CN114399209A - 基于边云一体的钻井作业风险预测方法、系统及设备 - Google Patents
基于边云一体的钻井作业风险预测方法、系统及设备 Download PDFInfo
- Publication number
- CN114399209A CN114399209A CN202210052905.8A CN202210052905A CN114399209A CN 114399209 A CN114399209 A CN 114399209A CN 202210052905 A CN202210052905 A CN 202210052905A CN 114399209 A CN114399209 A CN 114399209A
- Authority
- CN
- China
- Prior art keywords
- processing
- drilling operation
- working mode
- prediction
- cloud
- 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 197
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000010354 integration Effects 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 214
- 230000015654 memory Effects 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 12
- 238000003909 pattern recognition Methods 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 description 28
- 239000011148 porous material Substances 0.000 description 28
- 238000010586 diagram Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000011065 in-situ storage Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Numerical Control (AREA)
Abstract
本说明书涉及钻井作业风险预测技术领域,提供了一种基于边云一体的钻井作业风险预测方法、系统及设备,该方法包括:获取钻井作业的现场返回数据;根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度;根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式;所述工作模式包括边缘端独立工作模式、云端独立工作模式和边云协同工作模式;根据确定的工作模式预测所述钻井作业的作业风险。本说明书实施例可以提高钻井作业风险预测的及时性和准确性。
Description
技术领域
本说明书涉及钻井作业风险预测技术领域,尤其是涉及一种基于边云一体的钻井作业风险预测方法、系统及设备。
背景技术
在油气的开采过程中,钻井工程是开发和勘探的重要环节,且相较于其它工程,钻井工程危险系数非常之高。在实际钻井过程中,若应对不当,轻则造成溢流、卡钻、井塌、井斜,重则引发井漏、井喷、有毒有害气体逸散等重大事故,对钻井过程和施工人员产生严重威胁。因此,对钻井作业风险进行预警的意义重大。
目前应对钻井作业的风险的主要手段有:对安全风险因素进行分析、构建风险管理评价指标体系、建立风险评价模型,最终搭建钻井工程项目安全风险预测体系;以及用人工神经网络大规模处理非线性信息的能力进行复杂的工艺风险分析,实现风险预测。但是,这些钻井作业风险应对手段难以保证钻井作业风险预测的及时性和准确性。
发明内容
本说明书实施例的目的在于提供一种基于边云一体的钻井作业风险预测方法、系统及设备,以提高钻井作业风险预测的及时性和准确性。
为达到上述目的,一方面,本说明书实施例提供了一种基于边云一体的钻井作业风险预测方法,包括:
获取钻井作业的现场返回数据;
根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度;
根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式;所述工作模式包括边缘端独立工作模式、云端独立工作模式和边云协同工作模式;
根据确定的工作模式预测所述钻井作业的作业风险。
本说明书实施例的基于边云一体的钻井作业风险预测方法,所述根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度,包括:
将所述现场返回数据的数值与对应的预设范围进行比较,并根据比较结果确定是否存在钻井作业问题;
当存在钻井作业问题时,确定钻井作业问题的问题类型;
通过查询问题类型与处理紧急度对应关系表,确定所述问题类型的处理紧急度;
通过查询问题类型与处理精度对应关系表,确定所述问题类型的处理精度;
通过查询问题类型与算力消耗度对应关系表,确定所述问题类型的算力消耗度;
通过所述现场返回数据的数据量、发送时间和接收时间,确定所述边缘端与所述云端之间的网络质量。
本说明书实施例的基于边云一体的钻井作业风险预测方法,所述根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式,包括:
将所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度的加权和作为处理等级;
当所述处理等级达到处理等级阈值时,执行协同工作模式的识别处理;
当所述处理等级未达到处理等级阈值时,执行独立工作模式的识别处理。
本说明书实施例的基于边云一体的钻井作业风险预测方法,所述执行独立工作模式的识别处理,包括:
判断是否存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端;
若存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则选择独立工作模式为边缘端独立工作模式;
若不存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则选择独立工作模式为云端独立工作模式。
本说明书实施例的基于边云一体的钻井作业风险预测方法,所述执行协同工作模式的识别处理,包括:
分别确定所述处理精度和所述算力消耗度在所述问题类型中的影响权重;
当所述处理精度在所述问题类型中的影响权重大于所述算力消耗度在所述问题类型中的影响权重时,选择协同工作模式为精度优先的边云协同工作模式;
当所述处理精度在所述问题类型中的影响权重不大于所述算力消耗度在所述问题类型中的影响权重时,选择协同工作模式为效率优先的边云协同工作模式。
本说明书实施例的基于边云一体的钻井作业风险预测方法,所述精度优先的边云协同工作模式的处理逻辑包括:
基于边缘端预测所述钻井作业的作业风险,获得第一预测结果,并基于云端预测所述钻井作业的作业风险,获得第二预测结果;
分别计算所述第一预测结果和所述第二预测结果的预测评价指标值;
判断所述第一预测结果和所述第二预测结果的预测评价指标值是否有达到指标阈值者;
当有达到所述指标阈值者时,将预测评价指标值较大者对应的预测结果作为最终预测结果;
当无达到所述指标阈值者时,更换边缘端及云端的钻井作业风险预测算法并重新预测。
本说明书实施例的基于边云一体的钻井作业风险预测方法,所述效率优先的边云协同工作模式的处理逻辑包括:
将钻井作业问题拆分为多个预测子任务;
将所述多个预测子任务分发至多个边缘端进行并行处理,获得多个预测子结果;
将所述多个预测子结果组合成完整的预测结果
另一方面,本说明书实施例还提供了一种基于边云一体的钻井作业风险预测系统,包括:
获取模块,用于获取钻井作业的现场返回数据;
识别模块,用于根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度;
确定模块,用于根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式;所述工作模式包括边缘端独立工作模式、云端独立工作模式和边云协同工作模式;
预测模块,用于根据确定的工作模式预测所述钻井作业的作业风险。
另一方面,本说明书实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述方法的指令。
另一方面,本说明书实施例还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
由以上本说明书实施例提供的技术方案可见,本说明书实施例可以基于钻井作业的现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度,并基于这些参数从边缘端独立工作模式、云端独立工作模式和边云协同工作模式中,决策出合适的工作模式,并根据确定的工作模式预测钻井作业的作业风险;实现了边缘端预测和云端预测的优势互补,从而提高了钻井作业风险预测的及时性和准确性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了本说明书一些实施例中基于边云一体的钻井作业风险预测系统的结构框图;
图2示出了本说明书一些实施例中基于边云一体的钻井作业风险预测方法的流程图;
图3示出了图2所示钻井作业风险预测方法中识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度的流程图;
图4示出了图2所示钻井作业风险预测方法中识别工作模式的流程图;
图5示出了图2所示钻井作业风险预测方法中识别独立工作模式的流程图;
图6示出了图2所示钻井作业风险预测方法中识别边云协同工作模式的流程图;
图7示出了图2所示钻井作业风险预测方法中精度优先的边云协同工作模式的处理逻辑流程图;
图8示出了图2所示钻井作业风险预测方法中效率优先的边云协同工作模式的处理逻辑流程图;
图9a示出了本说明书一实施例中示例井1基于边缘端预测得到的地层孔隙压力及地层孔隙压力当量密度的示意图;
图9b示出了本说明书一实施例中示例井2基于边缘端预测得到的地层孔隙压力及地层孔隙压力当量密度的示意图;
图10a示出了本说明书一实施例中示例井1基于云端预测得到的地层孔隙压力的示意图;
图10b示出了本说明书一实施例中示例井2基于云端预测得到的地层孔隙压力的示意图;
图11示出了本说明书一些实施例中基于边云一体的钻井作业风险预测系统的结构框图;
图12示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
10、边缘端;
20、云端;
111、获取模块;
112、识别模块;
113、确定模块;
114、预测模块;
1202、计算机设备;
1204、处理器;
1206、存储器;
1208、驱动机构;
1210、输入/输出接口;
1212、输入设备;
1214、输出设备;
1216、呈现设备;
1218、图形用户接口;
1220、网络接口;
1222、通信链路;
1224、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
钻井工程项目风险具有更加明显的严重性、差异性、多样性、隐蔽性以及变化性等特征,故使得事故的发生率较为频繁。鉴于当前已有的单一的钻井作业风险评估、预警技术,难以保证钻井作业风险预测的及时性和准确性,本说明书实施例提供了基于边云一体的钻井作业风险预测方案。
图1示出了本说明书一些实施例中基于边云一体的钻井作业风险预测系统,其可以包括云端20和多个边缘端10。边缘端10和云端20均可以独立进行钻井作业风险预测,也可以协同进行钻井作业风险预测。因此,本说明书实施例中的边云一体即是指将边缘端10和云端20相结合,以协同进行钻井作业风险预测。其中,边缘端10是指设置于钻井作业现场的本地预测端。在一些实施例中,边缘端10可以是配置有钻井作业风险预测软件的计算机设备等。边缘端10通过将计算、存储与网络等资源放入现场环境,因而可以及时地实现钻井作业预测;适用于钻井作业问题较为简单且处理时效性要求高的场景。云端20即为云端服务器,相对于钻井作业现场而言,属于远程预测端;由于云端20拥有着更高的运算处理能力和更多的处理手段,综合性能远强于边缘端10;并且在应用的过程中,具有动态化、自主化、计量化以及灵活性的特点;适用于钻井作业问题较为复杂且处理时效性要求相对较低的场景。因此,将边缘端10和云端20相结合,可以形成优势互补,从而可以及时、准确地对钻井作业做出风险预测。
本说明书实施例提供了一种基于边云一体的钻井作业风险预测方法,可以应用于上述的钻井作业风险预测系统侧。参考图2所示,在一些实施例中,所述基于边云一体的钻井作业风险预测方法,可以包括以下步骤:
步骤201、获取钻井作业的现场返回数据。
步骤202、根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度。
步骤203、根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式;所述工作模式包括边缘端独立工作模式、云端独立工作模式和边云协同工作模式。
步骤204、根据确定的工作模式预测所述钻井作业的作业风险。
本说明书实施例的基于边云一体的钻井作业风险预测方法中,可以基于钻井作业的现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度,并基于这些参数从边缘端独立工作模式、云端独立工作模式和边云协同工作模式中,决策出合适的工作模式,并根据确定的工作模式预测钻井作业的作业风险;实现了边缘端预测和云端预测的优势互补,从而提高了钻井作业风险预测的及时性和准确性。
现场返回数据可反映钻井作业的现场实时状况,因此,基于分析钻井作业的现场返回数据可以预测识别钻井作业是否存在问题风险。在一些实施例中,现场返回数据可以包括但不限于钻井数据、录井数据和测井数据等。钻井作业监控设备可以实时地将钻井作业的现场返回数据提供给钻井作业风险预测系统,使得钻井作业风险预测系统可以实时获取到钻井作业的现场返回数据。
研究表明,基于钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度,可以较为客观全面地表征钻井作业的现场实时状况。因此,根据现场返回数据识别出的钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度,可以为后续对不同的钻井作业问题决策出最为合适的预测处理模式,提供客观可靠的决策参考基础。
问题类型表征了钻井作业问题所属的问题类型以及严重程度;问题类型可以通过等级评价指标表示,等级越高,问题越严重。处理紧急度反应钻井作业现场对于解决钻井作业问题的迫切程度;处理紧急度可以通过等级评价指标表示,等级越高,迫切程度越高。处理精度为钻井作业现场对于预测结果所需的精确性要求;处理精度可以通过等级评价指标表示,等级越高,精度要求越高。网络质量是反应当前边缘端与云端之间的通信质量参数(包括网络带宽、网络稳定性等);网络质量可以通过等级评价指标表示,等级越高,网络质量越好。算力消耗度表征解决钻井作业问题所需要耗费的算力资源;算力消耗度可以通过等级评价指标表示,等级越高,算力消耗越大。
参考图3所示,在一些实施例中,根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度,可以包括以下步骤:
步骤301、将所述现场返回数据的数值与对应的预设范围进行比较,获得比较结果。
例如,在一示例性实施例中,以地层孔隙压力为例,可以将现场返回数据中的地层孔隙压力与预设的地层孔隙压力范围进行比较,从而获得比较结果。
步骤302、根据比较结果判断是否存在钻井作业问题;如果是则执行步骤303,否则继续获取钻井作业的现场返回数据(即跳转执行上述步骤201),以进行下一轮处理。
例如,在一示例性实施例中,以地层孔隙压力为例,可以将现场返回数据中的地层孔隙压力与预设的地层孔隙压力范围进行比较,当现场返回数据中的地层孔隙压力高于地层孔隙压力范围的上限值,或者低于地层孔隙压力范围的下限值时,表明存在地层孔隙压力异常的问题(一种钻井作业问题)。
步骤303、确定钻井作业问题的问题类型。
可以根据比较对象和比较结果确定钻井作业问题的问题类型。例如,在一示例性实施例中,以地层孔隙压力为例,当现场返回数据中的地层孔隙压力高于地层孔隙压力范围的上限值时,问题类型可以为地层孔隙压力偏高,根据偏高的程度可以确定其所属的偏高等级(例如,地层孔隙压力偏高一级)。当现场返回数据中的地层孔隙压力低于地层孔隙压力范围的下限值时,问题类型可以为地层孔隙压力偏低,根据偏低的程度可以确定其所属的偏低等级(例如,地层孔隙压力偏低二级)。
步骤304a、通过查询问题类型与处理紧急度对应关系表,确定所述问题类型的处理紧急度。
可以预先统计钻井作业可能出现的各种问题,并根据问题对钻井作业的影响程度或危害程度,为每种问题预设处理紧急度,从而形成问题类型与处理紧急度对应关系表。在步骤303确定钻井作业问题的问题类型的基础上,根据该问题类型查询问题类型与处理紧急度对应关系表,即可以匹配出该问题类型所对应的处理紧急度。
步骤304b、通过查询问题类型与处理精度对应关系表,确定所述问题类型的处理精度。
可以预先统计钻井作业可能出现的各种问题,并根据问题对钻井作业的影响程度或危害程度,为每种问题预设处理精度,从而形成问题类型与处理精度对应关系表。在步骤303确定钻井作业问题的问题类型的基础上,根据该问题类型查询问题类型与处理精度对应关系表,即可以匹配出该问题类型所对应的处理精度。
步骤304c、通过查询问题类型与算力消耗度对应关系表,确定所述问题类型的算力消耗度。
可以预先统计钻井作业可能出现的各种问题,并处于各种问题的历史数据为每种问题预设算力消耗度,从而形成问题类型与算力消耗度对应关系表。在步骤303确定钻井作业问题的问题类型的基础上,根据该问题类型查询问题类型与算力消耗度对应关系表,即可以匹配出该问题类型所对应的算力消耗度。
步骤304d、通过所述现场返回数据的数据量、发送时间和接收时间,确定所述边缘端与所述云端之间的网络质量。
当然,在其他实施例中,也可以通过网络质量测试工具对边缘端与云端之间的网络进行检测,以确定网络质量。
上述步骤304a~步骤304d可以并行执行,以提高处理效率;根据需要,也可以顺序执行,本说明书对此不作限定。
参考图4所示,在一些实施例中,根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式,可以包括以下步骤:
步骤401、将所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度的加权和作为处理等级。
处理等级可综合反映钻井作业问题的复杂程度,处理等级越高,复杂程度越高。因此,处理等级可用于决策处理钻井作业问题的工作模式。其中,问题类型、处理紧急度、处理精度、网络质量和算力消耗度的加权和可以根据以下公式计算:
处理等级=问题类型(t)*权重a+处理精度(i)*权重b+处理紧急度(e)*权重c+网络质量(n)*权重d+算力消耗度(s)*权重f;其中,权重a、权重b、权重c、权重d和权重f可以预先设定,且总权重之和为1。各个参数(如问题类型、处理精度、处理精度等)的评价指标均设置为1~10级。
步骤402、判断处理等级是否达到处理等级阈值;如果处理等级达到处理等级阈值,则执行步骤403;否则执行步骤404。
步骤403、当所述处理等级达到处理等级阈值时,执行协同工作模式的识别处理。
处理等级越高,表明问题越复杂;因此,当处理等级达到预设的处理等级阈值时,可以选择协同工作模式(即边缘端与云端协同的工作模式)。由于协同工作模式可以分为多种模式,需要进一步识别采用何种协同工作模式,以利于决策出最佳的协同工作模式,因此,当处理等级达到预设的处理等级阈值时,可以执行协同工作模式的识别处理。
步骤404、当所述处理等级未达到处理等级阈值时,执行独立工作模式的识别处理。
处理等级越低,表明问题越简单;因此,当处理等级未达到预设的处理等级阈值时,可以选择独立工作模式。由于独立工作模式又可以包括边缘端独立工作模式和云端独立工作模式;需要进一步识别采用何种协同工作模式,以利于决策出最佳的独立工作模式;因此,当处理等级未达到预设的处理等级阈值时,可以执行独立工作模式的识别处理。
参考图5所示,在一些实施例中,执行独立工作模式的识别处理,可以包括以下步骤:
步骤501、判断是否存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端。如果存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则执行步骤502,否则执行步骤503。
在问题类型确定的情况下,可以从所有的空闲边缘端中,寻找其处理性能同时满足该问题类型对应的处理紧急度要求和处理精度要求的空闲边缘端;当满足问题类型的处理紧急度和处理精度要求的空闲边缘端有多个时,优选距离问题井最近的空闲边缘端,以进一步提高预测及时性。其中,空闲边缘端是指:当前处于空闲状态的边缘端;问题井是指出现该问题的井。
步骤502、若存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则选择独立工作模式为边缘端独立工作模式。例如,在图9a和图9b所示的实施例中,分别示出了示例井1和示例井2基于边缘端预测得到的地层孔隙压力。
由于边缘端位于钻井作业现场,在问题相对简单的场景下,边缘端的预测实时性要优于云端。因此,若存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则优先选择独立工作模式为边缘端独立工作模式,以提高预测及时性。
步骤503、若不存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则选择独立工作模式为云端独立工作模式。例如,在图10a和图10b所示的实施例中,分别示出了示例井1和示例井2基于云端预测得到的地层孔隙压力。
当不存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端时,可以退而求其次选择云端独立工作模式,以在独立工作模式下完成对钻井作业的作业风险预测。
参考图6所示,在一些实施例中,执行协同工作模式的识别处理,可以包括以下步骤:
步骤601、分别确定所述处理精度和所述算力消耗度在所述问题类型中的影响权重。
对于相对复杂的钻井作业问题,也存在不同的处理精度要求和处理紧急度要求。其中,这些要求所对应的影响权重可以预先配置,即可以针对不同的钻井作业问题配置不同的处理精度权重和处理紧急度权重,从而形成问题与权重对应关系表;因此基于问题类型查询问题与权重对应关系表,即可以确定处理精度和算力消耗度在该问题类型中的影响权重。
步骤602、判断处理精度在所述问题类型中的影响权重是否大于所述算力消耗度在所述问题类型中的影响权重;如果大于,则执行步骤603,否则执行步骤604。
步骤603、当所述处理精度在所述问题类型中的影响权重大于所述算力消耗度在所述问题类型中的影响权重时,选择协同工作模式为精度优先的边云协同工作模式。
对于同一个钻井作业问题而言,若其处理精度权重大于处理紧急度权重,则表明该钻井作业问题以满足处理精度要求为优先;因此,可以选择协同工作模式为精度优先的边云协同工作模式。
步骤604、当所述处理精度在所述问题类型中的影响权重不大于所述算力消耗度在所述问题类型中的影响权重时,选择协同工作模式为效率优先的边云协同工作模式。
对于同一个钻井作业问题而言,若其处理精度权重不大于处理紧急度权重,则表明该钻井作业问题以满足处理紧急度要求为优先;因此,可以选择协同工作模式为效率优先的边云协同工作模式。
参考图7所示,在一些实施例中,所述精度优先的边云协同工作模式的处理逻辑可以包括以下步骤:
步骤701、基于边缘端预测所述钻井作业的作业风险,获得第一预测结果,并基于云端预测所述钻井作业的作业风险,获得第二预测结果。
在一些实施例中,预测结果可以包括预测时长范围(例如未来1分钟、5分钟、10分钟等内)内的现场返回数据预测值。
步骤702、分别计算所述第一预测结果和所述第二预测结果的预测评价指标值。
在一实施例中,预测评价指标值可以为准确率(Accuracy)或精确率((Precision)等指标。
步骤703、判断所述第一预测结果和所述第二预测结果的预测评价指标值是否有达到指标阈值者;如果有达到指标阈值者,执行步骤704;否则执行步骤706。
判断所述第一预测结果和所述第二预测结果的预测评价指标值是否有达到指标阈值者即为:判断所述第一预测结果的预测评价指标值是否达到指标阈值,并判断判断所述第二预测结果的预测评价指标值是否达到指标阈值。其中,指标阈值是预先根据处理精度要求设置的比较基准。
步骤704、将预测评价指标值较大者对应的预测结果作为最终预测结果。
当有达到指标阈值者,则表明第一预测结果的预测评价指标值和第二预测结果的预测评价指标值中,至少有一个达到了指标阈值;因此,将预测评价指标值较大者对应的预测结果作为最终预测结果,可以确保最终预测结果满足处理精度要求。
步骤705、更新预测评价指标值较小者对应的钻井作业风险预测算法。
通过更新预测评价指标值较小者对应的钻井作业风险预测算法,可以提高钻井作业风险预测的准确性。例如,在钻井作业过程的地层孔隙压力预测中,若边缘端使用伊顿法(Eaton)得到的预测结果不如云端采用其他算法(例如基于决策树、随机森林、神经网络、深度学习、强化学习算法等机器学习模型预训练的智能预测算法)得到的预测结果准确时,云端可以从位于算法数据库中调用伊顿法,不断优化伊顿法的参数,使得优化后的伊顿法的预测结果与云端的预测结果误差最小,并将优化后的伊顿法返回该边缘端,以替换该边缘端此前的伊顿法。
步骤706、更换边缘端及云端的钻井作业风险预测算法,然后跳转执行步骤701。
本说明书实施例中,考虑到边缘端的性能相对较弱,边缘端可以仅配置一个钻井作业风险预测算法;或者针对每种钻井作业问题,边缘端可以仅配置一个对应的钻井作业风险预测算法。考虑到云端的性能相对较强,针对每种钻井作业问题,云端可以配置多个钻井作业风险预测算法,从而形成算法数据库;不同的钻井作业风险预测算法不同的应用场景下的预测性能可能不同;同一个钻井作业风险预测算法在参数调整前后的预测性能也可能不同。
因此,当无达到指标阈值者时,为了提高后续预测的预测准确性,可以更换边缘端及云端的钻井作业风险预测算法。具体的,云端可以更换针对该钻井作业问题的默认钻井作业风险预测算法,并将更换后的默认钻井作业风险预测算法返回给边缘端,以便于边缘端也可以进行对应更换。当然,在其他实施例中,边缘端和云端也可以更换为不同的钻井作业风险预测算法;例如,边缘端由Eaton法更换为Bowers法或Dc指数法等;云端由基于决策树预训练的预测模型更换为基于神经网络预训练的预测模型。
参考图8所示,在一些实施例中,所述效率优先的边云协同工作模式的处理逻辑可以包括以下步骤:
步骤801、将钻井作业问题拆分为多个预测子任务。
将一个钻井作业问题拆分为多个预测子任务的目的是为了方便后续进行并行处理。当然,当存在多个钻井作业问题时,也可以将多个钻井作业问题分配给多个边缘端进行并行处理。
步骤802、将所述多个预测子任务分发至多个边缘端进行并行处理,获得多个预测子结果。
步骤803、将所述多个预测子结果组合成完整的预测结果。
如此,通过并行处理,可以大幅缩短钻井作业风险预测的耗时,从而进一步提高钻井作业风险预测的及时性和效率。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
本说明书实施例中,步骤204中根据确定的工作模式预测所述钻井作业的作业风险,即为根据选定的工作模式所对应的钻井作业风险预测算法,对钻井作业进行作业风险预测。例如,当选定的工作模式为边缘端独立工作模式,被选中的边缘端可以基于预先配置的钻井作业风险预测算法,对钻井作业进行作业风险预测。
与上述的基于边云一体的钻井作业风险预测方法对应,本说明书实施例还提供了一种基于边云一体的钻井作业风险预测系统,参考图11所示,所述基于边云一体的钻井作业风险预测系统可以包括:
获取模块111,可以用于获取钻井作业的现场返回数据;
识别模块112,可以用于根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度;
确定模块113,可以用于根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式;所述工作模式包括边缘端独立工作模式、云端独立工作模式和边云协同工作模式;
预测模块114,可以用于根据确定的工作模式预测所述钻井作业的作业风险。
本说明书实施例的基于边云一体的钻井作业风险预测系统中,所述根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度,包括:
将所述现场返回数据的数值与对应的预设范围进行比较,并根据比较结果确定是否存在钻井作业问题;
当存在钻井作业问题时,确定钻井作业问题的问题类型;
通过查询问题类型与处理紧急度对应关系表,确定所述问题类型的处理紧急度;
通过查询问题类型与处理精度对应关系表,确定所述问题类型的处理精度;
通过查询问题类型与算力消耗度对应关系表,确定所述问题类型的算力消耗度;
通过所述现场返回数据的数据量、发送时间和接收时间,确定所述边缘端与所述云端之间的网络质量。
本说明书实施例的基于边云一体的钻井作业风险预测系统中,所述根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式,包括:
将所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度的加权和作为处理等级;
当所述处理等级达到处理等级阈值时,执行协同工作模式的识别处理;
当所述处理等级未达到处理等级阈值时,执行独立工作模式的识别处理。
本说明书实施例的基于边云一体的钻井作业风险预测系统中,所述执行独立工作模式的识别处理,包括:
判断是否存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端;
若存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则选择独立工作模式为边缘端独立工作模式;
若不存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则选择独立工作模式为云端独立工作模式。
本说明书实施例的基于边云一体的钻井作业风险预测系统中,所述执行协同工作模式的识别处理,包括:
分别确定所述处理精度和所述算力消耗度在所述问题类型中的影响权重;
当所述处理精度在所述问题类型中的影响权重大于所述算力消耗度在所述问题类型中的影响权重时,选择协同工作模式为精度优先的边云协同工作模式;
当所述处理精度在所述问题类型中的影响权重不大于所述算力消耗度在所述问题类型中的影响权重时,选择协同工作模式为效率优先的边云协同工作模式。
本说明书实施例的基于边云一体的钻井作业风险预测系统中,所述精度优先的边云协同工作模式的处理逻辑包括:
基于边缘端预测所述钻井作业的作业风险,获得第一预测结果,并基于云端预测所述钻井作业的作业风险,获得第二预测结果;
分别计算所述第一预测结果和所述第二预测结果的预测评价指标值;
判断所述第一预测结果和所述第二预测结果的预测评价指标值是否有达到指标阈值者;
当有达到所述指标阈值者时,将预测评价指标值较大者对应的预测结果作为最终预测结果;
当无达到所述指标阈值者时,更换边缘端及云端的钻井作业风险预测算法并重新预测。
本说明书实施例的基于边云一体的钻井作业风险预测系统中,所述效率优先的边云协同工作模式的处理逻辑包括:
将钻井作业问题拆分为多个预测子任务;
将所述多个预测子任务分发至多个边缘端进行并行处理,获得多个预测子结果;
将所述多个预测子结果组合成完整的预测结果。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本说明书的实施例还提供一种计算机设备。如图12所示,在本说明书一些实施例中,所述计算机设备1202可以包括一个或多个处理器1204,诸如一个或多个中央处理单元(CPU)或图形处理器(GPU),每个处理单元可以实现一个或多个硬件线程。计算机设备1202还可以包括任何存储器1206,其用于存储诸如代码、设置、数据等之类的任何种类的信息,一具体实施例中,存储器1206上并可在处理器1204上运行的计算机程序,所述计算机程序被所述处理器1204运行时,可以执行上述任一实施例所述基于边云一体的钻井作业风险预测方法的指令。非限制性的,比如,存储器1206可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备1202的固定或可移除部件。在一种情况下,当处理器1204执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备1202可以执行相关联指令的任一操作。计算机设备1202还包括用于与任何存储器交互的一个或多个驱动机构1208,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1202还可以包括输入/输出接口1210(I/O),其用于接收各种输入(经由输入设备1212)和用于提供各种输出(经由输出设备1214)。一个具体输出机构可以包括呈现设备1216和相关联的图形用户接口1218(GUI)。在其他实施例中,还可以不包括输入/输出接口1210(I/O)、输入设备1212以及输出设备1214,仅作为网络中的一台计算机设备。计算机设备1202还可以包括一个或多个网络接口1220,其用于经由一个或多个通信链路1222与其他设备交换数据。一个或多个通信总线1224将上文所描述的部件耦合在一起。
通信链路1222可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路1222可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本申请是参照本说明书一些实施例的方法、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器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器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器以特定方式工作模式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器上,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。
在一个典型的配置中,计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算机设备访问的信息。按照本说明书中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解,在本说明书实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于边云一体的钻井作业风险预测方法,其特征在于,包括:
获取钻井作业的现场返回数据;
根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度;
根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式;所述工作模式包括边缘端独立工作模式、云端独立工作模式和边云协同工作模式;
根据确定的工作模式预测所述钻井作业的作业风险。
2.如权利要求1所述的基于边云一体的钻井作业风险预测方法,其特征在于,所述根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度,包括:
将所述现场返回数据的数值与对应的预设范围进行比较,并根据比较结果确定是否存在钻井作业问题;
当存在钻井作业问题时,确定钻井作业问题的问题类型;
通过查询问题类型与处理紧急度对应关系表,确定所述问题类型的处理紧急度;
通过查询问题类型与处理精度对应关系表,确定所述问题类型的处理精度;
通过查询问题类型与算力消耗度对应关系表,确定所述问题类型的算力消耗度;
通过所述现场返回数据的数据量、发送时间和接收时间,确定所述边缘端与所述云端之间的网络质量。
3.如权利要求1所述的基于边云一体的钻井作业风险预测方法,其特征在于,所述根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式,包括:
将所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度的加权和作为处理等级;
当所述处理等级达到处理等级阈值时,执行协同工作模式的识别处理;
当所述处理等级未达到处理等级阈值时,执行独立工作模式的识别处理。
4.如权利要求3所述的基于边云一体的钻井作业风险预测方法,其特征在于,所述执行独立工作模式的识别处理,包括:
判断是否存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端;
若存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则选择独立工作模式为边缘端独立工作模式;
若不存在满足所述问题类型的处理紧急度和处理精度要求的空闲边缘端,则选择独立工作模式为云端独立工作模式。
5.如权利要求3所述的基于边云一体的钻井作业风险预测方法,其特征在于,所述执行协同工作模式的识别处理,包括:
分别确定所述处理精度和所述算力消耗度在所述问题类型中的影响权重;
当所述处理精度在所述问题类型中的影响权重大于所述算力消耗度在所述问题类型中的影响权重时,选择协同工作模式为精度优先的边云协同工作模式;
当所述处理精度在所述问题类型中的影响权重不大于所述算力消耗度在所述问题类型中的影响权重时,选择协同工作模式为效率优先的边云协同工作模式。
6.如权利要求5所述的基于边云一体的钻井作业风险预测方法,其特征在于,所述精度优先的边云协同工作模式的处理逻辑包括:
基于边缘端预测所述钻井作业的作业风险,获得第一预测结果,并基于云端预测所述钻井作业的作业风险,获得第二预测结果;
分别计算所述第一预测结果和所述第二预测结果的预测评价指标值;
判断所述第一预测结果和所述第二预测结果的预测评价指标值是否有达到指标阈值者;
当有达到所述指标阈值者时,将预测评价指标值较大者对应的预测结果作为最终预测结果,并更新预测评价指标值较小者对应的钻井作业风险预测算法;
当无达到所述指标阈值者时,更换边缘端及云端的钻井作业风险预测算法并重新预测。
7.如权利要求5所述的基于边云一体的钻井作业风险预测方法,其特征在于,所述效率优先的边云协同工作模式的处理逻辑包括:
将钻井作业问题拆分为多个预测子任务;
将所述多个预测子任务分发至多个边缘端进行并行处理,获得多个预测子结果;
将所述多个预测子结果组合成完整的预测结果。
8.一种基于边云一体的钻井作业风险预测系统,其特征在于,包括:
获取模块,用于获取钻井作业的现场返回数据;
识别模块,用于根据所述现场返回数据识别钻井作业问题的问题类型、处理紧急度、处理精度、网络质量和算力消耗度;
确定模块,用于根据所述问题类型、所述处理紧急度、所述处理精度、所述网络质量和所述算力消耗度确定工作模式;所述工作模式包括边缘端独立工作模式、云端独立工作模式和边云协同工作模式;
预测模块,用于根据确定的工作模式预测所述钻井作业的作业风险。
9.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-7任意一项所述方法的指令。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-7任意一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210052905.8A CN114399209A (zh) | 2022-01-18 | 2022-01-18 | 基于边云一体的钻井作业风险预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210052905.8A CN114399209A (zh) | 2022-01-18 | 2022-01-18 | 基于边云一体的钻井作业风险预测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399209A true CN114399209A (zh) | 2022-04-26 |
Family
ID=81231018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210052905.8A Pending CN114399209A (zh) | 2022-01-18 | 2022-01-18 | 基于边云一体的钻井作业风险预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399209A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907236A (zh) * | 2023-02-17 | 2023-04-04 | 西南石油大学 | 基于改进决策树的井下复杂情况预测方法 |
-
2022
- 2022-01-18 CN CN202210052905.8A patent/CN114399209A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907236A (zh) * | 2023-02-17 | 2023-04-04 | 西南石油大学 | 基于改进决策树的井下复杂情况预测方法 |
CN115907236B (zh) * | 2023-02-17 | 2023-11-03 | 西南石油大学 | 基于改进决策树的井下复杂情况预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109150564B (zh) | 一种用于小区故障告警的预测方法及装置 | |
CN110493025B (zh) | 一种基于多层有向图的故障根因诊断的方法及装置 | |
CN113887846B (zh) | 一种电容式电压互感器的超差风险预警方法 | |
CN112532643B (zh) | 基于深度学习的流量异常检测方法、系统、终端及介质 | |
CN113312244A (zh) | 一种故障监测方法、设备、程序产品及存储介质 | |
CN115550195A (zh) | 流量抑制预测方法、电子设备、存储介质 | |
CN114399209A (zh) | 基于边云一体的钻井作业风险预测方法、系统及设备 | |
CN112836921A (zh) | 一种基于电网微数据融合的数据监测分析及优化方法 | |
CN115277220A (zh) | 一种工控网络流量安全分类方法、系统及可读存储设备 | |
CN115622867A (zh) | 一种工控系统安全事件预警分类方法及系统 | |
CN114925905A (zh) | 一种基于标识解析的工业能耗调配方法、设备及介质 | |
CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
CN111242430A (zh) | 电力设备供应商评价方法和装置 | |
CN114238402A (zh) | 告警数据处理方法、装置、存储介质以及电子设备 | |
CN113204692A (zh) | 数据处理任务执行进度的监测方法及装置 | |
CN114692859A (zh) | 数据处理方法及装置、计算设备及试验精简设备 | |
CN115529315B (zh) | 一种云边协同系统 | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
CN116011809A (zh) | 风险事件的评估方法、装置、设备及存储介质 | |
CN115619539A (zh) | 贷前风险评价方法以及装置 | |
CN114491936A (zh) | 高压管汇寿命的确定方法及装置、高压管汇系统 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN116318386A (zh) | 光模块的失效预测方法及其系统、存储介质 | |
CN114625570A (zh) | 一种数据库备份调度方法和装置 |
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 |