CN113689055B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113689055B
CN113689055B CN202111230016.8A CN202111230016A CN113689055B CN 113689055 B CN113689055 B CN 113689055B CN 202111230016 A CN202111230016 A CN 202111230016A CN 113689055 B CN113689055 B CN 113689055B
Authority
CN
China
Prior art keywords
drilling
drilling rate
function
rate
sampling point
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
Application number
CN202111230016.8A
Other languages
English (en)
Other versions
CN113689055A (zh
Inventor
陈雁
安玉钏
石祥超
李祉呈
邓虎
王宇鸣
刘越豪
何国平
黄玉楠
苗波
易雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202111230016.8A priority Critical patent/CN113689055B/zh
Publication of CN113689055A publication Critical patent/CN113689055A/zh
Application granted granted Critical
Publication of CN113689055B publication Critical patent/CN113689055B/zh
Priority to US17/714,164 priority patent/US11649714B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • E21B45/00—Measuring the drilling time or rate of penetration
    • 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
    • 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
    • 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
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Earth Drilling (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)

Abstract

本发明公开了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，根据预设采样周期采集原始钻井数据，并基于原始钻井数据构建初始样本数据集，通过得到的初始样本数据构建机械钻速预测模型，利用机械钻速预测模型结合高斯过程回归预测下一采样点的机械钻速；本发明可以实现对钻井历史数据的快速分析，预测可行域上采样点的机械钻速范围，并在此基础上进行贝叶斯优化可得到优化后的机械钻速及其优化后的工程参数，对钻井工程参数与原始地层参数限制少，预测准确率高，同时可找到机械钻速最优时的工程参数，不存在参数值界限模糊的问题，其优化值清晰准确。

Description

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
技术领域
本发明涉及油气钻井机械钻速预测与优化领域，具体涉及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。
背景技术
近年来，我国为了实现油气资源协调、稳定、可持续发展，加大了对油气资源勘探开发力度，各油田的油气勘探开发重点逐步转向深层地层。而在深井超深井钻采过程中，要穿过多套地层，这些地层跨越地质时代多、变化大，相应地质条件错综复杂，工程施工作业面临很大挑战。因此缩短钻井周期、降低钻井成本、提高钻井效率变得日益重要。因此，研究在一定地质条件下，各项钻井参数对机械钻速的影响，以及如何通过配置各项钻井参数提高机械钻速具有十分重要的意义。
在现有技术上，1965年学者首次提出了钻进岩石的碎岩比功概念，即破碎单位体积岩石所消耗的能量，通过钻进岩石时的推力、推进速度、扭矩和旋转速度等钻进参数，建立了钻进参数与地层特性间的数学模型；而后，为实现多个钻井参数的优化，美国公司研究制定了最小钻头水功率和最大经济水功率的“水力可钻性图版”，在此基础上优化钻压和钻速，从而在优选水力参数和机械参数之间建立了相应的关系；有学者以机械比能量为目标实现钻头钻进效率实时评估，在完成钻速——钻压优化的同时，判断和分析出钻头泥包的类型以改善钻头的运行情况；后有学者建立了由流量井模型、钻杆力学模型、热物理模型、固体传送模型、力矩模型以及打捞模型构成的动态系统，该系统能实现钻井参数计算和井况安全性检测。随着人工智能技术的发展，使用机器学习技术预测钻速开始引起关注。有学者将神经网络的预测精度与常规模型的预测精度进行了对比，发现同参数条件下神经网络的预测精度可达98.5%，均高于其余方案。
专利CN110807557A提出一种基于BP神经网络的钻速预测方法，并结合粒子群算法优化扭矩、钻压、泵压和排量等钻井参数。该方法可分为两部分，首先通过BP神经网络和历史钻井数据训练一个BP神经网络模型预测钻速值。然后基于训练好的神经网络的钻速预测值，通过粒子群算法迭代优化钻井参数，以获得可以得到最优钻速的钻井参数组合。
专利CN112487582A则提出一种基于CART决策树的油气钻井机械钻速预测与优化方法。该方法使用历史钻井数据，通过建立一个深度小于等于6的CART回归树来实现钻速的预测与钻井参数优化。预测时，回归树每个叶节点的均值将作为机械钻速的预测值，非叶子节点则为钻井参数的推荐值。
但现有技术方中关于油气钻井机械钻速优化的过程中涉及到的数学解释并不清晰，且不能根据地层参数动态优化钻井工程参数，获得一定地层参数条件下的钻井工程参数组合实现最大化机械钻速。
发明内容
针对现有技术中的上述不足，本发明提供了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解决了有技术方中关于油气钻井机械钻速优化的过程中涉及到的数学解释并不清晰，且不能根据地层参数动态优化钻井工程参数的问题。
为了达到上述发明目的，本发明采用的技术方案为：
一方面，本发明提供了一种基于贝叶斯优化的油气钻井机械钻速预测方法，包括以下步骤：
S1、根据预设采样周期采集原始钻井数据；
S2、根据步骤S1中原始数据构建初始样本数据集；
S3、根据步骤S2中初始样本数据集构建机械钻速预测模型；
S4、根据步骤S3得到的机械钻速预测模型结合高斯过程回归预测下一采样点的机械钻速。
本发明具有以下有益效果：
根据预设采样周期采集原始钻井数据，并基于原始钻井数据构建初始样本数据集，通过得到的初始样本数据构建机械钻速预测模型，利用机械钻速预测模型结合高斯过程回归预测下一采样点的机械钻速，其数学解释清晰，能够实现对钻井历史数据快速分析，预测可行域上任意点的机械钻速范围，预测准确性高。
进一步地，所述步骤S2具体为：
以步骤S1中采集的原始钻井数据内井深数据为基准构建在空间上具有连续性的空间序列数据，以原始钻井数据中工程参数与原始地层参数作为样本特征，并以原始钻井数据中机械钻速作为数据标签，得到初始样本数据集。
该进一步方案具有以下有益效果：
将采集的原始钻井样本数据进行预处理，得到初始样本数据集，简化数据间的冗余，为后续数据预测优化提高数据精确性。
进一步地，所述步骤S3具体包括以下分步骤：
S31、根据步骤S2中初始样本数据集计算各采样点的均值向量；
S32、采用高斯核函数根据步骤S2中初始样本数据集计算各采样点的协方差矩阵，表示为：
Figure 983815DEST_PATH_IMAGE001
其中，
Figure 141127DEST_PATH_IMAGE002
为初始样本数据集中各采样点构建的协方差矩阵，
Figure 59404DEST_PATH_IMAGE003
为初始样本数据集中采样点对
Figure 694785DEST_PATH_IMAGE004
构建的高斯核函数，
Figure 382118DEST_PATH_IMAGE005
为初始样本数据集中样本点对
Figure 444752DEST_PATH_IMAGE004
的协方差；
S33、利用高斯函数根据步骤S31中均值向量与步骤S32中协方差矩阵构建机械钻速函数，得到机械钻速预测模型。
该进一步方案具有以下有益效果：
结合高斯函数构建机械钻速函数，得到机械钻速预测模型，实现对钻井历史数据的快速分析，预测可行域上任意点的机械钻速范围，对钻井工程参数与原始地层参数限制少，预测准确性高。
进一步地，步骤S32中高斯核函数的计算式表示为：
Figure 381484DEST_PATH_IMAGE006
其中，
Figure 820556DEST_PATH_IMAGE007
为初始样本数据集中样本点
Figure 690292DEST_PATH_IMAGE008
构建的高斯核函数，
Figure 251723DEST_PATH_IMAGE009
、
Figure 935471DEST_PATH_IMAGE010
均为核函数参数，
Figure 443813DEST_PATH_IMAGE011
为二范数。
该进一步方案具有以下有益效果：
该高斯核函数计算式对初始样本数据集的特征进行了从低维到高维的转换，同时又实现了在低维计算高维点积，避免了直接在高维空间中的复杂计算，提高了钻速的预测速度。
进一步地，步骤S33中构建的机械钻速函数表示为：
Figure 105738DEST_PATH_IMAGE012
其中，
Figure 510175DEST_PATH_IMAGE013
为连续域上的机械钻速函数，
Figure 155920DEST_PATH_IMAGE014
为初始样本数据集中各采样点的均值向量，
Figure 936794DEST_PATH_IMAGE002
为初始样本数据集中各采样点的协方差矩阵，
Figure 453226DEST_PATH_IMAGE015
为高斯函数，~为映射。
该进一步方案具有以下有益效果：
结合高斯过程得到的机械钻速预测模型利用协方差矩阵体现样本数据各特征之间的相关关系，实现对钻井历史数据的快速分析。
另一方面，本发明基于贝叶斯优化的油气钻井机械钻速预测方法还提供了一种钻速优化方法，其特征在于，包括以下步骤：
S5、根据步骤S4中机械钻速预测模型及预测结果构建机械钻速优化模型；
S6、根据步骤S5中机械钻速优化模型得到优化后的机械钻速。
本发明具有以下有益效果：
结合基于贝叶斯优化的油气钻井机械钻速预测方法中机械钻速预测模型及其预测结果，构建机械钻速优化模型，其数学解释清晰，能够实现对钻井历史数据快速分析，在根据贝叶斯方法得到可行域上下一采样点机械钻速的波动范围，利用机械钻速优化模型的得到优化后的机械钻速，对钻井工程参数与原始地层参数限制少，提高预测准确率，不存在参数值界限模糊的问题，优化值清晰准确。
进一步地，步骤S5具体为：
根据步骤S4中机械钻速预测模型得到的预测结果与步骤S1中初始样本数据集构建采样点集合，并选取机械钻速模型计算的各采样点处机械钻速函数所对应的函数极大值，构建采样函数，得到机械钻速优化模型。
该进一步方案具有以下有益效果：
结合高斯函数构建机械钻速优化模型，可根据地层参数动态优化钻井工程参数，获得一定地层参数条件下的钻井工程参数组合，得到优化后的机械钻速。
进一步地，步骤S5中采集函数的计算式表示为：
Figure 90881DEST_PATH_IMAGE016
其中，
Figure 692763DEST_PATH_IMAGE017
为采集函数，
Figure 277328DEST_PATH_IMAGE018
为已搜索的n个采样点处函数值的均值，
Figure 382688DEST_PATH_IMAGE019
为已搜索的n个采样点处函数值的方差，
Figure 925664DEST_PATH_IMAGE020
为已搜索的n个采样点中函数极大值，
Figure 14843DEST_PATH_IMAGE021
为标准正态分布的概率密度函数，
Figure 137520DEST_PATH_IMAGE022
是标准正态分布的分布函数。
该进一步方案具有以下有益效果：
构建采样函数筛选下一采样点，通过均值与方差大幅度减少采样次数，实现对钻井历史数据的快速分析，获取可行域上采样点的机械钻速范围。
进一步地，步骤S6具体包括以下分步骤：
S61、根据机械钻速预测模型得到的下一采样点的机械钻速以及采样周期内各特征参数的均值与方差，通过贝叶斯方法获取下一采样点机械钻速的波动范围；
S62、以步骤S5中采样点集合内各采样点的原始地质参数值与井深值为固定参数，随机改变工程参数，获取对应的机械钻速；
S63、保留位于波动范围内的机械钻速及其所对应的工程参数，并将保留的机械钻速及其所对应的工程参数更新至采样点集合；
S64、获取当前采样点集合的采样函数值；
S65、判断步骤S64中采样函数值的获取次数是否达到预设阈值，若满足则进入步骤S66，否则基于当前采样点集合返回步骤S61；
S66、将最大采样函数值所对应的最新机械钻速作为优化后的机械钻速，并将最大采样函数值所对应的最新工程参数作为优化后的工程参数。
该进一步方案具有以下有益效果：
通过构建的机械钻速优化模型，结合采集数据集中数据优化，根据地层参数动态优化钻井工程参数，获得一定地层参数条件下的钻井工程参数组合，优化机械钻速，获取最优工程参数，其输出结果不存在参考值界限模糊问题，优化值清晰准确。
附图说明
图1为本发明提供的一种基于贝叶斯优化的油气钻井机械钻速预测方法的步骤示意图；
图2为本发明中步骤S3的分步骤流程图；
图3为本发明中提供的一种基于贝叶斯优化的油气钻井机械钻速优化方法的步骤流程图；
图4为本发明中采集函数的拟合示意图；
图5为本发明中步骤S6的分步骤流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例中还提供了一种基于贝叶斯优化的油气钻井机械钻速预测方法，包括以下分步骤：
S1、根据预设采样周期采集原始钻井数据；
实际中，某油田区块内所有油井以五米为间隔作为采样周期，通过传感器测量钻井工具的工程参数，并记录该测量时刻的地层参数其中钻井工程参数与原始地层参数的种类共K维。
S2、根据步骤S1中原始数据构建初始样本数据集；
本实施例中，步骤S2具体为：
以步骤S1中采集的原始钻井数据内井深数据为基准构建在空间上具有连续性的空间序列数据，以原始钻井数据中工程参数与原始地层参数作为样本特征，并以原始钻井数据中机械钻速作为数据标签，得到初始样本数据集。
实际中，某油田区块内所有油井以五米为间隔作为采样周期，通过传感器测量钻井工具的工程参数，并对采集的原始钻井数据
Figure 362965DEST_PATH_IMAGE023
，其中，N为样本特征的维度，即样本特征的个数，以钻井数据中钻井工程参数和原始地层参数为样本特征
Figure 342422DEST_PATH_IMAGE024
，其中K为钻井数据与原始地层中的样本特征维数，以机械钻速作为数据标签
Figure 653318DEST_PATH_IMAGE025
，其中划分为钻井工程参数、原始层参数以及序列参数，影响机械钻速的钻井工程参数包括钻压、转速、扭矩、钻井液密度、流量等，影响机械钻速的原始地层参数特征包括自然伽马GR、声波时差AC等，序列参数包括井深，并将钻井工程参数、原始层参数以及序列参数所包含的全部钻井数据作为输入，以机械钻速作为标签，构建初始样本数据集D，如表1所示。
表1 初始样本数据集中数据样本参数表
Figure 579685DEST_PATH_IMAGE026
S3、根据步骤S2中初始样本数据集构建机械钻速预测模型；
如图2所示，本实施例中，步骤S3具体包括以下分步骤：
S31、根据步骤S2中初始样本数据集计算各采样点的均值向量；
实际中，使用均值函数
Figure 659637DEST_PATH_IMAGE018
计算初始样本数据集中各采样点
Figure 278837DEST_PATH_IMAGE027
的均值向量，即为：
Figure 873766DEST_PATH_IMAGE028
，其中，各采样点的均值向量表示为：
Figure 338246DEST_PATH_IMAGE014
，（）T为转置；
S32、采用高斯核函数根据步骤S2中初始样本数据集计算各采样点的协方差矩阵，表示为：
Figure 538283DEST_PATH_IMAGE001
其中，
Figure 328385DEST_PATH_IMAGE002
为初始样本数据集中各采样点构建的协方差矩阵，
Figure 551555DEST_PATH_IMAGE003
为初始样本数据集中采样点对
Figure 85305DEST_PATH_IMAGE004
构建的高斯核函数，
Figure 145708DEST_PATH_IMAGE005
为初始样本数据集中样本点对
Figure 841132DEST_PATH_IMAGE004
的协方差；
本实施例中，步骤S32中高斯核函数的计算式表示为：
Figure 613916DEST_PATH_IMAGE006
其中，
Figure 685777DEST_PATH_IMAGE007
为初始样本数据集中样本点
Figure 594827DEST_PATH_IMAGE008
构建的高斯核函数，
Figure 726731DEST_PATH_IMAGE009
、
Figure 721232DEST_PATH_IMAGE010
均为核函数参数，
Figure 862363DEST_PATH_IMAGE011
为二范数。
本发明中核函数参数
Figure 891499DEST_PATH_IMAGE009
、
Figure 928725DEST_PATH_IMAGE010
均可取值为1。
S33、利用高斯函数根据步骤S31中均值向量与步骤S32中协方差矩阵构建机械钻速函数，得到机械钻速预测模型。
本实施例中，步骤S33中构建的机械钻速函数表示为：
Figure 676101DEST_PATH_IMAGE012
其中，
Figure 89765DEST_PATH_IMAGE013
为连续域上的机械钻速函数，即为机械钻速预测模型，
Figure 973407DEST_PATH_IMAGE014
为初始样本数据集中各采样点的均值向量，均值向量即各采样周期内各个特征参数的均值所构成的向量，
Figure 384797DEST_PATH_IMAGE002
为初始样本数据集中各采样点的协方差矩阵，协方差矩阵即为各采样周期内各个特征参数的协方差所构成的矩阵，
Figure 353890DEST_PATH_IMAGE015
为高斯函数，~为映射。
S4、根据步骤S3得到的机械钻速预测模型结合高斯过程回归预测下一采样点的机械钻速。
实际中，首先通过机械钻速预测模型中机械钻速函数计算初始样本数据集内已知采样组
Figure 571245DEST_PATH_IMAGE029
对应的函数值
Figure 309394DEST_PATH_IMAGE013
，并根据计算得到的初始样本数据集内已知采样组
Figure 954002DEST_PATH_IMAGE029
及其对应的函数值
Figure 410391DEST_PATH_IMAGE013
，结合机械钻速预测模型进行高斯过程回归，预测一组新的钻井参数样本值
Figure 165857DEST_PATH_IMAGE030
及其所对应的机械钻速值，即计算后验概率分布
Figure 24092DEST_PATH_IMAGE031
，根据高斯分布的性质，联合高斯分布的边缘分布与条件分布都为高斯分布可知，该后验概率分布满足多元高斯分布，因此可以得到下一采样点的机械钻速。
如图3所示，本发明在预测方法的基础上还提供一种基于贝叶斯优化的油气钻井机械钻速优化方法，包括以下步骤S5-步骤S6：
S5、根据步骤S4中机械钻速预测模型及预测结果构建机械钻速优化模型；
本实施例中，步骤S5具体为：
根据步骤S4中机械钻速预测模型得到的预测结果与步骤S1中初始样本数据集构建采样点集合，并选取机械钻速模型计算的各采样点处机械钻速函数所对应的函数极大值，构建采样函数，得到机械钻速优化模型。
实际中，将初始样本数据集D作为采样点集合D m，并根据机械钻速预测模型计算的可行域上各采样点处均值与方差以及计算的各采样点处机械钻速函数所对应的函数极大值，构建采集函数，其中，采集函数的计算式表示为：
Figure 105180DEST_PATH_IMAGE016
其中，
Figure 517707DEST_PATH_IMAGE017
为采集函数，
Figure 76864DEST_PATH_IMAGE018
为已搜索的n个采样点处函数值的均值，
Figure 789606DEST_PATH_IMAGE019
为已搜索的n个采样点处函数值的方差，
Figure 776016DEST_PATH_IMAGE020
为已搜索的n个采样点中采样点处机械钻速函数所对应的函数极大值，表示为：
Figure 206997DEST_PATH_IMAGE032
，
Figure 304266DEST_PATH_IMAGE021
为标准正态分布的概率密度函数，
Figure 871514DEST_PATH_IMAGE022
是标准正态分布的分布函数。
实际中，采集函数为期望改进函数(ExpectedImprovement，EI)，期望改进函数不但考虑了每个点处函数值的均值与方差，而且也考虑到之前的迭代已经找到的最优函数值，结合均值与方差与采样函数大幅度减少采样次数，筛选下一采样点，如图4所示。
S6、根据步骤S5中机械钻速优化模型得到优化后的机械钻速。
如图5所示，本实施例中，步骤S6具体包括以下分步骤：
S61、根据机械钻速预测模型得到的下一采样点的机械钻速以及采样周期内各特征参数的均值与方差，通过贝叶斯方法获取下一采样点机械钻速的波动范围；
S62、以步骤S5中采样点集合内各采样点的原始地质参数值与井深值为固定参数，随机改变工程参数，获取对应的机械钻速；
实际中，在迭代过程中，将原始地质参数值与井深值作为固定常量，仅仅以工程参数作为变量，在波动范围中计算采集函数，以每个采样点处的采集函数值作为该点函数值，以
Figure 28826DEST_PATH_IMAGE033
为例，其中井深值为3890、岩性类别为1即砂岩、声波时差AC为48.39、自然伽马GR43.843，表示在以上固定的井深和地质参数条件下，
Figure 681524DEST_PATH_IMAGE034
分别代表工程参数变量，随机改变该工程参数计算采样函数
Figure 582484DEST_PATH_IMAGE017
。
S63、保留位于波动范围内的机械钻速及其所对应的工程参数，并将保留的机械钻速及其所对应的工程参数更新至采样点集合；
实际中，对比在波动范围内随机获取的采样点函数的函数极大值，根据采样函数的极大值确定下一采样点
Figure 535397DEST_PATH_IMAGE030
，表示为：
Figure 881188DEST_PATH_IMAGE035
，其中，
Figure 21182DEST_PATH_IMAGE036
为极值函数，用于得到采样函数极大值对应的采样点值，并利用得到的下一采样点
Figure 460254DEST_PATH_IMAGE030
，并将保留的机械钻速及其所对应的工程参数至采样点集合，表示为:
Figure 2093DEST_PATH_IMAGE037
。
S64、获取当前采样点集合的采样函数值；
S65、判断步骤S64中采样函数值的获取次数是否达到预设阈值，若满足则进入步骤S66，否则基于当前采样点集合返回步骤S61；
S66、将最大采样函数值所对应的最新机械钻速作为优化后的机械钻速，并将最大采样函数值所对应的最新工程参数作为优化后的工程参数。
实际中，获取采样函数的极大值所对应采样点的最新机械钻速作为优化后的机械钻速，则可以得到在固定井深、固定原始地质参数值下的优化后工程参数组合。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围。

Claims (5)

1.一种基于贝叶斯优化的油气钻井机械钻速预测方法，其特征在于，包括以下步骤：
S1、根据预设采样周期采集原始钻井数据；
S2、根据步骤S1中原始数据构建初始样本数据集；
S3、根据步骤S2中初始样本数据集构建机械钻速预测模型；
S4、根据步骤S3得到的机械钻速预测模型结合高斯过程回归预测下一采样点的机械钻速；
S5、根据步骤S4中机械钻速预测模型及预测结果构建机械钻速优化模型；
步骤S5具体为：
根据步骤S4中机械钻速预测模型得到的预测结果与步骤S1中初始样本数据集构建采样点集合，并选取机械钻速模型计算的各采样点处机械钻速函数所对应的函数极大值，构建采样函数，得到机械钻速优化模型；
S6、根据步骤S5中机械钻速优化模型得到优化后的机械钻速；
步骤S6具体包括以下分步骤：
S61、根据机械钻速预测模型得到的下一采样点的机械钻速以及采样周期内各特征参数的均值与方差，通过贝叶斯方法获取下一采样点机械钻速的波动范围；
S62、以步骤S5中采样点集合内各采样点的原始地质参数值与井深值为固定参数，随机改变工程参数，获取对应的机械钻速；
S63、保留位于波动范围内的机械钻速及其所对应的工程参数，并将保留的机械钻速及其所对应的工程参数更新至采样点集合；
S64、获取当前采样点集合的采样函数值；
S65、判断步骤S64中采样函数值的获取次数是否达到预设阈值，若满足则进入步骤S66，否则基于当前采样点集合返回步骤S61；
S66、将最大采样函数值所对应的最新机械钻速作为优化后的机械钻速，并将最大采样函数值所对应的最新工程参数作为优化后的工程参数。
2.根据权利要求1所述的基于贝叶斯优化的油气钻井机械钻速预测方法，其特征在于，步骤S2具体为：
以步骤S1中采集的原始钻井数据内井深数据为基准构建在空间上具有连续性的空间序列数据，以原始钻井数据中工程参数与原始地层参数作为样本特征，并以原始钻井数据中机械钻速作为数据标签，得到初始样本数据集。
3.根据权利要求1所述的基于贝叶斯优化的油气钻井机械钻速预测方法，其特征在于，步骤S3具体包括以下分步骤：
S31、根据步骤S2中初始样本数据集计算各采样点的均值向量；
S32、采用高斯核函数根据步骤S2中初始样本数据集计算各采样点的协方差矩阵，表示为：
Figure 46988DEST_PATH_IMAGE001
其中，
Figure 14855DEST_PATH_IMAGE002
为初始样本数据集中各采样点构建的协方差矩阵，
Figure 988758DEST_PATH_IMAGE003
为初始样本数据集中采样点对
Figure 942414DEST_PATH_IMAGE004
构建的高斯核函数，
Figure 934641DEST_PATH_IMAGE005
为初始样本数据集中样本点对
Figure 581129DEST_PATH_IMAGE006
的协方差；
S33、利用高斯函数根据步骤S31中均值向量与步骤S32中协方差矩阵构建机械钻速函数，得到机械钻速预测模型。
4.根据权利要求3所述的基于贝叶斯优化的油气钻井机械钻速预测方法，其特征在于，步骤S32中高斯核函数的计算式表示为：
Figure 307908DEST_PATH_IMAGE007
其中，
Figure 799676DEST_PATH_IMAGE008
为初始样本数据集中样本点
Figure 911988DEST_PATH_IMAGE009
构建的高斯核函数，
Figure 466729DEST_PATH_IMAGE010
、
Figure 615557DEST_PATH_IMAGE011
均为核函数参数，
Figure 163213DEST_PATH_IMAGE012
为二范数。
5.根据权利要求3所述的基于贝叶斯优化的油气钻井机械钻速预测方法，其特征在于，步骤S33中构建的机械钻速函数表示为：
Figure 877835DEST_PATH_IMAGE013
其中，
Figure 665793DEST_PATH_IMAGE014
为连续域上的机械钻速函数，
Figure 833076DEST_PATH_IMAGE015
为初始样本数据集中各采样点的均值向量，
Figure 935155DEST_PATH_IMAGE016
为初始样本数据集中各采样点的协方差矩阵，
Figure 959743DEST_PATH_IMAGE017
为高斯函数，~为映射。
CN202111230016.8A 2021-10-22 2021-10-22 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 Active CN113689055B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111230016.8A CN113689055B (zh) 2021-10-22 2021-10-22 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
US17/714,164 US11649714B1 (en) 2021-10-22 2022-04-06 Method for predicting and optimizing rate of penetration (ROP) for oil and gas drilling based on bayesian optimization

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111230016.8A CN113689055B (zh) 2021-10-22 2021-10-22 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

Publications (2)

Publication Number Publication Date
CN113689055A CN113689055A (zh) 2021-11-23
CN113689055B true CN113689055B (zh) 2022-01-18

Family

ID=78587665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111230016.8A Active CN113689055B (zh) 2021-10-22 2021-10-22 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

Country Status (2)

Country Link
US (1) US11649714B1 (zh)
CN (1) CN113689055B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114370264B (zh) * 2022-01-11 2023-12-15 中国石油大学(北京) 机械钻速确定、钻井参数优化方法、装置及电子设备
CN114417536B (zh) * 2022-03-31 2022-06-21 长江大学武汉校区 一种油气井钻井过程中钻井参数优选方法
CN114856540B (zh) * 2022-05-11 2024-05-28 西南石油大学 一种基于在线学习的水平井机械钻速随钻预测方法
CN115329657B (zh) * 2022-07-06 2023-06-09 中国石油化工股份有限公司 钻井参数优化方法及装置
CN116882548B (zh) * 2023-06-15 2024-05-17 中国矿业大学 一种基于动态概率推理的掘进巷道煤与瓦斯突出预测方法
CN117211969B (zh) * 2023-10-17 2024-03-29 江苏省无锡探矿机械总厂有限公司 液压钻机节能控制方法及系统
CN117349798B (zh) * 2023-12-05 2024-02-23 西南石油大学 一种基于非均衡回归的机械钻速预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807234A (zh) * 2018-08-01 2020-02-18 中国石油化工股份有限公司 用于评价任意截面上井眼轨迹误差的方法
CN111520122A (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
CN113343558A (zh) * 2021-05-19 2021-09-03 东北石油大学 一种基于模糊神经网络的钻井参数优化方法
CN113378998A (zh) * 2021-07-12 2021-09-10 西南石油大学 一种基于机器学习的地层岩性随钻识别方法
CN113378344A (zh) * 2020-02-25 2021-09-10 中国石油化工股份有限公司 一种用于优化钻井起下钻速度阈值的方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3093668C (en) * 2018-05-09 2022-11-08 Landmark Graphics Corporation Learning based bayesian optimization for optimizing controllable drilling parameters
US20210056447A1 (en) * 2019-08-23 2021-02-25 Landmark Graphics Corporation Ai/ml, distributed computing, and blockchained based reservoir management platform

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807234A (zh) * 2018-08-01 2020-02-18 中国石油化工股份有限公司 用于评价任意截面上井眼轨迹误差的方法
CN113378344A (zh) * 2020-02-25 2021-09-10 中国石油化工股份有限公司 一种用于优化钻井起下钻速度阈值的方法及系统
CN111520122A (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
CN113343558A (zh) * 2021-05-19 2021-09-03 东北石油大学 一种基于模糊神经网络的钻井参数优化方法
CN113378998A (zh) * 2021-07-12 2021-09-10 西南石油大学 一种基于机器学习的地层岩性随钻识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Drilling rate prediction from petrophysical logs and mud logging data using an optimized multilayer perceptron neural network;Mohammad Anemangely;《Journal of geophysics and engineering》;20180831;第15卷(第4期);第1146-1159页 *
贝叶斯优化方法和应用综述;崔佳旭等;《软件学报》;20181030;第29卷(第10期);第3068-3090页 *

Also Published As

Publication number Publication date
US20230127456A1 (en) 2023-04-27
US11649714B1 (en) 2023-05-16
CN113689055A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
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
Hegde et al. Performance comparison of algorithms for real-time rate-of-penetration optimization in drilling using data-driven models
Hegde et al. Use of machine learning and data analytics to increase drilling efficiency for nearby wells
CN113553780B (zh) 一种基于机器学习的地层孔隙压力预测方法
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
US11846748B2 (en) Deep learning seismic attribute fault predictions
CN109542884B (zh) 采用大数据耦合参数以优化破岩效率的方法和系统
Agrawal et al. Real-time prediction of Litho-facies from drilling data using an Artificial Neural Network: A comparative field data study with optimizing algorithms
Chandrasekaran et al. Drilling efficiency improvement and rate of penetration optimization by machine learning and data analytics
CN110533224B (zh) 一种油页岩接续勘探钻孔位置优选方法
Xu et al. Application of machine learning in wellbore stability prediction: A review
Höhn et al. Case study rop modeling using random forest regression and gradient boosting in the hanover region in Germany
CN111751878A (zh) 横波速度的预测方法和装置
Al-Sahlanee et al. Ensemble Machine Learning for Data-Driven Predictive Analytics of Drilling Rate of Penetration (ROP) Modeling: A Case Study in a Southern Iraqi Oil Field
CN114722719A (zh) 用于预测机械钻速的方法及装置
CN114065603B (zh) 机械钻速预测方法及装置
Mnati et al. Prediction of penetration rate and cost with artificial neural network for alhafaya oil field
CN112727433A (zh) 一种钻井参数优化方法
Wan et al. Intelligent Prediction of Drilling Rate of Penetration Based on Method-Data Dual Validity Analysis
Pei et al. Wide and deep cross network for the rate of penetration prediction
CN116911216B (zh) 一种储层油井产能因素评估与预测方法
CN117633658B (zh) 岩石储层岩性识别方法及系统
Darmawan et al. ROP Prediction with Supervised Machine Learning; a Case Study
Xu et al. Prediction method for formation pore pressure based on transfer learning
Li et al. A systematic review of machine learning modeling processes and applications in ROP prediction in the past decade

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