CN112990580A - 基于贝叶斯算法的钻井溢流预警方法、系统及存储介质 - Google Patents
基于贝叶斯算法的钻井溢流预警方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112990580A CN112990580A CN202110283778.8A CN202110283778A CN112990580A CN 112990580 A CN112990580 A CN 112990580A CN 202110283778 A CN202110283778 A CN 202110283778A CN 112990580 A CN112990580 A CN 112990580A
- Authority
- CN
- China
- Prior art keywords
- overflow
- samples
- probability
- value
- occurrence
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- 238000007418 data mining Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000035515 penetration Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000005086 pumping Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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贝叶斯算法的钻井溢流预警方法、系统和存储介质,包括以下步骤:1)根据已钻井历史数据建立数据样本;2)分类样本中的属性;3)计算溢流发生和未发生的先验概率;4)计算离散型属性和连续型属性的条件概率;5)根据贝叶斯数据挖掘算法,基于步骤3)所得先验概率、步骤4)所得的离散型属性和连续型属性的条件概率,计算溢流发生的后验概率和溢流未发生的后验概率;6)比较步骤5)中溢流发生和溢流未发生的后验概率的大小,若前者大于后者,则判断为发生溢流,否则判断为未溢流。
Description
技术领域
本发明涉及一种基于贝叶斯数据挖掘算法的钻井溢流预警方法、预警系统及存储介质,属于人工智能数据挖掘工程应用领域。
背景技术
钻井工程中,若出现溢流未能及时发现并关井处理,可能使溢流事件演变为井涌甚至井喷事故,造成人员和设备损失。
目前,现有溢流判别方法大多是基于钻井过程中现场作业人员对地面现象的肉眼识别,例如出入口流量不均衡,返出量异常高,或者活动池液面增加,则判断井下发生溢流。但是当人员已经观测到上述现象时,井下溢流早已发生一段时间,大量流体已进入井筒。
发明内容
针对上述问题,本发明的目的是提供一种基于贝叶斯数据挖掘算法的钻井溢流预警方法、系统及存储介质,该方法预警结果实时性强,可避免现场观察法发现溢流的滞后性缺陷。
为实现上述目的,本发明采用以下技术方案:
第一方面,本发明提供一种基于贝叶斯算法的钻井溢流预警方法,包括以下步骤:
1)根据已钻井历史数据建立数据样本
每一样本表示为:
X={X1,X2,…Xn,C}
式中,X1,X2,…Xn分别表示反映井底情况的工程参数;C表示溢流值,分“是”或“否”;
2)分类样本中的属性
根据需判断溢流与否的目标井的工程参数xk(k=1,2,3,…i),xl(l=i+1,i+2,i+3,…n),将样本的前n个属性分为离散型属性Xk(k=1,2,3,…i)和连续型属性Xl(l=i+1,i+2,i+3,…n);
3)计算溢流发生和未发生的先验概率;
4)计算离散型属性和连续型属性的条件概率;
5)根据贝叶斯数据挖掘算法,基于步骤3)所得先验概率、步骤4)所得的离散型属性和连续型属性的条件概率,计算溢流发生的后验概率和溢流未发生的后验概率;
6)比较步骤5)中溢流发生和溢流未发生的后验概率的大小,若前者大于后者,则判断为发生溢流,否则判断为未溢流。
所述的基于贝叶斯算法的钻井溢流预警方法,优选地,在上述步骤3)中,溢流发生的先验概率为溢流值为“是”的样本数量占总样本数量的百分比,公式如下:
式中,S是代表样本中溢流值为“是”的样本数量;
溢流未发生的先验概率为溢流值为“否”的样本数量占总样本数量的百分比,公式如下:
式中,S否代表样本中溢流值为“否”的样本数量。
所述的基于贝叶斯算法的钻井溢流预警方法,优选地,在上述步骤4)中,每一离散型属性的条件概率分溢流值为“是”和“否”两种条件;
在溢流值为“是”的所有样本中,离散型属性所占的数量百分比即为其溢流值为“是”的条件概率,表达式如下:
其中,Sk,是表示溢流值为“是”的所有样本中,属性X k的值为xk的样本数量;
在溢流值为“否”的所有样本中,离散型属性所占的数量百分比即为其溢流值为“否”的条件概率,表达式如下:
其中,Sk,否表示溢流值为“否”的所有样本中,属性Xk的值为xk的样本数量;
假设每个连续型属性的条件概率均符合高斯分布,每一连续型属性的条件概率分溢流值为“是”和“否”两种条件;
在溢流值为“是”的所有样本中,每一连续型属性的条件概率为:
式中,μl,是与σl,是分别表示溢流值为“是”的所有样本中,Xl的平均值和标准差;
在溢流值为“否”的所有样本中,每一连续型属性的条件概率为:
式中,μl,否与σl,否分别表示溢流值为“否”的所有样本中,Xl的平均值和标准差。
所述的基于贝叶斯算法的钻井溢流预警方法,优选地,在上述步骤5)中,井下发生溢流的后验概率P(溢流后验)计算公式为:
P(溢流后验)=P(溢流=是)×P(X1=x1|溢流=是)×…P(Xi=xi|溢流=是)×P(Xi+1=xi+1|溢流=是)
×…P(Xn=xn|溢流=是)
溢流未发生的后验概率P(未溢流后验)计算公式为:
P(未溢流后验)=P(溢流=否)×P(X1=x1|溢流=否)×…P(Xi=xi|溢流=否)×P(Xi+1=xi+1|溢流=否)×…P(Xn=xn|溢流=否)。
所述的基于贝叶斯算法的钻井溢流预警方法,优选地,每一样本表示为:
X={X1,X2,…X6,C}
式中,X1为油气田,X2为地层,X3为岩性,X4为扭矩,X5为泵压,X6为机械钻速。
所述的基于贝叶斯算法的钻井溢流预警方法,优选地,在上述步骤6)中,P(溢流后验)大于10倍的P(未溢流后验),判断为发生溢流,否则判断为未溢流。
第二方面,本发明还提供一种基于贝叶斯算法的钻井溢流预警系统,包括:
样本建立模块,被配置为根据已钻井历史数据建立数据样本;
属性分类模块,被配置为根据需判断溢流与否的钻井的工程参数分类样本中的属性;
先验概率计算模块,被配置为计算溢流发生和未发生的先验概率;
条件概率计算模块,被配置为计算不同分类的属性的条件概率;
后验概率计算模块,被配置为基于贝叶斯数据挖掘算法、溢流发生和未发生的先验概率以及不同分类的属性的条件概率,计算溢流发生的后验概率和溢流未发生的后验概率;
结果输出模块,被配置为根据溢流后验概率和未溢流后验概率输出预警结果。
第三方面,本发明还提供一种处理设备,包括存储器、处理器以及存储在所述存储器中计算机程序,所述处理器执行所述计算机程序时实现根据第一方面所述的基于贝叶斯算法的钻井溢流预警方法。
第四方面,本发明还提供一种存储介质,存储介质上存储计算机程序,该程序被处理器执行时实现根据第一方面所述的基于贝叶斯算法的钻井溢流预警方法。
本发明采用以上技术方案,其具有如下优点:本发明基于贝叶斯数据挖掘算法,根据目标井的反映井底情况的工程参数和根据已钻井历史数据建立数据样本,计算溢流发生和溢流未发生的后验概率,并根据溢流发生和溢流未发生的后验概率的大小判断目标井发生溢流与否,实现溢流迅速预警,弥补现有方法的滞后性缺陷。工程参数包括扭矩、泵压、机械钻速数据,可获得性强,一旦发生溢流,扭矩、泵压和机械钻速的反馈速度远远快于活动池液面等现象的反馈速度,提高预警结果实时性,克服现场观察法发现溢流的滞后性缺陷。
附图说明
图1是本发明的流程框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例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。
在本发明的描述中,需要说明的是,术语“上”、“下”、“前”、“后”“内”、“外”、“横”、“竖”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,使用术语“第一”、“第二”等词语来限定零部件,仅仅是为了便于对上述零部件进行区别,如没有另行声明,上述词语并没有特殊含义,不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本公开实施例提供的一种基于贝叶斯算法的钻井溢流预警方法、系统及存储介质。该预警方法包括以下步骤:1)根据已钻井历史数据建立数据样本;2)分类样本中的属性;3)计算溢流发生和未发生的先验概率;4)计算离散型属性和连续型属性的条件概率;5)根据贝叶斯数据挖掘算法,基于步骤3)所得先验概率、步骤4)所得的离散型属性和连续型属性的条件概率,计算溢流发生的后验概率和溢流未发生的后验概率;6)比较步骤5)中溢流发生和溢流未发生的后验概率的大小,若前者大于后者,则判断为发生溢流,否则判断为未溢流。该预警方法基于目标井的反映井底情况的工程参数,综合进行井下溢流工况判断,实现溢流迅速预警,弥补现有方法的滞后性缺陷。工程参数包括油气田、地层、岩性、扭矩、泵压和机械钻速,工程参数可获得性强,扭矩、泵压、机械钻速数据是反映井底情况最迅速、最直接的工程参数,一旦发生溢流,扭矩、泵压和机械钻速的反馈速度远远快于活动池液面等现象的反馈速度,从而提高预警结果的实时性,克服现场观察法发现溢流的滞后性缺陷。
实施例1
本公开实施例提供一种基于贝叶斯算法的钻井溢流预警方法,
1)根据已钻井历史数据建立数据样本
每一样本表示为:
X={X1,X2,…Xn,C}
式中,X1,X2,…Xn分别表示反映井底情况的工程参数;C表示溢流值,分“是”或“否”。
2)分类样本中的属性
根据需判断溢流与否的目标井的工程参数xk(k=1,2,3,…i),xl(l=i+1,i+2,i+3,…n),将样本的前n个属性分为离散型属性Xk(k=1,2,3,…i)和连续型属性Xl(l=i+1,i+2,i+3,…n)。
3)计算溢流发生和未发生的先验概率
具体地,溢流发生的先验概率为溢流值为“是”的样本数量占总样本数量的百分比,公式如下:
式中,S是代表样本中溢流值为“是”的样本数量;
溢流未发生的先验概率为溢流值为“否”的样本数量占总样本数量的百分比,公式如下:
式中,S否代表样本中溢流值为“否”的样本数量。
4)计算离散型属性的条件概率
具体地,每一离散型属性的条件概率分溢流值为“是”和“否”两种条件;
在溢流值为“是”的所有样本中,离散型属性所占的数量百分比即为其溢流值为“是”的条件概率,表达式如下:
其中,Sk,是表示溢流值为“是”的所有样本中,属性X k的值为xk的样本数量;
在溢流值为“否”的所有样本中,离散型属性所占的数量百分比即为其溢流值为“否”的条件概率,表达式如下:
其中,Sk,否表示溢流值为“否”的所有样本中,属性X k的值为xk的样本数量。
5)计算连续型属性的条件概率
具体地,计算过程中假设每个连续型属性的条件概率均符合高斯分布,每一连续型属性的条件概率分溢流值为“是”和“否”两种条件;
在溢流值为“是”的所有样本中,每一连续型属性的条件概率为:
式中,μl,是与σl,是分别表示溢流值为“是”的所有样本中,Xl的平均值和标准差;
在溢流值为“否”的所有样本中,每一连续型属性的条件概率为:
式中,μl,否与σl,否分别表示溢流值为“否”的所有样本中,Xl的平均值和标准差。
6)根据贝叶斯数据挖掘算法,基于步骤3)所得先验概率、步骤4)所得的离散型属性的条件概率、步骤5)所得的连续型属性的条件概率,计算溢流发生的后验概率和溢流未发生的后验概率;
具体地,井下发生溢流的后验概率P(溢流后验)计算公式为:
P(溢流后验)=P(溢流=是)×P(X1=x1|溢流=是)×…P(Xi=xi|溢流=是)×P(Xi+1=xi+1|溢流=是)×…P(Xn=xn|溢流=是)
溢流未发生的后验概率P(未溢流后验)计算公式为:
P(未溢流后验)=P(溢流=否)×P(X1=x1|溢流=否)×…P(Xi=xi|溢流=否)×P(Xi+1=xi+1|溢流=否)×…P(Xn=xn|溢流=否)。
7)比较步骤6)中溢流发生和溢流未发生的后验概率的大小,若前者大于后者,则判断为发生溢流,否则判断为未溢流。
如图1所示,下面以具体实例对本实施例提供的一种基于贝叶斯算法的钻井溢流预警方法进行说明,包括以下步骤:
1)根据已钻井历史数据统计得到m行大数据样本(如表1所示),每个样本表示如下:
X={X1,X2,…X6,C}
式中,X1为油气田,X2为地层,X3为岩性,X4为扭矩,X5为泵压,X6为机械钻速;C表示溢流值,分“是”或“否”两类。
表1 m行大数据样本
No. | X<sub>1</sub>油气田 | X<sub>2</sub>地层 | X<sub>3</sub>岩性 | X<sub>4</sub>扭矩 | X<sub>5</sub>泵压 | X<sub>6</sub>机械钻速 | C溢流值 |
1 | 南部气田 | 白垩纪 | 砂岩 | 15 | 10 | 8 | 否 |
2 | 南部气田 | 侏罗纪 | 泥岩 | 15 | 12 | 7 | 否 |
3 | 北部气田 | 白垩纪 | 砂岩 | 14 | 13 | 9 | 否 |
4 | 南部气田 | 侏罗纪 | 泥岩 | 13 | 12 | 8 | 是 |
5 | 东部气田 | 侏罗纪 | 砂岩 | 13 | 11 | 8 | 是 |
.. | .. | .. | .. | .. | .. | .. | |
m | 北部气田 | 侏罗纪 | 砂岩 | 14 | 13 | 7 | 否 |
2)根据要判断“在南部气田的侏罗纪的砂岩地层,钻井扭矩为15kN·m,泵压为13MPa,机械钻速8m/h时”,井下是否发生了溢流,将样本的前6个元素属性进行分类,其中X1、X2、X3的类型为离散型属性,X4、X5、X6的类型为连续型属性。
3)计算溢流发生和未发生的先验概率,即溢流值为“是”的样本数量占总样本数量m的百分比,及溢流值为“否”的样本数量占总样本数量m的百分比。(由于大数据的数据量众多,表格无法全部呈现,假设总样本数量m=1000,溢流值为“是”的有100行,“否”为900行)
4)分别计算离散型属性X1、X2、X3的条件概率,即在溢流值为“是”的所有样本中,每个离散型属性在其中所占的数量百分比;在溢流值为“否”的所有样本中,每个离散型属性在其中所占的数量百分比。
在溢流值为“是”的100个样本中,X1=南部气田、X2=侏罗纪、X3=砂岩的数量分别为30、50、60,则条件概率为:
在溢流值为“否”的900个样本中,X1=南部气田、X2=侏罗纪、X3=砂岩的数量分别为200、150、100,则条件概率为:
5)计算每个连续型属性的条件概率。假设连续型属性的条件概率符合高斯分布,则在溢流值为“是”的100个样本中,X4、X5、X6的值(即扭矩、泵压、机械钻速)分别为15kN·m、13MPa、8m/h的条件概率为:
式中,μ4,是和σ4,是分别表示溢流值为“是”的所有样本中扭矩的平均值和标准差,μ4,是=18kN·m,σ4,是=7;μ5,是和σ5,是分别表示溢流值为“是”的所有样本中泵压的平均值和标准差,μ5,是=12MPa,σ5,是=3;μ6,是和σ6,是分别表示溢流值为“是”的所有样本中泵压的平均值和标准差μ6,是=7m/h,σ6,是=2。
在溢流值为“否”的900个样本中,X4、X5、X6的值(即扭矩、泵压、机械钻速)分别为15kN·m、13MPa、8m/h的条件概率为:
式中,μ4,否和σ4,否分别表示溢流值为“否”的所有样本中扭矩的平均值和标准差,μ4,否=16kN·m,σ4,否=4;μ5,否和σ5,否分别表示溢流值为“否”的所有样本中泵压的平均值和标准差,μ5,否=10MPa,σ5,否=2;μ6,否和σ6,否分别表示溢流值为“否”的所有样本中机械钻速的平均值和标准差,μ6,否=5m/h,σ6,否=2。
6)根据贝叶斯原理,利用步骤3所得先验概率、步骤4所得离散型属性的条件概率、步骤5所得连续型属性的条件概率,计算溢流发生的后验概率P(溢流后验)和P(未溢流后验),其值为:
P(溢流后验)=10%×30%×50%×80%×5%×12%×17%=0.0138
P(未溢流后验)=90%×22%×16%×11%×9%×6%×6%=0.00141
7)比较溢流后验概率和未溢流后验概率的大小,P(溢流后验)大于P(未溢流后验)的10倍,判断目标井在南部气田侏罗纪砂岩地层,钻井扭矩为15kN·m,泵压为13MPa,机械钻速8m/h的条件下,井底发生溢流,否则,判断为未发生溢流。
实施例2
上述实施例1提供了基于贝叶斯算法的钻井溢流预警方法,与之相对应地,本实施例提供一种预警系统。本实施例提供的预警系统可以实施实施例1的基于贝叶斯算法的钻井溢流预警方法,该系统可以通过软件、硬件或软硬结合的方式来实现。例如,该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的预警系统基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可,本实施例的评价系统仅仅是示意性的。
本实施例提供的一种基于贝叶斯算法的钻井溢流预警系统,包括:
样本建立模块,被配置为根据已钻井历史数据建立数据样本;
属性分类模块,被配置为根据需判断溢流与否的目标井的工程参数分类样本中的属性;
先验概率计算模块,被配置为计算溢流发生和未发生的先验概率;
条件概率计算模块,被配置为计算不同分类的属性的条件概率;
后验概率计算模块,被配置为基于贝叶斯数据挖掘算法、溢流发生和未发生的先验概率以及不同分类的属性的条件概率,计算溢流发生的后验概率和溢流未发生的后验概率;
结果输出模块,被配置为根据溢流后验概率和未溢流后验概率输出预警结果。
实施例3
本实施例提供一种实现本实施例1所提供的基于贝叶斯算法的钻井溢流预警方法的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的预警方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的基于贝叶斯算法的钻井溢流预警方法。
优选地,存储器可以是高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
优选地,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例4
本实施例1的基于贝叶斯算法的钻井溢流预警方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的预警方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于贝叶斯算法的钻井溢流预警方法,其特征在于,包括以下步骤:
1)根据已钻井历史数据建立数据样本
每一样本表示为:
X={X1,X2,…Xn,C}
式中,X1,X2,…Xn分别表示反映井底情况的工程参数;C表示溢流值,分“是”或“否”;
2)分类样本中的属性
根据需判断溢流与否的目标井的工程参数xk(k=1,2,3,…i),xl(l=i+1,i+2,i+3,…n),将样本的前n个属性分为离散型属性Xk(k=1,2,3,…i)和连续型属性Xl(l=i+1,i+2,i+3,…n);
3)计算溢流发生和未发生的先验概率;
4)计算离散型属性和连续型属性的条件概率;
5)根据贝叶斯数据挖掘算法,基于步骤3)所得先验概率、步骤4)所得的离散型属性和连续型属性的条件概率,计算溢流发生的后验概率和溢流未发生的后验概率;
6)比较步骤5)中溢流发生和溢流未发生的后验概率的大小,若前者大于后者,则判断为发生溢流,否则判断为未溢流。
3.如权利要求1所述的基于贝叶斯算法的钻井溢流预警方法,其特征在于,在上述步骤4)中,每一离散型属性的条件概率分溢流值为“是”和“否”两种条件;
在溢流值为“是”的所有样本中,离散型属性所占的数量百分比即为其溢流值为“是”的条件概率,表达式如下:
其中,Sk,是表示溢流值为“是”的所有样本中,属性Xk的值为xk的样本数量;
在溢流值为“否”的所有样本中,离散型属性所占的数量百分比即为其溢流值为“否”的条件概率,表达式如下:
其中,Sk,否表示溢流值为“否”的所有样本中,属性Xk的值为xk的样本数量;
假设每个连续型属性的条件概率均符合高斯分布,每一连续型属性的条件概率分溢流值为“是”和“否”两种条件;
在溢流值为“是”的所有样本中,每一连续型属性的条件概率为:
式中,μl,是与σl,是分别表示溢流值为“是”的所有样本中,Xl的平均值和标准差;
在溢流值为“否”的所有样本中,每一连续型属性的条件概率为:
式中,μl,否与σl,否分别表示溢流值为“否”的所有样本中,Xl的平均值和标准差。
4.如权利要求1所述的基于贝叶斯算法的钻井溢流预警方法,其特征在于,在上述步骤5)中,井下发生溢流的后验概率P(溢流后验)计算公式为:
P(溢流后验)=P(溢流=是)×P(X1=x1|溢流=是)×…P(Xi=xi|溢流=是)×P(Xi+1=xi+1|溢流=是)×…P(Xn=xn|溢流=是)
溢流未发生的后验概率P(未溢流后验)计算公式为:
P(未溢流后验)=P(溢流=否)×P(X1=x1|溢流=否)×…P(Xi=xi|溢流=否)×P(Xi+1=xi+1|溢流=否)×…P(Xn=xn|溢流=否)。
5.如权利要求1所述的基于贝叶斯算法的钻井溢流预警方法,其特征在于,每一样本表示为:
X={X1,X2,…X6,C}
式中,X1为油气田,X2为地层,X3为岩性,X4为扭矩,X5为泵压,X6为机械钻速。
6.如权利要求5所述的基于贝叶斯算法的钻井溢流预警方法,其特征在于,在上述步骤6)中,P(溢流后验)大于10倍的P(未溢流后验),判断为发生溢流,否则判断为未溢流。
7.一种基于贝叶斯算法的钻井溢流预警系统,其特征在于,包括:
样本建立模块,被配置为根据已钻井历史数据建立数据样本;
属性分类模块,被配置为根据需判断溢流与否的钻井的工程参数分类样本中的属性;
先验概率计算模块,被配置为计算溢流发生和未发生的先验概率;
条件概率计算模块,被配置为计算不同分类的属性的条件概率;
后验概率计算模块,被配置为基于贝叶斯数据挖掘算法、溢流发生和未发生的先验概率以及不同分类的属性的条件概率,计算溢流发生的后验概率和溢流未发生的后验概率;
结果输出模块,被配置为根据溢流后验概率和未溢流后验概率输出预警结果。
8.一种处理设备,包括存储器、处理器以及存储在所述存储器中计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于贝叶斯算法的钻井溢流预警方法。
9.一种存储介质,存储介质上存储计算机程序,其特征在于:该程序被处理器执行时实现如权利要求1至6任一项所述的基于贝叶斯算法的钻井溢流预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283778.8A CN112990580A (zh) | 2021-03-17 | 2021-03-17 | 基于贝叶斯算法的钻井溢流预警方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283778.8A CN112990580A (zh) | 2021-03-17 | 2021-03-17 | 基于贝叶斯算法的钻井溢流预警方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990580A true CN112990580A (zh) | 2021-06-18 |
Family
ID=76334238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110283778.8A Pending CN112990580A (zh) | 2021-03-17 | 2021-03-17 | 基于贝叶斯算法的钻井溢流预警方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990580A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113482595A (zh) * | 2021-08-04 | 2021-10-08 | 中海石油(中国)有限公司 | 一种钻井溢流预警方法、系统、设备和存储介质 |
CN113486595A (zh) * | 2021-07-23 | 2021-10-08 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
CN113486595B (zh) * | 2021-07-23 | 2024-05-14 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6826486B1 (en) * | 2000-02-11 | 2004-11-30 | Schlumberger Technology Corporation | Methods and apparatus for predicting pore and fracture pressures of a subsurface formation |
WO2011110914A2 (en) * | 2010-03-09 | 2011-09-15 | Schlumberger Technology B.V. | Use of general bayesian networks in oilfield operations |
CN103470202A (zh) * | 2013-05-10 | 2013-12-25 | 中国石油大学(华东) | 油气井钻井过程中溢流在线综合监测与预警方法 |
US20130341093A1 (en) * | 2012-06-21 | 2013-12-26 | Stuart Inglis Jardine | Drilling risk avoidance |
CN106066493A (zh) * | 2016-05-24 | 2016-11-02 | 中国石油大学(北京) | 贝叶斯岩相判别方法及装置 |
CN110555477A (zh) * | 2019-08-30 | 2019-12-10 | 青岛海信网络科技股份有限公司 | 一种市政设施故障预测方法及装置 |
CN111738620A (zh) * | 2020-07-17 | 2020-10-02 | 西南石油大学 | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 |
CN111827982A (zh) * | 2019-04-17 | 2020-10-27 | 中国石油天然气集团有限公司 | 钻井溢流漏失工况预测方法及装置 |
-
2021
- 2021-03-17 CN CN202110283778.8A patent/CN112990580A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6826486B1 (en) * | 2000-02-11 | 2004-11-30 | Schlumberger Technology Corporation | Methods and apparatus for predicting pore and fracture pressures of a subsurface formation |
WO2011110914A2 (en) * | 2010-03-09 | 2011-09-15 | Schlumberger Technology B.V. | Use of general bayesian networks in oilfield operations |
US20130341093A1 (en) * | 2012-06-21 | 2013-12-26 | Stuart Inglis Jardine | Drilling risk avoidance |
CN103470202A (zh) * | 2013-05-10 | 2013-12-25 | 中国石油大学(华东) | 油气井钻井过程中溢流在线综合监测与预警方法 |
CN106066493A (zh) * | 2016-05-24 | 2016-11-02 | 中国石油大学(北京) | 贝叶斯岩相判别方法及装置 |
CN111827982A (zh) * | 2019-04-17 | 2020-10-27 | 中国石油天然气集团有限公司 | 钻井溢流漏失工况预测方法及装置 |
CN110555477A (zh) * | 2019-08-30 | 2019-12-10 | 青岛海信网络科技股份有限公司 | 一种市政设施故障预测方法及装置 |
CN111738620A (zh) * | 2020-07-17 | 2020-10-02 | 西南石油大学 | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 |
Non-Patent Citations (2)
Title |
---|
戴永寿;岳炜杰;孙伟峰;李立刚;张亚南;程佳成;: ""三高"油气井早期溢流在线监测与预警系统", 中国石油大学学报(自然科学版), vol. 39, no. 03, pages 188 - 194 * |
董立岩;刘光远;苑森淼;李永丽;孙铭会;: "混合式朴素贝叶斯分类模型", 吉林大学学报(信息科学版), vol. 25, no. 01, pages 57 - 61 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486595A (zh) * | 2021-07-23 | 2021-10-08 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
CN113486595B (zh) * | 2021-07-23 | 2024-05-14 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
CN113482595A (zh) * | 2021-08-04 | 2021-10-08 | 中海石油(中国)有限公司 | 一种钻井溢流预警方法、系统、设备和存储介质 |
CN113482595B (zh) * | 2021-08-04 | 2023-08-08 | 中海石油(中国)有限公司 | 一种钻井溢流预警方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977749B (zh) | 一种油田开发指标的预测分析方法 | |
CN111798312B (zh) | 一种基于孤立森林算法的金融交易系统异常识别方法 | |
US20160187533A1 (en) | Creating Virtual Production Logging Tool Profiles For Improved History Matching | |
SA516380493B1 (ar) | كشف موضع الأعطال في مضخات غاطسة كهربائية | |
CN105681339A (zh) | 一种融合粗糙集与ds证据理论的增量式入侵检测方法 | |
Han et al. | Production forecasting for shale gas well in transient flow using machine learning and decline curve analysis | |
CN112990580A (zh) | 基于贝叶斯算法的钻井溢流预警方法、系统及存储介质 | |
CN115686910A (zh) | 一种故障分析方法、装置、电子设备及介质 | |
CN116739605A (zh) | 交易数据检测方法、装置、设备及存储介质 | |
CN109763810A (zh) | 一种储层气体钻井风险识别方法 | |
CN113536691A (zh) | 一种深水钻井参数优化方法及系统 | |
WO2017044105A1 (en) | Method and apparatus for well spudding scheduling | |
CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及系统 | |
CN111611704B (zh) | 一种水驱系列曲线图版的建立方法、设备及可读存储介质 | |
CN110502731B (zh) | 一种基于精化单元格聚类的电子表格缺陷检测方法 | |
CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
CN107784015A (zh) | 一种基于电力系统在线历史数据的数据约简方法 | |
CN115450595B (zh) | 一种控水工具的选择方法、装置、电子设备以及存储介质 | |
CN116881776A (zh) | 一种储层类型确定方法、装置、设备及介质 | |
US20240013092A1 (en) | Sweet spot-based machine learning (ssml) in association with completion-based machine learning (comml) | |
CN115062479A (zh) | 一种基于贝叶斯网络的直井环空岩屑浓度修正方法 | |
Guiskova et al. | METHODOLOGY FOR FORECASTING A REDUCTION FRAUD | |
CN117690277A (zh) | 阈值确定方法、装置、设备及存储介质 | |
US20230417948A1 (en) | System, apparatus and processing method suitable for analytics based on geology and geophysics data and/or completion data | |
CN117807749A (zh) | 一种立管压力异常识别方法、装置、电子设备及存储介质 |
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 |