CN113129157A - 一种适用于页岩气长水段的井下卡钻故障实时预警方法 - Google Patents
一种适用于页岩气长水段的井下卡钻故障实时预警方法 Download PDFInfo
- Publication number
- CN113129157A CN113129157A CN201911404004.5A CN201911404004A CN113129157A CN 113129157 A CN113129157 A CN 113129157A CN 201911404004 A CN201911404004 A CN 201911404004A CN 113129157 A CN113129157 A CN 113129157A
- Authority
- CN
- China
- Prior art keywords
- fault
- stuck
- neural network
- early warning
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 24
- 239000002245 particle Substances 0.000 claims abstract description 112
- 238000013528 artificial neural network Methods 0.000 claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000005553 drilling Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 229910003460 diamond Inorganic materials 0.000 claims description 10
- 239000010432 diamond Substances 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 5
- 210000002569 neuron Anatomy 0.000 description 9
- 239000012530 fluid Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000005755 formation reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012065 filter cake Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- ONOFKJOCWGUUAT-UHFFFAOYSA-N 7-[4-(3-carboxypropanoyl)piperazin-1-yl]-1-ethyl-6-fluoro-4-oxoquinoline-3-carboxylic acid Chemical compound C1=C2N(CC)C=C(C(O)=O)C(=O)C2=CC(F)=C1N1CCN(C(=O)CCC(O)=O)CC1 ONOFKJOCWGUUAT-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
Abstract
本发明公开了一种适用于页岩气长水段的井下卡钻故障实时预警方法,包括:步骤100、构建卡钻故障数据库;步骤200、构建基于粒子群算法优化的BP神经网络智能算法;步骤300、基于步骤200中的BP神经网络智能算法创建卡钻故障预警模型。在本发明中,首先对系统整理分析了BP神经网络的学习步骤,并分析了BP神经网络的缺陷,提出了基于粒子群优化BP神经网络的算法;然后将基于粒子群优化BP神经网络的算法应用于卡钻故障实时预警,以此建立了井下卡钻故障实时预警模型,实现了卡钻故障智能化、实时化的定量判断。同时,还编制了综合录井资料与卡钻故障预警软件的数据传输接口,实现了综合录井数据与卡钻故障预警软件之间的实时数据传输。
Description
技术领域
本发明涉及深层页岩气复杂地层钻井技术领域,特别涉及一种适用于页岩气长水段的井下卡钻故障实时预警方法。
背景技术
近年来,中国石化加快了页岩气资源的勘探开发,并在川渝地区取得了重大突破,其中川南工区(威远、长宁、自贡等)是我国页岩气资源最为丰富、最具开发潜力的地区之一。该工区地层压力系数高、钻井地质条件复杂,导致钻井复杂、故障频发。基于2018年完成井数据分析,钻井复杂、故障时间达5029.79h,其中卡钻故障最为突出,占复杂、故障总时效的47.48%,严重制约了页岩气安全高效开发。因此,保障页岩气水平井水平段钻完井过程中的安全是工区提速提效重要且急需的工作。
现有的卡钻故障识别主要是专家知识系统,或利用常规录井资料对工程异常进行分析,而且仅有少量测量和运算工作由计算机自动完成,大多数的分析和判断仍然依靠人工完成,由于个体知识、经验以及责任心差异等原因,往往会导致不能及时发现和处理钻井异常及复杂的情况,增加了风险;事实上要求操作员全神贯注地观察监测数据的变化并迅速判明事故,是不太现实的。因此,现有卡钻识别技术在监控信息综合利用能力差、风险预警不够及时、主观性太强等问题较为突出。
发明内容
有鉴于此,本发明提供了一种适用于页岩气长水段的井下卡钻故障实时预警方法,能够基于人工神经网络智能算法建立了井下卡钻故障实时预警模型,实现了卡钻故障的可预测、可控制。
为实现上述目的,本发明提供如下技术方案:
一种适用于页岩气长水段的井下卡钻故障实时预警方法,包括:
步骤100、构建卡钻故障数据库;
步骤200、构建基于粒子群算法优化的BP神经网络智能算法;
步骤300、基于步骤200中的BP神经网络智能算法创建卡钻故障预警模型:
步骤310、设计BP神经网络:
步骤311、设计输入层:
根据步骤100中的卡钻故障数据库,选择与卡钻故障相关性强的表征参数设定为输入神经元;
步骤312、设计输出层:
设定2个输出神经元,分别为发生卡钻故障的期望输出向量q1=(1,0)和不发生卡钻故障的期望输出向量q2=(0,1);
步骤313、设计隐含层:
由经典公式计算隐含层的个数,隐含层的个数取值1~10;
步骤320、设计粒子群算法:
步骤321、根据步骤310得到的BP神经网络结构计算其连接权值和阈值,再根据连接权值和阈值确定粒子群算法的粒子长度,并对每一个粒子进行向量编码;
步骤322、创建适应度函数:
将BP神经网络训练的均方根误差作为适应度函数:
优选地,所述步骤311中的根据步骤100中的卡钻故障数据库,选择与卡钻故障相关性强的表征参数设定为输入神经元,其表征参数包括:大钩载荷、立压、扭矩、机械钻速、转盘转速和钻压;
所述步骤313中的由经典公式计算隐含层的个数,隐含层的个数取值1~10具体为:设定隐含层的个数为10;
所述步骤321中的根据步骤310得到的BP神经网络结构计算其连接权值和阈值,再根据连接权值和阈值确定粒子群算法的粒子长度,并对每一个粒子进行向量编码包括:
根据上述得到BP神经网络结构为6-10-2,计算得到有6×10+10×2=80个权值,10+2=12个阈值,则粒子群优化参数的个数为92个,粒子的长度为92;
则粒子i被编码为:
优选地,所述步骤300中的基于步骤200中的BP神经网络智能算法创建卡钻故障预警模型还包括:
步骤330、预处理步骤100中的卡钻故障数据库的数据:
对步骤100中的卡钻故障数据库的数据进行归一化处理。
优选地,所述对步骤100中的卡钻故障数据库的数据进行归一化处理包括:
采用最大最小法对对步骤100中的卡钻故障数据库的数据进行归一化处理:
式中,xmin、xmax分别是序列中的最小值和最大值。
优选地,还包括:
步骤400、训练与调优所述步骤300中的卡钻故障预警模型。
优选地,所述步骤400中的训练与调优所述步骤300中的卡钻故障预警模型包括:
利用步骤300中构建的卡钻故障预警模型,结合具体页岩气钻井现场实践,选取发生卡钻故障已钻井的综合录井参数为训练样本,对建立的模型进行训练和模型参数调优。
优选地,所述步骤200中的构建基于粒子群算法优化的BP神经网络智能算法包括:
步骤210、初始化参数:
确定BP神经网络拓扑结构,初始化其连接权值和阈值;根据所述连接权值和所述阈值的个数确定粒子群维数D;设置粒子群种群规模M和BP神经网络迭代次数N;对所述连接权值和所述阈值进行实数编码,得到粒子群初始种群;并且在允许范围内[smin,smax]、[zmin,zmax]内设定粒子速度si,d和粒子位置zi,d;设置学习因子c1、c2;
步骤220、将BP神经网络中每次迭代得到的均方根误差作为粒子的适应度函数;
步骤230、根据粒子群算法的学习步骤,求解粒子全局最优位置;
步骤240、检查是否满足迭代终止条件,若满足,则停止,输出最优粒子,并反解码得到最优权值和阈值;
步骤250、按照BP神经网络进行训练和预测。
优选地,所述步骤230中的粒子群算法的学习步骤包括:
步骤231、初始化粒子群参数,其中,所述参数包括:种群规模M、粒子群维度数D、迭代次数N、粒子速度si,d和粒子位置zi,d、学习因子c1、c2;
步骤232、选取适应度函数,计算所有粒子的适应度值,并设置种群初始粒子的Pbesti,d、Gbest;
步骤233、更新粒子的速度和位置;
步骤234、计算更新后粒子的适应值同时更新f(Pbesti,d);否则Pbesti,d不更新;
步骤235、检查结束条件,如果满足要求,则寻优结束;否则,转到步骤233继续进行。
优选地,还包括:
步骤500、建立综合录井数据与卡钻故障预警模型之间的传输接口。
优选地,所述步骤100中的构建卡钻故障数据库包括:
结合现场钻井实践并根据专家知识判断,梳理和归纳不同类型卡钻对应的判断方法;通过所述判断方法,确认能够表征卡钻故障的综合录井参数,所述综合录井参数作为卡钻故障数据库的表征参数。
从上述的技术方案可以看出,本发明提供的适用于页岩气长水段的井下卡钻故障实时预警方法中,具有以下的有益效果:相较于传统的卡钻故障预测方法过分依赖于专家的主观判断,预测结果大多是定性或半定量的。本发明提出了基于粒子群算法优化BP神经网络的卡钻故障实时预警方法,并创建了卡钻故障预警模型,实现了卡钻故障的智能化、实时化定量判断,解决了传统预测方法监控信息综合利用能力差、风险预警不够及时、主观性太强等问题。
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。
图1为本发明实施例提供的井下卡钻故障实时预警方法的步骤流程图;
图2为本发明实施例提供的BP神经网络算法的步骤流程图;
图3为本发明实施例提供的粒子群算法的步骤流程图;
图4为本发明实施例提供的粒子群优化BP神经网络算法的步骤流程图;
图5为本发明实施例提供的卡钻故障预警BP神经网络结构图;
图6为本发明实施例提供的基于粒子群算法优化卡钻故障预警BP神经网络图;
图7为本发明实施例提供的WITS传输端软件界面。
具体实施方式
本发明公开了一种适用于页岩气长水段的井下卡钻故障实时预警方法。人工神经网络是目前较为流性的一种人工智能理论,其最突出的特点是具有实时学习能力,克服了传统的基于逻辑符号的人工智能处理非结构化信息方面的缺陷。人工神经网络的这些特性和优势,恰好满足了钻井工程异常及风险的预测与判断的要求。本发明基于人工神经网络等智能算法建立了井下卡钻故障实时预警模型,实现了卡钻故障的可预测、可控制。本发明技术的攻关和应用对于提高川南工区深层页岩气钻井单井盈利水平、降低复杂和故障损失、提高工区内队伍的竞争能力具有重要意义。
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。
本发明实施例提供的适用于页岩气长水段的井下卡钻故障实时预警方法,如图1所示,包括:
步骤100、构建卡钻故障数据库;
步骤200、构建基于粒子群算法优化的BP神经网络智能算法;需要说明的是,BP神经网络存在自身的缺陷,很难得到连接权值和阈值的最优值,最终造成BP神经网络预测结果与实际值之间产生较大的误差,影响结果的准确性。因此需要再结合一种其他的最优解算法,配合BP神经网络使用,从而提高预测的精度和准确性。优选地,本发明利用粒子群算法的全局搜索最优解的能力来配合BP神经网络使用,以便于最终提高BP神经网络预测的精度;
步骤300、基于步骤200中的BP神经网络智能算法创建卡钻故障预警模型:
步骤310、设计BP神经网络:
步骤311、设计输入层:
根据步骤100中的卡钻故障数据库,选择与卡钻故障相关性强的表征参数设定为输入神经元;
步骤312、设计输出层:
设定2个输出神经元,分别为发生卡钻故障的期望输出向量q1=(1,0)和不发生卡钻故障的期望输出向量q2=(0,1);需要说明的是,由于本发明主要解决的是井下卡钻故障的识别,只需做出两种判断,即为判断卡钻故障是否发生,也就是为发生卡钻故障和不发生卡钻故障;同时,如果发生的概率有多大;因此,在设计输出层时只设定2个输出神经元;
步骤313、设计隐含层:
由经典公式计算隐含层的个数,隐含层的个数取值1~10;
步骤320、设计粒子群算法:
步骤321、根据步骤310得到的BP神经网络结构计算其连接权值和阈值,再根据连接权值和阈值确定粒子群算法的粒子长度,并对每一个粒子进行向量编码;
步骤322、创建适应度函数:
将BP神经网络训练的均方根误差作为适应度函数:
从上述的技术方案可以看出,本发明实施例提供的适用于页岩气长水段的井下卡钻故障实时预警方法中,具有以下的有益效果:相较于传统的卡钻故障预测方法过分依赖于专家的主观判断,预测结果大多是定性或半定量的。本发明提出了基于BP神经网络的卡钻故障实时预警方法,并创建了卡钻故障预警模型,实现了卡钻故障的智能化、实时化定量判断,解决了传统预测方法监控信息综合利用能力差、风险预警不够及时、主观性太强等问题。进一步的,本发明还系统整理分析了BP神经网络的学习步骤,并分析了BP神经网络的缺陷,提出了基于粒子群优化BP神经网络的算法。
在本方案中,所述步骤311中的根据步骤100中的卡钻故障数据库,选择与卡钻故障相关性强的表征参数设定为输入神经元,其表征参数包括:大钩载荷、立压、扭矩、机械钻速、转盘转速和钻压;即为在设计输入层时设定6个输入单元;
所述步骤313中的由经典公式计算隐含层的个数,隐含层的个数取值1~10具体为:设定隐含层的个数为10;需要说明的是,在本方案中,通过研究将隐含层的个数优选为10,得到的结果与实际情况最为吻合;即为最终建立了BP神经网络结构为6-10-2,如图5所示;
所述步骤321中的根据步骤310得到的BP神经网络结构计算其连接权值和阈值,再根据连接权值和阈值确定粒子群算法的粒子长度,并对每一个粒子进行向量编码包括:
根据上述得到BP神经网络结构为6-10-2,如图6所示,计算得到有6×10+10×2=80个权值,10+2=12个阈值,则粒子群优化参数的个数为92个,粒子的长度为92;
则粒子i被编码为:
具体地,所述步骤300中的基于步骤200中的BP神经网络智能算法创建卡钻故障预警模型还包括:
步骤330、预处理步骤100中的卡钻故障数据库的数据:
对步骤100中的卡钻故障数据库的数据进行归一化处理。通过对卡钻故障数据库的数据(即为录井资料)进行数据归一化处理,以便于规避因输入输出数据数量级的差别大而造成的BP神经网络预测结果误差增大的问题,以此确保基于BP神经网络进行实时预警的精度。
为了进一步优化上述的技术方案,所述对步骤100中的卡钻故障数据库的数据进行归一化处理包括:
采用最大最小法对对步骤100中的卡钻故障数据库的数据进行归一化处理:
式中,xmin、xmax分别是序列中的最小值和最大值。采用最大最小法进行数据的归一化处理,以便于获得良好的数据预处理效果。
具体地,如图4所示,所述步骤200中的构建基于粒子群算法优化的BP神经网络智能算法包括:
步骤210、初始化参数:
确定BP神经网络拓扑结构,初始化其连接权值和阈值;根据所述连接权值和所述阈值的个数确定粒子群维数D;设置粒子群种群规模M和BP神经网络迭代次数N;对所述连接权值和所述阈值进行实数编码,得到粒子群初始种群;并且在允许范围内[smin,smax]、[zmin,zmax]内设定粒子速度si,d和粒子位置zi,d;设置学习因子c1、c2;
步骤220、将BP神经网络中每次迭代得到的均方根误差作为粒子的适应度函数;
步骤230、根据粒子群算法的学习步骤,求解粒子全局最优位置;需要说明的是,主要根据粒子群算法的学习步骤中的步骤232~步骤234,以求解粒子全局最优位置;
步骤240、检查是否满足迭代终止条件,若满足,则停止,输出最优粒子,并反解码得到最优权值和阈值;
步骤250、按照BP神经网络进行训练和预测。
对于粒子群算法原理及模型,需要说明的是:设定在一个D维空间内进行最优解的搜索,初始化M个粒子,组成一个“鸟群”T={Z1,Z2,...ZM},i=1,2,...M.其中,zi=(zi1,zi2,...ziD),i=1,2,...M表示第i个粒子在D维空间内的位置向量,si=(si1,si2,...siD),i=1,2,...M表示第i个粒子在D维空间内的速度向量;粒子自身的飞行运动经验,为Pbesti=(Pbesti1,Pbesti2,...,PbestiD),全局最优位置为Gbest=(Gbest1,Gbest2,...GbestD)。粒子算法的递推公式为:
具体地,如图3所示,所述步骤230中的粒子群算法的学习步骤包括:
步骤231、初始化粒子群参数,其中,所述参数包括:种群规模M、粒子群维度数D、迭代次数N、粒子速度si,d和粒子位置zi,d、学习因子c1、c2;
步骤232、选取适应度函数,计算所有粒子的适应度值,并设置种群初始粒子的Pbesti,d、Gbest;
步骤233、更新粒子的速度和位置;
步骤234、计算更新后粒子的适应值同时更新f(Pbesti,d);否则Pbesti,d不更新;
步骤235、检查结束条件,如果满足要求,则寻优结束;否则,转到步骤233继续进行。
相应地,对于BP神经网络智能算法,需要进一步说明的是:
BP神经网络是一种典型的多层前馈网络,BP神经网络最主要的优点是最有较强的非线性映射能力。BP神经网络是由输入层、隐含层和输出层构成的三层前向人工神经网络。根据神经元输出信号的计算公式可以得到隐含层各个神经元的输出为:
式中:vij是输入层神经元i和隐含层神经元j的连接权重;θj是隐含层神经元j的阈值;f()是神经元的激活函数。
同理,得到BP神经网络的输出层的输出信号为:
式中:μjk是隐含层神经元j和输出层神经元k的连接权重;βk是输出层神经元k的阈值;f()是神经元的激活函数。
如图2所示,BP神经网络智能算法也具有如下的学习步骤:
(1)、初始化神经网络各参数值:
对各层神经元的连接权重vij、μjk赋予[-1,1]之间的随机数;将学习率η设定为0~1内的一个小数;误差E置0;误差阈值Emin设定为一个正的小数;隐含层节点数m根据经验公式求得;样本模式计算器p和训练次数q重置为1;训练次数预设为M;
(2)、输入训练样本,计算各层输出:
选取训练样本中(Xp,Qp)中的一对样本对输入参数赋值,利用神经网络输出信号的计算公式计算输出O、Y;
(3)、计算神经网络的输出误差:
(4)、计算各层误差信号:
输出层和隐含层的误差信号计算公式为:
隐含层和输入层的误差信号计算公式为:
(5)、调整各层连接权值和阈值:
所述输出层和所述隐含层的连接权值、阈值的计算公式为:
Δμjk=η(qk-yk)yk(1-yk)Oj (9)
Δβk=η(qk-yk)yk(1-yk) (10)
所述隐含层和所述输入层的连接权值、阈值的计算公式为:
(6)、判断是否对所有样本完成一次训练:
若所述样本模式计算器p<所述训练样本的总数P,则所述样本模式计算器p和所述训练次数q均增加1,然后返回步骤(2);否则转到步骤(7);
(7)、检查神经网络总误差是否满足误差阈值:
若所述总的输出误差ERME<所述误差阈值Emin,或所述训练次数q>训练预设次数M,则结束;否则所述误差E重置为0,所述样本模式计算器p置为1,然后返回步骤(2)。
为了进一步优化上述的技术方案,本发明实施例提供的适用于页岩气长水段的井下卡钻故障实时预警方法还包括:
步骤500、建立综合录井数据与卡钻故障预警模型之间的传输接口,以便于实现卡钻故障的实时动态预警。相应地,井内计算机系统通过WITS通讯格式(WellsiteInformation Transfer Standard,井场信息传输规范),向井外计算机系统传输现场各种数据。具体地,综合录井数据从现场传输到进行数据分析的卡钻故障预警软件(卡钻故障预警模型)要经历以下五个步骤:
步骤510、录井公司通过工具上的传感器来获取现场实时的数据;
步骤520、收集到的数据通过WITS传输到地面,存储或用于其他用途;
步骤530、通过WITS数据传输软件,以wits文件形式或TCP/IP协议形式,将数据实时传输到软件中;
步骤540、将实时传输的数据保存到本地数据库,用于其他用途;
步骤550、卡钻故障软件直接读取本地数据库中的数据,用于卡钻故障的动态预警。
进一步地,编制了相关接口软件,界面如图7所示,实现了综合录井数据与卡钻故障预警软件之间的实时数据传输。
根据所要传输的数据,并在WITS记录中找到相对应的参数:大钩载荷、立压、扭矩、机械钻速、转盘转速、钻压,如表1所示:
表1
为了进一步优化上述的技术方案,所述步骤100中的构建卡钻故障数据库包括:
结合现场钻井实践并根据专家知识判断,梳理和归纳不同类型卡钻对应的判断方法;通过所述判断方法,确认能够表征卡钻故障的综合录井参数,所述综合录井参数作为卡钻故障数据库的表征参数。
需要说明的是,卡钻又根据产生原因不同分为粘附、坍塌、砂桥、缩径、键槽、泥包、落物卡钻等。由于卡钻的类型较多,首先应通过各种现象及钻井过程中获得的各种信息弄清卡钻的类型,然后再针对不同类型的卡钻,提出相对应的解决办法。
分析卡钻原因:
粘附卡钻又称压差卡钻,形成粘附卡钻主要有两个原因:井壁上存在滤饼、井底压力与地层压力之间存在压差。粘附卡钻是在钻井静止工况条件下产生的,与钻井液性能、地层特征以及井下井眼的形状有关。当钻井液密度过大、黏度偏大、井下工具在井眼内静止时间过长时,极易发生粘附卡钻。
坍塌卡钻是由于井壁失稳引起的卡钻现象,形成坍塌卡钻的原因主要包括:地质原因有构造复杂、特殊岩石物理性质导致井壁易失稳;钻井工艺方面的原因有钻井液液柱压力不能平衡井底地层坍塌压力,使得井壁失稳,发生坍塌风险。
沉砂卡钻和缩径卡钻,性质和坍塌卡钻差不多。其产生原因也是由于地层性质以及钻井液流变性等。当钻井液黏度较低、切力较小时,携带环空中岩屑的能力降低,停泵时环空中的岩屑集聚或下沉,继而埋住钻头或钻具,导致沉砂卡钻。缩径卡钻经常发生在孔隙度大、渗透性良好的膨胀性地层,如盐膏层;一般来说,缩径卡钻上提遇阻、下放正常;严重的缩径卡钻会导致埋钻具。
键槽卡钻发生在钻进硬地层,方位角或井斜角发生较大变化的井眼位置处。一般,在起钻时才会发生键槽卡钻。
泥包卡钻是滤饼、泥屑粘附在扶正器或钻头周围,使其在上提下放时遇卡的现象。泥包卡钻会产生抽汲作用,严重地会引起井喷等后续事故。
落物卡钻是由于钻井操作人员失误将井口处的工具掉入井内造成卡钻现象。
根据专家知识判断卡钻的类型:
不同类型的卡钻对应不同的判断方法,结合现场钻井实践并根据专家知识判断,将卡钻判断方法进行归纳,如表2所示。
表2
确定与卡钻相关的录井特征参数:
通过上一步对于卡钻故障的专家知识判断,确定能够表征卡钻故障的综合录井参数有:大钩载荷、立压、扭矩、机械钻速、转盘转速、钻压,如表3所示。
表3
本发明实施例提供的适用于页岩气长水段的井下卡钻故障实时预警方法还包括:
步骤400、训练与调优所述步骤300中的卡钻故障预警模型。通过调试卡钻故障预警模型,以使得其达到良好初始化的效果,以便于更好地服务于井下卡钻故障实时预警。
在本方案中,所述步骤400中的训练与调优所述步骤300中的卡钻故障预警模型包括:
利用步骤300中构建的卡钻故障预警模型,结合具体页岩气钻井现场实践,选取发生卡钻故障已钻井的综合录井参数为训练样本,对建立的模型进行训练和模型参数调优。
步骤410、设定算法的控制要素:
对卡钻故障预警模型中的BP神经网络和粒子群算法中的控制要素进行设定,如表4所示:
表4
步骤420、训练和仿真模型:
结合川南页岩气工区(XX-1、XX-2、XX-3、XX-4、XX-5、XX-6)6口发生卡钻故障的已钻井的录井和井史资料,选取12组工况数据作为样本,6组数据对应卡钻故障,6组数据对应未卡钻工况;选择卡钻故障发生前后一段时间域内监测的综合录井参数,根据最大最小法进行归一化处理,结果如表5所示。选择前10组样本作为训练样本对构建的卡钻故障模型进行训练,另外两组样本作为验证样本,用于验证构建模型的准确度。
表5(BP神经网络训练仿真样本)
卡钻故障模型训练结果如表6所示。结果分析:通过仿真得到的卡钻故障诊断结果与井下实际状态相吻合,表明训练建立的模型能够应用于该区块、该层段的卡钻故障预警识别。
表6(卡钻故障神经网络训练仿真结果)
综上所述,本发明提供的适用于页岩气长水段的井下卡钻故障实时预警方法,首先对系统整理分析了BP神经网络的学习步骤,并分析了BP神经网络的缺陷,提出了基于粒子群优化BP神经网络的算法;然后将基于粒子群优化BP神经网络的算法应用于卡钻故障实时预警,实现了卡钻故障智能化、实时化的定量判断;同时,编制了综合录井资料与卡钻故障预警软件的数据传输接口,实现了综合录井数据与卡钻故障预警软件之间的实时数据传输。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种适用于页岩气长水段的井下卡钻故障实时预警方法,其特征在于,包括:
步骤100、构建卡钻故障数据库;
步骤200、构建BP神经网络智能算法;
步骤300、基于步骤200中的BP神经网络智能算法创建卡钻故障预警模型:
步骤310、设计BP神经网络:
步骤311、设计输入层:
根据步骤100中的卡钻故障数据库,选择与卡钻故障相关性强的表征参数设定为输入神经元;
步骤312、设计输出层:
设定2个输出神经元,分别为发生卡钻故障的期望输出向量q1=(1,0)和不发生卡钻故障的期望输出向量q2=(0,1);
步骤313、设计隐含层:
由经典公式计算隐含层的个数,隐含层的个数取值1~10。
2.根据权利要求1所述的适用于页岩气长水段的井下卡钻故障实时预警方法,其特征在于,所述步骤311中的根据步骤100中的卡钻故障数据库,选择与卡钻故障相关性强的表征参数设定为输入神经元,其表征参数包括:大钩载荷、立压、扭矩、机械钻速、转盘转速和钻压;
所述步骤313中的由经典公式计算隐含层的个数,隐含层的个数取值1~10具体为:设定隐含层的个数为10。
5.根据权利要求3所述的适用于页岩气长水段的井下卡钻故障实时预警方法,其特征在于,所述步骤200中的构建基于粒子群算法优化的BP神经网络智能算法包括:
步骤210、初始化参数:
确定BP神经网络拓扑结构,初始化其连接权值和阈值;根据所述连接权值和所述阈值的个数确定粒子群维数D;设置粒子群种群规模M和BP神经网络迭代次数N;对所述连接权值和所述阈值进行实数编码,得到粒子群初始种群;并且在允许范围内[smin,smax]、[zmin,zmax]内设定粒子速度si,d和粒子位置zi,d;设置学习因子c1、c2;
步骤220、将BP神经网络中每次迭代得到的均方根误差作为粒子的适应度函数;
步骤230、根据粒子群算法的学习步骤,求解粒子全局最优位置;
步骤240、检查是否满足迭代终止条件,若满足,则停止,输出最优粒子,并反解码得到最优权值和阈值;
步骤250、按照BP神经网络进行训练和预测。
6.根据权利要求5所述的适用于页岩气长水段的井下卡钻故障实时预警方法,其特征在于,所述步骤230中的粒子群算法的学习步骤包括:
步骤231、初始化粒子群参数,其中,所述参数包括:种群规模M、粒子群维度数D、迭代次数N、粒子速度si,d、粒子位置zi,d、学习因子c1、c2;
步骤232、选取适应度函数,计算所有粒子的适应度值,并设置种群初始粒子的Pbesti,d、Gbest;
步骤233、更新粒子的速度和位置;
步骤234、计算更新后粒子的适应值同时更新f(Pbesti,d);否则Pbesti,d不更新;
步骤235、检查结束条件,如果满足要求,则寻优结束;否则,转到步骤233继续进行。
8.根据权利要求1所述的适用于页岩气长水段的井下卡钻故障实时预警方法,其特征在于,还包括:
步骤400、训练与调优所述步骤300中的卡钻故障预警模型。
9.根据权利要求8所述的适用于页岩气长水段的井下卡钻故障实时预警方法,其特征在于,所述步骤400中的训练与调优所述步骤300中的卡钻故障预警模型包括:
利用步骤300中构建的卡钻故障预警模型,结合具体页岩气钻井现场实践,选取发生卡钻故障已钻井的综合录井参数为训练样本,对建立的模型进行训练和模型参数调优。
10.根据权利要求1所述的适用于页岩气长水段的井下卡钻故障实时预警方法,其特征在于,还包括:
步骤500、建立综合录井数据与卡钻故障预警模型之间的传输接口。
11.根据权利要求1所述的适用于页岩气长水段的井下卡钻故障实时预警方法,其特征在于,所述步骤100中的构建卡钻故障数据库包括:
结合现场钻井实践并根据专家知识判断,梳理和归纳不同类型卡钻对应的判断方法;通过所述判断方法,确认能够表征卡钻故障的综合录井参数,所述综合录井参数作为卡钻故障数据库的表征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404004.5A CN113129157A (zh) | 2019-12-30 | 2019-12-30 | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404004.5A CN113129157A (zh) | 2019-12-30 | 2019-12-30 | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113129157A true CN113129157A (zh) | 2021-07-16 |
Family
ID=76768715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911404004.5A Pending CN113129157A (zh) | 2019-12-30 | 2019-12-30 | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129157A (zh) |
Cited By (1)
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104024572A (zh) * | 2011-11-02 | 2014-09-03 | 兰德马克绘图国际公司 | 用于预测钻柱卡钻事件的方法和系统 |
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
CN107292467A (zh) * | 2016-03-31 | 2017-10-24 | 中国石油化工股份有限公司 | 一种钻井风险预测方法 |
CN107843920A (zh) * | 2017-09-29 | 2018-03-27 | 中国石油化工股份有限公司 | 一种聚类分析优化粒子群储层属性预测方法 |
CN109508827A (zh) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | 一种基于时间递归神经网络的钻井事故预警模型 |
CN110110740A (zh) * | 2019-03-26 | 2019-08-09 | 中国地质大学(武汉) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 |
CN110222387A (zh) * | 2019-05-24 | 2019-09-10 | 北京化工大学 | 基于混合漏积分crj网络的多元钻井时间序列预测方法 |
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 |
-
2019
- 2019-12-30 CN CN201911404004.5A patent/CN113129157A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104024572A (zh) * | 2011-11-02 | 2014-09-03 | 兰德马克绘图国际公司 | 用于预测钻柱卡钻事件的方法和系统 |
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
CN107292467A (zh) * | 2016-03-31 | 2017-10-24 | 中国石油化工股份有限公司 | 一种钻井风险预测方法 |
CN107843920A (zh) * | 2017-09-29 | 2018-03-27 | 中国石油化工股份有限公司 | 一种聚类分析优化粒子群储层属性预测方法 |
CN109508827A (zh) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | 一种基于时间递归神经网络的钻井事故预警模型 |
CN110110740A (zh) * | 2019-03-26 | 2019-08-09 | 中国地质大学(武汉) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 |
CN110222387A (zh) * | 2019-05-24 | 2019-09-10 | 北京化工大学 | 基于混合漏积分crj网络的多元钻井时间序列预测方法 |
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 |
Cited By (2)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10657441B2 (en) | Model generation for real-time rate of penetration prediction | |
US11814931B2 (en) | Machine-learning for sedimentary facies prediction | |
CN109508827B (zh) | 一种基于时间递归神经网络的钻井事故预警方法 | |
CN113062731B (zh) | 一种钻井井下复杂工况智能识别方法 | |
US20190323323A1 (en) | Automated mutual improvement of oilfield models | |
CN115238861B (zh) | 一种基于井壁垮塌程度约束的安全钻井液密度确定方法 | |
CN114482990A (zh) | 钻井溢流预警的方法及装置 | |
CN112926839A (zh) | 一种用于油气井钻井过程的溢漏风险协同监测方法及系统 | |
CN115586086A (zh) | 一种基于大数据的井壁失稳分析方法 | |
CN115234220A (zh) | 利用智能钻头实时识别井下粘滑振动的方法及装置 | |
Wei et al. | Research and application of downhole blowout prevention system while drilling: A review | |
CN113129157A (zh) | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 | |
CN113685166B (zh) | 一种钻井事故预警方法及系统 | |
Alireza et al. | Reducing consumed energy while drilling an oil well through a deep rig time analysis | |
CN113868951A (zh) | 一种智能化判断钻井短起最佳时机的方法 | |
CN112418489A (zh) | 一种天然气井修井暂堵剂用量神经网络预测方法 | |
CN117035197B (zh) | 一种代价最低化的井漏智能预测方法 | |
Wang et al. | An Artificial Intelligence Algorithm for the Real-Time Early Detection of Sticking Phenomena in Horizontal Shale Gas Wells. | |
Tyree | Predicting Frac Hits Using Artificial Intelligence; Application in Marcellus Shale | |
CN115434696B (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
US20230193736A1 (en) | Infill development prediction system | |
Isam et al. | Formation Drilling RoP Prediction via Deep Neural Networks with TensorFlow | |
US20240151132A1 (en) | Event detection using hydraulic simulations | |
CN117035197A (zh) | 一种代价最低化的井漏智能预测方法 | |
AL-Bahadly | Statistical regression model for estimating the rate of penetration of horizontal well in Al-Halfaya oil field |
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 |