CN113090188A - 基于机器学习的智能钻井实时井眼轨迹测量方法及系统 - Google Patents
基于机器学习的智能钻井实时井眼轨迹测量方法及系统 Download PDFInfo
- Publication number
- CN113090188A CN113090188A CN202110455700.XA CN202110455700A CN113090188A CN 113090188 A CN113090188 A CN 113090188A CN 202110455700 A CN202110455700 A CN 202110455700A CN 113090188 A CN113090188 A CN 113090188A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- intelligent
- drilling tool
- machine learning
- 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 88
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 238000000691 measurement method Methods 0.000 title claims description 6
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000005358 geomagnetic field Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 239000003208 petroleum Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- -1 drilling Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012800 visualization Methods 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
- E21B7/00—Special methods or apparatus for drilling
- E21B7/04—Directional drilling
-
- 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
-
- 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
- E21B47/02—Determining slope or direction
- E21B47/022—Determining slope or direction of the borehole, e.g. using geomagnetism
-
- 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
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了基于机器学习的智能钻井实时井眼轨迹测量方法及系统，包括井下钻具，所述井下钻具内部分别连接有检测传感器模块、采集处理模块和智能控制模块。采用该测量系统可实现井眼轨迹姿态参数实时监测、采集、控制和决策，并及时处理，实现井下闭环控制，提高智能钻井的准确度及钻井效率。解决了传统方法需要通过电缆或泥浆脉冲法传输模式将采集数据传输至地面系统，再由地面工程师根据经验下达控制指令的弊端。
Description
技术领域
本发明涉及石油钻井工程技术领域，具体为基于机器学习的智能钻井实时井眼轨迹测量方法及系统。
背景技术
随着石油工业的不断发展和科学技术的进步，钻井技术将进入人工智能钻井的新阶段，石油科技将向着信息化、智能化、集成化和可视化的方向发展。智能钻井是将人工智能的理论、方法和技术应用于钻井过程，使其具有人工智能特性和功能。智能钻井是一种结合了新材料、钻井、油藏、通信、计算机等技术于一体的全自动钻井系统，可根据井下地质情况和油藏位置自动调整井眼轨迹，并自动寻找和钻进至最佳储能层位置，从而获得最大产能，提高采收率和降低钻井成本。机器学习是使机器具有智能化的根本途径，将机器学习与钻井技术交叉应用，从而将智能钻井推向一个新的阶段。
目前钻井过程中通常采用钻井液脉冲信息传输数据或有线电缆通讯传输方式，将井下钻井工具测量的数据通过上行通讯网络系统传输至地面系统，再由地面工程师对传输上来的实时井眼参数进行分析和处理后，然后把需要调整的井眼轨迹参数通过下行通讯系统下发指令传输给井下钻井系统。这两种方法仅能够获得较少的钻井数据，无法实时反映井底真实状态，并无法实时对井下情况及时作出判断和调整，且地面测量结果也不能满足精细描述油藏特性的要求。而造成这些问题的关键的原因是无法将井下大量测量数据实时传输送至地面系统。
发明内容
本发明的目的在于提供基于机器学习的智能钻井实时井眼轨迹测量方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于机器学习的智能钻井实时井眼轨迹测量方法，其特征在于：包括以下步骤：
步骤1、建立智能动态数据库；
将实时钻井数据及模拟钻井数据录入智能动态数据库；
步骤2、轨迹参数采集和处理；
对当前时刻地层参数和井眼轨迹信息进行采集和测量，通过计算得到实时井眼轨迹参数，将智能动态数据库中的信息与井下钻具实时测量的井眼轨迹姿态参数进行对比分析，评价井下钻具的实时状态；
步骤3、机器学习；
采用决策树算法对步骤2中得到的实时数据进行机器训练，对本井已钻作业井段的样本进行学习，优化智能动态数据库，同步完成机器学习；
步骤4、轨迹校正；
将智能动态数据库中的实时井眼轨迹数据与目标轨迹数据进行比对和分析，一旦实时井眼轨迹数据不满足目标轨迹数据，对井眼轨迹实时校正，通过分析和判断当前状态，产生控制指令，直接在井下实现闭环控制；
步骤5、导向控制；
根据校正后的指令对井下钻具的导向测控系统进行控制，调整井下钻具的导向方向和导向能力，从而控制井下钻具的运动方向，完成后继续重复所述步骤1-5，实现实时测量。
进一步而言，所述时井眼轨迹参数包括井斜角、方位角和工具面角数据，所述井斜角、方位角和工具面角的计算公式如下：
式(1)中，g表示当地重力加速度，Gx，Gy与Gz分别为载体沿仪器坐标系X，Y与Z轴重力加速度的分量，I表示井斜角和T表示工具面角；
方位角A计算公式如下所示：
式(2)中，Bz为载体沿仪器坐标系Z轴地磁场分量；BN，BW与BS的表达式如下：
其中，α为磁偏角，即地磁北极与地理北极之间的夹角；D为磁倾角，即地球表面上任意一点总地磁场强度矢量与水平面之间的夹角，B表示地磁场的磁感应强度。
进一步而言，所述步骤2中井下钻具实时测量的井眼轨迹姿态参数采用自适应卡尔曼滤波降噪后，将更新后的井眼轨迹姿态参数再存储于智能动态数据库中。
进一步而言，基于机器学习的智能钻井实时井眼轨迹测量方法的系统，包括井下钻具，所述井下钻具内部分别连接有检测传感器模块、采集处理模块和智能控制模块；
所述检测传感器模块包括三轴加速度计、三轴磁通门和高速陀螺仪，所述三轴加速度计、三轴磁通门和高速陀螺仪按照三轴正交方式安装于井下钻具内部；
所述采集处理模块包括调制解调电路、AD模数转换、Flash多媒体软件平台和SDRAM同步动态随机存取内存，所述调制解调电路、AD模数转换、Flash多媒体软件平台和SDRAM同步动态随机存取内存均分别电连接于井下钻具的电路总成单元；
所述智能控制模块包括中央处理器和智能动态数据库，所述中央处理器安装于井下钻具的电路总成单元，所述智能动态数据库嵌套于智能控制模块内部。
进一步而言，所述检测传感器模块和电路总承单元均设置于井下钻具内部且所述检测传感器模块电性连接于电路总成单元。
与现有技术相比，本发明的有益效果是：
采用该测量系统可实现井眼轨迹姿态参数实时监测、采集、控制和决策，并及时处理，实现井下闭环控制，提高智能钻井的准确度及钻井效率。解决了传统方法需要通过电缆或泥浆脉冲法传输模式将采集数据传输至地面系统，再由地面工程师根据经验下达控制指令的弊端。
附图说明
图1为本发明的系统结构示意图；
图2为本发明的井下钻具结构示意图；
图3为本发明的使用步骤流程图。
图中：检测传感器模块-1、采集处理模块-2、智能控制模块-3、井下钻具-4、三轴加速度计-101、三轴磁通门-102、高速陀螺仪-103。
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1-3，本发明提供一种技术方案：
基于机器学习的智能钻井实时井眼轨迹测量方法，其特征在于：包括以下步骤：
步骤1、建立智能动态数据库；
将实时钻井数据及模拟钻井数据录入智能动态数据库；
步骤2、轨迹参数采集和处理；
对当前时刻地层参数和井眼轨迹信息进行采集和测量，通过计算得到实时井眼轨迹参数，将智能动态数据库中的信息与井下钻具实时测量的井眼轨迹姿态参数进行对比分析，评价井下钻具的实时状态；
步骤3、机器学习；
采用决策树算法对步骤2中得到的实时数据进行机器训练，对本井已钻作业井段的样本进行学习，优化智能动态数据库，同步完成机器学习；
步骤4、轨迹校正；
将智能动态数据库中的实时井眼轨迹数据与目标轨迹数据进行比对和分析，一旦实时井眼轨迹数据不满足目标轨迹数据，对井眼轨迹实时校正，通过分析和判断当前状态，产生控制指令，直接在井下实现闭环控制；
步骤5、导向控制；
根据校正后的指令对井下钻具的导向测控系统进行控制，调整井下钻具的导向方向和导向能力，从而控制井下钻具的运动方向，完成后继续重复所述步骤1-5，实现实时测量。
本发明中，所述时井眼轨迹参数包括井斜角、方位角和工具面角数据，所述井斜角、方位角和工具面角的计算公式如下：
式(1)中，g表示当地重力加速度，Gx，Gy与Gz分别为载体沿仪器坐标系X，Y与Z轴重力加速度的分量，I表示井斜角和T表示工具面角；
方位角A计算公式如下所示：
式(2)中，Bz为载体沿仪器坐标系Z轴地磁场分量；BN，BW与BS的表达式如下：
其中，α为磁偏角，即地磁北极与地理北极之间的夹角；D为磁倾角，即地球表面上任意一点总地磁场强度矢量与水平面之间的夹角，B表示地磁场的磁感应强度。
本发明中，所述步骤2中井下钻具实时测量的井眼轨迹姿态参数采用自适应卡尔曼滤波降噪后，将更新后的井眼轨迹姿态参数再存储于智能动态数据库中。
本发明中，基于机器学习的智能钻井实时井眼轨迹测量方法的系统，包括井下钻具4，所述井下钻具4内部分别连接有检测传感器模块1、采集处理模块2和智能控制模块3；
所述检测传感器模块1包括三轴加速度计101、三轴磁通门102和高速陀螺仪103，所述三轴加速度计101、三轴磁通门102和高速陀螺仪103按照三轴正交方式安装于井下钻具内部；
所述采集处理模块2包括调制解调电路、AD模数转换、Flash多媒体软件平台和SDRAM同步动态随机存取内存，所述调制解调电路、AD模数转换、Flash多媒体软件平台和SDRAM同步动态随机存取内存均分别电连接于井下钻具的电路总成单元；
所述智能控制模块3包括中央处理器和智能动态数据库，所述中央处理器安装于井下钻具的电路总成单元，所述智能动态数据库嵌套于智能控制模块内部。
本发明中，所述检测传感器模块1和电路总承单元均设置于井下钻具4内部且所述检测传感器模块1电性连接于电路总成单元。
工作原理：
首先，建立智能动态数据库，将实钻井数据或者模拟钻井数据存入数据库，其中包括临近井测井及解释数据得到的相关地质资料，以及现场设定参数形成的控制指令，将智能动态数据库嵌入至智能钻井实时井眼轨迹测量系统中。然后，利用检测传感器模块1对当前时刻地层参数和井眼轨迹信息进行采集和测量，通过计算得到实时井眼轨迹参数，包括井斜角、方位角和工具面角等。由井下钻具4内部的智能控制模块3中的中央处理器对测量数据采用自适应卡尔曼滤波降噪后，将更新后的井眼轨迹姿态参数再存储于动态数据库中。再分析和对比动态数据库中的信息与井下钻具4实时测量的井眼轨迹姿态参数，评价井下钻具4的实时状态。其次，采用决策树算法，并对已钻作业井段的样本进行机器学习，优化知识库。一旦实时井眼轨迹参数不满足目标轨迹，通过分析和判断当前状态，由中央处理器发送控制指令，对井眼轨迹实时校正，直接在井下实现闭环控制。同时发送控制指令，直接在井下实现闭环控制，调整导向方向和导向能力，最终实现控制钻头的运动方向。
采用该测量系统可实现井眼轨迹姿态参数实时监测、采集、控制和决策，并及时处理，实现井下闭环控制，提高智能钻井的准确度及钻井效率。解决了传统方法需要通过电缆或泥浆脉冲法传输模式将采集数据传输至地面系统，再由地面工程师根据经验下达控制指令的弊端。
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 (5)
1.基于机器学习的智能钻井实时井眼轨迹测量方法，其特征在于：包括以下步骤：
步骤1、建立智能动态数据库；
将实时钻井数据及模拟钻井数据录入智能动态数据库；
步骤2、轨迹参数采集和处理；
对当前时刻地层参数和井眼轨迹信息进行采集和测量，通过计算得到实时井眼轨迹参数，将智能动态数据库中的信息与井下钻具实时测量的井眼轨迹姿态参数进行对比分析，评价井下钻具的实时状态；
步骤3、机器学习；
采用决策树算法对步骤2中得到的实时数据进行机器训练，对本井已钻作业井段的样本进行学习，优化智能动态数据库，同步完成机器学习；
步骤4、轨迹校正；
将智能动态数据库中的实时井眼轨迹数据与目标轨迹数据进行比对和分析，一旦实时井眼轨迹数据不满足目标轨迹数据，对井眼轨迹实时校正，通过分析和判断当前状态，产生控制指令，直接在井下实现闭环控制；
步骤5、导向控制；
根据校正后的指令对井下钻具的导向测控系统进行控制，调整井下钻具的导向方向和导向能力，从而控制井下钻具的运动方向，完成后继续重复所述步骤1-5，实现实时测量。
2.根据权利要求1所述的基于机器学习的智能钻井实时井眼轨迹测量方法，其特征在于：所述时井眼轨迹参数包括井斜角、方位角和工具面角数据，所述井斜角、方位角和工具面角的计算公式如下：
式(1)中，g表示当地重力加速度，Gx，Gy与Gz分别为载体沿仪器坐标系X，Y与Z轴重力加速度的分量，I表示井斜角和T表示工具面角；
方位角A计算公式如下所示：
式(2)中，Bz为载体沿仪器坐标系Z轴地磁场分量；BN，BW与BS的表达式如下：
其中，α为磁偏角，即地磁北极与地理北极之间的夹角；D为磁倾角，即地球表面上任意一点总地磁场强度矢量与水平面之间的夹角，B表示地磁场的磁感应强度。
3.根据权利要求1所述的基于机器学习的智能钻井实时井眼轨迹测量方法，其特征在于：所述步骤2中井下钻具实时测量的井眼轨迹姿态参数采用自适应卡尔曼滤波降噪后，将更新后的井眼轨迹姿态参数再存储于智能动态数据库中。
4.应用权利要求1-3任一项所述的基于机器学习的智能钻井实时井眼轨迹测量方法的系统，其特征在于：包括井下钻具(4)，所述井下钻具(4)内部分别连接有检测传感器模块(1)、采集处理模块(2)和智能控制模块(3)；
所述检测传感器模块(1)包括三轴加速度计(101)、三轴磁通门(102)和高速陀螺仪(103)，所述三轴加速度计(101)、三轴磁通门(102)和高速陀螺仪(103)按照三轴正交方式安装于井下钻具内部；
所述采集处理模块(2)包括调制解调电路、AD模数转换、Flash多媒体软件平台和SDRAM同步动态随机存取内存，所述调制解调电路、AD模数转换、Flash多媒体软件平台和SDRAM同步动态随机存取内存均分别电连接于井下钻具的电路总成单元；
所述智能控制模块(3)包括中央处理器和智能动态数据库，所述中央处理器安装于井下钻具的电路总成单元，所述智能动态数据库嵌套于智能控制模块内部。
5.根据权利要求4所述的基于机器学习的智能钻井实时井眼轨迹测量系统，其特征在于：所述检测传感器模块(1)和电路总承单元均设置于井下钻具(4)内部且所述检测传感器模块(1)电性连接于电路总成单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110455700.XA CN113090188B (zh) | 2021-04-26 | 2021-04-26 | 基于机器学习的智能钻井实时井眼轨迹测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110455700.XA CN113090188B (zh) | 2021-04-26 | 2021-04-26 | 基于机器学习的智能钻井实时井眼轨迹测量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113090188A true CN113090188A (zh) | 2021-07-09 |
| CN113090188B CN113090188B (zh) | 2022-12-20 |
Family
ID=76680017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110455700.XA Active CN113090188B (zh) | 2021-04-26 | 2021-04-26 | 基于机器学习的智能钻井实时井眼轨迹测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113090188B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114016911A (zh) * | 2021-10-29 | 2022-02-08 | 中国石油天然气集团有限公司 | 一种基于推靠式旋转导向系统随钻前探的方法与装置 |
| CN115628010A (zh) * | 2022-12-21 | 2023-01-20 | 中海油田服务股份有限公司 | 一种旋转导向工具和应用其的钻井工具 |
| CN116398111A (zh) * | 2023-06-07 | 2023-07-07 | 四川众恒精诚地质勘测有限公司 | 一种面向地质勘测的岩土层钻进系统及方法 |
| CN118309407A (zh) * | 2024-03-29 | 2024-07-09 | 北京蓝海智信能源技术有限公司 | 一种定向井信息共享设备及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110500034A (zh) * | 2019-08-30 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法 |
| CN110500081A (zh) * | 2019-08-31 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 一种基于深度学习的自动钻井方法 |
| CN111810113A (zh) * | 2020-08-11 | 2020-10-23 | 中国石油天然气集团有限公司 | 一种基于深度学习的旋转导向自动钻井方法 |
| CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
| US20200370409A1 (en) * | 2019-05-21 | 2020-11-26 | Schlumberger Technology Corporation | Drilling Control |
-
2021
- 2021-04-26 CN CN202110455700.XA patent/CN113090188B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200370409A1 (en) * | 2019-05-21 | 2020-11-26 | Schlumberger Technology Corporation | Drilling Control |
| CN110500034A (zh) * | 2019-08-30 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法 |
| CN110500081A (zh) * | 2019-08-31 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 一种基于深度学习的自动钻井方法 |
| CN111810113A (zh) * | 2020-08-11 | 2020-10-23 | 中国石油天然气集团有限公司 | 一种基于深度学习的旋转导向自动钻井方法 |
| CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114016911A (zh) * | 2021-10-29 | 2022-02-08 | 中国石油天然气集团有限公司 | 一种基于推靠式旋转导向系统随钻前探的方法与装置 |
| CN115628010A (zh) * | 2022-12-21 | 2023-01-20 | 中海油田服务股份有限公司 | 一种旋转导向工具和应用其的钻井工具 |
| CN116398111A (zh) * | 2023-06-07 | 2023-07-07 | 四川众恒精诚地质勘测有限公司 | 一种面向地质勘测的岩土层钻进系统及方法 |
| CN116398111B (zh) * | 2023-06-07 | 2023-09-22 | 四川众恒精诚地质勘测有限公司 | 一种面向地质勘测的岩土层钻进系统及方法 |
| CN118309407A (zh) * | 2024-03-29 | 2024-07-09 | 北京蓝海智信能源技术有限公司 | 一种定向井信息共享设备及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113090188B (zh) | 2022-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113090188B (zh) | 基于机器学习的智能钻井实时井眼轨迹测量方法及系统 | |
| CN110500034B (zh) | 建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法 | |
| CN106285476B (zh) | 一种水平钻井实时地震地质综合导向方法 | |
| EP2929141B1 (en) | Weighting function for inclination and azimuth computation | |
| CN104453713B (zh) | 一种利用旋转导向工具控制井眼轨迹的方法 | |
| AU2013406722B2 (en) | Controlling a bottom hole assembly in a wellbore | |
| CN105917074A (zh) | 使用不确定性计算管理井筒操作 | |
| CN108387205B (zh) | 基于多传感器数据融合的钻具姿态测量系统的测量方法 | |
| AU2012287399B2 (en) | Method and system of displaying data associated with drilling a borehole | |
| CN104975808A (zh) | 一种深层水平井钻井轨迹调整方法 | |
| CN106030031A (zh) | 控制井筒操作 | |
| CN103774989A (zh) | 随钻动态建模待钻井轨迹设计水平井地质导向分析方法 | |
| CN105545289A (zh) | 一种正钻井与相邻已钻井主动防碰的方法 | |
| CN107861917B (zh) | 水平井中多元数据联合计算井眼到地层边界距离的方法 | |
| CN109557584A (zh) | 一种水平钻井实时地震地质综合导向方法 | |
| CN102322256A (zh) | 水平井着陆导向方法 | |
| US20160282513A1 (en) | Improving Well Survey Performance | |
| Gan et al. | Intelligent Nadaboost-ELM modeling method for formation drillability using well logging data | |
| CN114764844B (zh) | 页岩气钻井优化设计方法及装置 | |
| CN107829684A (zh) | 3d地质模型—3d水平井轨迹实时联动的钻井方法 | |
| Gao et al. | Real Time Trajectory Parameters Measurement on Machine Learning for Intelligent Drilling | |
| CN112901070B (zh) | 水平井随钻跟踪的方法和控制钻头钻进方向的控制方法 | |
| US20240035366A1 (en) | Use of self-organizing-maps with logging-while-drilling data to delineate reservoirs in 2d and 3d well placement models | |
| Shen et al. | Intelligent Switch Control Algorithm of the Push-The-Bit Rotary Steerable Drilling System | |
| CN118094848A (zh) | 斜井倾斜地层真倾角的确定方法、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |