CN113553356A - 一种钻井参数预测方法和系统 - Google Patents
一种钻井参数预测方法和系统 Download PDFInfo
- Publication number
- CN113553356A CN113553356A CN202110838198.0A CN202110838198A CN113553356A CN 113553356 A CN113553356 A CN 113553356A CN 202110838198 A CN202110838198 A CN 202110838198A CN 113553356 A CN113553356 A CN 113553356A
- Authority
- CN
- China
- Prior art keywords
- drilling
- parameter prediction
- drilling parameter
- data
- prediction model
- 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 190
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 230000007774 longterm Effects 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种钻井参数预测方法和系统，其包括以下步骤：获取在钻井的历史数据；对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络的钻井参数预测模型；基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；在预设时间段内基于真实钻井场景获得测试集，将测试集输入到钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。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
本发明涉及一种钻井参数预测方法和系统，特别是涉及一种基于深水钻井参数时序数据对钻井参数预测方法和系统，属于海洋油气开发及大数据应用领域。
背景技术
深水油气钻井过程中，钻井参数之间存在复杂的交互影响，每个钻井参数的变动不仅会影响当前时刻其他钻井参数的水平，而且可能直接对未来一段时间的参数变化产生深远影响。因此，每个钻井参数的变化都可能影响钻井现场专家的下一步决策，如果能够较早的发现钻井参数的非正常变化，将为保障钻井的安全性和节约钻井成本带来极大帮助。
然而，钻井数据监测指标众多且相关性较强，用传统的钻井参数分析方法难以有效构建每个参数的变化趋势模型，而且也无法将钻井数据之间的周期性变化规律考虑在内。
发明内容
针对上述问题，本发明的目的是提供一种钻井参数预测方法、系统、设备和存储介质，采用大数据挖掘及分析方法来构建钻井参数预测模型，同时采用时序模型来捕捉钻井参数在特定地质环境下的量级及周期性变动规律，为钻井参数的预测带来帮助。
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，是提供一种钻井参数预测大数据挖掘方法，其包括以下步骤：
步骤1：获取在钻井的历史数据；
步骤2：对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络的钻井参数预测模型；
步骤3：基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；
步骤4：在预设时间段内基于真实钻井场景获得测试集，将测试集输入到步骤2中的钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。
优选的，所述步骤1中，获取的在钻井的历史数据包括机械钻速、迟到深度、泥浆池体积、钻压、扭矩、泥浆入口流量、泥浆池变化量、垂深、立管压力、泥浆出口流量、钻时、提升系统速度、大钩载荷、迟到时间、返出泥浆温度、转速、测深和钻头进尺。
优选的，所述步骤2中，建立基于长短期记忆人工神经网络的钻井参数预测模型的方法，包括以下步骤：
步骤2.1：对历史数据进行分析，结合钻井阶段的特点选定合适的预测时间周期T。
步骤2.2：基于确定的预测时间周期T，建立基于长短期记忆人工神经网络的钻井参数预测模型。
优选的，所述步骤2.2中，所述钻井参数预测模型包括LSTM结构以及多层感知机网络或注意力机制网络；所述LSTM结构用于对个数为T的输入数据进行时序信息处理，并将提取到的有效信息发送到多层感知机网络或注意力机制网络；所述多层感知机网络或注意力机制网络用于对提取到的有效信息进一步处理，得到钻井参数预测结果。
优选的，所述步骤3中，基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型的方法，包括以下步骤：
步骤3.1：对获取的历史数据进行预处理，得到各钻井参数构成的数据集；
步骤3.2：对预处理后的数据集进行维度转化，将该数据集由二维转换为三维；
步骤3.3：将得到的三维数据集按照时序索引进行划分，得到训练集和验证集；
步骤3.4：利用得到的训练集和验证集对钻井参数预测模型进行训练，采用BP算法完成模型参数的更新，得到训练好的钻井参数预测模型。
优选的，所述步骤3.2中，采用数据维度转化方法对预处理后的数据集进行维度转换的方法，包括以下步骤：
步骤3.2.1：基于确定的预测时间周期长度T，将包含[t-T,t]连续时间点的钻井数据作为t时刻第i个钻井参数pti的训练数据，其中，i＝1,2,...,n；n为钻井参数总个数；
步骤3.2.2：采用与步3.2.1相同的方法，对所有钻井参数进行相应的维度转化，则对于t时刻，得到n*T的训练数据；
步骤3.2.3：对得到的训练数据进行质量检测，对无效数据进行剔除。
优选的，所述步骤3.2.3中，进行质量检测的方法为：对于每个大小为n*T的训练数据，若在T的时刻内存在非钻井阶段数据，则不符合训练的要求，对此条数据进行舍弃；若在T的时刻内的任意参数存在超出其设定阈值的数据或错误数据，则不符合训练的要求，对此条数据进行舍弃；当最终满足条件的参数数量不足以完成模型训练任务时，则舍弃。
本发明的第二个方面，是提供一种钻井参数预测系统，其包括：
数据源模块，用于获取在钻井的历史数据；
模型建立模块，用于对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络的钻井参数预测模型；
模型训练模块，用于基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；
模型测试模块，用于在预设时间段内基于真实钻井场景获得测试集，将测试集输入到训练好的钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。
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，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所述钻井参数预测方法的步骤。
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参数预测方法的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明通过构建基于长短期人工神经网络(LSTM)的钻井参数预测模型，考虑了钻井参数之间的关联影响及钻井工程时序性的特点，能够更加有效的完成钻井参数的预测。
2、本发明在钻井参数的筛选中，明确地将钻进阶段数据和非钻进阶段数据进行划分，明确了钻井参数预测模型的适用范围。
3、本发明将二维的钻井数据转化为三维的钻井数据，丰富了为模型提供的信息，增强了模型的预测能力。
4、本发明在模型训练的基础上增加了模型测试和评估的阶段，进一步保障了钻井参数预测模型的安全有效，为实际场景下的应用提供了技术保障。
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是本发明实施例提供的钻井参数预测方法流程框图；
图2是本发明进行数据维度转化时的方法示意图；
图3是本发明进行训练集和验证集划分时的划分依据；
图4是本发明长短期记忆人工神经网络的原理示意图。
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参数预测方法，包括以下步骤：
步骤1：获取在钻井的历史数据；
步骤2：对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络(LSTM)的钻井参数预测模型；
步骤3：基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；
步骤4：在预设时间段内基于真实钻井场景获得测试集，将测试集输入到步骤2中的钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。
优选的，上述步骤1中，获取的在钻井的历史数据主要包括机械钻速、迟到深度、泥浆池体积、钻压、扭矩、泥浆入口流量、泥浆池变化量、垂深、立管压力、泥浆出口流量、钻时、提升系统速度、大钩载荷、迟到时间、返出泥浆温度、转速、测深、钻头进尺等。
优选的，上述步骤2中，建立基于长短期记忆人工神经网络的钻井参数预测模型的方法，包括以下步骤：
步骤2.1：对历史数据进行分析，结合钻井阶段的特点选定合适的预测时间周期T。
步骤2.2：基于确定的预测时间周期T，建立基于长短期记忆人工神经网络(LSTM)的钻井参数预测模型。
本发明中建立的钻井参数预测模型包括LSTM结构以及多层感知机网络或注意力机制网络。其中，LSTM结构用于对个数为T的输入数据进行时序信息处理，并将提取到的有效信息发送到多层感知机网络或注意力机制网络；多层感知机网络或注意力机制网络用于对提取到的有效信息进一步处理，得到钻井参数预测结果。
如图2所示，长短期记忆人工神经网络由四个门控结构和两个神经元输出构成，即：
ft＝σ(Wf·[ht-1，xt]+bc)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
其中，σ代表Sigmoid激活函数，在LSTM结构中，也可以采用Tanh或ReLU激活函数；xt表示当前时刻的输入信息；Ct-1和ht-1分别表示上一时刻的细胞状态和细胞输出；Ct和ht表示当前时刻细胞的状态和输出；it表示将要参与细胞状态更新的输入信息；ft表示上一时刻向当前时刻传递的有效信息；
代表细胞状态的候选值；Wf、Wi、Wc、Wo、bf、bi、bc、bo均为神经元需要学习的模型参数；ot表示输出门结果。
优选地，上述步骤3中，基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型的方法，包括以下步骤：
步骤3.1：对获取的历史数据进行预处理，得到各钻井参数构成的数据集；
步骤3.2：采用数据维度转换方法对预处理后的数据集进行维度转化，将该数据集由二维转换为三维；
步骤3.3：将得到的三维数据集按照时序索引进行划分，得到训练集和验证集；
步骤3.4：利用得到的训练集和验证集对钻井参数预测模型进行训练，采用BP算法完成模型参数的更新，得到训练好的钻井参数预测模型。
优选的，上述步骤3.2中，如图2所示，采用数据维度转化方法对预处理后的数据集进行维度转换的方法，包括以下步骤：
步骤3.2.1：基于步骤2确定的预测时间周期长度T，对数据集进行数据维度的转化，即将包含[t-T，t]连续时间点的钻井数据作为t时刻第i个钻井参数pti的训练数据，其中，i＝1，2，...，n；n为钻井参数总个数。
步骤3.2.2：采用与步骤3.2.1相同的方法，对所有钻井参数进行相应的维度转化，则对于t时刻，可以得到n*T的训练数据；
步骤3.2.3：对得到的训练数据进行质量检测，对无效数据进行剔除，
进行质量检测的方法为：对于每个大小为n*T的训练数据，若在T的时刻内存在非钻井阶段数据，即停钻、卡钻等钻井工况情况下的数据，则不符合训练的要求，需要进行此条数据的舍弃；若T的时刻内的任意参数存在超出其设定阈值的数据或错误数据，则不符合训练的要求，需要进行此条数据的舍弃；当最终满足条件的参数数量不足以完成模型训练任务时，不应该进行参数预测模型的训练。
优选地，上述步骤3.3中，训练方法为：将构建好的训练集输入神经网络，采用BP算法进行网络参数的训练，并利用验证集进行模型效果的验证，最终保留验证集效果最佳的模型用于现场的应用测试。
实施例2
上述实施例1提供了一种钻井参数预测方法，与之相对应地，本实施例提供一种一种钻井参数预测系统。本实施例提供的预测系统可以实施实施例1的基于时空信息融合的声纹识别方法，该预测系统可以通过软件、硬件或软硬结合的方式来实现。例如，该预测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。由于本实施例的预测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，本实施例的预测系统的实施例仅仅是示意性的。
本实施例提供的一种钻井参数预测系统，其包括：
数据源模块，用于获取在钻井的历史数据；
模型建立模块，用于对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络(LSTM)的钻井参数预测模型；
模型训练模块，用于基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；
模型测试模块，用于在预设时间段内基于真实钻井场景获得测试集，将测试集输入到训练好的钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。
实施例3
本实施例提供一种与本实施例1所提供的一种钻井参数预测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所提供的一种钻井参数预测方法。
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的一种钻井参数预测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所述的钻井参数预测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)
1.一种钻井参数预测方法，其特征在于，包括以下步骤：
步骤1：获取在钻井的历史数据；
步骤2：对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络的钻井参数预测模型；
步骤3：基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；
步骤4：在预设时间段内基于真实钻井场景获得测试集，将测试集输入到步骤2中的钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。
2.如权利要求1所述的一种钻井参数预测方法，其特征在于：所述步骤1中，获取的在钻井的历史数据包括机械钻速、迟到深度、泥浆池体积、钻压、扭矩、泥浆入口流量、泥浆池变化量、垂深、立管压力、泥浆出口流量、钻时、提升系统速度、大钩载荷、迟到时间、返出泥浆温度、转速、测深和钻头进尺。
3.如权利要求1所述的一种钻井参数预测方法，其特征在于：所述步骤2中，建立基于长短期记忆人工神经网络的钻井参数预测模型的方法，包括以下步骤：
步骤2.1：对历史数据进行分析，结合钻井阶段的特点选定合适的预测时间周期T。
步骤2.2：基于确定的预测时间周期T，建立基于长短期记忆人工神经网络的钻井参数预测模型。
4.如权利要求1所述的一种钻井参数预测方法，其特征在于：所述步骤2.2中，所述钻井参数预测模型包括LSTM结构以及多层感知机网络或注意力机制网络；所述LSTM结构用于对个数为T的输入数据进行时序信息处理，并将提取到的有效信息发送到多层感知机网络或注意力机制网络；所述多层感知机网络或注意力机制网络用于对提取到的有效信息进一步处理，得到钻井参数预测结果。
5.如权利要求1所述的一种钻井参数预测方法，其特征在于：所述步骤3中，基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型的方法，包括以下步骤：
步骤3.1：对获取的历史数据进行预处理，得到各钻井参数构成的数据集；
步骤3.2：对预处理后的数据集进行维度转化，将该数据集由二维转换为三维；
步骤3.3：将得到的三维数据集按照时序索引进行划分，得到训练集和验证集；
步骤3.4：利用得到的训练集和验证集对钻井参数预测模型进行训练，采用BP算法完成模型参数的更新，得到训练好的钻井参数预测模型。
6.如权利要求5所述的一种钻井参数预测方法，其特征在于：所述步骤3.2中，采用数据维度转化方法对预处理后的数据集进行维度转换的方法，包括以下步骤：
步骤3.2.1：基于确定的预测时间周期长度T，将包含[t-T,t]连续时间点的钻井数据作为t时刻第i个钻井参数pti的训练数据，其中，i＝1,2,...,n；n为钻井参数总个数；
步骤3.2.2：采用与步3.2.1相同的方法，对所有钻井参数进行相应的维度转化，则对于t时刻，得到n*T的训练数据；
步骤3.2.3：对得到的训练数据进行质量检测，对无效数据进行剔除。
7.如权利要求6所述的一种钻井参数预测方法，其特征在于：所述步骤3.2.3中，进行质量检测的方法为：对于每个大小为n*T的训练数据，若在T的时刻内存在非钻井阶段数据，则不符合训练的要求，对此条数据进行舍弃；若在T的时刻内的任意参数存在超出其设定阈值的数据或错误数据，则不符合训练的要求，对此条数据进行舍弃；当最终满足条件的参数数量不足以完成模型训练任务时，则舍弃。
8.一种钻井参数预测系统，其特征在于，包括：
数据源模块，用于获取在钻井的历史数据；
模型建立模块，用于对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络的钻井参数预测模型；
模型训练模块，用于基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；
模型测试模块，用于在预设时间段内基于真实钻井场景获得测试集，将测试集输入到训练好的钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。
9.一种处理设备，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到6任一项所述钻井参数预测方法的步骤。
10.一种计算机存储介质，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到6任一项所述钻井参数预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838198.0A CN113553356A (zh) | 2021-07-23 | 2021-07-23 | 一种钻井参数预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838198.0A CN113553356A (zh) | 2021-07-23 | 2021-07-23 | 一种钻井参数预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113553356A true CN113553356A (zh) | 2021-10-26 |
Family
ID=78132664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110838198.0A Pending CN113553356A (zh) | 2021-07-23 | 2021-07-23 | 一种钻井参数预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553356A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358434A (zh) * | 2022-01-10 | 2022-04-15 | 西南石油大学 | 基于lstm循环神经网络模型的钻井机械钻速预测方法 |
| CN115935816A (zh) * | 2022-12-02 | 2023-04-07 | 昆仑数智科技有限责任公司 | 钻井参数确定方法、装置、设备及存储介质 |
| CN117422000A (zh) * | 2023-12-18 | 2024-01-19 | 东北石油大学三亚海洋油气研究院 | 一种注水区控压钻井预测方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619389A (zh) * | 2019-09-23 | 2019-12-27 | 山东大学 | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 |
| CN113095593A (zh) * | 2021-04-30 | 2021-07-09 | 中国石油大学(北京) | 钻井井壁状态确定方法、装置及设备 |
-
2021
- 2021-07-23 CN CN202110838198.0A patent/CN113553356A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619389A (zh) * | 2019-09-23 | 2019-12-27 | 山东大学 | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 |
| CN113095593A (zh) * | 2021-04-30 | 2021-07-09 | 中国石油大学(北京) | 钻井井壁状态确定方法、装置及设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358434A (zh) * | 2022-01-10 | 2022-04-15 | 西南石油大学 | 基于lstm循环神经网络模型的钻井机械钻速预测方法 |
| CN115935816A (zh) * | 2022-12-02 | 2023-04-07 | 昆仑数智科技有限责任公司 | 钻井参数确定方法、装置、设备及存储介质 |
| CN117422000A (zh) * | 2023-12-18 | 2024-01-19 | 东北石油大学三亚海洋油气研究院 | 一种注水区控压钻井预测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508827B (zh) | 一种基于时间递归神经网络的钻井事故预警方法 | |
| CN113553356A (zh) | 一种钻井参数预测方法和系统 | |
| CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| Lee et al. | Cultural heritage and the intelligent internet of things | |
| Xu et al. | A novel health indicator for intelligent prediction of rolling bearing remaining useful life based on unsupervised learning model | |
| CN115618296A (zh) | 一种基于图注意力网络的大坝监测时序数据异常检测方法 | |
| CN114742183B (zh) | 基于深度学习的水污染预警方法、系统、设备及存储介质 | |
| CN111827982A (zh) | 钻井溢流漏失工况预测方法及装置 | |
| CN110163060B (zh) | 图像中人群密度的确定方法及电子设备 | |
| Shi et al. | A novel unsupervised real‐time damage detection method for structural health monitoring using machine learning | |
| CN116383722A (zh) | 一种基于门控循环单元神经网络的压裂措施过程监控方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| US20220101198A1 (en) | Automated generation of a machine learning model from computational simulation data | |
| Sun et al. | Lost circulation monitoring using bi-directional LSTM and data augmentation | |
| Giglioni et al. | Deep autoencoders for unsupervised damage detection with application to the Z24 benchmark bridge | |
| Zhou et al. | Comparison of classic object-detection techniques for automated sewer defect detection | |
| CN114445917A (zh) | 一种人脸活体识别网络训练方法、系统及电子设备 | |
| CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
| Zhang et al. | Identification of concrete surface damage based on probabilistic deep learning of images | |
| Geekiyanage et al. | Feature selection for kick detection with machine learning using laboratory data | |
| WO2023231374A1 (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 | |
| EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
| Di et al. | An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM |
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 |