CN113482595B - 一种钻井溢流预警方法、系统、设备和存储介质 - Google Patents
一种钻井溢流预警方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN113482595B CN113482595B CN202110890917.3A CN202110890917A CN113482595B CN 113482595 B CN113482595 B CN 113482595B CN 202110890917 A CN202110890917 A CN 202110890917A CN 113482595 B CN113482595 B CN 113482595B
- Authority
- CN
- China
- Prior art keywords
- data set
- drilling data
- overflow
- drilling
- training
- 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.)
- Active
Links
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/06—Measuring temperature or pressure
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明涉及一种钻井溢流预警方法、系统、设备和存储介质,包括以下步骤:获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集;用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型;基于所述训练集对所述溢流预警模型进行训练,并基于所述测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警。本发明可以广泛应用于海洋油气开发及大数据应用领域。
Description
技术领域
本发明涉及一种对深水油气钻井过程进行溢流预警的方法、系统、设备和存储介质,属于海洋油气开发及大数据应用领域。
背景技术
石油钻井工程由于钻井环境复杂多变、钻井事故频发,因此是一种危险且成本投入高的系统工程,溢流是石油钻井施工中发生频率最高、危害最为严重的钻井事故之一,不仅增加了钻井难度,而且如果不采取必要的井控措施,还会导致井喷甚至是井喷失控,从而造成井眼报废乃至大量人员伤亡。
如果能及时、准确进行溢流预警,便能极大限度的减少损失,实现安全高效的钻井工程。然而,由于溢流的发生受地层压力、井底压力等多因素的影响,具有复杂性、随机性和非线性的特征,因此目前还无法建立精确的溢流预警模型。
发明内容
针对上述问题,本发明的目的是提供一种钻井溢流预警方法、系统、设备和存储介质,基于机器学习中的随机森林算法来进行钻井溢流预警,有效提高了溢流预警的准确度。
为实现上述目的,本发明采取以下技术方案:
本发明的第一个方面,是提供一种钻井溢流预警方法,其包括以下步骤:
获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集;
采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型;
基于所述训练集对所述溢流预警模型进行训练,并基于所述测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警。
优选地,所述获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集的方法,包括:
获取原始钻井数据集,并对获取的原始钻井数据集进行预处理操作得到第一钻井数据集;
根据工作日志,在第一钻井数据集中对发生溢流的数据进行标注,将溢流预警任务转变为监督学习二分类任务,得到第二钻井数据集;
对第二钻井数据集进行区域井段划分和样本均衡处理,得到第三钻井数据集;
对第三钻井数据集进行随机划分,将第三钻井数据集划分为训练集和测试集。
优选地,所述获取原始钻井数据集,并对获取的原始钻井数据集进行预处理操作得到第一钻井数据集的方法,包括:
对原始钻井数据集进行缺失值处理,对于缺失值占比超过预设阈值的数据,直接剔除;否则,采用线性插值的方法来进行缺失值填充;
采用孤立森林方法对缺失值处理后的钻井数据集进行离群点检测,并将离群点替换为该类钻井数据的均值,得到第一钻井数据集。
优选地,所述预设阈值为50%。
优选地,所述对第二钻井数据集进行区域井段划分和样本均衡处理时,包括:
将第二钻井数据集按照区域和直径进行划分,针对不同区域和直径建立不同的钻井数据集,使得同一区域和直径下的钻井数据集中特征差异小于预设值;
采用SMOTE算法为发生溢流的数据合成新的样本,实现样本均衡。
优选地,所述采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型的方法,包括:
确定随机森林算法的三个超参数,分别为决策树个数k、最大特征数m以及决策树的最大深度,并分别给定三个超参数的多个预设值,构成一个参数矩阵;
使用网格搜索方法对参数矩阵进行循环遍历,得到若干参数组合;
分别对网格搜索中选出的每一种参数组合做交叉验证,通过交叉验证选择出使得随机森林算法效果最好的参数组合,作为随机森林算法的最佳参数建立溢流预警模型。
优选地,所述基于训练集对溢流预警模型进行训练,并基于测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警的方法,包括以下步骤:
对训练集进行抽样,得到k个不同的子训练集,并使得各个子训练集中均包括m个特征,且m<<M,M为训练集的总的特征个数;
将k个子训练集分别输入到k个决策树进行训练,得到k个输出结果;
对k个输出结果进行汇总投票,得到最终的输出结果及相应的溢流预警模型的模型参数;
采用测试集对训练好的溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警。
本发明的第二个方面,是提供一种钻井溢流预警系统,其包括:
数据预处理模块,用于获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集;
最佳参数确定模块,用于采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型;
模型训练模块,用于基于训练集对溢流预警模型进行训练,并基于测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警。
本发明的第三个方面,是提供一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器运行所述计算机程序时执行以实现所述钻井溢流预警方法的步骤。
本发明的第四个方面,是提供一种计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现所述钻井溢流预警方法的步骤。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明将随机森林模型应用在钻井溢流预警中,深度挖掘了钻井溢流发生前后的特征变化情况,构建了完善的深水钻井溢流预警框架;
2、本发明采用网格搜索和交叉验证方法对溢流预警模型的最佳参数进行选定,最终实现了精准的溢流预警,为深水石油钻井过程的工况预警等需求提供帮助。
因此,本发明可以广泛应用于海洋油气开发及大数据应用领域。
附图说明
图1是本发明提出的钻井溢流预警大数据挖掘方法的流程框图;
图2是本发明实施例中的数据标注示意图;
图3是随机森林模型示意图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明,以便更清楚理解本发明的目的、特点和优点。应理解的是,附图所示的实施例并不是对本发明范围的限制,而只是为了说明本发明技术方案的实质精神。
实施例1
如图1所示,本实施例提供的一种钻井溢流预警方法,包括以下步骤:
步骤1:获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集;
步骤2:采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型;
步骤3:基于步骤1的训练集对步骤2的溢流预警模型进行训练,并基于测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警。
优选地,上述步骤1中,获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集的方法,包括以下步骤:
步骤1.1:获取原始钻井数据集,并对获取的原始钻井数据集进行清洗等预处理操作得到第一钻井数据集,以消除原始钻井数据集中存在的数据缺失、遗漏和异常等问题。其中,原始钻井数据集包括钻井过程中的钻压、钻速和转速等数据。
步骤1.2:根据工作日志,在第一钻井数据集中对发生溢流的数据进行标注,将溢流预警任务转变为监督学习二分类任务,得到第二钻井数据集。
如图2所示,可以将溢流发生的数据标注为1,溢流未发生的数据标注为0,则钻井溢流模型的输出为1或0,分别代表是否发生溢流。
步骤1.3:对第二钻井数据集进行区域井段划分和样本均衡处理,以解决第二钻井数据集中存在的地层信息缺失和标签不平衡问题,得到第三钻井数据集。
步骤1.4:对第三钻井数据集进行随机划分,将第三钻井数据集划分为训练集和测试集,训练集用于训练溢流预警模型,测试集用于评估溢流预警模型的效果。
优选地,上述步骤1.1中,在进行数据预处理工作时,主要包括以下步骤:
步骤1.1.1:对原始钻井数据集进行缺失值处理,对于缺失值占比超过预设阈值(例如50%)的数据,直接剔除;否则,采用线性插值的方法来进行缺失值填充。
步骤1.1.2:采用孤立森林方法对缺失值处理后的钻井数据集进行离群点检测,并将离群点替换为该类钻井数据的均值,得到第一钻井数据集。
优选地,上述步骤1.3中,对第二钻井数据集进行区域井段划分和样本均衡处理时,主要包括以下步骤:
步骤1.3.1:将第二钻井数据集按照区域和直径进行划分,针对不同区域和直径建立不同的钻井数据集,使得同一区域和直径下的钻井数据集中特征差异小于预设值,基本属于同一地层;
步骤1.3.2:由于无溢流数据量远远大于溢流数据量,使得预测结果偏向较多的观测类,采用SMOTE算法为发生溢流的数据合成新的样本,实现样本均衡。
优选地,上述步骤2中,采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型的方法,包括以下步骤:
步骤2.1:确定随机森林算法的三个超参数,分别为决策树个数k、最大特征数m以及决策树的最大深度,并分别给定三个超参数的多个预设值,构成一个参数矩阵;
步骤2.2:使用网格搜索方法对步骤2.1的参数矩阵进行循环遍历,尝试三种参数的每一种组合的可能性,即若三个参数的预设值个数分别为a,b,c,那么网格搜索方法得到的参数组合个数为a*b*c;
步骤2.3:分别对网格搜索中选出的每一种参数组合做交叉验证,通过交叉验证选择出使得随机森林算法效果最好的参数组合,作为随机森林算法的最佳参数建立溢流预警模型。
其中,交叉验证是指重复的使用数据,把步骤1得到的训练集进行切分,并组合为不同的训练集样本和验证集样本组合,用训练集样本来训练模型,用验证集样本来评估模型预测的好坏。
优选地,如图3所示,上述步骤3中,基于步骤1的训练集对步骤2的溢流预警模型进行训练,并基于测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警的方法,包括以下步骤:
步骤3.1:对训练集进行抽样,得到k个不同的子训练集,并使得各个子训练集中均包括m个特征,且m<<M,M为训练集的总的特征个数;
步骤3.2:将k个子训练集分别输入到k个决策树进行训练,得到k个输出结果,其中,决策树的训练过程是对特征进行if-else的逻辑判断得到输出,这类似于石油领域中的专家经验判断,故认为它的效果会优于其它模型;
步骤3.3:对k个输出结果进行汇总投票,得到最终的输出结果及相应的溢流预警模型的模型参数;
步骤3.4:采用测试集对训练好的溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警。
实施例2
上述实施例1提供了钻井溢流预警方法,与之相对应地,本实施例提供一种钻井溢流预警系统。本实施例提供的识别系统可以实施实施例1的钻井溢流预警方法,该预警系统可以通过软件、硬件或软硬结合的方式来实现。例如,该预警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,本实施例的预警系统的实施例仅仅是示意性的。
本实施例提供的钻井溢流预警系统,包括:
数据预处理模块,用于获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集;
最佳参数确定模块,用于采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型;
模型训练模块,用于基于训练集对溢流预警模型进行训练,并基于测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警。
实施例3
本实施例提供一种与本实施例1所提供的钻井溢流预警方法对应的处理设备,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所提供的钻井溢流预警方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),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。
在另一些实现中,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所述的钻井溢流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。
需要说明的是,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (4)
1.一种钻井溢流预警方法,其特征在于,包括以下步骤:
获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集;
采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型;
基于所述训练集对所述溢流预警模型进行训练,并基于所述测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警;
所述获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集的方法,包括:获取原始钻井数据集,并对获取的原始钻井数据集进行预处理操作得到第一钻井数据集;根据工作日志,在第一钻井数据集中对发生溢流的数据进行标注,将溢流预警任务转变为监督学习二分类任务,得到第二钻井数据集;对第二钻井数据集进行区域井段划分和样本均衡处理,得到第三钻井数据集;对第三钻井数据集进行随机划分,将第三钻井数据集划分为训练集和测试集;
所述获取原始钻井数据集,并对获取的原始钻井数据集进行预处理操作得到第一钻井数据集的方法,包括:对原始钻井数据集进行缺失值处理,对于缺失值占比超过预设阈值的数据,直接剔除;否则,采用线性插值的方法来进行缺失值填充;采用孤立森林方法对缺失值处理后的钻井数据集进行离群点检测,并将离群点替换为对应类别的钻井数据的均值,得到第一钻井数据集;其中,所述预设阈值为50%;
所述对第二钻井数据集进行区域井段划分和样本均衡处理时,包括:将第二钻井数据集按照区域和直径进行划分,针对不同区域和直径建立不同的钻井数据集,使得同一区域和直径下的钻井数据集中特征差异小于预设值;采用SMOTE算法为发生溢流的数据合成新的样本,实现样本均衡;
所述采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型的方法,包括:确定随机森林算法的三个超参数,分别为决策树个数k、最大特征数m以及决策树的最大深度,并分别给定三个超参数的多个预设值,构成一个参数矩阵;使用网格搜索方法对参数矩阵进行循环遍历,得到若干参数组合;分别对网格搜索中选出的每一种参数组合做交叉验证,通过交叉验证选择出使得随机森林算法效果最好的参数组合,作为随机森林算法的最佳参数建立溢流预警模型;
基于训练集对溢流预警模型进行训练,并基于测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警的方法,包括以下步骤:对训练集进行抽样,得到k个不同的子训练集,并使得各个子训练集中均包括m个特征,且m<<M,M为训练集的总的特征个数;将k个子训练集分别输入到k个决策树进行训练,得到k个输出结果;对k个输出结果进行汇总投票,得到最终的输出结果及相应的溢流预警模型的模型参数;采用测试集对训练好的溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警。
2.一种钻井溢流预警系统,其特征在于,包括:
数据预处理模块,用于获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集;
最佳参数确定模块,用于采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型;
模型训练模块,用于基于训练集对溢流预警模型进行训练,并基于测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警;
其中,所述获取原始钻井数据集,并基于获取的原始钻井数据集得到训练集和测试集,包括:获取原始钻井数据集,并对获取的原始钻井数据集进行预处理操作得到第一钻井数据集;根据工作日志,在第一钻井数据集中对发生溢流的数据进行标注,将溢流预警任务转变为监督学习二分类任务,得到第二钻井数据集;对第二钻井数据集进行区域井段划分和样本均衡处理,得到第三钻井数据集;对第三钻井数据集进行随机划分,将第三钻井数据集划分为训练集和测试集;
所述获取原始钻井数据集,并对获取的原始钻井数据集进行预处理操作得到第一钻井数据集,包括:对原始钻井数据集进行缺失值处理,对于缺失值占比超过预设阈值的数据,直接剔除;否则,采用线性插值的方法来进行缺失值填充;采用孤立森林方法对缺失值处理后的钻井数据集进行离群点检测,并将离群点替换为对应类别的钻井数据的均值,得到第一钻井数据集;其中,所述预设阈值为50%;
所述对第二钻井数据集进行区域井段划分和样本均衡处理时,包括:将第二钻井数据集按照区域和直径进行划分,针对不同区域和直径建立不同的钻井数据集,使得同一区域和直径下的钻井数据集中特征差异小于预设值;采用SMOTE算法为发生溢流的数据合成新的样本,实现样本均衡;
所述采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数,并基于最佳参数建立溢流预警模型,包括:确定随机森林算法的三个超参数,分别为决策树个数k、最大特征数m以及决策树的最大深度,并分别给定三个超参数的多个预设值,构成一个参数矩阵;使用网格搜索方法对参数矩阵进行循环遍历,得到若干参数组合;分别对网格搜索中选出的每一种参数组合做交叉验证,通过交叉验证选择出使得随机森林算法效果最好的参数组合,作为随机森林算法的最佳参数建立溢流预警模型;
基于训练集对溢流预警模型进行训练,并基于测试集对溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警,包括:对训练集进行抽样,得到k个不同的子训练集,并使得各个子训练集中均包括m个特征,且m<<M,M为训练集的总的特征个数;将k个子训练集分别输入到k个决策树进行训练,得到k个输出结果;对k个输出结果进行汇总投票,得到最终的输出结果及相应的溢流预警模型的模型参数;采用测试集对训练好的溢流预警模型的效果进行评估,将效果最好的溢流预警模型应用到实际钻井场景中进行溢流预警。
3.一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1所述钻井溢流预警方法的步骤。
4.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现根据权利要求1所述钻井溢流预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110890917.3A CN113482595B (zh) | 2021-08-04 | 2021-08-04 | 一种钻井溢流预警方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110890917.3A CN113482595B (zh) | 2021-08-04 | 2021-08-04 | 一种钻井溢流预警方法、系统、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113482595A CN113482595A (zh) | 2021-10-08 |
CN113482595B true CN113482595B (zh) | 2023-08-08 |
Family
ID=77945603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110890917.3A Active CN113482595B (zh) | 2021-08-04 | 2021-08-04 | 一种钻井溢流预警方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113482595B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094236B (zh) * | 2023-10-20 | 2023-12-26 | 北京航天华腾科技有限公司 | 一种深水钻井气侵数据分析的高精度校准方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2016025887A2 (en) * | 2014-08-14 | 2016-02-18 | University Of North Dakota | Flight parameter prediction using neural networks |
CN108388921A (zh) * | 2018-03-05 | 2018-08-10 | 中国石油集团工程技术研究院有限公司 | 一种基于随机森林的溢流漏失实时识别方法 |
CN111364978A (zh) * | 2020-03-02 | 2020-07-03 | 中国海洋石油集团有限公司 | 一种井涌井漏监测装置和监测方法 |
WO2021016212A1 (en) * | 2019-07-20 | 2021-01-28 | Seismos, Inc. | Hydraulic fracturing, completion, and diverter optimization method for known well rock properties |
CN112735154A (zh) * | 2021-01-06 | 2021-04-30 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交叉口双向拥塞智能感应控制系统及方法 |
CN112990580A (zh) * | 2021-03-17 | 2021-06-18 | 中海石油(中国)有限公司 | 基于贝叶斯算法的钻井溢流预警方法、系统及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11238356B2 (en) * | 2017-06-23 | 2022-02-01 | University Of Alaska Fairbanks | Method of predicting streamflow data |
US11105944B2 (en) * | 2019-04-30 | 2021-08-31 | Chevron U.S.A. Inc. | System and method for lateral statistical estimation of rock and fluid properties in a subsurface formation |
US11460604B2 (en) * | 2019-07-18 | 2022-10-04 | Halliburton Energy Services, Inc. | Systems and methods for forecasting well interference |
EP3789580A1 (en) * | 2019-09-04 | 2021-03-10 | Schlumberger Technology B.V. | Determining hydrocarbon resource characteristics via mud logging |
-
2021
- 2021-08-04 CN CN202110890917.3A patent/CN113482595B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2016025887A2 (en) * | 2014-08-14 | 2016-02-18 | University Of North Dakota | Flight parameter prediction using neural networks |
CN108388921A (zh) * | 2018-03-05 | 2018-08-10 | 中国石油集团工程技术研究院有限公司 | 一种基于随机森林的溢流漏失实时识别方法 |
WO2021016212A1 (en) * | 2019-07-20 | 2021-01-28 | Seismos, Inc. | Hydraulic fracturing, completion, and diverter optimization method for known well rock properties |
CN111364978A (zh) * | 2020-03-02 | 2020-07-03 | 中国海洋石油集团有限公司 | 一种井涌井漏监测装置和监测方法 |
CN112735154A (zh) * | 2021-01-06 | 2021-04-30 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交叉口双向拥塞智能感应控制系统及方法 |
CN112990580A (zh) * | 2021-03-17 | 2021-06-18 | 中海石油(中国)有限公司 | 基于贝叶斯算法的钻井溢流预警方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于朴素贝叶斯算法的钻井溢流实时预警研究;袁俊亮;范白涛;幸雪松;耿立军;殷志明;王一雯;石油钻采工艺;43(004);455-460 * |
Also Published As
Publication number | Publication date |
---|---|
CN113482595A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
CN113482595B (zh) | 一种钻井溢流预警方法、系统、设备和存储介质 | |
CN110647830A (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
de Calle et al. | Dynamic condition monitoring method based on dimensionality reduction techniques for data-limited industrial environments | |
CN115358494B (zh) | 一种地铁盾构下穿施工的危险预警方法 | |
CN116124398B (zh) | 旋转机械故障检测方法及装置、设备、存储介质 | |
CN105989287A (zh) | 一种海量恶意样本同源性判定方法及系统 | |
CN113553356A (zh) | 一种钻井参数预测方法和系统 | |
CN112257862A (zh) | 一种基于关系网络标记样本扩充的半监督辨识方法 | |
CN110795888A (zh) | 一种石油钻井风险预测方法 | |
CN114429563A (zh) | 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统 | |
GB2605318A (en) | System and methods to perform a downhole inspection in real-time | |
CN117252086A (zh) | 一种盾构机刀盘健康评估与退化预测方法、系统及设备 | |
CN111967003A (zh) | 基于黑盒模型与决策树的风控规则自动生成系统及方法 | |
CN116955059A (zh) | 根因定位方法、装置、计算设备及计算机存储介质 | |
CN109308570B (zh) | 一种井下复杂工况识别方法、装置及系统 | |
CN115559737A (zh) | 基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统 | |
CN108563950B (zh) | 基于SVM的Android恶意软件检测方法 | |
CN114844709A (zh) | 一种安全日志的网络状态分析系统 | |
CN114818899A (zh) | 作业机械的作业对象确定方法、装置、设备及作业机械 | |
CN114138328A (zh) | 基于代码异味的软件重构预测方法 | |
CN113468822A (zh) | 一种钻速预测方法及系统 | |
CN109754159B (zh) | 一种电网运行日志的信息提取方法及系统 | |
CN113486595B (zh) | 一种井喷智能预警方法、系统、设备和存储介质 |
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 |