CN113486595A - 一种井喷智能预警方法、系统、设备和存储介质 - Google Patents
一种井喷智能预警方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN113486595A CN113486595A CN202110838739.XA CN202110838739A CN113486595A CN 113486595 A CN113486595 A CN 113486595A CN 202110838739 A CN202110838739 A CN 202110838739A CN 113486595 A CN113486595 A CN 113486595A
- Authority
- CN
- China
- Prior art keywords
- blowout
- early warning
- data
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000005553 drilling Methods 0.000 claims abstract description 86
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 70
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种井喷智能预警方法、系统、设备和存储介质，其包括以下步骤：获取完整原始油气钻井过程数据；构建基于神经网络的井喷预警模型；对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练；在真实场景下对训练好的井喷预警模型进行测试验证，并将符合现场应用标准的井喷预警模型投入钻井现场的应用中，实现对井喷的智能预警。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
本发明涉及一种基于神经网络的井喷智能预警方法、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
深水钻井过程中受到复杂地质环境和钻井技术的限制，可能会发生溢流、井漏、井喷等钻井事故，一旦发生钻井事故，轻则造成巨大的财产损失，重则造成人员伤亡和底层污染。为了降低钻井过程的风险，尽可能保障钻井和工作人员的安全，研究人员不断探究能够及时对井喷等钻井事故进行预警的技术。
目前，石油领域中进行井喷预警时，往往借助现场钻井专家对监测数据的判断，完成井喷事故发生的判断，现场钻井专家的判断只能针对较为明显的井喷事故，而且判断往往存在一定的时间延后性，对专家经验的依赖程度比较高，对井喷事故判断的有效性也有待进一步提高，缺少及时性、全面性和可迁移性。
发明内容
针对上述问题，本发明的目的是提供一种井喷智能预警方法、系统、设备和存储介质，通过建立基于神经网络的井喷预警模型，对井喷进行智能预警。
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，是提供一种井喷智能预警方法，其包括以下步骤：
获取完整原始油气钻井过程数据；
构建基于神经网络的井喷预警模型；
对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练；
在真实场景下对训练好的井喷预警模型进行测试验证，并将符合现场应用标准的井喷预警模型投入钻井现场的应用中，实现对井喷的智能预警。
优选地，所述基于神经网络的井喷预警模型包括：神经网络层、专家网络层和表决输出层；
所述神经网络层包括第一～第三神经网络结构，且所述第一～第三神经网络结构分别用于对不同的输入数据集进行处理，并将得到的处理结果发送到所述表决输出层；
所述专家网络层包括第一～第三专家网络结构，且所述第一～第三专家网络结构分别用于对所述第一～第三神经网络结构所对应的输入数据集进行处理，并将得到的处理结果发送到所述表决输出层；
所述表决输出层用于按照预设投票表决原则对神经网络层和专家网络层的输出结果进行表决集成，输出最终的井喷预警结果。
优选地，所述表决输出层中预设的投票表决原则为：将所述第一～第三神经网络结构和第一～第三专家网络结构的井喷预测结果进行投票集成，若超过半数的网络结构认为该时刻的钻井参数预警了井喷工况的发生，则输出井喷预警信号向现场专家发出警告。
优选地，所述对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练的方法，包括以下步骤：
对获取的完整原始油气钻井过程数据进行数据初步分析及数据清洗，将非钻井阶段数据予以剔除，得到钻井阶段的钻井数据；
对钻井阶段的钻井数据进行预处理，得到适用于井喷预警模型中第一～第三神经网络结构的三种训练数据集；
基于三种训练数据集对井喷预警模型进行训练，得到训练好的井喷预警模型。
优选地，所述对钻井阶段的钻井数据进行预处理，得到适用于井喷预警模型中第一～第三神经网络结构的三种训练数据集的方法，包括以下步骤：
进行钻井数据缺失值的处理；
对经过缺失值处理后的钻井数据进行离群数据监测；
对离群数据监测后的钻井数据进行平滑去噪处理；
对平滑去噪处理后的钻井数据进行维度变换；
基于维度变换后的钻井数据，分别采用欠采样、过采样和井喷发生阶段数据截取的方法构建三种数据集。
优选地，所述对经过缺失值处理后的钻井数据进行离群数据监测的方法，包括：
分别采用若干种离群数据监测算法进行离群数据的监测，得到各种离群数据监测算法对应的训练数据；
分别采用经各种离群数据监测算法处理后的训练数据对预先构建的神经网络模型进行井喷预警，并将井喷预警结果与各训练数据的标签进行比对，得到各种离群数据监测算法的准确程度；
基于得到的各种离群数据监测算法的准确程度，确定各离群数据监测算法的权重；
基于确定的各离群数据监测算法的权重，对各离群数据监测算法判断的离群点数据进行加权求和，并基于预设阈值判断各离群点数据是否为离群数据，若是，则删除该数据，否则保留。
优选地，所述基于三种训练数据集对井喷预警模型进行训练，得到训练好的井喷预警模型的方法，包括以下步骤：
分别将三种训练数据集随机划分为训练集和验证集；
分别采用各训练集和验证集对井喷预警模型中的各神经网络结构和专家网络结构进行训练，得到训练好的井喷预警模型。
本发明的第二个方面，是提供一种井喷智能预警系统，其包括：
数据源层，用于获取完整原始油气钻井过程数据；
井喷预警模型层，用于构建基于神经网络的井喷预警模型；
数据处理层，用于对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练；
模型验证层，用于在真实场景下对训练好的井喷预警模型进行测试验证，并将符合现场应用标准的井喷预警模型投入钻井现场的应用中，实现对井喷的智能预警。
本发明的第三个方面，是提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述井喷智能预警方法的步骤。
本发明的第四个方面，是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的井喷智能预警方法的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明通过梳理了进行井喷预警时的钻井数据特征，考虑了真实钻井数据中可能存在的缺失值、离群数据、噪声的干扰，提出了与神经网络结构相适应的钻井数据预处理方法和样本均衡方法，同时将专家经验系统加入预警系统，为更加精准可靠的井喷预警系统提供了技术支持。
2、本发明对钻井数据进行预处理时，采用多种不同的离群数据监测算法进行离群数据监测，保证了数据的准确性。
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是本发明提出的基于神经网络的井喷智能预警方法的流程框图；
图2是本发明井喷预警数据的预处理流程；
图3是本发明神经网络模型与专家系统的集成流程；
图4是本发明进行井喷预警的效果图示例。
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井喷智能预警方法，包括以下步骤：
步骤1：获取完整原始油气钻井过程数据；
步骤2：构建基于神经网络的井喷预警模型；
步骤3：对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练；
步骤4：在真实场景下对训练好的井喷预警模型进行测试验证，并将符合现场应用标准的井喷预警模型投入钻井现场的应用中，实现对井喷的智能预警。
优选地，上述步骤2中，构建的基于神经网络的井喷预警模型包括：神经网络层、专家网络层和表决输出层。其中，神经网络层包括第一～第三神经网络结构，且第一～第三神经网络结构分别用于对不同的输入数据集进行处理，并将得到的处理结果发送到表决输出层；专家网络层包括第一～第三专家网络结构，且第一～第三专家网络结构分别用于对第一～第三神经网络结构所对应的输入数据集进行处理，并将得到的处理结果发送到表决输出层；表决输出层用于按照预设原则对神经网络层和专家网络层的输出结果进行表决集成，输出最终的井喷预警结果。
优选地，表决输出层中预设的投票表决原则为：将第一～第三神经网络结构和第一～第三专家网络结构的井喷预测结果进行投票集成，若超过半数的网络结构认为该时刻的钻井参数预警了井喷工况的发生，则输出井喷预警信号向现场专家发出警告。
优选地，上述步骤3中，对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练的方法，包括以下步骤：
步骤3.1：对获取的完整原始油气钻井过程数据进行数据初步分析及数据清洗，将非钻井阶段数据予以剔除，得到钻井阶段的钻井数据；
步骤3.2：对钻井阶段的钻井数据进行预处理，得到适用于井喷预警模型中第一～第三神经网络结构的三种训练数据集；
步骤3.3：基于三种训练数据集对井喷预警模型进行训练，得到训练好的井喷预警模型。
优选地，上述步骤3.2中，对钻井阶段的钻井数据进行预处理，得到适用于井喷预警模型中第一～第三神经网络结构的三种训练数据集的方法，包括以下步骤：
步骤3.2.1：缺失值填充：进行钻井数据缺失值的处理，根据钻井数据中某一钻井参数的缺失值比例和该钻井参数的具体含义，可以选择采用参数删除、定值填充、统计填充和回归插值等方式进行钻井数据缺失值的处理；
步骤3.2.2：离群数据监测：采用多种离群数据监测方法对经过缺失值处理后的钻井数据进行离群数据监测，将传输过程中或存储中存在的错误数据进行识别和剔除；
步骤3.2.3：降噪处理：采用滤波技术或减少样本方差的方式对离群数据监测后的钻井数据进行平滑去噪处理，进一步减少钻井数据中的系统误差；
步骤3.2.4：数据规约：采用主成分分析或奇异值分解的方法对钻井数据进行维度变换，以减少后续过程中的计算成本，减少预警系统的反馈时间；
步骤3.2.5：样本均衡：分别采用欠采样、过采样和井喷发生阶段数据截取的方法对步骤3.2.4中的数据进行数据集的构建，形成三种数据集，以保证训练数据中井喷工况数据与正常钻井数据的样本量相对均衡。
优选地，上述步骤3.2.2中，采用多种离群数据监测方法对经过缺失值处理后的钻井数据进行离群数据监测的方法，包括以下步骤：
3.2.2.1：分别采用若干种离群数据监测算法进行离群数据的监测，得到各种离群数据监测算法对应的训练数据；
3.2.2.2：分别采用经各种离群数据监测算法处理后的训练数据对预先构建的神经网络模型进行井喷预警，并将井喷预警结果与各训练数据的标签进行比对，得到各种离群数据监测算法的准确程度；
3.2.2.3：基于得到的各种离群数据监测算法的准确程度，确定各离群数据监测算法的权重；
3.2.2.4：基于确定的各离群数据监测算法的权重，对各离群数据监测算法判断的离群点数据进行加权求和，并基于预设阈值判断各离群点数据是否为离群数据，若是，则删除该数据，否则保留。
优选地，上述步骤3.2.2.1中，采用的离群数据监测算法包括3σ算法、Kmeans算法和LOF算法等。
优选地，上述步骤3.3中，基于三种训练数据集对井喷预警模型进行训练，得到训练好的井喷预警模型的方法，包括以下步骤：
步骤3.3.1：分别将三种训练数据集随机划分为训练集和验证集；
步骤3.3.2：分别采用各训练集和验证集对井喷预警模型中的各神经网络结构和专家网络结构进行训练，得到训练好的井喷预警模型。
实施例2
上述实施例1提供了一种井喷智能预警方法，与之相对应地，本实施例提供一种井喷智能预警系统。本实施例提供的预警系统可以实施实施例1的井喷智能预警方法，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。
本实施例提供的井喷智能预警系统，其包括：
数据源层，用于获取完整原始油气钻井过程数据；
井喷预警模型层，用于构建基于神经网络的井喷预警模型；
数据处理层，用于对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练；
模型验证层，用于在真实场景下对训练好的井喷预警模型进行测试验证，并将符合现场应用标准的井喷预警模型投入钻井现场的应用中，实现对井喷的智能预警。
实施例3
本实施例提供一种与本实施例1所提供的井喷智能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的识别方法。
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所提供的井喷智能预警方法。
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的一种井喷智能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所述的井喷智能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。
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 (10)
1.一种井喷智能预警方法，其特征在于包括以下步骤：
获取完整原始油气钻井过程数据；
构建基于神经网络的井喷预警模型；
对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练；
在真实场景下对训练好的井喷预警模型进行测试验证，并将符合现场应用标准的井喷预警模型投入钻井现场的应用中，实现对井喷的智能预警。
2.如权利要求1所述的一种井喷智能预警方法，其特征在于：
所述基于神经网络的井喷预警模型包括：神经网络层、专家网络层和表决输出层；
所述神经网络层包括第一～第三神经网络结构，且所述第一～第三神经网络结构分别用于对不同的输入数据集进行处理，并将得到的处理结果发送到所述表决输出层；
所述专家网络层包括第一～第三专家网络结构，且所述第一～第三专家网络结构分别用于对所述第一～第三神经网络结构所对应的输入数据集进行处理，并将得到的处理结果发送到所述表决输出层；
所述表决输出层用于按照预设投票表决原则对神经网络层和专家网络层的输出结果进行表决集成，输出最终的井喷预警结果。
3.如权利要求2所述的一种井喷智能预警方法，其特征在于，所述表决输出层中预设的投票表决原则为：将所述第一～第三神经网络结构和第一～第三专家网络结构的井喷预测结果进行投票集成，若超过半数的网络结构认为该时刻的钻井参数预警了井喷工况的发生，则输出井喷预警信号向现场专家发出警告。
4.如权利要求2所述的一种井喷智能预警方法，其特征在于，所述对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练的方法，包括以下步骤：
对获取的完整原始油气钻井过程数据进行数据初步分析及数据清洗，将非钻井阶段数据予以剔除，得到钻井阶段的钻井数据；
对钻井阶段的钻井数据进行预处理，得到适用于井喷预警模型中第一～第三神经网络结构的三种训练数据集；
基于三种训练数据集对井喷预警模型进行训练，得到训练好的井喷预警模型。
5.如权利要求4所述的一种井喷智能预警方法，其特征在于，所述对钻井阶段的钻井数据进行预处理，得到适用于井喷预警模型中第一～第三神经网络结构的三种训练数据集的方法，包括以下步骤：
进行钻井数据缺失值的处理；
对经过缺失值处理后的钻井数据进行离群数据监测；
对离群数据监测后的钻井数据进行平滑去噪处理；
对平滑去噪处理后的钻井数据进行维度变换；
基于维度变换后的钻井数据，分别采用欠采样、过采样和井喷发生阶段数据截取的方法构建三种数据集。
6.如权利要求5所述的一种井喷智能预警方法，其特征在于，所述对经过缺失值处理后的钻井数据进行离群数据监测的方法，包括：
分别采用若干种离群数据监测算法进行离群数据的监测，得到各种离群数据监测算法对应的训练数据；
分别采用经各种离群数据监测算法处理后的训练数据对预先构建的神经网络模型进行井喷预警，并将井喷预警结果与各训练数据的标签进行比对，得到各种离群数据监测算法的准确程度；
基于得到的各种离群数据监测算法的准确程度，确定各离群数据监测算法的权重；
基于确定的各离群数据监测算法的权重，对各离群数据监测算法判断的离群点数据进行加权求和，并基于预设阈值判断各离群点数据是否为离群数据，若是，则删除该数据，否则保留。
7.如权利要求4所述的一种井喷智能预警方法，其特征在于，所述基于三种训练数据集对井喷预警模型进行训练，得到训练好的井喷预警模型的方法，包括以下步骤：
分别将三种训练数据集随机划分为训练集和验证集；
分别采用各训练集和验证集对井喷预警模型中的各神经网络结构和专家网络结构进行训练，得到训练好的井喷预警模型。
8.一种井喷智能预警系统，其特征在于，包括：
数据源层，用于获取完整原始油气钻井过程数据；
井喷预警模型层，用于构建基于神经网络的井喷预警模型；
数据处理层，用于对获取的完整原始油气钻井过程数据进行预处理，得到训练数据集，并采用训练数据集对构建的基于神经网络的井喷预警模型进行训练；
模型验证层，用于在真实场景下对训练好的井喷预警模型进行测试验证，并将符合现场应用标准的井喷预警模型投入钻井现场的应用中，实现对井喷的智能预警。
9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一所述的井喷智能预警方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的井喷智能预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838739.XA CN113486595B (zh) | 2021-07-23 | 2021-07-23 | 一种井喷智能预警方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838739.XA CN113486595B (zh) | 2021-07-23 | 2021-07-23 | 一种井喷智能预警方法、系统、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113486595A true CN113486595A (zh) | 2021-10-08 |
| CN113486595B CN113486595B (zh) | 2024-05-14 |
Family
ID=77942427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110838739.XA Active CN113486595B (zh) | 2021-07-23 | 2021-07-23 | 一种井喷智能预警方法、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486595B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116517540A (zh) * | 2023-07-05 | 2023-08-01 | 成都维泰数智科技有限公司 | 一种基于相控阵技术的喷口监测方法、系统及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120166363A1 (en) * | 2010-12-23 | 2012-06-28 | Hongbo He | Neural network fault detection system and associated methods |
| CN204758719U (zh) * | 2015-06-08 | 2015-11-11 | 广西电网有限责任公司电力科学研究院 | 一种井喷式油中溶解气体状态预警数据处理系统 |
| 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 |
| CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
| CN111652253A (zh) * | 2019-03-04 | 2020-09-11 | 中石化石油工程技术服务有限公司 | 一种基于大数据的井漏事故检测预警方法 |
| 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 |
| CN112016766A (zh) * | 2020-09-17 | 2020-12-01 | 中国石油天然气集团有限公司 | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 |
| 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 |
| CN113129157A (zh) * | 2019-12-30 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 |
-
2021
- 2021-07-23 CN CN202110838739.XA patent/CN113486595B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120166363A1 (en) * | 2010-12-23 | 2012-06-28 | Hongbo He | Neural network fault detection system and associated methods |
| CN204758719U (zh) * | 2015-06-08 | 2015-11-11 | 广西电网有限责任公司电力科学研究院 | 一种井喷式油中溶解气体状态预警数据处理系统 |
| 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 |
| CN111652253A (zh) * | 2019-03-04 | 2020-09-11 | 中石化石油工程技术服务有限公司 | 一种基于大数据的井漏事故检测预警方法 |
| CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
| CN113129157A (zh) * | 2019-12-30 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 |
| 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 |
| CN112016766A (zh) * | 2020-09-17 | 2020-12-01 | 中国石油天然气集团有限公司 | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 |
| 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 (4)
| Title |
|---|
| AUGUSTINE OSAROGIAGBON等: "A new methodology for kick detection during petroleum drilling using long short-term memory recurrent neural network", 《PROCESS SAFETY AND ENVIRONMENTAL PROTECTION》, vol. 142, 10 June 2020 (2020-06-10), pages 126 - 137, XP086285167, DOI: 10.1016/j.psep.2020.05.046 * |
| 和鹏飞等: "基于深度神经网络模型的钻井井漏预测研究", 天津科技, vol. 46, no. 1, 15 December 2019 (2019-12-15), pages 21 - 23 * |
| 张正等: "基于贝叶斯网络的钻进过程井漏井涌事故预警", 《探矿工程(岩土钻掘工程)》, vol. 47, no. 04, 10 April 2020 (2020-04-10), pages 114 - 121 * |
| 袁俊亮等: "基于朴素贝叶斯算法的钻井溢流实时预警研究", 《石油钻采工艺》, vol. 43, no. 04, 20 July 2021 (2021-07-20), pages 455 - 460 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116517540A (zh) * | 2023-07-05 | 2023-08-01 | 成都维泰数智科技有限公司 | 一种基于相控阵技术的喷口监测方法、系统及装置 |
| CN116517540B (zh) * | 2023-07-05 | 2023-09-19 | 成都维泰数智科技有限公司 | 一种基于相控阵技术的喷口监测方法、系统及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113486595B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091278A (zh) | 机械设备异常检测的边缘检测模型构建方法及装置 | |
| CN110261080B (zh) | 基于多模态数据的异构旋转型机械异常检测方法及系统 | |
| CN112668688B (zh) | 一种入侵检测方法、系统、设备及可读存储介质 | |
| CN110768971A (zh) | 适用于人工智能系统的对抗样本快速预警方法及系统 | |
| Shahraki et al. | An outlier detection method to improve gathered datasets for network behavior analysis in IoT | |
| CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
| CN113051130A (zh) | 结合注意力机制的lstm网络的移动云负载预测方法及系统 | |
| CN112463848A (zh) | 检测用户异常行为的检测方法、系统、装置和存储介质 | |
| CN113486595A (zh) | 一种井喷智能预警方法、系统、设备和存储介质 | |
| CN112383921A (zh) | 一种基于异构分布式光纤传感器的在线外部入侵监测方法 | |
| CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
| CN114389843A (zh) | 一种基于变分自编码器的网络异常入侵检测系统和方法 | |
| CN117176417A (zh) | 网络流量异常确定方法、装置、电子设备和可读存储介质 | |
| CN115296933B (zh) | 一种工业生产数据风险等级评估方法及系统 | |
| CN115774875A (zh) | 基于差分隐私联邦深度学习的安卓恶意应用检测方法 | |
| CN116955059A (zh) | 根因定位方法、装置、计算设备及计算机存储介质 | |
| CN115758273A (zh) | 一种时序数据异常检测方法、装置、设备及介质 | |
| CN115062954A (zh) | 应用于工程建设的多维度风险评估方法、装置和设备 | |
| Han et al. | On fault prediction based on industrial big data | |
| CN113343244A (zh) | 基于探针注入的电力信息系统健康度预测方法及装置 | |
| Zhang et al. | An improved ELM algorithm based on PCA technique | |
| CN113554288A (zh) | 一种通用数据质量评估方法及装置 | |
| CN111340648A (zh) | 一种基于物联网的能源管控方法及系统 | |
| Ma | Artificial Intelligence Algorithm and Device for Big Data Processing of the IoT System | |
| CN116028941B (zh) | 接口的漏洞检测方法、装置、存储介质及设备 |
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 |