CN113111586A - 一种基于神经网络的钻井堵漏配方预测方法 - Google Patents
一种基于神经网络的钻井堵漏配方预测方法 Download PDFInfo
- Publication number
- CN113111586A CN113111586A CN202110419715.0A CN202110419715A CN113111586A CN 113111586 A CN113111586 A CN 113111586A CN 202110419715 A CN202110419715 A CN 202110419715A CN 113111586 A CN113111586 A CN 113111586A
- Authority
- CN
- China
- Prior art keywords
- data
- formula
- neural network
- drilling
- plugging
- 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
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于神经网络的钻井堵漏配方预测方法,其中实施例涉及数据挖掘技术领域和钻井堵漏领域,具体涉及一种基于神经网络数据挖掘的钻井堵漏配方预测方法。所述方法为:首先基于数据挖掘采集堵漏配方井史数据资料;将采集到的井史数据资料进行数据预处理,数据预处理内容包括数据清洗、数据集成、数据转换、数据归约、数据归一化处理,最终得到经过预处理后的井史数据资料;将预处理后的堵漏配方井史数据资料作为输入,堵漏配方作为输出,以真实堵漏配方为标准值,构建并优化神经网络堵漏配方预测模型;训练改进后的BP神经网络模型;正钻井堵漏配方即时预测;本发明能够实现钻井循环压耗自动预测。
Description
技术领域
本发明涉及一种基于神经网络数据挖掘的钻井堵漏配方预测方法,属于钻井液裂缝性漏失及堵漏领域。
背景技术
在钻井施工作业中,随着钻井液密度增加,常常会因井下地层孔隙压力小于钻井液柱压力而发生井漏。井漏是钻井施工中耗时最多和增加成本很多的井下复杂情况,据估计由于井漏占用的钻井时间和材料等费用每年需花费十亿美元以上。钻井作业中,井漏严重制约钻井速度,各类复杂情况与井漏直接相关,并造成巨大经济损失,特别是造成钻井液成本居高不下的主要原因,井漏的治理事关勘探开发进程。一直是国内外石油工程界特别关注的问题。由于漏失原因复杂、制约因素很多,使之成为国内外钻井、完井工程至今未能完全解决的重大技术难题。
无论在陆地还是海洋,钻井作业环境相对都比较恶劣,施工过程中存在着多种不安全因素,其中井漏是石油钻井、完井过程中经常遇到的复杂问题,由此引起的井下复杂情况和由它诱发的其它井下恶性事故,对钻井、完井工程危害很大,井漏问题的复杂性,使之至今防止井漏和堵漏技术仍具有很强的针对性,堵漏技术仍以现场实践经验为主。通过设计合理的井身结构、钻井液密度、类型、配方、性能及工程技术措施,有效地预防了一些井漏的发生,同时注重了堵漏材料的发展,从单一的桥接堵漏材料转化成了复合堵漏材料,并开发出了酸溶性的暂堵剂和单向压力封闭剂等一系列有储层保护作用的堵漏材料。但是在堵漏配方方面依然需要通过现场实践来进行,增加了石油钻井进程,增大了石油开采成本,因此本专利运用神经网络预测堵漏配方,极大的提高了工作效率,更加精确快速的预测出不同情况下的堵漏配方,确保钻井过程中安全施工。
发明内容
本发明克服了现有技术的不足,提供了一种高效准确预测堵漏配方的方法。解决了钻井过程中堵漏配方难以快速选出、准确掌握的问题。
为解决上述问题,本发明技术如以下步骤:
1)基于数据挖掘采集堵漏配方井史数据资料
通过对采集到的井史数据资料整理得到预测堵漏配方所需的10个参数:各层段岩性、地层孔隙压力系数、井深结构、钻井液粘度、钻井液密度、井史漏失泵压、井史漏失钻速、井史漏失速度、井史漏失量、井史不同层段漏失所用配方;将所采集的井史数据资料作为训练模型的标准样本。
2)将采集到的井史数据资料进行数据预处理,数据预处理内容包括数据清洗、数据集成、数据转换、数据归约、数据归一化处理,最终得到经过预处理后的井史数据资料
上述数据预处理的进一步特征在于:
2-1)所述数据清洗的内容为检查数据的一致性、处理逻辑错误、数据缺失值填补、噪声处理;
2-2)所述数据集成指把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中,从而为之后数据分析提供全面共享;
2-3)所述数据转换是指将原始数据变化成适合数据分析的形式,数据转换的主要内容有数据平滑、数据聚集、数据泛化、数据规范化;
2-4)所述数据归约是指在尽可能保持数据原貌的前提下,最大限度地精简数据量,
2-5)所述数据归一化处理采用Min-Max标准化来进行数据预处理。
3)将预处理后的堵漏配方井史数据资料作为输入,堵漏配方作为输出,以真实堵漏配方为标准值,构建并优化神经网络堵漏配方预测模型;
上述技术方案的进一步特征在于,所述的神经网络堵漏配方预测模型构建方案如下:
A-3-1)确定输入层和输出层神经元参数。将1)中采集的10个参数作为输入层神经元参数;
A-3-2)确定隐层神经元。神经网络隐层神经元个数使用下式来确定:
A-3-3)确定传递函数。隐层传递函数采用S型函数,输出层传递函数采用线性函数。
所述的优化神经网络堵漏配方预测模型,进一步特征在于,本发明采用PSO算法对模型进行无约束优化,其优化步骤如下:
B-3-1)确定PSO算法优化对象;
B-3-2)确定的粒子维数构建初始粒子群;
B-3-3)计算粒子的适应度函数;
B-3-4)根据步骤(3)中的适应度值评价粒子群中所有个体,并更新当前粒子的个体最优值pi和全局最优值pg;
B-3-5)更新粒子的速度和位置;
B-3-6)迭代计算输出最优粒子。
4)训练改进后的BP神经网络模型。将步骤3得到PSO算法优化后BP神经网络模型按照梯度下降法进行再次优化,使改进后的BP神经网络模型再进一步小范围搜索,得到最终的堵漏配方预测模型。
5)正钻井堵漏配方及时预测
根据给定的钻井液性能要求,输入目标正钻井相关钻井即时数据,由所设置的模型自动判断并给出相应的堵漏配方。
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2BP神经网络模型结构示意图。
附图3钻井堵漏配方预测方法实施流程图。
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,很显然本实例只是本申请中的一部分实例,并非全部实例。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,数据处理内容包括数据清洗、数据集成、数据转换、数据归约、数据归一化处理,其中数据清洗内容主要包括检查数据的一致性、处理逻辑错误、数据缺失值填补及噪声处理;数据集成是把不同来源、格式、特点性质的井史数据在逻辑上或物理上有机地集中;数据转换内容主要有数据平滑、数据聚集、数据泛化、数据规范化;数据归约内容主要有特征归约、数量归约、维归约、值归约;数据归一化处理的内容是通过Min-Max标准化使数据的所有特征都映射到同一尺度上。
图2是本发明技术方案中的神经网络结构示意图,本实例为了全面考虑主要参数对钻井堵漏配方预测的影响,将预处理后的堵漏配方井史数据资料作为输入,堵漏配方作为输出,以真实堵漏配方为标准值,构建并优化堵漏配方预测神经网络模型。
图3是本发明技术方案的实施流程图,具体如下:
1)基于数据挖掘采集堵漏配方井史数据资料
通过对采集到的井史数据资料整理得到预测堵漏配方所需的10个参数:各层段岩性、地层孔隙压力系数、井深结构、钻井液粘度、钻井液密度、井史漏失泵压、井史漏失钻速、井史漏失速度、井史漏失量、井史不同层段漏失所用配方;将所采集的井史数据资料作为训练模型的标准样本。
2)将采集到的井史数据资料进行数据预处理,数据预处理内容包括数据清洗、数据集成、数据转换、数据转换、数据归约、数据归一化处理,最终得到经过预处理后的井史数据资料
上述数据预处理的进一步特征在于:
2-1)所述数据清洗是通过分析脏数据产生的原因和存在形式,构建数据清洗模型和算法完成脏数据清除,实现将不符合要求的数据转化成满足数据质量和要求的数据
针对上述数据预处理内容中数据清洗的进一步特征在于,数据清洗是对数据的初步的分析,其主要包括检查数据的一致性、处理逻辑错误、数据缺失值填补及噪声处理,是整个分析过程中不可或缺的一个环节。其清洗步骤如下:
2-2-1)根据每个变量的合理取值范围和相互关系进行一致性检查,检查数据是否合乎要求,将超出正常范围、逻辑上不合理或者相互矛盾的数据进行纠正和剔除;
2-2-2)将逻辑内容与原数据不一致的数据进行剔除,同时对于逻辑错误的数据先进行去重,然后去除不合理值,最后修正矛盾内容;
2-2-3)将清洗过程中所缺失的值利用极大似然估计法进行填补;
2-2-4)通过分箱方法考察数据近邻的值来光滑有序的数据值。
2-2)所述数据集成指把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中,从而为之后数据分析提供全面共享;
上述数据集成进一步特征在于,将存储在MySQL、excel、Access三种数据格式下的不同数据全部导入Access数据库中,使其格式得到统一,通过采用数据仓库的方法将数据存放于模型中。
2-3)所述数据转换是指将原始数据变化成适合数据分析的形式,数据转换的主要内容有数据平滑、数据聚集、数据泛化、数据规范化;
上述所述进一步特征在于,所述数据转换的具体过程为:
将原数据通过回归方法除去数据中的噪声,然后将有关属性数据按比例投射到特定的小范围之中,再根据已有属性集构造新的属性,最后对数据进行总结和合计操作。
2-4)所述数据归约是指在尽可能保持数据原貌的前提下,最大限度地精简数据量;
上述所述数据归约进一步特征在于,所述数据归约的主要内容有特征归约、数量归约、维归约、值归约;
上述所述再进一步特征为:
所述特征归约是从原有的特征中删除不重要或不相关的特征数据,然后通过对特征数据进行重组来减少特征的个数;
所述数量归约就是用可替代的、较小的数据替换原始数据,使用模型估计数据的方法,使得模型中只需存放模型参数数据;
所述维归约是运用主成分分析方法减少所考虑的随机变量或属性的个数;
所述值归约是利用特征离散化技术,减少已知特征的离散值数目,将连续型特征的值离散化,使之成为少量的区间,易于理解数据和最终数据结果。
2-5)所述数据归一化处理采用Min-Max标准化进行数据预处理;
上述进一步特征在于,所述Min-Max标准化具体公式为:
上式进一步特征在于,其中x为原数据,x′为新数据,Max(x)为数据中最大数据值,Min(x)为数据中最小数据值。
3)将预处理后的井史数据资料作为输入,所求不同层段堵漏配方作为输出,以真实堵漏配方为标准值,构建并优化神经网络堵漏配方预测模型;
上述技术方案的进一步特征在于,所述的神经网络堵漏配方预测模型构建方案如下:
3-1)确定输入层和输出层神经元参数,将1)中采集的10个参数作为输入层神经元参数,将所求不同层段堵漏配方作为输出层参数,本次所求不同层段设定为3个层段;
3-2)确定隐层神经元,神经网络隐层神经元个数使用下式来确定;
其中,m为输入层神经元的个数,对应等于10,n为输出层神经元的个数,对应等于3,表示向下取整符号,a为[1,10]的整数,本实施例中a取5,计算可得隐层神经元个数为8,则本实施例中网络结构为10-8-3的三层BP神经网络;
所述的优化神经网络堵漏配方预测模型,进一步特征在于,本发明采用PSO算法对模型进行无约束优化,其具体方案如下:
(1)确定PSO算法优化对象,将BP神经网络模型中的权值和阈值的集合作为算法PSO要优化的参数,参数个数为每个粒子的维数d,使用下式来确定:
d=ml+nl+n=10×8+8×3+3=107
(2)确定的粒子维数构建初始粒子群。由系统随机生成200个粒子构建初始粒子群,第i个粒子的位置矢量表示为xi=[xi1,xi2,…,xid]T,速度矢量表示为vi=[vi1,vi2,…,vid]T,到当前迭代为止粒子个体最优位置记为pi=[pi1,pi2,…,pid]T,全局最优位置记为pg=[pg1,pg2,…,pgd]T;
(3)计算粒子的适应度函数,使用下式确定:
其中M表示训练样本的个数,Pp1,Pp2,Pp3分别表示第p个样本在三个不同层段预测输出的堵漏配方误差值,Tp1,Tp2,Tp3分别表示第p个样本在三个不同层段实际的堵漏配方误差值。
(4)根据步骤(3)中的适应度值评价粒子群中所有个体,并更新当前粒子的个体最优值pi和全局最优值pg。
(5)使用下面两式更新粒子的速度和位置:
v(t+1)=w×v(t)+c1×r1×(pid-x(t))+c2×r2×(pgd-x(t))
x(t+1)=x(t)+v(v+1)
式中t表示迭代次数,w表示权重,c1和c2表示加速因子,是非负常数,一般设为2,r1和r2为[0,1]之间的随机数。
(6)迭代计算输出最优粒子。当适应度值Fit小于设定值或达到迭代次数时PSO算法终止,将全局最优值pg映射到BP神经网络的权值和阈值,即得到PSO算法优化后的BP神经网络模型。
4)训练改进后的BP神经网络模型。将步骤3得到PSO算法优化后BP神经网络模型按照梯度下降法进行再次优化,使改进后的BP神经网络模型再进一步小范围搜索,得到最终的堵漏配方预测模型。
5)正钻井堵漏配方及时预测
根据给定的钻井液性能要求,输入目标正钻井相关钻井即时数据,由所设置的模型自动判断并给出相应的堵漏配方。
本申请并不限于上述实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的实施方式仅仅是示意性的,并不是限制性的。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。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合和替换。为了避免不必要的重复,本发明对各种可能的组合及替换方式不再另行说明。
Claims (4)
1.一种基于神经网络的钻井堵漏配方预测方法,其特征在于,包括:
通过对采集到的井史数据资料整理得到预测堵漏配方所需的10个参数:各层段岩性、地层孔隙压力系数、井深结构、钻井液粘度、钻井液密度、井史漏失泵压、井史漏失钻速、井史漏失速度、井史漏失量、井史不同层段漏失所用配方;
将采集到的井史数据资料进行数据预处理,数据预处理内容包括数据清洗、数据集成、数据转换、数据归约、数据归一化处理,最终得到经过预处理后的堵漏配方井史数据;
将预处理后的堵漏配方井史数据资料作为输入,堵漏配方作为输出,以真实堵漏配方为标准值,建立并优化神经网络堵漏配方预测模型;
按照梯度下降法训练优化后的神经网络堵漏配方预测模型;
根据给定的钻井液性能要求,输入目标正钻井相关钻井即时数据,由所设置的模型自动判断并给出相应的堵漏配方。
2.根据权利要求1所述一种基于神经网络的钻井堵漏配方预测方法,其特征在于,所述的数据预处理中数据清洗步骤具体为:
根据每个变量的合理取值范围和相互关系进行一致性检查,检查数据是否合乎要求,将超出正常范围、逻辑上不合理或者相互矛盾的数据进行纠正和剔除;
将逻辑内容与原数据不一致的数据进行剔除,同时对于逻辑错误的数据先进行去重,然后去除不合理值,最后修正矛盾内容;
将清洗过程中所缺失的值利用极大似然估计法进行填补;
通过分箱方法考察数据近邻的值来光滑有序的数据值;
所述的数据预处理中数据集成的内容具体为:
将存储在MySQL、excel、Access三种数据格式下的不同数据全部导入Access数据库中,使其格式得到统一,通过采用数据仓库的方法将数据存放于模型中;
所述的数据预处理中数据转换的内容具体为:
数据转换的主要内容有数据平滑、数据聚集、数据泛化、数据规范化,所述的数据转换进一步特征在于,数据转换的具体过程为:
将原数据通过回归方法除去数据中的噪声,然后将有关属性数据按比例投射到特定的小范围之中,再根据已有属性集构造新的属性,最后对数据进行总结和合计操作;
所述的数据预处理中数据归约的内容具体为:
数据归约的主要内容有特征归约、数量归约、维归约、值归约;
上述所述再进一步特征为:
所述特征归约是从原有的特征中删除不重要或不相关的特征数据,然后通过对特征数据进行重组来减少特征的个数;
所述数量归约就是用可替代的、较小的数据替换原始数据,使用模型估计数据的方法,使得模型中只存放模型所需参数数据;
所述维归约是运用主成分分析方法减少所考虑的随机变量或属性的个数;
所述值归约是利用特征离散化技术,减少已知特征的离散值数目,将连续型特征的值离散化,使之成为少量的区间;
所述数据预处理中数据归一化处理的具体内容为:
采用Min-Max标准化进行数据预处理;
Min-Max标准化,即将数据减去数据中最小值后再除以数据中最大值和最小值之差,如下式:
上式进一步特征在于,其中x为原数据,x′为新数据,Max(x)为数据中最大数据值,Min(x)为数据中最小数据值。
3.根据权利要求1所述一种基于神经网络的钻井堵漏配方预测方法,其特征在于,所述的构建并优化堵漏配方预测神经网络模型中,堵漏配方预测神经网络模型的构建及优化过程为:
确定输入层和输出层神经元参数,将1)中采集的10个参数作为输入层神经元参数,将所求不同层段堵漏配方作为输出层参数,本次所求不同层段设定为3个层段;确定隐层神经元;确定传递函数;采用PSO算法对模型进行无约束优化。
4.根据权利要求3所述一种基于神经网络的钻井堵漏配方预测方法,其特征在于,所述确定隐层神经元,进一步特征在于,神经网络隐层神经元个数使用下式来确定:
其中,m为输入层神经元的个数,对应等于10,n为输出层神经元的个数,对应等于3,表示向下取整符号,a为[1,10]的整数,本实施例中a取5,计算可得隐层神经元个数为8,则本实施例中网络结构为10-8-3的三层BP神经网络;
所述确定传递函数具体内容为:
所述采用PSO算法对模型进行无约束优化具体方案为:
(1)确定PSO算法优化对象,将BP神经网络模型中的权值和阈值的集合作为算法要PSO优化的参数,参数个数为每个粒子的维数d,使用下式来确定:
d=ml+nl+n=10×8+8×3+3=107
(2)确定的粒子维数构建初始粒子群。由系统随机生成200个粒子构建初始粒子群,第i个粒子的位置矢量表示为xi=[xi1,xi2,…,xid]T,速度矢量表示为vi=[vi1,vi2,…,vid]T,到当前迭代为止粒子个体最优位置记为pi=[pi1,pi2,…,pid]T,全局最优位置记为pg=[pg1,pg2,…,pgd]T;
(3)计算粒子的适应度函数,使用下式确定:
其中M表示训练样本的个数,Pp1,Pp2,Pp3分别表示第p个样本在三个不同层段预测输出的堵漏配方误差值,Tp1,Tp2,Tp3分别表示第p个样本在三个不同层段实际的堵漏配方误差值;
(4)根据步骤(3)中的适应度值评价粒子群中所有个体,并更新当前粒子的个体最优值pi和全局最优值pg;
(5)使用下面两式更新粒子的速度和位置:
v(t+1)=w×v(t)+c1×r1×(pid-x(t))+c2×r2×(pgd-x(t))
x(t+1)=x(t)+v(v+1)
式中t表示迭代次数,w表示权重,c1和c2表示加速因子,pgd表示d维全局最优位置,pid表示d维个体最优位置,是非负常数,一般设为2,r1和r2为[0,1]之间的随机数;
(6)迭代计算输出最优粒子;当适应度值Fit小于设定值或达到迭代次数时PSO算法终止,将全局最优值pg映射到BP神经网络的权值和阈值,即得到PSO算法优化后的BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110419715.0A CN113111586B (zh) | 2021-04-19 | 2021-04-19 | 一种基于神经网络的钻井堵漏配方预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110419715.0A CN113111586B (zh) | 2021-04-19 | 2021-04-19 | 一种基于神经网络的钻井堵漏配方预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111586A true CN113111586A (zh) | 2021-07-13 |
CN113111586B CN113111586B (zh) | 2022-02-18 |
Family
ID=76718575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110419715.0A Active CN113111586B (zh) | 2021-04-19 | 2021-04-19 | 一种基于神经网络的钻井堵漏配方预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111586B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662390A (zh) * | 2022-03-22 | 2022-06-24 | 西南石油大学 | 一种基于svr算法的钻井漏失压力预测方法 |
CN114970676A (zh) * | 2022-04-25 | 2022-08-30 | 西南石油大学 | 一种基于数据挖掘的裂缝性漏失颗粒基堵漏配方推荐方法 |
CN115961950A (zh) * | 2023-02-03 | 2023-04-14 | 西南石油大学 | 基于岩石声学信息的水岩作用下钻井液密度下限预测方法 |
CN116401749A (zh) * | 2023-06-09 | 2023-07-07 | 吉林大学 | 一种循环井参数的确定方法、系统、电子设备及存储介质 |
CN116777908A (zh) * | 2023-08-18 | 2023-09-19 | 新疆塔林投资(集团)有限责任公司 | 油气井套管堵漏辅助方法及其系统 |
CN117035197A (zh) * | 2023-08-25 | 2023-11-10 | 成都理工大学 | 一种代价最低化的井漏智能预测方法 |
CN117035197B (zh) * | 2023-08-25 | 2024-06-04 | 成都理工大学 | 一种代价最低化的井漏智能预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112561211A (zh) * | 2021-02-19 | 2021-03-26 | 西南石油大学 | 基于神经网络深度学习的钻井循环压耗预测方法 |
-
2021
- 2021-04-19 CN CN202110419715.0A patent/CN113111586B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112561211A (zh) * | 2021-02-19 | 2021-03-26 | 西南石油大学 | 基于神经网络深度学习的钻井循环压耗预测方法 |
Non-Patent Citations (3)
Title |
---|
WANGDE QIU 等: "A Back-Propagation Neural Network Model Based on Genetic Algorithm for Prediction of Build-Up Rate in Drilling Process", 《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》 * |
王雷雯: "基于BP神经网络的钻井防漏堵漏关键参数研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
陈曾伟: "基于神经网络算法的井下裂缝诊断与堵漏技术", 《钻井液与完井液》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662390A (zh) * | 2022-03-22 | 2022-06-24 | 西南石油大学 | 一种基于svr算法的钻井漏失压力预测方法 |
CN114662390B (zh) * | 2022-03-22 | 2023-09-29 | 西南石油大学 | 一种基于svr算法的钻井漏失压力预测方法 |
CN114970676A (zh) * | 2022-04-25 | 2022-08-30 | 西南石油大学 | 一种基于数据挖掘的裂缝性漏失颗粒基堵漏配方推荐方法 |
CN114970676B (zh) * | 2022-04-25 | 2023-02-24 | 西南石油大学 | 一种基于数据挖掘的裂缝性漏失颗粒基堵漏配方推荐方法 |
CN115961950A (zh) * | 2023-02-03 | 2023-04-14 | 西南石油大学 | 基于岩石声学信息的水岩作用下钻井液密度下限预测方法 |
CN116401749A (zh) * | 2023-06-09 | 2023-07-07 | 吉林大学 | 一种循环井参数的确定方法、系统、电子设备及存储介质 |
CN116401749B (zh) * | 2023-06-09 | 2023-09-01 | 吉林大学 | 一种循环井参数的确定方法、系统、电子设备及存储介质 |
CN116777908A (zh) * | 2023-08-18 | 2023-09-19 | 新疆塔林投资(集团)有限责任公司 | 油气井套管堵漏辅助方法及其系统 |
CN116777908B (zh) * | 2023-08-18 | 2023-11-03 | 新疆塔林投资(集团)有限责任公司 | 油气井套管堵漏辅助方法及其系统 |
CN117035197A (zh) * | 2023-08-25 | 2023-11-10 | 成都理工大学 | 一种代价最低化的井漏智能预测方法 |
CN117035197B (zh) * | 2023-08-25 | 2024-06-04 | 成都理工大学 | 一种代价最低化的井漏智能预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113111586B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113111586B (zh) | 一种基于神经网络的钻井堵漏配方预测方法 | |
US20220413182A1 (en) | Recommendation engine for a cognitive reservoir system | |
Guo et al. | Waterflooding optimization with the INSIM-FT data-driven model | |
Saljooghi et al. | A new approach to improve permeability prediction of petroleum reservoirs using neural network adaptive wavelet (wavenet) | |
Hou et al. | A review of closed-loop reservoir management | |
Han et al. | Production forecasting for shale gas well in transient flow using machine learning and decline curve analysis | |
Hutahaean et al. | Reservoir development optimization under uncertainty for infill well placement in brownfield redevelopment | |
CN104123591A (zh) | 基于智能网格分类和模糊神经网络的天然气负荷预测方法 | |
Alenezi et al. | A data-driven smart proxy model for a comprehensive reservoir simulation | |
Chernikov et al. | Application of artificial intelligence methods for identifying and predicting complications in the construction of oil and gas wells: problems and solutions | |
CN113534261A (zh) | 基于智能优化集成网络的储层含气性检测方法及装置 | |
CN114117881A (zh) | 一种出砂风险预测方法及系统 | |
Vilela et al. | Fuzzy logic applied to value of information assessment in oil and gas projects | |
CN111475604A (zh) | 数据处理方法及装置 | |
Huang et al. | A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls | |
Zhuang et al. | Spatio-temporal sequence prediction of CO2 flooding and sequestration potential under geological and engineering uncertainties | |
CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
CN106530109A (zh) | 一种基于信息价值的油田开发评价井决策方法 | |
Zoveidavianpoor et al. | Hydraulic fracturing candidate-well selection by interval type-2 fuzzy set and system | |
Son et al. | Two-stage sampling scheme for a CNN-based well placement optimization of 3D benchmark reservoirs | |
Korus et al. | Integrating AEM and borehole data for regional hydrogeologic synthesis: Tools and examples from Nebraska, USA | |
CN111723526A (zh) | 动态回归委员会机器测井储层参数预测方法及系统 | |
Li et al. | Deep learning-based analysis of the main controlling factors of different gas-fields recovery rate | |
Ursegov et al. | Adaptive Approach to Petroleum Reservoir Simulation |
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 |