CN113494286B - 一种地质钻进过程钻速智能动态预测方法及系统 - Google Patents
一种地质钻进过程钻速智能动态预测方法及系统 Download PDFInfo
- Publication number
- CN113494286B CN113494286B CN202110854655.5A CN202110854655A CN113494286B CN 113494286 B CN113494286 B CN 113494286B CN 202110854655 A CN202110854655 A CN 202110854655A CN 113494286 B CN113494286 B CN 113494286B
- Authority
- CN
- China
- Prior art keywords
- drilling
- rate
- intelligent dynamic
- dynamic prediction
- data
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 106
- 230000008569 process Effects 0.000 title claims abstract description 67
- 238000005516 engineering process Methods 0.000 claims abstract description 28
- 238000012952 Resampling Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000002790 cross-validation Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 229910052739 hydrogen Inorganic materials 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims 4
- 238000005086 pumping Methods 0.000 claims 4
- 238000011160 research Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
-
- 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
-
- 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
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明提供了一种地质钻进过程钻速智能动态预测方法,主要解决了现有地质钻进过程钻速预测方法大多采用离线建模方式没有考虑动态变化的地层条件,导致模型精度不高的问题。该地质钻进过程钻速智能动态预测方法主要分三个步骤进行,首先,分析钻速与八种钻进参数之间的相关关系,选择钻压、转速和井深作为模型输入参数;然后,分别运用滤波和重采样技术对钻进过程数据进行预处理;最后,创新性的综合极限学习机、滑动窗口和十折交叉验证等多种技术最终实现地质钻进过程钻速智能动态预测。本发明的有益效果是:提高了钻速智能动态预测的精确度,为复杂地质钻进过程智能控制研究奠定了良好的基础。
Description
技术领域
本发明涉及复杂地质钻进过程智能控制领域,尤其涉及一种地质钻进过程钻速智能动态预测方法及系统。
背景技术
资源能源安全是国家安全的重要组成部分,也是国家经济可持续发展的关键之一。保障资源能源安全应立足于国内。随着浅层矿产资源的日益枯竭、深部成矿理论的发展以及国内外大量深部矿产资源的探明使得深部地质勘探和开发成为必然。但是深部地质钻进过程中存在“三高一扰动”的复杂地质力学环境,非线性、强耦合、强干扰等特性突出,导致地质钻进过程效率低、安全性差。因此,建立地质钻进过程钻速预测模型是智能控制的前提,同时也是实现复杂地质钻进过程安全高效目标的重要基础。
发明内容
为了解决上述问题,本发明提供了一种地质钻进过程钻速智能动态预测方法及系统,一种地质钻进过程钻速智能动态预测方法,主要包括以下步骤:
S1:根据钻进过程数据,分析钻速与钻进参数之间的相关关系,选择钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数;
S2:分别运用滤波和重采样技术对钻进过程数据进行预处理,得到样本数据集和测试集;
S3:综合利用极限学习机、滑动窗口和十折交叉验证法技术,采用上述样本数据集和测试集对所述钻速智能动态预测模型进行训练和验证,得到最终的钻速智能动态预测模型;
S4:将实际获得的钻压、转速和井深输入至所述最终的钻速智能动态预测模型,得到地质钻进过程钻速智能动态预测结果。
进一步地,所述钻进参数有八种,分别为:钻压、转速、井深、泵量、扭矩、泵压、钩载、钻位。
进一步地,步骤S1具体包括:分析计算钻速与所述钻进参数之间的相关关系,得到扭矩、泵压、钩载和钻位与其他钻进参数之间存在较强的相关关系,而扭矩、泵压、钩载和钻位与钻速之间的相关关系则相对较弱,另外,泵量在地质钻进过程中调节频率较低,综上分析,将钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数。
进一步地,步骤S2中具体包括以下过程:
1)运用滤波技术去除钻进过程数据中的毛刺和尖峰,以提高数据质量;
2)运用数据重采样技术,将钻进过程数据由时间域变换到深度域,用于去掉大量非正常钻进数据,为后续建立钻速智能动态预测模型奠定重要基础。
进一步地,步骤S3具体包括以下过程:
1)运用极限学习机方法建立钻压、转速、井深与钻速之间的关系模型,该关系模型公式如下:
β=H+T
式中,H是隐含层矩阵,β是隐含层到输出层的权值,g()是激活函数,xi是输入参数,隐含层节点数是k,ωi是输入层到隐含层的权值,bi是隐含层偏置,i=1,2,...,k,H+是H的Moore-Penrose逆,T是输出向量;
2)基于上述关系模型,引入滑动窗口技术,将钻速智能动态预测模型分为建模和预测两个部分,该钻速智能动态预测模型能够快速跟踪钻速的动态变化;
3)运用十折交叉验证法确定所述钻速智能动态预测模型超参数,并建立钻速智能动态预测模型:
式中WOB是钻压、RPM是转速、Depth是井深,f()是滤波和重采样函数,ωit是第t次建模时的输入层到隐含层的权值,bit是第t次建模时的隐含层偏置,i=1,2,...,k,Tt是第t次建模时的输出向量,k、t均为正整数;
4)对钻进过程样本数据集进行归一化处理,利用归一化处理后的样本数据集对所述钻速智能动态预测模型进行训练;
5)测试集的验证指标如下;
当上述验证指标的验证精度达到预设精度后,得到最终的钻速智能动态预测模型。
一种地质钻进过程钻速智能动态预测系统,包括输入参数确定模块、预处理模块、模型确定模块、预测模块;
输入参数确定模块,用于根据钻进过程数据,分析钻速与钻进参数之间的相关关系,选择钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数;
预处理模块,分别运用滤波和重采样技术对钻进过程数据进行预处理,得到样本数据集和测试集;
模型确定模块,综合利用极限学习机、滑动窗口和十折交叉验证法技术,采用上述样本数据集和测试集对所述钻速智能动态预测模型进行训练和验证,得到最终的钻速智能动态预测模型;
预测模块,将实际获得的钻压、转速和井深输入至所述最终的钻速智能动态预测模型,得到地质钻进过程钻速智能动态预测结果。
进一步地,输入参数确定模块中,所述钻进参数有八种,分别为:钻压、转速、井深、泵量、扭矩、泵压、钩载、钻位。
进一步地,输入参数确定模块中,分析计算钻速与所述钻进参数之间的相关关系,得到扭矩、泵压、钩载和钻位与其他钻进参数之间存在较强的相关关系,而扭矩、泵压、钩载和钻位与钻速之间的相关关系则相对较弱,另外,泵量在地质钻进过程中调节频率较低,综上分析,将钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数。
进一步地,预处理模块中,具体包括以下过程:
1)运用滤波技术去除钻进过程数据中的毛刺和尖峰,以提高数据质量;
2)运用数据重采样技术,将钻进过程数据由时间域变换到深度域,用于去掉大量非正常钻进数据,为后续建立钻速智能动态预测模型奠定重要基础。
进一步地,模型确定模块中,具体包括以下过程:
1)运用极限学习机方法建立钻压、转速、井深与钻速之间的关系模型,该关系模型公式如下:
β=H+T
式中,H是隐含层矩阵,β是隐含层到输出层的权值,g()是激活函数,xi是输入参数,隐含层节点数是k,ωi是输入层到隐含层的权值,bi是隐含层偏置,i=1,2,...,k,H+是H的Moore-Penrose逆,T是输出向量;
2)基于上述关系模型,引入滑动窗口技术,将钻速智能动态预测模型分为建模和预测两个部分,该钻速智能动态预测模型能够快速跟踪钻速的动态变化;
3)运用十折交叉验证法确定所述钻速智能动态预测模型超参数,并建立钻速智能动态预测模型;
式中WOB是钻压、RPM是转速、Depth是井深,f()是滤波和重采样函数,ωit是第t次建模时的输入层到隐含层的权值,bit是第t次建模时的隐含层偏置,i=1,2,...,k,Tt是第t次建模时的输出向量,k、t均为正整数;
4)对钻进过程样本数据集进行归一化处理,利用归一化处理后的样本数据集对所述钻速智能动态预测模型进行训练;
5)测试集的验证指标如下;
当上述验证指标的验证精度达到预设精度后,得到最终的钻速智能动态预测模型。
本发明提供的技术方案带来的有益效果是:提高了钻速智能动态预测的精确度,为复杂地质钻进过程智能控制研究奠定了良好的基础。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中钻速智能动态预测模型结构图。
图2是本发明实施例中原始数据分布图。
图3是本发明实施例中预处理后数据分布图。
图4是本发明实施例中钻速预测对比结果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种地质钻进过程钻速智能动态预测方法及系统,其主要过程为:首先,构建如图1所示的钻速智能动态预测模型结构,将建模过程分为三个阶段,第一个阶段分析钻速与八种钻进参数之间的相关关系,选择钻压、转速和井深作为模型输入参数,第二个阶段分别运用滤波和重采样技术对钻进过程数据进行预处理,第三个阶段创新性的综合极限学习机、滑动窗口和十折交叉验证等多种技术实现了地质钻进过程钻速智能动态预测。具体步骤如下:
(1)分析计算钻压、转速、井深、泵量、扭矩、泵压、钩载、钻位共八种钻进参数与钻速之间的相关关系,确定扭矩、泵压、钩载和钻位与其他钻进参数之间存在较强的相关关系而与钻速之间的相关关系相对不高;另外,考虑到泵量在地质钻进过程中调节频率较低。因此,将钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数。
(2)原始数据分布如图2所示,运用图1中所述第二阶段的数据预处理方法对原始钻进过程数据进行预处理,运用滤波技术去除钻进过程数据中的毛刺和尖峰,以提高数据质量,为后续建立钻速智能动态预测模型奠定重要基础;再运用数据重采样技术,将钻进过程数据由时间域变换到深度域,用于去掉大量非正常钻进数据,方便建立钻速模型,得到如图3所示的预处理后数据分布。
综合利用极限学习机、滑动窗口和十折交叉验证法技术,采用样本数据集和测试集对所述钻速智能动态预测模型进行训练和验证,得到最终的钻速智能动态预测模型;具体包括以下过程:
1)运用极限学习机方法建立钻压、转速、井深与钻速之间的关系模型,该关系模型公式如下:
β=H+T
式中,H是隐含层矩阵,β是隐含层到输出层的权值,g()是激活函数,xi是输入参数,隐含层节点数是k,ωi是输入层到隐含层的权值,bi是隐含层偏置,i=1,2,...,k,H+是H的Moore-Penrose逆,T是输出向量;
2)基于上述关系模型,引入滑动窗口技术,将钻速智能动态预测模型分为建模和预测两个部分,该钻速智能动态预测模型能够快速跟踪钻速的动态变化;
3)运用十折交叉验证法确定所述钻速智能动态预测模型超参数,并建立钻速智能动态预测模型:
式中WOB是钻压、RPM是转速、Depth是井深,f()是滤波和重采样函数,ωit是第t次建模时的输入层到隐含层的权值,bit是第t次建模时的隐含层偏置,Tt是第t次建模时的输出向量;
4)对钻进过程样本数据集进行归一化处理,利用归一化处理后的样本数据集对所述钻速智能动态预测模型进行训练;
其中,xnorm是归一化后的数据集,x是真实的数据集,xmin是数据集中最小的数据,xmax是数据集中最大的数据;
5)测试集的验证指标如下;
当钻速智能动态预测模型的验证精度达到预设精度后,得到最终的钻速智能动态预测模型。
(3)运用阶段三所提方法进行钻速智能动态预测,并与其他七种知名钻速预测方法进行对比,结果如图4所示。本发明所提方法可以快速跟踪钻速变化,实验结果验证了所提方法的有效性,为复杂地质钻进过程智能控制研究奠定了良好的基础。
本发明的有益效果是:能够适应不同的地层条件,获得较高的钻速预测精度和较强的泛化能力,为复杂地质钻进过程智能控制研究奠定了良好的基础。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种地质钻进过程钻速智能动态预测方法,其特征在于:包括以下步骤:
S1:根据钻进过程数据,分析钻速与钻进参数之间的相关关系,选择钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数;
S2:分别运用滤波和重采样技术对钻进过程数据进行预处理,得到样本数据集和测试集;
S3:综合利用极限学习机、滑动窗口和十折交叉验证法技术,采用上述样本数据集和测试集对所述钻速智能动态预测模型进行训练和验证,得到最终的钻速智能动态预测模型;具体包括以下过程:
1)运用极限学习机方法建立钻压、转速、井深与钻速之间的关系模型,该关系模型如下:
β=H+T
式中,H是隐含层矩阵,β是隐含层到输出层的权值,g()是激活函数,xi是输入参数,隐含层节点数是k,ωi是输入层到隐含层的权值,bi是隐含层偏置,i=1,2,……,k,H+是H的Moore-Penrose逆,T是输出向量;
2)基于上述关系模型,引入滑动窗口技术,将钻速智能动态预测模型分为建模和预测两个部分,该钻速智能动态预测模型能够快速跟踪钻速的动态变化;
3)运用十折交叉验证法确定所述钻速智能动态预测模型超参数,并建立钻速智能动态预测模型;
式中WOB是钻压、RPM是转速、Depth是井深,f()是滤波和重采样函数,ωit是第t次建模时的输入层到隐含层的权值,bit是第t次建模时的隐含层偏置,i=1,2,……,k,Tt是第t次建模时的输出向量,k、t均为正整数;
4)对钻进过程样本数据集进行归一化处理,利用归一化处理后的样本数据集对所述钻速智能动态预测模型进行训练;
5)测试集的验证指标如下;
当上述验证指标的验证精度达到预设精度后,得到最终的钻速智能动态预测模型;
S4:将实际获得的钻压、转速和井深输入至所述最终的钻速智能动态预测模型,得到地质钻进过程钻速智能动态预测结果。
2.如权利要求1所述的一种地质钻进过程钻速智能动态预测方法,其特征在于:所述钻进参数有八种,分别为:钻压、转速、井深、泵量、扭矩、泵压、钩载、钻位。
3.如权利要求2所述的一种地质钻进过程钻速智能动态预测方法,其特征在于:步骤S1具体包括:分析计算钻速与所述钻进参数之间的相关关系,得到扭矩、泵压、钩载和钻位与其他钻进参数之间存在较强的相关关系,而扭矩、泵压、钩载和钻位与钻速之间的相关关系则相对较弱,另外,泵量在地质钻进过程中调节频率较低,综上分析,将钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数。
4.如权利要求1所述的一种地质钻进过程钻速智能动态预测方法,其特征在于:步骤S2中具体包括以下过程:
1)运用滤波技术去除钻进过程数据中的毛刺和尖峰,以提高数据质量;
2)运用数据重采样技术,将钻进过程数据由时间域变换到深度域,用于去掉大量非正常钻进数据,为后续建立钻速智能动态预测模型奠定重要基础。
5.一种地质钻进过程钻速智能动态预测系统,其特征在于:包括输入参数确定模块、预处理模块、模型确定模块、预测模块;
输入参数确定模块,用于根据钻进过程数据,分析钻速与钻进参数之间的相关关系,选择钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数;
预处理模块,分别运用滤波和重采样技术对钻进过程数据进行预处理,得到样本数据集和测试集;
模型确定模块,综合利用极限学习机、滑动窗口和十折交叉验证法技术,采用上述样本数据集和测试集对所述钻速智能动态预测模型进行训练和验证,得到最终的钻速智能动态预测模型;具体包括以下过程:
1)运用极限学习机方法建立钻压、转速、井深与钻速之间的关系模型,该关系模型如下:
β=H+T
式中,H是隐含层矩阵,β是隐含层到输出层的权值,g()是激活函数,xi是输入参数,隐含层节点数是k,ωi是输入层到隐含层的权值,bi是隐含层偏置,i=1,2,……,k,H+是H的Moore-Penrose逆,T是输出向量;
2)基于上述关系模型,引入滑动窗口技术,将钻速智能动态预测模型分为建模和预测两个部分,该钻速智能动态预测模型能够快速跟踪钻速的动态变化;
3)运用十折交叉验证法确定所述钻速智能动态预测模型超参数,并建立钻速智能动态预测模型;
式中WOB是钻压、RPM是转速、Depth是井深,f()是滤波和重采样函数,ωit是第t次建模时的输入层到隐含层的权值,bit是第t次建模时的隐含层偏置,i=1,2,……,k,Tt是第t次建模时的输出向量,k、t均为正整数;
4)对钻进过程样本数据集进行归一化处理,利用归一化处理后的样本数据集对所述钻速智能动态预测模型进行训练;
5)测试集的验证指标如下;
当上述验证指标的验证精度达到预设精度后,得到最终的钻速智能动态预测模型;
预测模块,将实际获得的钻压、转速和井深输入至所述最终的钻速智能动态预测模型,得到地质钻进过程钻速智能动态预测结果。
6.如权利要求5所述的一种地质钻进过程钻速智能动态预测系统,其特征在于:输入参数确定模块中,所述钻进参数有八种,分别为:钻压、转速、井深、泵量、扭矩、泵压、钩载、钻位。
7.如权利要求6所述的一种地质钻进过程钻速智能动态预测系统,其特征在于:输入参数确定模块中,分析计算钻速与所述钻进参数之间的相关关系,得到扭矩、泵压、钩载和钻位与其他钻进参数之间存在较强的相关关系,而扭矩、泵压、钩载和钻位与钻速之间的相关关系则相对较弱,另外,泵量在地质钻进过程中调节频率较低,综上分析,将钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数。
8.如权利要求5所述的一种地质钻进过程钻速智能动态预测系统,其特征在于:预处理模块中,具体包括以下过程:
1)运用滤波技术去除钻进过程数据中的毛刺和尖峰,以提高数据质量;
2)运用数据重采样技术,将钻进过程数据由时间域变换到深度域,用于去掉大量非正常钻进数据,为后续建立钻速智能动态预测模型奠定重要基础。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854655.5A CN113494286B (zh) | 2021-07-28 | 2021-07-28 | 一种地质钻进过程钻速智能动态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854655.5A CN113494286B (zh) | 2021-07-28 | 2021-07-28 | 一种地质钻进过程钻速智能动态预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113494286A CN113494286A (zh) | 2021-10-12 |
CN113494286B true CN113494286B (zh) | 2023-02-28 |
Family
ID=77996720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110854655.5A Active CN113494286B (zh) | 2021-07-28 | 2021-07-28 | 一种地质钻进过程钻速智能动态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113494286B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114000862B (zh) * | 2021-10-26 | 2023-07-18 | 中国地质大学(武汉) | 一种基于动态优化的地质钻进过程钻速智能控制系统 |
CN114862071B (zh) * | 2022-07-07 | 2022-09-09 | 中国长江三峡集团有限公司 | 水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011104504A2 (en) * | 2010-02-23 | 2011-09-01 | Halliburton Energy Services, Inc. | System and method for optimizing drilling speed |
WO2016160005A1 (en) * | 2015-04-01 | 2016-10-06 | Landmark Graphics Corporation | Model generation for real-time rate of penetration prediction |
CN107100611A (zh) * | 2017-05-27 | 2017-08-29 | 中国地质大学(武汉) | 一种地质勘探钻进过程双层智能钻速建模方法 |
CN107193055A (zh) * | 2017-05-27 | 2017-09-22 | 中国地质大学(武汉) | 一种复杂地质钻进过程双层智能钻速建模系统 |
WO2019217813A1 (en) * | 2018-05-10 | 2019-11-14 | Baker Hughes, A Ge Company, Llp | Earth-boring tool rate of penetration and wear prediction system and related methods |
CN110807557A (zh) * | 2019-11-06 | 2020-02-18 | 中法渤海地质服务有限公司 | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 |
CN111434886A (zh) * | 2019-01-15 | 2020-07-21 | 中国石油化工股份有限公司 | 用于钻井过程的机械钻速计算方法及装置 |
CN111520123A (zh) * | 2020-03-27 | 2020-08-11 | 中国石油化工股份有限公司石油工程技术研究院 | 一种机械钻速预测方法、装置及设备 |
WO2020263252A1 (en) * | 2019-06-26 | 2020-12-30 | Halliburton Energy Services, Inc. | Sensor fusion and model calibration for bit attitude prediction |
CN112487582A (zh) * | 2020-12-10 | 2021-03-12 | 西南石油大学 | 一种基于cart算法的油气钻井机械钻速预测与优化方法 |
CN112901137A (zh) * | 2021-03-08 | 2021-06-04 | 西南石油大学 | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1608843A1 (en) * | 2003-03-31 | 2005-12-28 | Baker Hughes Incorporated | Real-time drilling optimization based on mwd dynamic measurements |
EP3059385A1 (en) * | 2015-02-23 | 2016-08-24 | Geoservices Equipements | Systems and methods for determining and/or using estimate of drilling efficiency |
US11873707B2 (en) * | 2017-08-18 | 2024-01-16 | Landmark Graphics Corporation | Rate of penetration optimization for wellbores using machine learning |
-
2021
- 2021-07-28 CN CN202110854655.5A patent/CN113494286B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011104504A2 (en) * | 2010-02-23 | 2011-09-01 | Halliburton Energy Services, Inc. | System and method for optimizing drilling speed |
WO2016160005A1 (en) * | 2015-04-01 | 2016-10-06 | Landmark Graphics Corporation | Model generation for real-time rate of penetration prediction |
CA2977943A1 (en) * | 2015-04-01 | 2016-10-06 | Landmark Graphics Corporation | Model generation for real-time rate of penetration prediction |
CN107100611A (zh) * | 2017-05-27 | 2017-08-29 | 中国地质大学(武汉) | 一种地质勘探钻进过程双层智能钻速建模方法 |
CN107193055A (zh) * | 2017-05-27 | 2017-09-22 | 中国地质大学(武汉) | 一种复杂地质钻进过程双层智能钻速建模系统 |
WO2019217813A1 (en) * | 2018-05-10 | 2019-11-14 | Baker Hughes, A Ge Company, Llp | Earth-boring tool rate of penetration and wear prediction system and related methods |
CN111434886A (zh) * | 2019-01-15 | 2020-07-21 | 中国石油化工股份有限公司 | 用于钻井过程的机械钻速计算方法及装置 |
WO2020263252A1 (en) * | 2019-06-26 | 2020-12-30 | Halliburton Energy Services, Inc. | Sensor fusion and model calibration for bit attitude prediction |
CN110807557A (zh) * | 2019-11-06 | 2020-02-18 | 中法渤海地质服务有限公司 | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 |
CN111520123A (zh) * | 2020-03-27 | 2020-08-11 | 中国石油化工股份有限公司石油工程技术研究院 | 一种机械钻速预测方法、装置及设备 |
CN112487582A (zh) * | 2020-12-10 | 2021-03-12 | 西南石油大学 | 一种基于cart算法的油气钻井机械钻速预测与优化方法 |
CN112901137A (zh) * | 2021-03-08 | 2021-06-04 | 西南石油大学 | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 |
Non-Patent Citations (8)
Title |
---|
"A novel rate of penetration prediction model with identified condition for the complex geological drilling process";Yang Zhou;《Journal of Process Control》;20210318;全文 * |
"Prediction of drilling rate of penetration (ROP) using hybrid support vector regression: A case study on the Shennongjia area, Central China";ChaoGan;《Journal of Petroleum Science and Engineering》;20190627;第181卷;全文 * |
"Two-level intelligent modeling method for the rate of penetration in complex geological drilling process";Chao Gan;《Applied Soft Computing》;20190422;第80卷;全文 * |
"基于PSO-BP的钻井机械钻速预测模型";李琪,等;《科学技术与工程》;20210710;第21卷(第19期);全文 * |
"基于人工智能的钻速系统优化研究";朱玥,等;《第32届全国天然气学术年会(2020)论文集》;20201112;全文 * |
"基于极限学习机的海上钻井机械钻速监测及实时优化";赵颖,等;《中国海上油气》;20191231;第31卷(第6期);全文 * |
"基于钻进状态监测的智能工况识别";范海鹏,等;《探矿工程(岩土钻掘工程)》;20200430;第47卷(第4期);全文 * |
"复杂地层可钻性场智能建模与钻速优化";甘超;《中国优秀博士论文全文库工程科技I辑》;20200515(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113494286A (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113494286B (zh) | 一种地质钻进过程钻速智能动态预测方法及系统 | |
CN107193055B (zh) | 一种复杂地质钻进过程双层智能钻速建模系统 | |
CN107100611B (zh) | 一种地质勘探钻进过程双层智能钻速建模方法 | |
CN110807557A (zh) | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 | |
CN113689055B (zh) | 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法 | |
CN114779324B (zh) | 一种基于深度学习的瑞雷波频散曲线反演方法 | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
WO2021126284A1 (en) | Deep learning seismic attribute fault predictions | |
CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
Qifeng et al. | Logging-while-drilling formation dip interpretation based on long short-term memory | |
CN114398828A (zh) | 一种钻速智能预测及优化方法、系统、设备和介质 | |
CN117077729A (zh) | 基于lstm的轴向-周向耦合钻柱振动程度预测方法及装置 | |
CN116522777A (zh) | 基于多源信息融合的钻进过程钻速在线预测方法及系统 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN110486008A (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN115049173A (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 | |
CN114000862B (zh) | 一种基于动态优化的地质钻进过程钻速智能控制系统 | |
CN115434696A (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 | |
CN112727433A (zh) | 一种钻井参数优化方法 | |
CN111946258A (zh) | 一种基于gru的滑动定向智能控制方法 | |
CN116122794B (zh) | 一种复杂地层环境阵列电阻率测井解耦降维正演方法 | |
CN116644844A (zh) | 一种基于神经网络时间序列的地层压力预测方法 | |
CN112906242B (zh) | 一种基于朴素贝叶斯法与邻近分类法相结合的地球物理建模方法 | |
CN113344729B (zh) | 一种基于小样本学习的剩余油挖潜方法 |
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 |