CN114021423A - 一种适用于机器学习的钻头磨损量化评价方法 - Google Patents
一种适用于机器学习的钻头磨损量化评价方法 Download PDFInfo
- Publication number
- CN114021423A CN114021423A CN202111137559.5A CN202111137559A CN114021423A CN 114021423 A CN114021423 A CN 114021423A CN 202111137559 A CN202111137559 A CN 202111137559A CN 114021423 A CN114021423 A CN 114021423A
- Authority
- CN
- China
- Prior art keywords
- drill bit
- wear
- degree
- machine learning
- abrasion
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了一种适用于机器学习的钻头磨损量化评价方法,本发明是在统计分析已完成井实际施工数据的基础上完成的分析,实际上是一种统计分析,分析历史井数据的变化特征和规律,其数据反应的特征和规律是实际工程的实际反应;本发明通过将离散型的钻头磨损程度表示转换为连续型数值变量,解决用于机器学习理论的数学困难。采用数据驱动的方式建立钻头磨损程度计算模型,实现钻头磨损程度计算量化分析;本发明通过主要影响因素单变量分析,可以实现1)确定出对钻头磨损程度影响最大的因素,优化钻井参数,避免钻头出现严重磨损,延长钻头使用寿命;2)定量分析钻头磨损程度,为起下钻更换钻头做决策参考。
Description
技术领域
本发明属于钻井工程领域,具体来说涉及一种适用于机器学习的钻头磨损量化评价方法。
背景技术
钻头的磨损程度一直是研究中的热点问题,工程实践中掌握钻头的磨损程度往往是下一步决策的关键点,然而由于钻井工程隐蔽性的特点,监测手段少,钻头的实际磨损程度不易掌握。实践上以机械钻速为主要参考指标,其他工程参数如钻压、扭矩、转速等参数综合分析钻头磨损程度。机械钻速是否正常往往由地区经验、专家经验判别,这种方式给工程带来很多不确定因素。基于机械比能(MSE)理论的钻头磨损监测,既可以通过钻井参数计算钻头机械比能定量分析或者通过画趋势线的方法定性分析钻头磨损趋势,在实际应用上,钻头扭矩和滑动摩擦系数这两个关键参数并很难通过直接测量获得,直接影响计算精度。
使用传统的钻速方程评价钻头磨损程度也存在困难,理论机械钻速不易获得,没有参考,机械钻速方程所需要的钻头磨损系数、地层可钻性系数、井眼清洁系数等不易获得,这样造成其使用价值并不高。采用测井资料计算岩石力学强度和岩石可钻性优选钻头的方法存在滞后性,特别是探井的情况,很难通过实时测井数据直接分析岩石可钻性和钻头磨损程度。
近年来机器学习和深度学习在钻井风险预测和模式识别应用广泛,为解决上述方法的应用困难或者滞后性提供了思路,引入机器学习方法在对历史井的钻进情况进行综合分析,提出钻头磨损程度计算方法,以此方法为基础研究各工程参数对钻头磨损程度的影响,优化钻井参数或者为起下钻更换钻头做参考依据。
机器学习解决的问题可分为回归、分类、聚类问题,但目前具备实用价值的大部分算法都来自于监督学习,即学习使用标注的训练样本{(x,y)},x为输入特征向量,y为输出目标。通过训练已有的样本获得一个最优模型(误差函数最小或某个评价准则下最优),即得到一个从x映射到y的函数。这样给定模型一个输入,将产生相应的输出,也就具有了对数据的分析能力。
机器学习的方法直接从已钻井的历史数据中找到工程参数和钻头使用情况中获得模型,采用优化算法对模型参数进行优化,建立钻头磨损与工程参数之间的映射关系,随后便可随时利用实际观测的工程参数分析钻头磨损程度,以便及时调整参数。建立以关键参数为自变量、以钻头磨损程度为因变量的分析函数。对钻头磨损程度分析函数进行定量研究,分析钻头磨损程度的变化规律,量化关键参数的影响程度,实现结合实际工程情况做到有针对性控制、调整关键影响因素,做到兼顾钻井机械钻速和使用寿命的平衡,或者为起下钻更换钻头做参考。应用统计学的方法建立以关键参数为自变量、以事故发生概率为因变量的概率预测函数,具有重要的工程应用价值。
发明内容
本发明的目的在于克服现有技术的不足,提供一种适用于机器学习的钻头磨损量化评价方法,该方法将钻头内外排齿磨损程度评价由离散型数字表示转换为连续型数值表示,引入机器学习算法挖掘区域历史井工程实践,实现由工程数据定量地计算钻头磨损程度。该方法同时综合分析各工程数据对钻头磨损程度的影响,用以优化工程参数组合,延长钻头使用寿命;或者快速准确对钻头磨损程度计算,为起下钻更换钻头做决策参考。
本发明是通过以下技术方案实现的:
一种适用于机器学习的钻头磨损量化评价方法,按照下述步骤进行:
步骤1)收集区域钻井工程资料;
步骤2)制作适合于机器学习的数据集;
步骤3)建立钻头磨损程度计算模型;
步骤4)单变量因素分析,做出决策参考。
在上述技术方案中,在步骤1)中,所述区域钻井工程资料包括并不限于:钻头尺寸、钻头类型、钻压、转速、扭矩、排量、泵压、钻井液密度、钻井液粘度、地层孔隙压力、纯钻时间、钻头进尺井眼轨迹(井斜、方位)和钻头磨损评价。
在上述技术方案中,在步骤2)中,将步骤1)中所述工程数据集中的钻头磨损评价,广泛使用《海洋石油钻井手册》推荐的IADC钻头磨损评价方法,该方法用 I-O-D-L-B/S-G-O-R等八个参数描述钻头磨损程度和位置等信息,其前两个参数分别描述内排齿和外排齿的磨损,用数字0~8呈线性描述切削齿磨损的情况,0表示无磨损或断尺,即为新齿,8表示全部磨损或折断,将两个描述内、外排齿磨损的数值之和与16的相对值表示钻头的磨损程度,实现钻头磨损程度的连续型数值表示,因此采用这种处理将钻头磨损程度由0~8之间的数字映射到0~1之间,数据集可以按照8:2比例划分为训练集和验证集。
在上述技术方案中,在步骤3)中,采用入机器学习领域的回归算法(如线性回归、多项式回归、Logistics回归)或者神经网络算法,建立由工程参数到钻头磨损程度的计算模型。
在上述技术方案中,在步骤4)中,结合实际钻井工程做单变量分析,确定出对钻头磨损程度影响最大的因素,优化钻井参数,避免钻头出现严重磨损,延长钻头使用寿命;或者用于定量分析钻头磨损程度,为起下钻更换钻头做决策参考。
本发明所述模型可以在后续使用中扩充数据集不断优化钻头磨损程度计算模型。
本发明的优点和有益效果为:
1、本发明是在统计分析已完成井实际施工数据的基础上完成的分析,实际上是一种统计分析,分析历史井数据的变化特征和规律,其数据反应的特征和规律是实际工程的实际反应。
2、本发明通过将离散型的钻头磨损程度表示转换为连续型数值变量,解决用于机器学习理论的数学困难。采用数据驱动的方式建立钻头磨损程度计算模型,实现钻头磨损程度计算量化分析。
3、本发明通过主要影响因素单变量分析,可以实现1)确定出对钻头磨损程度影响最大的因素,优化钻井参数,避免钻头出现严重磨损,延长钻头使用寿命;2)定量分析钻头磨损程度,为起下钻更换钻头做决策参考。
4、本发明作为一种适用于机器学习的钻头磨损量化评价方法,其磨损程度计算模型可以根据实际需要调整,随着实践井数的增加持续优化计算模型。
附图说明
图1为本发明实施例的关键影响因素单变量分析曲线(转速-磨损程度影响关系)。
图2为本发明实施例的关键影响因素单变量分析曲线(井斜-磨损程度影响关系)。
图3为本发明实施例的钻头磨损程度分析图版(能量特征-磨损程度关系)。
对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合具体实施例进一步说明本发明的技术方案。
实施例1
本发明提供一种适用于机器学习的钻头磨损量化评价方法,包括以下步骤:
步骤1)区域资料收集,收集将渤海某一区块近年钻探的34口井数据为基础,结合区域经验认识及实际需要,选择影响因素为:钻头类型、悬重、钻压、钻头转速等13个因素作为输入特征,输入特征综合反映了钻井工程参数、泥浆性能、钻头早期磨损因素等实际问题,以钻头磨损评价作为分析目标。
步骤2)将步骤1)中34口井的工程数据集按照钻头磨损评价作为标签制作数据集,该数据集可描述为{(x(i),y(i))}(i=1,2,···,m),其中x(i)∈Rn是第i个样本的特征向量,y(i)是训练标签,代表钻头磨损程度。将两个描述内、外排齿磨损的数值之和与16 的相对值表示钻头的磨损程度,实现钻头磨损程度的数值表示,因此这种处理将钻头磨损程度由0~8之间的数字映射到0~1之间,例如钻头磨损评价为3-4,则用百分比43.75%表示钻头磨损程度。通过上述处理,可以将数据集中的实际钻头磨损评价由离散型转换为连续型,作为便于机器学习的数学处理。数据集可以按照8:2比例划分为训练集和验证集。
步骤3)以第2)步的数据集中钻井工程数据为自变量,以钻头磨损程度为因变量,本例采用Logistics回归和小波能量特征两种方法建立钻头磨损程度模型,计算过程采用采用Python语言的机器学习库sklearn和小波分析库PyWavelets提供的方法训练模型。
以钻进扭矩为采集信号,对其进行小波包分解,再计算其中小波包分量能量,第j层每个节点i对应的能量为:
式中xi,k为表示重构信号的离散点的幅值,m为信号离散采样点数。
则总能量为:
各频带能量百分比为:
根据上述方法可以研究PDC钻头在不同磨损条件下各频带能量占比规律,反映钻头磨损程度。
采用Logistic回归模型对钻头磨损程度进行单变量分析,Logistic回归模型的线性变换和Sigmoid函数的数学表达式分别为:
估计函数定义为:p(x)=g(θTx),θ是模型的权值,为待估计参数。p(x)是在状态x下的钻头磨损程度,对某一个状态p(x)=1时为完全磨损,p(x)=0时为未磨损:
Pr(y=1|x;θ)=p(x) (5)
采用极大似然估计,确定权值θ,即可得到Logistics回归模型,这样实现对一个输入 x即可得到一个钻头磨损程度,改变不同状态x分别计算不同的磨损程度实现单变量分析。
步骤4)单变量因素分析,因问题维度高,只能对关键因素进行单变量分析,通过多张图表反应出来,分析主要影响因素影响程度,按照步骤3)中的钻头磨损程度计算模型,分析渤海湾LD油田其中一口井的实时钻井工况,结果如附图1~2所示存在参数临界区域,钻井参数落在临界区域范围内时更应特别注意机械钻速与钻头寿命的平衡,提出优化钻井参数、延长钻头使用寿命;用于定量分析钻头磨损程度如附图3所示,钻头磨损程度与低频带、高频带能量占比之间的对应关系,可通过低频带、高频带能量占比定量分析钻头磨损程度。
本发明所述模型可以在后续使用中扩充数据集不断优化钻头磨损程度计算模型。
以上对本发明做了示例性的描述,应该说明的是,在不脱离本发明的核心的情况下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (5)
1.一种适用于机器学习的钻头磨损量化评价方法,其特征在于,按照下述步骤进行:
步骤1)收集区域钻井工程资料;
步骤2)制作适合于机器学习的数据集;
步骤3)建立钻头磨损程度计算模型;
步骤4)单变量因素分析,做出决策参考。
2.根据权利要求1所述的一种适用于机器学习的钻头磨损量化评价方法,其特征在于:在步骤1)中,所述区域钻井工程资料包括并不限于:钻头尺寸、钻头类型、钻压、转速、扭矩、排量、泵压、钻井液密度、钻井液粘度、地层孔隙压力、纯钻时间、钻头进尺井眼轨迹的井斜或方位和钻头磨损评价。
3.根据权利要求1所述的一种适用于机器学习的钻头磨损量化评价方法,其特征在于:在步骤2)中,将步骤1)中所述工程数据集中的钻头磨损评价方法采用《海洋石油钻井手册》中IADC钻头磨损评价方法,该方法用I-O-D-L-B/S-G-O-R八个参数描述钻头磨损程度和位置信息,其前两个参数分别描述内排齿和外排齿的磨损,用数字0~8呈线性描述切削齿磨损的情况,0表示无磨损或断尺,即为新齿,8表示全部磨损或折断,将两个描述内、外排齿磨损的数值之和与16的相对值表示钻头的磨损程度,实现钻头磨损程度的连续型数值表示,将钻头磨损程度由0~8之间的数字映射到0~1之间,数据集可以按照8:2比例划分为训练集和验证集。
4.根据权利要求1所述的一种适用于机器学习的钻头磨损量化评价方法,其特征在于:在步骤3)中,采用入机器学习领域的回归算法或者神经网络算法,建立由工程参数到钻头磨损程度的计算模型。
5.根据权利要求1所述的一种适用于机器学习的钻头磨损量化评价方法,其特征在于:在步骤4)中,结合实际钻井工程做单变量分析,确定出对钻头磨损程度影响最大的因素,优化钻井参数,避免钻头出现严重磨损,延长钻头使用寿命;或者用于定量分析钻头磨损程度,为起下钻更换钻头做决策参考。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137559.5A CN114021423A (zh) | 2021-09-27 | 2021-09-27 | 一种适用于机器学习的钻头磨损量化评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137559.5A CN114021423A (zh) | 2021-09-27 | 2021-09-27 | 一种适用于机器学习的钻头磨损量化评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021423A true CN114021423A (zh) | 2022-02-08 |
Family
ID=80054811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111137559.5A Pending CN114021423A (zh) | 2021-09-27 | 2021-09-27 | 一种适用于机器学习的钻头磨损量化评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021423A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114658374A (zh) * | 2022-03-18 | 2022-06-24 | 江苏方正环保集团有限公司 | 一种取样钻机自动换杆装置和方法 |
-
2021
- 2021-09-27 CN CN202111137559.5A patent/CN114021423A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114658374A (zh) * | 2022-03-18 | 2022-06-24 | 江苏方正环保集团有限公司 | 一种取样钻机自动换杆装置和方法 |
CN114658374B (zh) * | 2022-03-18 | 2023-03-14 | 江苏方正环保集团有限公司 | 一种取样钻机自动换杆装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2222937B1 (en) | An intelligent drilling advisor | |
CN110110740B (zh) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 | |
US20090132458A1 (en) | Intelligent Drilling Advisor | |
Singh* et al. | Cloud-based ROP prediction and optimization in real-time using supervised machine learning | |
CN109829561B (zh) | 基于平滑处理与网络模型机器学习的事故预测方法 | |
CN108595803B (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
Geramifard et al. | Data-driven approaches in health condition monitoring—a comparative study | |
Chandrasekaran et al. | Drilling efficiency improvement and rate of penetration optimization by machine learning and data analytics | |
CN114021423A (zh) | 一种适用于机器学习的钻头磨损量化评价方法 | |
CN112861438A (zh) | 一种理论模型与数据融合的钻井机械钻速预测方法 | |
CN110671095A (zh) | 一种地质地层压力智能随钻软测量方法 | |
CN114856540A (zh) | 一种基于在线学习的水平井机械钻速随钻预测方法 | |
Shaygan et al. | Prediction of rate of penetration in directional drilling using data mining techniques | |
Inoue et al. | Attempt of early stuck detection using unsupervised deep learning with probability mixture model | |
Cao et al. | Feature investigation on the ROP machine learning model using realtime drilling data | |
CN110472774B (zh) | 基于lstm网络的变工况下刀具剩余寿命预测方法 | |
Efendiyev et al. | Decision-making while drilling wells based on the results of modeling the characteristics of rocks using probabilistic-statistical methods and fuzzy logic | |
CN115640759A (zh) | 一种基于机器学习的卡钻预警方法及系统 | |
CN114444964B (zh) | 钻进过程运行性能评估方法 | |
Fan et al. | Adaptive monitoring for geological drilling process using neighborhood preserving embedding and Jensen–Shannon divergence | |
US11885214B2 (en) | Casing wear and pipe defect determination using digital images | |
CN115438090A (zh) | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 | |
Ambrus et al. | Rate of Penetration Prediction Using Quantile Regression Deep Neural Networks | |
Hao et al. | An Adaptive Method for Accurate Prediction of Rate of Penetration |
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 |