CN112796747B - 基于多目标的油气钻井策略预测方法及装置 - Google Patents
基于多目标的油气钻井策略预测方法及装置 Download PDFInfo
- Publication number
- CN112796747B CN112796747B CN202110232999.2A CN202110232999A CN112796747B CN 112796747 B CN112796747 B CN 112796747B CN 202110232999 A CN202110232999 A CN 202110232999A CN 112796747 B CN112796747 B CN 112796747B
- Authority
- CN
- China
- Prior art keywords
- oil
- gas drilling
- sub
- strategies
- groups
- 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
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种基于多目标的油气钻井策略预测方法及装置,其中该方法包括:根据用户输入的油气钻井参数及多个不同类型的目标优化子模型,得到多个子模型优化结果;根据预设的控制参数组合,以及多个子模型优化结果,得到多组初步的油气钻井策略;基于预设的交叉率和变异率,根据多组初步的油气钻井策略及其对应的子模型目标值,调用多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略;根据预先建立的综合目标函数,对多组协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略。本发明可以实现高效精确地进行油气钻井策略预测,从而实现更加高效、安全和低成本地钻井,为油气钻井提供科学有效的指导。
Description
技术领域
本发明涉及油气钻井领域技术领域,尤其涉及基于多目标的油气钻井策略预测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前在油气钻井领域已有许多单目标的优化系统如机械钻速优化系统、摩阻扭矩优化系统、钻井液优化系统等。这些子优化系统虽然一定程度上提高了钻井的效率、降低了成本,但是由于钻井过程复杂,多个参数之间互相关联,多个目标之间相互影响,一个参数的改变往往伴随着其他多个目标函数的改变,因此基于多目标对钻井过程中的控制变量进行综合决策是一个至关重要的工作。目前尚没有高效精确的基于多目标的油气钻井策略预测方案。
发明内容
本发明实施例提供一种基于多目标的油气钻井策略预测方法,用以高效精确地进行油气钻井策略预测,该方法包括:
接收用户输入的油气钻井参数;
根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果;
根据预设的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略;
基于预设的交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略;
根据预先建立的综合目标函数,对所述多组协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略。
本发明实施例还提供一种基于多目标的油气钻井策略预测装置,用以高效精确地进行油气钻井策略预测,该装置包括:
接收单元,用于接收用户输入的油气钻井参数;
子模型优化单元,用于根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果;
初步策略确定单元,用于根据预设的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略;
策略协同优化处理单元,用于基于预设的交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略;
预测单元,用于根据预先建立的综合目标函数,对所述多组协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于多目标的油气钻井策略预测方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述基于多目标的油气钻井策略预测方法的计算机程序。
本发明实施例提供的基于多目标的油气钻井策略预测方案,通过:接收用户输入的油气钻井参数;根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果;根据预设的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略;基于预设的交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略;根据预先建立的综合目标函数,对所述多组协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略,可以实现高效精确地进行油气钻井策略预测,从而实现更加高效、安全和低成本地钻井,为油气钻井提供科学有效的指导。
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使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中基于多目标的油气钻井策略预测方法的流程示意图;
图2为本发明又一实施例中基于多目标的油气钻井策略预测方法的流程示意图;
图3为本发明实施例中基于多目标的油气钻井策略预测的原理示意图一;
图4为本发明实施例中基于多目标的油气钻井策略预测的原理示意图二;
图5为本发明实施例中基于多目标的油气钻井策略预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在石油钻井领域,基于多个子系统进行多目标协同优化工程参数的研究,有些学者基于多个参数建立了多元钻速方程和钻井成本方程,根据物理机理确定约束条件,采用多元非线性规划方法对钻井参数进行了综合决策。有些学者采用多目标可靠性优化方法对钻头进尺、机械钻速、钻头寿命进行有综合优化决策。有些学者基于最优化方法综合考虑成本和钻速对PDC钻头的钻进参数进行了优化。
传统的非线性回归、最优化方法等计算速度慢,模型复杂度高,且要求子模型可导,因此不适合求解复杂输入输出的优化问题。对于特别复杂的问题,传统的最优化方法的计算时间甚至需要以年为单位。智能优化方法如粒子群算法、非支配遗传算法等可以克服传统优化方法的弊端,不仅不要求子模型可导,且计算速度极快,是目前多目标优化方法的重要研究方向。
智能优化方法的应用我国近些年来也开展了相关的研究。有些学者基于NSGA2对机械钻速、钻头寿命、钻头比能为组合的多目标优化模型,但所使用的子模型依然全部为基于物理建立的方程。以上研究国内很多学者都相继开展了研究,例如有些学者改用粒子群算法进行了优化。
由此可看出,虽然基于智能优化算法国内已经做了大量的研究,但智能优化模型的决策精度严重依赖与子模型的精度,若子模型的精度较差势必造成决策效果不可用。而基于人工智能算法建立的子模型往往具有较高的精度,为智能协同优化奠定了基础。但前人所建立的协同优化模型大多还仅仅局限于多个物理子模型(物理子模型可以如杨格钻速方程、机械比能计算公式等)的协同,基于人工智能建立的子模型(如基于神经网络的钻速预测模型和摩阻扭矩预测模型等)与传统模型相比具有更高的精度和计算效率,基于智能子模型进行协同优化决策效果更高,但目前基于智能模型使用智能优化方法进行的研究较少,本发明实施例提供了一种基于多个人工智能子模型的钻井参数协同优化方法。
通过上述可知现有技术存在的缺点是:现有的基于智能协同优化方法所建立的决策模型都依赖于基于物理机理建立的多元方程子模型。而多元方程子模型往往精度低、适应性差,因此虽然基于较为先进的智能优化方法来进行优化决策,但子模型的问题还是无法避免。
由于发明人考虑到了现有技术存在的技术问题,因此提出了一种基于多目标的油气钻井策略预测方案,即为一种基于智能子模型的协同优化方法,智能子模型往往精度要远高于基于物理方程建立的子模型。除此之外,本发明实施例还根据综合目标函数对非支配排序计算后的帕累托前沿进行二次评价,形成最终推荐最优工程参数。即解决了如下技术问题:智能子模型与智能协同优化模型(可以设置在协同优化决策模块中)的结合;基于综合决策目标函数(综合目标函数)对优化方案的评价以及推荐。下面对该基于多目标的油气钻井策略预测方案进行详细介绍如下。
图1为本发明实施例中基于多目标的油气钻井策略预测方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤101:接收用户输入的油气钻井参数;
步骤103:根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果;
步骤105:根据预设的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略;
步骤107:基于预设的交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略;
步骤109:根据预先建立的综合目标函数,对所述多组协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略。
本发明可以实现高效精确地进行油气钻井策略预测,从而实现更加高效、安全和低成本的钻井,为油气钻井提供科学有效的指导。
在一个实施例中,如图2所示,在接收用户输入的油气钻井参数之后,还可以包括步骤102:设置临时变量,对所述油气钻井参数进行预处理,得到预处理后的油气钻井参数;
根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果,可以包括:根据所述预处理后的油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果。
具体实施时,对所述油气钻井参数进行预处理后,进而得到多个子模型优化结果,可以进一步提高油气钻井策略预测的效率和准确率。
在一个实施例中,在根据预设的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略之后,还可以包括:对多组初步的油气钻井策略进行去异常值和去重复值操作预处理,得到操作预处理后的多组初步的油气钻井策略;
基于预设的交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略,可以包括:基于预设的交叉率和变异率,根据所述操作预处理后的多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略。
具体实施时,对多组初步的油气钻井策略进行去异常值和去重复值操作预处理后,进而得到多组协同优化后的油气钻井策略,可以进一步提高油气钻井策略预测的效率和准确率。
在一个实施例中,根据预先建立的综合目标函数,对所述多组协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略,可以包括:根据预先建立的综合目标函数,按照各个协同优化后的油气钻井策略的控制参数状态以及子模型目标值进行评价处理,得到每个协同优化后的油气钻井策略的评分处理结果,根据评分处理结果对各个协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略,将多组最优的油气钻井策略提供给油气钻井现场操作人员。
具体实施时,对上述得到多组最优的油气钻井策略,可以进一步提高油气钻井策略预测的效率和准确率。
为了便于理解本发明如何实施,下面结合附图3和图4对本发明实施例提供方法进行详细介绍。
如图3所示,本发明实施例提供的基于多目标的油气钻井策略预测方法可以通过以下模块实现:控制参数约束模块、参数管理模块(可以包括下面实施例所述的接收单元、初步策略确定单元、参数预处理单元和策略预处理单元等)、子模型模块(可以为下面实施例所述的子模型优化单元)、协同优化决策模块(可以为下面实施例所述的策略协同优化处理单元)和参数评价模块(可以为下面实施例所述的预测单元);其中:控制参数约束模块的作用包括:用户设置控制阈值,控制参数在阈值内随机自动生成,主要实现了生成预设的控制参数组合;参数管理模块的作用包括:接收外部输入数据以及各模块的输出数据进行统一管理,按照各个子模块的需求将数据进行处理合并后再按需传递给各个子模块,例如:接收用户输入的油气钻井参数,将用户输入的油气钻井参数输入子模型模块,根据预设的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略,设置临时变量,对所述油气钻井参数进行预处理,得到预处理后的油气钻井参数,对多组初步的油气钻井策略进行去异常值和去重复值操作预处理,得到操作预处理后的多组初步的油气钻井策略等;子模型模块的作用包括:用户按照自己的需求部署智能子模型,子模型只需要提供数据输入、输出接口即可,子模型模块中包括多个不同类型的目标优化子模型,例如图4中的钻速预测(钻速预测目标优化子模型),溢流评价(溢流评价目标优化子模型),摩阻监测(摩阻监测目标优化子模型)等,该子模型模块可以实现例如根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果等;协同优化决策模块的作用包括:基于NSGA2等智能算法对钻井决策方案进行优化,例如基于预设的交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略;参数评价模块的作用包括:基于系统内定或用户自定的目标函数对各个决策方案进行目标值的计算从而评价、排序、推荐,例如根据预先建立的综合目标函数,对所述多组协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略。下面对上述模块和单元的作用进行详细介绍。
①控制参数约束模块:根据用户需求设置控制参数并根据设备的实际情况输入控制参数的约束范围;接收协同优化决策模块设置的总样本数,并在约束条件下生成预期数量的控制参数并传送给参数模块。
②参数管理模块:基于多个子模型确定除优化参数之外的所有输入参数,接收用户输入的参数文件(参数文件中的参数在钻井的过程中一经确定就不再改变,如地质参数、钻具组合、钻头大小等,油气钻井参数)以及控制参数约束模块生成的控制参数(如钻压、转速、泵压、排量等,控制参数组合)并统一管理。用户输入参数口通过参数输入模块分配给各个子模型,但由于各个子模型对数据的预处理方式不一样,如基于最大值最小是归一化处理、基于均值方差归一化处理等,因此在将数据传送给子模型时,还需要设置临时变量对数据进行处理而不改变原数据(原始数据经归一化等方法处理后再输入神经网络模型(目标优化子模型),可有效地提高人工智能模型的精度,为了不改变原参数设置临时变量)。参数管理模块接收子模型模块的计算结果后,将控制参数、子模型计算结果(多个子模型优化结果)进行合并(参数文件中的参数和经过优化后得出的参数进行组合),传送给协同优化决策模块进行控制参数优化过程。一般来说在参数的迭代过程中,难免会出现决策方案的异常或重复,参数管理模块在接收到最终的决策方案(多组初步的油气钻井策略)后,还需要对决策方案进行去异常值、去重复值等操作预处理后,再将其与原始输入参数合并,最后输送给参数评价模块。
③子模型模块:用户根据需求(如钻速和摩阻协同优化、钻速和井底清洁度的协同优化、钻速和延伸极限的协同优化等)在优化模型中部署需要进行协同优化的子模型(子模型为根据机器学习、深度学习等算法建立起来的智能模型),子模型只需留存数据输入和输出接口,子模型内部可以完全封装,可以完全避免子模型之间的交叉和冲突,保证模型的稳定性和高效性。在计算的过程中子模型接收经过参数管理模块预处理后的输入参数,经过各子模块计算后将子模型的输出参数传送给参数管理模块进行统一管理和分配。
④协同优化决策模块:设置协同优化决策模块的迭代次数、每次迭代的总样本、交叉率、变异率。协同优化模块(协同优化决策模块)接收由参数管理模块传递的多组钻井方案(多组初步的油气钻井策略)以及其对应的子模型目标值;基于设置的交叉率和变异率对目前的所有钻井方案进行处理生成一批新的钻井方案,并调用子模型模块进行计算,计算后方案与原方案进行合并(参数文件中参数与多目标优化后的控制参数一一对应组合),形成总的钻井决策方案。协同优化模块基于各方案的子模型目标值,进行帕累托前沿和拥挤度计算,从多种方案中初步计算出较优的设置好的总样本数量的钻井方案,并将其再次传送给协同优化模块进行迭代直至达到迭代次数,达到迭代次数后,即满足预设迭代条件后,将最终的参数方案(协同优化后的油气钻井策略)以及对应的子模型目标值传送给参数管理模块。
⑤参数评价模块:参数评价模块在接收到由数据管理模块传送过来的最终决策方案(协同优化后的油气钻井策略)后,按照各个方案的控制参数状态以及子目标函数值进行评价最终得出每个方案的评分并进行排序,根据得分将排名靠前的10种作业方案(多组最优的油气钻井策略)推荐给现场操作人员。
通过上述可知,本发明实施例提供的基于多目标的油气钻井策略预测方法的关键点:提出了将智能子模型和智能优化模型(可以设置在协同优化决策模块中)结合的综合决策方案。其欲保护点主要包括:a、将智能子模型和智能优化模型结合的决策方法;b、并且在最终的决策过程中,加入了综合目标函数(比如钻速×0.7+摩阻×0.3这样的一个线性或非线性方程)对钻井参数方案进行二次评价,得到多组最优的油气钻井策略。
综上,本发明实施例提供的基于多目标的油气钻井策略预测方法为一种基于智能子模型的钻井过程中决策参数智能优化的方法。本发明实施例提供的基于多目标的油气钻井策略预测方法与其他方法相比具有更高的计算效率和精度,从而实现更加高效、安全、低成本的钻井。
本发明实施例中还提供了一种基于多目标的油气钻井策略预测装置,如下面的实施例所述。由于该装置解决问题的原理与基于多目标的油气钻井策略预测方法相似,因此该装置的实施可以参见基于多目标的油气钻井策略预测方法的实施,重复之处不再赘述。
图5为本发明实施例中基于多目标的油气钻井策略预测装置的结构示意图,如图5所示,该装置包括:
接收单元01,用于接收用户输入的油气钻井参数;
子模型优化单元03,用于根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果;
初步策略确定单元05,用于根据预设的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略;
策略协同优化处理单元07,用于基于预设的交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略;
预测单元09,用于根据预先建立的综合目标函数,对所述多组协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略。
在一个实施例中,基于多目标的油气钻井策略预测装置还可以包括:参数预处理单元,用于设置临时变量,对所述油气钻井参数进行预处理,得到预处理后的油气钻井参数;
所述子模型优化单元具体可以用于:根据所述预处理后的油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果。
在一个实施例中,基于多目标的油气钻井策略预测装置还可以包括:策略预处理单元,用于对多组初步的油气钻井策略进行去异常值和去重复值操作预处理,得到操作预处理后的多组初步的油气钻井策略;
所述策略协同优化处理单元具体用于:基于预设的交叉率和变异率,根据所述操作预处理后的多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略。
在一个实施例中,所述预测单元具体用于:根据预先建立的综合目标函数,按照各个协同优化后的油气钻井策略的控制参数状态以及子模型目标值进行评价处理,得到每个协同优化后的油气钻井策略的评分处理结果,根据评分处理结果对各个协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略,将多组最优的油气钻井策略提供给油气钻井现场操作人员。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于多目标的油气钻井策略预测方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述基于多目标的油气钻井策略预测方法的计算机程序。
本发明实施例提供的基于多目标的油气钻井策略预测方案,通过:接收用户输入的油气钻井参数;根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果;根据预设的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略;基于预设的交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略;根据预先建立的综合目标函数,对所述多组协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略,可以实现高效精确地进行油气钻井策略预测,从而实现更加高效、安全和低成本的钻井,为油气钻井提供科学有效的指导。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多目标的油气钻井策略预测方法,其特征在于,包括:
接收用户输入的油气钻井参数;所述油气钻井参数包括:地质参数、钻具组合及钻头大小;
根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果;
根据预设的由钻压、转速、泵压及排量组成的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略;其中,子模型为根据深度学习算法建立的智能模型;
基于预设的迭代次数、每次迭代的总样本数、交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,达到迭代次数后得到多组协同优化后的油气钻井策略;
根据预先建立的综合目标函数,按照各个协同优化后的油气钻井策略的控制参数状态以及子模型目标值进行评价处理,得到每个协同优化后的油气钻井策略的评分处理结果,根据评分处理结果对各个协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略,将多组最优的油气钻井策略提供给油气钻井现场操作人员。
2.如权利要求1所述的基于多目标的油气钻井策略预测方法,其特征在于,在接收用户输入的油气钻井参数之后,还包括:设置临时变量,对所述油气钻井参数进行预处理,得到预处理后的油气钻井参数;
根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果,包括:根据所述预处理后的油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果。
3.如权利要求1所述的基于多目标的油气钻井策略预测方法,其特征在于,在根据预设的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略之后,还包括:对多组初步的油气钻井策略进行去异常值和去重复值操作预处理,得到操作预处理后的多组初步的油气钻井策略;
基于预设的交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略,包括:基于预设的交叉率和变异率,根据所述操作预处理后的多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略。
4.一种基于多目标的油气钻井策略预测装置,其特征在于,包括:
接收单元,用于接收用户输入的油气钻井参数;所述油气钻井参数包括:地质参数、钻具组合及钻头大小;
子模型优化单元,用于根据所述油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果;
初步策略确定单元,用于根据预设的由钻压、转速、泵压及排量组成的控制参数组合,以及所述多个子模型优化结果,得到多组初步的油气钻井策略;其中,子模型为根据深度学习算法建立的智能模型;
策略协同优化处理单元,用于基于预设的迭代次数、每次迭代的总样本数、交叉率和变异率,根据所述多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,达到迭代次数后得到多组协同优化后的油气钻井策略;
预测单元,用于根据预先建立的综合目标函数,按照各个协同优化后的油气钻井策略的控制参数状态以及子模型目标值进行评价处理,得到每个协同优化后的油气钻井策略的评分处理结果,根据评分处理结果对各个协同优化后的油气钻井策略进行排序处理,得到多组最优的油气钻井策略,将多组最优的油气钻井策略提供给油气钻井现场操作人员。
5.如权利要求4所述的基于多目标的油气钻井策略预测装置,其特征在于,还包括:参数预处理单元,用于设置临时变量,对所述油气钻井参数进行预处理,得到预处理后的油气钻井参数;
所述子模型优化单元具体用于:根据所述预处理后的油气钻井参数,以及预先建立的多个不同类型的目标优化子模型,得到多个子模型优化结果。
6.如权利要求4所述的基于多目标的油气钻井策略预测装置,其特征在于,还包括:策略预处理单元,用于对多组初步的油气钻井策略进行去异常值和去重复值操作预处理,得到操作预处理后的多组初步的油气钻井策略;
所述策略协同优化处理单元具体用于:基于预设的交叉率和变异率,根据所述操作预处理后的多组初步的油气钻井策略及其对应的子模型目标值,调用所述多个子模型,进行策略协同优化处理,得到多组协同优化后的油气钻井策略。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3任一所述方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至3任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232999.2A CN112796747B (zh) | 2021-03-03 | 2021-03-03 | 基于多目标的油气钻井策略预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232999.2A CN112796747B (zh) | 2021-03-03 | 2021-03-03 | 基于多目标的油气钻井策略预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112796747A CN112796747A (zh) | 2021-05-14 |
CN112796747B true CN112796747B (zh) | 2022-12-30 |
Family
ID=75816324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110232999.2A Active CN112796747B (zh) | 2021-03-03 | 2021-03-03 | 基于多目标的油气钻井策略预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112796747B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663203B (zh) * | 2023-07-28 | 2023-10-27 | 昆仑数智科技有限责任公司 | 钻进参数优化方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010009085A2 (en) * | 2008-07-14 | 2010-01-21 | Baker Hughes Incorporated | System, program product, and related methods for bit design optimization and selection |
CN103177185B (zh) * | 2013-03-13 | 2016-04-06 | 中国石油大学(北京) | 一种pdc钻头钻进参数多目标优化方法及装置 |
CN111425170B (zh) * | 2019-01-08 | 2022-07-05 | 中国石油天然气集团有限公司 | 基于多目标优化的钻井射孔套管多目标设计方法及装置 |
CN110348045B (zh) * | 2019-05-29 | 2021-03-26 | 长江大学 | 一种基于改进型锯齿遗传算法的页岩气钻井参数优选方法 |
CN110321605A (zh) * | 2019-06-19 | 2019-10-11 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于多重模型预测控制的人机交互协调控制策略 |
CN111520123B (zh) * | 2020-03-27 | 2021-03-02 | 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 |
CN111878055B (zh) * | 2020-07-09 | 2022-03-25 | 中国石油大学(北京) | 钻头钻速的控制系统以及控制方法 |
-
2021
- 2021-03-03 CN CN202110232999.2A patent/CN112796747B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112796747A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
D’addona et al. | Genetic algorithm-based optimization of cutting parameters in turning processes | |
CN110110419B (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
CN110488754B (zh) | 一种基于ga-bp神经网络算法的机床自适应控制方法 | |
CN113689055B (zh) | 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法 | |
KR102229859B1 (ko) | 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템 | |
CN112183993B (zh) | 一种tbm掘进控制参数智能预测及优化决策方法 | |
US11693394B2 (en) | Systems and methods for automated prediction of machining workflow in computer aided manufacturing | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN104156560A (zh) | 一种基于SaE-ELM的煤矿多等级突水预测方法 | |
CN112796747B (zh) | 基于多目标的油气钻井策略预测方法及装置 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
Jabri et al. | Multi-objective optimization using genetic algorithms of multi-pass turning process | |
CN116934220A (zh) | 一种基于智能数据分析和算法优化的智慧仓储布局方法 | |
Schafhirt et al. | Reanalysis of jacket support structure for computer-aided optimization of offshore wind turbines with a genetic algorithm | |
CN114896903A (zh) | 一种基于强制学习的油田生产系统决策优化方法 | |
CN111144001A (zh) | 一种基于bp神经网络的矿山井筒工程tbm控制方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN114302418A (zh) | 网元设备性能的检测方法、装置及计算机可读介质 | |
CN110795888A (zh) | 一种石油钻井风险预测方法 | |
Wang et al. | Time series analysis of production decline in carbonate reservoirs with machine learning | |
Cao et al. | Feature investigation on the ROP machine learning model using realtime drilling data | |
Tan et al. | An improved genetic fuzzy logic control method to reduce the enlargement of coal floor deformation in shearer memory cutting process | |
CN107506831A (zh) | 爆破参数确定方法及系统 | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 |
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 |