CN111520122A - 一种机械钻速预测方法、装置及设备 - Google Patents
一种机械钻速预测方法、装置及设备 Download PDFInfo
- Publication number
- CN111520122A CN111520122A CN202010230509.0A CN202010230509A CN111520122A CN 111520122 A CN111520122 A CN 111520122A CN 202010230509 A CN202010230509 A CN 202010230509A CN 111520122 A CN111520122 A CN 111520122A
- Authority
- CN
- China
- Prior art keywords
- drilling
- specified position
- specified
- bottom hole
- data
- 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 240
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000035515 penetration Effects 0.000 claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011148 porous material Substances 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 19
- 239000012530 fluid Substances 0.000 description 17
- 239000011435 rock Substances 0.000 description 15
- 238000013461 design Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000013517 stratification Methods 0.000 description 7
- 238000005520 cutting process Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000000547 structure data Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- E21B45/00—Measuring the drilling time or rate of penetration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Geology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Earth Drilling (AREA)
Abstract
本说明书实施例公开了一种机械钻速预测方法、装置及设备，所述方法包括获取目标井眼的指定位置处的特征数据，所述特征数据包括指定位置处的井底钻压，所述井底钻压根据所述目标井眼的地面钩载以及井眼轨迹上从初始位置至所述指定位置之间的各位置样本点所对应的井身结构参数数据、钻具力学参数数据确定；基于预先构建的机器学习模型对所述指定位置处的特征数据进行处理，获得所述目标井眼在指定位置处的机械钻速预测结果。利用本说明书各个实施例，可以提高机械钻速预测的准确性，进而提高钻井施工效率。
Description
技术领域
本发明涉及石油勘探技术领域，特别地，涉及一种机械钻速预测方法、装置及设备。
背景技术
机械钻速是反映所用的碎岩方法、所钻的岩石性质、所用的钻进工艺和技术状况的一个指标，通常可以以单位纯钻进时间内所钻开的进尺来表示。机械钻速预测是石油钻井参数设计、钻井提速工具优选和钻井周期预测的核心。
但钻具的钻头破岩机理复杂、影响因素繁多，尤其是对于深井或定向井，井眼本身的走向、结构等对不同位置处的机械钻速的影响也较为复杂多变。当前多数情况下采用的经典理论或者算法对此类井的机械钻速预测精度无法满足现场设计和施工需求，因此，目前亟需一种可以更加准确的机械钻速预测方法。
发明内容
本说明书实施例的目的在于提供一种机械钻速预测方法、装置及设备，可以提高机械钻速预测的精度。
本说明书提供一种机械钻速预测方法、装置及设备是包括如下方式实现的：
一种机械钻速预测方法，包括：
获取目标井眼的指定位置处的特征数据，所述特征数据包括指定位置处的井底钻压，所述井底钻压根据所述目标井眼的地面钩载以及井眼轨迹上从初始位置至所述指定位置之间的各位置样本点所对应的井身结构参数数据、钻具力学参数数据确定；
基于预先构建的机器学习模型对所述指定位置处的特征数据进行处理，获得所述目标井眼在指定位置处的机械钻速预测结果。
本说明书提供的所述方法的另一些实施例中，所述井底钻压采用下述方式确定：
如果所述指定位置处的井身结构为斜直井段，则根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；α为所述指定位置处的井斜角，μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角；
如果所述指定位置处的井身结构为弯曲井段，则根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角，θ2为所述指定位置的方位角，θ1为所述指定位置的邻近位置的方位角，α2为所述指定位置的井斜角，α1为所述指定位置的邻近位置的井斜角。
本说明书提供的所述方法的另一些实施例中，所述特征数据还包括比水功率、上覆岩层压力、地层孔隙压力、钻头磨损程度以及声波测井曲线变异系数。
本说明书提供的所述方法的另一些实施例中，所述预先构建的机器学习模型基于随机森林算法构建获得。
本说明书提供的所述方法的另一些实施例中，所述钻头磨损程度采用下述方式确定：
式中，式中，Wf为钻头磨损程度，ΔBG为钻头磨损级别，WC为模型系数，WOBi、RPMi、DTi分别为钻头的行程单位长度所对应的平均钻压、转速、声波时差。
另一方面，本说明书实施例还提供一种机械钻速预测装置，所述装置包括：
数据获取模块，用于获取目标井眼的指定位置处的特征数据，所述特征数据包括指定位置处的井底钻压，所述井底钻压根据所述目标井眼的地面钩载以及井眼轨迹上从初始位置至所述指定位置之间的各位置样本点所对应的井身结构参数数据、钻具力学参数数据确定；
机械钻速预测模块，用于基于预先构建的机器学习模型对所述指定位置处的特征数据进行处理，获得所述目标井眼在指定位置处的机械钻速预测结果。
本说明书提供的所述装置的另一些实施例中，所述装置还包括井底钻压确定模块，所述井底钻压确定模块包括第一井底钻压计算单元以及第二井底钻压计算单元；
所述第一井底钻压计算单元用于在所述指定位置处的井身结构为斜直井段时，根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；α为所述指定位置处的井斜角，μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角；
所述第一井底钻压计算单元用于在所述指定位置处的井身结构为弯曲井段时，根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角，θ2为所述指定位置的方位角，θ1为所述指定位置的邻近位置的方位角，α2为所述指定位置的井斜角，α1为所述指定位置的邻近位置的井斜角。
本说明书提供的所述装置的另一些实施例中，所述特征数据还包括比水功率、上覆岩层压力、地层孔隙压力、钻头磨损程度以及声波测井曲线变异系数。
本说明书提供的所述装置的另一些实施例中，所述装置还包括模型构建模块，所述模型构建模块用于基于随机森林算法构建所述预先构建的机器学习模型。
另一方面，本说明书实施例还提供一种机械钻速预测设备，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现上述任意一个或者多个实施例所述方法的步骤。
本说明书一个或多个实施例提供的机械钻速预测方法、装置及设备，通过考虑待钻目标井眼从井口位置至当前指定位置的井身结构变化以及钻具前进过程中的力学参数等来确定钻头在当前位置的井底钻压，可以大幅提高井底钻压确定的准确性。然后，再以准确确定的当前位置的井底钻压作为特征数据之一，并结合多种钻井数据来预测当前位置的机械钻速，可以使得预测的机械钻速更适用于深井、定向井等井眼，极大提高了此类井对应的机械钻速预测精度，有助于为钻井参数设计、钻井提速工具优选和钻井周期预测提供更为科学准确的依据，进而提高钻井施工效率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本说明书实施例提供的一种机械钻速预测方法的流程示意图；
图2为本说明书提供的一个实施例中的机械钻速预测方法的流程示意图；
图3为本说明书提供的另一个实施例中离散型数据转换成数字型数据的结果示意图；
图4为本说明书提供的另一个实施例中的基于位置点对齐后的特征数据示意图；
图5为本说明书提供的另一个实施例中的机械钻速预测结果对比示意图；
图6为本说明书实施例提供的一种机械钻速预测装置的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是说明书一部分实施例，而不是全部的实施例。基于说明书一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例方案保护的范围。
本说明书实施例提供一种机械钻速预测方法，通过考虑待钻目标井眼当前位置处的从井口位置至当前指定位置的井身结构变化以及钻具前进过程中的力学参数等来确定钻头在当前位置的井底钻压，可以大幅提高井底钻压确定的准确性。然后，再以准确确定的当前位置点的井底钻压作为特征数据之一，并结合多种钻井数据来预测当前位置的机械钻速，可以使得预测的机械钻速更适用于深井、定向井等井眼，极大提高了此类井对应的机械钻速预测精度，有助于为钻井参数设计、钻井提速工具优选和钻井周期预测提供更为科学准确的依据，进而提高钻井施工效率。图1表示本说明书实施例提供的一种机械钻速预测方法流程示意图。如图1所示，本说明书提供的机械钻速预测方法的一个实施例中，所述方法可以包括：
S20：获取目标井眼的指定位置处的特征数据，所述特征数据包括指定位置处的井底钻压，所述井底钻压根据所述目标井眼的地面钩载以及井眼轨迹上从初始位置至所述指定位置之间的各位置样本点所对应的井身结构参数数据、钻具力学参数数据确定。
可以获取目标井眼在指定位置处的特征数据。实际钻井过程中，对于待钻目标井眼，在设计好井眼的井身结构以及井眼轨迹后，可以从设计好的井眼轨迹中选择任意位置，预测任意位置处的机械钻速。相应的，所述指定位置可以包括目标井眼的井眼轨迹中的任意位置。
所述特征数据可以包括对目标井眼的钻井数据进行特征提取后获得的数据。所述钻井数据可以是指钻井过程中所涉及的几何构造以及力学构造数据。一些实施例中，所述钻井数据如可以包括待钻目标井眼所涉及的地层构造数据、井身结构数据以及所使用的钻具数据、钻井液性能记录等。
所述井身结构数据可以包括井眼的套管结构数据以及井眼轨迹数据，其中，套管结构数据可以包括套管尺寸及套管下深，井眼轨迹测量数据包含位置点坐标、井斜角、方位角等参数数据。钻具数据可以管体内径、管体外径、弹性模量。钻头信息可以包含型号、尺寸、喷嘴尺寸、钻头入井和出井磨损级别、刀翼数量、切削齿直径。地层构造数据可以包括表征地层构造的参数数据，可以通过测井数据或者录井数据直接获得或者计算获得。其中，录井数据可以包括转速、大钩载荷、排量、立管压力、泥浆密度、岩性等，测井数据可以包括声波时差、自然伽马等。钻井液性能记录可以包含漏斗粘度、固相含量。
通过综合考虑井眼轨迹中的地层构造数据、井眼本身的结构数据、井眼轨迹数据以及钻井过程中所使用的钻具数据，可以更加全面的分析钻具在井眼中所可能的外界影响，使得机械钻速的预测结果更符合井眼内实际的复杂状况。
一些实施例中，所述特征数据可以包括井底钻压。可以对钻井数据进行特征提取，定量提取出指定位置所对应的井底钻压。所述井底钻压可以是指钻具钻进时施加于钻头上的沿井眼前进方向的力。井底钻压直接影响钻井的速度和钻头的破坏形式，进而直接影响着机械钻速的准确确定。
一些实施例中，可以根据所述目标井眼的地面钩载以及井眼轨迹上从初始位置至所述指定位置之间的各位置样本点所对应的井身结构参数数据、钻具力学参数数据确定所述指定位置处的井底钻压。所述井身结构参数的参数类型如可以包括井斜角、方位角等。所述钻具力学参数如可以包括摩擦系数、钻具轴向与切向运动方向的夹角等。所述地面钩载可以是指地面上悬挂钻具的大钩的大钩载荷。
钻头在钻井的过程中，除了受上部钻具施加的压力外，还可能受多种因素的影响，特别对于深井、弯曲井以及斜井，井身结构复杂多变，从井口位置至当前指定位置之间的井壁的摩阻、井身结构的变化、钻具的前进方向等均对施加在钻头的井底钻压的合理确定存在较大的影响，因此，通过综合考虑井身结构、钻具在井眼中的力学参数等来确定钻头所对应的井底钻压，可以使得最终预测的机械钻速更符合实际的施工状况。
一些实施例中，所述井底钻压可以采用下述方式确定：
如果所述指定位置处的井身结构为斜直井段，则根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力。其中，所述轴向力可以理解为该邻近位置样本点在机械钻速预测时所计算得到的井底钻压。β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；α为所述指定位置处的井斜角，μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角。
如果所述指定位置处的井身结构为弯曲井段，则根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角，θ2为所述指定位置的方位角，θ1为所述指定位置的邻近位置的方位角，α2为所述指定位置的井斜角，α1为所述指定位置的邻近位置的井斜角。
通过利用上述计算模型可以更加准确定量提取出井底钻压数据，进而提高机械钻速预测的准确性。
S22：基于预先构建的机器学习模型对所述指定位置处的特征数据进行处理，获得所述目标井眼在指定位置处的机械钻速预测结果。
可以将获取的目标井眼在指定位置处的特征数据输入预先构建的机器学习模型，利用预先构建的机器学习模型对所述指定位置处的特征数据进行处理，获得所述目标井眼在指定位置处的机械钻速预测结果。所述机器学习模型可以利用已钻井的钻井数据以及机械钻速数据基于机器学习算法构建获得。所述机器学习算法可以采用有监督学习算法，也可以采用无监督学习算法。如可以采用神经网络算法、朴素贝叶斯算法等等。
另一些实施例中，所述特征数据还可以包括比水功率、上覆岩层压力、地层孔隙压力、钻头磨损程度以及声波测井曲线变异系数。其中，所述比水功率是指钻井液流过钻头时所消耗的水力功率。所述上覆岩层压力是埋藏物单位面积所承受的上部全部沉积物的重力。所述地层孔隙压力指被岩石孔隙内的流体承担的上部全部沉积物的重力。所述钻头磨损程度可以是指表征钻具的钻头磨损的程度。所述声波测井曲线变异系数可以是指反映声波波动情况的数据，用以表征地层纵向非均质性。
可以对钻井数据进行特征提取，提取出上述特征数据，然后，再以上述特征数据作为输入数据，进行机械钻速的预测。钻井过程中所直接涉及的参数类型较为复杂、种类繁多，使得直接利用钻井过程中实际测量或者预测的参数数据进行机械钻速的预测，效率及准确性较低。本实施例基于对实际施工过程中对机械钻速预测的实践经验分析，对种类繁多的钻井数据进行特征提取，优选出上述一种或者多种特征参数，利用提取的上述特征参数数据进行机器钻速的预测，可以使得机械钻速的预测结果更符合实际施工的需求，进而提高施工效率。
一些实施方式中，可以根据钻井液密度、排量、喷嘴尺寸，计算每个位置样本点的比水功率。一些实施例中，计算方法如下：
其中，Nj为射流水功率，kW；ρm为钻井液密度，g/cm3；vj为射流冲击力，kN；Q为钻井液排量，L/s。
一些实施例中，可以利用下述公式计算声波测井曲线变异系数：
其中，VDT为声波时差在某一井段的变异系数；σDT为声波时差在某一井段的均方根，us/ft；
为声波时差在某一井段的平均值，us/ft。
一些实施方式中，可以根据录井数据和测井数据预测钻头钻进到任意位置处的磨损程度。一些实施例中，可以利用下述公式计算任意位置处钻头磨损程度：
式中，Wf为钻头磨损程度，ΔBG为钻头磨损级别，WC为模型系数，WOBi、RPMi、DTi分别为钻头的行程单位长度所对应的平均钻压、转速、声波时差。
一些实施方式中，可以利用密度测井数据计算上覆岩层压力。一些实施例中，可以利用下述公式计算上覆岩层压力：
其中，σv为岩石上覆岩层压力，MPa；DEN为某一深度点的密度测井，g/cm3；z为某一深度点垂深，m；tvd为目的深度点垂深，m。
一些实施方式中，可以利用上覆岩层压力、声波时差测井、自然伽马测井计算地层孔隙压力。一些实施例中，可以利用下述公式计算地层孔隙压力：
其中，Pp地层孔隙压力，MPa；Pv为上覆岩层压力，MPa；Ph为静液柱压力，MPa；DT为某一深度点的声波时差，us/ft；DTn为某一深度点的声波时差趋势线值，us/ft；N为模型系数。
当然，一些实施方式中，除了提取的上述特征参数之外，所述特征数据也还可以包括转速、钻井液密度、钻井液漏斗粘度、钻井液固相含量、排量、钻头直径、钻头型号、钻头刀翼数、钻头切削齿直径、声波时差、地层密度、自然伽马、岩屑录井岩性等参数。
一些实施方式中，还可以对各样本数据进行预处理，提高后续处理的准确性以及效率。例如，对于各参数数据可以进行位置对齐，缺失数据补齐等处理。对其对于钻头类型编号和岩屑录井岩性等离散型数据可以进行One-Hot编码处理，转换成数字型数据。
另一些实施例中，所述预先构建的机器学习模型可以基于随机森林算法构建获得。可以先构建用于机械钻速预测的机器学习模型的样本集，所述样本集中的特征数据可以根据已钻井的钻井数据确定。其中对应的特征参数类型可以基于上述实施例确定。可以将所有特征数据通过线性插值方式对齐至同一个深度轴。需说明的是，本说明书实施例所述的深度指测深，所述测深是指某井的各位置样本点沿井眼轨迹到该井的井口的路径的长度。实际应用中，存在大量的不规则井眼，如斜直井、弯曲井等，通过采用测深可以更加便于数据的采集以及分析。
可以将样本集中各已钻井对应的特征数据基于深度值随机打乱。例如，对于某已钻井，原特征数据是按深度值从大到小的顺序排列的，可以将深度值随机打乱，相应的，各深度值对应的特征数据仍然与相应的深度值对应。各已钻井对应的特征数据分别参考该方式进行随机打乱。然后，可以基于随机打乱处理后的样本集对随机森林算法模型进行训练以及优化。在此过程中，还可以利用如k折交叉验证、贝叶斯搜索等方法确定随机森林算法模型的超参数。通过上述训练以及优化，最终获得用于机械钻速预测的机器学习模型。
一些实施方式中，对于上述实施例中的待钻目标井眼的地层构造参数，可以利用或者结合已钻井的地层构造参数预测获得。如可以利用反距离插值方法预测待钻目标井眼的地层构造参数。可以根据邻井井位坐标、井眼轨迹、测井数据、岩性数据、实钻地质分层、岩屑录井岩性数据，结合待钻目标井眼的井位坐标、井眼轨迹、预测地质分层数据，利用反距离插值方法逐层确定待钻目标井眼的相关信息，包括测井数据、岩性数据、实钻地质分层、岩屑录井岩性等参数数据。
然后，可以将上述实施例确定的目标井眼在指定位置处的特征数据输入上述实施例构建的机器学习模型中，获得所述指定位置处的机械钻速。
随机森林算法具有预测准确性高、泛化能力强、对异常值和噪声敏感度低的特点，且超参数较少，调参简单，使得其可以较好的处理较高维度、非线性问题，基于随机森林算法进行预测模型的构建，可以在考虑更多更全面的影响因素，保证预测精度的情况下，进一步提高机械钻速预测的效率。
基于上述实施例提供的方案，本说明书实施例还提供一种应用上述实施例的方案的场景实例。图2表示本实例提供的一种机械钻速预测方法的流程图。如图2所示，所述方法可以包括：
S101：收集邻井井位坐标、地质分层数据、井身结构数据、钻具组合数据、录井数据、钻头信息、钻井液性能数据。
井身结构数据可以包括井眼的套管结构数据以及井眼轨迹数据，其中，套管结构数据可以包括套管尺寸及套管下深，井眼轨迹测量数据包含井斜角和方位角。钻具数据可以管体内径、管体外径、弹性模量。钻头信息可以包含型号、尺寸、喷嘴尺寸、钻头入井和出井磨损级别、刀翼数量、切削齿直径。录井数据包括转速、大钩载荷、排量、立管压力、泥浆密度、岩性等，钻井液性能记录可以包含漏斗粘度、固相含量。
S102：数据预处理。
S103：通过线性插值方式将特征参数对齐至同一深度轴，并建立样本集。
S104：利用随机森林算法建立钻头机械钻速预测模型。
S105：利用反距离插值预测待钻井地层参数。
S106：利用基于随机森林的机械钻速预测模型进行待钻井机械钻速预测。
在所述步骤S102中，数据预处理包括以下步骤：
a)根据钻井液密度、排量、泵压、喷嘴尺寸，计算每口井每个深度点的比水功率。
b)根据录井测量的大钩载荷、泥浆密度数据，结合井眼轨迹和钻具组合数据，利用三维井眼轴向力软杆计算模型，确定每口井每个深度点对应的井底钻压。
c)将钻头类型编号和岩屑录井岩性进行One-Hot编码处理。如图3所示，图3表示对钻头类型编号和岩屑录井岩性进行One-Hot编码处理后的数据示意图。
d)利用声波测井曲线变异系数表征地层纵向非均质性。
e)根据实钻钻头磨损程度反算钻头磨损系数，建立钻头磨损预测方程。
f)利用密度测井数据计算上覆岩层压力。
g)利用上覆岩层压力，声波时差测井，自然伽马测井计算地层孔隙压力。
在所述步骤S103中，基于步骤S102准备的数据构造用于钻头机械钻速预测模型建立的特征集，所有特征通过线性插值方式对齐至同一个深度轴。所述特征数据的特征参数类型可以包括钻压WOB，井底钻压DWOB，转速RPM，钻井液密度MW，钻井液漏斗粘度FV，钻井液固相含量Vs，排量Q，比水功率Nj，钻头直径Db，钻头型号Tb，钻头刀翼数Nc，钻头切削齿直径Dc，钻头磨损程度Wf，声波时差DT，地层密度DEN,自然伽马GR，岩屑录井岩性Lith，声波时差变异系数K，地层上覆岩层压力Pv，地层孔隙压力Pp和机械钻速ROP。如图4所示，图4表示对各部分特征参数数据对齐后的结果示意图。
在所述步骤S104中，将步骤S103构建的样本集中每口井的特征数据分别随机打乱，利用k折交叉验证方法确定随机森林超参数，建立用于PDC钻头机械钻速预测的模型。
在所述步骤S105中，利用反距离插值预测待钻井地层参数。根据邻井井位坐标、井眼轨迹、测井数据、岩性数据、实钻地质分层、岩屑录井岩性、上覆岩层压力、地层孔隙压力数据，结合待钻井井位坐标、井眼轨迹、预测地质分层数据，利用层控反距离插值逐层确定待钻井的相关信息，包括测井数据、岩性数据、实钻地质分层、岩屑录井岩性、上覆岩层压力、地层孔隙压力数据。
在所述步骤S106中，利用步骤S104建立的钻头机械钻速预测模型，输入待钻井的预测特征信息和设计工程参数，实现机械钻速预测。图5表示利用本说明书实施例的方案预测的机械钻速和传统机械比能方法预测的机械钻速的对比结果示意图。其中，图5中的(a)图表示实测机械钻速，图5中的(b)图表示利用本说明书实施例的方案预测的机械钻速，图5中的(c)图表示传统机械比能方法预测的机械钻速。通过对比可以看出，本说明书实施例提供的方案的机械钻速预测结果更为准确。
上述实施例提供的方案，基于已钻邻井资料，利用随机森林算法对待钻井的机械钻速进行预测，并同时全面考虑钻头破岩过程的多种影响因素，例如，机械参数、水力参数、钻头特征、钻具组合、井眼轨迹、地层压力、岩石岩性、岩石非均质性和物理特征等，尤其考虑了钻井过程中钻具各位置的摩阻对井底钻压的影响，使得预测的机械钻速更适用于深井和定向井，极大提高了此类井对应的机械钻速预测精度，有助于为钻井参数设计、钻井提速工具优选和钻井周期预测提供更为科学准确的依据，进而提高钻井的效率。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述，在此不做一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书一个或多个实施例提供的机械钻速预测方法，通过考虑待钻目标井眼从井口位置至当前指定位置的井身结构变化以及钻具前进过程中的力学参数等来确定钻头在当前位置的井底钻压，可以大幅提高井底钻压确定的准确性。然后，再以准确确定的当前位置点的井底钻压作为特征数据之一，并结合多种钻井数据来预测当前位置的机械钻速，可以使得预测的机械钻速更适用于深井、定向井等井眼，极大提高了此类井对应的机械钻速预测精度，有助于为钻井参数设计、钻井提速工具优选和钻井周期预测提供更为科学准确的依据，进而提高钻井施工效率。
基于上述所述的机械钻速预测方法，本说明书一个或多个实施例还提供一种机械钻速预测装置。所述的装置可以包括使用了本说明书实施例所述方法的系统、软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。具体的，图6表示说明书提供的一种机械钻速预测装置实施例的模块结构示意图，如图6所示，所述装置可以包括：
数据获取模块602，可以用于获取目标井眼的指定位置处的特征数据，所述特征数据包括指定位置处的井底钻压，所述井底钻压根据所述目标井眼的地面钩载以及井眼轨迹上从初始位置至所述指定位置之间的各位置样本点所对应的井身结构参数数据、钻具力学参数数据确定；
机械钻速预测模块604，可以用于基于预先构建的机器学习模型对所述指定位置处的特征数据进行处理，获得所述目标井眼在指定位置处的机械钻速预测结果。
另一些实施例中，所述装置还可以包括井底钻压确定模块，所述井底钻压确定模块可以包括第一井底钻压计算单元以及第二井底钻压计算单元；
所述第一井底钻压计算单元可以用于在所述指定位置处的井身结构为斜直井段时，根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；α为所述指定位置处的井斜角，μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角；
所述第一井底钻压计算单元可以用于在所述指定位置处的井身结构为弯曲井段时，根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角，θ2为所述指定位置的方位角，θ1为所述指定位置的邻近位置的方位角，α2为所述指定位置的井斜角，α1为所述指定位置的邻近位置的井斜角。
另一些实施例中，所述特征数据还可以包括比水功率、上覆岩层压力、地层孔隙压力、钻头磨损程度以及声波测井曲线变异系数。
另一些实施例中，所述装置还可以包括模型构建模块，所述模型构建模块可以用于基于随机森林算法构建所述预先构建的机器学习模型。
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书一个或多个实施例提供的机械钻速预测装置，通过考虑待钻目标井眼从井口位置至当前指定位置的井身结构变化以及钻具前进过程中的力学参数等来确定钻头在当前位置的井底钻压，可以大幅提高井底钻压确定的准确性。然后，再以准确确定的当前位置点的井底钻压作为特征数据之一，并结合多种钻井数据来预测当前位置的机械钻速，可以使得预测的机械钻速更适用于深井、定向井等井眼，极大提高了此类井对应的机械钻速预测精度，有助于为钻井参数设计、钻井提速工具优选和钻井周期预测提供更为科学准确的依据，进而提高钻井施工效率。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。因此，本说明书还提供一种机械钻速预测设备，包括处理器及存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括上述任意一个实施例所述方法的步骤。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
需要说明的，上述所述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
上述实施例所述的机械钻速预测设备，通过考虑待钻目标井眼从井口位置至当前指定位置的井身结构变化以及钻具前进过程中的力学参数等来确定钻头在当前位置的井底钻压，可以大幅提高井底钻压确定的准确性。然后，再以准确确定的当前位置点的井底钻压作为特征数据之一，并结合多种钻井数据来预测当前位置的机械钻速，可以使得预测的机械钻速更适用于深井、定向井等井眼，极大提高了此类井对应的机械钻速预测精度，有助于为钻井参数设计、钻井提速工具优选和钻井周期预测提供更为科学准确的依据，进而提高钻井施工效率。
本说明书还提供一种机械钻速预测系统，所述系统可以为单独的机械钻速预测系统，也可以应用在多种石油勘探处理系统中。所述的系统可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述机械钻速预测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
需要说明的，上述所述的系统根据方法或者装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
上述实施例所述的机械钻速预测系统，通过考虑待钻目标井眼从井口位置至当前指定位置的井身结构变化以及钻具前进过程中的力学参数等来确定钻头在当前位置的井底钻压，可以大幅提高井底钻压确定的准确性。然后，再以准确确定的当前位置点的井底钻压作为特征数据之一，并结合多种钻井数据来预测当前位置的机械钻速，可以使得预测的机械钻速更适用于深井、定向井等井眼，极大提高了此类井对应的机械钻速预测精度，有助于为钻井参数设计、钻井提速工具优选和钻井周期预测提供更为科学准确的依据，进而提高钻井施工效率。
本说明书实施例并不局限于必须是符合标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书的可选实施方案范围之内。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种机械钻速预测方法，其特征在于，包括：
获取目标井眼的指定位置处的特征数据，所述特征数据包括指定位置处的井底钻压，所述井底钻压根据所述目标井眼的地面钩载以及井眼轨迹上从初始位置至所述指定位置之间的各位置样本点所对应的井身结构参数数据、钻具力学参数数据确定；
基于预先构建的机器学习模型对所述指定位置处的特征数据进行处理，获得所述目标井眼在指定位置处的机械钻速预测结果。
2.根据权利要求1所述的方法，其特征在于，所述井底钻压采用下述方式确定：
如果所述指定位置处的井身结构为斜直井段，则根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；α为所述指定位置处的井斜角，μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角；
如果所述指定位置处的井身结构为弯曲井段，则根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角，θ2为所述指定位置的方位角，θ1为所述指定位置的邻近位置的方位角，α2为所述指定位置的井斜角，α1为所述指定位置的邻近位置的井斜角。
3.根据权利要求1所述的方法，其特征在于，所述特征数据还包括比水功率、上覆岩层压力、地层孔隙压力、钻头磨损程度以及声波测井曲线变异系数。
4.根据权利要求3所述的方法，其特征在于，所述预先构建的机器学习模型基于随机森林算法构建获得。
5.根据权利要求3所述的方法，其特征在于，所述钻头磨损程度采用下述方式确定：
式中，Wf为钻头磨损程度，ΔBG为钻头磨损级别，WC为模型系数，WOBi、RPMi、DTi分别为钻头的行程单位长度所对应的平均钻压、转速、声波时差。
6.一种机械钻速预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标井眼的指定位置处的特征数据，所述特征数据包括指定位置处的井底钻压，所述井底钻压根据所述目标井眼的地面钩载以及井眼轨迹上从初始位置至所述指定位置之间的各位置样本点所对应的井身结构参数数据、钻具力学参数数据确定；
机械钻速预测模块，用于基于预先构建的机器学习模型对所述指定位置处的特征数据进行处理，获得所述目标井眼在指定位置处的机械钻速预测结果。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括井底钻压确定模块，所述井底钻压确定模块包括第一井底钻压计算单元以及第二井底钻压计算单元；
所述第一井底钻压计算单元用于在所述指定位置处的井身结构为斜直井段时，根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；α为所述指定位置处的井斜角，μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角；
所述第一井底钻压计算单元用于在所述指定位置处的井身结构为弯曲井段时，根据下述公式确定所述指定位置处的井底钻压：
其中，F2为所述指定位置的井底钻压，F1为所述指定位置的邻近位置样本点的轴向力，β为浮力系数，w为所述目标井眼所使用的钻具的单元线重，ΔL为所述指定位置与所述邻近位置的长度；μ为所述指定位置处所述钻具运动所对应的摩擦系数，
为所述指定位置处所述钻具轴向与切向运动方向的夹角，θ2为所述指定位置的方位角，θ1为所述指定位置的邻近位置的方位角，α2为所述指定位置的井斜角，α1为所述指定位置的邻近位置的井斜角。
8.根据权利要求6所述的装置，其特征在于，所述特征数据还包括比水功率、上覆岩层压力、地层孔隙压力、钻头磨损程度以及声波测井曲线变异系数。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括模型构建模块，所述模型构建模块用于基于随机森林算法构建所述预先构建的机器学习模型。
10.一种机械钻速预测设备，其特征在于，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010230509.0A CN111520122B (zh) | 2020-03-27 | 2020-03-27 | 一种机械钻速预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010230509.0A CN111520122B (zh) | 2020-03-27 | 2020-03-27 | 一种机械钻速预测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111520122A true CN111520122A (zh) | 2020-08-11 |
| CN111520122B CN111520122B (zh) | 2023-05-30 |
Family
ID=71901773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010230509.0A Active CN111520122B (zh) | 2020-03-27 | 2020-03-27 | 一种机械钻速预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111520122B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
| CN112487582A (zh) * | 2020-12-10 | 2021-03-12 | 西南石油大学 | 一种基于cart算法的油气钻井机械钻速预测与优化方法 |
| CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
| CN113374466A (zh) * | 2021-06-10 | 2021-09-10 | 长江大学 | 一种提示方法、装置、设备及存储介质 |
| CN113689055A (zh) * | 2021-10-22 | 2021-11-23 | 西南石油大学 | 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法 |
| CN113738343A (zh) * | 2021-09-16 | 2021-12-03 | 零空间（北京）科技有限公司 | 一种vr井下钻机状态检测方法、系统、装置及设备 |
| CN113806945A (zh) * | 2021-07-22 | 2021-12-17 | 中国石油大学(北京) | 控压钻采井控过程中的地层反演方法、装置及存储介质 |
| CN114491190A (zh) * | 2022-01-29 | 2022-05-13 | 中国石油化工股份有限公司 | 一种钻井机械钻速敏感性可视化方法、装置及设备 |
| WO2023154621A1 (en) * | 2022-02-14 | 2023-08-17 | Quantico Energy Solutions Llc | Synthesizing properties related to wellbore stability |
| CN116663203A (zh) * | 2023-07-28 | 2023-08-29 | 昆仑数智科技有限责任公司 | 钻进参数优化方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103177185A (zh) * | 2013-03-13 | 2013-06-26 | 中国石油大学(北京) | 一种pdc钻头钻进参数多目标优化方法及装置 |
| CN104453841A (zh) * | 2014-10-23 | 2015-03-25 | 中国石油天然气集团公司 | 钻井节能提速导航优化方法 |
| CN105143598A (zh) * | 2013-02-27 | 2015-12-09 | 兰德马克绘图国际公司 | 用于预测钻井事故的方法和系统 |
| CN108825204A (zh) * | 2018-06-11 | 2018-11-16 | 中国石油集团川庆钻探工程有限公司 | 基于随钻工程参数的钻时校正方法 |
| CN109209336A (zh) * | 2018-11-07 | 2019-01-15 | 西安石油大学 | 一种基于井底钻压的自动送钻系统及控制方法 |
| CN109779604A (zh) * | 2018-12-17 | 2019-05-21 | 中国石油大学(北京) | 用于诊断井漏的建模方法及诊断井漏的方法 |
| CN209040821U (zh) * | 2018-11-07 | 2019-06-28 | 西安石油大学 | 一种基于井底钻压的自动送钻装置 |
| US20190345809A1 (en) * | 2018-05-10 | 2019-11-14 | Baker Hughes, A Ge Company, Llc | Earth-boring tool rate of penetration and wear prediction system and related methods |
| CN110500081A (zh) * | 2019-08-31 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 一种基于深度学习的自动钻井方法 |
| CN110806859A (zh) * | 2019-11-11 | 2020-02-18 | 成都理工大学 | 基于机器学习的模块化钻探数据监测与设计系统 |
| CN110807557A (zh) * | 2019-11-06 | 2020-02-18 | 中法渤海地质服务有限公司 | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 |
| CN110852018A (zh) * | 2019-10-21 | 2020-02-28 | 中国石油集团长城钻探工程有限公司 | 基于神经网络的pso钻井参数优化方法 |
| CN110857626A (zh) * | 2018-08-14 | 2020-03-03 | 中国石油天然气股份有限公司 | 基于综合录井参数的随钻压力预测方法、装置及存储介质 |
-
2020
- 2020-03-27 CN CN202010230509.0A patent/CN111520122B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105143598A (zh) * | 2013-02-27 | 2015-12-09 | 兰德马克绘图国际公司 | 用于预测钻井事故的方法和系统 |
| CN103177185A (zh) * | 2013-03-13 | 2013-06-26 | 中国石油大学(北京) | 一种pdc钻头钻进参数多目标优化方法及装置 |
| CN104453841A (zh) * | 2014-10-23 | 2015-03-25 | 中国石油天然气集团公司 | 钻井节能提速导航优化方法 |
| US20190345809A1 (en) * | 2018-05-10 | 2019-11-14 | Baker Hughes, A Ge Company, Llc | Earth-boring tool rate of penetration and wear prediction system and related methods |
| CN108825204A (zh) * | 2018-06-11 | 2018-11-16 | 中国石油集团川庆钻探工程有限公司 | 基于随钻工程参数的钻时校正方法 |
| CN110857626A (zh) * | 2018-08-14 | 2020-03-03 | 中国石油天然气股份有限公司 | 基于综合录井参数的随钻压力预测方法、装置及存储介质 |
| CN209040821U (zh) * | 2018-11-07 | 2019-06-28 | 西安石油大学 | 一种基于井底钻压的自动送钻装置 |
| CN109209336A (zh) * | 2018-11-07 | 2019-01-15 | 西安石油大学 | 一种基于井底钻压的自动送钻系统及控制方法 |
| CN109779604A (zh) * | 2018-12-17 | 2019-05-21 | 中国石油大学(北京) | 用于诊断井漏的建模方法及诊断井漏的方法 |
| CN110500081A (zh) * | 2019-08-31 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 一种基于深度学习的自动钻井方法 |
| CN110852018A (zh) * | 2019-10-21 | 2020-02-28 | 中国石油集团长城钻探工程有限公司 | 基于神经网络的pso钻井参数优化方法 |
| CN110807557A (zh) * | 2019-11-06 | 2020-02-18 | 中法渤海地质服务有限公司 | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 |
| CN110806859A (zh) * | 2019-11-11 | 2020-02-18 | 成都理工大学 | 基于机器学习的模块化钻探数据监测与设计系统 |
Non-Patent Citations (3)
| Title |
|---|
| 吴泽兵;郭龙龙;潘玉杰;: "水平井钻井过程中井底钻压预测及应用", 石油钻采工艺 * |
| 李志刚;: "最佳机械钻速的优化设计方法", 钻采工艺 * |
| 王迎桥;: "钻井机械钻速预测及优化研究", 中国石油和化工标准与质量 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
| CN111980688B (zh) * | 2020-09-01 | 2021-11-23 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
| CN112487582A (zh) * | 2020-12-10 | 2021-03-12 | 西南石油大学 | 一种基于cart算法的油气钻井机械钻速预测与优化方法 |
| CN112487582B (zh) * | 2020-12-10 | 2021-09-14 | 西南石油大学 | 一种基于cart算法的油气钻井机械钻速预测与优化方法 |
| CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
| CN113374466A (zh) * | 2021-06-10 | 2021-09-10 | 长江大学 | 一种提示方法、装置、设备及存储介质 |
| CN113374466B (zh) * | 2021-06-10 | 2024-03-12 | 长江大学 | 一种提示方法、装置、设备及存储介质 |
| CN113806945A (zh) * | 2021-07-22 | 2021-12-17 | 中国石油大学(北京) | 控压钻采井控过程中的地层反演方法、装置及存储介质 |
| CN113806945B (zh) * | 2021-07-22 | 2024-03-22 | 中国石油大学(北京) | 控压钻采井控过程中的地层反演方法、装置及存储介质 |
| CN113738343A (zh) * | 2021-09-16 | 2021-12-03 | 零空间（北京）科技有限公司 | 一种vr井下钻机状态检测方法、系统、装置及设备 |
| CN113738343B (zh) * | 2021-09-16 | 2023-11-07 | 零空间（北京）科技有限公司 | 一种vr井下钻机状态检测方法、系统、装置及设备 |
| CN113689055B (zh) * | 2021-10-22 | 2022-01-18 | 西南石油大学 | 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法 |
| US11649714B1 (en) | 2021-10-22 | 2023-05-16 | Southwest Petroleum University | Method for predicting and optimizing rate of penetration (ROP) for oil and gas drilling based on bayesian optimization |
| CN113689055A (zh) * | 2021-10-22 | 2021-11-23 | 西南石油大学 | 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法 |
| CN114491190A (zh) * | 2022-01-29 | 2022-05-13 | 中国石油化工股份有限公司 | 一种钻井机械钻速敏感性可视化方法、装置及设备 |
| WO2023154621A1 (en) * | 2022-02-14 | 2023-08-17 | Quantico Energy Solutions Llc | Synthesizing properties related to wellbore stability |
| CN116663203A (zh) * | 2023-07-28 | 2023-08-29 | 昆仑数智科技有限责任公司 | 钻进参数优化方法及装置 |
| CN116663203B (zh) * | 2023-07-28 | 2023-10-27 | 昆仑数智科技有限责任公司 | 钻进参数优化方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111520122B (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111520122B (zh) | 一种机械钻速预测方法、装置及设备 | |
| CN111520123B (zh) | 一种机械钻速预测方法、装置及设备 | |
| RU2633006C1 (ru) | Автоматизация бурения с использованием оптимального управления на основе стохастической теории | |
| US10657441B2 (en) | Model generation for real-time rate of penetration prediction | |
| US10400573B2 (en) | System and method for controlling drilling process | |
| EP3510234B1 (en) | Directional drilling with stochastic path optimization of operating parameters | |
| US11704453B2 (en) | Drill bit design selection and use | |
| CA3093668C (en) | Learning based bayesian optimization for optimizing controllable drilling parameters | |
| CN105874159A (zh) | 控制井筒钻井系统 | |
| NO20190967A1 (en) | Tool-Specific Steering Optimization to Hit a Target | |
| Etesami et al. | A semiempirical model for rate of penetration with application to an offshore gas field | |
| CA2971712C (en) | Optimizing sensor selection and operation for well monitoring and control | |
| US20240003241A1 (en) | Motor efficiency and degradation interpretation system | |
| Burak et al. | Estimation of Downhole Inclination in Directionally Drilled Geothermal Wells | |
| US12044117B2 (en) | Methods for estimating downhole weight on bit and rate of penetration using acceleration measurements | |
| US8799198B2 (en) | Borehole drilling optimization with multiple cutting structures | |
| Trivedi et al. | Accounting for hydraulics and vibration in MSE calculations to estimate formation properties | |
| Burak | Application of artificial neural networks to predict the downhole inclination in directionally drilled geothermal wells | |
| Nour et al. | Picking the optimum directional drilling technology (RSS vs PDM): A machine learning-based model | |
| Kolmer et al. | ROP Optimization of Lateral Wells in SW Oklahoma: Artificial Neural Network Approach | |
| WO2024130108A1 (en) | Field operations 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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240327 Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Patentee after: CHINA PETROLEUM & CHEMICAL Corp. Country or region after: China Patentee after: Sinopec Petroleum Engineering Technology Research Institute Co.,Ltd. Patentee after: China University of Petroleum (Beijing) Address before: 102206 Chunchao building, No.5 Baisha Road, Shahe Town, Changping District, Beijing Patentee before: SINOPEC Research Institute OF PETROLEUM ENGINEERING Country or region before: China Patentee before: China University of Petroleum (Beijing) |
|
| TR01 | Transfer of patent right |