用于接收钻井操作的多通道时间序列数据；训练块2120，其用于使用多通道时间序列数据来训练深度神经网络(DNN)以生成经训练的深度神经网络，其中该深度神经网络包括至少一个循环单元(例如，考虑遗忘门长短期记忆单元等)；模拟块2130，其用于使用经训练的深度神经网络来模拟钻井操作以生成模拟结果；以及控制块2140，其用于使用模拟结果来控制钻井操作。作为示例，前述方法可以包括生成经训练的深度神经网络作为计算模拟器的一部分，其中可以利用计算模拟器来模拟钻井操作。
图21还示出了与块2110、2120、2130和2140相关联的各种计算机可读介质(CRM)块2111、2121、2131和2141。此类块可以包括可由一个或多个处理器执行的指令，这些处理器可以是计算框架、系统、计算机等的一个或多个处理器。计算机可读介质可以是非信号、非载波并且非暂态的计算机可读存储介质。例如，计算机可读介质可以是可以以数字格式存储信息的物理存储器部件。
在图21的示例中，系统2190包括一个或多个信息存储装置2191、一个或多个计算机2192、一个或多个网络2195和指令2196。关于所述一个或多个计算机2192，每个计算机可以包括一个或多个处理器(例如，或处理核心)2193和用于存储指令2196的存储器2194，所述指令例如可以由所述一个或多个处理器中的至少一个执行。作为示例，计算机可以包括一个或多个网络接口(例如，有线或无线)、一个或多个图形卡、显示接口(例如，有线或无线)等。作为示例，系统2190可以是计算模拟器。
作为示例，一种方法可以包括：训练深度神经网络以生成经训练的深度神经网络，其中经训练的深度神经网络表示非线性卡尔曼滤波器的函数，该非线性卡尔曼滤波器经由装备和环境的动态系统的内部状态向量来表示动态系统；使用经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量；响应于环境中的操作，从装备接收操作数据；使用操作数据和经训练的深度神经网络生成内部状态向量；以及将至少内部状态向量与至少基本内部状态向量进行比较。作为示例，此类方法可以包括控制至少一件装备，该控制可以基于比较。作为示例，一种方法可以包括将内部状态向量和/或基本内部状态向量的图形表示呈现到显示器。例如，考虑一种其中响应于使用操作数据生成内部状态向量而执行呈现的方法。
作为示例，一种方法可以包括使用函数，所述函数包括将某一时间的内部状态向量与先前内部状态向量和操作向量相关联的传递函数，并且其中所述函数包括将测量向量与内部状态向量相关联的测量函数。
作为示例，深度神经网络可以包括卷积神经网络层和长短期记忆层，该长短期记忆层可包括遗忘门(例如，fgLSTM)。
作为示例，一种方法可以包括在潜在空间中将至少内部状态向量与至少基本内部状态向量进行比较，该潜在空间可以是与神经网络体系结构中的循环单元(例如，考虑LSTM作为循环单元)相关联的空间。
作为示例，预定义操作程序可以包括一系列被禁止的动作。在此类示例中，可以使用可以是动态系统的一部分的一件或多件装备来执行被禁止的动作。
作为示例，一种方法可以包括通过利用评分函数将至少内部状态向量与至少基本内部状态向量进行比较。
作为示例，内部状态向量的内部状态可以表示为状态空间中的点。例如，状态空间中两个连续点之间的距离可以表示动态系统的时间过程，该时间过程将动态系统从这些点中的第一个转换到这些点中的第二个(例如，参见图20的曲线图2000)。在此类示例中，一种方法可以包括将时间过程与预定义操作程序的过程进行比较。
作为示例，装备可以包括井建造装备，并且/或者环境可以包括地球中的地层(例如，地下地质地层)。作为示例，井建造可以是在陆上、在海上或陆上与海上的组合。
作为示例，一种方法可以包括训练深度神经网络，其中使用时间序列数据来训练深度神经网络。作为示例，可以使用多通道时间序列数据来训练深度神经网络。
作为示例，一种系统可以包括：处理器；可由处理器访问的存储器；处理器可执行指令，所述处理器可执行指令存储在存储器中并且可执行以指示系统：训练深度神经网络以生成经训练的深度神经网络，其中经训练的深度神经网络表示非线性卡尔曼滤波器的函数，该非线性卡尔曼滤波器经由装备和环境的动态系统的内部状态向量来表示该动态系统；使用经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量；响应于环境中的操作，从装备接收操作数据；使用操作数据和经训练的深度神经网络生成内部状态向量；以及将至少内部状态向量与至少基本内部状态向量进行比较。在此类示例中，处理器可执行指令可以包括用于例如基于一个比较(例如，或多个比较等)来指示系统控制至少一件装备的指令。
作为示例，一个或多个计算机可读存储介质可以包括处理器可执行指令，以指示计算系统：训练深度神经网络以生成经训练的深度神经网络，其中经训练的深度神经网络表示非线性卡尔曼滤波器的函数，该非线性卡尔曼滤波器经由装备和环境的动态系统的内部状态向量来表示该动态系统；使用经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量；响应于环境中的操作，从装备接收操作数据；使用操作数据和经训练的深度神经网络生成内部状态向量；以及将至少内部状态向量与至少基本内部状态向量进行比较。在此类示例中，所述一个或多个计算机可读存储介质可以包括处理器可执行指令，以例如基于一个比较(例如，或多个比较等)来指示计算系统控制至少一件装备。
作为示例，可以部分地使用计算机可读介质(CRM)将方法实现为例如模块、块等，所述模块、块等包括诸如适于由一个或多个处理器(或处理器核心)执行的指令的信息，以指示计算装置或系统执行一个或多个动作。作为示例，单个介质可以配置有指令以至少部分地允许执行方法的各种动作。作为示例，计算机可读介质(CRM)可以是非载波的计算机可读存储介质(例如，非暂态介质)。
根据一个实施方案，一个或多个计算机可读介质可以包括计算机可执行指令，以指示计算系统输出用于控制过程的信息。例如，此类指令可以提供输出到感测过程、注入过程、钻井过程、提取过程、挤压过程、泵送过程、加热过程等。
在一些实施方案中，一种或多种方法可以由计算系统执行。图22示出了可包括一个或多个计算系统2201-1、2201-2、2201-3和2201-4的系统2200的示例，所述一个或多个计算系统可经由一个或多个网络2209可操作地耦接，所述网络可以包括有线和/或无线网络。
作为示例，系统可包括单独的计算机系统或分布式计算机系统的布置。在图22的示例中，计算机系统2201-1可包括一个或多个模块2202，所述一个或多个模块可以是或包括例如可执行以实施各种任务(例如，接收信息、请求信息、处理信息、模拟、输出信息等)的处理器可执行指令。
作为示例，模块可以独立地或与一个或多个处理器2204协同地执行，所述一个或多个处理器(例如，经由有线、无线地等)可操作地耦接到一个或多个存储介质2206。作为示例，所述一个或多个处理器2204中的一个或多个可以可操作地耦接到一个或多个网络接口2207中的至少一个。在此类示例中，计算机系统2201-1可以例如经由一个或多个网络2209传输和/或接收信息(例如，考虑互联网、专用网络、蜂窝网络、卫星网络等中的一个或多个)。
作为示例，计算机系统2201-1可以从一个或多个其他装置接收信息以及/或者传输信息到一个或多个其他装置，所述一个或多个其他装置可以是或包括例如计算机系统2201-2中的一个或多个等。装置可以位于与计算机系统2201-1不同的物理位置。作为示例，位置可以是例如处理设施位置、数据中心位置(例如，服务器场等)、钻机位置、井场位置、井下位置等。
作为示例，处理器可以是或包括微处理器、微控制器、处理器模块或子系统、可编程集成电路、可编程门阵列或另一控制或计算装置。
作为示例，存储介质2206可以实现为一个或多个计算机可读或机器可读存储介质。作为示例，存储可以分布在计算系统和/或附加计算系统的多个内部和/或外部机壳内和/或之间。
例如，一个或多个存储介质可包括一种或多种不同形式的存储器，包括：半导体存储器装置，诸如动态或静态随机存取存储器(DRAM或SRAM)、可擦除和可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和快闪存储器；磁盘，诸如固定磁盘、软盘和可移动磁盘；其他磁介质，包括磁带；光学介质，诸如光盘(CD)或数字视频盘(DVD)、
Figure BDA0002532266730000521
盘或其他类型的光学存储装置；或其他类型的存储装置。
作为示例，一个或多个存储介质可以位于运行机器可读指令的机器中，或者位于远程站点，机器可读指令可以从该远程站点通过网络下载以供执行。
作为示例，系统(诸如计算机系统)的各种部件可以在包括一个或多个信号处理和/或专用集成电路的硬件、软件或硬件与软件(例如，包括固件)组合中实现。
作为示例，系统可以包括处理设备，该处理设备可以是或包括通用处理器或专用芯片(例如，或芯片组)，诸如ASIC、FPGA、PLD或其他适当的装置。
图23示出了计算系统2300和联网系统2310的部件。系统2300包括一个或多个处理器2302、存储器和/或存储部件2304、一个或多个输入和/或输出装置2306以及总线2308。根据一个实施方案，指令可以存储在一个或多个计算机可读介质(例如，存储器/存储部件2304)中。此类指令可以由一个或多个处理器(例如，一个或多个处理器2302)经由通信总线(例如，总线2308)读取，该通信总线可以是有线的或无线的。所述一个或多个处理器可以执行此类指令以(全部或部分地)实现一个或多个属性(例如，作为方法的一部分)。用户可以经由I/O装置(例如，装置2306)查看来自过程的输出并与过程进行交互。根据一个实施方案，计算机可读介质可以是存储部件，诸如物理存储器存储装置，例如芯片、封装上的芯片、存储器卡等。
根据一个实施方案，部件可以分布在诸如网络系统2310中。网络系统2310包括部件2322-1、2322-2、2322-3、......2322-N。例如，部件2322-1可以包括一个或多个处理器2302，而一个或多个部件2322-3可以包括可由一个或多个处理器2302访问的存储器。此外，一个或多个部件2322-2可以包括I/O装置以用于进行显示和可选地与方法进行交互。网络可以是或包括互联网、内联网、蜂窝网络、卫星网络等。
作为示例，装置可以是包括用于信息通信的一个或多个网络接口的移动装置。例如，移动装置可以包括无线网络接口(例如，可经由IEEE 802.11、ETSI GSM、
Figure BDA0002532266730000541
卫星等操作)。作为示例，移动装置可以包括多个部件，诸如主处理器、存储器、显示器、显示图形电路(例如，可选地包括触摸和手势电路)、SIM插槽、音频/视频电路、运动处理电路(例如，加速度计、陀螺仪)、无线LAN电路、智能卡电路、传输器电路、GPS电路和电池。作为示例，移动装置可以被配置为手机、平板电脑等。作为示例，可以使用移动装置(例如，全部或部分地)实现方法。作为示例，系统可以包括一个或多个移动装置。
作为示例，系统可以是分布式环境，例如所谓的“云”环境，其中各种装置、部件等交互以用于数据存储、通信、计算等目的。作为示例，装置或系统可以包括用于经由互联网(例如，在经由一个或多个互联网协议进行通信的情况下)、蜂窝网络、卫星网络等中的一个或多个进行信息通信的一个或多个部件。作为示例，方法可以在分布式环境中实现(例如，全部或部分地作为基于云的服务)。
作为示例，信息可以从显示器输入(例如，考虑触摸屏)、输出到显示器或两者。作为示例，可以将信息输出到投影仪、激光装置、打印机等，使得可以查看信息。作为示例，可以立体地或全息地输出信息。关于打印机，考虑2D或3D打印机。作为示例，3D打印机可以包括可输出以构建3D对象的一种或多种物质。例如，可以将数据提供给3D打印机以构建地下地层的3D表示。作为示例，可以在3D中构建层(例如，地平线等)，在3D中构建地质体等。作为示例，可以在3D中构建井眼、裂缝等(例如，作为正结构、作为负结构等)。
虽然上面只详细描述了几个示例，但是本领域技术人员应当容易理解，在示例中可以进行许多修改。因此，所有此类修改意图包括在如所附权利要求中所限定的本公开的范围内。在权利要求中，手段附加功能条款意图覆盖本文描述的执行所述功能的结构，而不仅仅是结构等同物，还包括等同结构。因此，尽管钉子和螺钉可能不是结构等效物，因为钉子采用圆柱形表面来将木制零件固定在一起，而螺钉采用的是螺旋形表面，但是在紧固木制零件的环境下，钉子和螺钉可能是等效结构。本申请人的表达意图不是援引35U.S.C.§112第6段以对本文的任一项权利要求进行任何限制，某项权利要求明确地使用词语“用于……的装置”连同相关功能的那些限制除外。

Claims (15)

1.一种用于井场系统（200）的自动化方法(1500)，其包括：
训练深度神经网络以生成经训练的深度神经网络，其中所述经训练的深度神经网络表示非线性卡尔曼滤波器的函数，所述非线性卡尔曼滤波器经由所述井场系统中的装备和环境的动态系统的内部状态向量来表示所述动态系统的动态特性(1510)；
使用所述经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量，其中所述预定义操作程序描述了在所述井场系统中作为一个或多个动态系统过程的井建造(1520)；
响应于所述环境中的操作，从所述装备接收操作数据(1530)；
使用所述操作数据和所述经训练的深度神经网络生成内部状态向量(1540)；以及
将至少所述内部状态向量与至少所述基本内部状态向量进行比较(1550)；
其中，所述动态系统的动态特性经建模如下：
F(P，E，U)→Z，
其中P是所述井场系统中的工厂，E是环境，U是所述井场系统中的控制项，并且Z是测量结果；
所述卡尔曼滤波器包括内部状态、输入、测量结果和传递函数的分量：
Xt+1←f(Xt)+b(Ut)+wt，
Zt+1←h(Xt+1)+vt，
其中f和b是内部状态Xt和输入Ut的传递函数，h是测量函数，并且其中w和v是噪声因子，将所述w和v组合到f和h中，并且改写为如下：
Xt←f(Xt-1)+b(Ut-w:t) ，
Zt←h(Xt)。
2.如权利要求1所述的方法，其还包括基于所述比较来控制至少一件所述装备。
3.如权利要求1所述的方法，其还包括将所述内部状态向量和所述基本内部状态向量的图形表示呈现到显示器。
4.如权利要求3所述的方法，其中响应于使用所述操作数据生成所述内部状态向量而执行所述呈现。
5.如权利要求1所述的方法，其中所述函数包括将某一时间的所述内部状态向量与先前内部状态向量和操作向量相关联的传递函数，并且其中所述函数包括将测量向量与所述内部状态向量相关联的测量函数。
6.如权利要求1所述的方法，其中所述深度神经网络包括卷积神经网络层和长短期记忆层。
7.如权利要求1所述的方法，其中将至少所述内部状态向量与至少所述基本内部状态向量进行比较包括在潜在空间中进行比较。
8.如权利要求1所述的方法，其中所述预定义操作程序包括一系列被禁止的动作。
9.如权利要求1所述的方法，其中将至少所述内部状态向量与至少所述基本内部状态向量进行比较包括利用评分函数。
10.如权利要求1所述的方法，其中将所述内部状态向量的内部状态表示为状态空间中的点，其中所述状态空间中两个连续点之间的距离表示所述动态系统的时间过程，所述时间过程将所述动态系统从所述点中的第一个转换到所述点中的第二个。
11.如权利要求10所述的方法，其包括将所述时间过程与所述预定义操作程序的过程进行比较。
12.如权利要求1所述的方法，其中所述装备包括井建造装备，并且其中所述环境包括地球中的地层。
13.如权利要求1所述的方法，其中使用时间序列数据训练所述深度神经网络，所述时间序列数据包括多通道时间序列数据。
14.一种用于井场系统（200）的自动化系统(990)，其包括：
处理器(993)；
存储器(994)，所述处理器能够访问所述存储器；
处理器可执行指令(996)，所述处理器可执行指令存储在所述存储器中并且可执行以指示所述系统：
训练深度神经网络以生成经训练的深度神经网络，其中所述经训练的深度神经网络表示非线性卡尔曼滤波器的函数，所述非线性卡尔曼滤波器经由所述井场系统中的装备和环境的动态系统的内部状态向量来表示所述动态系统的动态特性(1511)；
使用所述经训练的深度神经网络生成对应于预定义操作程序的基本内部状态向量，其中所述预定义操作程序描述了在所述井场系统中作为一个或多个动态系统过程的井建造(1521)；
响应于所述环境中的操作，从所述装备接收操作数据(1531)；
使用所述操作数据和所述经训练的深度神经网络生成内部状态向量(1541)；以及
将至少所述内部状态向量与至少所述基本内部状态向量进行比较(1551)；
其中，所述动态系统的动态特性经建模如下：
F(P，E，U)→Z，
其中P是所述井场系统中的工厂，E是环境，U是所述井场系统中的控制项，并且Z是测量结果；
所述卡尔曼滤波器包括内部状态、输入、测量结果和传递函数的分量：
Xt+1←f(Xt)+b(Ut)+wt，
Zt+1←h(Xt+1)+vt，
其中f和b是内部状态Xt和输入Ut的传递函数，h是测量函数，并且其中w和v是噪声因子，将所述w和v组合到f和h中，并且改写为如下：
Xt←f(Xt-1)+b(Ut-w:t) ，
Zt←h(Xt)。
15.一种或多种计算机可读存储介质，其包括计算机可执行指令，所述计算机可执行指令可执行以指示计算系统执行权利要求1至13中任一项所述的方法。
CN201880079625.8A 2017-11-15 2018-11-15 具有滤波器的现场操作系统 Active CN111479982B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762586288P 2017-11-15 2017-11-15
US62/586,288 2017-11-15
PCT/US2018/061314 WO2019099693A1 (en) 2017-11-15 2018-11-15 Field operations system with filter

Publications (2)

Publication Number Publication Date
CN111479982A CN111479982A (zh) 2020-07-31
CN111479982B true CN111479982B (zh) 2023-01-17

Family

ID=66433206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880079625.8A Active CN111479982B (zh) 2017-11-15 2018-11-15 具有滤波器的现场操作系统

Country Status (4)

Country Link
US (4) US11674375B2 (zh)
EP (1) EP3710667B1 (zh)
CN (1) CN111479982B (zh)
WO (1) WO2019099693A1 (zh)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111479982B (zh) 2017-11-15 2023-01-17 吉奥奎斯特系统公司 具有滤波器的现场操作系统
US11669746B2 (en) * 2018-04-11 2023-06-06 Samsung Electronics Co., Ltd. System and method for active machine learning
US20210310347A1 (en) * 2018-07-31 2021-10-07 Shell Oil Company Method for geological steering control through reinforcement learning
WO2020028310A1 (en) * 2018-07-31 2020-02-06 Shell Oil Company Process for real time geological localization with kalman filtering
WO2020028302A1 (en) * 2018-07-31 2020-02-06 Shell Oil Company Process for real time geological localization with reinforcement learning
CN109212617B (zh) * 2018-08-24 2020-09-08 中国石油天然气股份有限公司 电成像测井相自动识别方法及装置
US11169514B2 (en) * 2018-08-27 2021-11-09 Nec Corporation Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data
US10977489B2 (en) * 2018-11-07 2021-04-13 International Business Machines Corporation Identification of natural fractures in wellbore images using machine learning
BR112021011254A2 (pt) * 2018-12-11 2021-08-24 Exxonmobil Research And Engineering Company Modelos subsuperficiais com quantificação de incerteza
EP3667439A1 (en) * 2018-12-13 2020-06-17 ABB Schweiz AG Predictions for a process in an industrial plant
US11354921B2 (en) * 2019-02-05 2022-06-07 Landmark Graphics Corporation Generation of digital well schematics
US12026876B2 (en) * 2019-02-21 2024-07-02 The Trustees Of Dartmouth College System and method for automatic detection of vertebral fractures on imaging scans using deep networks
US20220255953A1 (en) * 2019-03-23 2022-08-11 British Telecommunications Public Limited Company Feature detection with neural network classification of images representations of temporal graphs
WO2020204904A1 (en) * 2019-04-01 2020-10-08 Google Llc Learning compressible features
CN110109363B (zh) * 2019-05-28 2022-10-21 重庆理工大学 一种轮式移动机器人编队的神经网络自适应控制方法
US11526958B2 (en) 2019-06-26 2022-12-13 Halliburton Energy Services, Inc. Real-time analysis of bulk material activity
KR102717019B1 (ko) * 2019-09-16 2024-10-15 에스케이하이닉스 주식회사 메모리 컨트롤러 및 그것의 동작 방법
US11958183B2 (en) 2019-09-19 2024-04-16 The Research Foundation For The State University Of New York Negotiation-based human-robot collaboration via augmented reality
CN110987166A (zh) * 2019-12-17 2020-04-10 北京昊鹏智能技术有限公司 旋转机械健康状态的预测方法、装置、设备及存储介质
US11983615B1 (en) * 2019-12-20 2024-05-14 Well Data Labs, Inc. Automated well data channel mapping methods and systems
CN111176113B (zh) * 2019-12-31 2022-11-22 长安大学 一种基于长短时记忆神经网络的钻具受力优化控制方法
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
US11734603B2 (en) 2020-03-26 2023-08-22 Saudi Arabian Oil Company Method and system for enhancing artificial intelligence predictions using well data augmentation
US20230186627A1 (en) * 2020-04-03 2023-06-15 Schlumberger Technology Corporation Rig state detection using video data
US20210383925A1 (en) * 2020-06-03 2021-12-09 Informed Data Systems Inc. D/B/A One Drop Systems for adaptive healthcare support, behavioral intervention, and associated methods
US10950352B1 (en) 2020-07-17 2021-03-16 Prince Mohammad Bin Fahd University System, computer-readable storage medium and method of deep learning of texture in short time series
US11506044B2 (en) * 2020-07-23 2022-11-22 Saudi Arabian Oil Company Automatic analysis of drill string dynamics
US11519257B2 (en) * 2020-07-27 2022-12-06 Saudi Arabian Oil Company Automatic slips detection system for the optimization of real-time drilling operations
CN111931309B (zh) * 2020-08-24 2022-09-09 长江水利委员会长江科学院 一种锚杆/锚索结构拉伸硬化软化断裂模拟的方法
CN112053296A (zh) * 2020-08-25 2020-12-08 五邑大学 一种鲁棒的几何均值滤波网格去噪方法
US20220081080A1 (en) * 2020-09-11 2022-03-17 The Texas A&M University System Apparatus and method for a real-time-monitoring of a riser and mooring of floating platforms
CA3197654A1 (en) * 2020-10-02 2022-04-07 Barry BRANIFF Integrated end-to-end well construction automation system
US20220127932A1 (en) * 2020-10-23 2022-04-28 Schlumberger Technology Corporation Monitoring Equipment of a Plurality of Drill Rigs
US11976546B2 (en) * 2020-12-08 2024-05-07 Halliburton Energy Services, Inc. Deep learning methods for wellbore pipe inspection
US11905818B2 (en) * 2020-12-08 2024-02-20 Halliburton Energy Services, Inc. Deep learning methods for wellbore pipe inspection
US11698473B2 (en) 2021-01-19 2023-07-11 Saudi Arabian Oil Company Systems and methods for workflow to perform well logging operations tracking and efficiency assessment
US11946366B2 (en) * 2021-02-10 2024-04-02 Saudi Arabian Oil Company System and method for formation properties prediction in near-real time
US20220398442A1 (en) * 2021-06-15 2022-12-15 Seagate Technology Llc Deep learning computational storage drive
WO2022266335A1 (en) * 2021-06-16 2022-12-22 Conocophillips Company Systems and methods for mapping seismic data to reservoir properties for reservoir modeling
US12055037B2 (en) 2021-09-10 2024-08-06 Saudi Arabian Oil Company Method for identifying environmental effects in downhole data for hydrocarbon saturation estimation
US11624265B1 (en) 2021-11-12 2023-04-11 Saudi Arabian Oil Company Cutting pipes in wellbores using downhole autonomous jet cutting tools
US11867012B2 (en) 2021-12-06 2024-01-09 Saudi Arabian Oil Company Gauge cutter and sampler apparatus
US20230184087A1 (en) * 2021-12-13 2023-06-15 Saudi Arabian Oil Company Multi-modal and Multi-dimensional Geological Core Property Prediction using Unified Machine Learning Modeling
CN115169761B (zh) * 2022-09-08 2022-12-13 中科数智能源科技(深圳)有限公司 基于gnn和lstm的复杂井网油田产量预测方法
WO2024168136A1 (en) * 2023-02-10 2024-08-15 Schlumberger Technology Corporation A stochastic inversion method for equivalent hydraulic fracture characterization using distributed fiber-optic strain measurements
US11966845B1 (en) * 2023-07-17 2024-04-23 Halliburton Energy Services, Inc. Service document generation using large language models
CN118653819A (zh) * 2024-08-19 2024-09-17 克拉玛依创业有限公司 用于定向井钻井的防碰风险控制系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1947032A (zh) * 2004-03-17 2007-04-11 维斯特恩格科地震控股有限公司 海上地震测量方法和系统
CN102687041A (zh) * 2009-08-07 2012-09-19 埃克森美孚上游研究公司 根据地面测量估计井下钻探振动指标的方法
CN103376468A (zh) * 2012-04-18 2013-10-30 中国石油化工股份有限公司 基于神经网络函数逼近算法的储层参数定量表征方法
WO2014066981A1 (en) * 2012-10-31 2014-05-08 Resource Energy Solutions Inc. Methods and systems for improved drilling operations using real-time and historical drilling data
CN106650929A (zh) * 2016-10-11 2017-05-10 天津大学 基于递归图的深度学习模型及在油水相含率测量中的应用

Family Cites Families (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6526167B1 (en) 1998-05-26 2003-02-25 Sony Corporation Image processing apparatus and method and provision medium
US6286104B1 (en) 1999-08-04 2001-09-04 Oracle Corporation Authentication and authorization in a multi-tier relational database management system
DE60142582D1 (de) 2000-10-13 2010-08-26 Fraunhofer Ges Forschung Verfahren zum überwachten trainieren eines iterativen künstlichen neuronalen netzwerks
US20040117043A1 (en) 2002-09-07 2004-06-17 Igor Touzov Optimized calibration data based methods for parallel digital feedback, and digital automation controls
US7128167B2 (en) 2002-12-27 2006-10-31 Schlumberger Technology Corporation System and method for rig state detection
US6868920B2 (en) * 2002-12-31 2005-03-22 Schlumberger Technology Corporation Methods and systems for averting or mitigating undesirable drilling events
WO2004066200A2 (en) 2003-01-17 2004-08-05 Yeda Research And Development Co. Ltd. Reactive animation
US7172037B2 (en) * 2003-03-31 2007-02-06 Baker Hughes Incorporated Real-time drilling optimization based on MWD dynamic measurements
US7586982B2 (en) * 2003-05-06 2009-09-08 Nokia Corporation Kalman filter based method and apparatus for linear equalization of CDMA downlink channels
US20060047607A1 (en) 2004-08-27 2006-03-02 Boyden Scott A Maximizing profit and minimizing losses in controlling air pollution
US7395251B2 (en) * 2005-07-01 2008-07-01 International Business Machines Corporation Neural networks for prediction and control
US7584081B2 (en) * 2005-11-21 2009-09-01 Chevron U.S.A. Inc. Method, system and apparatus for real-time reservoir model updating using ensemble kalman filter
US8677002B2 (en) * 2006-01-28 2014-03-18 Blackfire Research Corp Streaming media system and method
US20070185696A1 (en) 2006-02-06 2007-08-09 Smith International, Inc. Method of real-time drilling simulation
US8504361B2 (en) * 2008-02-07 2013-08-06 Nec Laboratories America, Inc. Deep neural networks and methods for using same
EP2256619A1 (en) 2009-05-27 2010-12-01 Bernardo Kastrup System for generating and displaying images
MY157452A (en) * 2009-08-07 2016-06-15 Exxonmobil Upstream Res Co Methods to estimate downhole drilling vibration amplitude from surface measurement
JP2011123187A (ja) 2009-12-09 2011-06-23 Toshiba Corp 運転模擬装置
DE102010011221B4 (de) 2010-03-12 2013-11-14 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
KR101608283B1 (ko) 2010-12-10 2016-04-01 지멘스 악티엔게젤샤프트 기술 시스템의 컴퓨터―보조 모델링을 위한 방법
US9482084B2 (en) * 2012-09-06 2016-11-01 Exxonmobil Upstream Research Company Drilling advisory systems and methods to filter data
US9022140B2 (en) * 2012-10-31 2015-05-05 Resource Energy Solutions Inc. Methods and systems for improved drilling operations using real-time and historical drilling data
MX360504B (es) 2012-12-05 2018-11-06 Schlumberger Technology Bv Control de perforacion con presion controlada.
CA2900113A1 (en) 2013-02-05 2014-08-14 Schlumberger Canada Limited System and method for controlling a drilling process
CN103606006B (zh) 2013-11-12 2017-05-17 北京工业大学 基于自组织t‑s模糊神经网络的污泥沉降指数软测量方法
WO2015123591A1 (en) * 2014-02-13 2015-08-20 Intelligent Solutions, Inc. System and method providing real-time assistance to drilling operation
CN104121014B (zh) * 2014-06-16 2017-05-31 西南石油大学 基于神经网络融合技术的钻井井漏类型诊断方法
FR3023031A1 (fr) * 2014-06-25 2016-01-01 Renaud Maroy Procede d'identification d'un mouvement par filtrage bayesien recursif quantifie
US10783900B2 (en) * 2014-10-03 2020-09-22 Google Llc Convolutional, long short-term memory, fully connected deep neural networks
US20160231716A1 (en) * 2015-02-10 2016-08-11 General Electric Company System of systems optimizing control for achieving performance and risk outcomes in physical and business operations of connected and interrelated industrial systems
CN106570563A (zh) * 2015-10-13 2017-04-19 中国石油天然气股份有限公司 基于卡尔曼滤波和bp神经网络的变形预测方法和装置
CN106919977B (zh) 2015-12-25 2022-05-17 科大讯飞股份有限公司 一种前馈序列记忆神经网络及其构建方法和系统
US10066473B2 (en) * 2016-06-30 2018-09-04 Wipro Limited Method and a system for determining slip status of a drill string
US10520395B2 (en) 2016-08-17 2019-12-31 Horiba Instruments Incorporated Test stands for electric motor to be connected to front end accessory drive of internal combustion engine
US10324983B2 (en) * 2016-10-04 2019-06-18 Sas Institute Inc. Interactive visualizations for a recurrent neural network
WO2018125760A1 (en) 2016-12-29 2018-07-05 Exxonmobil Upstream Research Company Method and system for regression and classification in subsurface models to support decision making for hydrocarbon operations
CN108363361B (zh) 2017-01-26 2023-11-21 台湾积体电路制造股份有限公司 半导体机台运作流程动态显示系统、半导体机台运作流程动态显示方法及数字信息存储媒体
US20190065961A1 (en) * 2017-02-23 2019-02-28 Harold Szu Unsupervised Deep Learning Biological Neural Networks
CN106911930A (zh) * 2017-03-03 2017-06-30 深圳市唯特视科技有限公司 一种基于递归卷积神经网络进行压缩感知视频重建的方法
JP6923789B2 (ja) * 2017-07-05 2021-08-25 富士通株式会社 情報処理プログラム、情報処理装置、情報処理方法、及び情報処理システム
AU2017428353A1 (en) * 2017-08-21 2020-01-30 Landmark Graphics Corporation Neural network models for real-time optimization of drilling parameters during drilling operations
CN111479982B (zh) * 2017-11-15 2023-01-17 吉奥奎斯特系统公司 具有滤波器的现场操作系统
US20190180882A1 (en) * 2017-12-12 2019-06-13 Electronics And Telecommunications Research Institute Device and method of processing multi-dimensional time series medical data
US10826808B2 (en) * 2018-01-29 2020-11-03 Denso International America, Inc. Vehicle application enabling and network routing systems implemented based on latency characterization and projection
US11126764B2 (en) * 2018-10-01 2021-09-21 Palo Alto Research Center Incorporated Physics-based model particle-filtering framework for predicting RUL using resistance measurements
US11474486B2 (en) * 2019-03-11 2022-10-18 Mitsubishi Electric Research Laboratories, Inc. Model-based control with uncertain motion model
US20220013239A1 (en) 2020-07-12 2022-01-13 International Business Machines Corporation Time-window based attention long short-term memory network of deep learning
WO2022014004A1 (ja) 2020-07-16 2022-01-20 株式会社東芝 構造物評価システム、構造物評価装置及び構造物評価方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1947032A (zh) * 2004-03-17 2007-04-11 维斯特恩格科地震控股有限公司 海上地震测量方法和系统
CN102687041A (zh) * 2009-08-07 2012-09-19 埃克森美孚上游研究公司 根据地面测量估计井下钻探振动指标的方法
CN103376468A (zh) * 2012-04-18 2013-10-30 中国石油化工股份有限公司 基于神经网络函数逼近算法的储层参数定量表征方法
WO2014066981A1 (en) * 2012-10-31 2014-05-08 Resource Energy Solutions Inc. Methods and systems for improved drilling operations using real-time and historical drilling data
CN106650929A (zh) * 2016-10-11 2017-05-10 天津大学 基于递归图的深度学习模型及在油水相含率测量中的应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于PSO优化BP神经网络的钻井动态风险评估方法》;管志川等;《中国安全生产科学技术》;20170831;第13卷(第8期);第5页-第11页 *
《钻井过程实时状态监测与诊断技术研究》;廖明燕;《中国优秀博士学位论文全文数据库工程科技Ⅰ辑》;20110115;第1页-第142页 *

Also Published As

Publication number Publication date
CN111479982A (zh) 2020-07-31
EP3710667A1 (en) 2020-09-23
US20210166115A1 (en) 2021-06-03
US20190147125A1 (en) 2019-05-16
US20190145239A1 (en) 2019-05-16
EP3710667A4 (en) 2021-08-11
US11674375B2 (en) 2023-06-13
US12078048B2 (en) 2024-09-03
US20230272705A1 (en) 2023-08-31
US11591894B2 (en) 2023-02-28
EP3710667B1 (en) 2023-04-26
WO2019099693A1 (en) 2019-05-23
US11603749B2 (en) 2023-03-14

Similar Documents

Publication Publication Date Title
CN111479982B (zh) 具有滤波器的现场操作系统
US11802471B2 (en) Well planning system
CN109477376B (zh) 检测在钻井报告中的事件
NO20211160A1 (zh)
US20220120176A1 (en) Adaptive drillstring condition determination
US20210162896A1 (en) Automated directional drilling system and method using steerable drilling motors
EP3619399B1 (en) Drillstring assembly framework
US20220397029A1 (en) Drilling control
US11668849B2 (en) Automated well time estimation
US20230039147A1 (en) Drilling operations friction framework
US20240133284A1 (en) Drilling operations framework
US20230115153A1 (en) Multi-Domain Controller
WO2017095974A1 (en) Automated directional drilling system and method using steerable drilling motors
US20240344448A1 (en) Drilling operations emissions framework

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