CN111989456B - 用于井筒操作中定向钻井的基于模型的参数估计 - Google Patents

用于井筒操作中定向钻井的基于模型的参数估计 Download PDF

Info

Publication number
CN111989456B
CN111989456B CN201980021387.XA CN201980021387A CN111989456B CN 111989456 B CN111989456 B CN 111989456B CN 201980021387 A CN201980021387 A CN 201980021387A CN 111989456 B CN111989456 B CN 111989456B
Authority
CN
China
Prior art keywords
estimation
online
model
parameter
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.)
Active
Application number
CN201980021387.XA
Other languages
English (en)
Other versions
CN111989456A (zh
Inventor
弗朗西斯科·奎特隆
克里斯蒂安·汉森
奥利弗·赫恩
约恩·科内克
布鲁诺·莫拉比托
罗尔夫·芬代森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baker Hughes Holdings LLC
Original Assignee
Baker Hughes Holdings LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Baker Hughes Holdings LLC filed Critical Baker Hughes Holdings LLC
Publication of CN111989456A publication Critical patent/CN111989456A/zh
Application granted granted Critical
Publication of CN111989456B publication Critical patent/CN111989456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
    • E21B44/02—Automatic control of the tool feed
    • E21B44/04—Automatic control of the tool feed in response to the torque of the drive ; Measuring drilling torque
    • 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
    • E21B7/00—Special methods or apparatus for drilling
    • E21B7/04—Directional drilling
    • 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
    • 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
    • E21B44/02—Automatic control of the tool feed
    • E21B44/06—Automatic control of the tool feed in response to the flow or pressure of the motive fluid of the drive
    • 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
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E21B49/003—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells by analysing drilling variables or conditions
    • G—PHYSICS
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • E21B47/04—Measuring depth or liquid level

Landscapes

  • Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Fluid Mechanics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Geophysics (AREA)
  • Earth Drilling (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Feedback Control In General (AREA)

Abstract

提供了用于井筒操作中定向钻井的基于模型的参数和状态估计的技术的示例。在根据本公开的各方面的一个示例具体实施中，计算机实现的方法包括由处理装置从井筒操作接收测量数据。该方法还包括由处理装置执行用于生成估计参数的参数和用于生成估计状态的状态中的至少一者的在线估计，该在线估计至少部分地基于测量数据。该方法还包括由处理装置至少部分地基于估计参数和估计状态中的至少一者来生成控制输入以控制井筒操作中的方面。该方法还包括基于控制输入执行控制动作以控制井筒操作的方面。

Description

用于井筒操作中定向钻井的基于模型的参数估计
相关申请的交叉引用
本申请要求于2018年3月26日提交的美国专利申请号15/935659的权益，该申请全文以引用方式并入本文。
背景技术
本文所述的实施方案整体涉及井下勘探和生产努力，并且更具体地讲，涉及用于井筒操作中定向钻井的基于模型的参数估计的技术。
井下勘探和生产努力涉及多种传感器和工具的部署。传感器例如通过提供对温度、密度和电阻率的测量以及许多其他参数来提供关于井下环境的信息。其他工具(例如诸如顶部驱动器或泵)可位于地表处。该信息可用于控制位于底孔组件中、沿着钻柱或在地表上钻井和工具或系统的各方面。
发明内容
根据本发明的一个实施方案，提供了用于井筒操作中定向钻井的基于模型的参数和状态估计的计算机实现的方法。该方法包括由处理装置从井筒操作接收测量数据。该方法还包括由处理装置执行用于生成估计参数的参数和用于生成估计状态的状态中的至少一者的在线估计，该在线估计至少部分地基于测量数据。该方法还包括由处理装置至少部分地基于估计参数和估计状态中的至少一者来生成控制输入以控制井筒操作中的方面。该方法还包括基于控制输入执行控制动作以控制井筒操作的方面。
根据本公开的另一个实施方案，提供了用于井筒操作中定向钻井的基于模型的参数估计的系统。该系统包括存储器和处理装置，该存储器包括计算机可读指令，该处理装置用于执行计算机可读指令以用于执行方法。该方法包括由处理装置从井筒操作接收测量数据。该方法还包括由处理装置执行在线估计，以至少部分地基于测量数据并且至少部分地基于离线估计来估计参数和状态中的至少一者。该方法还包括由处理装置实施控制输入以控制井筒操作的方面，其中控制输入至少部分地基于估计参数和估计状态。
附图说明
现在参见附图，其中在若干附图中类似的元件具有类似的编号：
图1示出了根据本公开的各方面的井下系统的剖视图；
图2示出了图1的处理系统的框图，该处理系统可用于实现根据本公开的各方面的本文所述的技术；
图3A示出了根据本公开的各方面的用于井筒操作中直接钻井的基于模型的参数估计的系统的框图；
图3B示出了根据本公开的各方面的图3A的控制器的示例的框图；
图3C示出了根据本公开的各方面的图3A的控制器的另一示例的框图；
图4示出了根据本公开的各方面的多弯梁模型；
图5示出了根据本公开的各方面的BHA岩石相互作用模型；
图6示出了根据本公开的各方面的钻头的倾斜角和方位角；
图7示出了根据本公开的各方面的使用基于模型的参数估计器的转向力计算器的框图；
图8示出了根据本公开的各方面的使用基于模型的参数估计器的模型参数变化检测器计算器的框图；
图9示出了根据本公开的各方面的模型参数变化事件；
图10示出了根据本公开的各方面的用于计算井眼路径的钻进模型；
图11示出了根据本公开的各方面的预测的井眼路径的三维曲线图；并且
图12示出了根据本公开的各方面的用于井筒操作中定向钻井的基于模型的参数估计的方法的流程图。
具体实施方式
本发明技术涉及用于井筒操作中定向钻井的基于模型的参数估计。这提高了效率和一致性，并在井筒操作中提供钻井服务的自动化。
BHA岩石相互作用(即，井筒操作中钻的钻头与地层之间的相互作用)目前不可以充分用于计算定向钻井作业的控制动作。因此，定向钻井系统的转向控制效果不理想。这可导致难以沿预定井眼路径转向和难以实现一致的井筒质量。BHA岩石相互作用取决于地层和钻头类型。在实施过程中，未验证的经验系数(fudge factor)用于描述地层对底部孔组件(BHA)的可操纵性的影响。BHA岩石相互作用的模型是可用的，但难以事先知道参数，因为准确的位型信息和地层特性是未知的。此外，由于钻头磨损，钻头特性可在钻井操作期间改变。
考虑到BHA岩石相互作用和BHA模型改善了确定要选择哪个控制动作并结合钻进模型，这使得能够开发虚拟传感器。通过估计作用于钻头的未知力和其他模型参数，可以最佳方式(例如，遵循预定义的井眼计划)调整转向力、钻压(WOB)等。本公开提供了描述如何使用基于模型的学习方法来估计模型的参数的技术。这些参数可连同地层而改变。因此，可利用所估计的参数的突变来确定地层变化事件。
当在同一地理区域钻多个井眼时，可根据从偏置井眼收集的数据来确定地层。如果使用相同的BHA和类似的钻头，则从偏置井眼收集的数据可用于估计BHA岩石相互作用参数。BHA岩石相互作用是考虑到钻头的切削特性，在BHA和岩石的接触点处的力和力矩的交换。回归或机器学习技术可用于估计，其中机器学习是一种类型的人工智能，其使得计算装置能够学习而无需明确编程。具体地讲，本公开利用在线参数估计和离线机器学习来将BHA岩石相互作用模型与实际钻井情况相匹配。术语“在线”反映了连接到井筒操作301的条件，这意味着每当至少新的测量(或新的信息)变得可用时或当需要更新控制动作时，算法均得到解析。术语“离线”是指仅在收集一定量的测量结果或数据之后求解算法的事实。
本技术提供许多优点，包括例如：BHA和BHA岩石相互作用的自适应参数识别，作为实时计算定向钻井中的最佳控制动作的基础；使用实时数据和偏置井眼数据的自动“在线”和“离线”参数估计；状态和参数的实时估计；使用简化模型的快速“在线”估计；利用过去(历史)的测量数据来估计参数；以及减少叠加在测量数据上的噪声。本技术可以多种不同的方式使用，包括例如：考虑到BHA和BHA岩石相互作用，自动计算转向力和转向方向以实现期望的构建速率和转向速率；检测地层变化；预测井眼路径；以及虚拟传感器。
本公开的实施方案基于对BHA岩石相互作用和BHA建模。一般来讲，模型可以是物理模型或数据驱动模型。此外，模型可以是动态的或静态的。动态模型描述表征BHA的某些变量的时间(或深度)变化。这些变量被称为“状态”。此类动态模型可以数学方式表示为“状态空间形式”，如下所示：
Figure BDA0002696220400000041
其中(·)表示时间(或深度)导数，x(t)表示时变状态的向量，u(t)表示输入的向量，p(t)表示参数的向量，f(·)表示描述模型动态特性的方程组，并且t表示时间。参数通常被认为是恒定的或随时间缓慢变化，但是如果它们确实随时间变化，则模型可能不可用于描述它们的动态特性。
静态模型没有描述动态特性，而是在考虑到被称为特征的输入的一些测量集的情况下关联、分类和预测系统的输出。静态模型由以下符号表示：
hθ(z)＝0，
其中z表示特征向量并且(·)θ表明假设h是参数向量θ的函数，该参数向量相对于动态模型的向量p通常具有更高的维度。机器学习方法可使用静态模型hθ(z)，而无需或很少了解所考虑的系统背后的物理学。目标是在可用时使用第一原理模型作为假设函数。当此类模型不可用时，hθ(z)表示数据驱动模型(例如，神经网络)。
动态模型和静态模型各自取决于大多数时候不可能以足够的准确度知晓先验的参数。因此，估计这些参数以便可靠地将模型用于系统控制目的是有用的。该问题被称为参数识别问题。
模型的准确性对于获得物理系统的正确预测也是重要的。在一些情况下，准确度与其复杂性成比例，这继而与求解模型所需的计算时间量成比例。因此，可需要在复杂性和计算时间之间进行权衡。
根据本公开的各方面，在线估计器具有与来自钻井系统的实时测量的连接性。在一些情况下，在线估计技术的最大计算时间短于井筒操作中两次连续控制动作之间的时间。在这种情况下，控制器可使用在线估计结果来计算下一个控制动作。相反，根据一些示例，离线估计技术的计算时间大于在线估计技术，因此可无法在控制动作的每次施加之间使用。在一些具体实施中，离线估计可始终从钻井系统收集测量结果，并且在事件触发时执行计算。
在线估计技术通常使用可提供更快(但通常不精确)解决方案的简化模型。离线估计技术可使用更复杂的模型并处理高得多的输入数据量以提供更精确的解决方案，该离线估计技术可不具有与在线估计技术一样的限制时间约束。
本技术描述了在线估计与离线机器学习估计部件组合来估计状态和参数。在线估计使用简化的模型和较小的测量数据集，而离线估计使用更复杂的模型和较大的测量数据集。使用来自控制算法的在线估计，以便实时计算要对BHA执行的最佳控制动作。离线估计可用于识别更复杂模型的参数，该模型使用在线估计不考虑的参数，并且离线估计可用于调整在线估计。
图1示出了根据本公开的实施方案的井筒操作100的剖视图。图1中所示的系统和布置为示出井下环境的一个示例。虽然系统可在任何地下环境中操作，但图1示出了设置在穿透地层4的钻孔2中的井下工具10。井下工具10设置在位于支架5的远侧端部处的钻孔2中，如图1所示，或与钻孔2连通，如图2所示。井下工具10可包括测量工具11和井下电子器件9，该测量工具和井下电子器件被配置为能够在被称为随探测井(LWD)或随钻测量(MWD)的实施方案中执行一种或多种类型的测量。
根据LWD/MWD实施方案，支架5为包括底孔组件(BHA)13的钻柱。BHA 13是钻井装置8的一部分，钻井装置、稳定器、扩孔钻等以及钻头7。测量可包括例如与钻柱操作相关的测量。钻井装置8被配置为能够进行钻井操作，诸如使钻柱旋转，并且因此使钻头7旋转。钻井装置8还将钻井液泵送通过钻柱，以便润滑钻头7并从钻孔2冲洗切屑。
由井下电子器件9处理的原始数据和/或信息可远程传送到地表以供处理系统12进行附加处理或显示。根据本公开的实施方案，钻井控制信号可由处理系统12生成并在井下传送，或者可在井下电子器件9内或通过这两者的组合生成。井下电子器件9和处理系统12可各自包括一个或多个处理器和一个或多个存储器装置。在另选的实施方案中，计算资源诸如井下电子器件9、传感器和其他工具可沿着支架5定位，而不是位于例如BHA 13中。钻孔2可如图所示是竖直的，或者可处于其他取向/布置方式。
应当理解，本公开的实施方案能够结合现在已知或以后开发的任何其他合适类型的计算环境来实现。例如，图2示出了图1的处理系统12的框图。该处理系统可用于实现本文所述的技术。在示例中，处理系统12具有一个或多个中央处理单元(处理器)21a、21b、21c等(共称或统称为处理器21和/或处理装置)。在本公开的各方面，每个处理器21可包括精简指令集计算机(RISC)微处理器。处理器21经由系统总线33耦接到系统存储器(例如，随机存取存储器(RAM)24)和各种其他部件。只读存储器(ROM)22耦接到系统总线33，并且可包括控制处理系统12的某些基本功能的基本输入/输出系统(BIOS)。
还示出了输入/输出(I/O)适配器27和耦接至系统总线33的通信适配器26。I/O适配器27可以是与硬盘23和/或磁带存储驱动器25或任何其他类似部件通信的小型计算机系统接口(SCSI)适配器。I/O适配器27、硬盘23和磁带存储装置25在本文中统称为海量存储装置34。用于在处理系统12上执行的操作系统40可以存储在海量存储装置34中。网络适配器26将系统总线33与外部网络36互连，使得处理系统12能够与其他此类系统通信。
显示器(例如，显示监视器)35通过显示器适配器32连接到系统总线33，该显示器适配器可包括用于改善图形密集应用程序的性能的图形适配器和视频控制器。在本公开的一个方面，适配器26、27和/或32可连接到一条或多条I/O总线，该一条或多条I/O总线经由中间总线桥(未示出)连接到系统总线33。用于连接外围装置诸如硬盘控制器、网络适配器和图形适配器的合适的I/O总线通常包括公共协议，诸如外围部件互连(PCI)。附加的输入/输出装置被示出为经由用户界面适配器28和显示器适配器32连接到系统总线33。键盘29、鼠标30和扬声器31可经由用户界面适配器28互连到系统总线33，该用户界面适配器可包括例如将多个装置适配器集成到单个集成电路中的超级I/O芯片。
在本公开的一些方面，处理系统12包括图形处理单元37。图形处理单元37是专门的电子电路，其被设计成能够操纵和改变存储器以加速帧缓冲器中的图像的创建，该帧缓冲器旨在用于输出到显示器。一般来讲，图形处理单元37在操纵计算机图形和图像处理方面非常有效，并且具有高度并行结构，使得其对于并行完成大数据块处理的算法而言比通用CPU更有效。
因此，如本文所配置的，处理系统12包括处理器21形式的处理能力、包括系统存储器(例如，RAM24)和海量存储装置34的存储能力、输入装置诸如键盘29和鼠标30、以及包括扬声器31和显示器35的输出能力。在本公开的一些方面，系统存储器(例如，RAM 24)和海量存储装置34的一部分共同存储操作系统以协调处理系统12中所示的各种部件的功能。
图3示出了根据本公开的各方面的用于井筒操作301中的直接钻井的基于模型的参数估计的系统300的框图。系统300使用在线估计302和离线估计304来执行基于模型的参数和状态估计。
很多时候，在同一地理区域钻出许多(例如，数十或数百)不同的测试井眼。在该过程中，测量/收集了大量数据，这些数据提供了关于系统的交互部分的信息，并且可有助于检测地层变化。该数据可用于离线估计304以便“训练”复杂模型。
一些参数以准静态方式改变。即，一些参数可被认为在大于系统的特征时间标度的时间段内是恒定的。对于此类参数，离线估计304方法可在静态阶段期间可靠地使用。例如，当BHA进入新地层时，一些参数可以改变，并且只要BHA不进入新地层(即，保持在同一地层中)，就可以假定这些参数保持恒定。
为了将控制动作应用于井筒操作301，需要在短时间内可靠地确定系统状态和参数(例如，参数K1)，这是使用在线估计302(例如，基于模型的参数估计器310和控制器314)来实现的。时间约束迫使估计算法使用可快速求解的简单模型。然后使用离线估计304调整或修改在线估计参数K1。
现在关注在线估计302，参数估计器310和装置模型312用于执行在线估计。基于模型的参数估计器310从井筒操作301接收测量数据。可使用井筒操作301处的传感器(如，压力传感器、温度传感器、力传感器等)来获得测量数据。
为了提供足够的系统激励，控制器314可用于为系统300提供不损害操作但允许进行观察的控制动作，该观察能够实现更好的系统参数估计。
使用测量数据，基于模型的参数估计器310估计参数和状态并将该参数和状态输出到装置模型312。装置模型可以是物理模型、传递函数、神经网络、数据驱动模型、特性曲线、模糊集等。在一个实施方案中，装置模型是可以快速求解(即，足够快以在一个时间戳内计算)以生成状态动力特性的简单模型，该状态动力特性被提供给基于模型的参数估计器310用以修改参数。这提高了由基于模型的参数估计器310估计的参数的准确性。还将状态动力特性提供给控制器314，该控制器生成用于控制井筒操作301的一个方面的控制动作。在一个实施方案中，控制器是计算机实现的闭环控制算法，该闭环控制算法基于参数、状态、目标、约束和复杂模型输出来确定最佳控制动作，如图3C所示。
例如，图3B示出了根据本公开的各方面的图3A的控制器的示例的框图。如图3B所示，控制器314可包括预处理器315以接收目标、约束、复杂模型输出、状态和/或参数，并且可向操作人员输出控制输入(例如，转向方向、转向力、钻压、每分钟转数设定点、流体压力、动力学、发出建议或发出警告或警报等)。然后，操作人员可通过控制器314执行控制动作。
类似地，图3C示出了根据本公开的各方面的图3A的控制器的另一示例的框图。如图3B所示，控制器314可包括闭环控制器317以接收目标、约束、复杂模型输出、状态和/或参数，并且可在没有操作人员的情况下自动输出控制动作。
返回图3A，闭环控制器可通过基于模型的控制器来实现。在另一个实施方案中，控制器包括将其输入信号转换成控制输入的预处理器。控制输入可以是转向方向、转向力、钻压、每分钟转数设定点、流体压力、动态特性、发出建议或发出警告或警报等。控制输入可由操作人员(例如，定向钻井者或钻井人员)读取，操作人员然后可将控制输入转换成控制动作以控制井筒操作301的一个方面。
离线估计304可用于补充如本文所讨论的在线估计302以细化参数和状态估计。具体地讲，离线估计304使用机器学习模块320来开发更复杂的模型。具体地讲，机器学习模块320将收集自作业324的收集数据322当作训练数据。一般来讲，作业324是在或已经在与井筒操作301类似的地理区域中或用类似的BHA来执行。机器学习模块320将其结果馈送到复杂模型模块326中。复杂模型模块326计算参数(例如，K1)、约束(例如，WoB限额、弯矩限额等)和初始条件的估计，然后在线估计302使用这些参数、约束和初始条件来细化参数和状态估计。复杂模型模块326的输出也可馈送到控制器314中。使用离线估计304和在线估计302两者的功能来更新由装置模型312和基于模型的参数估计器310使用的简单模型。
复杂模型是井筒操作的高保真模型。装置模型是通常仅关注井筒操作的某些方面的在线模型。两种模型，即用于在线估计和控制的装置模型和“离线”复杂模型，均选自用于井筒运行的一组不同模型。这使得例如最佳可行的模型能够用于基于模型的参数估计和控制。在一些示例中，复杂模型模块326和/或基于模型的参数估计器312可包括最佳模型选择器。
除了来自机器学习模块320的数据之外，复杂模型模块326还可从物理数据326、从来自井筒操作的测量结果或从这些的组合接收输入。在一些示例中，可以使用或不使用机器学习模块320，因为可以在复杂模型模块326内直接使用物理数据和测量结果。
根据一些示例，由离线估计304导出的参数约束被输入到基于模型的参数估计器310中，以改善在线估计302中的参数估计。还可利用另外的外部约束。控制器314可接受来自装置模型312的目标、计划和约束以及状态动态特性作为输入以预测例如未来的钻头位置，对井筒操作301应用控制动作以实现某些所需结果。
装置模型的目标是根据系统的输入迭代地确定钻头的钻井方向。该模型可具有不同的细节程度。使用以下公式示出了具有低细节程度的简单钻进模型(运动学模型)的示例：
Figure BDA0002696220400000091
该函数的输出等于状态，因此钻井过程由位置[n e d]T和取向[inc azi]T来描述。为了增加模型的精度，可以随深度s变化而改写参数K1。
钻进BHA模型400包含两个部分。第一部分包括BHA的多弯梁模型，其用于确定井筒操作301中钻头处的静力和倾斜度。具体地讲，图4示出了根据本公开的各方面的多弯梁模型400。
第二部分是BHA岩石相互作用模型，其基于钻头力和倾斜度计算钻井方向。图5示出了根据本公开的各方面的BHA岩石相互作用模型500。BHA-岩石相互作用模型的一个示例是Ho模型，其基于以下公式描述：
Figure BDA0002696220400000101
其中IB为钻头各向异性，IR表示岩石各向异性，rN为钻速与垂直于地层层理的钻头力的比率。参考图5，定义了以下参数：
Figure BDA0002696220400000102
是作用在钻头502上的侧向力向量；
Figure BDA0002696220400000103
是钻压向量；
Figure BDA0002696220400000104
是所得的力定向向量；
Figure BDA0002696220400000105
是所得的地层定向向量；
Figure BDA0002696220400000106
是由于梁弯曲而得到的钻头方向向量；并且
Figure BDA0002696220400000107
是所得的钻井方向向量。
根据一些实施方案，可通过根据所应用的钻井参数(例如，旋转速度)和地层特性改写IB来改变该模型。应当理解，本技术不限于这两个示例，并且可使用各种参数化模型(包括仅具有少量参数和状态的简单模型以及更复杂的数据驱动模型)来工作。
继续参考图3，根据本公开的一个或多个实施方案，基于模型的参数估计器310可以使用BHA的运动学模型，其可以使用例如欧拉坐标或四元数。以下欧拉坐标被视为示例。模型的状态为钻头相对于基于钻头的倾斜角和方位角在钻井装置处具有零的坐标系的钻头位置。图6示出了根据本公开的各方面的钻头602的倾斜角604和方位角606。可使用向量x＝[n，e，d，inc，azi]来总结状态，并且根据模型的保真性，附加状态是可行的(例如，工具面)。还可以考虑致动器动态特性。状态遵循简单的钻进模型演变如下：
Figure BDA0002696220400000111
其中s为测量的深度。该模型在深度域表示中进行描述，而不是在时域表示中进行描述。对系统的输入是步进力(walk force)和构建力(build force)。这些汇总于输入向量u＝[FBUILD，FwALK]中。
在一些示例中，如果y(s)为测量向量，则y(s)＝x(s)。KI为施加到钻头602的力与随后的倾斜角604和方位角606的变化之间的乘法因子。该参数K1取决于(例如)渗透速率、钻压和地层。一般来讲，K1的精确值是未知的，并且需要由基于模型的参数估计器310估计。估计该参数对于有效控制和状态估计是重要的；因此，执行在线估计302。就简单的钻进模型而言，以下公式一直适用p＝KI
为了表示模型失配、状态和测量噪声，可通过添加以下贡献来修改系统：
Figure BDA0002696220400000112
y(s)＝x(s)+v(s)，
其中状态噪声和模型失配由w表示，并且测量噪声由v表示。基于模型的参数估计器310通过将模型和测量结果加权到估计中来使模型与井筒操作之间的失配最小化。基础模型的准确度和测量准确度的知识通常由协方差矩阵表示。因此，基于模型的参数估计器310使用这些矩阵作为权重因子。
已开发出用于状态和参数估计的各种算法，例如卡尔曼滤波器、扩展卡尔曼滤波器、颗粒滤波器等。作为一个示例，基于模型的参数估计器310可以利用移动地平线估计(MHE)，其有利地使用过去的测量结果的历史来计算参数的“最佳”估计，而不是仅依赖于上一测量结果。MHE还可考虑约束。这两个特性都有助于提高估计的质量。
使用MHE，基于模型的参数估计器310获取包括施加到钻头的力、噪声测量结果和调谐参数(由用户提供)的测量数据作为输入，并且提供参数的估计作为输出。然后将估计参数发送到装置模型312以生成状态动态特性，状态动态特性由控制器314用来确定井筒操作301的适当控制动作。然后可将该动作施加到例如钻头。这样，提供了参数和状态的实时估计。
通过应用MHE，解决了最小化问题。例如，在每个时间步骤，MHE算法尝试使下列目标函数最小化：
Figure BDA0002696220400000121
取决于不等式和等式的约束，即
Figure BDA0002696220400000122
取决于
xk+1＝F(xk，uk，pk)+wk
g(xk，uk，pk)≤0
其中(·)k表示离散时间表示。因此，F(·)如下：
Figure BDA0002696220400000123
汇总沿着地平线的状态噪声、状态、输入和参数的向量分别用变量w、x、u和p表示如下：
x＝{xk-N，xk-N+1，...，xk}
具体地讲，离线估计304使用从各种偏置井眼(例如，作业1、作业2、作业3、作业n等)收集的偏置井眼数据和/或来自当前井眼的数据以及用于在线估计302的初始值中的至少一者来减少在线估计302中的误差。例如，错误的初始值可导致下一个预测地平线的计算转向力的显著误差。来自前一作业324的数据322可用于将估计初始化以实现在线估计302的更佳的初始值。基于模型的参数估计器310作为输入离线日志数据而不是在线调查和钻时数据提供。
来自偏置井眼(例如，作业324)的数据也可用于改善在线估计302。就偏置井眼和当前井眼(即井筒操作301的受试井眼)中的类似地层而言，可使用沿着测量的深度或总垂直深度的在线参数和离线参数的加权平均数来加速在地层改变时的参数估计速度，这改善了井筒质量。
例如，令hθ(z)为表示复杂系统或复杂模型(例如，BHA-岩石相互作用模型)的假设函数(数据驱动的或第一主要模型)，并且z为收集的特征(即，穿透率、钻压等)的向量。向量y指示训练数据或模型的输出。因此，机器学习模块320使用的学习算法如下：
Figure BDA0002696220400000131
其中目标函数
Figure BDA0002696220400000132
取决于学习算法，并且一般来讲，其为可能具有大量参数和特征的非凸函数。为了可靠地估计参数，学习算法使用一定量的学习数据，这就是使用来自同一地理区域中不同作业的数据对于成功构建该特定地理钻井区域的BHA岩石相互作用的3D标测图重要的原因。该知识将用于调整在线估计302，相比之下，在线估计使用仅为局部且特定于井筒操作301处的当前作业的信息。
钻井过程中岩层或控制动作的变化可突然改变BHA的动态特性。这些变化可以触发从描述BHA过程的一组模型中选择合适的模型。该组模型表示钻井过程的操作的不同方面或模式。除了参数估计和改写之外，所使用的估计方案或学习策略可从一组可用模型中选择最佳合适的模型，以改善井筒操作301的估计和控制。根据一个示例，最佳模型的选择标准是所得模型误差的最小化：
Figure BDA0002696220400000141
其中fi∈[f0，....，fM]为从一组模型(也称为模式)中选择的模型，ymeas为测量的系统输出，并且ymodel为模型输出。
参数向量pi通常表示每种模式的不同组参数。基本上，通过找到最佳拟合模型连同其最佳参数集来选择模式。然后，通过钻井操作的闭环控制或通过建议系统(即，“预处理器”)来使用所得模型，该建议系统可向操作人员(例如，定向钻井者)提供关于钻井计划采取的最佳控制动作。
应当理解，该组中的不同模型在结构上也可以是相同的(因此具有同一组参数)，但具有不同的参数值。在这种情况下，最小化将通过保持模型结构不变而从一组参数值跳跃到另一组参数值。此外，使用模型使得能够实现来自先前钻井活动的学习参数和调整模式。
根据本公开的各方面，所公开的参数估计方法和所公开的对井筒操作301的控制动作的计算不是在钻井操作中手动进行的，这是由于其复杂性和井筒操作动态特性所施加的时间约束。在一些示例中，本文提供的技术可以在计算装置或系统上实现。
本技术可应用于定向钻井内的多种不同应用中。例如，针对使用在线估计302和离线估计304生成的特定钻井作业而定制的钻进模型可用于推导朝向钻井目标的最佳井沿路径。此外，其可用于推导井眼计划的元数据(例如，弯矩)。最终，该信息可由控制器314利用，以使多个下行链路最小化并且为定向钻机提供自动引导以有效地钻井并减少非生产性时间。具体地讲，本技术可用于计算转向力和角度、检测地层变化、预测井眼路径、创建虚拟传感器、提供振动管理等。
在一个示例中，本技术可用于自动精确地计算旋转可转向系统的转向力和转向方向。图7示出了根据本公开的各方面的使用基于模型的参数估计器310的转向力计算器702的框图。在一些当前的具体实施中，转向力的计算是手动过程，其不考虑描述BHA岩石相互作用的任何参数。因此，转向力的当前计算是不精确的，这转化为转向力的频繁重新调整，并且由此转化为导致非生产性时间的许多定向下行链路。
计算的转向力和转向方向可由现场人员、通过钻井自动化应用程序等下行到转向装置。放置在钻头后面的转向装置用于控制井筒操作301中的钻孔轨迹。示例转向装置可使用液压致动的肋状物，该肋状物抵靠钻孔壁推动以产生定向力。该力使钻井系统在期望方向上偏转。换句话讲，该力使钻头转向，并因此改变倾斜角和方位角，如本文所述。
使用上述简单钻进模型的示例，乘法因子描述施加到钻头的力与相因而生的倾斜角和方位角变化之间的关系。有经验的定向钻井员使用调查数据隐含地估计该因素，但不考虑该参数对地表参数如WOB、ROP等的依赖性。本公开使得可以自动估计乘法因子并且也考虑相关钻井参数如WOB和ROP的影响。
转向力、倾斜角变化(即，构建速率)和方位角变化(即，转向速率)之间的关系表示如下：
Figure BDA0002696220400000151
Figure BDA0002696220400000152
其中FWALK表示步进力，并且FBUILD表示构建力。BR表示构建速率，并且TR表示转向速率。倾斜角用inc表示，并且方位角用azi表示。通过使用下列公式将步进力和构建力转换成所得的转向力：
Figure BDA0002696220400000153
最后，通过利用以下三角测量关系来计算转向方向：
Figure BDA0002696220400000154
模型参数(例如，参数K)由基于模型的参数估计器310使用如本文所讨论的MHE来估计。在该示例中使用的MHE获取施加于钻头的力、井下工具的取向测量结果、地表参数如WOB、RPM和一些调谐参数作为输入。估计器的输出是参数K，该参数然后由转向力计算器702在先前的公式中用于计算转向力和转向方向。使用MHE的一个优点是其利用统计来减少叠加在测量数据上的噪声。
在另一示例中，本技术可用于确定地层(例如，地层4)中的地层变化。图8示出了根据本公开的各方面的使用基于模型的参数估计器310的模型参数变化检测器计算器802的框图。这是通过由MHE估计参数随深度的变化来实现的。在一个示例中，基于模型的参数估计器使用MHE来确定简单的钻进模型以确定参数K，该参数为钻井参数(例如，WOB、RPM)、BHA和地层的函数。通过模型参数变化检测器802利用这种行为来检测地层变化和相关联的深度。
假定在均匀地层(例如，地层A)中钻井。在这些条件下，模型参数的参数估计(例如，参数K)为恒定的。如果钻头撞击另一个地层(例如，较硬的地层)(例如，地层B)，则模型参数的值随着地层变化而突然变化。如果地层较硬，则模型参数的值减小。如果地层较软，则K值增大。可自动检测模型参数的变化。模型参数与地层变化的关系示于图9中，图9示出了在地层A与地层B之间的模型参数变化事件。
在另一个实施方案中，使用具有更高细节度的钻进模型来确定未知钻井参数。同样，当撞到另一地层时，这些参数将同时改变。不是仅依赖于一个参数，而是使用多个参数来揭示明确的地层变化事件，从而最终得到更稳健的地层分类。
参数变化事件还可用于检测细脉。细脉为嵌入在较软地层中的一片硬地层。另选地，参数变化事件可用于现有的细脉检测应用中以降低其检测方案的不确定性。在另一个实施方案中，可利用地层变化检测事件来提高现有地层评估方法的准确性。
本技术的另一个应用是利用具有估计参数的模型来预测将来的井眼路径。图10示出了根据本公开的各方面的用于计算井眼路径的钻进模型1002。这通过例如使用模型参数估计连同实际构建力和步进力来计算方位角和倾斜角的增量变化来实现。因此，可以计算未来轨迹。
在一个实施方案中，本技术用于估计模型参数(例如，参数K)，并且然后求解用于钻井系统的简单运动学微分方程，以使用钻进模型1002计算(即，预测)未来井眼路径。使用笛卡尔坐标n、e、d(即，北、东、下)，钻头位置的方程如下：
Figure BDA0002696220400000171
Figure BDA0002696220400000172
Figure BDA0002696220400000173
倾斜角和方位角值用于求解积分。使用模型参数(例如，模型参数K)的估计值如下计算倾斜角和方位角：
Figure BDA0002696220400000174
Figure BDA0002696220400000175
需注意，对穿透速率的额外估计不是必要的，因为对系统的描述在深度域中完全完成。
在另一个实施方案中，使用更复杂的钻进模型来预测轨迹。梁模型提供对轨迹的高精度预测，但依赖于对许多参数的适当估计。本技术可用于同时估计那些参数。梁模型的输出可以向量格式写成y＝[n，e，d，inc，azi]T。使用非线性状态空间模型来表示输出：
Figure BDA0002696220400000176
y＝c(x)，
其中f、c为非线性函数f1、...fn和c1、...cn的向量。根据模型，非线性函数中的一些是已知的(例如，来自物理模型)，而钻进模型内的其他非线性函数包含需要识别的参数。如果偏置井眼数据可用，则通过使用最小二乘技术来离线估计未知参数。对于在线参数估计，使用MHE。使用基于模型的参数估计器310完成参数跟踪。
路径预测的结果的一个示例在图11中展示。具体地讲，图11示出了根据本公开的各方面的预测的井眼路径1102的三维曲线图1100。预测长度被示例性地设定为90米。预测长度可以改变为任何所需的预测长度。已经使用钻井系统模型导出井眼路径，该钻井系统模型的参数使用本发明来估计。构建力和步进力在整个预测范围内保持恒定。应当理解，井眼的预测通过其所被预测的来传播不确定性信息。靠近实际位置的预测点包含比远离实际位置的预测点更少的不确定性。
图12示出了用于本公开的各方面的用于井筒操作中定向钻井的基于模型的参数估计的方法1200的流程图。方法1200可由任何合适的处理系统(诸如图1和图2的处理系统12或图2的系统300来实现。
在框1202处，基于模型的参数估计器310(例如，处理器或处理装置)从井筒操作301接收测量数据。在框1204处，基于模型的参数估计器310至少部分地基于测量数据来估计参数。在一些示例中，估计参数至少部分地基于从机器学习技术生成的约束。机器学习技术可利用神经网络或其他机器学习技术。神经网络例如从多个作业接收作业数据作为输入，并且至少部分地基于作业数据生成约束。作业数据可包括渗透速率数据、钻压数据、每分钟旋转数数据、流体压力数据和伽马射线数据等。在附加的示例中，估计参数至少部分地基于从机器学习技术生成的钻头各向异性和岩石刚度。
在框1206处，控制器314至少部分地基于估计参数生成控制动作以控制井筒操作中的钻机或其他工具。在框1208处，控制器314基于控制动作来控制井筒操作中的钻机。
还可包括附加的过程。例如，方法1200可附加地包括至少部分地基于估计参数来计算转向力和转向角度。转向力和转向角度可作为控制输入产生，并且可用于控制钻机。计算转向力和转向角度可至少部分地基于期望的构建速率和期望的转向速率。在附加的示例中，可以至少部分地基于估计参数和测量的深度来确定地层变化。应当理解，图12中所示的过程表示例示，并且在不脱离本公开的范围和实质的情况下，可添加其他过程或者可移除、修改或重新布置现有过程。
下面示出了前述公开的一些实施方案：
实施方案1：一种用于在井筒操作中进行定向钻井的基于模型的参数和状态估计的计算机实现的方法，所述方法包括：由处理装置接收来自所述井筒操作的测量数据；由所述处理装置执行对用以生成估计参数的参数和用以生成估计状态的状态中的至少一者的在线估计，所述在线估计至少部分地基于所述测量数据；由所述处理装置生成控制输入以至少部分地基于所述估计参数和所述估计状态中的至少一者来控制所述井筒操作中的方面；以及基于所述控制输入执行控制动作以控制所述井筒操作的所述方面。
实施方案2：根据任何前述实施方案所述的计算机实现的方法，其中所述在线估计选自由移动地平线估计、扩展卡尔曼滤波器估计和最小二乘估计组成的组。
实施方案3：根据任何前述实施方案所述的计算机实现的方法，其中执行所述参数和所述状态中的所述至少一者的所述在线估计至少部分地基于在离线估计期间生成的约束、参数和初始条件。
实施方案4：根据任何前述实施方案所述的计算机实现的方法，其中在离线估计期间生成的约束、参数和初始条件是使用机器学习技术生成的。
实施方案5：根据任何前述实施方案所述的计算机实现的方法，其中所述机器学习技术接收来自多个作业的作业数据作为输入，并且至少部分地基于所述作业数据来生成所述约束、参数和初始条件。
实施方案6：根据任何前述实施方案所述的计算机实现的方法，其中所述作业数据包括渗透速率数据、钻压数据、每分钟旋转数数据、流体压力数据和伽马射线数据。
实施方案7：根据任何前述实施方案所述的计算机实现的方法，其中通过使来自井筒操作的测量结果与来自基础模型的计算的测量结果之间的误差最小化，从一组井筒操作模型中选择用于执行所述在线估计和所述离线估计的所述基础模型。
实施方案8：根据任何前述实施方案所述的计算机实现的方法，还包括由所述处理装置至少部分地基于所述估计参数来计算转向力和转向角度。
实施方案9：根据任何前述实施方案所述的计算机实现的方法，其中计算所述转向力和所述转向角度还至少部分地基于期望的构建速率和期望的转向速率。
实施方案10：根据任何前述实施方案所述的计算机实现的方法，其中计算所述转向力和所述转向角度至少部分地基于井眼计划、地质模型或随探测井测量结果。
实施方案11：根据任何前述实施方案所述的计算机实现的方法，还包括至少部分地基于所述估计参数和测量的深度来确定地层变化。
实施方案12：根据任何前述实施方案所述的计算机实现的方法，还包括计算未来井沿路径的预测。
实施方案13：根据任何前述实施方案所述的计算机实现的方法，其中所述控制动作允许在不损害所述井筒操作的同时实现参数估计的观察。
实施方案14：一种用于将背景信息集成到井筒操作的工作流中的系统，所述系统包括：存储器和处理装置，所述存储器包括计算机可读指令，所述处理装置用于执行所述计算机可读指令从而执行方法，所述方法包括：由所述处理装置从所述井筒操作接收测量数据；由所述处理装置执行在线估计，所述在线估计用于至少部分地基于测量数据和至少部分地基于离线估计来估计参数和状态中的至少一者；以及由所述处理装置实施控制输入以控制所述井筒操作的方面，其中所述控制输入至少部分地基于所述估计参数和所述估计状态。
实施方案15：根据任何前述实施方案所述的系统，其中所述参数和所述状态中的所述至少一者的所述离线估计至少部分地基于从机器学习技术生成的约束、参数或初始条件。
实施方案16：根据任何前述实施方案所述的系统，其中在离线估计期间生成的所述约束、参数和初始条件是使用机器学习技术生成的。
实施方案17：根据任何前述实施方案所述的系统，其中所述机器学习技术从多个作业接收作业数据作为输入，并且至少部分地基于所述作业数据生成所述约束、参数和初始条件，并且其中所述作业数据包括渗透速率数据、钻压数据、每分钟旋转数数据、流体压力数据和伽马射线数据。
实施方案18：根据任何前述实施方案的系统，其中所述方法还包括由所述处理装置至少部分地基于所述估计参数来计算转向力和转向角度，其中计算所述转向力和所述转向角度还至少部分地基于期望的构建速率和期望的转向速率。
实施方案19：根据任何前述实施方案所述的系统，其中所述方法还至少部分地基于所述估计参数和测量的深度来确定地层变化。
在描述本公开的上下文中(特别是在所附权利要求的上下文中)，术语“一个”、“一种”和“该”以及类似指代的使用应被解释为涵盖单数和复数，除非在本文另外指明或与上下文明显地矛盾。此外，还应当指出的是，本文的术语“第一”、“第二”等并不表示任何顺序、数量或重要性，而是用来将一个元素与另一个元素区分开。与数量结合使用的修饰语“约”包含所陈述的值并且具有由上下文决定的含义(例如，其包括与特定数量的测量相关联的误差度)。
本公开的教导内容可用于多种井眼操作。这些操作可涉及使用一种或多种处理剂来处理地层、地层中驻留的流体、井筒、和/或井筒中的设备，诸如生产管材。处理剂可以是液体、气体、固体、半固体、以及它们的混合物的形式。例示性的处理剂包括但不限于压裂液、酸、蒸汽、水、盐水、防腐剂、粘固剂、渗透性调节剂、钻井泥浆、乳化剂、破乳剂、示踪剂、流动性改进剂等。例示性的井操作包括但不限于水力压裂、增产、示踪剂注入、清洁、酸化、蒸汽注入、注水、固井等。
虽然已参考一个或多个示例性实施方案描述了本公开，但本领域的技术人员将理解，在不脱离本公开的范围的情况下，可作出各种改变并且可用等同物代替其元件。另外，在不脱离本公开的基本范围的情况下，可作出许多修改以使特定情形或材料适应本公开的教导内容。因此，预期的是，本公开不限于作为设想用于实现本公开的最佳模式而公开的特定实施方案，而是本公开将包括落入权利要求书的范围内的所有实施方案。另外，在附图和具体实施方式中，已公开了本公开的示例性实施方案，并且尽管已采用了特定术语，但除非另外指明，否则它们仅以一般性和描述性意义使用，而非出于限制的目的，本公开的范围因此并不限于此。

Claims (15)

1.一种用于井筒操作(100、301)中定向钻井的基于模型的参数和状态估计的计算机实现的方法(1200)，所述方法包括：
由处理装置(21)从所述井筒操作(100、301)接收测量数据；
由所述处理装置(21)执行对用于生成在线估计参数的在线参数和用于生成在线估计状态的在线状态中的至少一者的在线估计(302)，所述在线估计(302)至少部分地基于所述测量数据，并且所述在线估计(302)至少部分地基于在离线估计期间生成的离线估计参数，其中，在线估计使用第一模型，在线估计在第一时间量内对在线估计参数和在线估计状态中的至少一者进行估计，并且其中，离线模型使用比第一模型复杂的第二模型以及比在在线估计中使用的测量数据的集合大的数据集，离线估计在比第一时间量长的第二时间量中对离线估计参数进行估计；
由所述处理装置(21)至少部分地基于所述在线估计参数和所述在线估计状态中的至少一者生成第一控制输入以控制所述井筒操作(100、301)中的方面；
基于所述第一控制输入执行控制动作以控制所述井筒操作(100、301)的所述方面；以及
更新所述第一控制输入以提供第二控制输入，其中，所述第一时间量比第一控制输入和第二控制输入之间的时间短，其中，所述第二时间量比第一控制输入和第二控制输入之间的时间长，并且其中，所述更新是响应于所述在线估计参数和所述在线估计状态中的至少一者的改变的，该改变是至少部分地基于测量数据的改变的。
2.根据权利要求1所述的计算机实现的方法(1200)，其中所述在线估计(302)选自由移动地平线估计、扩展卡尔曼滤波器估计和最小二乘估计组成的组。
3.根据权利要求1所述的计算机实现的方法(1200)，其中执行所述在线参数和所述在线状态中的至少一者的所述在线估计(302)还至少部分地基于在离线估计(304)期间生成的约束和初始条件。
4.根据权利要求3所述的计算机实现的方法(1200)，其中在离线估计(304)期间生成的离线估计参数、约束和初始条件是使用机器学习技术生成的。
5.根据权利要求4所述的计算机实现的方法(1200)，其中所述机器学习技术接收来自多个作业的作业数据作为输入，并且至少部分地基于所述作业数据(322)生成离线估计参数、约束和初始条件。
6.根据权利要求5所述的计算机实现的方法(1200)，其中所述作业数据(322)包括渗透速率数据、钻压数据、每分钟旋转数数据、流体压力数据和伽马射线数据。
7.根据权利要求3所述的计算机实现的方法(1200)，其中通过使来自井筒操作(100、301)的测量结果与来自第一模型和第二模型中的每个模型的计算的测量结果之间的误差最小化，从一组井筒操作(100、301)模型中选择用于执行所述在线估计(302)和所述离线估计(304)的第一模型和第二模型。
8.根据权利要求1所述的计算机实现的方法(1200)，还包括：
由所述处理装置(21)至少部分地基于所述在线估计参数来计算转向力和转向角度。
9.根据权利要求8所述的计算机实现的方法(1200)，其中计算所述转向力和所述转向角度还至少部分地基于期望的构建速率和期望的转向速率。
10.根据权利要求9所述的计算机实现的方法(1200)，其中计算所述转向力和所述转向角度至少部分地基于井眼计划、地质模型或随钻测井测量结果。
11.根据权利要求1所述的计算机实现的方法，还包括至少部分地基于所述在线估计参数和测量的深度来确定地球地层(4)变化。
12.一种用于控制井筒操作(100、301)的工作流的方面的系统(300)，所述系统(300)包括：
存储器(24)，所述存储器包括计算机可读指令；和
处理装置(21)，所述处理装置用于执行用于执行方法的所述计算机可读指令，所述方法包括：
由所述处理装置(21)从所述井筒操作(100、301)接收测量数据；
由所述处理装置(21)执行在线估计(302)以至少部分地基于测量数据并且至少部分地基于在离线估计(304)期间生成的离线估计参数来估计在线估计参数和在线估计状态中的至少一者，其中，在线估计使用第一模型，在线估计在第一时间量内对在线估计参数和在线估计状态中的至少一者进行估计，并且其中，离线模型使用比第一模型复杂的第二模型以及比在在线估计中使用的测量数据的集合大的数据集，离线估计在比第一时间量长的第二时间量中对离线估计参数进行估计；
由所述处理装置(21)实施第一控制输入以控制所述井筒操作(100、301)的方面，其中所述第一控制输入至少部分地基于所述在线估计参数和所述在线估计状态中的至少一者；以及
更新所述第一控制输入以提供第二控制输入，其中，所述第一时间量比第一控制输入和第二控制输入之间的时间短，其中，所述第二时间量比第一控制输入和第二控制输入之间的时间长，并且其中，所述更新是响应于所述在线估计参数和所述在线估计状态中的至少一者的改变的，该改变是至少部分地基于测量数据的改变的。
13.根据权利要求12所述的系统(300)，其中所述在线估计参数和所述在线估计状态中的至少一者的所述在线估计(302)还至少部分地基于从机器学习技术生成的约束或初始条件。
14.根据权利要求13所述的系统(300)，其中在离线估计(304)期间生成的离线估计参数、约束和初始条件是使用机器学习技术生成的。
15.根据权利要求14所述的系统(300)，其中所述机器学习技术接收来自多个作业的作业数据作为输入，并且至少部分地基于所述作业数据(322)生成离线估计参数、约束和初始条件，并且其中所述作业数据(322)包括渗透速率数据、钻压数据、每分钟旋转数数据、流体压力数据和伽马射线数据。
CN201980021387.XA 2018-03-26 2019-03-25 用于井筒操作中定向钻井的基于模型的参数估计 Active CN111989456B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/935,659 2018-03-26
US15/935,659 US11268370B2 (en) 2018-03-26 2018-03-26 Model-based parameter estimation for directional drilling in wellbore operations
PCT/US2019/023874 WO2019190982A1 (en) 2018-03-26 2019-03-25 Model-based parameter estimation for directional drilling in wellbore operations

Publications (2)

Publication Number Publication Date
CN111989456A CN111989456A (zh) 2020-11-24
CN111989456B true CN111989456B (zh) 2022-10-21

Family

ID=67984854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980021387.XA Active CN111989456B (zh) 2018-03-26 2019-03-25 用于井筒操作中定向钻井的基于模型的参数估计

Country Status (8)

Country Link
US (1) US11268370B2 (zh)
CN (1) CN111989456B (zh)
CA (1) CA3094183C (zh)
GB (1) GB2587119B (zh)
NO (1) NO20201060A1 (zh)
RU (1) RU2754892C1 (zh)
SA (1) SA520420182B1 (zh)
WO (1) WO2019190982A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11959373B2 (en) * 2018-08-02 2024-04-16 Landmark Graphics Corporation Operating wellbore equipment using a distributed decision framework
KR102096558B1 (ko) * 2018-11-26 2020-04-02 두산중공업 주식회사 연소 최적화를 위한 장치 및 이를 위한 방법
US11675938B2 (en) * 2019-01-25 2023-06-13 Nvicta LLC. Optimal path planning for directional drilling
US11675325B2 (en) * 2019-04-04 2023-06-13 Schlumberger Technology Corporation Cutter/rock interaction modeling
US11704579B2 (en) * 2020-04-17 2023-07-18 Quantic Energy Solutions Llo Earth modeling methods using machine learning
CN111810112B (zh) * 2020-06-18 2021-12-03 中国地质大学（武汉） 基于粒子滤波和模型预测控制的垂直钻进纠偏控制方法
CN112903008B (zh) * 2021-01-15 2023-01-10 泉州师范学院 基于多传感数据融合技术的山体滑坡预警方法
JP7359178B2 (ja) * 2021-03-10 2023-10-11 横河電機株式会社 制御装置、制御方法、および、制御プログラム
US20230038752A1 (en) * 2021-08-04 2023-02-09 Nabors Drilling Technologies Usa, Inc. Methods and apparatus to identify and implement downlink command sequence(s)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107438694A (zh) * 2015-04-29 2017-12-05 哈里伯顿能源服务公司 用于旋转导向钻井系统的无传感器状态估计、扰动估计和模型调适的系统和方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8014987B2 (en) * 2007-04-13 2011-09-06 Schlumberger Technology Corp. Modeling the transient behavior of BHA/drill string while drilling
MX337489B (es) 2007-09-21 2016-03-08 Nabors Global Holdings Ltd Control de perforacion direccional.
US8783382B2 (en) * 2009-01-15 2014-07-22 Schlumberger Technology Corporation Directional drilling control devices and methods
US20120010865A1 (en) * 2009-03-27 2012-01-12 Benson Gregory S Reservoir Quality Characterization Using Heterogeneity Equations With Spatially-Varying Parameters
WO2012173601A1 (en) * 2011-06-14 2012-12-20 Halliburton Energy Services, Inc. System, method, and computer program for predicting borehole geometry
US9507754B2 (en) 2011-11-15 2016-11-29 Halliburton Energy Services, Inc. Modeling passage of a tool through a well
CA2876266C (en) 2012-06-11 2018-10-23 Landmark Graphics Corporation Methods and related systems of building models and predicting operational outcomes of a drilling operation
WO2014022614A1 (en) * 2012-08-01 2014-02-06 Schlumberger Canada Limited Assessment, monitoring and control of drilling operations and/or geological-characteristic assessment
US9022140B2 (en) * 2012-10-31 2015-05-05 Resource Energy Solutions Inc. Methods and systems for improved drilling operations using real-time and historical drilling data
US9645575B2 (en) 2013-11-27 2017-05-09 Adept Ai Systems Inc. Method and apparatus for artificially intelligent model-based control of dynamic processes using probabilistic agents
RU2640607C1 (ru) * 2013-12-06 2018-01-10 Хэллибертон Энерджи Сервисиз, Инк. Управление комплексами бурения ствола скважины
US10242312B2 (en) 2014-06-06 2019-03-26 Quantico Energy Solutions, Llc. Synthetic logging for reservoir stimulation
AU2014415569B2 (en) 2014-12-31 2018-03-22 Halliburton Energy Services, Inc. Automated optimal path design for directional drilling
US11009844B2 (en) * 2015-07-31 2021-05-18 Schlumberger Technology Corporation Method and apparatus of determining a state of a system
WO2019125359A1 (en) * 2017-12-18 2019-06-27 Landmark Graphics Corporation Recurrent neural network model for multi-stage pumping

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107438694A (zh) * 2015-04-29 2017-12-05 哈里伯顿能源服务公司 用于旋转导向钻井系统的无传感器状态估计、扰动估计和模型调适的系统和方法

Also Published As

Publication number Publication date
BR112020019555A2 (pt) 2021-01-05
CA3094183C (en) 2023-02-21
US11268370B2 (en) 2022-03-08
RU2754892C1 (ru) 2021-09-08
NO20201060A1 (en) 2020-09-29
CN111989456A (zh) 2020-11-24
GB2587119B (en) 2022-10-05
WO2019190982A1 (en) 2019-10-03
GB202016459D0 (en) 2020-12-02
GB2587119A (en) 2021-03-17
CA3094183A1 (en) 2019-10-03
SA520420182B1 (ar) 2022-08-17
US20190292898A1 (en) 2019-09-26

Similar Documents

Publication Publication Date Title
CN111989456B (zh) 用于井筒操作中定向钻井的基于模型的参数估计
AU2017208259B2 (en) Controlling wellbore operations
CN102979500B (zh) 控制用于在地下地层中形成开孔的钻柱的钻井方向的方法
CA2938521C (en) Controlling a bottom-hole assembly in a wellbore
AU2013406722B2 (en) Controlling a bottom hole assembly in a wellbore
US9422803B2 (en) Passive magnetic ranging for SAGD and relief wells via a linearized trailing window kalman filter
AU2018286423B2 (en) Generating drilling paths using a drill model
CN115279990A (zh) 基于到油-水接触面的距离的自动地质导向
EP3545168B1 (en) Distance-to-bed-boundary inversion solution pixelation
US11555397B2 (en) Detecting wellpath tortuosity variability and controlling wellbore operations
CN116601374A (zh) 旋转可转向系统的定向钻井建议
BR112020019555B1 (pt) Método implementado por computador e sistema para controlar um aspecto de um fluxo de trabalho para uma operação de furo do poço
WO2023192611A1 (en) Automated reservoir navigation
WO2023129156A1 (en) Techniques for calibrating borehole propagation model for direction drilling in real time

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