CN112443319B - 一种井涌监测方法 - Google Patents
一种井涌监测方法 Download PDFInfo
- Publication number
- CN112443319B CN112443319B CN201910838782.9A CN201910838782A CN112443319B CN 112443319 B CN112443319 B CN 112443319B CN 201910838782 A CN201910838782 A CN 201910838782A CN 112443319 B CN112443319 B CN 112443319B
- Authority
- CN
- China
- Prior art keywords
- kick
- well
- curve
- monitoring
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 16
- 238000005553 drilling Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 7
- 239000002002 slurry Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002341 toxic gas Substances 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
- E21B47/00—Survey of boreholes or wells
- E21B47/10—Locating fluid leaks, intrusions or movements
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种井涌监测方法,其包括:步骤一、对获取到的待分析井的井涌监测数据进行预处理,根据所得到的预处理井涌监测数据分别确定各个井涌监测参数的实测曲线;步骤二、分别确定各个井涌监测参数的实测曲线与其不同理论井涌模式下的标准曲线之间的欧式距离和斜率距离,并根据欧式距离和斜率距离确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度;步骤三、根据各个井涌监测参数所对应的匹配度,通过多参数综合诊断确定待分析井是否发生井涌。相较于现有的井涌检测方法,本方法具有更高的监测精确度,其能够通过实时地数据匹配来判断待分析井是否发生井涌,从而有助于尽早发现溢流。
Description
技术领域
本发明涉及油气勘探开发技术领域,具体地说,涉及一种井涌监测方法。
背景技术
在开发油气田的钻井过程中,钻井安全是保证经济效益和人员安全的首要因素,保证安全钻井的核心是做好井涌监测工作。井涌如果不能及时被钻井人员发现,则可能会迅速发展为井喷。而在众多钻井事故中,井喷往往最为危险。
井喷不仅会造成钻井人员的伤亡和巨大的财产损失,还会造成环境污染,并影响周围农牧业的生产。同时,由井喷引发的有毒气体泄露、地层塌陷以及火灾还会威胁到事故井附近居民的生命安全,造成极其恶劣的社会影响。由此可见,井涌监测工作至关重要。
尽管研究人员提出了很多井涌监测方法,但很多方法不适用钻井现场的监测。目前现场井涌监测中采取的方法大多仍是以阈值判断为基础,而由于现场监测参数的高噪声特性,传统阈值监测方法在误报率与准确度之间难以兼顾。当阈值设定较高时,误报率低但易发生漏报;而阈值设定较低时,漏报率低但易发生误报。
因此,亟需一种更为精确智能的井涌监测方法。
发明内容
为解决上述问题,本发明提供了一种井涌监测方法,所述方法包括:
步骤一、对获取到的待分析井的井涌监测数据进行预处理,根据所得到的预处理井涌监测数据分别确定各个井涌监测参数的实测曲线;
步骤二、分别确定各个井涌监测参数的实测曲线与其不同理论井涌模式下的标准曲线之间的欧式距离和斜率距离,并根据所述欧式距离和斜率距离确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度;
步骤三、根据各个井涌监测参数所对应的匹配度,通过多参数综合诊断确定所述待分析井是否发生井涌。
根据本发明的一个实施例,所述井涌监测参数包括以下所列项中的至少一项:
流量差、泥浆池增量、套压、立压和机械钻速。
根据本发明的一个实施例,针对不同的井涌监测参数,采用不同的滤波算法来进行预处理,其中,
采用低通滤波算法对流量差数据进行预处理;
采用均值滤波算法对泥浆池增量数据、套压数据、立压数据和/或机械钻速数据进行预处理。
根据本发明的一个实施例,根据如下表达式确定各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离:
其中,DO表示欧式距离,S和S′分别表示各个井涌监测参数的实测曲线和标准曲线所对应的数据序列,yi表示实测曲线中第i个分段的分段终点处的井涌监测参数,y′i表示标准曲线中第i个分段的分段终点处的井涌监测参数,n表示实测曲线和标准曲线的分段总数。
根据本发明的一个实施例,在所述步骤二中,
分别获取实测曲线和标准曲线中各分段的起始时刻以及斜率;
根据各分段的起始时刻以及斜率确定各个井涌监测参数的实测曲线与其标准曲线之间的斜率距离。
根据本发明的一个实施例,根据如下表达式确定各个井涌监测参数的实测曲线与其标准曲线之间的斜率距离:
其中,DK表示斜率距离,S和S′分别表示各个井涌监测参数的实测曲线和标准曲线所对应的数据序列,Δti表示实测曲线中第i个分段的时长,ti表示实测曲线和标准曲线中第i个分段的的起始时刻,ki和k′i表示实测曲线和标准曲线中第i个分段的斜率,n表示实测曲线和标准曲线的分段总数。
根据本发明的一个实施例,在所述步骤二中,针对任一井涌监测参数,计算其欧式距离与斜率距离的乘积,得到该井涌监测参数的实测曲线与其标准曲线之间的匹配度。
根据本发明的一个实施例,在所述步骤三中,利用预设随机森林分类器来根据各个井涌监测参数所对应的匹配度生成井涌诊断值,并根据所述井涌诊断值确定所述待分析井是否发生井涌。
根据本发明的一个实施例,所述井涌诊断值为二值化值,
当井涌诊断值的取值为第一数值时,则判定所述待分析井发生井涌;
而当所述井涌诊断值的取值为第二数值时,判定所述待分析井不发生井涌。
本发明还提供了一种井涌监测装置,其特征在于,所述装置采用如上任一项所述的方法来确定待分析井是否发生井涌,其包括:
数据预处理模块,其用于对获取到的待分析井的井涌监测数据进行预处理,根据所得到的预处理井涌监测数据分别确定各个井涌监测参数的实测曲线;
匹配度生成模块,其与所述数据预处理模块连接,用于分别确定各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离和斜率距离,并根据所述欧式距离和斜率距离确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度;
井涌判别模块,其与所述匹配度生成模块连接,用于根据各个井涌监测参数所对应的匹配度,通过多参数综合诊断确定所述待分析井是否发生井涌。
相较于现有的井涌检测方法,本发明所提供的井涌监测方法及井涌监测装置具有更高的监测精确度,其能够通过实时地数据匹配来判断待分析井是否发生井涌,从而有助于尽早发现溢流。
同时,本方法以及装置通过对获取到的不同的井涌监测数据进行不同的预处理操作,这样也就使得井涌监测数据中的数据噪声对监测结果的影响极小,从而提高了监测结果的准确性以及可靠性。
此外,本方法在实时过程中,可以通过多种渠道来获取各个井涌监测参数不同理论井涌模式下的标准曲线,这样也就可以减小对计算机软件结果精确度的依赖,从而可以进行实时自动更新。另外,各个井涌监测参数不同理论井涌模式下的标准曲线还可以根据技术人员的经验自主设置,这有助于扩展本方法以及装置的应用范围。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明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的附图做简单的介绍:
图1是根据本发明一个实施例的井涌监测方法的实现流程示意图;
图2是根据本发明一个实施例的对于流量差数据的滤波效果对比图;
图3是根据本发明一个实施例的对于泥浆池增量数据的滤波效果对比图;
图4至图21分别示出了各个井涌监测参数在不同理论井涌模式下的标准曲线示意图;
图22是根据本发明一个实施例的井涌监测装置的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
同时,在以下说明中,出于解释的目的而阐述了许多具体细节,以提供对本发明实施例的彻底理解。然而,对本领域的技术人员来说显而易见的是,本发明可以不用这里的具体细节或者所描述的特定方式来实施。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
针对钻井现场中目前的井涌监测方法不能兼顾低误报率和低漏报率等缺点,本发明提供了一种新的井涌监测方法,该方法基于模式识别来实现钻井过程中的井涌监测,其能够考察井涌的发展过程并实现精确监测井涌。
图1示出了本实施例所提供的井涌监测方法的实现流程示意图。
如图1所示,本实施例所提供的井涌监测方法优选地会在步骤S101中对获取到的待分析井的井涌监测数据进行预处理,从而根据所得到的预处理井涌监测数据分别确定各个井涌监测参数的实测曲线。
本实施例中,该方法在步骤S101中所获取到的井涌监测参数优选的包括:流量差、泥浆池增量、套压、立压和机械钻速。当然,在本发明的其他实施例中,该方法在步骤S101中所获取到的井涌监测参数既可以仅包括以上所列项中的某一项或某几项,还可以包含其他未列出的合理项,抑或是以上所列项中的某一项或某几项与其他未列出的合理项的组合,本发明并不对此进行具体限定。
为了在去除数据噪声的同时最大限度地减少数据真实信号的损耗,本实施例中,该方法在步骤S101中对获取到的待分析井的井涌监测数据进行预处理的过程中,针对不同的井涌监测参数,优选地采用不同的滤波算法来进行预处理。
例如,对于流量差数据(例如进出口流量差数据),由于这类数据的数据波动较大,并且信号数据主要由高频噪声信号和低频真实信号组成,因此该方法采取低通滤波算法来得到较好的滤波效果。其中,图2示出了对于流量差数据的滤波效果对比图。
而对于泥浆池增量等其他据(例如套压数据、立压数据和/或机械钻速数据),由于这类波动程度较小,因此该方法采取均值滤波算法即可得到良好的滤波效果。其中,如图3示出了对于泥浆池增量数据的滤波效果对比图。
当然,在本发明的其他实施例中,根据不同的实际情况以及实际需要,该方法还可以采用其他合理方式来对所获取到的待分析井的井涌监测数据进行预处理,本发明并不对此进行具体限定。
如图1所示,本实施例中,在得到各个井涌监测参数的实测曲线后,该方法优选地会在步骤S102中分别确定各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离和斜率距离。
在基于时间序列的相似性度量中,欧式距离是基础的度量方法。然而,发明人通过研究分析发现,欧式距离虽然具有可以基于波动幅值表示曲线值的匹配程度的优点,但是其对序列形态辨识能力较差,易受噪声信息的干扰。
因此,本方法在确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度时,实现会确定各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离和斜率距离,然后再根据上述欧式距离和斜率距离来确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度。
图4至图21分别示出了各个井涌监测参数在不同理论井涌模式下的标准曲线示意图。本实施例中,各个井涌监测参数在不同理论井涌模式下的标准曲线优选地通过井涌模拟、文献调研、专家经验以及现场数据训练得到,其表征了理论上井涌发生时各监测参数随时间的变化规律。
假设井筒检测特征参数(即井涌监测参数)的实测时间数据序列为S,那么各个井涌监测参数的实测曲线所对应的数据序列S可以表示为:
S={(y0,y1,t1),(y1,y2,t2),...,(yi-1,yi,ti),...,(yn-1,yn,tn)} (1)
其中,(yi-1,yi,ti)表示实测曲线中第i个分段的分段数据,yi表示实测曲线中第i个分段的分段终点处的井涌监测参数。
同时,基于曲线斜率,各个井涌监测参数的实测曲线所对应的数据序列S还可以表示为:
S={(k1,t1),(k2,t2),...,(ki,ti),...,(kn,tn)} (2)
其中,ti表示实测曲线和标准曲线中第i个分段的的起始时刻。
本实施例中,该方法在步骤S102中可以根据如下表达式确定各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离:
其中,DO表示欧式距离,S和S′分别表示各个井涌监测参数的实测曲线和标准曲线所对应的数据序列,yi表示实测曲线中第i个分段的分段终点处的井涌监测参数,y′i表示标准曲线中第i个分段的分段终点处的井涌监测参数,n表示实测曲线和标准曲线的分段总数。
而在确定各个井涌监测参数的实测曲线与其标准曲线之间的斜率距离时,该方法在步骤S102优选地首先会分别获取实测曲线和标准曲线中各分段的起始时刻以及斜率,随后再根据各分段的起始时刻以及斜率确定各个井涌监测参数的实测曲线与其标准曲线之间的斜率距离。
例如,本实施例中,该方法优选地可以根据如下表达式确定各个井涌监测参数的实测曲线与其标准曲线之间的斜率距离:
其中,DK表示斜率距离,S和S′分别表示各个井涌监测参数的实测曲线和标准曲线所对应的数据序列,Δti表示实测曲线中第i个分段的时长,ti表示实测曲线和标准曲线中第i个分段的的起始时刻,ki和k′i表示实测曲线和标准曲线中第i个分段的斜率,n表示实测曲线和标准曲线的分段总数。
当然,在本发明的其他实施例中,根据实际需要,该方法还可以采用其他合理方式来确定各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离和/或斜率距离,本发明并不对此进行具体限定。
在步骤S103中,该方法会根据步骤S102中所得到的欧式距离和斜率距离来确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度。具体地,本实施例中,针对任一井涌监测参数,该方法可以通过计算其欧式距离与斜率距离的乘积,来得到该井涌监测参数的实测曲线与其标准曲线之间的匹配度。
例如,该方法可以根据如下表达式来确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度:
D=DO×DK (5)
其中,D表示井涌监测参数的实测曲线与其标准曲线之间的匹配度。
这样,针对于任一井涌监测参数来说,该方法也就能够得到其实测曲线与不同的理论井涌模式下的标准曲线之间的匹配度。
需要指出的是,在本发明的其他实施例中,该方法还可以采用其他合理方式来根据各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离和斜率距离确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度。
再次如图1所示,本实施例中,在得到各个井涌监测参数的实测曲线与其标准曲线之间的匹配度后,该方法也就可以在步骤S104中根据各个井涌监测参数所对应的匹配度,通过多参数综合诊断确定待分析井是否发生井涌。
具体地,本实施例中,该方法在步骤S104中优选地利用预设随机森林分类器来根据各个井涌监测参数所对应的匹配度生成井涌诊断值,并根据所述井涌诊断值来确定待分析井是否发生井涌。
随机森林分类器是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,而它的本质属于机器学习的一大分支—集成学习(Ensemble Learning)方法。
利用随机森林来实现多参数的井涌监测主要过过程包括:
步骤a、获得较多的井涌和非井涌数据集,井涌和非井涌样本按照1:1;
步骤b、对数据进行预处理(滤波),并训练得到井涌分类器;
步骤c、将训练得到的井涌分类器视为井涌诊断模型,可对新的数据进行分类判别,智能识别是否为井涌案例,换言之,可智能监测井涌是否发发生。
本实施例中,在步骤S104中,该方法将新的数据输入到井涌诊断模型中,通过计算,井涌诊断模型(即随机森林分类器)也就可以输出井涌诊断值,继而根据井涌诊断值也就可以判断出待分析井是否发生井涌。
本实施例中,井涌诊断值优选地为二值化值。其中,当井涌诊断值的取值为第一数值时,该方法则会判定待分析井发生井涌;而当井涌诊断值的取值为第二数值时,该方法则会判定待分析井不发生井涌。
上述第一数值优选地排位置为1,第二数据数值优选地配置为0。当然,在本发明的不同实施例中,上述第一数值和第二数据还可以配置为其他合理的能够进行区分的数值,本发明并不对上述第一数值和第二数据数值的具体取值进行限定。
不同于概率形式的结果,本方法通过二值化的井涌诊断值给出了准确的判别结果,这样也就避免了人工设定概率阈值时进一步带来的误差。
本发明还提供了一种井涌监测装置,该井涌监测装置采用如上所述的方法来确定待分析井是否发生井涌。图22示出来本实施例所提供的井涌监测装置的结构示意图。
如图22所示,本实施例所提供的井涌监测装置优选地包括:数据预处理模块2201、匹配度生成模块2202和井涌判别模块2203。
数据预处理模块2201用于对获取到的待分析井的井涌监测数据进行预处理,根据所得到的预处理井涌监测数据分别确定各个井涌监测参数的实测曲线。
匹配度生成模块2202与数据预处理模块2201连接,其能够分别确定出各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离和斜率距离,并根据上述欧式距离和斜率距离来确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度。
井涌判别模块2203与匹配度生成模块2202连接,用于根据各个井涌监测参数所对应的匹配度,通过多参数综合诊断确定所述待分析井是否发生井涌。
需要指出的是,数据预处理模块2201、匹配度生成模块2202和井涌判别模块2203实现其各自功能的原理以及过程与上述步骤S101至步骤S104所阐述的内容类似,故在此不再对数据预处理模块2201、匹配度生成模块2202和井涌判别模块2203的具体内容进行赘述。
从上述描述中可以看出,相较于现有的井涌检测方法,本发明所提供的井涌监测方法及井涌监测装置具有更高的监测精确度,其能够通过实时地数据匹配来判断待分析井是否发生井涌,从而有助于尽早发现溢流。
同时,本方法以及装置通过对获取到的不同的井涌监测数据进行不同的预处理操作,这样也就使得井涌监测数据中的数据噪声对监测结果的影响极小,从而提高了监测结果的准确性以及可靠性。
此外,本方法在实时过程中,可以通过多种渠道来获取各个井涌监测参数不同理论井涌模式下的标准曲线,这样也就可以减小对计算机软件结果精确度的依赖,从而可以进行实时自动更新。另外,各个井涌监测参数不同理论井涌模式下的标准曲线还可以根据技术人员的经验自主设置,这有助于扩展本方法以及装置的应用范围。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构或处理步骤,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
虽然上述示例用于说明本发明在一个或多个应用中的原理,但对于本领域的技术人员来说,在不背离本发明的原理和思想的情况下,明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此,本发明由所附的权利要求书来限定。
Claims (6)
1.一种井涌监测方法,其特征在于,所述方法包括:
步骤一、对获取到的待分析井的井涌监测数据进行预处理,根据所得到的预处理井涌监测数据分别确定各个井涌监测参数的实测曲线;
步骤二、分别确定各个井涌监测参数的实测曲线与其不同理论井涌模式下的标准曲线之间的欧式距离和斜率距离,并根据所述欧式距离和斜率距离确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度;
步骤三、根据各个井涌监测参数所对应的匹配度,通过多参数综合诊断确定所述待分析井是否发生井涌;
所述井涌监测参数包括以下所列项中的至少一项:流量差、泥浆池增量、套压、立压和机械钻速;
针对不同的井涌监测参数,采用不同的滤波算法来进行预处理,其中,采用低通滤波算法对流量差数据进行预处理;采用均值滤波算法对泥浆池增量数据、套压数据、立压数据和/或机械钻速数据进行预处理;
在所述步骤二中,针对任一井涌监测参数,计算其欧式距离与斜率距离的乘积,得到该井涌监测参数的实测曲线与其标准曲线之间的匹配度;
在所述步骤三中,利用预设随机森林分类器来根据各个井涌监测参数所对应的匹配度生成井涌诊断值,并根据所述井涌诊断值确定所述待分析井是否发生井涌。
2.如权利要求1所述的方法,其特征在于,根据如下表达式确定各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离:
其中,表示欧式距离,/>和/>分别表示各个井涌监测参数的实测曲线和标准曲线所对应的数据序列,/>表示实测曲线中第/>个分段的分段终点处的井涌监测参数,/>表示标准曲线中第/>个分段的分段终点处的井涌监测参数,/>表示实测曲线和标准曲线的分段总数。
3.如权利要求1~2中任一项所述的方法,其特征在于,在所述步骤二中,
分别获取实测曲线和标准曲线中各分段的起始时刻以及斜率;
根据各分段的起始时刻以及斜率确定各个井涌监测参数的实测曲线与其标准曲线之间的斜率距离。
4.如权利要求3所述的方法,其特征在于,
根据如下表达式确定各个井涌监测参数的实测曲线与其标准曲线之间的斜率距离:
其中,表示斜率距离,/>和/>分别表示各个井涌监测参数的实测曲线和标准曲线所对应的数据序列,/>表示实测曲线中第/>个分段的时长,/>表示实测曲线和标准曲线中第/>个分段的起始时刻,/>和/>表示实测曲线和标准曲线中第/>个分段的斜率,/>表示实测曲线和标准曲线的分段总数。
5.如权利要求1所述的方法,其特征在于,所述井涌诊断值为二值化值,
当井涌诊断值的取值为第一数值时,则判定所述待分析井发生井涌;
而当所述井涌诊断值的取值为第二数值时,判定所述待分析井不发生井涌。
6.一种井涌监测装置,其特征在于,所述装置采用如权利要求1~5中任一项所述的方法来确定待分析井是否发生井涌,其包括:
数据预处理模块,其用于对获取到的待分析井的井涌监测数据进行预处理,根据所得到的预处理井涌监测数据分别确定各个井涌监测参数的实测曲线;
匹配度生成模块,其与所述数据预处理模块连接,用于分别确定各个井涌监测参数的实测曲线与其标准曲线之间的欧式距离和斜率距离,并根据所述欧式距离和斜率距离确定各个井涌监测参数的实测曲线与其标准曲线之间的匹配度;
井涌判别模块,其与所述匹配度生成模块连接,用于根据各个井涌监测参数所对应的匹配度,通过多参数综合诊断确定所述待分析井是否发生井涌。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838782.9A CN112443319B (zh) | 2019-09-05 | 2019-09-05 | 一种井涌监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838782.9A CN112443319B (zh) | 2019-09-05 | 2019-09-05 | 一种井涌监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112443319A CN112443319A (zh) | 2021-03-05 |
CN112443319B true CN112443319B (zh) | 2024-01-30 |
Family
ID=74733012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910838782.9A Active CN112443319B (zh) | 2019-09-05 | 2019-09-05 | 一种井涌监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112443319B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153881A (zh) * | 2016-03-03 | 2017-09-12 | 中国石油化工股份有限公司 | 一种钻井风险的预测方法 |
CN107292754A (zh) * | 2016-03-31 | 2017-10-24 | 中国石油化工股份有限公司 | 一种钻井风险预测系统 |
CN108020838A (zh) * | 2016-11-02 | 2018-05-11 | 惠州市德赛西威汽车电子股份有限公司 | 一种毫米波雷达信号在自适应巡航中的处理方法 |
CN108561127A (zh) * | 2018-03-26 | 2018-09-21 | 上海电力学院 | 一种基于随机模拟的地层压力预测方法 |
CN109281657A (zh) * | 2018-10-23 | 2019-01-29 | 成都安亨达信息技术咨询有限公司 | 一种深海钻井气侵检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7334651B2 (en) * | 2004-07-21 | 2008-02-26 | Schlumberger Technology Corporation | Kick warning system using high frequency fluid mode in a borehole |
-
2019
- 2019-09-05 CN CN201910838782.9A patent/CN112443319B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153881A (zh) * | 2016-03-03 | 2017-09-12 | 中国石油化工股份有限公司 | 一种钻井风险的预测方法 |
CN107292754A (zh) * | 2016-03-31 | 2017-10-24 | 中国石油化工股份有限公司 | 一种钻井风险预测系统 |
CN108020838A (zh) * | 2016-11-02 | 2018-05-11 | 惠州市德赛西威汽车电子股份有限公司 | 一种毫米波雷达信号在自适应巡航中的处理方法 |
CN108561127A (zh) * | 2018-03-26 | 2018-09-21 | 上海电力学院 | 一种基于随机模拟的地层压力预测方法 |
CN109281657A (zh) * | 2018-10-23 | 2019-01-29 | 成都安亨达信息技术咨询有限公司 | 一种深海钻井气侵检测系统 |
Non-Patent Citations (1)
Title |
---|
杨东援等.《大数据环境下城市交通分析技术》.同济大学出版社,2015,第184-187页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112443319A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110867196B (zh) | 一种基于深度学习及声音识别的机器设备状态监测系统 | |
CN108388921A (zh) | 一种基于随机森林的溢流漏失实时识别方法 | |
CN112763213B (zh) | 一种过滤机水环真空泵轴承故障诊断方法 | |
CN108506736A (zh) | 一种入侵信号诊断系统和方法 | |
CN115083123B (zh) | 一种以实测数据为驱动的矿井煤自燃智能分级预警方法 | |
CN112258362B (zh) | 危险源识别方法、系统及可读存储介质 | |
CN105654645A (zh) | 一种光纤安防信号处理方法及系统 | |
CN115331391A (zh) | 分布式结构振动监测数据智能化报警与恢复方法 | |
CN110956155B (zh) | 基于co数据的综采工作面作业工序模糊聚类识别方法 | |
CN112985574A (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
CN112541480A (zh) | 一种隧道异物入侵事件在线识别方法及系统 | |
CN115017206A (zh) | 一种矿井co异常扰动智能识别及煤自燃预警值确定方法 | |
CN106706119B (zh) | 一种基于信号频域特征的振动源识别方法及系统 | |
CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN109902265B (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
CN112443319B (zh) | 一种井涌监测方法 | |
CN113326661B (zh) | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 | |
CN111539394B (zh) | 基于时域特征与时空信息的管道沿线第三方施工预警方法 | |
CN110991363B (zh) | 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 | |
CN116186642B (zh) | 一种基于多维特征融合的分布式光纤传感事件预警方法 | |
CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
CN111126192A (zh) | 一种基于深度学习煤矿井下物体状态识别系统 | |
CN113685166B (zh) | 一种钻井事故预警方法及系统 | |
CN114186581A (zh) | 基于mfcc和扩散化高斯混合模型的电缆隐患识别方法及装置 | |
CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 |
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 |