CN112431585B - 一种基于深度信念网络的自动送钻方法 - Google Patents
一种基于深度信念网络的自动送钻方法 Download PDFInfo
- Publication number
- CN112431585B CN112431585B CN202011372123.XA CN202011372123A CN112431585B CN 112431585 B CN112431585 B CN 112431585B CN 202011372123 A CN202011372123 A CN 202011372123A CN 112431585 B CN112431585 B CN 112431585B
- Authority
- CN
- China
- Prior art keywords
- bit
- network
- rbm
- weight
- dbn
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000005553 drilling Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000002002 slurry Substances 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 239000003208 petroleum Substances 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度信念网络的自动送钻方法,首先建立DBN网络模型,构建DBN‑PID控制器,将在钻井过程与井底钻压有关联的4个重要参数,钻头直径、井深、转盘转速、泥浆排量以及钻压,进行预处理后输入DBN网络进行训练,DBN根据当前系统运行状态,在线计算使控制系统达到性能要求的PID参数,PID控制器直接作用于主控制器,主控制器输出给定的速度控制信号送给变频器,然后控制钻头钻压,最终使钻头的钻压会达到希望的钻压值。从而提高整个网络的鲁棒性和适应性,达到提高钻速,减小钻头磨损,降低钻井成本的目的。
Description
技术领域
本发明涉及石油钻井技术领域,具体为一种基于深度信念网络的自动送钻方法。
背景技术
恒钻压自动送钻技术就是钻机在正常钻井过程中,根据钻井工艺的要求,保持钻头对井底的压力为恒定值。采用参数适宜的PID(Proportion IntegrationDifferentiation)控制器,就可以达到预期设想的控制效果。但是在钻进过程中,系统的控制模型并不是一成不变的,因此为了达到更好的控制效果,就需要对PID的参数进行校正。然而,对PID参数值进行合理的校正是很困难的,这对现场的操作人员的技术要求极高,从而导致自动送钻的使用效果往往并不理想。
在钻进过程中,钻压会受到多种因素包括地质构造、钻井液性质和井筒摩擦等的影响,且送钻电机具有多变量、强耦合和非线性的特点。钻进过程是一个时变的过程,建模工作十分困难,因而仅采用常规的PID控制所达到的控制效果并不理想。
近些年,深度信念网络学习的发展十分迅猛,在很多领域都有着很大的发展与进步,基于此本发明引入深度信念网络模型,结合传统的PID控制算法,提出了基于深度信念网络的PID控制方法。
发明内容
本发明的目的在于提供一种基于深度信念网络的自动送钻方法,针对传统PID控制的控制效果并不理想的问题,提出了采用DBN(Deep Belief Nets)网络对PID参数进行调节,DBN根据当前系统运行状态,在线计算使控制系统达到性能要求的PID参数,PID控制器直接作用于主控制器,主控制器输出给定的速度控制信号送给变频器,然后控制钻头钻压,最终使钻头的钻压会达到给定值,从而实现恒钻压钻井的目的。
为实现上述目的,本发明提供如下技术方案:一种基于深度信念网络的自动送钻方法,包括以下步骤:
S1:取在钻井过程与井底钻压有关联的4个重要参数,钻头直径、井深、转盘转速、泥浆排量以及钻压,进行预处理后作为样本数据集,将样本数据集作为DBN网络的输入变量,即网络的输入层节点;
S2:构建深度信念网络模型,采用由两层受限玻尔兹曼机RBM和一层BP神经网络组成的深度信念网络模型;
将S1中的样本数据集送入深度信念网络模型中进行训练,从而对PID的参数进行调节;
输出转速控制信号;
S3:主控制器输出给定的速度控制信号送给变频器,控制电机转速,进而控制钻头钻压;
最终达到恒钻压自动送钻的目的。
优选的,在S1中,采用尺度变换的方法对输入数据进行预处理。即归一化处理,把网络的输入数据与输出数据限制在[0,1]区间内。
优选的,确定整个样本数据集中各个分量的最大值和最小值,进行归一化处理,归一化的变化式如下:其中,xi代表输入或输出数据,xmin代表数据变化的最小值,xmax代表数据的最大值。
优选的,在S1中,输入—输出非线性映射关系的复杂程度决定训练样本数的选取,选取网络连接权值总数的5-10倍作为训练样本数。
优选的,在S2中,深度置信网络DBN训练是按照以下步骤进行的:
确定DBN网络的结构和参数;
将归一化处理后样本数据集作为网络的输入,将电机的转速作为网络的输出,先进行RBM(Restricted Boltzmann Machine)无监督预训练;
将预处理后的数据作为训练样本输入到第一层RBM的可视层,利用对比散度算法来对第一层RBM网络进行训练,直到能量函数收敛;
第一层RBM训练后,将网络参数固定,把第一层RBM隐含层当作第二个RBM的可视层;
样本数据集经过第一层RBM抽取初步的特征数据,用于第二层RBM的输入,利用对比散度算法来对第二层RBM网络进行训练,直到能量函数收敛;
计算实际输出和理论输出的误差,利用BP(Back Propagation)神经网络采用梯度下降法进行微调与优化;RBM的能量函数可以表示:
其中,ωij表示第i个节点和第j个节点间的权值,cj和bi为偏置量,I和J分别为可视单元和隐层单元的数目。
优选的,在S3中,在常规PID控制器的基础上,设计能自动整定PID参数的DBN-PID控制器,PID控制器直接作用于主控制器,主控制器输出给定的速度控制信号送给变频器,然后控制钻头钻压,最终使钻头的钻压会达到给定值;实现恒钻压钻井的目的。
优选的,在S3中,采用增量式数字PID控制,根据系统的运行状态,通过DBN网络算法对PID控制器的参数Kp、Ki、Kd进行实时调整;如下:
u(k)=u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
其中,u(k)为PID控制响应输出信号,Kp为比例系数,Ki为积分系数,Kd为微分系数,e(k)为速度偏差。
与现有技术相比,本发明的有益效果是:
本发明提供一种基于深度信念网络的自动送钻方法,检测当前实际钻压值与希望钻压值进行比较,将比较结果送入DBN-PID控制器从而对绞车速度进行调节,使实际钻压值无限接近希望钻压值,从而达到提高钻速,减小钻头磨损,降低钻井成本的目的。结合对比散度算法对DBN网络进行训练,然后利用BP进行反向整体网络模型调优,从而提高整个网络的鲁棒性和适应性。
附图说明
图1是基于深度学习的自动送钻方法流程图;
图2是DBN网络结构示意图;
图3是DBN-PID控制结构示意图;
图4是基于DBN-PID控制自动送钻过程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1-4,本发明提供一种技术方案:一种基于深度信念网络的自动送钻方法,主要包括以下步骤:
S1:取在钻井过程与井底钻压有关联的4个重要参数,钻头直径、井深、转盘转速、泥浆排量以及钻压,进行预处理后作为样本数据集,将样本数据集作为DBN网络的输入变量,即网络的输入层节点;
S2:构建深度信念网络模型,采用由两层受限玻尔兹曼机RBM和一层BP神经网络组成的深度信念网络模型。将S1中的样本数据集送入深度信念网络模型中进行训练,从而对PID的参数进行调节。输出转速控制信号;
S3:主控制器输出给定的速度控制信号送给变频器,控制电机转速,进而控制钻头钻压。最终达到恒钻压自动送钻的目的。
在S1中,采用尺度变换的方法对输入数据进行预处理。即归一化处理,把网络的输入数据与输出数据限制在[0,1]区间内。确定整个样本数据集中各个分量的最大值和最小值,进行归一化处理,归一化的变化式如下:
其中,xi代表输入或输出数据,xmin代表数据变化的最小值,xmax代表数据的最大值。
在S1中,输入-输出非线性映射关系的复杂程度决定训练样本数的选取,选取网络连接权值总数的5-10倍作为训练样本数。
在S2中,首先确定DBN网络的结构和参数,DBN的网络结构图如图2所示;然后将归一化处理后的样本数据集输入DBN网络,开始训练第一个RBM,训练完后固定好第一个RBM的权重和偏移量,然后将其隐性神经元的状态作为第二个RBM的输入向量,开始训练第二个RBM,最后用BP神经网络利用梯度下降法对整个DBN网络进行微调和优化。
DBN模型的训练过程可归纳为以下两个步骤:
①RBM无监督预训练,RBM采用对比散度法进行训练,其训练过程如下:根据来计算Q(h1i=1|x1),并对其进行采样h1i,其中h1i∈(0,1);
根据来计算P(x2j=h1),并对其进行采样x2j,其中x2j∈(0,1);
计算Q(h2i=1|x2)并按照以下公式来更新权值:
W←W+ω(h1x1-Q(h2=1|x2)x2)
b←b+ω(x1-x2)
c←c+ω(h1-Q(h2=1|x2))
其中,是一个sigmoid逻辑函数。
其中,x为训练样本集的所有样本;ω为梯度下降法中的学习速率;h为隐层单元向量;W为RBM的权值矩阵;b为输入偏置向量;c为输出偏置向量。
②有监督权值调优:计算实际输出和理论输出的误差,利用BP神经网络采用梯度下降法进行微调与优化;在无监督逐层训练过程中,无法保证RBM的参数θ={ωij,ai,bj}能够达到全局最优。
因此把位于顶层的BP神经网络接收到的数据作为输入,然后将理论输出与实际输出的误差,沿相反的方向对RBM进行逐层传递,每层都会对参数θ进行调优,最终使θ←θ+Δθ从而达到全局最优。
在S3中,构建深度信念网络模型与PID控制器相结合的DBN-PID控制器,DBN-PID控制结构图如图3所示,其控制算法如下:
确定DBN的网络结构,即确定输入层节点数目为5,输出层节点数为3以及隐含层层数为2;
通过采样得到Rin和Yout。然后计算该时刻误差e=Rin-Yout;
将微分后的误差输入DBN网络,DBN网络的输出会对PID控制器的三个参数进行调节;
最后输出u(k),u(k)为PID控制器的输出;
对DBN进行训练,在线调整权值系数;
令k=k+1,仅有当系统的精度与设置的精度相同,才会停止对网络的训练,否则,返回第一步重新执行。
在S3中,PID控制器直接作用于主控制器,主控制器输出给定的速度控制信号送给变频器,然后控制钻头钻压,最终使钻头的钻压会达到给定值。实现恒钻压钻井的目的。
在S3中,采用增量式数字PID控制,根据系统的运行状态,通过DBN网络算法对PID控制器的参数Kp、Ki、Kd进行实时调整。如下:
u(k)=u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
其中,u(k)为PID控制响应输出信号,Kp为比例系数,Ki为积分系数,Kd为微分系数,e(k)为速度偏差。
基于DBN-PID控制自动送钻过程如图4所示,在S3中,将希望钻压值与实际采集到的钻压值进行比较,然后进行反馈校正,最终使实际钻压等于或接近希望钻压,从而达到恒钻压送钻的目的。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于深度信念网络的自动送钻方法,其特征在于,包括以下步骤:
S1:取在钻井过程与井底钻压有关联的4个重要参数,钻头直径、井深、转盘转速、泥浆排量以及钻压,进行预处理后作为样本数据集,将样本数据集作为DBN网络的输入变量,即网络的输入层节点;
S2:构建深度信念网络模型,采用由两层受限玻尔兹曼机RBM和一层BP神经网络组成的深度信念网络模型;
将S1中的样本数据集送入深度信念网络模型中进行训练,从而对PID的参数进行调节;
输出转速控制信号;
S3:主控制器输出给定的速度控制信号送给变频器,控制电机转速,进而控制钻头钻压;
最终达到恒钻压自动送钻的目的。
2.根据权利要求1所述的一种基于深度信念网络的自动送钻方法,其特征在于:步骤S1中输入数据包括钻头直径、井深、转盘转速、泥浆排量以及钻压,并对其进行归一化处理。
3.根据权利要求1所述的一种基于深度信念网络的自动送钻方法,其特征在于:DBN网络由两层受限玻尔兹曼机RBM和一层BP神经网络组成,DBN模型的训练过程可归纳为以下两个步骤:
①RBM无监督预训练,RBM采用对比散度法进行训练;
②有监督权值调优,BP神经网络采用梯度下降法进行微调与优化。
4.根据权利要求1所述的一种基于深度信念网络的自动送钻方法,其特征在于:DBN的训练分为以下三步:
①将预处理后的数据作为训练样本输入到第一层RBM的可视层,利用对比散度算法来对第一层RBM网络进行训练,直到能量函数收敛;
②第一层RBM训练后,将网络参数固定,把第一层RBM隐含层当作第二个RBM的可视层;样本数据集经过第一层RBM抽取初步的特征数据,用于第二层RBM的输入,利用对比散度算法来对第二层RBM网络进行训练,直到能量函数收敛;
③计算实际输出和理论输出的误差,利用BP神经网络采用梯度下降法进行微调与优化。
5.根据权利要求1所述的一种基于深度信念网络的自动送钻方法,其特征在于:在传统的PID控制系统,构建了能够对比例、积分和微分这3个参数进行自学习的DBN-PID控制器,用于石油钻机自动送钻的钻压智能控制;DBN网络根据当前系统运行状态,在线计算使控制系统达到性能要求的PID参数,PID控制器直接作用于主控制器,主控制器输出给定的速度控制信号送给变频器,然后控制钻头钻压,最终使钻头的钻压会达到给定值;
u(k)=u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
其中,u(k)为PID控制响应输出信号,Kp为比例系数,Ki为积分系数,Kd为微分系数,e(k)为速度偏差。
6.根据权利要求1所述的一种基于深度信念网络的自动送钻方法,其特征在于:将希望钻压值与实际采集到的钻压值进行比较,然后进行反馈校正,最终使实际钻压等于或接近希望钻压,从而达到恒钻压送钻的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372123.XA CN112431585B (zh) | 2020-11-30 | 2020-11-30 | 一种基于深度信念网络的自动送钻方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372123.XA CN112431585B (zh) | 2020-11-30 | 2020-11-30 | 一种基于深度信念网络的自动送钻方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112431585A CN112431585A (zh) | 2021-03-02 |
CN112431585B true CN112431585B (zh) | 2023-09-29 |
Family
ID=74698014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011372123.XA Active CN112431585B (zh) | 2020-11-30 | 2020-11-30 | 一种基于深度信念网络的自动送钻方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112431585B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113338894B (zh) * | 2021-07-15 | 2023-06-02 | 西安石油大学 | 一种小型智能钻机的控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016432163A1 (en) * | 2016-12-14 | 2019-04-18 | Landmark Graphics Corporation | Automatic classification of drilling reports with deep natural language processing |
CN109670539A (zh) * | 2018-12-03 | 2019-04-23 | 中国石油化工股份有限公司 | 一种基于测井曲线深度学习的泥砂分层检测方法 |
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 |
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 |
WO2020046351A1 (en) * | 2018-08-30 | 2020-03-05 | Landmark Graphics Corporation | Automated rate of penetration optimization for drilling |
CN111396025A (zh) * | 2020-03-19 | 2020-07-10 | 成都维泰油气能源技术有限公司 | 控压钻井智能钻进控制、钻进异常识别和处理方法及系统 |
CN111520123A (zh) * | 2020-03-27 | 2020-08-11 | 中国石油化工股份有限公司石油工程技术研究院 | 一种机械钻速预测方法、装置及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200362686A1 (en) * | 2019-05-15 | 2020-11-19 | Schlumberger Technology Corporation | Machine Learning Drill Out System |
-
2020
- 2020-11-30 CN CN202011372123.XA patent/CN112431585B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016432163A1 (en) * | 2016-12-14 | 2019-04-18 | Landmark Graphics Corporation | Automatic classification of drilling reports with deep natural language processing |
WO2020046351A1 (en) * | 2018-08-30 | 2020-03-05 | Landmark Graphics Corporation | Automated rate of penetration optimization for drilling |
CN109670539A (zh) * | 2018-12-03 | 2019-04-23 | 中国石油化工股份有限公司 | 一种基于测井曲线深度学习的泥砂分层检测方法 |
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 |
CN111396025A (zh) * | 2020-03-19 | 2020-07-10 | 成都维泰油气能源技术有限公司 | 控压钻井智能钻进控制、钻进异常识别和处理方法及系统 |
CN111520123A (zh) * | 2020-03-27 | 2020-08-11 | 中国石油化工股份有限公司石油工程技术研究院 | 一种机械钻速预测方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
基于BP算法的自动送钻钻压优化控制技术研究;雷俊红;中国优秀硕士学位论文全文数据库;全文 * |
基于BP算法的自动送钻钻压优化控制技术研究;雷俊红等;西安文理学院学报:自然科学版;第11卷(第1期);第52-56页 * |
基于遗传算法的自动送钻钻压动态变化;张奇志;石油机械;第40卷(第4期);第8-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112431585A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807557A (zh) | 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 | |
US10519718B2 (en) | Systems and methods to control directional drilling for hydrocarbon wells | |
CN109670580A (zh) | 一种基于时间序列的数据修复方法 | |
US20210047910A1 (en) | Learning based bayesian optimization for optimizing controllable drilling parameters | |
CN112183993B (zh) | 一种tbm掘进控制参数智能预测及优化决策方法 | |
CN111812968B (zh) | 基于模糊神经网络pid控制器的阀位串级控制方法 | |
CN112431585B (zh) | 一种基于深度信念网络的自动送钻方法 | |
US11492892B2 (en) | Automated optimization of real-time data frequency for modeling drilling operations | |
Zhang et al. | An improved particle swarm algorithm to optimize PID neural network for pressure control strategy of managed pressure drilling | |
US20210071509A1 (en) | Deep intelligence for electric submersible pumping systems | |
US11480039B2 (en) | Distributed machine learning control of electric submersible pumps | |
US20220170360A1 (en) | Drilling method and drilling apparatus | |
CN111144053A (zh) | 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 | |
CN117350103A (zh) | 一种基于数字孪生系统的钻井参数优化方法及系统 | |
CN108538301A (zh) | 一种基于神经网络音频技术的智能数码乐器 | |
CN107035328A (zh) | 一种控压钻井节流回压控制的方法 | |
CN110486008A (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
Xue et al. | Gas well performance prediction using deep learning jointly driven by decline curve analysis model and production data | |
CN110486009A (zh) | 一种无限大地层的参数自动反求方法及系统 | |
US10354191B2 (en) | Linguistic goal oriented decision making | |
Muhammad et al. | Optimal sequential decision-making in geosteering: A reinforcement learning approach | |
CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 | |
CN114519291A (zh) | 工况监测和控制模型建立方法及其应用方法和装置 | |
CN112360341B (zh) | 基于机器学习的滑动定向钻井工具面状态辨识方法 |
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 |