CN113935131A - 一种提速钻具的使用效果预测方法及应用 - Google Patents
一种提速钻具的使用效果预测方法及应用 Download PDFInfo
- Publication number
- CN113935131A CN113935131A CN202111194651.5A CN202111194651A CN113935131A CN 113935131 A CN113935131 A CN 113935131A CN 202111194651 A CN202111194651 A CN 202111194651A CN 113935131 A CN113935131 A CN 113935131A
- Authority
- CN
- China
- Prior art keywords
- drilling
- acceleration
- speed
- tool
- predicted
- 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.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 334
- 230000001133 acceleration Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000000694 effects Effects 0.000 title claims abstract description 52
- 230000035515 penetration Effects 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供一种提速钻具的使用效果预测方法,包括步骤1:收集目标区域未使用提速钻具井段的第一基本参数和使用了提速钻具井段的第二基本参数;步骤2:选择第一基本参数或者基本数据二中数据量更多的参数集合,以该参数集合中的钻井规程参数作为输入值、以该参数集合中钻速作为输出值,建立钻速预测模型;步骤3:根据钻速预测模型预测该井段的预测钻速,将预测钻速与该种地层此种情况下的真实钻速进行比较,获得使用效果结论。本发明还提供一种提速钻具的使用效果预测方法的应用。本发明解决现有钻速预测方法误差大,实际的钻速可能与预测情况相反,浪费巨大成本的问题,能够获得该区域提速钻具更加真实准确的使用效果的结论。
Description
技术领域
本发明涉及油气勘探开发技术领域,更具体地,涉及一种提速钻具的使用效果预测方法及应用。
背景技术
油气勘探开发的钻井过程中,合理的钻具及钻速设计能够缩短钻井周期,节省钻井成本,在同一钻井区域中,即使地层类似,也不能保证不同井眼在同一深度的地层完全相同,同时也不能保证在不同井眼相同深度时采用完全相同的钻井规程参数能达到最好的钻井效果。地层和钻井规程参数是影响钻速最主要的因素,故面对同一片区域的不同井眼在相同层位是否使用提速钻具,或者是否使用不同提速钻具无法准确的确定。目前也有一定的钻速曲线的预测方法,例如公开号为CN112901137A的中国专利文献,公开了一种基于深度神经网络Sequential模型的深井钻井机械钻速预测方法,通过构建非线性的复杂关系模型,能够预测机械钻速,模型预测值能够与新井进行对比分析。但是同一区域是否使用提速钻具的效果若直接利用地层参数进行预测,对比钻速曲线,可能会得到与实际相反使用效果的结论。
需要明确的是,在同一口井眼打完后只会有一种真实钻速,例如若使用提速钻具则只有使用的真实钻速,未使用的钻速未知,若存在相邻井眼同深度井段未使用提速钻具的情况,但因地层的情况不一样,是无法直接对比的,现有技术仅通过同一区域内影响机械钻速的各种参数作为输入层,机械钻速作为输出层设计模型进行预测,获得的结果无法体现出同区域可能出现的提速钻具使用后反而效果不佳的情况,因为只能预测钻速,可能在建模过程中被自动忽略掉由于种种原因造成提速钻具使用效果不佳的情况,预测结果存在很大的误差,所以容易造成现有技术推测该井段可使用提速钻具,但是实际钻好井眼之后,实际的钻速可能与预测情况相反,反而浪费了巨大的成本。
发明内容
本发明的目的在于克服现有钻速预测方法预测误差大,实际的钻速可能与预测情况相反,从而浪费巨大成本的情况,提供一种提速钻具的使用效果预测方法及应用。本发明能够更加准确得获得该区域使用提速钻具的真实使用效果,为同区域没打的井做准备,获得更加准确直观的结论来判断实际该区域地层是否应当采用提速钻具,降低生产成本。
为解决上述技术问题,本发明采用的技术方案是:
一种提速钻具的使用效果预测方法,具体包括如下步骤:
步骤1:收集目标区域未使用提速钻具井段的第一基本参数和使用了提速钻具井段的第二基本参数;所述第一基本参数和所述第二基本参数均包括钻井规程参数和钻速;
步骤2:选择第一基本参数或者基本数据二中数据量更多的参数集合,以该参数集合中的钻井规程参数作为输入值、以该参数集合中钻速作为输出值,建立钻速预测模型;
步骤3:根据所述钻速预测模型预测某井段的预测钻速,将所述预测钻速与该井段此种情况下的真实钻速进行比较:
若以第一基本参数建立假设未使用提速钻具的钻速预测模型,以第二基本参数中某井段的钻井规程参数为输入,得到该井段假设未使用提速钻具的预测钻速,若预测钻速小于该井段的真实钻速,则说明使用提速钻具有效,反之,则说明效果不佳;
若以第二基本参数建立假设使用了提速钻具的钻速预测模型,以第一基本参数中某井段的钻井规程参数为输入,得到该井段假设使用了提速钻具的预测钻速,若预测钻速大于该井段的真实钻速,则说明使用提速钻具有效,反之,则说明效果不佳。
作为一种优选方案,还包括对提速钻具的使用效果进行二次预测以获得更准确的量化数据的步骤4,所述步骤4具体包括如下步骤:
S41:将所述真实钻速与预测钻速进行比较,得到两者之间的钻速差值;
S42:以第一基本参数中的钻井规程参数为输入值、以步骤S41中的钻速差值为输出值,建立假设未使用提速钻具的差异预测模型;
S43:以第二基本参数中某井段的钻井规程参数为输入,得到该井段假设未使用提速钻具的预测差值,将所述预测差值的计算结果与该井段的真实钻二速进行叠加,得到该井段预测钻速二,将所述预测钻速二与该井段的真实转速二进行比较:若所述预测钻速二大于所述真实钻速二,则说明使用提速钻具有效;若所述预测钻速二小于等于所述真实钻速二,则说明使用提速钻具效果不佳。
进一步的,还包括步骤5:将第二基本参数中所有井段的钻井规程参数输入所述差异预测模型,得到预测钻速二与该井段的真实转速二的比较集合,若该比较集合中使用提速钻具有效比使用提速钻具效果不佳的数据量更多,则该目标区域选用提速钻并且有效的概率更加稳定。
作为另一种优选方案,还包括对提速钻具的使用效果进行二次预测以获得更准确的量化数据的步骤4,所述步骤4具体包括如下步骤:
S41:将所述真实钻速与预测钻速进行比较,得到两者之间的钻速差值;
S42:以第二基本参数中的钻井规程参数为输入值、以步骤S41中的钻速差值为输出值,建立假设使用了提速钻具的差异预测模型;
S43:以第一基本参数某井段的钻井规程参数为输入得到该模型下假设使用了提速钻具的预测差值,将所述预测差值的计算结果与该井段的真实钻速二进行叠加,得到该井段预测钻速二,将所述预测钻速二与该井段的真实转速二进行比较:若所述预测钻速二小于所述真实钻速二,则说明使用提速钻具有效;若所述预测钻速二大于等于所述真实钻速二,则说明使用提速钻具效果不佳。
进一步的,还包括步骤5:将第一基本参数中所有井段的钻井规程参数输入所述差异预测模型,得到预测钻速二与该井段的真实转速二的比较集合,若该比较集合中使用提速钻具有效比使用提速钻具效果不佳的数据量更多,则该目标区域选用提速钻并且有效的概率更加稳定。
需要说明的是,本发明通过步骤1至步骤3即可获得提速钻速的使用效果;步骤4进行二次预测,建立时使用真实钻速与预测钻速的差值或者与真实钻速叠加后的数据为输出数据,将差异提取出来并显示,能够更加直观的体现使用提速钻具和不适用提速钻具的效果差异,结果会更加直观;通过步骤5进行数据循环验证,将所有使用了提速钻具的井段或未使用提速钻具的井段全部进行预测一次,得到一个比较结果的数据集合,通过数据集合中使用提速钻具有效和不佳情况的出现概率情况,在该目标区域进行新钻井开发时,用于新钻井是否使用提速钻具提供参考,提高准确率。
进一步的,钻井规程参数包括地层参数、深度和钻井工程参数中的一个或者多个。需要说明的是,钻井规程参数可通过相关性分析(例如利用Person相关系数法分析各基本参数与钻速的相关性)优选出的输入参数,其并非对本发明模型输入参数的限制。
进一步的,钻速预测模型利用神经网络算法、支持向量机、回归算法和拟合算法中的任意一种算法建立而成,差异预测模型利用神经网络算法、支持向量机、回归算法和拟合算法中的任意一种算法建立而成。需要说明的是,除了采用本发明所例举的算法外,本发明还可采用现有技术中各种适合的深度学习方法来建立钻速预测模型;同时模型建立过程均包括训练过程,通过该基本参数中的大量数据进行训练,保证该区域中不同地层和施工条件变化的情况下预测的结果都与训练数据中的真实结果相吻合,提高模型建立的精度。
进一步的,目标区域未使用提速钻具井段的和使用了提速钻具井段的包括探井或者开发井中的一种。这样,由于探井的钻井成本和开发井的钻井成本相比,远小于开发井的钻井成本,利用探井的基本参数进行提速钻井的使用效果预测,能够将该预测效果在该探井的开发井开钻时,判断是否选择提升钻具,将大大优化了开发井的资源配置,减少开发成本。
本发明还提供了一种提速钻具的使用效果预测方法的应用,利用提速钻具的使用效果预测方法,应用于目标区域或者邻近区域的待钻井中,用于判断该井在钻井时不同井段是否需要采用提速钻具。
还需要说明的是,就同区域而言,目前的实际情况是未使用提速钻具的井段一定多于使用提速钻具的井段,一般可优选建立假设未使用提速钻具的钻速预测模型,是因为这样算法建立的数据足够多,能保证钻速预测模型的精度。如在使用提速钻具的井段多于未使用提速钻具的井段,则应优先建立假设使用提速钻具的钻速预测模型,两种情况均属于本发明的保护范围。
本发明还提供了一种提速钻具的选型方法,针对不同类型的提速钻具,利用提速钻具的使用效果预测方法,预测各类提速钻具的使用效果,选择各提速钻具中使用效果最好的提速钻具作为最终的选型方案。
与现有技术相比,本发明的有益效果是:
(1)本发明通过已打好的井段的实际钻井规程参数和钻速建立钻速预测模型,预测该井段如果使用或者未使用提速钻具情况下的预测钻速,利用预测钻速和该井段的实际钻速进行判断,得到该井段是否适用或者不适用提速钻具,通过此种预测方法,可以规避现有利用钻速曲线进行预测的方法可能出现的预测结果和实际结果相反的情况,获得该区域是否该使用提速钻具更加准确的结论。
(2)本发明的该结论可应用于同区域或者邻近区域中其他井眼或其他深度处是否该使用提速钻具的判断,准确率更高,能够优化开发成本。
(3)本发明的预测方法还可以应用于探井中,利用探井的钻井规程参数和钻速建立预测模型,获得的预测结论可用于该探井在进行开发井挖掘时是否使用提速钻具,能够很好优化资源配置,减低开发井的钻井成本,具有重要的现实意义。
附图说明
图1为本实施例中钻速预测模型的建立流程示意图;
图2为本实施例中未使用液力提速马达的井段深度与钻速之间的关系曲线示意图;
图3为本实施例中使用液力提速马达的井段深度与钻速之间的关系曲线示意图;
图4为本实施例中神经网络算法模型示意图;
图5为本实施例中使用提速钻具井段的实际钻速示意图;
图6为本实施例中使用提速钻具井段的假设未使用提速钻具井段的预测钻速结果示意图;
图7为本实施例中预测钻速与真实使用提速钻具的钻速比较结果示意图;
图8为本实施例中使用提速钻具井段与假设未使用提速钻具井段的钻速差值结果示意图;
图9为本实施例中未使用液力提速马达的实际钻速示意图;
图10为本实施例中利用差异预测模型得到假设使用提速钻具的预测钻速结果示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例
如图1至图10所示,一种提速钻具的使用效果预测方法,本实施例以某区域的十口井为例,使用液力提速马达作为提速钻具,该提速钻具的使用效果预测方法,具体包括如下步骤:
步骤1:收集目标区域未使用提速钻具井段的第一基本参数和使用了提速钻具井段的第二基本参数;第一基本参数和第二基本参数均包括钻井规程参数和钻速;本实施例的目标区域的收集到的基础资料生成初始数据集(共计21,914条数据),初始数据集的数据由未使用提速钻具井段的第一基本参数(共计18482条数据)和使用提速钻具井段的第二基本参数(共计3432条数据)组成,第一基本参数和第二基本参数中均包括钻井规程参数和钻速;钻井规程参数包括地层参数、深度、钻井工程参数等;其中未使用液力提速马达的井段深度与钻速之间的关系曲线如图2所示,使用液力提速马达的井段深度与钻速之间的关系曲线如图3所示。
步骤2:选择第一基本参数中未使用提速钻具井段的18482条数据,以其中的钻井规程参数为输入,以真实钻速为输出,通过如图4所示的神经网络算法建立未使用提速钻具的钻速预测模型;建立过程包括利用第一基本参数中的部分数据建立初始模型,利用第一基本参数中的其他数据作为训练集对初始模型进行训练,得到符合精度的钻速预测模型。
步骤3:根据钻速预测模型预测该井段的预测钻速,向其输入第二基本参数中的钻井规程参数为输入,得到该模型下假设未使用提速钻具井段的预测钻速,实际钻速如图5所示,预测钻速结果如图6所示。需要说明的是,图6中,LD10-1-1、LD10-1-2、LD10-1-3和LD10-1-13的直线段为使用提速钻具的井段,故步骤2在建模时并未使用该段数据。从图5和图6可以看出,本实施例的钻速预测模型的预测值与真实值相对吻合。
步骤4对提速钻具的使用效果进行二次预测以获得更准确的量化数据,步骤4的具体包括如下步骤:
S41:将步骤3得到的预测钻速与真实使用提速钻具的钻速相比较,部分结果如图7所示,从图7可以看出,LD10-1-1、LD10-1-2、LD10-1-3区域使用提速钻具后明显钻速高于预测的未使用提速钻具钻速,而LD10-3-1区域使用提速钻具后效果反而不佳,主要原因在于使用提速钻具井段地层灰质含量较高,研磨性强,液力提速马达会加剧钻头的磨损,钻速因而下降。自现场统计也可论证该观点,该井段钻头磨损达到3~4级,高于其他井眼的1~2级。将真实使用提速钻具的钻速减去步骤3得到的预测钻速,得到两者之间的钻速差值。
S42:采用步骤2相同的算法,但以第一基本参数中的钻井规程参数为输入值、以步骤S41中的钻速差值为输出值,建立假设未使用提速钻具的差异预测模型;以第二基本参数的钻井规程参数为输入得到该模型下假设未使用提速钻具的预测差值,即为使用了提速钻具井段与假设未使用提速钻具井段的钻速差值,结果如图8所示。从图8可以看出,LD10-1-1、LD10-1-2、LD10-1-3、以及LD10-3-1区域的使用效果判断结果比步骤4的判断结果更加精确,LD10-1-2和LD10-1-3区域均有部分井深使用提速钻具效果不佳。需要说明的是,差异预测模型建立过程包括利用第二基本参数中的部分数据建立初始差异预测模型,利用第二基本参数中的其他数据作为训练集对初始差异预测模型进行训练,直到得到符合精度的差异预测模型。
S43:将差异预测模型,应用于同区域内其他未使用提速钻具的井段,将差异预测模型的计算结果与真实钻速叠加,预测差值的计算结果与该井段的真实钻速二进行叠加,获得该井段假设对应使用了提速钻具的预测钻速二,未使用液力提速马达的实际钻速如图9所示,预测结果如图10所示。从图9和图10可以看出,可看出LD10-1区域内使用提速钻具确实有效。
综上所述,本实施例能够准确的预测提速钻具的使用效果,在该目标区域LD10-1区域内使用提速钻具确实有效,可通过该预测的使用效果,在该目标区域或者邻近区域钻井时选择优先使用提速钻具,提高生产效率,减低生产成本,优化资源配置,与现有技术相比,具有显著的进步。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种提速钻具的使用效果预测方法,其特征在于,具体包括如下步骤:
步骤1:收集目标区域未使用提速钻具井段的第一基本参数和使用了提速钻具井段的第二基本参数;所述第一基本参数和所述第二基本参数均包括钻井规程参数和钻速;
步骤2:选择第一基本参数或者基本数据二中数据量更多的参数集合,以该参数集合中的钻井规程参数作为输入值、以该参数集合中钻速作为输出值,建立钻速预测模型;
步骤3:根据所述钻速预测模型预测某井段的预测钻速,将所述预测钻速与该井段此种情况下的真实钻速进行比较:
若以第一基本参数建立假设未使用提速钻具的钻速预测模型,以第二基本参数中某井段的钻井规程参数为输入,得到该井段假设未使用提速钻具的预测钻速,若预测钻速小于该井段的真实钻速,则说明使用提速钻具有效,反之,则说明效果不佳;
若以第二基本参数建立假设使用了提速钻具的钻速预测模型,以第一基本参数中某井段的钻井规程参数为输入,得到该井段假设使用了提速钻具的预测钻速,若预测钻速大于该井段的真实钻速,则说明使用提速钻具有效,反之,则说明效果不佳。
2.根据权利要求1所述的提速钻具的使用效果预测方法,其特征在于,还包括对提速钻具的使用效果进行二次预测以获得更准确的量化数据的步骤4,所述步骤4具体包括如下步骤:
S41:将所述真实钻速与预测钻速进行比较,得到两者之间的钻速差值;
S42:以第一基本参数中的钻井规程参数为输入值、以步骤S41中的钻速差值为输出值,建立假设未使用提速钻具的差异预测模型;
S43:以第二基本参数中某井段的钻井规程参数为输入,得到该井段假设未使用提速钻具的预测差值,将所述预测差值的计算结果与该井段的真实钻二速进行叠加,得到该井段预测钻速二,将所述预测钻速二与该井段的真实转速二进行比较:若所述预测钻速二大于所述真实钻速二,则说明使用提速钻具有效;若所述预测钻速二小于等于所述真实钻速二,则说明使用提速钻具效果不佳。
3.根据权利要求2所述的提速钻具的使用效果预测方法,其特征在于,还包括步骤5:将第二基本参数中所有井段的钻井规程参数输入所述差异预测模型,得到预测钻速二与该井段的真实转速二的比较集合,若该比较集合中使用提速钻具有效比使用提速钻具效果不佳的数据量更多,则该目标区域选用提速钻并且有效的概率更加稳定。
4.根据权利要求1所述的提速钻具的使用效果预测方法,其特征在于,还包括对提速钻具的使用效果进行二次预测以获得更准确的量化数据的步骤4,所述步骤4具体包括如下步骤:
S41:将所述真实钻速与预测钻速进行比较,得到两者之间的钻速差值;
S42:以第二基本参数中的钻井规程参数为输入值、以步骤S41中的钻速差值为输出值,建立假设使用了提速钻具的差异预测模型;
S43:以第一基本参数某井段的钻井规程参数为输入得到该模型下假设使用了提速钻具的预测差值,将所述预测差值的计算结果与该井段的真实钻速二进行叠加,得到该井段预测钻速二,将所述预测钻速二与该井段的真实转速二进行比较:若所述预测钻速二小于所述真实钻速二,则说明使用提速钻具有效;若所述预测钻速二大于等于所述真实钻速二,则说明使用提速钻具效果不佳。
5.根据权利要求4所述的提速钻具的使用效果预测方法,其特征在于,还包括步骤5:将第一基本参数中所有井段的钻井规程参数输入所述差异预测模型,得到预测钻速二与该井段的真实转速二的比较集合,若该比较集合中使用提速钻具有效比使用提速钻具效果不佳的数据量更多,则该目标区域选用提速钻并且有效的概率更加稳定。
6.根据权利要求1至5任一所述的提速钻具的使用效果预测方法,其特征在于,所述钻井规程参数包括地层参数、深度和钻井工程参数中的一个或者多个。
7.根据权利要求1至5任一所述的提速钻具的使用效果预测方法,其特征在于,所述钻速预测模型和差异预测模型分别利用神经网络算法、支持向量机、回归算法和拟合算法中的任意一种算法建立而成。
8.根据权利要求1所述的提速钻具的使用效果预测方法,其特征在于,所述目标区域未使用提速钻具井段的和使用了提速钻具井段的包括探井井段或者开发井井段中的一种。
9.一种提速钻具的使用效果预测方法的应用,其特征在于,利用如权利要求1-8任一所述的提速钻具的使用效果预测方法,应用于目标区域或者邻近区域的待钻井中,用于判断该井在钻井时不同井段是否需要采用提速钻具。
10.一种提速钻具的选型方法,其特征在于,针对不同类型的提速钻具,利用如权利要求1-8任意一项所述的提速钻具的使用效果预测方法,判断目标区域中各类提速钻具的使用效果,选择各提速钻具中使用效果最好的提速钻具作为目标区域或者邻近区域的其他新井钻井的最终的选型方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194651.5A CN113935131B (zh) | 2021-10-13 | 2021-10-13 | 一种提速钻具的使用效果预测方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194651.5A CN113935131B (zh) | 2021-10-13 | 2021-10-13 | 一种提速钻具的使用效果预测方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113935131A true CN113935131A (zh) | 2022-01-14 |
CN113935131B CN113935131B (zh) | 2024-07-23 |
Family
ID=79279211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111194651.5A Active CN113935131B (zh) | 2021-10-13 | 2021-10-13 | 一种提速钻具的使用效果预测方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935131B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070185696A1 (en) * | 2006-02-06 | 2007-08-09 | Smith International, Inc. | Method of real-time drilling simulation |
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 |
US20160069182A1 (en) * | 2014-09-10 | 2016-03-10 | Fracture ID, Inc. | Apparatus and method using measurements taken while drilling to map mechanical boundaries and mechanical rock properties along a borehole |
EP3059385A1 (en) * | 2015-02-23 | 2016-08-24 | Geoservices Equipements | Systems and methods for determining and/or using estimate of drilling efficiency |
CN108694258A (zh) * | 2017-04-10 | 2018-10-23 | 中国石油化工股份有限公司 | 用于施工方案预演优化的钻井井下虚拟仿真方法及系统 |
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 |
CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
-
2021
- 2021-10-13 CN CN202111194651.5A patent/CN113935131B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070185696A1 (en) * | 2006-02-06 | 2007-08-09 | Smith International, Inc. | Method of real-time drilling simulation |
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 |
US20160069182A1 (en) * | 2014-09-10 | 2016-03-10 | Fracture ID, Inc. | Apparatus and method using measurements taken while drilling to map mechanical boundaries and mechanical rock properties along a borehole |
EP3059385A1 (en) * | 2015-02-23 | 2016-08-24 | Geoservices Equipements | Systems and methods for determining and/or using estimate of drilling efficiency |
CN108694258A (zh) * | 2017-04-10 | 2018-10-23 | 中国石油化工股份有限公司 | 用于施工方案预演优化的钻井井下虚拟仿真方法及系统 |
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 |
CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
Non-Patent Citations (4)
Title |
---|
MOSTAFA KESHAVARZ MORAVEJI等: "Drilling rate of penetration prediction and optimization using response surface methodology and bat algorithm", 《JOURNAL OF NATURAL GAS SCIENCE AND ENGINEERING》, vol. 31, 30 April 2016 (2016-04-30) * |
YI HUANG等: "Research on Technology of Drilling in High Temperature and High Pressure Gas Field in South China Sea", 《IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》, 29 September 2019 (2019-09-29) * |
王文等: "基于神经网络的深层机械钻速预测方法", 《石油钻采工艺》, vol. 40, 31 December 2018 (2018-12-31) * |
赵颖等: "基于极限学习机的海上钻井机械钻速监测及实时优化", 《中国海上油气》, vol. 31, no. 6, 31 December 2019 (2019-12-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN113935131B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102041995B (zh) | 复杂油藏水淹状况监测系统 | |
CN106121621A (zh) | 一种智能钻井专家系统 | |
EA023817B1 (ru) | Система и способ оптимизации скорости бурения | |
CN101617101A (zh) | 井和泄流位置的自动化油田开发方案 | |
CN110671095B (zh) | 一种地质地层压力智能随钻软测量方法 | |
CN110500081A (zh) | 一种基于深度学习的自动钻井方法 | |
CN106250984A (zh) | 油井的油水关系模式的判断方法及装置 | |
CN110852908A (zh) | 围岩分级方法 | |
CN109653728B (zh) | 一种基于向量相似度的井眼轨迹钻前模拟方法 | |
CN117556687A (zh) | 一种隧道爆破参数确定方法、系统、电子设备及介质 | |
Deng et al. | Bit optimization method for rotary impact drilling based on specific energy model | |
Chen et al. | Optimization of production performance in a CO2 flooding reservoir under uncertainty | |
Kazem et al. | The performance of streamline simulation technique to mimic the waterflooding management process in oil reservoirs | |
CN113935131A (zh) | 一种提速钻具的使用效果预测方法及应用 | |
Kamal et al. | Use of transient testing in reservoir management | |
AlQassab et al. | Estimating the size and orientation of hydraulic fractures using microseismic events | |
Lee et al. | Development of a trip time for bit exchange simulator for drilling time estimation | |
CN111598366A (zh) | 一种实时钻井辅助决策方法及系统 | |
Ruwanpura et al. | Analytical methods to reduce uncertainty in tunnel construction projects | |
CN112395731B (zh) | 缝洞型碳酸盐岩油藏动静结合反推原始油水界面的方法 | |
CN115130268A (zh) | 油藏注采方案设计方法、系统、存储介质及电子设备 | |
CN112285774A (zh) | 一种基于多地质参数快速评价走滑断层封闭能力的方法 | |
Helmy et al. | Reservoir Simulation Modeling With Polymer Injection in Naturally Fractured Carbonate Reservoir | |
CN108343425A (zh) | 一种pdc钻头条件下碳酸盐岩储层快速识别方法 | |
CN107589458B (zh) | 基于地震剖面品质因子计算储层渗透率的方法 |
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 |