CN113610314A - 基于粒子群算法的钻井参数优化方法、系统、设备和介质 - Google Patents
基于粒子群算法的钻井参数优化方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN113610314A CN113610314A CN202110941724.6A CN202110941724A CN113610314A CN 113610314 A CN113610314 A CN 113610314A CN 202110941724 A CN202110941724 A CN 202110941724A CN 113610314 A CN113610314 A CN 113610314A
- Authority
- CN
- China
- Prior art keywords
- drilling
- speed
- particle
- parameters
- particle swarm
- 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 131
- 239000002245 particle Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 11
- 238000011161 development Methods 0.000 abstract description 3
- 239000003208 petroleum Substances 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009326 social learning Effects 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Marine Sciences & Fisheries (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于粒子群算法的钻井参数优化方法、系统、设备和介质，其特征在于，包括以下步骤：对钻井数据进行预处理；基于预处理后的钻井数据，采用GBDT算法对预先构建的目标函数进行求解，得到对钻井参数进行优化后的钻速。本发明通过粒子群算法对钻井参数进行优化，对参数进行准确的调整，更容易达到全局最优，由此使得优化结果对拟合模型的准确度依赖较小，进而对深水石油钻井过程的工况预警等需求提供帮助。因此，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粒子群算法的钻井参数优化方法、系统、设备和介质，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由于环境和地质的复杂性，往往会造成较大的风险性和不确定性，在钻速优化和预测方面需要进一步深入钻井过程分析，此时可以考虑借助数据挖掘的手段进行钻井过程的优化。同时，在钻井过程中会伴随着海量的监测数据产生，这为数据分析提供了便利的基础条件。
由于钻井数据监测指标众多且相关性较强，因而利于数据分析中的关联分析和模型构建。但是，钻井数据受到监测设备和复杂钻井环境的影响，会产生很大的数据误差和遗漏数据，阶段间的不连贯性也增加了分析的难度。如何对钻井参数进行优化，进而提升钻井速度，寻找钻速拟合模型的局部最优解或全局最优解是目前亟待解决的一个重要问题。
发明内容
针对上述问题，本发明的目的是提供一种基于粒子群算法的钻井参数优化方法、系统、设备和介质，采用粒子群算法对钻井参数进行优化，对参数进行准确的调整，更容易达到全局最优，由此使得优化结果对拟合模型的准确度依赖较小，进而对深水石油钻井过程的工况预警等需求提供帮助。
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，是提供一种基于粒子群算法的钻井参数优化方法，包括以下步骤：
对获取的钻井参数进行预处理；
基于预处理后的钻井参数，采用GBDT算法对预先构建的目标函数进行求解，得到对钻井参数进行优化后的钻速。
优选地，所述对获取的钻井参数进行预处理的方法，包括：
将钻井参数按照区域和直径进行划分，并针对不同区域和直径建立不同的钻井数据集；
对每个钻井数据集，将钻井参数划分为动态数据和静态数据；
对于静态数据，选取部分钻井参数进行预处理；
对于动态数据，对缺失值进行处理后，采用孤立森林的方法对动态数据中的离群点进行筛选和去除；
使用min-max方法对处理后的所有钻井参数进行归一化处理。
优选地，所述预先构建的目标函数为：
maxROP(WOB±ΔW，RPM±ΔR，MFI±ΔM)
其中，WOB、RPM和MFI分别为待优化的钻压、转速和流量，ROP为钻井速度。
优选地，所述基于预处理后的钻井参数，采用GBDT算法对构建的目标函数进行求解，得到对钻井参数进行优化后的钻速的方法，包括以下步骤：
将预处理后的钻井参数作为粒子，随机初始化粒子位置和速度；
设置粒子更新的结束条件；
确定全局最优粒子，并利用速度和位置更新公式更新粒子的速度和位置，计算更新后粒子的目标函数值，计算出满足结束条件的全局最优结果。
优选地，所述结束条件为钻井速度均值稳定、最大迭代次数、钻速值优化范围、粒子最大速度中的至少一种。
优选地，所述钻井速度均值稳定是指在预设时间段内钻井速度均值在预设范围区间内波动；所述钻速值优化范围设置为0-1之间。
优选地，所述确定全局最优粒子，并利用速度和位置更新公式更新粒子的速度和位置，计算更新后粒子的目标函数值，计算出满足结束条件的全局最优结果的方法，包括：
①基于初始化粒子位置和速度，计算每个粒子对应的目标函数值大小，将目标函数值最大的粒子作为全局最优；
②根据速度更新公式和位置更新公式更新粒子的速度和位置；
③根据更新后的粒子速度和位置计算目标函数值；
④根据位置更新公式更新每个粒子历史最优位置；
⑤与全局最优位置进行比较，更新群体的全局最优位置。
⑥判断是否满足粒子更新的结束条件，若满足，则输出全局最优结果，否则，返回步骤②。
本发明的第二个方面，是提供一种基于粒子群算法的钻井参数优化系统，包括：
预处理模块，用于对获取的钻井参数进行预处理；
目标函数求解模块，用于基于预处理后的钻井数据，采用GBDT算法对构建的目标函数进行求解，得到对钻井参数进行优化后的钻速。
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基于粒子群算法的钻井参数优化方法的步骤。
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基于粒子群算法的钻井参数优化方法的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明采用粒子群算法对钻井参数进行优化，对参数进行准确的调整，更容易达到全局最优，由此使得优化结果对拟合模型的准确度依赖较小，进而对深水石油钻井过程的工况预警等需求提供帮助。
2、本发明对获取的钻井参数进行预处理时，通过数据划分，静态数据处理，缺失数据处理，离群点筛选与去除，数据归一化等一系列处理过程，避免了由于钻井数据受到监测设备和复杂钻井环境的影响，而产生很大的数据误差和遗漏数据，使得对钻井参数优化的过程更加准确。
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基于粒子群算法的钻井参数优化方法流程图。
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基于粒子群算法的钻井参数优化方法，包括以下步骤：
步骤1：对获取的钻井参数进行预处理；
步骤2：基于预处理后的钻井参数，采用GBDT(梯度提升决策树)算法对构建的目标函数进行求解，得到对钻井参数进行优化后的钻速。
优选的，上述步骤1中，对获取的钻井参数进行预处理时，预处理过程包括：数据划分，静态数据处理，缺失数据处理，离群点筛选与去除，数据归一化。具体的，包括以下步骤：
步骤1.1：将钻井参数按照区域和直径进行划分，并针对不同区域和直径建立不同的钻井数据集；
步骤1.2：对每个钻井数据集，将钻井参数划分为动态数据和静态数据；
步骤1.3：对于静态数据，选取部分钻井参数进行预处理；其中，选取的参数应不存在大量缺失值、数据变化明显、便于转换为数字型数的参数，例如钻头详情数据；
步骤1.4：对于动态数据，对缺失值进行处理后，采用孤立森林的方法对动态数据中的离群点进行筛选和去除；
其中，对动态数据进行缺失值处理时：
对于数据缺失比例大于预设阈值(例如95％)的钻井参数，则将该钻井参数进行剔除；
对于数据缺失比例小于预设阈值的钻井参数，则将该钻井参数的缺失值以其平均值进行填充；
步骤1.5：使用min-max方法对步骤1.3和步骤1.4处理后的所有钻井参数进行归一化处理。
优选地，上述步骤2中，构建的目标函数为：
maxROP(WOB±ΔW，RPM±ΔR，MFI±ΔM)
其中，WOB、RPM和MFI分别为待优化的钻压、转速和流量，ROP为钻井速度；该目标函数的优化目标即通过对钻井参数进行调整，使得钻井速度最大。
优选地，上述步骤2中，基于预处理后的钻井参数，采用GBDT算法对构建的目标函数进行求解，得到全局最优结果的方法，包括以下步骤：
步骤2.1：将预处理后的钻井参数作为粒子，随机初始化粒子位置和速度；
步骤2.2：设置粒子更新的结束条件；
步骤2.3：确定全局最优粒子，并利用速度和位置更新公式更新粒子的速度和位置，计算更新后粒子的目标函数值，计算出满足结束条件的全局最优结果。
优选的，上述步骤2.2中，粒子更新的结束条件可以为钻井速度均值稳定、最大迭代次数、钻速值优化范围、粒子最大速度中的至少一种。其中，钻井速度均值稳定是指在预设时间段内钻井速度均值在预设范围区间内波动；钻速值优化范围优选设置为0-1之间；最大迭代次数和粒子最大速度可根据钻速拟合模型效果相应调整。
优选的，上述步骤2.3中，确定全局最优粒子，并利用速度和位置更新公式更新粒子的速度和位置，计算更新后粒子的目标函数值，计算出满足结束条件的全局最优结果的方法，包括以下步骤：
步骤2.3.1：基于初始化粒子位置和速度，计算每个粒子对应的目标函数值大小，将目标函数值最大的粒子作为全局最优；
步骤2.3.2：根据速度更新公式和位置更新公式更新粒子的速度和位置，其中，速度更新公式和位置更新公式分别为：
速度更新公式：
Vid＝ωVid+C1random(0，1)(Pid-Xid)+C2random(0，1)(Pgd-Xid)
位置更新公式：
Xid＝Xid+Vid
其中，ω为惯性因子，其值为非负，通过调整ω的大小，可以对全局最优性能和局部最优性能进行调整；C1和C2为加速常数，前者为每个粒子的个体学习因子，后者为每个粒子的社会学习因子，一般取C1＝C2∈[0，4]，使用随机搜索方法获得C1和C2的最佳超参数组合；random(0，1)表示区间[0，1]上的随机数，Pid表示第i个变量的个体极值的第d维，Pgd表示全局最优解的第d维。
步骤2.3.3：根据更新后的粒子速度和位置计算目标函数值；
步骤2.3.4：根据位置更新公式更新每个粒子历史最优位置；
步骤2.3.5：与步骤2.3.1中的全局最优位置进行比较，更新群体的全局最优位置。
步骤2.3.6：判断是否满足粒子更新的结束条件，若满足，则输出全局最优结果，否则，返回步骤2.3.2。
实施例2
上述实施例1提供了一种基于粒子群算法的钻井参数优化方法，与之相对应地，本实施例提供一种基于粒子群算法的钻井参数优化系统。本实施例提供的优化系统可以实施实施例1的一种基于粒子群算法的钻井参数优化方法，该优化系统可以通过软件、硬件或软硬结合的方式来实现。例如，该优化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。由于本实施例的优化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，本实施例的系统的实施例仅仅是示意性的。
本实施例提供的一种基于粒子群算法的钻井参数优化系统，包括：
预处理模块，用于对获取的钻井参数进行预处理；
目标函数求解模块，用于基于预处理后的钻井参数，采用GBDT算法对构建的目标函数进行求解，得到对钻井参数进行优化后的钻速。
实施例3
本实施例提供一种与本实施例1所提供的一种基于粒子群算法的钻井参数优化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所提供的一种基于粒子群算法的钻井参数优化方法。
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的一种基于粒子群算法的钻井参数优化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所述的一种基于粒子群算法的钻井参数优化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 (10)
1.一种基于粒子群算法的钻井参数优化方法，其特征在于，包括以下步骤：
对获取的钻井参数进行预处理；
基于预处理后的钻井参数，采用GBDT算法对预先构建的目标函数进行求解，得到对钻井参数进行优化后的钻速。
2.如权利要求1所述的一种基于粒子群算法的钻井参数优化方法，其特征在于：所述对获取的钻井参数进行预处理的方法，包括：
将钻井参数按照区域和直径进行划分，并针对不同区域和直径建立不同的钻井数据集；
对每个钻井数据集，将钻井参数划分为动态数据和静态数据；
对于静态数据，选取部分钻井参数进行预处理；
对于动态数据，对缺失值进行处理后，采用孤立森林的方法对动态数据中的离群点进行筛选和去除；
使用min-max方法对处理后的所有钻井参数进行归一化处理。
3.如权利要求1所述的一种基于粒子群算法的钻井参数优化方法，其特征在于：所述预先构建的目标函数为：
maxROP(WOB±ΔW，RPM±ΔR，MFI±ΔM)
其中，WOB、RPM和MFI分别为待优化的钻压、转速和流量，ROP为钻井速度。
4.如权利要求1所述的一种基于粒子群算法的钻井参数优化方法，其特征在于：所述基于预处理后的钻井参数，采用GBDT算法对构建的目标函数进行求解，得到对钻井参数进行优化后的钻速的方法，包括以下步骤：
将预处理后的钻井参数作为粒子，随机初始化粒子位置和速度；
设置粒子更新的结束条件；
确定全局最优粒子，并利用速度和位置更新公式更新粒子的速度和位置，计算更新后粒子的目标函数值，计算出满足结束条件的全局最优结果。
5.如权利要求4所述的一种基于粒子群算法的钻井参数优化方法，其特征在于：所述结束条件为钻井速度均值稳定、最大迭代次数、钻速值优化范围、粒子最大速度中的至少一种。
6.如权利要求5所述的一种基于粒子群算法的钻井参数优化方法，其特征在于：所述钻井速度均值稳定是指在预设时间段内钻井速度均值在预设范围区间内波动；所述钻速值优化范围设置为0-1之间。
7.如权利要求4所述的一种基于粒子群算法的钻井参数优化方法，其特征在于：所述确定全局最优粒子，并利用速度和位置更新公式更新粒子的速度和位置，计算更新后粒子的目标函数值，计算出满足结束条件的全局最优结果的方法，包括：
①基于初始化粒子位置和速度，计算每个粒子对应的目标函数值大小，将目标函数值最大的粒子作为全局最优；
②根据速度更新公式和位置更新公式更新粒子的速度和位置；
③根据更新后的粒子速度和位置计算目标函数值；
④根据位置更新公式更新每个粒子历史最优位置；
⑤与全局最优位置进行比较，更新群体的全局最优位置。
⑥判断是否满足粒子更新的结束条件，若满足，则输出全局最优结果，否则，返回步骤②。
8.一种基于粒子群算法的钻井参数优化系统，其特征在于，包括：
预处理模块，用于对获取的钻井参数进行预处理；
目标函数求解模块，用于基于预处理后的钻井数据，采用GBDT算法对构建的目标函数进行求解，得到对钻井参数进行优化后的钻速。
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7任一项所述基于粒子群算法的钻井参数优化方法的步骤。
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7任一项所述基于粒子群算法的钻井参数优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110941724.6A CN113610314A (zh) | 2021-08-17 | 2021-08-17 | 基于粒子群算法的钻井参数优化方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110941724.6A CN113610314A (zh) | 2021-08-17 | 2021-08-17 | 基于粒子群算法的钻井参数优化方法、系统、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113610314A true CN113610314A (zh) | 2021-11-05 |
Family
ID=78308787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110941724.6A Pending CN113610314A (zh) | 2021-08-17 | 2021-08-17 | 基于粒子群算法的钻井参数优化方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610314A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171917A (zh) * | 2023-09-11 | 2023-12-05 | 西南石油大学 | 一种全局力平衡pdc钻头布齿设计方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103790568A (zh) * | 2014-01-07 | 2014-05-14 | 西南石油大学 | 一种钻井参数与效率实时优化方法 |
| US20160047219A1 (en) * | 2013-03-20 | 2016-02-18 | Schlumberger Technology Corporation | Drilling system control |
| CN105473812A (zh) * | 2013-09-19 | 2016-04-06 | 萨思学会有限公司 | 用以最大化钻井钻速的控制变量确定 |
| CN109281649A (zh) * | 2018-08-13 | 2019-01-29 | 中国石油天然气集团有限公司 | 钻井优化方法及装置 |
| CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
| CN110348510A (zh) * | 2019-07-08 | 2019-10-18 | 中国海洋石油集团有限公司 | 一种基于深水油气钻井过程阶段性特征的数据预处理方法 |
| 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 |
| AU2020102666A4 (en) * | 2020-10-11 | 2021-01-14 | Adhithan, Balamurugan MR | Coupled multibody dynamic approach on directional drilling system in oil rigs |
| CN112330064A (zh) * | 2020-11-26 | 2021-02-05 | 中国石油大学(华东) | 一种基于集成学习的新钻井工作量预测方法 |
-
2021
- 2021-08-17 CN CN202110941724.6A patent/CN113610314A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160047219A1 (en) * | 2013-03-20 | 2016-02-18 | Schlumberger Technology Corporation | Drilling system control |
| CN105473812A (zh) * | 2013-09-19 | 2016-04-06 | 萨思学会有限公司 | 用以最大化钻井钻速的控制变量确定 |
| CN103790568A (zh) * | 2014-01-07 | 2014-05-14 | 西南石油大学 | 一种钻井参数与效率实时优化方法 |
| CN109281649A (zh) * | 2018-08-13 | 2019-01-29 | 中国石油天然气集团有限公司 | 钻井优化方法及装置 |
| CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
| CN110348510A (zh) * | 2019-07-08 | 2019-10-18 | 中国海洋石油集团有限公司 | 一种基于深水油气钻井过程阶段性特征的数据预处理方法 |
| 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 |
| AU2020102666A4 (en) * | 2020-10-11 | 2021-01-14 | Adhithan, Balamurugan MR | Coupled multibody dynamic approach on directional drilling system in oil rigs |
| CN112330064A (zh) * | 2020-11-26 | 2021-02-05 | 中国石油大学(华东) | 一种基于集成学习的新钻井工作量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHENWEI YU ET AL.: "Efficient pyrolysis of ginkgo biloba leaf residue and pharmaceutical sludge (mixture) with high production of clean energy: Process optimization by particle swarm optimization and gradient boosting decision tree algorithm", 《BIORESOURCE TECHNOLOGY》, pages 1 - 7 * |
| 张维罡: "基于机器学习算法的石油钻速研究", 《技术与信息》, pages 89 - 90 * |
| 李艺鑫: "基于机器学习的深海钻井参数优化研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, pages 4 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171917A (zh) * | 2023-09-11 | 2023-12-05 | 西南石油大学 | 一种全局力平衡pdc钻头布齿设计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yahmed et al. | ADAPTIVE SLIDING WINDOW ALGORITHM FOR WEATHER DATA SEGMENTATION. | |
| CN112001314A (zh) | 变速提升机的早期故障检测方法 | |
| CN109542884B (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
| CN109492775B (zh) | 一种地质构造解释的检测方法，检测装置及可读存储介质 | |
| CN113610314A (zh) | 基于粒子群算法的钻井参数优化方法、系统、设备和介质 | |
| CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
| CN114970338A (zh) | 涡激振动模型训练方法、涡激振动预测方法和装置 | |
| CN109894495B (zh) | 一种基于能耗数据和贝叶斯网络的挤压机异常检测方法及系统 | |
| Choi et al. | Hardware-friendly logarithmic quantization with mixed-precision for mobilenetv2 | |
| Chen et al. | Parallelnn: A parallel octree-based nearest neighbor search accelerator for 3d point clouds | |
| Qin et al. | RCLSTMNet: A Residual-convolutional-LSTM Neural Network for Forecasting Cutterhead Torque in Shield Machine | |
| CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 | |
| CN113657177A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN111076724B (zh) | 三维激光定位方法及系统 | |
| CN115795369B (zh) | 煤岩界面识别方法和装置 | |
| CN116596750A (zh) | 一种点云处理方法、装置、电子设备及存储介质 | |
| CN113483769B (zh) | 基于粒子滤波器的车辆自定位方法、系统、设备和介质 | |
| CN113468822A (zh) | 一种钻速预测方法及系统 | |
| CN113536691A (zh) | 一种深水钻井参数优化方法及系统 | |
| Chen et al. | Improving accuracy of evolving GMM under GPGPU-friendly block-evolutionary pattern | |
| CN110779528A (zh) | 基于粒子滤波器的定位恢复方法及机器人设备 | |
| Zang et al. | Trembling Particle Swarm Optimization for Modified Possibilistic C Means in Image Segmentation | |
| Hu et al. | Bearing fault diagnosis based on multi-scale possibilistic clustering algorithm | |
| Yu et al. | Heuristic Feature Selection for Wind Power Anomaly Events Study | |
| US20240183255A1 (en) | Temperature profile prediction in oil and gas industry utilizing machine learning model |
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 |