一种机械钻速预测方法、装置及设备
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。
目前机械钻速预测多采用收集已钻井在各深度处的测井、录井数据以及实际机械钻速,通过诸如理论公式、统计或经典机器学习等方法,来预测目标井眼在相应深度处的机械钻速。但随着钻井的深度的加深以及不规则井眼的大量布设,仅仅通过相应深度处的已钻井数据较难准确的确定钻具在深层不规则井眼中的复杂受力及运动状态,导致机械钻速预测精度提高困难,难以满足智能化时代钻井参数控制的要求。
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:
获取目标井眼在指定位置处的特征数据;其中,所述特征数据包括第一子特征数据以及第二子特征数据,所述第一子特征数据包括目标井眼在所述指定位置处的钻井数据,所述钻井数据包括目标井眼的井身结构数据、钻具数据以及地层构造数据;所述第二子特征数据包括基于所述指定位置的预设距离范围内的钻井数据确定的数据;
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转速预测结果。
本说明书提供的所述方法的另一些实施例中,所述基于预先构建的机器学习模型对所述目标井眼的特征数据进行处理,包括:
将所述第一子特征数据输入所述预先构建的机器学习模型的第一分支子模型,获得第一输出结果,其中,所述第一分支子模型基于全连接神经网络算法构建获得;
将所述第二子特征数据输入所述预先构建的机器学习模型的第二分支子模型,获得第二输出结果,其中,所述第二分支子模型基于对时间卷积神经网络算法以及全连接神经网络算法进行连接后构建获得;
将所述第一输出结果以及第二输出结果输入所述预先构建的机器学习模型的融合子模型,获得所述目标井眼在指定位置处的机械转速预测结果,所述融合子模型基于全连接神经网络算法构建获得。
本说明书提供的所述方法的另一些实施例中,所述第二子特征数据采用下述方式确定:
获取所述目标井眼在所述指定位置的预设距离范围内各位置样本点所对应的钻井数据,作为钻井数据集;
基于预设距离步长对所述钻井数据集所对应的深度值范围进行等分,将各等分节点作为特征节点,所述预设距离步长根据所述时间卷积神经网络算法的记忆特征确定;
将所述钻井数据集中的至少部分位置样本点所对应的钻井数据基于深度值对应插值至相应的特征节点处,没有插值数据的特征节点对应的数据设置为零,获得目标井眼在指定位置处的第二子特征数据。
本说明书提供的所述方法的另一些实施例中,所述第一子特征数据对应的特征参数类型包括钻压、钻头转速、排量、声波时差、自然伽马、螺杆钻具类型、钻头类型、钻头尺寸、井斜角、方位角和狗腿度;
所述第二子特征数据对应的特征参数类型包括井眼尺寸,钻具内径、钻具外径、钻具弹性模量、井斜角、方位角和狗腿度。
本说明书提供的所述方法的另一些实施例中,在使用螺杆钻具的情况下,根据螺杆钻具性能参数和钻井排量计算输出转速;利用所述输出转速以及转盘转速或顶驱转速计算钻头转速。
本说明书提供的所述方法的另一些实施例中,所述地层构造数据采用下述方式确定的;
其中,P(Z)表示目标井眼的未知位置样本点P的地层构造特征参数Z的值,N表示已钻井的实测位置样本点的数目,Zi表示第i个实测位置样本点的地层构造特征参数Z的值,di(x,y)表示第i个实测位置样本点到未知位置样本点P的距离,x、y分别表示未知位置样本点P的横、纵坐标,xi、yi分别表示第i个实测位置样本点的横、纵坐标,u取值为2。
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,用于获取目标井眼在指定位置处的特征数据;其中,所述特征数据包括第一子特征数据以及第二子特征数据,所述第一子特征数据包括目标井眼在所述指定位置处的钻井数据,所述钻井数据包括目标井眼的井身结构数据、钻具数据以及地层构造数据;所述第二子特征数据包括基于所述指定位置的预设距离范围内的钻井数据确定的数据;
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转速预测结果。
本说明书提供的所述装置的另一些实施例中,所述机械钻速预测模块还用于将所述第一子特征数据输入所述预先构建的机器学习模型的第一分支子模型,获得第一输出结果,其中,所述第一分支子模型基于全连接神经网络算法构建获得;将所述第二子特征数据输入所述预先构建的机器学习模型的第二分支子模型,获得第二输出结果,其中,所述第二分支子模型基于对时间卷积神经网络算法以及全连接神经网络算法进行连接后构建获得;将所述第一输出结果以及第二输出结果输入所述预先构建的机器学习模型的融合子模型,获得所述目标井眼在指定位置处的机械转速预测结果,所述融合子模型基于全连接神经网络算法构建获得。
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:
数据获取单元,用于获取所述目标井眼在指定位置的预设距离范围内各位置样本点所对应的钻井数据,作为钻井数据集;
特征数据构建单元,用于基于预设距离步长对所述钻井数据集所对应的深度值范围进行等分,将各等分节点作为特征节点,所述预设距离步长根据所述时间卷积神经网络算法的记忆特征确定;将所述钻井数据集中的至少部分位置样本点所对应的钻井数据基于深度值对应插值至相应的特征节点处,没有插值数据的特征节点对应的数据设置为零,获得目标井眼在指定位置处的第二子特征数据。
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,可以通过综合考虑目标井眼在指定位置处的井身结构数据及井眼轨迹测量数据、钻具数据以及地层构造数据等钻井数据,以及,其他位置的钻井数据对指定位置处钻具的影响,来准确分析钻头在该指定位置处的受力和运动状态,进而提高指定位置处的机械钻速预测的准确性。使得预测的机械钻速更符合实际的井眼结构以及相应位置处的地质构造,提高石油钻井参数设计、钻井提速工具优选和钻井周期预测等工程应用分析的准确性。
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某井特征数据示例示意图;
图3为本说明书提供的另一个实施例中的某井特征数据示例示意图;
图4为本说明书提供的另一个实施例中的基于复合神经网络算法进行机械钻速的预测示意图;
图5为本说明书提供的另一个实施例中的训练样本集以及测试样本集划分示意图;
图6为本说明书提供的另一个实施例中的测井数据预测结果示意图;
图7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8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,可以通过综合考虑目标井眼在指定位置处的井身结构数据及井眼轨迹测量数据、钻具数据以及地层构造数据等钻井数据,以及,其他位置的钻井数据对指定位置处钻具的影响,来准确分析钻头在该指定位置处的受力和运动状态,进而提高指定位置处的机械钻速预测的准确性。使得预测的机械钻速更符合实际的井眼结构以及相应位置处的地质构造,提高石油钻井参数设计、钻井提速工具优选和钻井周期预测等工程应用分析的准确性。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,所述方法可以包括如下步骤。
S20:获取目标井眼在指定位置处的特征数据;其中,所述特征数据包括第一子特征数据以及第二子特征数据,所述第一子特征数据包括目标井眼在所述指定位置处的钻井数据,所述钻井数据包括目标井眼的井身结构数据、钻具数据以及地层构造数据;所述第二子特征数据包括基于所述指定位置的预设距离范围内的钻井数据确定的数据。
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等。所述地层构造数据如可以包括指定位置处所对应的地层的声波时差、自然伽马等反应地层构造特征的特征参数的数据。一些实施方式中,可以通过已钻井的测井数据预测待钻目标井眼所对应的地层构造数据。所述井身结构数据可以包括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、套管下深等特征参数的数据。所述井眼轨迹数据可以包括轨迹坐标、斜深、井斜角、方位角和狗腿度等特征参数的数据。所述钻具数据可以包括管体内径、管体外径、弹性模量、井底钻压、转盘转速和排量、钻头尺寸、钻头型号、螺杆钻具型号、每转排量等特征参数的数据。
通过综合考虑井眼轨迹中的地层构造数据、井眼本身的井身结构数据、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情况。
一些实施方式中,在使用螺杆钻具的情况下,可以根据螺杆钻具性能参数和钻井排量计算输出转速,结合转盘转速或顶驱转速计算钻头转速。一些实施例中,可以通过以下公式计算钻头转速:
其中,rpm为钻头转速,rpmsurface为转盘转速或顶驱转速,Q为钻井液排量,L/s,q为螺杆每转排量,L。
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。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,井壁的摩阻、当前位置的井眼结构等对施加在钻头的钻压的合理确定影响较大。一些实施方式中,根据所述目标井眼的地面构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。通过综合考虑井身构造、钻具在井眼中的力学参数等来确定某机械钻速所对应的井底钻压,可以使得最终预测的机械钻速更符合实际的施工情况。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。所述钻头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。所述地面构载可以是指地面上悬挂钻具的大钩的大钩载荷。
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,F
2为所述指定位置的井底钻压,F
1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钻压:
其中,F
2为所述指定位置的井底钻压,F
1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,θ
2为所述指定位置的方位角,θ
1为所述指定位置的邻近位置的方位角,α
2为所述指定位置的井斜角,α
1为所述指定位置的邻近位置的井斜角。
一些实施方式中,可以利用已钻井的地层构造数据预测目标井眼的地层构造数据。一些实施例中,可以采用空间插值方法确定目标井眼的地层构造数据。可以通过已钻井的井眼轨迹数据确定采集钻井数据时所对应的实测位置样本点的坐标值,然后,通过目标井眼的设计的井眼轨迹数据确定其待钻目标井眼的各未知位置样本点的坐标值。对于任一未知位置样本点,可以按照实测点和未知点的距离远近,分别对实测位置样本点的特征参数的值计算权重,距离较远的点权重低,距离较近的点权重高;然后,将所有实测位置样本点按照权重大小进行加权求和,即确定相应的未知位置样本点的属性预测值。在一个实施例中,可以通过以下公式计算某未知位置样本点的特征参数的值:
其中,P(Z)表示目标井眼的未知位置样本点P的地层构造特征参数Z的值,N表示已钻井的实测位置样本点的数目,Zi表示第i个实测位置样本点的地层构造特征参数Z的值,di(x,y)表示第i个实测位置样本点到未知位置样本点P的距离,x、y分别表示未知位置样本点P的横、纵坐标,xi、yi分别表示第i个实测位置样本点的横、纵坐标,u取值为2。
一些实施例中,所述特征数据可以包括第一子特征数据以及第二子特征数据。所述第一子特征数据可以包括目标井眼在所述指定位置处的钻井数据。所述第二子特征数据可以包括基于所述指定位置的预设距离范围内的钻井数据确定的数据。
所述第一子特征数据可以为非序列型特征数据,可以获取目标井眼在所述指定位置处的地层构造数据、井身结构数据以及所使用的钻具数据等钻井数据,将获取的目标井眼在所述指定位置处的各钻井数据作为第一子特征数据。或者,还可以对指定位置处的各钻井数据进行预处理。所述预处理如可以包括去噪、数字化处理、坐标位置对齐、归一化处理等。例如,可以对于钻头类型、螺杆钻具类型编号等离散变量,可以通过One-hot编码将其转换为数字型变量。然后,可以通过线性插值等方式将各钻井参数数据对齐至同一坐标轴。通过对钻井数据进行预处理,可以提高后续分析的准确性以及效率。
可以基于上述方式获得目标井眼的井眼轨迹中各位置所对应的第一子特征数据。然后,可以基于目标井眼的第一子特征数据构建井眼轨迹中各位置所对应的第二子特征数据。所述第二子特征数据可以包括根据指定位置的预设距离范围内的钻井数据确定的序列型特征数据。井眼内部实际环境复杂多变,其他位置处的井身构造或者地层构造对当前位置处的机械钻速的设计可能也存在较大的影响,通过进一步考虑指定位置处预设距离范围内的其他位置点的钻井数据,可以使得机械钻速的确定更符合井眼内部的实际环境,提高基于该机械钻石进行钻井的安全性及施工效率等。
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转速预测结果。
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转速预测结果。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、随机森林算法等等。
通过综合考虑目标井眼在指定位置处的井身结构数据及井眼轨迹测量数据、钻具数据以及地层构造数据等钻井数据,以及,其他位置的钻井数据对指定位置处钻具的影响,可以更加准确的分析钻头在该指定位置处的受力和运动状态,进而提高指定位置处的机械钻速预测的准确性。使得预测的机械钻速更符合实际的井眼结构以及相应位置处的地质构造,提高石油钻井参数设计、钻井提速工具优选和钻井周期预测等工程应用分析的准确性。
另一些实施例中,所述基于预先构建的机器学习模型对所述目标井眼的特征数据进行处理,可以包括:
将所述第一子特征数据输入所述预先构建的机器学习模型的第一分支子模型,获得第一输出结果,其中,所述第一分支子模型基于全连接神经网络算法构建获得;
将所述第二子特征数据输入所述预先构建的机器学习模型的第二分支子模型,获得第二输出结果,其中,所述第二分支子模型基于对时间卷积神经网络算法以及全连接神经网络算法进行连接后构建获得;
将所述第一输出结果以及第二输出结果输入所述预先构建的机器学习模型的融合子模型,获得所述目标井眼在指定位置处的机械转速预测结果,所述融合子模型基于全连接神经网络算法构建获得。
可以利用复合神经网络算法构建用于机械钻速预测的所述机器学习模型。其中,所述复合神经网络算法可以基于全连接神经网络算法以及时间卷积神经网络算法构建获得。利用该复合神经网络算法进行机器学习模型的构建,可以有效结合全连接神经网络在处理高维度复杂问题上的强大非线性映射能力以及时间卷积神经网络在处理序列问题上的长期记忆能力,更加准确有效的结合钻具在井眼中的受力和运动状态进行机械钻速的预测,提高复杂井眼结构中机械钻速预测的精度,进而有助于提高钻井工程智能化水平和施工效率。
基于复合神经网络算法构建的机器学习模型可以包括三部分,分别为第一分支子模型、第二分支子模型以及融合子模型。所述第一分支子模型可以利用全连接神经网络算法构建获得。所述第二分支子模型可以利用对时间卷积神经网络算法以及全连接神经网络算法进行连接后构建获得,将时间卷积时间网络算法的输出层连接至所述全连接神经网络算法的输入层。所述融合子模型可以利用全连接神经网络算法构建获得。可以将第一分支子模型以及第二分支子模型的输出层连接至所述融合子模型的输入层,获得基于复合神经网络算法构建的机器学习模型。
所述机器学习模型内的参数可以利用已钻井的钻井数据以及机械钻速进行训练以及优化确定。例如,可以将已钻井的钻井数据以及机械钻速作为样本数据,构建训练集以及测试集。利用训练集对所述机器学习模型进行初步学习确定学习模型的各项参数,然后,再利用测试集对训练获得的机器学习模型进行优化。
一些实施方式中,可以收集目标井眼的多个已钻邻井的井身结构数据、钻具数据以及地层构造数据等钻井数据以及机械钻速,构建样本数据集。
可以先确定各井对应的第一子特征样本数据。以零米为起始点,各井对应的第一子特征样本数据的对应深度最大值hmax为终点,按照第一预设距离步长s进行划分,划分为一系列特征节点。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。可以获取各个井的各样本位置点至相应井的井口的测深,然后,选取测深最大值hmax。对零米至hmax的长度范围,按照第一预设距离步长s进行划分,划分成若干等分,每一份的区分数值点作为特征节点,然后,可以将不同的样本数据基于其测深值对应至相应的特征节点处。为了便于表述,可以将该特征节点定义为第一特征节点。相应的,获得第一特征节点集H={h1,h2,h3,……hn}。不同的测试数据所采用的样本位置点步长通常存在一定的差异性,不方便进行数据处理,通过统一步长,将所有数据对齐值同一深度节点,可以更加便于数据分析处理。
可以将各特征参数的数据以H为基准进行线性插值,构建第一子特征样本数据。例如,可以通过线性插值的方式将对齐至同一深度轴。
对各已钻井进行分别进行上述处理,获得各已钻井在各位置样本点处所对应的第一子特征样本数据。可以将各已钻井在各位置样本点处所对应的第一子特征样本数据放到一个集合里,作为第一子特征样本数据集。
在构建完成第一子特征样本数据集的基础上,可以为第一子特征样本数据集的每个第一特征节点{h1,h2,h3,……hn}构建对应的第二子特征样本数据集。一些实施方式中,可以获取第一子特征样本数据集的对应深度最大值hmax,设定第二预设距离步长sq,sq设置原则为hmax/sq<r。所述r的值可以根据时间卷积神经网络算法的最优记忆数据长度确定,可以利用样本数据多次分析后优选确定。然后,可以以零米为起点,hi为终点,按照步长sq进行划分,获得第二特征节点HS={hq,1,hq,2,hq,3,……hq,m}。将每一个位置样本点对应的钻井数据基于位置样本点的测深对应对其至第二特征节点HS,对于没有数据填充的第二特征节点,参数属性的数据全部填充0。
通过上述方式确定各井的每个第一特征节点所对应的第二子特征样本数据,将各井在每个第一特征节点处的第二子特征样本数据存入一个集合中,获得第二子特征样本数据集。
然后,可以分别对第一子特征样本数据集以及第二子特征样本数据集内的特征数据进行归一化处理。例如,可以将第一子特征样本数据集内的特征数据合并为一个矩阵,以及,将第二子特征样本数据集内的特征数据合并为一个矩阵。其中,矩阵的列为各特征参数对应的数据,各行为各第一特征节点或各第二特征节点所对应的数据。将一个井的各特征参数的数据排列完后,再将另一个井的各特征参数的数据继续追加在后续的行中。相应的,每一列包括了一个特征参数所对应的多个井的数据。可以选取单列的最大值和最小值,并将每列数据的每个数值进行归一化处理,计算方法如下:
其中,Xnorm,i为某特征参数的第i个数据归一化后的数值;Xi为某特征参数的第i个数据实测值,为Xmin某特征参数的最小值,Xmax为某特征参数的最大值。
然后,可以将归一化处理的第一子特征样本数据集以及第二子特征样本数据集划分为训练数据集以及测试数据集。如可以将部分井对应的第一子特征样本数据以及第二子特征样本数据作为训练数据集,将另一部分井对应的第一子特征样本数据以及第二子特征样本数据作为测试数据集。
然后,可以基于复合神经网络算法对所述训练数据进行学习,构建获得初始机器学习模型。再利用测试数据集进行校验以及优化处理。一些实施方式中,如可以采用下述均方根误差作为复合神经网络的损失函数,用以在训练过程中评估复合神经网络的预测结果和实测结果之间的差距。
其中,RMSE为预测机械钻速和实测机械钻速的均方根误差;ROPpredict,i为某第一特征节点i的预测机械钻速,m/h;ROPtrue,i为某第一特征节点i的实测机械钻速,m/h。
然后,可以训练数据集中各特征数据作为输入参数,将各第一特征节点的对应的第一子特征样本数据输入基于全连接神经网络算法构建的第一分支子模型;将各第二特征节点的对应的第二子特征样本数据输入对基于时间卷积神经网络算法以及全连接神经网络算法进行连接后构建的第二分支子模型。然后,第一分支子模型以及第二分支子模型的输出结果,再分别输入至基于全连接神经网络算法构建的融合子模型中,进而输出各第一特征节点对应的机械钻速预测结果。然后,可以再基于上述损失函数评估预测结果和实测机械钻速之间的差距,以对复合神经网络结构的超参数进行优化。可以均方根误差最小作为超参数最优的选择标准。在超参数优选过程中,如可以利用网格搜索方法、随机搜索方法、贝叶斯搜索方法等确定复合神经网络的超参数。
一些实施方式中,复合神经网络的超参数可以包括第一分支子模型的神经网络层数、第一分支子模型的每层网络神经元个数、第一分支子模型的每层网络神经元舍弃率、第一分支子模型的学习速率、第二分支子模型的卷积层数、第二分支子模型的卷积层扩张率、第二分支子模型的卷积核尺寸、第二分支子模型的全连接网络层数、第二分支子模型的每层网络神经元个数、第二分支子模型的学习速率、融合子模型的神经网络层数、融合子模型的每层网络神经元个数、融合子模型的学习速率以及复合神经网络的批尺寸、复合神经网络的迭代次数等。
然后,可以利用测试数据集对构建的机器学习模型进行校验以及进一步的优化,使得最终构建的机器学习模型的准确性更高。然后,可以将最终构建的机器学习模型作为目标井眼的机械钻速预测模型。
然后,可以利用最终构建的机器学习模型进行目标井眼在指定位置处的机械钻速进行预测。可以将目标井眼在指定位置处的第一子特征数据输入所述预先构建的机器学习模型的第一分支子模型,获得第一输出结果。将目标井眼在指定位置处的第二子特征数据输入所述预先构建的机器学习模型的第二分支子模型,获得第二输出结果。将所述第一输出结果以及第二输出结果输入所述预先构建的机器学习模型的融合子模型,获得所述目标井眼在指定位置处的机械转速预测结果。
基于上述实施例提供的方案,一些实施例中,待钻井眼的指定位置对应的所述第二子特征数据可以采用下述方式确定:获取所述目标井眼在所述指定位置的预设距离范围内各位置样本点所对应的钻井数据,作为钻井数据集;基于预设距离步长对所述钻井数据集所对应的深度值范围进行等分,将各等分节点作为特征节点,所述预设距离步长根据所述时间卷积神经网络算法的记忆特征确定;将所述钻井数据集中的至少部分位置样本点所对应的钻井数据基于深度值对应插值至相应的特征节点处,没有插值数据的特征节点对应的数据设置为零,获得目标井眼在指定位置处的第二子特征数据。通过进一步考虑时间卷积神经网络的时间记忆长度提取特征数据,可以进一步提高模型训练以及机械转速预测的效率以及准确性。
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。可以以区域M为试验区域,收集区域已钻井的井位坐标、井深、地质分层,套管尺寸、套管下深、管体内径、管体外径、弹性模量、声波时差、自然伽马、钻压、转盘转速、排量、螺杆钻具型号、斜深、井斜角、方位角以及钻头型号、钻头尺寸等数据。
然后,在使用螺杆钻具的情况下,根据螺杆钻具性能参数和钻井排量计算输出转速,结合转盘转速或顶驱转速计算钻头转速。如图2所示,逐井确定非序列型特征数据集,以零米为起始点,最大井深为终止点,按照步长s插值为等差序列H={h1,h2,h3,……hn},将钻压、钻头转速、排量、声波时差、自然伽马、螺杆钻具类型、钻头类型和钻头尺寸以H为基准进行线性插值,构建非序列型特征数据集。对非序列型特征数据集中的离散进行对于钻头类型、螺杆钻具类型编号等离散变量,需通过One-hot编码将其转换为数字型变量,并在非序列特征数据集中替换原离散变量列。
如图3所示,在构建完成的非序列型特征数据集的基础上,为非序列型特征集中的每个深度点构建对应的序列型特征集,获取所有非序列型特征数据集深度的最大值hmax,设定序列型特征的步长,为sq,sq设置原则为hmax/sq<300,以零米为起点,hi为终点,按照步长sq插值为等差序列HS={hs,1,hs,2,hs,3,……hs,m},其中,hs,1的值零。将每一个深度点对应的井眼尺寸,钻具内径、钻具外径、钻具弹性模量、井斜角、方位角、狗腿度对应插值到深度序列,对于序列特征深度范围不在实际井眼深度范围内的特征,属性值全部填充0。将序列型特征和非序列型特征按照列对齐行追加的方式分别合并为一个矩阵,确定单列的最大值和最小值,并将每列数据的每个数值进行归一化处理。
之后,如图4所示,建立全连接+时间卷积神经网络结构,利用全连接神经网络结构建立复合神经网络分支一,利用时间卷积神经网络和全连接神经网络结构建立复合神经网络分支二,在分支一和分支二的输出层连接基于全连接神经网络的融合部分。将非序列型特征数据输入分支一,将序列型特征数据输入分支二,其中图4中所示的非序列型特征数据以及序列型特征数据中的wob、rmp、Q、dt、gr、pdmt、bt、bs、ID、id、od、E、inc、azi、dls表征不同的特征参数,该示出的特征参数仅仅为举例说明,并不构成对本说明书实施例方案的直接限定。非序列型特征数据以及序列型特征数据中各特征参数的类型可以存在部分重叠。
可以采用均方根误差作为复合神经网络的损失函数,将邻井数据集按照井号划分为训练集和测试集,如图5所示。然后,可以通过网格搜索方法确定复合神经网络的超参数。将已钻井构建完成的序列型特征集和非序列型特征集对应输入复合神经网络结构,训练建立区域待钻井机械钻速预测模型。
接着,通过井眼轨迹测量数据确定每个观测点的坐标值,通过设计井眼轨迹数据确定未知点的坐标值,按照实测点和未知点的距离远近,分别对实测点的属性值(声波时差或自然伽马)计算权重,距离较远的点权重低,距离较近的点权重高,将所有实测点按照权重大小进行加权求和,逐深度确定未知点的属性预测值,如图6所示。其中,图6中的(a)图表示声波时差的数据示意图,图6中的(b)图表示自然伽马的数据示意图。
最后,可以将待钻井预测测井数据,设计井眼轨迹、设计钻头和螺杆数据、设计钻井参数数据输入机械钻速预测模型,实现对待钻井机械钻速的预测。
如图7所示,其中,图7中的(a)图表示通过本说明书实施例方法计算得到的机械钻速预测结果和实测机械钻速,图7中的(b)图表示通过常规机器学习方法计算得到的机械钻速预测结果和实测机械钻速。其中,实线代表机械钻速预测结果,虚线代表机械钻速实测结果。
通过对比分析可知,基于复合神经网络结构进行机械钻速预测的方法,可以结合全连接神经网络在处理高维度复杂问题上的强大非线性映射能力以及时间卷积神经网络在处理序列问题上的长期记忆能力,实现考虑钻具在井眼中的受力和运动状态下的钻井机械钻速预测,有效提高了复杂井眼结构,如定向井、水平井和深井等中机械钻速预测精度,是进行钻井工具优选、钻井参数设计和实时优化的重要基础,有助于提高钻井工程智能化水平和施工效率。
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,可以通过综合考虑目标井眼在指定位置处的井身结构数据及井眼轨迹测量数据、钻具数据以及地层构造数据等钻井数据,以及,其他位置的钻井数据对指定位置处钻具的影响,来准确分析钻头在该指定位置处的受力和运动状态,进而提高指定位置处的机械钻速预测的准确性。使得预测的机械钻速更符合实际的井眼结构以及相应位置处的地质构造,提高石油钻井参数设计、钻井提速工具优选和钻井周期预测等工程应用分析的准确性。
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8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8所示,所述装置可以包括:
数据获取模块802,可以用于获取目标井眼在指定位置处的特征数据;其中,所述特征数据包括第一子特征数据以及第二子特征数据,所述第一子特征数据包括目标井眼在所述指定位置处的钻井数据,所述钻井数据包括目标井眼的井身结构数据、钻具数据以及地层构造数据;所述第二子特征数据包括基于所述指定位置的预设距离范围内的钻井数据确定的数据;
机械钻速预测模块804,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转速预测结果。
另一些实施例中,所述机械钻速预测模块804还可以用于将所述第一子特征数据输入所述预先构建的机器学习模型的第一分支子模型,获得第一输出结果,其中,所述第一分支子模型基于全连接神经网络算法构建获得;将所述第二子特征数据输入所述预先构建的机器学习模型的第二分支子模型,获得第二输出结果,其中,所述第二分支子模型基于对时间卷积神经网络算法以及全连接神经网络算法进行连接后构建获得;将所述第一输出结果以及第二输出结果输入所述预先构建的机器学习模型的融合子模型,获得所述目标井眼在指定位置处的机械转速预测结果,所述融合子模型基于全连接神经网络算法构建获得。
另一些实施例中,所述数据获取模块802可以包括:
数据获取单元,可以用于获取所述目标井眼在指定位置的预设距离范围内各位置样本点所对应的钻井数据,作为钻井数据集;
特征数据构建单元,可以用于基于预设距离步长对所述钻井数据集所对应的深度值范围进行等分,将各等分节点作为特征节点,所述预设距离步长根据所述时间卷积神经网络算法的记忆特征确定;将所述钻井数据集中的至少部分位置样本点所对应的钻井数据基于深度值对应插值至相应的特征节点处,没有插值数据的特征节点对应的数据设置为零,获得目标井眼在指定位置处的第二子特征数据。
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,可以通过综合考虑目标井眼在指定位置处的井身结构数据及井眼轨迹测量数据、钻具数据以及地层构造数据等钻井数据,以及,其他位置的钻井数据对指定位置处钻具的影响,来准确分析钻头在该指定位置处的受力和运动状态,进而提高指定位置处的机械钻速预测的准确性。使得预测的机械钻速更符合实际的井眼结构以及相应位置处的地质构造,提高石油钻井参数设计、钻井提速工具优选和钻井周期预测等工程应用分析的准确性。
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,可以通过综合考虑目标井眼在指定位置处的井身结构数据及井眼轨迹测量数据、钻具数据以及地层构造数据等钻井数据,以及,其他位置的钻井数据对指定位置处钻具的影响,来准确分析钻头在该指定位置处的受力和运动状态,进而提高指定位置处的机械钻速预测的准确性。使得预测的机械钻速更符合实际的井眼结构以及相应位置处的地质构造,提高石油钻井参数设计、钻井提速工具优选和钻井周期预测等工程应用分析的准确性。
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,可以通过综合考虑目标井眼在指定位置处的井身结构数据及井眼轨迹测量数据、钻具数据以及地层构造数据等钻井数据,以及,其他位置的钻井数据对指定位置处钻具的影响,来准确分析钻头在该指定位置处的受力和运动状态,进而提高指定位置处的机械钻速预测的准确性。使得预测的机械钻速更符合实际的井眼结构以及相应位置处的地质构造,提高石油钻井参数设计、钻井提速工具优选和钻井周期预测等工程应用分析的准确性。
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。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
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。