CN113073959A - 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 - Google Patents
一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 Download PDFInfo
- Publication number
- CN113073959A CN113073959A CN202110205055.6A CN202110205055A CN113073959A CN 113073959 A CN113073959 A CN 113073959A CN 202110205055 A CN202110205055 A CN 202110205055A CN 113073959 A CN113073959 A CN 113073959A
- Authority
- CN
- China
- Prior art keywords
- data
- leakage
- drilling
- fuzzy
- formula
- 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.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 110
- 230000007246 mechanism Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003066 decision tree Methods 0.000 title claims abstract description 44
- 239000012530 fluid Substances 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000007418 data mining Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000002265 prevention Effects 0.000 claims abstract description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 16
- 239000002131 composite material Substances 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 8
- 239000011707 mineral Substances 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 239000008399 tap water Substances 0.000 claims description 8
- 235000020679 tap water Nutrition 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 claims description 4
- 241000758789 Juglans Species 0.000 claims description 4
- 235000009496 Juglans regia Nutrition 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000010445 mica Substances 0.000 claims description 4
- 229910052618 mica group Inorganic materials 0.000 claims description 4
- 235000020234 walnut Nutrition 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 239000010426 asphalt Substances 0.000 claims description 2
- 229910000019 calcium carbonate Inorganic materials 0.000 claims description 2
- 235000019994 cava Nutrition 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000008595 infiltration Effects 0.000 claims description 2
- 238000001764 infiltration Methods 0.000 claims description 2
- 239000000843 powder Substances 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000006698 induction Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
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
- E21B33/00—Sealing or packing boreholes or wells
- E21B33/10—Sealing or packing boreholes or wells in the borehole
- E21B33/13—Methods or devices for cementing, for plugging holes, crevices or the like
-
- C—CHEMISTRY; METALLURGY
- C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
- C09K—MATERIALS FOR MISCELLANEOUS APPLICATIONS, NOT PROVIDED FOR ELSEWHERE
- C09K8/00—Compositions for drilling of boreholes or wells; Compositions for treating boreholes or wells, e.g. for completion or for remedial operations
- C09K8/42—Compositions for cementing, e.g. for cementing casings into boreholes; Compositions for plugging, e.g. for killing wells
- C09K8/426—Compositions for cementing, e.g. for cementing casings into boreholes; Compositions for plugging, e.g. for killing wells for plugging
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Geochemistry & Mineralogy (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种基于模糊决策树的钻井漏失机理预测及辅助决策方法，属于数据挖掘领域及钻井液堵漏领域。所述方法包括：采集历史钻井数据、历史堵漏案例及现场实时钻井数据；针对采集到的数据资料进行数据预处理；将历史钻井数据划分为训练集和测试集，并选取训练集生成漏失机理预测模糊决策树；再选取训练集生成堵漏配方推送模糊决策树；根据漏失机理预测模糊决策树确定漏失机理预测模糊决策规则，并判断漏失机理；根据生成的堵漏配方推送模糊决策树确定堵漏配方推送模糊决策规则，并进行堵漏配方推送；以判断的漏失机理和推送的堵漏配方为参考进行防漏堵漏辅助决策，从而减少井漏事故的发生次数以及增大发生漏失后一次堵漏的成功率。
Description
技术领域
本发明涉及一种基于模糊决策树的钻井漏失机理预测及辅助决策方法，属于数据挖掘领域及钻井液漏失堵漏领域。
背景技术
伴随着石油工程工业的高效快速发展，钻井的重心逐渐向低渗、裂缝性这些难度系数比较大的油气藏转变，而且转变的比例一直在增加。在这个过程中，井漏问题始终都是相当严重的问题。在钻井过程中发生一旦发生井漏很容易导致井下压力无法达到平衡从而引发卡钻、井塌等井下事故，影响钻进工作，造成经济损失。除此之外还会改变井筒内钻井液的性能，使其无法满足钻井要求，从而影响油气井产能，甚至会中断地质录井，影响储层资料分析。
当前我国针对钻井漏失机理预测问题的方法主要有两种：（1）利用测井资料和室内岩石力学实验相结合的方法，针对某一特定区块已经发生漏失后得到的漏失参数，并通过一些数学公式进行数据拟合，最终得出诱导性裂缝的诱导公式，从而根据诱导公式得到漏失机理，该方法优点是在判断诱导性裂缝漏失时精度尚可，但其对天然裂缝漏失无能为力，并且需要针对不同的漏失机理得到不同的诱导公式，因此工作量较大；（2）利用各类数值仿真模拟软件，将测井资料作为参数进行建模，通过建模结果判断井漏机理，该方法优点是不需要提前知晓井漏机理，仅仅通过参数建模就能对井漏机理进行分析，时效性较强，但是井漏是一种多因素融合的现象，地质因素、流体因素、仪器因素、人力因素等都是井漏事故发生的必要因素，而受制于当前模拟软件的功能，并不可能对所有因素进行分析，因此该方法精确度不够，难以满足工程现场的实际应用要求。
发明内容
针对现有技术中漏失机理及辅助决策方法的不足，本发明的目的在于提出一种基于模糊决策树的钻井漏失机理预测及辅助决策方法，该发明通过对预处理后的历史钻井数据、堵漏案例等数据资料进行大数据分析与挖掘的方式，来提供一种便捷、精准，又能实现正钻井漏失机理实时预测及辅助决策的方法。
具体地说，本发明是采用以下的技术方案来实现的，包括下列步骤：
1）利用钻采一体化平台采集历史钻井数据、历史堵漏案例及现场实时钻井数据，以地质区块为单位存入MySQL数据库中；
2）针对采集到的数据资料进行数据预处理，预处理内容包括数据清洗、数据补缺、数据转换；
3）将预处理后的历史钻井数据划分为训练集和测试集，选取训练集中历史钻井数据为输入，历史堵漏案例中记录的漏失机理为标准，利用模糊决策树算法进行数据挖掘，并生成漏失机理预测模糊决策树，用测试集对该树进行测试；
4）选取训练集中历史钻井数据为输入，历史堵漏案例中记录的堵漏配方为标准，利用模糊决策树算法进行数据挖掘，并生成堵漏配方推送模糊决策树，用测试集对该树进行测试；
5）根据生成的漏失机理预测模糊决策树确定漏失机理预测模糊决策规则，并利用漏失机理预测模糊决策规则挖掘现场实时钻井数据，判断尚未发生的漏失可能原因，即漏失机理；
6）根据生成的堵漏配方推送模糊决策树确定堵漏配方推送模糊决策规则，并利用堵漏配方推送模糊决策规则挖掘现场实时钻井数据来进行堵漏配方推送；
7）以漏失机理预测模糊决策规则判断的漏失机理和堵漏配方推送模糊决策规则推送的堵漏配方为参考进行防漏堵漏辅助决策，从而减少井漏事故的发生次数以及增大发生漏失后一次堵漏的成功率。
上述技术方案的进一步特征在于，所述步骤1）中，利用钻采一体化平台采集历史钻井数据、现场实时钻井数据中具体参数包括：
地层岩性、井深、漏失速度、塑性粘度、钻井液类型、钻井液密度、钻井液静切力、钻井液动切力、泥饼厚度、钻井液PH值、排量、钻速、泵压、钻头类型、钻头尺寸、大钩负荷、三转读数、六转读数、一百转读数。
上述技术方案的进一步特征在于，所述步骤2）中，针对井史数据进行数据清洗、集成和转换的方法为：
2-1）数据清洗是删除钻井历史数据原始数据集中的无关数据、重复数据，平滑噪声数据，同时筛选掉与钻井液漏层位置预测无关的数据，处理缺失值、异常值等；
2-2）数据集成是将多文件或多数据库运行环境中的钻井历史数据进行合并处理；
2-3）数据转换是利用独热编码方法将数据资料中地层岩性、钻头类型、钻井液类型这三个用文字表述的参数转化为可以进行数据挖掘的数字形式。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
附图1 数据处理框图；
附图2钻井漏失机理预测及辅助决策模糊决策树模型工作流程图；
附图3基于模糊决策树的钻井漏失机理预测及辅助决策方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
图1是本发明技术方案中的数据处理框图，由图1可知，预处理内容包括数据清洗、数据补缺、数据转换，其中数据清洗是删除钻井历史数据原始数据集中的无关数据、重复数据，平滑噪声数据，同时筛选掉与钻井液漏层位置预测无关的数据，处理缺失值、异常值等；数据集成是将多文件或多数据库运行环境中的钻井历史数据进行合并处理；数据转换是利用独热编码方法将数据资料中地层岩性、钻头类型、钻井液类型这三个用文字表述的参数转化为可以进行数据挖掘的数字形式。
图2是本发明技术方案中的钻井漏失机理预测及辅助决策模糊决策树模型工作流程图。本实例为了全面考虑主要参数对漏失机理的影响，将预处理后的历史钻井数据作为输入参数，以漏失机理为输出参数，历史堵漏案例中记录的漏失机理为标准，监督训练并优化得到模糊决策树模型。
图3是本发明技术方案的实施流程图，具体如下：
1）利用钻采一体化平台采集历史钻井数据、历史堵漏案例及现场实时钻井数据，以地质区块为单位存入MySQL数据库中；
2）针对采集到的数据资料进行数据预处理，预处理内容包括数据清洗、数据补缺、数据转换；
3）将预处理后的历史钻井数据划分为训练集和测试集，选取训练集中历史钻井数据为输入，历史堵漏案例中记录的漏失机理为标准，利用模糊决策树算法进行数据挖掘，并生成漏失机理预测模糊决策树，用测试集对该树进行测试；
4）选取训练集中历史钻井数据为输入，历史堵漏案例中记录的堵漏配方为标准，利用模糊决策树算法进行数据挖掘，并生成堵漏配方推送模糊决策树，用测试集对该树进行测试；
5）根据生成的漏失机理预测模糊决策树确定漏失机理预测模糊决策规则，并利用漏失机理预测模糊决策规则挖掘现场实时钻井数据，判断尚未发生的漏失可能原因，即漏失机理；
6）根据生成的堵漏配方推送模糊决策树确定堵漏配方推送模糊决策规则，并利用堵漏配方推送模糊决策规则挖掘现场实时钻井数据来进行堵漏配方推送；
7）以漏失机理预测模糊决策规则判断的漏失机理和堵漏配方推送模糊决策规则推送的堵漏配方为参考进行防漏堵漏辅助决策，从而减少井漏事故的发生次数以及增大发生漏失后一次堵漏的成功率。
上述技术方案的进一步特征在于，所述步骤1）中，采集的历史钻井数据及现场实时钻井数据中具体参数包括：
地层岩性、井深、漏失速度、塑性粘度、钻井液类型、钻井液密度、钻井液静切力、钻井液动切力、泥饼厚度、钻井液PH值、排量、钻速、泵压、钻头类型、钻头尺寸、大钩负荷、三转读数、六转读数、一百转读数。
上述技术方案的进一步特征在于，所述步骤2）中，针对井史数据进行数据清洗、集成和转换的方法为：
2-1）数据清洗是删除钻井历史数据原始数据集中的无关数据、重复数据，平滑噪声数据，同时筛选掉与钻井液漏层位置预测无关的数据，处理缺失值、异常值等；
2-2）数据集成是将多文件或多数据库运行环境中的钻井历史数据进行合并处理；
2-3）数据转换是利用独热编码方法将数据资料中地层岩性、钻头类型、钻井液类型这三个用文字表述的参数转化为可以进行数据挖掘的数字形式。
上述技术方案的进一步特征在于，所述步骤3）中生成漏失机理预测模糊决策树的具体过程为：
3-1）首先考虑生成第一个结点，将采集到的19个井史参数集作为19个模糊子集，分别用A(1)~A(19)表示，每个模糊子集中有m个数据，将采集到的历史堵漏案例中记录的漏失机理作为分类属性，用A(20)表示，对A(k)的每一个参数值
（其中k=1,2,…,19；i=1,2,…,m），计算它相对于分类属性A(20)中
（j=1,2,…,mk）的相对频率
:
其中，符号M(X)表示模糊集X的所有隶属度之和；
3-2）对A(k)的每一个参数值
（其中1≤k≤19）计算它的模糊分类熵
:
其中，
表示分类属性A(20)中参数值
的出现频率；
3-3）对每一个属性A(k)（其中1≤k≤19），计算它的平均模糊分类熵Ek：
3-4）选择Ek取最小值的属性作为扩展属性，即选取k0，使得：
3-5）给定阈值β0=0.85，当结点真实度小于阈值β0时，根据该节点确定的属性来分割模糊样例集，模糊分割中的元素依然是模糊集；
3-6）递归的计算他们的平均模糊分类熵，并继续用上述方法选择扩展结点，最终生成模糊决策树。
上述技术方案的进一步特征在于，所述步骤4）中生成堵漏配方推送模糊决策树的具体过程与步骤3）中生成漏失机理预测模糊决策树的具体过程相同，只是将采集到的历史堵漏案例中记录的堵漏配方作为分类属性A(20)。
上述技术方案的进一步特征在于，所述步骤5）中判断的尚未发生的漏失可能原因，即井漏机理包括但不限于：
a. 钻井地层中存在溶洞导致井漏；
b. 地层本身存在天然裂缝导致井漏；
c. 钻井过程中产生的诱导裂缝导致井漏；
d. 由于岩性及地质构造产生了渗透现象，从而导致了井漏；
e. 钻井井身设计问题导致井漏。
本方法意在阐述一种基于模糊决策树的钻井漏失机理预测及辅助决策方法，该方法可根据不同地区、不同地层性质的井漏事故存在不同类型的井漏机理，因此上述井漏机理仅为实例之一，可根据实际应用情况酌量增加和删减，在不脱离本发明基本思想和宗旨的前提下，其他受到本发明启发而进行的许多其他方式的具体变换，均属于本发明的保护范围内。
上述技术方案的进一步特征在于，所述步骤6）中推送的堵漏配方包括但不限于：
a配方成分及质量百分比：4%钻井液+5%98号随钻堵漏剂+2%云母+1%细云母+3%核桃壳+3%细核桃壳+2%超细碳酸钙+3%沥青粉+2%1号复合堵漏剂，剩余成分为自来水；
b配方成分及质量百分比：4%钻井液+1%C型刚性矿物颗粒+1%D型刚性矿物颗粒+1%Ⅱ号高效复合堵漏剂+ 1%Ⅳ号高效复合堵漏剂，剩余成分为自来水；
c配方成分及质量百分比：4%钻井液+2%C型刚性矿物颗粒+2%D型刚性矿物颗粒+4%Ⅱ号高效复合堵漏剂+ 2% Ⅳ号高效复合堵漏剂，剩余成分为自来水；
d配方成分及质量百分比：4%钻井液+10% Ⅲ号高效复合堵漏剂+ 5% Ⅳ号高效复合堵漏剂，剩余成分为自来水。
本方法意在阐述一种基于模糊决策树的钻井漏失机理预测及辅助决策方法，该方法可根据不同地区、不同地层性质的井漏事故适用于不同类型的堵漏配方，因此上述堵漏配方仅为实例之一，可根据实际应用情况酌量增加和删减，在不脱离本发明基本思想和宗旨的前提下，其他受到本发明启发而进行的许多其他方式的具体变换，均属于本发明的保护范围内。
Claims (2)
1.一种基于模糊决策树的钻井漏失机理预测及辅助决策方法，其特征在于，该方法包括以下步骤：
1）利用钻采一体化平台采集历史钻井数据、历史堵漏案例及现场实时钻井数据，以地质区块为单位存入MySQL数据库中；
2）针对采集到的数据资料进行数据预处理，预处理内容包括数据清洗、数据补缺、数据转换；
所述针对井史数据进行数据清洗、集成和转换的方法为：
2-1）数据清洗是删除钻井历史数据原始数据集中的无关数据、重复数据，平滑噪声数据，同时筛选掉与钻井液漏层位置预测无关的数据，处理缺失值、异常值等；
2-2）数据集成是将多文件或多数据库运行环境中的钻井历史数据进行合并处理；
2-3）数据转换是利用独热编码方法将数据资料中地层岩性、钻头类型、钻井液类型这三个用文字表述的参数转化为可以进行数据挖掘的数字形式；
3）将预处理后的历史钻井数据划分为训练集和测试集，选取训练集中历史钻井数据为输入，历史堵漏案例中记录的漏失机理为标准，利用模糊决策树算法进行数据挖掘，并生成漏失机理预测模糊决策树，用测试集对该树进行测试；
所述生成漏失机理预测模糊决策树的具体过程为：
3-1）首先考虑生成第一个结点，将采集到的19个井史参数集作为19个模糊子集，分别用A(1)~A(19)表示，每个模糊子集中有m个数据，将采集到的历史堵漏案例中记录的漏失机理作为分类属性，用A(20)表示，对A(k)的每一个参数值
（其中k=1,2,…,19；i=1,2,…,m），计算它相对于分类属性A(20)中
（j=1,2,…,mk）的相对频率
:
其中，符号M(X)表示模糊集X的所有隶属度之和；
3-2）对A(k)的每一个参数值
（其中1≤k≤19）计算它的模糊分类熵
:
其中，
表示分类属性A(20)中参数值
的出现频率；
3-3）对每一个属性A(k)（其中1≤k≤19），计算它的平均模糊分类熵Ek：
3-4）选择Ek取最小值的属性作为扩展属性，即选取k0，使得：
3-5）给定阈值β0=0.85，当结点真实度小于阈值β0时，根据该节点确定的属性来分割模糊样例集，模糊分割中的元素依然是模糊集；
3-6）递归的计算他们的平均模糊分类熵，并继续用上述方法选择扩展结点，最终生成模糊决策树；
4）选取训练集中历史钻井数据为输入，历史堵漏案例中记录的堵漏配方为标准，利用模糊决策树算法进行数据挖掘，并生成堵漏配方推送模糊决策树，用测试集对该树进行测试；
上述技术方案的进一步特征在于，所述步骤4）中生成堵漏配方推送模糊决策树的具体过程与步骤3）中生成漏失机理预测模糊决策树的具体过程相同，只是将采集到的历史堵漏案例中记录的堵漏配方作为分类属性A(20)；
5）根据生成的漏失机理预测模糊决策树确定漏失机理预测模糊决策规则，并利用漏失机理预测模糊决策规则挖掘现场实时钻井数据，判断尚未发生的漏失可能原因，即漏失机理；
上述技术方案的进一步特征在于，所述步骤5）中判断的尚未发生的漏失可能原因，即井漏机理包括但不限于：
a. 钻井地层中存在溶洞导致井漏；
b. 地层本身存在天然裂缝导致井漏；
c. 钻井过程中产生的诱导裂缝导致井漏；
d. 由于岩性及地质构造产生了渗透现象，从而导致了井漏；
e. 钻井井身设计问题导致井漏；
本方法意在阐述一种基于模糊决策树的钻井漏失机理预测及辅助决策方法，该方法可根据不同地区、不同地层性质的井漏事故存在不同类型的井漏机理，因此上述井漏机理仅为实例之一，可根据实际应用情况酌量增加和删减，在不脱离本发明基本思想和宗旨的前提下，其他受到本发明启发而进行的许多其他方式的具体变换，均属于本发明的保护范围内；
6）根据生成的堵漏配方推送模糊决策树确定堵漏配方推送模糊决策规则，并利用堵漏配方推送模糊决策规则挖掘现场实时钻井数据来进行堵漏配方推送；
上述技术方案的进一步特征在于，所述步骤6）中推送的堵漏配方包括但不限于：
a配方成分及质量百分比：4%钻井液+5%98号随钻堵漏剂+2%云母+1%细云母+3%核桃壳+3%细核桃壳+2%超细碳酸钙+3%沥青粉+2%1号复合堵漏剂，剩余成分为自来水；
b配方成分及质量百分比：4%钻井液+1%C型刚性矿物颗粒+1%D型刚性矿物颗粒+ 1%Ⅱ号高效复合堵漏剂+ 1% Ⅳ号高效复合堵漏剂，剩余成分为自来水；
c配方成分及质量百分比：4%钻井液+2%C型刚性矿物颗粒+2%D型刚性矿物颗粒+ 4%Ⅱ号高效复合堵漏剂+ 2% Ⅳ号高效复合堵漏剂，剩余成分为自来水；
d配方成分及质量百分比：4%钻井液+10% Ⅲ号高效复合堵漏剂+ 5% Ⅳ号高效复合堵漏剂，剩余成分为自来水；
本方法意在阐述一种基于模糊决策树的钻井漏失机理预测及辅助决策方法，该方法可根据不同地区、不同地层性质的井漏事故适用于不同类型的堵漏配方，因此上述堵漏配方仅为实例之一，可根据实际应用情况酌量增加和删减，在不脱离本发明基本思想和宗旨的前提下，其他受到本发明启发而进行的许多其他方式的具体变换，均属于本发明的保护范围内；
7）以漏失机理预测模糊决策规则判断的漏失机理和堵漏配方推送模糊决策规则推送的堵漏配方为参考进行防漏堵漏辅助决策，从而减少井漏事故的发生次数以及增大发生漏失后一次堵漏的成功率。
2.根据权利要求1所述钻井漏失机理预测及辅助决策方法，其特征在于，本方法步骤1）中，采集的历史钻井数据及现场实时钻井数据中具体参数包括：
地层岩性、井深、漏失速度、塑性粘度、钻井液类型、钻井液密度、钻井液静切力、钻井液动切力、泥饼厚度、钻井液PH值、排量、钻速、泵压、钻头类型、钻头尺寸、大钩负荷、三转读数、六转读数、一百转读数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110205055.6A CN113073959B (zh) | 2021-02-24 | 2021-02-24 | 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110205055.6A CN113073959B (zh) | 2021-02-24 | 2021-02-24 | 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113073959A true CN113073959A (zh) | 2021-07-06 |
| CN113073959B CN113073959B (zh) | 2022-04-08 |
Family
ID=76609526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110205055.6A Active CN113073959B (zh) | 2021-02-24 | 2021-02-24 | 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113073959B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114320279A (zh) * | 2021-12-29 | 2022-04-12 | 西南石油大学 | 深层裂缝性地层钻井液漏失层位预测方法 |
| CN115796401A (zh) * | 2023-02-07 | 2023-03-14 | 西南石油大学 | 融合博弈论的井下复杂事故致因分析方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
| CN107133670A (zh) * | 2017-04-21 | 2017-09-05 | 中国科学院大学 | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 |
| US10138717B1 (en) * | 2014-01-07 | 2018-11-27 | Novi Labs, LLC | Predicting well performance with feature similarity |
| US20190114352A1 (en) * | 2017-10-17 | 2019-04-18 | Saudi Arabian Oil Company | Paleo fossil and sedimentary structure data mining and datum for biostratigraphy |
| CN110952978A (zh) * | 2019-12-20 | 2020-04-03 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
| CN110969559A (zh) * | 2019-12-23 | 2020-04-07 | 北京航星机器制造有限公司 | 一种基于阈值体系的危险品识别方法及系统 |
| CN111091241A (zh) * | 2019-12-11 | 2020-05-01 | 亿达信息技术有限公司 | 一种基于bp神经网络的药品销量预测与决策方法及系统 |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
| 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 |
-
2021
- 2021-02-24 CN CN202110205055.6A patent/CN113073959B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
| US10138717B1 (en) * | 2014-01-07 | 2018-11-27 | Novi Labs, LLC | Predicting well performance with feature similarity |
| CN107133670A (zh) * | 2017-04-21 | 2017-09-05 | 中国科学院大学 | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 |
| US20190114352A1 (en) * | 2017-10-17 | 2019-04-18 | Saudi Arabian Oil Company | Paleo fossil and sedimentary structure data mining and datum for biostratigraphy |
| CN111091241A (zh) * | 2019-12-11 | 2020-05-01 | 亿达信息技术有限公司 | 一种基于bp神经网络的药品销量预测与决策方法及系统 |
| CN110952978A (zh) * | 2019-12-20 | 2020-04-03 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
| CN110969559A (zh) * | 2019-12-23 | 2020-04-07 | 北京航星机器制造有限公司 | 一种基于阈值体系的危险品识别方法及系统 |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
| 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 (3)
| Title |
|---|
| 郝明慧等: "《煤层气钻井技术与创新实践》", 31 March 2016 * |
| 钱洁龙: "基于模糊粗糙集的决策树算法", 《基于粗糙集和模糊聚类的气象灾害决策支持系统设计与实现》 * |
| 陈军林: "利用大数据挖掘矿石中主要矿物之间的关系", 《岩石矿物学杂质》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114320279A (zh) * | 2021-12-29 | 2022-04-12 | 西南石油大学 | 深层裂缝性地层钻井液漏失层位预测方法 |
| CN115796401A (zh) * | 2023-02-07 | 2023-03-14 | 西南石油大学 | 融合博弈论的井下复杂事故致因分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113073959B (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahmoud et al. | Artificial neural networks model for prediction of the rate of penetration while horizontally drilling carbonate formations | |
| CN113073959B (zh) | 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 | |
| CA2890817C (en) | System, method and computer program product for determining placement of perforation intervals using facies, fluid boundaries, geobodies and dynamic fluid properties | |
| CN105488583A (zh) | 预测致密油待评价区域可采储量的方法及装置 | |
| KR102170765B1 (ko) | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 | |
| CN111852417B (zh) | 二氧化碳驱油藏气窜通道快速反演方法和装置 | |
| CN110826142A (zh) | 一种裂缝性地层封堵承压能力的预测方法 | |
| CN111738371B (zh) | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 | |
| Warren et al. | An evaluation of the significance of permeability measurements | |
| CN110851982B (zh) | 一种中低渗油藏减氧空气驱可行性分析方法 | |
| Fan et al. | Enhanced rate of penetration prediction with rock drillability constraints: A machine learning approach | |
| Chen et al. | GINI coefficient: An effective way to evaluate inflow profile equilibrium of horizontal wells in Shengli Oil Field | |
| AU2012396846B2 (en) | System, method and computer program product for evaluating and ranking geobodies using a Euler Characteristic | |
| Artun et al. | A pattern-based approach to waterflood performance prediction using knowledge management tools and classical reservoir engineering forecasting methods | |
| Du et al. | Research on the Optimization of a Drilling Rock Breaking Method Based on Fuzzy Cluster Analysis [J] | |
| Xie et al. | Analysis of the applicability of a risk quantitative evaluation method to high temperature-pressure drilling engineering | |
| Zhu et al. | Lessons learned from existing horizontal fractured wells on university lands in the Midland Basin: rate transient analyses vs completion and field development optimization | |
| Deryaev | Prospect forecast for drilling ultra-deep wells in difficult geological conditions of western Turkmenistan | |
| Aslam et al. | Capacitance Resistance Clustered Model for Mature Peripheral Waterflood Performance Prediction & Optimization | |
| Sayed et al. | Determination of the suitable drilling operating parameters in different geological formations El-Sharara Oil Field (South-Western Libya) | |
| Al-adliy et al. | Comparison Different Techniques of Optimum Location for Infill Well Drilling | |
| Pu et al. | Prediction of the Control Effect of Fractured Leakage in Unconventional Reservoirs Using Machine Learning Method | |
| CN112031740B (zh) | 基于地层元素的页岩气地质甜点评价方法及装置 | |
| Aldhuhoori et al. | A Well-Based Field Development Redefinition of Unconventional Reservoirs Through Unconventionality Index: Utilizing Machine Learning | |
| Lu | Knowledge Management Best Practices and Application in Field Development, IORs and Life-Cycle Reservoir Management |
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 |