CN114298369A - 一种岩石可钻性分级综合预测模型构建方法 - Google Patents
一种岩石可钻性分级综合预测模型构建方法 Download PDFInfo
- Publication number
- CN114298369A CN114298369A CN202111375841.7A CN202111375841A CN114298369A CN 114298369 A CN114298369 A CN 114298369A CN 202111375841 A CN202111375841 A CN 202111375841A CN 114298369 A CN114298369 A CN 114298369A
- Authority
- CN
- China
- Prior art keywords
- rock
- drillability
- ore
- influence
- neural network
- 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
Landscapes
- Earth Drilling (AREA)
Abstract
本发明公开了一种岩石可钻性分级综合预测模型构建方法,包括以下步骤:基于历史施工数据获取各个影响因素的变量参数值,组合形成样本集;对第一神经网络模型进行训练;第一神经网络模型的输入为各个影响因素的变量参数值,输出为各个影响因素的变量参数值;由训练完毕的第一神经网络模型构建各影响因素的整体交互作用强度矩阵,用于定量描述各个影响因素之间的交互作用强度大小和方向;根据整体交互作用强度矩阵计算得到各影响因素对岩石可钻性权值;基于样本集数据和各影响因素对岩石可钻性权值计算矿岩可钻性分类指标值。本发明建立了岩石可钻性分级综合预测模型,揭示了各个影响因素之间复杂关系以及对岩石可钻性的影响程度。
Description
技术领域
本发明属于矿产资源开采技术领域,具体涉及一种岩石可钻性分级综合预测模型构建方法。
背景技术
在矿产资源的开采过程中,凿岩钻孔是井巷掘进和开采工序的重要环节,也是矿山经济学最重要的参数之一。一般而言,岩石可钻性级值表征了矿岩对钻具破坏的相对抗程阻度,通常选取平均穿孔速度这一指标来评价。
岩石可钻性的研究方法大致可以分为两类:各项岩石物理力学参数和各类统计分析方法。前者通过测试岩石的各项物理力学性能,如肖式硬度值、抗压强度值、抗拉强度值、研磨性、岩石结构参数等,来分析各项指标与可钻性级值的相关关系。后者采用凿碎能量法、岩屑分形法、声波分析法、化学组分分析法及模糊数学理论等,建立数据模型来评价岩石的可钻性级值。由于岩石结构、矿物组分及凿岩机工作参数的差异均可能使得岩石可钻性级值的预测产生偏差,导致单一研究方法无法综合和客观地反映岩石的可钻性。
国内外学者运用RES(Rock Engineer System)理论研究成功解决了许多岩石系统工程问题,通过构建核心交互作用矩阵来分析各个参数之间的作用机理及路径。Hudson最早采用的是二元交互作用矩阵BIM,只考虑了一对变量之间的影响;Y.Jiao和Hudson考虑各变量的交互影响改进了BIM,进一步构建了完全耦合矩阵FCM;T.N.Singh应用神经网络编码法研究了不同材料的磨蚀性、可钻性为凿岩机挑选合适的钻头,国内学者杨英杰、张清等人应用人工神经网络工具率先提出了整体交互作用强度GRSE(Global Relative Strengthof Effect)矩阵,用于揭示各影响因素的相对作用大小和方向;余伟健等运用综合相互作用矩阵GIM分析了地下巷道稳定性;黄琪嵩等引入相对作用强度RSE矩阵构建了煤层自燃危险性预测模型。目前,RES理论被广泛运用于解决模糊的、复杂的岩石系统工程问题,为施工扰动条件下地岩石性态的预测提供了新的途径。
岩石可钻性受多种自然条件、施工参数等影响因素的综合作用,且各因素的的作用机理路径也复杂多变。不同区域的岩石构造和组分不同,而凿岩参数的选择受工人经验影响较大,致使凿岩穿孔速度受到多方面制约。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足,提供一种岩石可钻性分级综合预测模型构建方法,引入岩石工程系统理论RES,将凿岩工程看作一个完整系统,尽可能多地列举系统中的影响因素;以人工神经网络编码法构建整体交互作用矩阵GRSE分析整个系统因素间的交互作用机理路径;综合分析其主要因素及影响权值来预测岩石可钻性的级值和划分可钻性区域。
本发明采用的技术方案是:一种岩石可钻性分级综合预测模型构建方法,其特征在于:包括以下步骤:
S1,基于岩石力学性质和凿岩施工参数获取岩石可钻性的影响因素;
S2,基于历史施工数据获取各个影响因素的变量参数值,组合形成第一样本集;
S3,通过第一样本集对第一神经网络模型进行训练;第一神经网络模型的输入为各个影响因素的变量参数值,输出为各个影响因素的变量参数值;
S4,由训练完毕的第一神经网络模型构建各影响因素的整体交互作用强度矩阵,用于定量描述各个影响因素之间的交互作用强度大小和方向;
S5,根据整体交互作用强度矩阵计算得到各影响因素对岩石可钻性权值;
S6,基于历史施工数据获取各个影响因素的变量参数值及对应平均穿孔速度,组合形成第二样本集;通过第二样本集对第二神经网络模型进行训练;第二神经网络模型的输入为各个影响因素的变量参数值,输出为平均穿孔速度;
基于第二样本集数据和各影响因素对岩石可钻性权值计算矿岩可钻性分类指标值;
S7,定义矿岩可钻性分类指标值的数值范围对应的矿岩可钻难易度,矿岩可钻难易度作为岩石可钻性分级综合预测模型的输出。
上述技术方案中,步骤S1中,影响因素包括:岩石物理力学性质参数:抗压强度、抗拉强度、岩石质量指标;凿岩机工作参数:推进压力、冲击压力、旋转速度;主要矿物组分含量:石膏含量、等效石英含量、铁矿石品位。
上述技术方案中,步骤S4中,训练完毕的第一神经网络模型获取网络权值,基于网络权值对GRSE矩阵进行编码,生成各影响因素的整体交互作用强度矩阵。
上述技术方案中,步骤S6中,定义第二样本集L,L={l1,l2,l3…lr},其中lr={Xr,Yr};lr为第r个样本的影响因素参数变量;Xr表示第r个样本的各个影响因素的变量参数值;Yr表示第r个样本的平均穿孔速度。
上述技术方案中,步骤S4中,对于已训练好的第一神经网络模型,某输入节点i对某输出节点k的整体交互作用强度GRSEki的计算式如下:
其中,C是使得输出的GRSEki的最大值为1的规范化系数;下标j1,j2,…,jn分别指隐含层上相应的节点;W则是隐含层是连接层间节点之间的权值;n取整数;
通过整体作用强度GRSEki建立相应的整体交互作用强度矩阵:
上述技术方案中,步骤S5中,计算各个影响因素的综合影响程度值Si,
GRSEki为输入节点i对输出节点k的综合交互作用强度值;n的取值为影响因素的数量。
根据各个影响因素的综合影响程度值Si计算各个影响因素对岩石可钻性权值为Ui:
上述技术方案中,步骤S6中,矿岩可钻性分类指标值Kp的计算公式如下:
Kp=lr·Ui
其中,lr为第r个样本的各个影响因素参数变量Xi;Ui为各影响因素变量对岩石可钻性的权值。
上述技术方案中,步骤S7中,根据矿岩实际平均穿孔速度将矿岩统计归纳分析,分成易、中等、难和极难四种矿岩可钻难易度状态;根据样本集中平均穿孔速度与矿岩可钻性分类指标值的对应关系确定矿岩可钻性分类指标值的数值范围对应的矿岩可钻难易度
本发明的有益效果是:本发明所采用的步骤比较简单,易于使用。引入岩石工程系统理论RES,将凿岩工程看作一个完整系统,以人工神经网络编码法构建整体交互作用矩阵GRSE分析整个系统因素间的交互作用机理路径是一种创新的办法。该方法在岩石可钻性区域分级及应用中有较好可操作性,具有很好的经济价值。现场根据不同分区调整凿岩施工参数,适应不同区域的具体情况,使得凿岩工效得到了普遍提高,台班穿孔效率提高了15%~20%。
在现代在矿产资源的开采过程中,国内外学者运用RES理论研究成功解决了许多岩石系统工程问题,通过构建核心交互作用矩阵来分析各个参数之间的作用机理及路径。该发明运用RES理论的岩石可钻性综合预测模型,对矿岩物理力学性质、凿岩工作参数和主要矿物组分含量进行综合预测分析,根据预测结果得出矿岩可钻性预测区域,并指导现场凿岩施工。因凿岩工艺适应了不同区域的具体情况,凿岩工效得到了普遍提高
附图说明
图1为体现输入参数对输出参数影响的三层BP网络图。
图2为各因素变量及平均穿孔速度的归一化内部参数值。
图3为各影响因素综合交互作用矩阵GRSE。
图4为综合交互作用矩阵GRSE的三维显示。
图5为各因素对系统的综合作用。
图6为各因素对矿石可钻性的影响。
图7为工程样本的Kp指标点值图。
图8位各类矿岩的Kp值及描述,其中横坐标的工程样本数值为对应的样本序号。
图9为某矿岩可钻性分区图。
图10为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,便于清楚地了解本发明,但它们不对本发明构成限定。
下面将参考附图中示出的若干示例性实施方式来描述本发明的原理和精神。应当理解,描述这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本本发明的范围。
本发明专利提供了一种岩石可钻性分级综合预测模型;所述预测模型基于岩石工程系统(RES)理论,将各种岩石力学性质和凿岩施工参数综合考虑为一个完整系统,采用神经网络编码法构建整体交互作用强度(GRSE)矩阵,建立了岩石可钻性分级综合预测模型,揭示了各个影响因素之间复杂关系以及对岩石可钻性的影响程度。
为了发明一套这样的预测模型,发明人在研究技术原理时付出了大量的创造性劳动,对于原理的研究过程虽然并不等同于本发明实施例的技术方案本身,但是这也是体现本发明创造性的重要部分。
岩石可钻性受多种自然条件、施工参数等影响因素的综合作用,且各因素的作用机理路径也复杂多变。不同区域的岩石构造和组分不同,而凿岩参数的选择受工人经验影响较大,致使凿岩穿孔速度受到多方面制约。因此,引入岩石工程系统理论RES,将凿岩工程看作一个完整系统,尽可能多地列举系统中的影响因素;以人工神经网络编码法构建整体交互作用矩阵GRSE分析整个系统因素间的交互作用机理路径;综合分析其主要因素及影响权值来预测岩石可钻性的级值和划分可钻性区域。
1.综合交互作用矩阵的构建及编码;
为了定量描述岩石工程系统中各个变量之间的交互作用强度大小和方向,需要对GRSE矩阵进行编码。目前,表征非对角线的单元重要性的编码方法主要有二元法(0-1)、专家半定量(ESQ)、曲线斜率法(xi-yi)、偏微分求解法(PDE)、完全数值分析法和人工神经网络法(ANN)。目前应用最成熟、最广泛的BP人工神经网络能够具体地反应各输入变量对各输出变量的复杂作用关系,如图1。
对于已训练好的第一神经网络模型,某输入节点i对某输出节点k的整体交互作用强度GRSEki的计算式如下。通过整体作用强度GRSEki就可以建立相应的整体交互作用强度矩阵。
式中,C是使得输出的GRSEki的最大值为1的规范化系数;j1,j2,…,jn分别指隐含层上相应的节点;W则是连接层间节点之间的权值。
由上式可知,训练好的第一神经网络模型的GRSEki值的大小只与W值有关,即为一个静态不变量。
2.岩石可钻性影响因素综合分析;
对程潮铁矿地质条件和巷道中深孔台车液压凿岩机的工作资料调查分析后,发现影响矿岩可钻性的因素十分复杂,主要包括岩体自身工程地质条件和凿岩施工工作参数等,前者是工程地质基础或物质基础,后者则提供了外力因素或扰动因素。硬质矿物(如石英和磁铁矿)、较高的岩石质量指数(RQD)等都能明显地降低凿岩穿孔速度。凿岩施工参数(如推进压力、冲击压力、旋转速度等)的选择直接影响了凿岩效率。此外,其他硬质矿物组分如长石、斜长石以及硬度相当的矿物含量可以转换为石英含量,即用等效石英含量EQC来反映石英和其他硬质矿物的总含量。
将以上因素细化成如下9种影响因素:岩石物理力学性质参数:抗压强度UCS/MPa(X1)、抗拉强度T/MPa(X2)、岩石质量指标RQD/%(X3);凿岩机工作参数:推进压力F/bar(X4)、冲击压力P/bar(X5)、旋转速度R/rpm(X6);主要矿物组分含量:石膏含量CS/%(X7)、等效石英含量EQC/%(X8)、铁矿石品位TFe/%(X9)。在矿岩凿岩穿孔过程中,这些影响因素共同组成了整个矿岩凿岩系统,系统中的所有因素的变化对凿岩平均穿孔速度m/min(Y)的变化有着直接、间接的影响。图2列出了各影响因素变量和平均穿孔速度的归一化内部值。
3.基于BP网络的交互作用矩阵的建立;
利用MATLAB提供的人工神经网络工具箱,BP网络层间节点激活函数采用对数S型函数Log-Sigmod;权值调整学习算法采用trainlm。第一神经网络模型采用三层网络结构,由影响因素组成的输入节点(X1~X9)和输出节点(X1~X9)都是9个,隐含层节点数取12个,即为9-12-9的网络结构。当学习步数达到400时,检测误差达到了10-2,说明此时第一神经网络模型达到较好的效果。用余下的5个样本进行检验,误差不超过20%。由训练完毕的网络权值W,带入计算式(1)、式(2)得出各影响因素的整体交互作用强度矩阵,如图3。
图3中左边一列为输入参数序号,上面一行为输出参数序号,对角线上的项GRSEik(k=i)为所对应参数的自复合作用,即取值为1。非对角线对应项就是相应的输入参数对输出参数的作用强度GRSEki(k≠i)大小,对应项的符号表示其复合交互作用。例如,GRSE19、GRSE29为铁矿石品位(X9)对应岩石抗压强度(X1)、抗拉强度(X2)正号项,表示前者对后者推动作用的程度值。图3中的大多数项并不为零,由此可见各参数间的相互作用非常复杂。
对上图中的数据,可以更形象化地用图形来说明,如图4。
4.矿岩凿岩系统的综合因素分析;
为了分析出影响矿岩凿岩系统中的主要因素,定义各影响因素对整个系统的综合影响程度值Si并作各影响因素对系统的综合影响图5。
式中Si为综合影响作用值;GRSEki为输入节点i对输出节点k的综合交互作用强度值;n=1,2,…,9;i=1,2,…,9。
由图5可看出,可以看出抗压强度、抗拉强度、RQD、冲击压力、EQC和铁矿石品位对凿岩系统的影响表现积极,即对其他影响因素具有推动作用;而推进压力、旋转速度、石膏含量则相反,对其他因素有减弱作用。影响系统的主要因素为:抗拉强度、RQD、石膏含量、铁矿石品位。其中,铁矿石品位、石英含量和RQD与岩石抗压强度、抗压强度成正相关;石膏含量与岩石抗压强度、抗拉强度成负相关;冲击压力与推进压力和旋转速度关联性较强。
5.岩石可钻性的主要影响分析;
为进一步研究影响岩石可钻性的主要因素,同样采取以上训练法。将以上9个影响因素的变量参数值及对应平均穿孔速度组合为一整个样本集L,写作L={l1,l2,l3…lr},其中lr={Xr,Yr}。将前30个样本作为学习样本,余下的5个样本作为检测样本。通过样本集对第二神经网络模型进行训练;第二神经网络模型的输入为各个影响因素的变量参数值,输出为平均穿孔速度。利用MATLAB提供的人工神经网络工具箱对其进行训练。此时的网络模型具有9个输入节点(X1~X9)和一个输出节点Y(平均穿孔速度),即9-12-1的网络结构。同样选用30个样本进行模式识别研究,当迭代步数达到150时,输出参数和目标参数的误差达到10-2,这说明网络性能良好。用余下的5个样本进行检验,同时误差不超过15%。
由所训练好的第二神经网络模型可得出各影响因素对岩石可钻性的影响值如图6所示。图6中可以看出,RQD、石膏含量、铁矿石品位和冲击压力可钻性影响值绝对值最大。抗压强度、抗拉强度、RQD、冲击压力和铁矿石品位对矿石可钻性的影响为正值,说明其参数值输入越大,矿岩可钻性输出值越大,矿岩抵抗钻具破碎的能力越强;而石膏含量、推进压力、旋转速度对矿岩可钻性的影响为负值,说明其参数输入值越大,矿岩可钻性的输出值越小,矿岩抵抗钻具破碎的能力越弱。
定义各因素对岩石可钻性权值为Ui:
将各影响因素的综合影响程度值带入式中计算得各因素对岩石可钻性的权值Ui。其中,RQD、石膏含量、铁矿石品位和冲击压力的权值Ui分别为0.18、-0.17、0.13、0.14。
6.分析岩石可钻性级值;
为了更好地对岩石可钻性区域分级,现将收集的样本集L的可钻性级值进行分类,作Kp指标点值图7。图中表示了各个输入状态下对应的Kp值;根据矿岩实际平均穿孔速度(Y)及Kp值将矿岩统计归纳分析,分成易、中等、难和极难(Ⅰ、Ⅱ、Ⅲ和Ⅳ)这四种状态,并由实际样本得出各个输入状态下Kp值范围以及矿岩的具体描述,如图8;
Kp=lr·Ui
Kp为矿岩可钻性分类指标值;lr为第r个样本的各个影响因素值Xi;Ui为各因素变量对岩石可钻性的权值。
7.岩石可钻性区域分级及应用;
岩石力学性质、矿物组分和凿岩工作参数综合影响了凿岩穿孔效率,矿区内不同区域的矿岩岩石力学性质和化学组分持续变化,凿岩工作参数也在变动。因此,矿山岩石可钻性区域分级具有实际工程意义。
通过对矿山矿岩物理力学性质、凿岩工作参数和主要矿物组分含量综合分析,计算出矿岩可钻性的综合指标值Kp,根据预测结果将该水平分为四类矿岩可钻性预测区域,如图9。硬质矿岩需要的破岩冲击能量较高,适配低推进力、高冲击压力、低旋转速度的凿岩台车工作参数;而软岩、中等硬质矿岩需要破岩冲击能量较低,凿岩台车工作参数需要调整为高推进力、低冲击压力、高旋转速度。
本发明公开的是一种基于RES理论,将岩石力学性质与凿岩参数综合考虑的岩石可钻性分级综合预测模型。该预测模型可根据现场不同分区调整凿岩施工参数;因凿岩工艺适应了不同区域的具体情况,凿岩工效得到了普遍提高,可将台班穿孔效率提高了15%~20%。本发明采用神经网络编码法构建整体交互作用强度(GRSE)矩阵,来对岩石可钻性进行预测,只有通过本方案能达到。其他在方案基础上无明显区别于本方案的创新点的技术方案,皆可以是为在本方案的范围内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种岩石可钻性分级综合预测模型构建方法,其特征在于:包括以下步骤:
S1,基于岩石力学性质和凿岩施工参数获取岩石可钻性的影响因素;
S2,基于历史施工数据获取各个影响因素的变量参数值,组合形成第一样本集;
S3,通过第一样本集对第一神经网络模型进行训练;第一神经网络模型的输入为各个影响因素的变量参数值,输出为各个影响因素的变量参数值;
S4,由训练完毕的第一神经网络模型构建各影响因素的整体交互作用强度矩阵,用于定量描述各个影响因素之间的交互作用强度大小和方向;
S5,根据整体交互作用强度矩阵计算得到各影响因素对岩石可钻性权值;
S6,基于历史施工数据获取各个影响因素的变量参数值及对应平均穿孔速度,组合形成第二样本集;通过第二样本集对第二神经网络模型进行训练;第二神经网络模型的输入为各个影响因素的变量参数值,输出为平均穿孔速度;
基于第二样本集数据和各影响因素对岩石可钻性权值计算矿岩可钻性分类指标值;
S7,定义矿岩可钻性分类指标值的数值范围对应的矿岩可钻难易度,矿岩可钻难易度作为岩石可钻性分级综合预测模型的输出。
2.根据权利要求1所述的一种岩石可钻性分级综合预测模型构建方法,其特征在于:步骤S1中,影响因素包括:岩石物理力学性质参数:抗压强度、抗拉强度、岩石质量指标;凿岩机工作参数:推进压力、冲击压力、旋转速度;主要矿物组分含量:石膏含量、等效石英含量、铁矿石品位。
3.根据权利要求1所述的一种岩石可钻性分级综合预测模型构建方法,其特征在于:步骤S4中,训练完毕的第一神经网络模型获取网络权值,基于网络权值对GRSE矩阵进行编码,生成各影响因素的整体交互作用强度矩阵。
4.根据权利要求1所述的一种岩石可钻性分级综合预测模型构建方法,其特征在于:步骤S6中,定义第二样本集L,L={l1,l2,l3…lr},其中lr={Xr,Yr};lr为第r个样本的影响因素参数变量;Xr表示第r个样本的各个影响因素的变量参数值;Yr表示第r个样本的平均穿孔速度。
7.根据权利要求2所述的一种岩石可钻性分级综合预测模型构建方法,其特征在于:步骤S6中,矿岩可钻性分类指标值Kp的计算公式如下:
Kp=lr·Ui
其中,lr为第r个样本的各个影响因素参数变量Xi;Ui为各影响因素变量对岩石可钻性的权值;i表示对应的影响因素编号。
8.根据权利要求7所述的一种岩石可钻性分级综合预测模型构建方法,其特征在于:步骤S7中,根据矿岩实际平均穿孔速度将矿岩统计归纳分析,分成易、中等、难和极难四种矿岩可钻难易度状态;根据第二样本集中平均穿孔速度与矿岩可钻性分类指标值的对应关系确定矿岩可钻性分类指标值的数值范围对应的矿岩可钻难易度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111375841.7A CN114298369A (zh) | 2021-11-19 | 2021-11-19 | 一种岩石可钻性分级综合预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111375841.7A CN114298369A (zh) | 2021-11-19 | 2021-11-19 | 一种岩石可钻性分级综合预测模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298369A true CN114298369A (zh) | 2022-04-08 |
Family
ID=80966404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111375841.7A Pending CN114298369A (zh) | 2021-11-19 | 2021-11-19 | 一种岩石可钻性分级综合预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298369A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115407046A (zh) * | 2022-08-05 | 2022-11-29 | 西南石油大学 | 基于岩石细观结构与等效石英含量的研磨性综合表征方法 |
-
2021
- 2021-11-19 CN CN202111375841.7A patent/CN114298369A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115407046A (zh) * | 2022-08-05 | 2022-11-29 | 西南石油大学 | 基于岩石细观结构与等效石英含量的研磨性综合表征方法 |
CN115407046B (zh) * | 2022-08-05 | 2024-04-16 | 西南石油大学 | 基于岩石细观结构与等效石英含量的研磨性综合表征方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grima et al. | Modeling tunnel boring machine performance by neuro-fuzzy methods | |
Abbas et al. | Drilling rate of penetration prediction of high-angled wells using artificial neural networks | |
Mahmoud et al. | Artificial neural networks model for prediction of the rate of penetration while horizontally drilling carbonate formations | |
Taheri et al. | Drilling penetration rate estimation using rock drillability characterization index | |
Abbas et al. | Modeling rate of penetration for deviated wells using artificial neural network | |
Shi et al. | A fuzzy c-means algorithm guided by attribute correlations and its application in the big data analysis of tunnel boring machine | |
Elkatatny | Real-time prediction of rate of penetration while drilling complex lithologies using artificial intelligence techniques | |
Grima et al. | Forecasting rock trencher performance using fuzzy logic | |
Akin et al. | Estimating drilling parameters for diamond bit drilling operations using artificial neural networks | |
Abbas et al. | Predicting the amount of lost circulation while drilling using artificial neural networks: An example of Southern Iraq oil fields | |
CN110852908A (zh) | 围岩分级方法 | |
Rahimzadeh et al. | Comparison of the penetration rate models using field data for one of the gas fields in Persian Gulf Area | |
Wang et al. | Intelligent classification model of surrounding rock of tunnel using drilling and blasting method | |
Basarir et al. | The use of soft computing methods for the prediction of rock properties based on measurement while drilling data | |
Abbas et al. | Drill bit selection optimization based on rate of penetration: application of artificial neural networks and genetic algorithms | |
Salimi et al. | TBM performance prediction in rock tunneling using various artificial intelligence algorithms | |
Saeidi et al. | Development of a new index to assess the rock mass drillability | |
CN114298369A (zh) | 一种岩石可钻性分级综合预测模型构建方法 | |
Ren et al. | Predicting Rate of Penetration of Horizontal Drilling by Combining Physical Model with Machine Learning Method in the China Jimusar Oil Field | |
Elzenary | Real-time solution for down hole torque estimation and drilling optimization in high deviated wells using Artificial intelligence | |
Mahmoud et al. | A Self-Adaptive Artificial Neural Network Technique to Estimate Static Young's Modulus Based on Well Logs | |
De Moura et al. | Physics-Based Rate of the Penetration Prediction Model for Fixed Cutter Drill Bits | |
Ma et al. | Directional fast drilling technology in Yanchang gas field with quartz sandstone geology | |
Hou et al. | Research Article Optimization and Application of Bit Selection Technology for Improving the Penetration Rate | |
CN113279747B (zh) | 一种钻探泥浆配方和性能参数调配的系统及方法 |
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 |