CN111488384A - 一种钻井方案智能推荐方法及系统 - Google Patents
一种钻井方案智能推荐方法及系统 Download PDFInfo
- Publication number
- CN111488384A CN111488384A CN201910084131.5A CN201910084131A CN111488384A CN 111488384 A CN111488384 A CN 111488384A CN 201910084131 A CN201910084131 A CN 201910084131A CN 111488384 A CN111488384 A CN 111488384A
- Authority
- CN
- China
- Prior art keywords
- drilling
- feature vector
- recommended
- drilled
- historical
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 315
- 238000000034 method Methods 0.000 title claims abstract description 83
- 239000013598 vector Substances 0.000 claims abstract description 178
- 230000015572 biosynthetic process Effects 0.000 claims description 41
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000005755 formation reaction Methods 0.000 description 32
- 238000013461 design Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种钻井方案智能推荐方法及系统，其中，该方法包括：步骤一、获取待钻井的地质数据；步骤二、根据待钻井的地质数据生成待钻地层的地质特征向量；步骤三、将待钻地层的地质特征向量与预设历史井地质特征向量集进行匹配，并根据匹配结果从预设钻井案例集中确定第一推荐钻井案例集，从而得到待钻地层的钻井方案，其中，预设历史井地质特征向量集中的历史井地质特征向量和预设钻井案例集中的历史钻井案例均按照地层层段进行划分且一一对应。相较于现有技术，本方法能够自动地将客观存在但隐含的钻井知识及规律用于新的钻井，从而达到最优化钻井的目的。
Description
技术领域
本发明涉及油气勘探开发技术领域，具体地说，涉及一种钻井方案智能推荐方法及系统。
背景技术
钻井工程的功能是构建从地下储层到地面的油气通道和采集地层信息，高投入、高产出、高风险和高技术则是当代油气钻井工程的特征。钻井的“高技术”特征，即信息化、智能化、集成化。随着勘探开发的深入，国内剩余油气资源主要集中在低渗透低丰度、深部、复杂地层和海洋深水地区，因而钻井工程面临“低、深、难、海”等四大难点。钻井地质对象复杂，工程难度越来越大。
要实现“安全、高效、高质量、低成本”的钻井目标，必须在钻井之前或在钻井过程中设计出最佳的钻井工程方案，包括井眼轨道、井身结构、钻井方案、钻具组合、钻井参数等等。
钻井工程设计首先要分析待钻井所处的地质环境，依据理论模型进行相关的计算，并参考邻井所使用的方案及出现的复杂情况，由设计人员根据经验制定出尽可能合理的方案。所依据的理论模型本身就隐含着很多未知的假设条件，也并不适用于所有的工程条件，只能是一种大概的预测仅作参考，对人员经验和知识水平的依赖程度高。
另外，钻井工程方案包括诸多子方案，相互关联影响，需要综合考虑作出整体的优化方案，因此多数情况下钻井设计都要参考历史井。由于时间和精力所限，每口井设计时所参考的历史井数量极其有限，且历史井资料中隐含的知识规律很难被设计人员充分挖掘、融合利用，因而不可能在短时间内做出最优化的钻井工程方案。
发明内容
为解决上述问题，本发明提供了一种钻井方案智能推荐方法，所述方法包括：
步骤一、获取待钻井的地质数据；
步骤二、根据所述待钻井的地质数据生成待钻地层的地质特征向量；
步骤三、将所述待钻地层的地质特征向量与预设历史井地质特征向量集进行匹配，并根据匹配结果从预设钻井案例集中确定第一推荐钻井案例集，从而得到所述待钻地层的钻井方案，其中，所述预设历史井地质特征向量集中的历史井地质特征向量和预设钻井案例集中的历史钻井案例均按照地层层段进行划分且一一对应。
根据本发明的一个实施例，在所述步骤二中，所述待钻地层的地质特征向量与所述预设历史井地质特征向量集中的历史地质特征向量的数据结构相同。
根据本发明的一个实施例，构建所述预设历史井地质特征向量集的步骤包括：
步骤a、从井史资料中提取能够反应地质条件的参数；
步骤b、将所提取的参数按照地层分层每一层段形成一个数据向量，得到数据向量集；
步骤c、对所述数据向量集进行聚类，得到所述预设历史井地质特征向量集。
根据本发明的一个实施例，在所述步骤c中，还根据每个地层的沉积年代配置相应的地层层段编码。
根据本发明的一个实施例，在所述步骤三中，
步骤d、分别计算待钻地层的地层特征向量与预设历史井地质特征向量集中各个历史地质特征向量的相似度；
步骤e、选取相似度较高的预设数量的历史地质特征向量，根据所选取的历史地质特征向量从所述预设钻井案例集中确定所述第一推荐钻井案例集。
根据本发明的一个实施例，在所述步骤d中，
根据所述待钻地层的地质特征向量，利用所述预设历史井地质特征向量所对对应的聚类集合对所述待钻地层进行归类，得到所述待钻地层的归属地质特征簇；
从所述预设历史井地质特征向量集中提取所述待钻地层的归属地质特征簇所对应的地质特征向量子集；
分别计算待钻地层的地层特征向量与地质特征向量子集中各个历史地质特征向量的相似度。
根据本发明的一个实施例，在所述步骤e中，
根据选取的历史地质特征向量从所述预设钻井案例集提取对应的钻井案例，并将所提取的钻井案例作为所述第一推荐案例集。
根据本发明的一个实施例，在所述步骤三中，
针对所确定出的第一推荐钻井案例集，还根据所选取的钻井工程参数对所述第一推荐钻井案例集所包含的多个钻井案例进行排序，得到第二推荐钻井案例集。
根据本发明的一个实施例，在所述步骤三中，
针对所确定出的第一推荐钻井案例集，根据从预设钻井工程参数集合中所选取的多个钻井工程参数的加权综合系数对所述第一推荐钻井案例集所包含的多个钻井案例进行排序，得到第二推荐钻井案例集。
根据本发明的一个实施例，在所述步骤三中，将所述第一推荐钻井案例集和第二推荐钻井案例集同时输出，并获取用户针对所输出的推荐钻井案例的反馈信息，根据所述反馈信息确定所述待钻地层的终选钻井方案。
本发明还提供了一种钻井方案智能推荐系统，所述系统包括：
钻井数据获取模块，其用于获取待钻井的地质数据；
地质特征向量生成模块，其用于根据所述待钻井的地质数据生成待钻地层的地质特征向量；
推荐钻井案例集生成模块，其用于将所述待钻地层的地质特征向量与预设历史井地质特征向量集进行匹配，并根据匹配结果从预设钻井案例集中确定第一推荐钻井案例集，从而得到所述待钻地层的钻井方案，其中，所述预设历史井地质特征向量集中的历史井地质特征向量和预设钻井案例集中的历史钻井案例均按照地层层段进行划分且一一对应。
根据本发明的一个实施例，所述待钻地层的地质特征向量与所述预设历史井地质特征向量集中的历史地质特征向量的数据结构相同。
根据本发明的一个实施例，所述推荐钻井案例集生成模块配置为分别计算待钻地层的地层特征向量与预设历史井地质特征向量集中各个历史地质特征向量的相似度，随后选取相似度较高的预设数量的历史地质特征向量，并根据所选取的历史地质特征向量从所述预设钻井案例集中确定所述第一推荐钻井案例集。
根据本发明的一个实施例，所述推荐钻井案例集生成模块配置为：
根据所述待钻地层的地质特征向量，利用所述预设历史井地质特征向量所对对应的聚类集合对所述待钻地层进行归类，得到所述待钻地层的归属地质特征簇；
从所述预设历史井地质特征向量集中提取所述待钻地层的归属地质特征簇所对应的地质特征向量子集；
分别计算待钻地层的地层特征向量与地质特征向量子集中各个历史地质特征向量的相似度。
根据本发明的一个实施例，所述推荐钻井案例集生成模块配置为根据选取的历史地质特征向量从所述预设钻井案例集提取对应的钻井案例，并将所提取的钻井案例作为所述第一推荐案例集。
根据本发明的一个实施例，所述推荐钻井案例集生成模块配置为针对所确定出的第一推荐钻井案例集，还根据所选取的钻井工程参数对所述第一推荐钻井案例集所包含的多个钻井案例进行排序，得到第二推荐钻井案例集。
根据本发明的一个实施例，所述推荐钻井案例集生成模块配置为针对所确定出的第一推荐钻井案例集，根据从预设钻井工程参数集合中所选取的多个钻井工程参数的加权综合系数对所述第一推荐钻井案例集所包含的多个钻井案例进行排序，得到第二推荐钻井案例集。
根据本发明的一个实施例，所述推荐钻井案例集生成模块还配置为将所述第一推荐钻井案例集和第二推荐钻井案例同时输出，并获取用户针对所输出的推荐钻井案例的反馈信息，根据所述反馈信息确定所述待钻地层的终选钻井方案。
本发明所提供的钻井方案智能推荐方法及系统能够自动挖掘历史井资料中隐含的客观规律，其能够从海量历史数据中智能化寻找与待钻井地质条件相似的井集，并从井集中智能化地优选出钻井效能最高(如机械钻速高、钻井复杂与故障少)的井，将相应的钻井方案自动推荐给待钻井。相较于现有技术，本方法能够自动地将客观存在但隐含的钻井知识及规律用于新的钻井，从而达到最优化钻井的目的。
为了挖掘海量历史井钻井信息中隐含的知识和规律，将其用于待钻井(或井段)的方案优化设计，本方法及系统基于历史井地质特征的聚类训练，在待钻井设计时智能化地从历史案例中快速检索到地质相似井(或井段)。本方法既可用于钻井设计阶段，也可用于实钻过程中对待钻井段的方案优化。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要的附图做简单的介绍：
图1是根据本发明一个实施例的钻井方案智能推荐方法的实现流程示意图；
图2是根据本发明一个实施例的构建预设历史地质特征向量集的实现流程示意图；
图3是根据本发明一个实施例的确定第一推荐钻井案例集的实现流程示意图；
图4是根据本发明一个实施例的计算特征地质向量特征相似度的的实现流程示意图；
图5是根据本发明一个实施例的钻井方案智能推荐系统的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
申请号为CN103046918A的专利文件公开了一种钻进参数优化的方法，该方法通过实时的地质环境变化反馈的钻井参数，并实时计算得到虚拟强度指数VSI，根据与真实强度指数相关的虚拟强度指数VSI，实时调整钻井参数使得虚拟强度指数VSI，从而使得钻头切削效率一直处于尽可能的最佳状态。
申请号为CN104695937A的专利文件公开了一种钻井综合提速优化专家系统，该系统通过地质特性分析模块来确定当前钻井的岩石抗压强度剖面及岩性剖面，并利用钻头高效破岩基准线生成单元来得到高效破岩基准线，利用钻井效率评价模块来计算破岩效率评价指数，随后利用钻井实时优化模块来优化钻井效率。
名称为《渤海油田三维水平井井眼轨道优化设计》的文件中公开了一种对于"直-增-稳-边增边扭-水平段"型水平井的优化设计方法。该方法假设井眼轨道是由空间直线或圆弧连接而成，因而将井眼轨道优化的问题转化为空间几何问题，应用非线性不等式与等式约束从而建立优化模型，并将建立的模型在Matlab中进行编程，并引用工具箱中的fmincon函数进行求解。该方法通过此程序对渤海油田的水平井进行了优化分析。
由此可见，现有技术要么是基于假设建立数学方程，要么是根据人工经验按照传统的方式开展钻井方案设计。基于驾驶建立数学方程的方式来对钻井进行优化时需要构建复杂的数学模型，并且所构建的数学模型并不能够完全准确地反应出钻井特性，因此会造成优化过程不够准确。而基于人工经验按照传统的方式开展钻井方案设计则主要依赖专家经验，这样不可避免的会由于人为因素而对结果造成影响。
针对现有技术中所存在的问题，本发明提供来了一种钻井方案智能推荐方法，该方法通过能够将客观存在但隐含的钻井知识及规律用于新的钻井，达到最优化钻井的目的。
图1示出了本实施例所提供的钻井方案智能推荐方法的实现流程示意图。
如图1所示，本实施例所提供的钻井方案智能推荐方法会在步骤S101中获取待钻井的地质数据，并在步骤S102中根据带钻井的地质数据来生成待钻地层的地层特征向量。
具体地，本实施例中，该方法在步骤S102中优选地会从待钻井的地质数据中提取出能够反应出地质条件的参数，并将所提取的这些参数按照地层分层每一层段形成一个数据向量，从而得到待钻地层的地质特征向量。
本实施例中，该方法在步骤S102中所提取出的参数优选地包括：井名、起始井深、终止井深、地层层段编码、孔隙压力上限、孔隙压力下限、破裂压力上限、破裂压力下限、坍塌压力上限、坍塌压力下限、水化性、渗透性、可钻性、裂缝程度、溶洞程度以及不整合程度等。
当然，在本发明的其他实施例中，该方法在步骤S102中所提取出的参数既可以仅包含以上所列项中的某一项或某几项，也可以包含其他未列出的合理项，抑或是以上所列项中的某一项或某几项与其他未列出的合理项的组合，本发明不限于此。
在得到待钻地层的地质特征向量后，该方法会在步骤S103中将步骤S102中所得到的待钻地层的地质特征向量与预设历史井地质特征向量集进行匹配，并在步骤S104中根据匹配结果从预设钻井案例集中确定出第一推荐钻井案例集。
需要指出的是，本实施例中，预设历史井地质特征向量集中的历史井地质特征向量和预设钻井案例集中的历史钻井案例均按照地层层段进行划分且一一对应。由于历史地质特征向量和历史钻井案例都是地层层段相对应的，这样历史井地质特征向量集中的各个历史地质特征向量与预设钻井案例集中的各个历史钻井案例也就形成了对应关系，通过历史地质特征向量也就可以检索得到对应的历史钻井案例。
本实施例中，该方法在步骤S103中所使用到的预设历史地质特征向量集是预先构建的。其中，图2示出了本实施例中构建上述预设历史地质特征向量集的实现流程示意图。
如图2所示，本实施例所提供的方法在构建预设历史地质特征向量集时，首先会在步骤S201中从井史资料中提取能够反映地质条件的参数，并在步骤S202中将步骤S201所提取的参数按照地层分层每一层段形成一个数据向量，从而得到数据向量集。
本实施例中，该方法在步骤S201中所提取出的参数优选地与步骤S102中所提取出的参数相同。这样步骤S102中所得到的待钻地层的地质特征向量与步骤S202中所得到的数据向量的数据结构也就会相同，从而方便后续的数据处理操作。
本实施例中，按照地层分层每个层段构成一个数据向量，每口井则会包含多个向量(例如十几个甚至几十个)，不同井不同地层的数据向量集成在同一数据库中，也就可以得到一数据向量集。
由于井史资料只中有地层名称但没有地层层段编码信息，因此本实施例中，该方法优选地会为每个地层层段配置相应的地层层段编码。其中，地层层段编码优选地是根据每个地层层段的沉积年代的先后、地理位和/或地层分层而赋予的，该地层层段编码能够便于后续的数据处理操作(例如聚类和相似度计算等)。
如图2所示，本实施例中，在得到数据向量集后，该方法优选地还会在步骤S203中对步骤S202中所得到的数据向量集进行聚类，从而得到所需要的历史井地质特征向量集(即预设历史井地质特征向量集)。
具体地，本实施例中，该方法在步骤S203中优选地采用分布式聚类计算的方式来对步骤S202所得到的数据向量集进行聚类。例如，该方法可以采用K-MEANS聚类算法对海量的向量数据进行聚类，并将聚类结果存入数据库。随着历史数据的源源不断入库，通过自动持续地进行聚类计算，也就可以实现对模型的训练修正。
当然，在本发明的其他实施例中，根据实际需要，该方法还可以采用其他合理方式来构建预设历史井地质特征向量集，本发明不限于此。
本实施例所提供的钻井方案智能推荐方法还会利用到预设钻井案例集，而该预设钻井案例集也是实现构建的。本实施例中，该方法在构建预设钻井案例集时，优选地会从井史资料中提取相应的钻井工程参数，这些钻井工程参数同样以地层层段(与地质特征向量的划分一一对应)为单元形成记录，并存入历史井钻井案例集合库中，这样也就得到了所需要的钻井案例集(即预设钻井案例集)。
本实施例中，该方法在构建预设钻井案例集时所提取的钻井工程参数优选地包括：钻进所使用的方案、工艺参数以及钻井效能参数等。例如，钻井工程参数可以包括：钻头类型、钻头尺寸、钻具组合类型、钻井方式、最大造斜率、钻井工艺、是否使用提速工具、钻井液体系、钻井液密度上限、钻井液密度下限、粘度上限、粘度下限、动切力上限、动切力下限、钻压上限、钻压下限、转速上限、转速下限、排量上限、排量下限、平均钻速、复杂发生次数及严重度等。
当然，在本发明的其他实施例中，该方法所提取出的钻井工程参数既可以仅包含以上所列项中的某一项或某几项，也可以包含其他未列出的合理项，抑或是以上所列项中的某一项或某几项与其他未列出的合理项的组合，本发明不限于此。
图3示出了本实施例中确定第一推荐钻井案例集的实现流程示意图。
如图3所示，本实施例中，该方法在步骤S301中会分别计算待钻地层的地层特征向量与预设历史井地质特征向量集中各个历史地质特征向量的相似度，随后再在步骤S302中选取相似度较高的预设数量的历史地质特征向量。在步骤S303中，该方法会根据步骤S302中所选取的历史地质特征向量，从预设钻井案例集中确定出相应的钻井案例，从而得到第一推荐钻井案例集。
例如，该方法在步骤S302中会基于相似度从高到低对各个历史地质特征向量进行排序，并选取排序靠前的预设数量的历史地质特征向量。由于历史地质特征向量与钻井案例存在对应关系，因此该方法在步骤S303中也就可以基于所得到的预设数量的历史地质特征向量从预设钻井案例集中提取出与这些历史地质特征向量相对应的钻井案例，从而得到第一推荐钻井案例集。
需要指出的是，在本发明的不同实施例中，该方法在步骤S302中所选的历史地质特征向量的数量(即预设数量)可以根据实际需要配置为不同的合理值，本发明并不对该数量的具体取值进行限定。
当然，在本发明的其他实施例中，该方法还可以采用其他合理方式来得到上述第一推荐案例集，本发明不限于此。
例如，在本发明的一个实施例中，该方法还可以采用如图4所示的方式来确定第一推荐案例集。如图4所示，在该实施例中，本发明所提供的方法首先会在步骤S401中根据待钻地层的地质特征向量，利用预设历史井地质特征向量所对对应的聚类集合对待钻地层进行归类，得到待钻地层的归属地质特征簇。
随后，该方法会在步骤S402中从预设历史井地质特征向量集中提取待钻地层的归属地质特征簇所对应的地质特征向量子集。这样待钻地层的归属地层簇能够表征出待钻地层的大致类别，其优选地会对应于多个历史地质特征向量(例如M个)。
在得到归属地质特征簇所对应的地质特征向量子集后，如图4所示，该方法会在步骤S403中分别计算待钻地层的地层特征向量与地质特征向量子集中各个历史地质特征向量的相似度，这样也就可以得到M个相似度取值。
在得到待钻地层的地层特征向量与地质特征向量子集中各个历史地质特征向量的相似度后，该方法也就可以选取相似度较高的预设数量的历史地质特征向量，从而根据所选取的历史地质特征向量从预设钻井案例集中确定出第一推荐钻井案例集。
例如，该方法会从M个相似度取值中选取取值最大的N个(M>N)历史地质特征向量，进而根据这N个历史地质特征向量从预设钻井案例集中确定出第一推荐钻井案例集。其中，第一推荐钻井案例集也就会包含N个钻井案例。
再次如图1所示，本实施例中，在得到第一推荐钻井案例集后，可选地，该方法还会在步骤S105中根据所选取的钻井工程参数对第一推荐钻井案例集所包含的多个钻井案例进行排序，从而得到第二推荐钻井案例集。
例如，本实施例中，该方法在步骤S105可以根据诸如机械钻速、钻井复杂与故障次数或是钻井故障严重度等参数对第一推荐钻井案例集中的各个钻井案例进行排序，从而得到第二推荐钻井案例集。
当然，在本发明的其他实施例中，该方法还可以采用其他合理方式来根据根据预设钻井工程参数对第一推荐钻井案例集所包含的多个钻井案例进行排序，从而得到第二推荐钻井案例集。
例如，在本发明的一个实施例中，针对所确定出的第一推荐钻井案例集，该方法在步骤S105中还可以根据从预设钻井工程参数集合中所选取的多个钻井工程参数对第一推荐钻井案例集所包含的多个钻井案例进行排序进行加权综合排序，从而得到第二推荐钻井案例集。其中，不同的钻井工程参数对应有不同的加权系数。例如，钻井工程参数越重要，其加权系数的取值越大。
如图1所示，本实施例中，根据实际需要，该方法可以在步骤S106中将步骤S104中所得到的第一推荐钻井案例集以及步骤S106中所得到的第二推荐钻井案例集同时输出给用户。例如，该方法可以通过可视化显示的方式来输出上述第一推荐钻井案例集和第二推荐钻井案例集。
用户根据上述第一推荐钻井案例集和第二推荐钻井案例集，可以根据自身实际需要来选择出最具参考价值的案例数据。而由于本方法会在步骤S107中持续地获取用户针对所输出的推荐案例的反馈信息，因此通过用户的选择也就可以得到上述反馈信息。
在步骤S108中，该方法会根据步骤S107中所获取到的用户的反馈信息来确定待钻地层的终选钻井方案。
需要指出的是，在本发明的其他实施例中，根据实际需要，该方法在得到第二推荐钻井案例集后，还可以仅仅输出第二推荐钻井案例集，这样也就可以避免由于输出过多数据而对用户的选择产生干扰。
本发明还提供了一种钻井方案智能推荐系统，该系统采用如上所述的钻井方案智能推荐方法来实现钻井方案的智能推荐。图5示出了本实施例所提供的钻井方案智能推荐系统的实现流程示意图。
如图5所示，本实施例所提供的钻井方案智能推荐系统优选地包括：钻井数据获取模块501、地质特征向量生成模块502以及推荐钻井案例集生成模块503。其中，钻井数据获取模块501用于获取待钻井的地质数据，地质特征向量生成模块502与钻井数据获取模块501连接，其能够根据钻井数据获取模块501所传输来的待钻井的地质数据生成待钻地层的地质特征向量。
推荐钻井案例集生成模块503与地质特征向量生成模块502连接，其能够将待钻地层的地质特征向量与预设历史井地质特征向量集进行匹配，并根据匹配结果从预设钻井案例集中确定第一推荐钻井案例集，从而得到待钻地层的钻井方案。其中，预设历史井地质特征向量集中的历史井地质特征向量和预设钻井案例集中的历史钻井案例均按照地层层段进行划分且一一对应。
本实施例中，预设历史井地质特征向量优选地存储在历史井地质特征向量库中，历史井地质特征向量库中优选地还存储有聚类训练的结果数据。历史井钻井案例则存储在历史井钻井案例库中，历史钻井案例优选地包括了相应的钻进工程参数(例如钻井所使用的方案、工艺参数以及钻井效能参数等)。
本实施例中，根据实际需要，推荐钻井案例集生成模块503在生成钻井方案的过程中，针对所确定出的第一推荐钻井案例集，还可以根据所选取的钻井工程参数对所述第一推荐钻井案例集所包含的多个钻井案例进行排序，得到第二推荐钻井案例集。抑或是，根据从预设钻井工程参数集合中所选取的多个钻井工程参数的加权综合系数对第一推荐钻井案例集所包含的多个钻井案例进行排序进行排序，从而得到第二推荐钻井案例集。
在需要的情况下，推荐钻井案例集生成模块503可以将所生成的第一推荐钻井案例集和第二推荐钻井案例集同时输出，并获取用户针对所输出的推荐钻井案例的反馈信息，进而根据反馈信息确定待钻地层的钻井方案。
本实施例中，钻井数据获取模块501、地质特征向量生成模块502以及推荐钻井案例集生成模块503实现其各自功能的原理以及过程与上述步骤S101至步骤S108所公开的内容类似，故在此不再对钻井数据获取模块501、地质特征向量生成模块502以及推荐钻井案例集生成模块503的具体内容进行赘述。
本发明所提供的钻井方案智能推荐系统在工作时，可以事先将已完钻历史井(或井段)的相关地质特征数据、钻井工程案例数据梳理出来，并按照向量构建规则分别构建出地质特征向量集和钻井案例集，存入数据库(最低不少于2口井，数据越多效果越好)，启动模型训练模块进行训练。
随后，针对所输入的待钻井地质特征数据(按地质分层)，该系统优选地会自动构建分层向量。利用系统内部的参考井案例检索模块，该系统会针对待钻井的每个层段，分别输出按照相似度高低排序的历史井相似层段。此时用户可勾选全部或部分案例，启动钻井效能排序，此时该系统将自动按机械钻速或钻井复杂故障次数等参数进行排序。用户可参考上述两个排序，勾选最优案例，启动钻井参数推荐功能，该系统将会自动提取所选案例中的相应钻井参数系列，作为待钻井相应层段的推荐方案。
从上述描述中可以看出，本发明所提供的钻井方案智能推荐方法及系统能够自动挖掘历史井资料中隐含的客观规律，其能够从海量历史数据中智能化寻找与待钻井地质条件相似的井集，并从井集中智能化地优选出钻井效能最高(如机械钻速高、钻井复杂与故障少)的井，将相应的钻井方案自动推荐给待钻井。相较于现有技术，本方法能够自动地将客观存在但隐含的钻井知识及规律用于新的钻井，从而达到最优化钻井的目的。
为了挖掘海量历史井钻井信息中隐含的知识和规律，将其用于待钻井(或井段)的方案优化设计，本方法及系统基于历史井地质特征的聚类训练，在待钻井设计时智能化地从历史案例中快速检索到地质相似井(或井段)。本方法既可用于钻井设计阶段，也可用于实钻过程中对待钻井段的方案优化。
应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构或处理步骤，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
虽然上述示例用于说明本发明在一个或多个应用中的原理，但对于本领域的技术人员来说，在不背离本发明的原理和思想的情况下，明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此，本发明由所附的权利要求书来限定。
Claims (18)
1.一种钻井方案智能推荐方法，其特征在于，所述方法包括：
步骤一、获取待钻井的地质数据；
步骤二、根据所述待钻井的地质数据生成待钻地层的地质特征向量；
步骤三、将所述待钻地层的地质特征向量与预设历史井地质特征向量集进行匹配，并根据匹配结果从预设钻井案例集中确定第一推荐钻井案例集，从而得到所述待钻地层的钻井方案，其中，所述预设历史井地质特征向量集中的历史井地质特征向量和预设钻井案例集中的历史钻井案例均按照地层层段进行划分且一一对应。
2.如权利要求1所述的方法，其特征在于，在所述步骤二中，所述待钻地层的地质特征向量与所述预设历史井地质特征向量集中的历史地质特征向量的数据结构相同。
3.如权利要求1或2所述的方法，其特征在于，构建所述预设历史井地质特征向量集的步骤包括：
步骤a、从井史资料中提取能够反应地质条件的参数；
步骤b、将所提取的参数按照地层分层每一层段形成一个数据向量，得到数据向量集；
步骤c、对所述数据向量集进行聚类，得到所述预设历史井地质特征向量集。
4.如权利要求3所述的方法，其特征在于，在所述步骤c中，还根据每个地层的沉积年代配置相应的地层层段编码。
5.如权利要求1～4中任一项所述的方法，其特征在于，在所述步骤三中，
步骤d、分别计算待钻地层的地层特征向量与预设历史井地质特征向量集中各个历史地质特征向量的相似度；
步骤e、选取相似度较高的预设数量的历史地质特征向量，根据所选取的历史地质特征向量从所述预设钻井案例集中确定所述第一推荐钻井案例集。
6.如权利要求5所述的方法，其特征在于，在所述步骤d中，
根据所述待钻地层的地质特征向量，利用所述预设历史井地质特征向量所对对应的聚类集合对所述待钻地层进行归类，得到所述待钻地层的归属地质特征簇；
从所述预设历史井地质特征向量集中提取所述待钻地层的归属地质特征簇所对应的地质特征向量子集；
分别计算待钻地层的地层特征向量与地质特征向量子集中各个历史地质特征向量的相似度。
7.如权利要求5或6所述的方法，其特征在于，在所述步骤e中，
根据选取的历史地质特征向量从所述预设钻井案例集提取对应的钻井案例，并将所提取的钻井案例作为所述第一推荐案例集。
8.如权利要求1～7中任一项所述的方法，其特征在于，在所述步骤三中，
针对所确定出的第一推荐钻井案例集，还根据所选取的钻井工程参数对所述第一推荐钻井案例集所包含的多个钻井案例进行排序，得到第二推荐钻井案例集。
9.如权利要求1～7中任一项所述的方法，其特征在于，在所述步骤三中，
针对所确定出的第一推荐钻井案例集，根据从预设钻井工程参数集合中所选取的多个钻井工程参数的加权综合系数对所述第一推荐钻井案例集所包含的多个钻井案例进行排序，得到第二推荐钻井案例集。
10.如权利要求8或9所述的方法，其特征在于，在所述步骤三中，将所述第一推荐钻井案例集和第二推荐钻井案例集同时输出，并获取用户针对所输出的推荐钻井案例的反馈信息，根据所述反馈信息确定所述待钻地层的终选钻井方案。
11.一种钻井方案智能推荐系统，其特征在于，所述系统包括：
钻井数据获取模块，其用于获取待钻井的地质数据；
地质特征向量生成模块，其用于根据所述待钻井的地质数据生成待钻地层的地质特征向量；
推荐钻井案例集生成模块，其用于将所述待钻地层的地质特征向量与预设历史井地质特征向量集进行匹配，并根据匹配结果从预设钻井案例集中确定第一推荐钻井案例集，从而得到所述待钻地层的钻井方案，其中，所述预设历史井地质特征向量集中的历史井地质特征向量和预设钻井案例集中的历史钻井案例均按照地层层段进行划分且一一对应。
12.如权利要求11所述的系统，其特征在于，所述待钻地层的地质特征向量与所述预设历史井地质特征向量集中的历史地质特征向量的数据结构相同。
13.如权利要求11或12所述的系统，其特征在于，所述推荐钻井案例集生成模块配置为分别计算待钻地层的地层特征向量与预设历史井地质特征向量集中各个历史地质特征向量的相似度，随后选取相似度较高的预设数量的历史地质特征向量，并根据所选取的历史地质特征向量从所述预设钻井案例集中确定所述第一推荐钻井案例集。
14.如权利要求13所述的系统，其特征在于，所述推荐钻井案例集生成模块配置为：
根据所述待钻地层的地质特征向量，利用所述预设历史井地质特征向量所对对应的聚类集合对所述待钻地层进行归类，得到所述待钻地层的归属地质特征簇；
从所述预设历史井地质特征向量集中提取所述待钻地层的归属地质特征簇所对应的地质特征向量子集；
分别计算待钻地层的地层特征向量与地质特征向量子集中各个历史地质特征向量的相似度。
15.如权利要求13或14所述的系统，其特征在于，所述推荐钻井案例集生成模块配置为根据选取的历史地质特征向量从所述预设钻井案例集提取对应的钻井案例，并将所提取的钻井案例作为所述第一推荐案例集。
16.如权利要求11～15中任一项所述的系统，其特征在于，所述推荐钻井案例集生成模块配置为针对所确定出的第一推荐钻井案例集，还根据所选取的钻井工程参数对所述第一推荐钻井案例集所包含的多个钻井案例进行排序，得到第二推荐钻井案例集。
17.如权利要求11～15中任一项所述的系统，其特征在于，所述推荐钻井案例集生成模块配置为针对所确定出的第一推荐钻井案例集，根据从预设钻井工程参数集合中所选取的多个钻井工程参数的加权综合系数对所述第一推荐钻井案例集所包含的多个钻井案例进行排序，得到第二推荐钻井案例集。
18.如权利要求16或17所述的系统，其特征在于，所述推荐钻井案例集生成模块还配置为将所述第一推荐钻井案例集和第二推荐钻井案例同时输出，并获取用户针对所输出的推荐钻井案例的反馈信息，根据所述反馈信息确定所述待钻地层的终选钻井方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084131.5A CN111488384B (zh) | 2019-01-29 | 2019-01-29 | 一种钻井方案智能推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084131.5A CN111488384B (zh) | 2019-01-29 | 2019-01-29 | 一种钻井方案智能推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111488384A true CN111488384A (zh) | 2020-08-04 |
| CN111488384B CN111488384B (zh) | 2022-05-03 |
Family
ID=71796560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910084131.5A Active CN111488384B (zh) | 2019-01-29 | 2019-01-29 | 一种钻井方案智能推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111488384B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115726760A (zh) * | 2021-08-26 | 2023-03-03 | 中国石油化工股份有限公司 | 一种实现智能控制钻井的自主决策方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1341803A (zh) * | 2000-08-28 | 2002-03-27 | 霍利贝顿能源服务公司 | 针对给定地层预测钻井系统的性能的方法及系统 |
| CN102395754A (zh) * | 2009-03-16 | 2012-03-28 | 沃丹德科技股份公司 | 一种用于监控钻井操作的方法和系统 |
| CN103955558A (zh) * | 2014-04-01 | 2014-07-30 | 武汉软想科技有限公司 | 一种采集并处理不同行业工勘数据的方法 |
| CN105989233A (zh) * | 2015-02-27 | 2016-10-05 | 中国石油化工股份有限公司 | 一种地层数据处理方法 |
| WO2017135972A1 (en) * | 2016-02-05 | 2017-08-10 | Hitachi, Ltd. | System and method for well log data analysis |
| CN107145895A (zh) * | 2017-03-13 | 2017-09-08 | 东方网力科技股份有限公司 | 基于k‑means算法的公安犯罪类案研判方法 |
| CN107153881A (zh) * | 2016-03-03 | 2017-09-12 | 中国石油化工股份有限公司 | 一种钻井风险的预测方法 |
| CN107862324A (zh) * | 2017-10-19 | 2018-03-30 | 北京化工大学 | 一种基于mwspca的cbr预测模型智能化预警方法 |
| CN107945082A (zh) * | 2017-10-09 | 2018-04-20 | 中国电子科技集团公司第二十八研究所 | 一种应急预案生成方法和系统 |
-
2019
- 2019-01-29 CN CN201910084131.5A patent/CN111488384B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1341803A (zh) * | 2000-08-28 | 2002-03-27 | 霍利贝顿能源服务公司 | 针对给定地层预测钻井系统的性能的方法及系统 |
| CN102395754A (zh) * | 2009-03-16 | 2012-03-28 | 沃丹德科技股份公司 | 一种用于监控钻井操作的方法和系统 |
| CN103955558A (zh) * | 2014-04-01 | 2014-07-30 | 武汉软想科技有限公司 | 一种采集并处理不同行业工勘数据的方法 |
| CN105989233A (zh) * | 2015-02-27 | 2016-10-05 | 中国石油化工股份有限公司 | 一种地层数据处理方法 |
| WO2017135972A1 (en) * | 2016-02-05 | 2017-08-10 | Hitachi, Ltd. | System and method for well log data analysis |
| CN107153881A (zh) * | 2016-03-03 | 2017-09-12 | 中国石油化工股份有限公司 | 一种钻井风险的预测方法 |
| CN107145895A (zh) * | 2017-03-13 | 2017-09-08 | 东方网力科技股份有限公司 | 基于k‑means算法的公安犯罪类案研判方法 |
| CN107945082A (zh) * | 2017-10-09 | 2018-04-20 | 中国电子科技集团公司第二十八研究所 | 一种应急预案生成方法和系统 |
| CN107862324A (zh) * | 2017-10-19 | 2018-03-30 | 北京化工大学 | 一种基于mwspca的cbr预测模型智能化预警方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115726760A (zh) * | 2021-08-26 | 2023-03-03 | 中国石油化工股份有限公司 | 一种实现智能控制钻井的自主决策方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111488384B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2496972C2 (ru) | Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях | |
| Guyaguler et al. | Optimization of well placement in a Gulf of Mexico waterflooding project | |
| Da Cruz et al. | The quality map: a tool for reservoir uncertainty quantification and decision making | |
| US20160376885A1 (en) | Method and Apparatus for Performance Prediction of Multi-Layered Oil Reservoirs | |
| Yeten | Optimum deployment of nonconventional wells | |
| WO2004070425A1 (en) | Method for computing complexity, confidence and technical maturity indices for reservoir evaluations | |
| US10895131B2 (en) | Probabilistic area of interest identification for well placement planning under uncertainty | |
| CN104615862A (zh) | 基于进化算法的高含水油田确定井位的方法 | |
| CN105005079B (zh) | 一种井曲线反演方法 | |
| CN113094924B (zh) | 一种水力喷射压裂施工参数的优化方法及系统 | |
| Lee et al. | Regeneration of channelized reservoirs using history-matched facies-probability map without inverse scheme | |
| CN114117881A (zh) | 一种出砂风险预测方法及系统 | |
| Khoshneshin et al. | Integrated well placement and completion optimization using heuristic algorithms: A case study of an Iranian carbonate formation | |
| CN113608265A (zh) | 一种基于深度混合神经网络的储层预测方法 | |
| CN111488384B (zh) | 一种钻井方案智能推荐方法及系统 | |
| Tang et al. | Prediction of casing damage in unconsolidated sandstone reservoirs using machine learning algorithms | |
| Robert et al. | Generating Value from Underground Gas Storage by Improved Reservoir Characterisation and Structural Reinterpretation of Mature Carbonate Fields in the Middle East | |
| CN113761613A (zh) | 一种钻井液设计方法及系统 | |
| Narayanasamy et al. | Well location selection from a static model and multiple realisations of a geomodel using productivity-potential map technique | |
| Rezaei et al. | Utilizing a Global Sensitivity Analysis and Data Science to Identify Dominant Parameters Affecting the Production of Wells and Development of a Reduced Order Model for the Eagle Ford Shale | |
| Yang et al. | Assembly sequence planning and evaluating for deep oil and gas corer based on graph theory | |
| Soroush et al. | Underground gas storage in a partially depleted gas reservoir | |
| Wan et al. | Intelligent prediction of drilling rate of penetration based on method-data dual validity analysis | |
| CN115455632B (zh) | 一种规模和形态协同优化的压裂优化设计方法及系统 | |
| Kansao et al. | Intelligent and automated workflow for identification of behind pipe recompletions and new infill locations opportunities for an onshore middle east field |
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 |