CN113496302A - 一种对钻井风险进行智能识别预警的方法与系统 - Google Patents
一种对钻井风险进行智能识别预警的方法与系统 Download PDFInfo
- Publication number
- CN113496302A CN113496302A CN202010254385.XA CN202010254385A CN113496302A CN 113496302 A CN113496302 A CN 113496302A CN 202010254385 A CN202010254385 A CN 202010254385A CN 113496302 A CN113496302 A CN 113496302A
- Authority
- CN
- China
- Prior art keywords
- risk
- drilling
- early warning
- model
- identification
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 362
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 82
- 238000012360 testing method Methods 0.000 claims description 46
- 238000012795 verification Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013517 stratification 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种对钻井风险进行智能识别预警的方法及系统，该方法包括：收集历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库；基于钻井风险案例数据库和录井数据库，利用随机森林机器学习算法构建并训练得到多个钻井风险识别预警模型；将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。本发明能够满足安全钻井需求，降低误报率和漏报率，实现对钻井风险实时有效地识别预警，达到提高风险预警准确度的目的。
Description
技术领域
本发明属于石油工程领域，具体地，涉及一种对钻井风险进行实时识别预警的方法与系统。
背景技术
随着勘探开发的不断深入，油气勘探开发难度越来越高，地质状况日益复杂，储层埋深增加，钻井工程面临的复杂情况越来越多，导致处理钻井风险和事故所需的成本越来越高，实现安全钻井是钻井行业的首要目标。虽然在理论上依靠地层压力、井筒压力、摩阻扭矩等关键参数的计算模型可对钻井井下风险进行预警分析，但由于这些计算模型在建立之初有诸多假设条件，与真实井下环境存在偏差，影响了风险预警结果的准确性。同时，井下高频振动、高温高压、钻井液流动等因素也直接制约了使用传感器获取井下状况来预警风险。
目前专利和文献中所提供的钻井预警方法主要分为2类：一类是通过对钻进中井筒循环压力、起下钻时井筒波动压力、钻柱摩阻扭矩等关键参数的计算对漏/涌/卡等钻井风险进行判别预警，但存在模型适用性不足的问题，限制了其判别预警的准确性，主要体现在模型中的假设条件较多、经验参数与钻井区域有关、部分模型数据实际应用时难以获取等方面；另一类是应用灰色关联、决策树等方法，基于钻井现场地面传感器获取的录井数据，分析相关参数的变化来进行风险识别，但基于专家经验和案例设置的参数阈值、权重等数据存在明显地域性差异，较差的适用性导致其误报率较高。总体而言，目前的技术方案对于钻井井涌风险的预警准确率仍难以满足安全钻井需求，实际应用时误报率和漏报率居高不下，准确率不高。
发明内容
本发明所要解决的技术问题之一是需要提供一种对钻井风险进行智能识别预警的方法，该方法基于随机森林算法应用钻井历史案例数据结合目标井实时录井数据来实现钻井风险的实时预警，能够满足安全钻井需求，降低误报率和漏报率，实现对钻井风险实时有效地识别预警，达到提高风险预警准确度的目的。
为了解决上述技术问题，本申请的实施例首先提供了一种对钻井风险进行智能识别预警的方法，该方法包括：收集历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据；基于钻井风险案例数据库和录井数据库，利用随机森林机器学习算法构建并训练得到多个钻井风险识别预警模型；将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
在一个实施例中，通过如下步骤获取多个钻井风险识别预警模型：基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本；通过执行如下操作获取不同的钻井风险识别预警模型：基于随机森林算法，结合钻井风险识别技术需求，构建出钻井风险智能识别预警的初始模型；从所述训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练；从袋外样本中提取每个钻井风险案例的所述设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型；从测试样本中提取不同井的设定时长的录井数据，对得到的初始模型进行验证，在验证结果满足小于钻井风险识别的误报率阈值时，形成最终的钻井风险智能识别预警模型。
在一个实施例中，通过如下步骤执行对目标井的实时识别预警处理：实时截取目标井不同时长的录井数据，经处理后按照不同钻井风险智能识别预警模型的需求，形成输入参数；向训练得到的多个钻井风险智能识别预警模型中分别输入各模型所需的输入参数，对目标井的钻井风险进行实时识别预警；对钻井风险识别预警结果进行风险验证，以确认风险。
在一个实施例中，通过如下步骤进行风险验证：若仅有一个钻井风险智能识别预警模型识别出风险，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认；若存在多个钻井风险智能识别预警模型识别出风险，且所发出的风险识别预警结果一致，则确认风险，若不一致，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认。
在一个实施例中，该方法还包括：在确认风险时，向现场人员发出钻井风险预警并提示风险类别；根据识别预警结果和现场实际情况的比对，更新钻井风险案例库，并定期训练完善钻井风险智能识别预警模型。
根据本发明另一方面，还提供了一种对钻井风险进行智能识别预警的系统，该系统包括：存储模块，其存储钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据；模型训练模块，其基于钻井风险案例数据库和录井数据库，利用随机森林机器学习算法构建并训练得到多个钻井风险识别预警模型；以及现场应用分析模块，其将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
在一个实施例中，所述模型训练模块，其包括：训练/测试数据处理单元，其基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本；模型训练单元，其通过执行如下操作获取不同的钻井风险识别预警模型：基于随机森林算法，结合钻井风险识别技术需求，构建出钻井风险智能识别预警的初始模型；从所述训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练；从袋外样本中提取每个钻井风险案例的所述设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型；模型验证单元，其从测试样本中提取不同井的设定时长的录井数据，对得到的钻井风险智能识别预警的初步模型进行验证，在满足小于钻井风险识别的误报率，形成最终的钻井风险智能识别预警模型。
在一个实施例中，所述现场应用分析模块包括：录井数据处理单元，其实时截取目标井不同时间长度的录井数据，经处理后按照不同钻井风险智能识别预警模型的需求，实时形成输入参数；风险智能识别单元，其向训练得到的多个钻井风险智能识别预警模型中分别输入各模型所需的输入参数，对目标井的钻井风险进行实时识别预警；风险验证单元，其对风险智能识别单元形成的钻井风险识别预警结果进行验证，以确认风险。
在一个实施例中，所述风险验证单元通过执行如下步骤进行风险验证：若仅有一个钻井风险智能识别预警模型识别出风险，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认；若存在多个钻井风险智能识别预警模型识别出风险，且所发出的风险识别预警结果一致，则确认风险，若不一致，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认。
在一个实施例中，所述现场应用分析模块还包括：风险审核单元，其在确认风险时，向现场人员发出钻井风险预警并提示风险类别，并根据识别预警结果和现场实际情况的比对，将现场风险发生时间和风险类别发送给风险案例提取单元以更新钻井风险案例库；漏报风险登记单元，其将记录的现场实际发生而模型未识别预警的漏报风险对应的现场风险发生时间和风险类别送给风险案例提取单元；以及风险案例提取单元，其接收风险审核单元以及漏报风险登记单元的数据，根据风险发生时间和风险类别，截取录井数据并构建成钻井风险案例。
在一个实施例中，所述存储模块，其接收来自风险案例提取单元发送的钻井风险案例，并更新钻井风险案数据库；所述模型训练模块，其基于更新的钻井风险案例数据库，定期训练完善钻井风险智能识别预警模型。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
本发明实施例的方法通过应用随机森林等机器学习算法，基于历史井钻井风险案例构建并训练钻井风险识别预警模型，接入目标井实时录井数据后实现对钻井风险进行识别预警，规避现有方法中模型参数、判别阈值等地区性差异和难以获取等问题，降低误报率和漏报率，实现对钻井风险实时有效地识别预警，达到提高风险预警准确度的目的，帮助现场工程人员尽早控制规避钻井风险。
另外，基于随机森林等机器学习算法，应用历史井风险案例数据，构建并训练多组的钻井风险识别预警模型，将目标井的实时录井数据接入多组模型进行钻井风险的实时识别预警的这种方法，在钻井行业领域内尚属空白，目前国内外相关研究未见报道。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明的技术方案而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构和/或流程来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
图1为本申请实施例的对钻井风险进行实时识别预警的方法的概括的流程示意图。
图2为本申请实施例的训练多个钻井风险识别预警模型步骤的具体流程示意图。
图3为本申请实施例的利用训练得到的多个模型进行现场钻井风险识别预警的具体流程示意图。
图4为本申请实施例的对钻井风险进行实时识别预警的系统的功能框图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
钻井作业过程中控制钻井风险一直是石油勘探的研究重点。受限于井筒内的复杂环境，与钻井风险直接相关的井下参数在钻井过程中无法应用传感器直接测量传输到地面，只能基于地面录井数据应用数值计算模型或灰色关联等方法进行钻井风险的识别预警，而现有方法大多使用固定的参数阈值进行判别，同时受限于地区性差异和部分参数难以获取，不可避免地存在预警准确率低而误报率高的问题，影响了风险预警效果，对于现场工程师和作业人员的参考价值低。在此情况下，钻井现场风险的识别预警主要依靠现场司钻、钻井工程师等少数人员以往的经验，对于人员依赖性过强，难免出现判别失误处理不及时的情况，导致风险加剧而出现人员财产损失。
本发明提出了一个新的技术思路，收集所有历史井实时录井数据与钻井风险记录数据，构建钻井风险案例库和训练数据库，基于随机森林这一机器学习算法构建钻井风险智能识别预警模型，以不同时间长度的录井数据作为输入，从风险案例库和样本测试库中随机提取训练样本和测试样本，完成多重钻井风险智能识别模型训练。在部署应用于现场后，根据多重钻井风险智能识别模型的数据需求，将目标井实时录井数据从当前时间点分别向前截取不同时间长度进行钻井风险的实时识别。一旦某一个识别模型识别出钻井风险及类别后，按照风险类别，提取相应的先导参数，调用传统的算法对其趋势或变化率进行验证计算，验证通过后可确认风险发出预警。进一步由现场人员对预警结果进行审核，同时在应用过程中不断更新完善钻井风险智能识别预警模型，以进一步提高风险预警准确率，降低错报/漏报/误报率。
实施例一
图1为本申请实施例的对钻井风险进行实时识别预警的方法的概略的流程示意图。
下面参考图1来简要说明一下本发明实施例的方法步骤。
在步骤S110中，收集历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库(下简称“风险案例库”)和正常钻井下的录井数据库。
具体地，收集所有历史井实时录井数据与钻井风险记录数据，构建风险案例库。对于每个案例，其包括但不限于井号、风险类别、风险发生时间点、风险井地质属性(如风险井深、地层、岩性)、风险发生时间点前后设定时长(例如30分钟)的实时录井数据等内容。正常钻井下的录井数据库包含的数据项包括但不限于井号、时间、井深、钻头位置、大钩载荷、大钩高度、入口流量、出口流量等录井实时相关数据以及井身结构、井眼轨迹、地层分层等钻井设计数据。
在步骤S120中，基于钻井风险案例数据库和录井数据库，利用随机森林机器学习算法构建并训练得到多个钻井风险识别预警模型。
在该步骤中，首先，基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本。然后，基于随机森林算法，结合钻井风险识别技术需求，例如井漏风险识别的主要表征录井参数为入口流量、出口流量、总池体积等，而卡钻风险识别的主要表征参数为大钩载荷、大钩高度以及钻头位置等技术需求，构建出钻井风险智能识别预警的初始模型。接着，从训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练，从袋外样本中提取每个钻井风险案例的设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型。最后，从测试样本中提取不同井的设定时长的录井数据，对得到的初始模型进行验证，在验证结果满足小于钻井风险识别的误报率阈值时，形成最终的钻井风险智能识别预警模型。
在一个优选例子中，基于随机森林这一机器学习算法构建钻井风险智能识别模型的初始模型，以3分钟的录井数据作为输入，从风险案例库中随机提取训练样本(包括风险类别、风险发生时间点、风险发生时间点之后3分钟的实时录井曲线)，完成钻井风险智能识别模型Ⅰ(3min)的训练，据此方式依次完成5/10/20/30分钟录井数据作为输入的钻井风险智能识别模型Ⅱ(5min)/Ⅲ(10min)/Ⅳ(20min)/Ⅴ(30min)的训练。
在步骤S130中，将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
具体来说，实时截取目标井不同时长的录井数据，经处理后按照不同钻井风险智能识别预警模型的需求，形成输入参数。然后，向训练得到的多个钻井风险智能识别预警模型中分别输入各模型所需的输入参数，对目标井的钻井风险进行实时识别预警。最后，对钻井风险识别预警结果进行风险验证，以确认风险。
在一个优选例子中，将目标井实时录井数据从当前时间点分别向前截取3/5/10/20/30分钟输入对应的钻井风险智能识别模型Ⅰ/Ⅱ/Ⅲ/Ⅳ/Ⅴ中进行钻井风险的实时识别，一旦某一个识别模型识别出钻井风险及类别后，按照风险类别，提取相应的先导参数(例如，井漏风险的先导参数包括但不限于立管压力、出口流量、总池体积等)，调用传统的算法，例如滤波处理、小波变换等方法，对其趋势或变化率进行验证计算，验证通过后可确认风险发出预警，预警内容包括但不限于钻井风险类别、发生时间、异常参数项等。
在进行风险验证时，若仅有一个钻井风险智能识别预警模型识别出风险，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认；若存在多个钻井风险智能识别预警模型识别出风险，且所发出的风险识别预警结果一致，则确认风险，若不一致，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认。
在步骤S140中，在确认风险时，向现场人员发出钻井风险预警并提示风险类别；
在步骤S150中，根据识别预警结果和现场实际情况的比对，更新钻井风险案例库，并定期训练完善钻井风险智能识别预警模型。
图2和图3是针对上述方法的具体的流程示意图，下面参考这两个附图来进一步详细说明。
如图2所示，该流程图主要包括模型训练和模型测试两大内容，该模型以钻井风险智能识别预警模型I为例来说明，具体包括如下步骤。
(1)收集历史井钻井井史资料，基于井史资料分别构建钻井风险案例数据库及正常钻井下的录井数据库；
(2)根据随机森林算法的特点和需求，从钻井风险案例数据库中分多次随机筛选一定数量的钻井风险案例，构建出后续钻井风险智能识别预警模型训练所需要的训练样本1-K；
(3)对构建的模型训练样本1-K中的数据进行预处理，清洗归约后提取相应的特征数据；
(4)基于随机森林算法，结合钻井风险识别技术需求，构建出钻井风险智能识别预警的初始模型Ⅰ；
(5)分别截取训练样本中每个钻井风险案例3分钟的录井数据，输入钻井风险智能识别初始模型Ⅰ，对其进行训练；
(6)根据随机森林算法特点，每个训练样本构建时未选择的钻井风险案例数据是该样本的袋外(out-of-bag)样本，提取其未抽样的钻井风险案例构建成袋外样本1-k；
(7)对构建的OOB样本1-k中的数据进行预处理，清洗归约后提取相应的特征数据；
(8)分别截取OOB样本中每个钻井风险案例3分钟的录井数据，输入训练完成的钻井风险智能识别预警模型Ⅰ中进行测试；
(9)统计当前风险识别模型对OOB样本的识别结果，并计算误识别比率(OOB误分率)，也就是OOB样本中钻井风险的漏报/错报率；
(10)判别钻井风险智能识别预警模型Ⅰ的OOB误分率是否小于模型训练中设置的漏报/错报阈值，若是，则执行下一步骤，若否，则返回步骤(4)重新构建训练模型；
(11)从正常钻井录井数据库中随机提取一定数量的不同井的录井数据，构建测试样本；
(12)对构建的测试样本中的数据进行预处理，清洗归约后提取相应的特征数据；
(13)分别截取测试样本3分钟录井数据对训练完成的钻井风险智能识别预警模型Ⅰ进行测试；
(14)统计当前模型对正常钻井时的测试样本识别预警结果，并计算模型的识别错误率既对正常情况的风险误报率；
(15)判断当前模型对正常钻井样本的误报率是否小于模型测试验证所设置的误报率阈值，若是，则钻井风险智能识别预警模型Ⅰ达到可使用状态，执行下一步骤，若否，则返回步骤(4)重新构建训练模型；
(16)重复步骤(3)-(15)这一模型构建训练及测试过程，分别截取样本中5/10/20/30分钟录井数据建立钻井风险智能识别预警模型Ⅱ/Ⅲ/Ⅳ/Ⅴ，并全部完成所述模型的优化完善，使其达到可使用状态。
通过以上步骤(1)～(16)确定了最终现场要应用的多个钻井风险智能识别预警模型Ⅰ-Ⅴ。
需要说明的是，虽然在本实施例中构建了5个模型，但本领域技术人员可以根据实际需求增加或减少模型数量，或通过改变截取数据的时间来构建所需要的模型，本申请对此不做限定。
接下来参考图3来说明如何用这些钻井风险智能识别预警模型Ⅰ-Ⅴ来进行现场的风险预警。
(17)完成多重钻井风险智能识别预警模型Ⅰ-Ⅴ的构建、训练、测试后，生成模型更新应用指令；
(18)将当前的钻井风险智能识别预警模型Ⅰ-Ⅴ通过无线网络传输至现场模块，完成模型更新后进行应用；
(19)对目标井的实时录井数据进行截取、预处理和特征变换后，分别形成模型Ⅰ-Ⅴ所需的输入参数(3/5/10/20/30分钟录井数据)；
(20)在钻井风险智能识别预警模型Ⅰ-Ⅴ中分别接入所需时间长度的录井数据，同时对钻井风险进行多重识别预警；
(21)监测是否识别出发生钻井风险，若否，则返回步骤(19)继续执行风险的识别预警；若是，则执行下一步骤；
(22)进一步判别模型Ⅰ-Ⅴ中是否多个模型识别出风险，若否，即仅有一个模型识别预警风险，则执行步骤(23)；
(23)对Ⅰ-Ⅴ中某一模型识别的风险提取录井参数进行趋势/变化率计算分析，对风险结果进行验证确认，若风险无法确认，则返回步骤(19)继续执行风险的识别预警；若风险确认，则执行步骤(25)；
(24)在步骤(22)中，进一步判别模型Ⅰ-Ⅴ中是否多个模型识别出风险，若是，则验证Ⅰ-Ⅴ中多个模型发出的风险识别预警结果是否一致，若不一致，则执行步骤(23)；若Ⅰ-Ⅴ中多个模型发出的风险识别预警结果一致，则确认风险，直接执行步骤(25)；
(25)向现场人员发出钻井风险预警并提示风险类别；
(26)现场人员通过对钻井风险预警提示结果进行审定，核对识别预警结果是否与现场实际情况一致；若一致，则执行步骤(27)，若不一致，则执行步骤(28)；
(27)现场人员标记风险发生时间后，将风险类别、录井数据、发生井深等提取为钻井风险案例，将案例传输回后方案例数据库存储；
(28)识别预警结果与现场实际情况不一致，则现场人员进一步在系统中确认风险预警是否为错报，若是错报，则现场人员更新风险类别，执行步骤(27)；若不是错报，则属于风险误报，直接忽略既可；
(29)若出现风险漏报，既现场发生钻井风险而系统未进行预警，则现场人员通过添加现场发生钻井风险的类别，之后执行步骤(27)；
(30)钻井风险案例库更新后，定期训练完善模型并更新到现场，以进一步提高预警准确性并降低错报/漏报/误报率。
本申请实施例应用于石油工程领域，基于钻井风险案例，应用机器学习算法构建风险识别预警模型，通过不断更新完善模型，以更简便准确的方法实现钻井风险识别预警，能够降低误报率和漏报率，实现对钻井风险实时有效地识别预警，达到提高风险预警准确度的目的。该方案可辅助钻井人员实现安全钻井，帮助现场工程人员尽早控制规避钻井风险。
实施例二
图4为本申请实施例的对钻井风险进行实时识别预警的系统的功能框图。下面参考图4来说明该系统的各个组成和功能。
如图4所示，该钻井风险智能识别预警系统包括后方数据库41和现场应用分析模块42(图示为“现场模块”)两大部分。现场应用分析模块42和后方数据库41连接，并通过无线网络进行相互通信。
后方数据库41包括存储模块410和模型训练模块413。该存储模块410，其存储钻井风险案例数据库和正常钻井下的录井数据库，钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据。模型训练模块413，其基于钻井风险案例数据库和录井数据库，利用随机森林机器学习算法构建并训练得到多个钻井风险识别预警模型。
进一步，模型训练模块413包括训练/测试数据处理单元413a、模型训练单元413b和模型验证单元413c。
训练/测试数据处理单元413a，其基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本。模型训练单元413b，其通过执行如下操作获取不同的钻井风险识别预警模型：基于随机森林算法，结合钻井风险识别技术需求，构建出钻井风险智能识别预警的初始模型；从所述训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练；从袋外样本中提取每个钻井风险案例的所述设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型。模型验证单元413c，其从测试样本中提取不同井的设定时长的录井数据，对得到的钻井风险智能识别预警的初步模型进行验证，在满足小于钻井风险识别的误报率，形成最终的钻井风险智能识别预警模型。
现场应用分析模块42，其将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。该模块42包括：录井数据处理单元421、风险智能识别单元422、风险验证单元423、风险审核单元424、漏报风险登记单元425、风险案例提取单元426和数据传输单元427。
录井数据处理单元421，其实时截取目标井不同时间长度的录井数据，经预处理和特征变换形成后，按照不同钻井风险智能识别预警模型的需求，实时形成输入参数。
风险智能识别单元422，其向训练得到的多个钻井风险智能识别预警模型中分别输入各模型所需的输入参数，对目标井的钻井风险进行实时识别预警。
风险验证单元423，其对风险智能识别单元形成的钻井风险识别预警结果进行验证，以确认风险。风险验证单元423通过执行如下步骤进行风险验证：若仅有一个钻井风险智能识别预警模型识别出风险，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认；若存在多个钻井风险智能识别预警模型识别出风险，且所发出的风险识别预警结果一致，则确认风险，若不一致，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认。
风险审核单元424，其在确认风险时，向现场人员发出钻井风险预警并提示风险类别，并根据识别预警结果和现场实际情况的比对，将现场风险发生时间和风险类别发送给风险案例提取单元426以更新钻井风险案例库。
漏报风险登记单元425，其将记录的现场实际发生而模型未识别预警的漏报风险对应的现场风险发生时间和风险类别送给风险案例提取单元426。
风险案例提取单元426，其接收风险审核单元424以及漏报风险登记单元425的数据，根据风险发生时间和风险类别，截取录井数据并构建成钻井风险案例。
数据传输模块427，其在风险验证通过后将风险作为案例传输回后方数据库进行存储，还可以将智能模型漏报的钻井风险传输回后方数据库进行存储。
后方数据库风险案例增加后，存储模块410接收来自风险案例提取单元426发送的钻井风险案例，并更新钻井风险案数据库，模型训练模块413基于更新的钻井风险案例数据库，进一步对风险智能识别模型进行训练完善，改进完成后传输发布到现场应用分析模块中，对其风险智能识别模块中的风险智能识别模型进行更新，以进一步提高识别预警的准确率并降低误报率和错误率。
在该系统操作时，执行如下步骤。
模型训练模块413利用存储历史井的钻井风险案例数据和正常钻井情况下的录井数据，构建/训练/定期更新钻井风险智能识别预警模型，并将构建/训练/更新完成的钻井风险智能识别预警模型传输至现场应用分析模块42中的风险智能识别单元422。另外，模型训练模块413还在生成构建/训练/更新完成的新的钻井风险智能识别预警模型的同时，还生成相应的系统部署指令，并将该指令连同新的钻井风险智能识别预警模型一并传输至现场应用分析模块42，以提示现场工作人员当前钻井风险智能识别预警模型构建/训练/更新完成，可以进行应用。
在形成钻井风险智能识别预警模型时，训练/测试数据处理单元413a按照模型使用的算法需求，从当前的后方数据库41内预先存储的钻井风险案例数据和正常钻井情况下录井数据中，随机筛选出相应数据作为模型训练样本和测试验证样本，并对相应的样本数据按照模型需求进行处理及特征提取。模型训练单元413b存储构建的钻井风险智能识别预警初始模型，并提取训练样本中的风险案例数据，对预先构建的初始模型进行训练，在满足钻井风险识别准确率阈值、漏报/错报率阈值的前提下，得到相应的钻井风险智能识别预警初步模型。模型验证单元413c提取测试验证样本内的正常钻井的录井数据，依次对钻井风险智能识别预警初步模型进行验证，在满足钻井风险识别误报率，形成最终的钻井风险智能识别预警模型，并在当前模型达到可使用条件时，将最终的钻井风险智能识别预警模型投入到现场在线识别过程，并生成更新应用指令。
录井数据处理单元421实时截取目标井不同时间长度的录井数据，经过预处理和特征提取后按照模型需求，实时形成输入参数传输给风险智能识别单元422。风险智能识别单元422接收、存储、运行后方数据库提供的钻井风险智能识别预警模型，在接收录井数据处理单元421处理的录井数据后，对目标井钻井风险进行实时识别预警，将模型识别预警的结果传输给风险验证单元423。风险验证单元423对风险智能识别单元422形成的钻井风险识别预警结果进行验证，以便过滤掉误报结果，降低误报率，之后将验证后的钻井风险识别预警结果传输到风险审核单元424。风险审核单元424将识别预警结果显示给现场人员，并由现场人员根据井场实际情况对风险进行最终的审核，忽略误报风险，纠正错报风险，并标记现场风险发生时间，风险审核单元424将标记的时间和风险类别发送给风险案例提取单元426。漏报风险登记单元425对现场实际发生而系统未识别预警的漏报风险进行记录，由现场人员根据井场实际情况标记现场风险发生时间和类别后，将标记信息发送给风险案例提取单元426。风险案例提取单元426接收风险审核单元424以及漏报风险登记单元425的数据，根据风险发生时间和风险类别，自动截取录井数据等相关信息，按照后方钻井风险案例数据项构建成风险案例，发送给数据传输单元427。数据传输单元427将风险案例提取单元426生成的目标井钻井风险案例发送到后方数据库41，丰富后方的钻井风险案例，并将后方数据库41更新完善的钻井风险智能识别预警模型传输给风险智能识别单元422。
相比较于目前已有的钻井风险识别预警方法与系统，本发明的基于随机森林这一机器学习算法构建训练钻井风险智能识别预警模型的方法，规避了现有方法中模型参数、判别阈值地域性差异和难以获取等问题，有效降低误报率和漏报率，实现对钻井风险实时有效地识别预警，达到提高风险预警准确度的目的。而且，本发明的预警模型采用非固定的方式，模型适用性高，且在应用过程中通过应用新增钻井风险案例训练更新模型，可进一步提高钻井风险识别预警的准确率，降低漏报误报率。
示例
利用上述技术方案在西北油田顺北区块一区选取10口新井进行了试验应用。具体实施流程如下：
(1)收集西北油田、胜利油田、大庆油田等多个油田发生钻井风险井的井史资料以及部分无风险井的井史资料。从风险井的井史资料抽取数据来制作钻井风险案例，从而建立钻井风险案例库，并且，提取无风险井录井数据构建测试数据库。
(2)基于随机森林算法建立钻井风险智能识别预警的初始模型Ⅰ-Ⅴ，其典型差别是分别截取3/5/10/20/30分钟录井数据作为输入参数；
(3)根据随机森林算法特点，首先以3分钟时间窗口长度为标准，分多次随机提取钻井风险案例数据进行预处理和特征提取后建立K个训练样本，而每个训练样本对应的未抽取的风险案例数据处理后作为k个模型训练的袋外样本。然后，依次建立5/10/20/30分钟的训练样本和袋外样本；
(4)分别使用对应时间窗口长度的训练样本和袋外样本对钻井风险智能识别预警的初始模型Ⅰ-Ⅴ进行训练，直到各模型漏报率和错报率之和小于设定阈值(8％)，既风险识别预警准确率大于92％为止；
(5)从测试数据库中随机抽取多口无风险井录井数据作为测试样本，分别截取3/5/10/20/30分钟录井数据处理后输入训练后的钻井风险智能识别预警模型Ⅰ-Ⅴ，统计各模型对正常钻井情况的风险误报率，通过多次调整训练钻井风险智能识别预警的初始模型Ⅰ-Ⅴ，直到误报率小于3％通过测试，模型可以在现场应用；
(6)将钻井风险智能识别预警系统的前端模块在钻井现场部署，通过数据传输单元427与后方数据库41通信完成预警模型更新后，接入现场实时录井数据进行应用；
(7)应用过程中现场人员通过风险预警结果的审核标记以及漏报风险的登记，辅助系统提取现场风险案例传输回后方数据库41，丰富钻井风险案例库后，对钻井风险智能识别预警模型进行改进训练，完善后同步更新到现场，逐步提高钻井现场风险预警准确性，进一步降低漏报/错报/误报率。
最终，在10口新井在该区块破碎易漏地层共发生井漏16次、卡钻1次，现场部署的钻井风险智能识别预警系统共计识别预警了井漏15次、卡钻1次，漏报了1次轻微井漏，未出现风险误报/错报的情况，识别预警准确率为100％，同时漏报率约5.9％，错报/误报率为0，满足现场工程应用需求。
本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (11)
1.一种对钻井风险进行智能识别预警的方法，其特征在于，该方法包括：
收集历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据；
基于钻井风险案例数据库和录井数据库，利用随机森林机器学习算法构建并训练得到多个钻井风险识别预警模型；
将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
2.根据权利要求1所述的方法，其特征在于，通过如下步骤获取多个钻井风险识别预警模型：
基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本；
通过执行如下操作获取不同的钻井风险识别预警模型：
基于随机森林算法，结合钻井风险识别技术需求，构建出钻井风险智能识别预警的初始模型；
从所述训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练；
从袋外样本中提取每个钻井风险案例的所述设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型；
从测试样本中提取不同井的设定时长的录井数据，对得到的初始模型进行验证，在验证结果满足小于钻井风险识别的误报率阈值时，形成最终的钻井风险智能识别预警模型。
3.根据权利要求1或2所述的方法，其特征在于，通过如下步骤执行对目标井的实时识别预警处理：
实时截取目标井不同时长的录井数据，经处理后按照不同钻井风险智能识别预警模型的需求，形成输入参数；
向训练得到的多个钻井风险智能识别预警模型中分别输入各模型所需的输入参数，对目标井的钻井风险进行实时识别预警；
对钻井风险识别预警结果进行风险验证，以确认风险。
4.根据权利要求3所述的方法，其特征在于，通过如下步骤进行风险验证：
若仅有一个钻井风险智能识别预警模型识别出风险，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认；
若存在多个钻井风险智能识别预警模型识别出风险，且所发出的风险识别预警结果一致，则确认风险，若不一致，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认。
5.根据权利要求3或4所述的方法，其特征在于，该方法还包括：
在确认风险时，向现场人员发出钻井风险预警并提示风险类别；
根据识别预警结果和现场实际情况的比对，更新钻井风险案例库，并定期训练完善钻井风险智能识别预警模型。
6.一种对钻井风险进行智能识别预警的系统，其特征在于，该系统包括：
存储模块，其存储钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据；
模型训练模块，其基于钻井风险案例数据库和录井数据库，利用随机森林机器学习算法构建并训练得到多个钻井风险识别预警模型；以及
现场应用分析模块，其将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
7.根据权利要求6所述的系统，其特征在于，所述模型训练模块，其包括：
训练/测试数据处理单元，其基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本；
模型训练单元，其通过执行如下操作获取不同的钻井风险识别预警模型：基于随机森林算法，结合钻井风险识别技术需求，构建出钻井风险智能识别预警的初始模型；从所述训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练；从袋外样本中提取每个钻井风险案例的所述设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型；
模型验证单元，其从测试样本中提取不同井的设定时长的录井数据，对得到的钻井风险智能识别预警的初步模型进行验证，在满足小于钻井风险识别的误报率，形成最终的钻井风险智能识别预警模型。
8.根据权利要求6或7所述的系统，其特征在于，所述现场应用分析模块包括：
录井数据处理单元，其实时截取目标井不同时间长度的录井数据，经处理后按照不同钻井风险智能识别预警模型的需求，实时形成输入参数；
风险智能识别单元，其向训练得到的多个钻井风险智能识别预警模型中分别输入各模型所需的输入参数，对目标井的钻井风险进行实时识别预警；
风险验证单元，其对风险智能识别单元形成的钻井风险识别预警结果进行验证，以确认风险。
9.根据权利要求8所述的系统，其特征在于，所述风险验证单元通过执行如下步骤进行风险验证：
若仅有一个钻井风险智能识别预警模型识别出风险，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认；
若存在多个钻井风险智能识别预警模型识别出风险，且所发出的风险识别预警结果一致，则确认风险，若不一致，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认。
10.根据权利要求8或9所述的系统，其特征在于，所述现场应用分析模块还包括：
风险审核单元，其在确认风险时，向现场人员发出钻井风险预警并提示风险类别，并根据识别预警结果和现场实际情况的比对，将现场风险发生时间和风险类别发送给风险案例提取单元以更新钻井风险案例库；
漏报风险登记单元，其将记录的现场实际发生而模型未识别预警的漏报风险对应的现场风险发生时间和风险类别送给风险案例提取单元；以及
风险案例提取单元，其接收风险审核单元以及漏报风险登记单元的数据，根据风险发生时间和风险类别，截取录井数据并构建成钻井风险案例。
11.根据权利要求10所述的系统，其特征在于，
所述存储模块，其接收来自风险案例提取单元发送的钻井风险案例，并更新钻井风险案数据库；
所述模型训练模块，其基于更新的钻井风险案例数据库，定期训练完善钻井风险智能识别预警模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010254385.XA CN113496302A (zh) | 2020-04-02 | 2020-04-02 | 一种对钻井风险进行智能识别预警的方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010254385.XA CN113496302A (zh) | 2020-04-02 | 2020-04-02 | 一种对钻井风险进行智能识别预警的方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113496302A true CN113496302A (zh) | 2021-10-12 |
Family
ID=77994458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010254385.XA Pending CN113496302A (zh) | 2020-04-02 | 2020-04-02 | 一种对钻井风险进行智能识别预警的方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113496302A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114526052A (zh) * | 2021-12-31 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
| CN116307385A (zh) * | 2023-03-16 | 2023-06-23 | 深圳市勘察测绘院(集团)有限公司 | 一种基于极端环境勘探作业档案数据分析方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140110167A1 (en) * | 2011-11-02 | 2014-04-24 | Landmark Graphics Corporation | Method and system for predicting a drill string stuck pipe event |
| CN105612538A (zh) * | 2013-10-25 | 2016-05-25 | 兰德马克绘图国际公司 | 钻井操作期间的实时风险预测 |
| CN105830070A (zh) * | 2013-10-25 | 2016-08-03 | 界标制图有限公司 | 钻井操作期间的实时风险预测 |
| US20170191359A1 (en) * | 2014-06-09 | 2017-07-06 | Landmark Graphics Corporation | Employing a Target Risk Attribute Predictor While Drilling |
| CN108364106A (zh) * | 2018-02-27 | 2018-08-03 | 平安科技（深圳）有限公司 | 一种报销单风险预测方法、装置、终端设备及存储介质 |
| CN109472285A (zh) * | 2018-09-29 | 2019-03-15 | 北京中油瑞飞信息技术有限责任公司 | 井漏识别方法、装置及计算机设备 |
| CN109594967A (zh) * | 2018-11-27 | 2019-04-09 | 南通世盾信息技术有限公司 | 一种基于录井大数据的卡钻事故检测预警方法 |
| CN109779604A (zh) * | 2018-12-17 | 2019-05-21 | 中国石油大学(北京) | 用于诊断井漏的建模方法及诊断井漏的方法 |
| CN110443488A (zh) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | 基于卷积神经网络的钻井溢漏风险识别方法、系统及设备 |
| CN110778307A (zh) * | 2019-10-24 | 2020-02-11 | 西南石油大学 | 一种卡钻预警和类型诊断方法 |
| CN110795888A (zh) * | 2019-09-12 | 2020-02-14 | 四川宏华电气有限责任公司 | 一种石油钻井风险预测方法 |
-
2020
- 2020-04-02 CN CN202010254385.XA patent/CN113496302A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140110167A1 (en) * | 2011-11-02 | 2014-04-24 | Landmark Graphics Corporation | Method and system for predicting a drill string stuck pipe event |
| CN105612538A (zh) * | 2013-10-25 | 2016-05-25 | 兰德马克绘图国际公司 | 钻井操作期间的实时风险预测 |
| CN105830070A (zh) * | 2013-10-25 | 2016-08-03 | 界标制图有限公司 | 钻井操作期间的实时风险预测 |
| US20170191359A1 (en) * | 2014-06-09 | 2017-07-06 | Landmark Graphics Corporation | Employing a Target Risk Attribute Predictor While Drilling |
| CN108364106A (zh) * | 2018-02-27 | 2018-08-03 | 平安科技（深圳）有限公司 | 一种报销单风险预测方法、装置、终端设备及存储介质 |
| CN109472285A (zh) * | 2018-09-29 | 2019-03-15 | 北京中油瑞飞信息技术有限责任公司 | 井漏识别方法、装置及计算机设备 |
| CN109594967A (zh) * | 2018-11-27 | 2019-04-09 | 南通世盾信息技术有限公司 | 一种基于录井大数据的卡钻事故检测预警方法 |
| CN109779604A (zh) * | 2018-12-17 | 2019-05-21 | 中国石油大学(北京) | 用于诊断井漏的建模方法及诊断井漏的方法 |
| CN110443488A (zh) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | 基于卷积神经网络的钻井溢漏风险识别方法、系统及设备 |
| CN110795888A (zh) * | 2019-09-12 | 2020-02-14 | 四川宏华电气有限责任公司 | 一种石油钻井风险预测方法 |
| CN110778307A (zh) * | 2019-10-24 | 2020-02-11 | 西南石油大学 | 一种卡钻预警和类型诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 史肖燕等: "基于随机森林的溢漏实时判断方法研究", 钻采工艺, vol. 43, no. 1, 31 January 2020 (2020-01-31), pages 9 - 13 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114526052A (zh) * | 2021-12-31 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
| CN114526052B (zh) * | 2021-12-31 | 2023-09-19 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
| CN116307385A (zh) * | 2023-03-16 | 2023-06-23 | 深圳市勘察测绘院(集团)有限公司 | 一种基于极端环境勘探作业档案数据分析方法 |
| CN116307385B (zh) * | 2023-03-16 | 2023-08-25 | 深圳市勘察测绘院(集团)有限公司 | 一种基于极端环境勘探作业档案数据分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348137B (zh) | 一种基于向量自回归模型的水驱油藏渗流场评价方法 | |
| US20210406792A1 (en) | Hydraulic fracturing operation planning using data-driven multi-variate statistical machine learning modeling | |
| US8229880B2 (en) | Evaluation of acid fracturing treatments in an oilfield | |
| EP2773845B1 (en) | Statistical reservoir model based on detected flow events | |
| CN108388921A (zh) | 一种基于随机森林的溢流漏失实时识别方法 | |
| CN106761668A (zh) | 油井故障智能化分析决策系统及方法 | |
| CA2665122C (en) | System and method for performing oilfield simulation operations | |
| WO2009018450A1 (en) | Method for managing production from a hydrocarbon producing reservoir in real-time | |
| EP4062030B1 (en) | Well annulus pressure monitoring | |
| CN104583532A (zh) | 监控、诊断和优化气举操作 | |
| CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| CN113496302A (zh) | 一种对钻井风险进行智能识别预警的方法与系统 | |
| CN103615236A (zh) | 一种远程录井信息实时监测地层压力的方法 | |
| CN110130875B (zh) | 抽油机异常工况监控方法 | |
| NO347038B1 (en) | Automatic geosteering and evolutionary algorithm for use with same | |
| CN113094924B (zh) | 一种水力喷射压裂施工参数的优化方法及系统 | |
| US20220025753A1 (en) | Hydraulic fracturing job plan real-time revisions utilizing collected time-series data | |
| US8311743B2 (en) | Method for generating an estimation of incremental recovery from a selected enhanced oil recovery (EOR) process | |
| US11492896B2 (en) | Process for infill well development in a subsurface reservoir | |
| Bin et al. | Intelligent identification and real-time warning method of diverse complex events in horizontal well fracturing | |
| CN116012275A (zh) | 一种随钻电成像数据井下实时处理装置及方法 | |
| CN116777085A (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
| CN106530109A (zh) | 一种基于信息价值的油田开发评价井决策方法 | |
| RU2644433C2 (ru) | Способ рационального распределения отбора газа по скважинам на кусте нефтегазоконденсатных месторождений крайнего севера | |
| CN112696186B (zh) | 一种用于自动识别钻井岩屑的方法及系统 |
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 |