CN111971451A - 穿透率的优化 - Google Patents
穿透率的优化 Download PDFInfo
- Publication number
- CN111971451A CN111971451A CN201980015792.0A CN201980015792A CN111971451A CN 111971451 A CN111971451 A CN 111971451A CN 201980015792 A CN201980015792 A CN 201980015792A CN 111971451 A CN111971451 A CN 111971451A
- Authority
- CN
- China
- Prior art keywords
- formation
- data
- cluster
- encoded data
- operating parameter
- 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.)
- Pending
Links
- 230000035515 penetration Effects 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title description 11
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000005553 drilling Methods 0.000 claims abstract description 17
- 238000005755 formation reaction Methods 0.000 claims description 95
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 2
- 230000005855 radiation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003045 statistical classification method Methods 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
-
- 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
-
- 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
- E21B47/00—Survey of boreholes or wells
- E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Geophysics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
Abstract
一种方法包括:接收表征经历钻进的第一地层的一个或多个特性的传感器数据;基于所接收的传感器数据和多个集群历史数据确定第一地层的标识;基于第一地层的标识和目标穿透率中的一个或多个确定被配置为穿透第一地层的钻的目标操作参数,目标操作参数被配置为实现钻的穿过第一地层的目标穿透率;以及基于目标操作参数改变钻的操作。还描述了相关设备、系统、制品和技术。
Description
相关申请
本申请根据35U.S.C.119(e)要求于2018年1月26日提交的美国临时专利申请号62/622,733优先权,其全部内容据此通过引用明确地并入本文。
背景技术
钻穿透地面的速度称为穿透率(ROP)。ROP可取决于钻的操作参数,诸如施加在钻头上的向下力(“钻头重量”)和钻头的角转速。ROP也可能取决于钻进过程期间遇到的岩层。例如,对于给定的一组操作参数,ROP可在快速钻进地层(例如,砂岩)中增加,并且可在慢速钻进地层(例如,页岩)中减小。
岩层的期望ROP可取决于例如岩层的密度、岩层的孔隙率等。因此,当钻进入岩层时,可能需要改变其操作参数(例如,钻头重量、旋转速度等),以获得岩层的期望ROP。当前,钻进的操作参数(以及产生的ROP)可由操作者基于他们的经验来确定。
发明内容
总体上,提供了用于优化穿透率的设备、系统、方法和制品。
在一方面,一种方法包括:接收表征经历钻进的第一地层的一个或多个特性的传感器数据;基于所接收的传感器数据和多个集群历史数据确定所述第一地层的标识;基于所述第一地层的所述标识和目标穿透率中的一个或多个确定被配置为穿透所述第一地层的钻的目标操作参数,所述目标操作参数被配置为实现所述钻的穿过所述第一地层的所述目标穿透率;以及基于所述目标操作参数改变所述钻的所述操作。
以下特征中的一个或多个可包括在任何可行的组合中。例如,所述方法可包括生成集群历史数据。所述生成可包括:接收指示包括所述第一地层的多个地层的检测特性的历史传感器数据;将所述历史传感器数据编码为编码数据;将所述编码数据聚类为指示所述多个地层的多个集群编码数据;以及基于所述多个集群编码数据将所述历史传感器数据聚类为多个集群历史数据。所述多个集群历史数据可指示所述多个地层。将所述编码数据聚类为所述多个集群编码数据可包括对所述编码数据应用无监督聚类算法。所述无监督聚类算法可被配置为:识别所述编码数据中的第一地层特性;以及基于所述第一地层特性对所述编码数据进行聚类。确定所述第一地层的所述标识可包括:识别代表所接收的传感器数据的所述多个集群历史数据中的第一集群历史数据;以及将所述第一地层的所述标识设置为与所述第一集群历史数据相关联的地层。所述方法可包括至少基于所述第一集群历史数据生成用于所述第一地层的预测模型。所述预测模型可被配置为基于所述第一地层的所述标识和所述目标穿透率来确定所述目标操作参数。生成所述预测模型可包括:确定特性方程的一个或多个系数,所述特性方程被配置为接收代表所述第一地层和所述目标穿透率的值作为输入并生成所述目标操作参数作为输出。所述预测模型可包括贝叶斯混合模型和基于高斯过程的模型中的一个模型。所述预测模型可由全局进化算法生成。
还描述了存储指令的非暂态计算机程序产品(即,物理地体现的计算机程序产品),该指令当由一个或多个计算系统的一个或多个数据处理器执行时,使得至少一个数据处理器执行本文的操作。类似地,还描述了可包括一个或多个数据处理器和耦接到该一个或多个数据处理器的存储器的计算机系统。该存储器可暂时或永久地存储使得至少一个处理器执行本文所述的操作中的一个或多个操作的指令。此外,方法可由单个计算系统内的或分布在两个或更多个计算系统中的一个或多个数据处理器来实现。此类计算系统可经由一个或多个连接、包括网络(例如,互联网、无线广域网、局域网、广域网、有线网络等)上的连接、经由多个计算系统中的一个或多个计算系统之间的直接连接等来连接并且可交换数据和/或命令或其他指令等。
附图说明
根据以下结合附图的详细描述,将更容易理解这些和其他特征,其中:
图1示出了确定钻的目标操作参数的示例性方法;
图2示出了示例性编码过程;
图3示出了历史数据段的集群;
图4示出了代表在各种钻孔深度处检测的传感器数据段的伽马辐射、密度和孔隙率的绘图;
图5A示出了在穿透率的三维绘图上的目标穿透率值;
图5B示出了图5A中的绘图的二维表示;并且
图5C示出了图5A中的穿透率的值对于优化算法的各种迭代的收敛。
具体实施方式
可能需要基于钻进时遇到的岩层来更改钻的操作参数。当钻钻穿多个岩层时,这可改善和/或保持钻的性能。当前,钻操作参数可由操作者(或多个操作者)基于操作者的先前经验来确定。但是,手动更改操作参数可能效率低下,并可能导致钻的不期望性能。本主题可提供可用于确定一个或多个岩层的期望钻头操作参数的方法和系统。该方法可基于岩层的先前收集的数据(例如,密度、孔隙率、伽马等)。该方法可用于使用来自耦接到钻头的传感器的数据来实时确定期望的钻操作参数。通过提高穿透率,可改善钻的性能,从而使得操作成本降低,钻进时间更快,减少钻头的磨损等。
图1示出了确定钻的目标操作参数的示例性方法。在102处,接收表征第一岩层(或多个岩层)(例如,经历钻进的岩层)的一个或多个特性的传感器数据。传感器数据可包括例如先前已经检测到的岩层的特性(例如,密度、孔隙率、伽马辐射等)。可从耦接到被配置为穿透第一岩层的钻的传感器实时接收传感器数据。在一些实施方式中,传感器数据可在先前的钻进操作期间由附接到钻的传感器检测,并且传感器数据可保存在数据库中。传感器可包括例如伽马射线探测器、中子探测器、电阻率传感器等。来自钻孔(例如,来自钻油平台的钻孔)的传感器数据可以是钻井记录的形式。接收的传感器数据可组织成传感器数据段。每个传感器数据段可包括在钻孔中的特定深度处收集的传感器数据。
返回图1,在104处,可生成用于多个岩层中的第一岩层的预测模型。可从在步骤102处接收的传感器数据、集群历史数据等来确定第一岩层的标识。可通过将历史数据(例如,与过去检测的第一岩层相关联的数据)编码为编码数据、将编码数据聚类为集群编码数据,并基于编码数据的聚类将历史数据聚类为集群历史数据而生成集群历史数据。
在一个实施方式中,可(例如,从由用户提供的数据库等)接收历史数据。可使用深度学习方法将历史数据编码为压缩表示(例如,潜伏数据集)。例如,历史数据的段可被编码为编码数据段。历史数据段的大小可大于编码数据段的大小。在一个实施方式中,可使用深度卷积自动编码器(DCAE)来实施深度学习方法。这些深度学习方法可基于编码数据来报告多个岩层,而不必识别岩石的类型(诸如石灰岩)。
图2示出了编码处理器生成的示例性编码模型200。编码模型可包括编码步骤202(由编码器执行)和解码步骤204(由解码器执行)。编码器可接收输入数据210(例如,编码数据段),并且可将输入数据210转换为隐藏代码212。解码器可从隐藏代码212生成输出数据214。在一个实施方式中,编码模型可包括可基于训练数据(例如,编码数据段)进行训练的神经网络。一旦编码模型被训练,输出数据214可被收敛到输入数据。编码模型可学习/识别基础流形/编码数据段的共同特性。
可将编码数据段分组为一个或多个集群。例如,这可通过使用统计分类方法来完成。统计分类方法可以是无监督聚类算法(例如,并行Louvain算法)。编码数据段的每个集群可代表岩层。基于编码数据段的分组,对应的历史数据段也可分组为集群。图3是示出历史数据段的集群的绘图。如图3所示,历史数据段已划分为可代表五个不同岩层的五个不同集群(用不同的符号表示)。x轴表示历史数据段中的归一化密度值,并且y轴表示归一化伽马辐射值。历史数据段的密度值和伽马辐射值可通过检测到这些值的钻孔深度进行归一化。
图4示出了代表在各种钻孔深度处检测的传感器数据段的伽马辐射、密度和孔隙率的绘图。绘图中使用的符号代表其伽马辐射、密度和孔隙率已绘制的岩层。图4示出了给定的岩层可出现在各种深度。
基于历史数据段,可识别与在步骤102处接收的传感器数据相关联的第一岩层。例如,这可通过将接收的传感器数据与各种历史数据段进行比较来完成。如果传感器数据和历史数据段之间存在匹配(例如,传感器数据和历史数据段具有公共标识符),则可将第一岩层的标识设置为与匹配的历史数据段相关联的岩层的标识。
在已经识别出岩层之后,可基于历史数据(例如,匹配的历史数据段)、在步骤102处接收的传感器数据、用于穿透第一岩层(例如,集群岩层)的钻的预定特性来为第一岩层生成预测模型(例如,贝叶斯混合模型)。在一些实施方式中,预测模型可包括确定第一岩层的特性方程(例如,多项式方程)的一个或多个系数。特性方程可以是预定的,并且可基于例如岩层特性、钻的特性(例如,钻头重量、钻头的旋转速度等)等。特性方程可被配置为接收代表第一岩层和目标穿透率的值作为输入,并生成钻的目标操作参数作为输出(例如,钻的可产生穿过第一岩层的目标穿透率的操作参数)。在一些实施方式中,预测模型可基于钻的操作参数(例如,钻头重量、钻头的旋转速度等)确定钻对岩层操作的穿透率。
返回图1,在106处,所生成的预测模型(例如,用于生成图5A至图5C的预测模型)可用于确定与第一岩层中的目标穿透率相对应的钻的目标操作参数。可通过将优化算法(例如,全局优化算法)应用于预测模型来确定目标穿透率。优化算法可包括例如遗传算法、进化算法、模拟退火、粒子群优化、基于梯度的优化等。优化算法可基于钻的一个或多个操作约束(例如,横向和轴向振动、粘滑、预测模型中的误差等)确定目标穿透率的一个或多个值(以及对应的目标操作参数)。图5A示出了从预测模型获得的穿透率的三维绘图上的(例如,使用上述优化算法来计算的)目标穿透率值。图5B示出了图5A中的绘图的二维表示。图5C示出了所计算的ROP和对应的操作条件对于优化算法的各个迭代的收敛。图5A和图5B通过星号示出了可行的操作条件以及以黑点表示的不可行的操作条件。若干约束条件(例如轴向/横向振动、rpm波动等)被用于确定操作条件的可行性。
返回图1,在108处,提供确定的目标操作参数。例如,所确定的目标操作参数可被保存在数据库中和/或呈现给操作者。在另一实施方式中,目标操作参数可在自动化系统中使用,以实时确定钻的期望(例如,最佳)操作参数,并基于该确定来改变钻的操作参数。
现在将描述某些示例性实施方案,以提供对本文所公开的系统、装置和方法的结构、功能、制造和使用的原理的全面理解。这些实施方案的一个或多个示例在附图中示出。本领域技术人员将理解的是,本文中具体描述且在附图中示出的系统、装置和方法是非限制性的示例性实施方案,并且本发明的范围仅由权利要求限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征组合。此类修改和变型旨在包括在本发明的范围内。此外,在本公开中,实施方案的相似命名的部件通常具有类似的特征,因此在具体实施方案内,不一定完全阐述每个相似命名的部件的每个特征。
其他实施方案在所公开的主题的范围和精神内。这些实施方案的一个或多个示例在附图中示出。本领域技术人员将理解的是,本文中具体描述且在附图中示出的系统、装置和方法是非限制性的示例性实施方案,并且本发明的范围仅由权利要求限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征组合。此类修改和变型旨在包括在本发明的范围内。此外,在本公开中,实施方案的相似命名的部件通常具有类似的特征,因此在具体实施方案内,不一定完全阐述每个相似命名的部件的每个特征。
本文所述的主题可在数字电子电路或在计算机软件、固件或硬件(包括本说明书中公开的结构装置和其结构等同物)或它们的组合中实现。本文所述的主题可被实现为一个或多个计算机程序产品,诸如有形地体现在信息载体中(例如,体现在机器可读存储装置中)、或体现在传播的信号中,以用于由数据处理设备(例如,可编程处理器、计算机或多台计算机)执行或控制该数据处理设备的操作的一个或多个计算机程序。计算机程序(也称为程序、软件、软件应用程序或代码)可以任何形式的编程语言(包括编译语言或解释语言)编写,并且它可以任何形式部署,包括作为独立程序或者作为模块、部件、子例程或适用于计算环境中的其他单元部署。计算机程序不一定对应于文件。程序可存储在保存其他程序或数据的文件的一部分中,存储在专用于所考虑的程序的单个文件中,或者存储在多个协同文件(例如,存储一个或多个模块、子程序或代码的部分的文件)中。计算机程序可被部署成在一台计算机上或在多台计算机上执行,该多台计算机位于一个站点处或跨多个站点分布并且由通信网络互连。
本说明书中所述的过程和逻辑流程,包括本文所述主题的方法步骤,可由执行一个或多个计算机程序的一个或多个可编程处理器执行,以通过对输入数据进行操作并且生成输出来执行本文所述主题的功能。该过程和逻辑流程还可由专用逻辑电路(例如FPGA(现场可编程门阵列)或ASIC(专用集成电路))来执行,并且本文所述主题的设备可被实现为专用逻辑电路(例如FPGA(现场可编程门阵列)或ASIC(专用集成电路))。
以举例的方式,适于执行计算机程序的处理器包括通用微处理器和专用微处理器两者,以及任何种类的数字计算机的任何一个或多个处理器。一般来说,处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器以及一个或多个用于存储指令和数据的存储器装置。一般来说,计算机还将包括一个或多个用于存储数据的大容量存储装置(例如,磁盘、磁光盘或光盘),或可操作地耦接以从一个或多个用于存储数据的大容量存储装置(例如,磁盘、磁光盘或光盘)接收数据或者/并且将数据传送至一个或多个用于存储数据的大容量存储装置(例如,磁盘、磁光盘或光盘)。适于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器,包括(以举例的方式)半导体存储器装置(例如,EPROM、EEPROM和闪速存储器装置);磁盘(例如,内部硬盘或可移动盘);磁光盘;和光盘(例如,CD和DVD盘)。处理器和存储器可由专用逻辑电路补充或者并入专用逻辑电路中。
为了提供与用户的交互,本文所述的主题可在具有用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或LCD(液晶显示器)监视器)以及键盘和指向装置(例如,鼠标或跟踪球)的计算机上实现,用户可通过该键盘和指向装置向计算机提供输入。还可使用其他种类的装置来提供与用户的交互。例如,提供给用户的反馈可为任何形式的感官反馈(例如,视觉反馈、听觉反馈或触觉反馈),并且可以任何形式接收来自用户的输入,包括声音、语音或触觉输入。
本文所述的技术可使用一个或多个模块来实现。如本文所用,术语“模块”是指计算软件、固件、硬件和/或它们的各种组合。然而,在最低程度上,模块不应被解释为未在硬件、固件上实现或记录在非暂态处理器可读存储介质上的软件(即,模块本身不为软件)。实际上,“模块”将被解释为始终包括至少一些物理的非暂态硬件,诸如处理器或计算机的一部分。两个不同的模块可共享相同的物理硬件(例如,两个不同的模块可使用相同的处理器和网络接口)。本文所述的模块可被组合、集成、分开和/或复制以支持各种应用。另外,代替在特定模块处执行的功能或除在特定模块处执行的功能之外,本文描述为在特定模块处执行的功能可在一个或多个其他模块处和/或由一个或多个其他装置执行。此外,模块可相对于彼此本地或远程地跨越多个装置和/或其他部件来实现。另外,模块可从一个装置移动并添加至另一个装置,以及/或者可包括在两个装置中。
本文所述的主题可在计算系统中实现,该计算系统包括后端部件(例如,数据服务器)、中间件部件(例如,应用服务器)或前端部件(例如,具有图形用户界面或网络浏览器的客户端计算机,用户可通过该图形用户界面或网络浏览器与本文所述主题的实施方式进行交互),或此类后端部件、中间件部件和前端部件的任何组合。系统的部件可通过数字数据通信的任何形式或介质(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”),例如互联网。
如本文在整个说明书和权利要求书中所用的,近似语言可用于修饰任何定量表示,所述定量表示可有所不同但不导致与其相关的基本功能的变化。因此,由一个或多个术语诸如“约”和“基本上”修饰的值不应限于所指定的精确值。在至少一些情况下,近似语言可对应于用于测量该值的仪器的精度。在此以及在整个说明书和权利要求书中,范围限制可组合和/或互换,除非上下文或语言另外指明,否则此类范围被识别并包括其中所包含的所有子范围。
Claims (20)
1.一种方法,所述方法包括:
接收表征经历钻进的第一地层的一个或多个特性的传感器数据;
基于所接收的传感器数据和多个集群历史数据确定所述第一地层的标识;
基于所述第一地层的所述标识和目标穿透率中的一个或多个确定被配置为穿透所述第一地层的钻的目标操作参数,所述目标操作参数被配置为实现所述钻的穿过所述第一地层的所述目标穿透率;以及
基于所述目标操作参数改变所述钻的所述操作。
2.根据权利要求1所述的方法,所述方法还包括生成集群历史数据,所述生成包括:
接收指示包括所述第一地层的多个地层的检测特性的历史传感器数据;
将所述历史传感器数据编码为编码数据;
将所述编码数据聚类为指示所述多个地层的多个集群编码数据;以及
基于所述多个集群编码数据将所述历史传感器数据聚类为多个集群历史数据,所述多个集群历史数据指示所述多个地层。
3.根据权利要求2所述的方法,其中将所述编码数据聚类为所述多个集群编码数据包括对所述编码数据应用无监督聚类算法,所述无监督聚类算法被配置为:
识别所述编码数据中的第一地层特性;以及
基于所述第一地层特性对所述编码数据进行聚类。
4.根据权利要求2所述的方法,其中确定所述第一地层的所述标识包括:
识别代表所接收的传感器数据的所述多个集群历史数据中的第一集群历史数据;以及
将所述第一地层的所述标识设置为与所述第一集群历史数据相关联的地层。
5.根据权利要求4所述的方法,所述方法还包括至少基于所述第一集群历史数据生成用于所述第一地层的预测模型,其中所述预测模型被配置为基于所述第一地层的所述标识和所述目标穿透率来确定所述目标操作参数。
6.根据权利要求5所述的方法,其中生成所述预测模型包括:
确定特性方程的一个或多个系数,所述特性方程被配置为接收代表所述第一地层和所述目标穿透率的值作为输入并生成所述目标操作参数作为输出。
7.根据权利要求5所述的方法,其中所述预测模型是贝叶斯混合模型和基于高斯过程的模型中的一个模型。
8.根据权利要求5所述的方法,其中所述预测模型由全局进化算法生成。
9.一种系统,所述系统包括:
至少一个数据处理器;
存储器,所述存储器耦接到所述至少一个数据处理器,所述存储器存储指令以使得所述至少一个数据处理器执行操作,所述操作包括:
接收表征经历钻进的第一地层的一个或多个特性的传感器数据;
基于所接收的传感器数据和多个集群历史数据确定所述第一地层的标识;
基于所述第一地层的所述标识和目标穿透率中的一个或多个确定被配置为穿透所述第一地层的钻的目标操作参数,所述目标操作参数被配置为实现所述钻的穿过所述第一地层的所述目标穿透率;以及
基于所述目标操作参数改变所述钻的所述操作。
10.根据权利要求9所述的系统,其中所述操作还包括生成集群历史数据,所述生成包括:
接收指示包括所述第一地层的多个地层的检测特性的历史传感器数据;
将所述历史传感器数据编码为编码数据;
将所述编码数据聚类为指示所述多个地层的多个集群编码数据;以及
基于所述多个集群编码数据将所述历史传感器数据聚类为多个集群历史数据,所述多个集群历史数据指示所述多个地层。
11.根据权利要求10所述的系统,其中将所述编码数据聚类为所述多个集群编码数据包括对所述编码数据应用无监督聚类算法,所述无监督聚类算法被配置为:
识别所述编码数据中的第一地层特性;以及
基于所述第一地层特性对所述编码数据进行聚类。
12.根据权利要求10所述的系统,其中确定所述第一地层的所述标识包括:
识别代表所接收的传感器数据的所述多个集群历史数据中的第一集群历史数据;以及
将所述第一地层的所述标识设置为与所述第一集群历史数据相关联的地层。
13.根据权利要求12所述的系统,其中所述操作还包括至少基于所述第一集群历史数据生成用于所述第一地层的预测模型,其中所述预测模型被配置为基于所述第一地层的所述标识和所述目标穿透率来确定所述目标操作参数。
14.根据权利要求13所述的系统,其中生成所述预测模型包括:
确定特性方程的一个或多个系数,所述特性方程被配置为接收代表所述第一地层和所述目标穿透率的值作为输入并生成所述目标操作参数作为输出。
15.根据权利要求13所述的系统,其中所述预测模型是贝叶斯混合模型和基于高斯过程的模型中的一个模型。
16.根据权利要求13所述的系统,其中所述预测模型由全局进化算法生成。
17.一种计算机程序产品,所述计算机程序产品包括存储指令的非暂态机器可读介质,所述指令当由包括至少一个物理核和多个逻辑核的至少一个可编程处理器执行时,使得所述至少一个可编程处理器执行操作,所述操作包括:
接收表征经历钻进的第一地层的一个或多个特性的传感器数据;
基于所接收的传感器数据和多个集群历史数据确定所述第一地层的标识;
基于所述第一地层的所述标识和目标穿透率中的一个或多个确定被配置为穿透所述第一地层的钻的目标操作参数,所述目标操作参数被配置为实现所述钻的穿过所述第一地层的所述目标穿透率;以及
基于所述目标操作参数改变所述钻的所述操作。
18.根据权利要求17所述的计算机程序产品,其中所述操作还包括生成集群历史数据,所述生成包括:
接收指示包括所述第一地层的多个地层的检测特性的历史传感器数据;
将所述历史传感器数据编码为编码数据;
将所述编码数据聚类为指示所述多个地层的多个集群编码数据;以及
基于所述多个集群编码数据将所述历史传感器数据聚类为多个集群历史数据,所述多个集群历史数据指示所述多个地层。
19.根据权利要求18所述的计算机程序产品,其中将所述编码数据聚类为所述多个集群编码数据包括对所述编码数据应用无监督聚类算法,所述无监督聚类算法被配置为:
识别所述编码数据中的第一地层特性;以及
基于所述第一地层特性对所述编码数据进行聚类。
20.根据权利要求18所述的计算机程序产品,其中确定所述第一地层的所述标识包括:
识别代表所接收的传感器数据的所述多个集群历史数据中的第一集群历史数据;以及
将所述第一地层的所述标识设置为与所述第一集群历史数据相关联的地层。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862622733P | 2018-01-26 | 2018-01-26 | |
US62/622,733 | 2018-01-26 | ||
PCT/US2019/015196 WO2019147967A1 (en) | 2018-01-26 | 2019-01-25 | Optimization of rate-of-penetration |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111971451A true CN111971451A (zh) | 2020-11-20 |
Family
ID=67393200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980015792.0A Pending CN111971451A (zh) | 2018-01-26 | 2019-01-25 | 穿透率的优化 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20190234207A1 (zh) |
EP (1) | EP3743595A4 (zh) |
CN (1) | CN111971451A (zh) |
RU (1) | RU2020125345A (zh) |
SG (1) | SG11202007013UA (zh) |
WO (1) | WO2019147967A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200308952A1 (en) * | 2019-03-27 | 2020-10-01 | Nvicta LLC. | Method And System For Active Learning And Optimization Of Drilling Performance Metrics |
US11674384B2 (en) * | 2019-05-20 | 2023-06-13 | Schlumberger Technology Corporation | Controller optimization via reinforcement learning on asset avatar |
US20220284310A1 (en) * | 2019-08-09 | 2022-09-08 | Landmark Graphics Corporation | Model based preference learning and optimization systems and methods |
US11421521B1 (en) * | 2020-02-12 | 2022-08-23 | Enovate Corp. | Method of optimizing rate of penetration |
US11078785B1 (en) * | 2020-06-17 | 2021-08-03 | Saudi Arabian Oil Company | Real-time well drilling evaluation systems and methods |
US20220268152A1 (en) * | 2021-02-22 | 2022-08-25 | Saudi Arabian Oil Company | Petro-physical property prediction |
CN114215499B (zh) * | 2021-11-15 | 2024-01-26 | 西安石油大学 | 一种基于智能算法的钻井参数优选的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6957146B1 (en) * | 2001-12-24 | 2005-10-18 | Rdsp I, L.P. | System for utilizing seismic data to estimate subsurface lithology |
US20110087459A1 (en) * | 2009-10-09 | 2011-04-14 | Zazovsky Alexander F | Cleanup prediction and monitoring |
US20110087549A1 (en) * | 2006-07-20 | 2011-04-14 | Mspot, Inc. | Method and apparatus for providing search capability and targeted advertising for audio, image, and video content over the internet |
CA2890729A1 (en) * | 2012-11-13 | 2014-05-22 | Exxonmobil Upstream Research Company | Method to detect drilling dysfunctions |
CN104520533A (zh) * | 2012-07-12 | 2015-04-15 | 哈里伯顿能源服务公司 | 钻探控制的系统和方法 |
US20160076357A1 (en) * | 2014-09-11 | 2016-03-17 | Schlumberger Technology Corporation | Methods for selecting and optimizing drilling systems |
US20160290118A1 (en) * | 2013-12-06 | 2016-10-06 | Halliburton Energy Services, Inc. | Controlling wellbore drilling systems |
CA2977943A1 (en) * | 2015-04-01 | 2016-10-06 | Landmark Graphics Corporation | Model generation for real-time rate of penetration prediction |
US20170167247A1 (en) * | 2015-07-28 | 2017-06-15 | Halliburton Energy Services, Inc. | Sensor Data Compression for Downhole Telemetry Applications |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6374185B1 (en) * | 2000-02-18 | 2002-04-16 | Rdsp I, L.P. | Method for generating an estimate of lithological characteristics of a region of the earth's subsurface |
US8093893B2 (en) * | 2004-03-18 | 2012-01-10 | Baker Hughes Incorporated | Rock and fluid properties prediction from downhole measurements using linear and nonlinear regression |
US9846256B2 (en) * | 2011-08-09 | 2017-12-19 | Schlumberger Technology Corporation | Interactive display of results obtained from the inversion of logging data |
US9828845B2 (en) * | 2014-06-02 | 2017-11-28 | Baker Hughes, A Ge Company, Llc | Automated drilling optimization |
EP3397837A4 (en) * | 2015-12-31 | 2019-08-21 | Landmark Graphics Corporation | DRILLING BASED ON SPIRIT INDEX CORRELATION |
-
2019
- 2019-01-25 CN CN201980015792.0A patent/CN111971451A/zh active Pending
- 2019-01-25 EP EP19743175.2A patent/EP3743595A4/en not_active Withdrawn
- 2019-01-25 US US16/258,007 patent/US20190234207A1/en not_active Abandoned
- 2019-01-25 RU RU2020125345A patent/RU2020125345A/ru unknown
- 2019-01-25 SG SG11202007013UA patent/SG11202007013UA/en unknown
- 2019-01-25 WO PCT/US2019/015196 patent/WO2019147967A1/en unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6957146B1 (en) * | 2001-12-24 | 2005-10-18 | Rdsp I, L.P. | System for utilizing seismic data to estimate subsurface lithology |
US20110087549A1 (en) * | 2006-07-20 | 2011-04-14 | Mspot, Inc. | Method and apparatus for providing search capability and targeted advertising for audio, image, and video content over the internet |
US20110087459A1 (en) * | 2009-10-09 | 2011-04-14 | Zazovsky Alexander F | Cleanup prediction and monitoring |
CN104520533A (zh) * | 2012-07-12 | 2015-04-15 | 哈里伯顿能源服务公司 | 钻探控制的系统和方法 |
CA2890729A1 (en) * | 2012-11-13 | 2014-05-22 | Exxonmobil Upstream Research Company | Method to detect drilling dysfunctions |
US20160290118A1 (en) * | 2013-12-06 | 2016-10-06 | Halliburton Energy Services, Inc. | Controlling wellbore drilling systems |
US20160076357A1 (en) * | 2014-09-11 | 2016-03-17 | Schlumberger Technology Corporation | Methods for selecting and optimizing drilling systems |
CA2977943A1 (en) * | 2015-04-01 | 2016-10-06 | Landmark Graphics Corporation | Model generation for real-time rate of penetration prediction |
US20170167247A1 (en) * | 2015-07-28 | 2017-06-15 | Halliburton Energy Services, Inc. | Sensor Data Compression for Downhole Telemetry Applications |
Non-Patent Citations (1)
Title |
---|
周桂梅: "钻井数据实时采集与远程传输系统设计", 《中国石油和化工标准与质量》 * |
Also Published As
Publication number | Publication date |
---|---|
RU2020125345A (ru) | 2022-01-31 |
US20190234207A1 (en) | 2019-08-01 |
EP3743595A1 (en) | 2020-12-02 |
EP3743595A4 (en) | 2021-10-27 |
WO2019147967A1 (en) | 2019-08-01 |
RU2020125345A3 (zh) | 2022-01-31 |
SG11202007013UA (en) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111971451A (zh) | 穿透率的优化 | |
US20210058235A1 (en) | Ai/ml and blockchained based automated reservoir management platform | |
US10168447B2 (en) | Automatic geosteering and evolutionary algorithm for use with same | |
EP2271954A2 (en) | System and method for interpretation of well data | |
CN105683495A (zh) | 设计井筒完井层段 | |
US20210181362A1 (en) | Deep learning seismic attribute fault predictions | |
US20240035369A1 (en) | Automatic interpretation of drilling dynamics data | |
CN105493100A (zh) | 静态地球模型校准方法和系统 | |
CN109542884B (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
WO2023133213A1 (en) | Method for automated ensemble machine learning using hyperparameter optimization | |
CN114370264B (zh) | 机械钻速确定、钻井参数优化方法、装置及电子设备 | |
NO20220092A1 (en) | AI/ML, Distributed Computing, and Blockchained Based Reservoir Management Platform | |
NO20231245A1 (en) | Deep learning model with dilation module for fault characterization | |
US11803678B2 (en) | Disentanglement for inference on seismic data and generation of seismic data | |
CN116822971A (zh) | 一种井壁风险等级预测方法 | |
CN117350103A (zh) | 一种基于数字孪生系统的钻井参数优化方法及系统 | |
US20210355805A1 (en) | Ai/ml based drilling and production platform | |
US20210312332A1 (en) | Method for simulating a coupled geological and drilling environment for training a function approximating agent | |
WO2021251982A1 (en) | Controlling wellbore equipment using a hybrid deep generative physics neural network | |
KR102645323B1 (ko) | 예측 모델을 통한 예측 결과의 신뢰도를 평가하는 방법 및 장치 | |
NO20220090A1 (en) | Ai/ml based drilling and production platform | |
WO2023167684A1 (en) | Methods for estimating downhole weight on bit and rate of penetration using acceleration measurements | |
EP3152394A1 (en) | Optimal vibration control for a wellbore logging tool |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Pennsylvania, USA Applicant after: Wegate technologies USA L.P. Address before: Pennsylvania, USA Applicant before: GE INSPECTION TECHNOLOGIES, L.P. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201120 |