CN114444964B - 钻进过程运行性能评估方法 - Google Patents
钻进过程运行性能评估方法 Download PDFInfo
- Publication number
- CN114444964B CN114444964B CN202210127402.2A CN202210127402A CN114444964B CN 114444964 B CN114444964 B CN 114444964B CN 202210127402 A CN202210127402 A CN 202210127402A CN 114444964 B CN114444964 B CN 114444964B
- Authority
- CN
- China
- Prior art keywords
- drilling
- operation performance
- drilling process
- data
- performance evaluation
- 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
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 196
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- 238000011112 process operation Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 149
- 230000008569 process Effects 0.000 claims abstract description 102
- 238000013210 evaluation model Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 4
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明提供了钻进过程运行性能评估方法,包括如下步骤:引入过程能力指数定义并划分钻进过程运行性能等级;对钻进过程数据做滤波和归一化处理,并判断当前工况是否处于正常钻进;利用主成分分析方法对上述变量空间进行特征提取,提取运行参数主成分空间作为运行性能评估模型的输入参数;采用粒子群优化的支持向量机方法对正常钻进工况下的运行状态建立评估模型,模型输入为运行主成分变量,输出为当前运行性能的能级,实现钻进过程运行性能评估的目标。本发明提出的运行性能评估方法克服了传统方法因地域限制带来的局限性,不但提升了钻进过程运行性能评估结果的准确性,而且为钻进过程状态监测、性能优化和智能控制方面的研究提供指导。
Description
技术领域
本发明涉及地质钻探工程技术领域,尤其涉及一种钻进过程运行性能评估方法。
背景技术
随着能源的不断开采,我国浅层易开采的资源逐渐减少,探索地球深部资源,打破资源供需不平衡矛盾,深部地质钻探是必由之路。
特殊的地质条件使得我国具备了解决深部过程与浅表相应世界级重大科学前沿问题的基础条件和得天独厚的区位优势。但随着钻井深增加,井底温度很容易超过150℃,在钻探深度达到6000米甚至8000米时,井底温度很可能超过200℃。导致钻进过程状态信息缺失,司钻人员缺乏对钻进过程状态的实时监测和评估,易出现钻进效率低下、井下钻具组合性能下降失效、井下事故频、预设井眼轨迹难以保证等技术问题。
发明内容
本发明提供一种钻进过程运行性能评估方法,用来解决现有技术中缺乏对钻进过程状态的实时监测和评估,易出现钻进效率低下的技术问题。
为解决上述问题,本发明提供一种钻进过程运行性能评估方法,所述评估方法包括如下步骤:
S1:钻进过程运行性能等级划分;
引入过程能力指数CP,以钻速V为计算变量,获得钻进过程的运行性能等级G,并建立过程能力指数CP对应的运行性能等级划分;
S2:钻进过程工况识别;
运行信息熵理论,初步选取钻进变量构成钻进数据空间,将钻进数据归一化表达和滤波处理,并采用滑动窗口L分割数据;
利用回归函数拟合时间序列,设置上下趋势阈值au和al,提取时间序列趋势特征;
根据所提取到的所有变量的趋势特征,利用现有专家规则实现工况识别,输出为工况类型;
选取正常工况下的运行状态,进行运行性能评估,输出性能等级;
S3:运行性能评估模型参数选择;
采用主成分分析方法对归一化表达和滤波处理的钻进数据进行特征提取;
定义变量得分贡献度λ大于0.9的成分为主成分变量;
以主成分空间的得分向量作为运行性能评估模型的输入参数;
S4:钻进过程运行性能评估模型实现;
根据工况识别结果,以正常工况下的变量建立运行性能评估模型;
以运行性能关联参数作为模型输入,以钻进过程运行性能等级作为模型输出,采用粒子群优化的支持向量机方法实现模型,通过交叉验证选取最佳模型超参数,实现钻进过程运行性能评估。
进一步的,在步骤S1中,所述钻进过程的运行性能等级划分具体包括如下步骤:
S11:根据钻进过程运行状态,分析运行参数变化,并获取钻速所服从的正态分布与目标钻速值T;
S12:采用长度为10的滑动窗口,以钻速V为计算变量,获得对应的过程能力指数值;
进一步的,在步骤S12中,所述获得对应的过程能力指数的方法为采用田口能力指数计算公式,所述田口能力指数计算公式的表达式如下:
其中:USL与LSL分别为所选滑动窗口上、下公差限;修正的分布方差
进一步的,在步骤S12中,根据所获得的过程能力指数值以及对应相应的系统过程能力评价标准,将钻进过程的运行工况划分至不同的5个性能等级。
进一步的,在步骤S2中,所述钻进过程工况识别具体包括如下步骤:
S21:采用最大最小值归一化统一参数格式,对钻进过程数据做滤波和归一化处理;
利用信息熵理论,挑选钻进数据中运行性能相关变量,建立工况识别模型;
采用多时间尺度划分提取缓变特征数据变量和突变特征数据变量;
基于信息熵理论,获取钻进运行数据的信息增益,所述信息增益的计算公式如下:
g(D,A)=H(D)-H(D|A)
其中:H(D|A)表示根据特征A样本空间D的条件熵;
S22:通过钻进数据各变量的信息增益,确定与运行性相关的变量,采用滑动窗口对钻进过程数据进行分割,针对长时间尺度段数据,采用最小二乘拟合方法对滑动窗口中的数据进行拟合,提取缓变特征;
设置滑动窗口的长度和时间序列分段中每段数据的长度,其中时间序列
在t1-tq这段时间内,时间序列的线性拟合函数为:
F(tp)=atp+e
斜率a和参数e满足条件:
其中,斜率a代表时间序列的趋势特征,J为拟合误差,用来度量时间序列的拟合程度;1≤p≤q,q为大于等于2的正整数,tp为当前采样点;
根据经验设置上下趋势阈值au和a1,当实时趋势特征aφau时,判断趋势为上升,当a<a1判断趋势为下降;
S23:根据专家经验判断所处运行工况,选取正常钻进工况下的钻进参数建立运行性能评估模型。
进一步的,在步骤S21中,所述缓变特征数据变量包括立管压力、泵量、总池体积和出口流量,所述突变特征数据变量包括钻压、转速、扭矩和大勾负载。
进一步的,在步骤S23中,所述钻进工况包括倒划眼、下钻、提升和正常钻进。
进一步的,在步骤S3中,所述运行性能评估模型参数选择具体包括如下步骤:
S31:根据获得的标准化钻进数据,使用PCA方法提取变量特征,选择贡献度较高的主成分作为运行性能评估模型的输出参数;
S32:在求取主成分空间T的过程中,主成分特征向量ti的内积对应原始数据空间X的协方差矩阵Δ=XTX的特征值λi,定义主成分贡献度ηi,保留累计贡献度ηi>0.9的主成分作为运行性能评估模型的输入参数,所述主成分贡献度ηi的表达式如下:
S33:选取原始数据空间中钻压、转速、扭矩、泵量、立管压力5个特征的主成分作为运行性能评估模型的输入参数。
进一步的,在步骤S4中,所述钻进过程运行性能评估模型实现具体包含如下步骤:
S41:从钻进过程运行参数中选取钻压、转速、扭矩、泵量、立管压力作为模型的输入,根据所述运行性能等级划分方法,为运行数据添加性能标签,并作为模型的输出;
S42:运用SVM-PSO方法实现钻进过程运行性能评估模型,所述SVM-PSO方法的目标函数如下:
ξi≥0(i=1,2,...N)
其中:ξi≥0为松弛变量,为核函数,g为核函数参数,C>0成为惩罚参数;
S43:求解上述优化问题并得到W*和b*,从而可以得到分离超平面W*·X+b*=0以及分类决策函数f(x)=sign(W*·X+b*),以上述条件作为依据对样本空间分类;
S44:在模型超参数(c,g,ξ)选择上,采用粒子群优化算法求解上述优化问题,选取最佳模型参数,实现钻进过程运行性能评估模型所需要的分类器。
本发明与现有技术相比具有显著的优点和有益效果,具体体现在以下方面:
本发明通过引入过程能力指数作为衡量钻进运行性能的指标,克服了传统方法受地层因素的限制,有更好的普适性,符合现场的实际需求;同时,通过信息熵分析和运行特征提取,对系统运行工况进行识别,在正常钻进工况下,提取钻进运行变量内部特征,并以此作为运行性能评估模型的输入参数;最后,通过SVM方法在小样本分类的有效性和在工业过程的普适性,利用SVM-PSO方法实现性能评估模型,通过实际数据验证,结果显示所发明的运行性能评估方法对钻进过程运行性能有较好的评估表现,分析并提取性能影响因子,评估钻进过程运行性能,节约钻进成本,提升钻井效率。
附图说明
图1为本发明实施例中钻进运行性能评估方法的流程示意图;
图2为本发明实施例中钻进工况的识别结果;
图3为本发明实施例中步骤S1的具体流程示意图;
图4为本发明实施例中步骤S2的具体流程示意图;
图5为本发明实施例中步骤S3的具体流程示意图;
图6为本发明实施例中步骤S4的具体流程示意图;
图7为本发明实施例中钻进过程运行性能评估方法的过程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
近年来随着工业数字化、智能化进程,大量基于数据驱动的方法被应用于复杂工业动态过程监测和过程建模。许多学者及国内外钻井公司都致力于利用各种方法和技术来监测、分析钻进过程性能趋势,分析并提取性能影响因子,评估钻进过程运行性能,为节约钻进成本,提升钻井效率提供建议。
请参阅图1所示,图1为本发明实施例中的钻进过程运行性能评估方法的流程示意图,所述评估方法包括如下步骤:
步骤S1:钻进过程运行性能等级划分;
钻进过程的运行能力是钻进效率的体现,通过引入过程能力指数Cp,以钻速V为计算变量,获得钻进过程运行性能等级G,建立过程能力指数Cp对应的性能等级划分;
请参阅图3所示,在步骤S1中,所述钻进过程的运行性能等级划分具体包括如下子步骤:
S11:根据钻进过程运行状态,分析运行参数变化,并获取钻速所服从的正态分布与目标钻速值T;
S12:采用长度为10的滑动窗口,以钻速V为计算变量,获得对应的过程能力指数值,所述获得对应的过程能力指数的方法为采用田口能力指数计算公式,所述田口能力指数计算公式的表达式如下:
其中:USL与LSL分别为所选滑动窗口上、下公差限;修正的分布方差
需要说明的是,Cp越大,表示过程能力提升潜力越大,通常当Cp>1时,系统的过程满足要求。
另外,在步骤S12中,根据所获得的过程能力指数值以及对应相应的系统过程能力评价标准,将钻进过程的运行工况划分至不同的5个性能等级,如下表1所示即为对应的运行性能等级划分。
表1过程能力指数评价标准
Cp取值范围 | 级别 | 过程能力评价 |
Cp≥1.67 | G1 | 过程能力十分充足 |
1.33≤Cp<1.67 | G2 | 过程能力充分 |
1.00≤Cp<1.33 | G3 | 过程能力尚能满足要求 |
0.67≤Cp<1.00 | G4 | 过程能力不足 |
Cp<0.67 | G5 | 过程能力严重不足 |
步骤S2:钻进过程工况识别;
运行信息熵理论,初步选取钻进变量构成钻进数据空间,将钻进数据归一化表达和滤波处理,并采用滑动窗口L分割数据;
利用回归函数拟合时间序列,设置上下趋势阈值au和al,提取时间序列趋势特征;
根据所提取到的所有变量的趋势特征,利用现有专家规则实现工况识别,输出为工况类型;
选取正常工况下的运行状态,进行运行性能评估,输出性能等级。
请参阅图4所示,在步骤S2中,所述钻进过程工况识别具体包括如下子步骤:
S21:为统一数据格式,采用最大最小值归一化统一参数格式,对钻进过程数据做滤波和归一化处理;
利用信息熵理论,挑选钻进数据中运行性能相关变量,建立工况识别模型;
结合信息熵理论和趋势特征提取方法,选取与运行性能强关联的变量作为原始数据空间;
采用多时间尺度划分提取缓变特征数据变量和突变特征数据变量;
基于信息熵理论,获取钻进运行数据的信息增益,所述信息增益的计算公式如下:
g(D,A)=H(D)-H(D|A)
其中:H(D|A)表示根据特征A样本空间D的条件熵。信息增益越大,表示所选成分包含更多的性能特征。
其中,在步骤S21中,所述缓变特征数据变量包括立管压力、泵量、总池体积和出口流量,所述突变特征数据变量包括钻压、转速、扭矩和大勾负载。
S22:通过钻进数据各变量的信息增益,确定与运行性相关的变量,采用滑动窗口对钻进过程数据进行分割,针对长时间尺度段数据,采用最小二乘拟合方法对滑动窗口中的数据进行拟合,提取缓变特征;
由操作人员设置滑动窗口的长度和时间序列分段中每段数据的长度,其中时间序列
在t1-tq这段时间内,时间序列的线性拟合函数为:
F(tp)=atp+e
斜率a和参数e满足条件:
其中,斜率a代表时间序列的趋势特征,J为拟合误差,用来度量时间序列的拟合程度;1≤p≤q,q为大于等于2的正整数,tp为当前采样点;
根据经验设置上下趋势阈值au和a1,当实时趋势特征aφau时,判断趋势为上升,当a<a1判断趋势为下降。
S23:根据专家经验判断所处运行工况,选取正常钻进工况下的钻进参数建立运行性能评估模型。
在步骤S23中,所述钻进工况包括倒划眼、下钻、提升和正常钻进。
由此,在本发明的实施例当中,选取正常钻进工况下的钻进参数,建立运行性能评估模型,本发明采用的钻进工况识别专家规则如表2所示。
表2典型工况钻进数据波动趋势
步骤S3:运行性能评估模型参数选择;
采用主成分分析(PCA)方法对归一化表达和滤波处理的钻进数据进行特征提取;
定义变量得分贡献度λ大于0.9的成分为主成分变量;
以主成分空间的得分向量作为运行性能评估模型的输入参数;
请参阅图5所示,在步骤S3中,所述运行性能评估模型参数选择具体包括如下步骤:
S31:基于步骤S2中获得的标准化钻进数据,使用PCA方法提取变量特征,选择贡献度较高的主成分作为运行性能评估模型的输出参数;
需要说明的是,PCA是一种多变量统计分析方法,其主要思想是通过线性变换,将高位空间数据投影至低维主成分空间。通过变换可以保留原始数据空间的大部分方差信息,并且数据之间具有正交性,可以提取原始数据空间中的特征信息。
假设原始数据空间是一个二维数据矩阵X(n×m),n为数据样本个数,m为过程变量个数。通过PCA分解,原始矩阵可以被分解为:
其中ti(n×1)称为主成分向量,pi(m×1)称为负载向量,亦是线性变换的投影方向。T和P称为主成分矩阵和负载矩阵。
S32:在求取主成分空间T的过程中,主成分特征向量ti的内积对应原始数据空间X的协方差矩阵Δ=XTX的特征值λi。
由于主成分的选择需要长度递减约束,即对应协方差矩阵的特征值λ1>···>λi。因此可以定义主成分贡献度ηi,所述主成分贡献度ηi的表达式如下:
为了更加准确的提取原始变量空间的特征,保留累计贡献度ηi>0.9的主成分作为运行性能评估模型的输入参数。
S33:选取原始数据空间中钻压、转速、扭矩、泵量、立管压力5个特征的主成分作为运行性能评估模型的输入参数。
可以定义主成分贡献度ηi:
本发明应用的主成分模型如下式所示:
T=XP
其中,T和P的维数分别为(n×A)和(m×A);A代表保留主成分个数。
根据上述判断标准,选取原始数据空间中钻压、转速、扭矩、泵量、立管压力5个特征的主成分作为运行性能评估模型的输入参数。
步骤S4:钻进过程运行性能评估模型实现;
请参阅图7所示,根据工况识别结果,以正常工况下的变量建立运行性能评估模型;
以运行性能关联参数作为模型输入,以钻进过程运行性能等级作为模型输出,采用粒子群优化的支持向量机方法实现模型,通过交叉验证选取最佳模型超参数,实现钻进过程运行性能评估。
由此,针对处在正常运行工况下的数据空间建立运行性能评估子模型;模型步骤S3选取的以运行性能关联变量作为模型输入,根据步骤S1过程能力指数定义的钻进过程运行性能等级作为模型输出,采用SVM-PSO方法实现模型,实现钻进过程运行性能评估。
请参阅图6所示,在步骤S4中,所述钻进过程运行性能评估模型实现具体包含如下步骤:
S41:从钻进过程运行参数中选取钻压、转速、扭矩、泵量、立管压力作为模型的输入,根据所述运行性能等级划分方法,为运行数据添加性能标签,并作为模型的输出;
S42:运用SVM-PSO方法实现钻进过程运行性能评估模型,所述SVM-PSO方法的目标函数如下:
ξi≥0(i=1,2,...N)
其中:ξi≥0为松弛变量,为核函数,g为核函数参数,C>0成为惩罚参数;
S43:求解上述优化问题并得到W*和b*,从而可以得到分离超平面W*·X+b*=0以及分类决策函数f(x)=sign(W*·X+b*),以上述条件作为依据对样本空间分类;
S44:在模型超参数(c,g,ξ)选择上,采用粒子群优化算法(PSO)求解上述优化问题,选取最佳模型参数,实现钻进过程运行性能评估模型所需要的分类器。
由此,通过上述方法建立的运行性能评估模型,输入表征钻进过程运行状态特征的特征变量主成分,输出运行性能等级,达到对钻进过程运行性能进行评估的目的。
依托高质量的数据处理和滤波算法,通过数据融合和数据分析手段,提取性能指标中的重要特征(距离、相似因子、相关系数等)、建立性能评价基准,评价当前性能的好坏(如钻进效率、成本、控制器性能)、探求运行性能可提升的潜力和改善效率的有效操作,保持高效安全的钻井。
下面结合具体的实施例对钻进过程运行性能进行评估。
本实施中选用某井场的108组钻进数据为具体对象,其中包含井深、钻压、转速、泵量、扭矩、立管压力、钻速等主要运行变量。
首先引入过程能力指数Cp,依靠过程能力指数Cp为钻进运行状态标记性能等级G,建立过程能力指数对应的性能等级划分;
其次,对钻进数据进行滤波和归一化处理,结合信息熵理论提取钻进变量的趋势特征,利用现有专家规则实现工况识别,对运行工况进行识别;接着采用PCA方法对上述标准化的钻进数据进行特征提取,以主成分空间的得分向量作为运行性能评估模型的输入参数;
最后,当运行状态处在正常工况时,以SVM-PSO方法建立性能评估模型,模型输出运行性能等级,完成钻进过程运行性能的评估。
具体步骤如下:
(1)钻进过程运行性能等级划分
由于钻进过程中,随着钻遇地层变化,钻进效率会不断下降,无法满足预先设定的钻进要求,造成成本的浪费。因此根据钻进过程状态参数判断当前的钻进性能对钻进过程的优化和控制有很大帮助。
传统的钻速方程法无法克服地域限制所带来的评估误差,本发明实施例通过引入过程能力指数,建立了一种钻进过程运行性能评估方法,以达到钻进过程运行性能评估的目的。
首先,进行钻进运行性能的能级的划分,通过引入过程能力指数Cp,以钻速V为计算变量,为钻进运行数据添加性能标签。采用某井场的实际数据进行标定,部分数据如表3所示:
表3钻进运行性能等级划分
(2)钻进过程工况识别
运行信息熵理论初步选取钻进变量构成钻进数据空间,按照钻进参数相对于钻速即钻进运行性能的信息增益,初步选取现场测量变量中的井深、钻压、转速、扭矩,泵冲、泵量、立管压力、钻速,8个变量构成钻进参数空间,以便后续在此之上进行后续的建模。
表4变量信息增益
变量 | 井深 | 钻速 | 钻压 | 转速 | 扭矩 | 立管压力 | 泵冲 | 泵量 |
信息增益 | 0.287 | 0.337 | 0.108 | 0.113 | 0.142 | 0.062 | 0.341 | 0.337 |
将钻进数据归一化表达和滤波处理,采用滑动窗口L=10分割数据,利用回归函数拟合时间序列,根据拟合情况设置上下趋势阈值au=2.35和a1=1.366,提取时间序列趋势特征,获取当前参数变化趋势(上升,下降,不变)。
请参阅图2所示,在本发明的实施例当中,根据所提取到的所有变量的趋势特征,并利用如表2所示的现有专家规则,输入运行工况类型,即可识别出其中的正常运行工况。
(3)运行性能评估模型参数选择
根据上述分析结果,选取正常工况(旋转钻进)下的钻进参数,建立运行性能评估模型。
基于步骤(2)中获得的钻进参数空间,采用PCA方法进行特征提取,在求取主成分空间时,根据原始数据空间协方差矩阵特征值大小进行排序,进而求取主成分贡献度。
在本实施例当中,由结果可知:钻压、转速、扭矩、立管压力、泥浆流量这5个成分累计贡献度为91.4%。因此,选取上述5个参数的主成分作为运行性能评估模型的输入参数。
表5变量主成分特征值与贡献度(%)
变量 | 钻压 | 转速 | 扭矩 | 立管压力 | 泥浆泵量 | 钻速 | 泵冲 | 井深 |
特征值 | 1.615 | 1.357 | 0.833 | 0.388 | 0.380 | 0.171 | 0.135 | 0.122 |
贡献度 | 32.2 | 27.1 | 16.7 | 7.8 | 7.8 | 3.4 | 2.7 | 2.5 |
(4)钻进过程运行性能评估模型实现
在步骤(3)所获取的工况聚类基础上,针对每个工况类别,分别建立钻进工况识别模型。模型的输入为步骤(2)中所选取的钻压、转速、扭矩、立管压力、泥浆流量5个钻进运行参数;模型的输入为步骤(1)中所定义的钻进运行性能的能级;模型采用SVM-PSO方法实现,模型的评估结果如下表6所示:
表6钻进运行性能评估结果
本发明的有益效果是:能够在钻进过程监测数据的基础上,通过引入过程能力指数定义钻进运行性能等级的划分方法,通过建立的钻进运行性能评估模型,输入所选取的运行性能相关参数,模型输出为钻进过程运行性能等级,本发明为钻进过程的性能监测、优化和控制方面的研究奠定基础,具有实用性和适用性。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (3)
1.钻进过程运行性能评估方法,其特征在于,所述评估方法包括如下步骤:
S1:钻进过程运行性能等级划分;
引入过程能力指数CP,以钻速V为计算变量,获得钻进过程的运行性能等级,并建立过程能力指数CP对应的运行性能等级划分;
所述钻进过程的运行性能等级划分具体包括如下步骤:
S11:根据钻进过程运行状态,分析运行参数变化,并获取钻速所服从的正态分布与目标钻速值T;
S12:采用长度为10的滑动窗口,以钻速为计算变量,获得对应的过程能力指数值;
根据所获得的过程能力指数值以及对应相应的系统过程能力评价标准,将钻进过程的运行工况划分至不同的5个性能等级;
所述获得对应的过程能力指数的方法为采用田口能力指数计算公式,所述田口能力指数计算公式的表达式如下:
其中:USL与LSL分别为所选滑动窗口上、下公差限;修正的分布方差;
S2:钻进过程工况识别;
运行信息熵理论,初步选取钻进变量构成钻进数据空间,将钻进数据归一化表达和滤波处理,并采用滑动窗口L分割数据;
利用回归函数拟合时间序列,设置上下趋势阈值 au和 al,提取时间序列趋势特征;
根据所提取到的所有变量的趋势特征,利用现有专家规则实现工况识别,输出为工况类型;
选取正常工况下的运行状态,进行运行性能评估,输出性能等级;
所述钻进过程工况识别具体包括如下步骤:
S21:采用最大最小值归一化统一参数格式,对钻进过程数据做滤波和归一化处理;
利用信息熵理论,挑选钻进数据中运行性能相关变量,建立工况识别模型;
采用多时间尺度划分提取缓变特征数据变量和突变特征数据变量;
基于信息熵理论,获取钻进运行数据的信息增益 ,所述信息增益的计算公式如下:
其中: 表示根据特征/>样本空间/>的条件熵;
S22:通过钻进数据各变量的信息增益,确定与运行性相关的变量,采用滑动窗口对钻进过程数据进行分割,针对长时间尺度段数据,采用最小二乘拟合方法对滑动窗口中的数据进行拟合,提取缓变特征;
设置滑动窗口的长度和时间序列分段中每段数据的长度,其中时间序列
在这段时间内,时间序列/>的线性拟合函数为:
斜率a和参数e满足条件:
其中,斜率a代表时间序列的趋势特征,J为拟合误差,用来度量时间序列的拟合程度;1≤p≤q,q 为大于等于2的正整数,/>为当前采样点;
根据经验设置上下趋势阈值和/>,当实时趋势特征/>时,判断趋势为上升,当判断趋势为下降;
S23:根据专家经验判断所处运行工况,选取正常钻进工况下的钻进参数建立运行性能评估模型;
S3:运行性能评估模型参数选择;
采用主成分分析方法对归一化表达和滤波处理的钻进数据进行特征提取;
定义变量得分贡献度λ大于0.9的成分为主成分变量;
以主成分空间的得分向量作为运行性能评估模型的输入参数;
所述运行性能评估模型参数选择具体包括如下步骤:
S31:根据获得的标准化钻进数据,使用PCA方法提取变量特征,选择贡献度较高的主成分作为运行性能评估模型的输出参数;
S32:在求取主成分空间T的过程中,主成分特征向量的内积对应原始数据空间/>的协方差矩阵/>的特征值/>,定义主成分贡献度/>,保留累计贡献度/>>0.9的主成分作为运行性能评估模型的输入参数;
其中,所述主成分贡献度的表达式如下:
S33:选取原始数据空间中钻压、转速、扭矩、泵量、立管压力5个特征的主成分作为运行性能评估模型的输入参数;
S4:钻进过程运行性能评估模型实现;
根据工况识别结果,以正常工况下的变量建立运行性能评估模型;
以运行性能关联参数作为模型输入,以钻进过程运行性能等级作为模型输出,采用粒子群优化的支持向量机方法实现模型,通过交叉验证选取最佳模型超参数,实现钻进过程运行性能评估;
所述钻进过程运行性能评估模型实现具体包含如下步骤:
S41:从钻进过程运行参数中选取钻压、转速、扭矩、泵量、立管压力作为模型的输入,根据所述运行性能等级划分方法,为运行数据添加性能标签,并作为模型的输出;
S42:运用SVM-PSO方法实现钻进过程运行性能评估模型,所述SVM-PSO方法的目标函数如下:
其中:为松弛变量,/>为核函数,g为核函数参数,C>0成为惩罚参数;
S43:求解上述优化问题并得到W*和b*,从而可以得到分离超平面 W*·X + b*= 0以及分类决策函数f(x)=sign( W*·X + b*) ,以上述条件作为依据对样本空间分类;
S44:在模型超参数选择上,采用粒子群优化算法求解上述优化问题,选取最佳模型参数,实现钻进过程运行性能评估模型所需要的分类器。
2.根据权利要求1所述的钻进过程运行性能评估方法,其特征在于,在步骤S21中,所述缓变特征数据变量包括立管压力、泵量、总池体积和出口流量,所述突变特征数据变量包括钻压、转速、扭矩和大勾负载。
3.根据权利要求1所述的钻进过程运行性能评估方法,其特征在于,在步骤S23中,所述钻进工况包括倒划眼、下钻、提升和正常钻进。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127402.2A CN114444964B (zh) | 2022-02-11 | 2022-02-11 | 钻进过程运行性能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127402.2A CN114444964B (zh) | 2022-02-11 | 2022-02-11 | 钻进过程运行性能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444964A CN114444964A (zh) | 2022-05-06 |
CN114444964B true CN114444964B (zh) | 2024-05-17 |
Family
ID=81372318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127402.2A Active CN114444964B (zh) | 2022-02-11 | 2022-02-11 | 钻进过程运行性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444964B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862071B (zh) * | 2022-07-07 | 2022-09-09 | 中国长江三峡集团有限公司 | 水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109281649A (zh) * | 2018-08-13 | 2019-01-29 | 中国石油天然气集团有限公司 | 钻井优化方法及装置 |
CN110110740A (zh) * | 2019-03-26 | 2019-08-09 | 中国地质大学(武汉) | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2462475B1 (en) * | 2009-08-07 | 2019-02-20 | Exxonmobil Upstream Research Company | Methods to estimate downhole drilling vibration indices from surface measurement |
-
2022
- 2022-02-11 CN CN202210127402.2A patent/CN114444964B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109281649A (zh) * | 2018-08-13 | 2019-01-29 | 中国石油天然气集团有限公司 | 钻井优化方法及装置 |
CN110110740A (zh) * | 2019-03-26 | 2019-08-09 | 中国地质大学(武汉) | 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 |
Non-Patent Citations (1)
Title |
---|
基于PCA-PSO-SVM的地震死亡人数预测模型研究;刘立申;王晨晖;王利兵;陈凯男;吴鹤帅;;地震地磁观测与研究;20191025(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114444964A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10233728B2 (en) | Method and apparatus for drilling a new well using historic drilling data | |
US11814931B2 (en) | Machine-learning for sedimentary facies prediction | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN109255134B (zh) | 一种抽油机井故障情况的获取方法 | |
CN110992200B (zh) | 基于随机森林的页岩气井分段压裂效果评价和产量预测方法 | |
CN114444964B (zh) | 钻进过程运行性能评估方法 | |
Zhang et al. | Fault diagnosis based on feature clustering of time series data for loss and kick of drilling process | |
CN114997496B (zh) | 一种基于时空序列数据约束的无监督储层智能分段方法 | |
CN109542884B (zh) | 采用大数据耦合参数以优化破岩效率的方法和系统 | |
NO20220429A1 (en) | Deep learning seismic attribute fault predictions | |
Fan et al. | Distributed monitoring with integrated probability PCA and mRMR for drilling processes | |
CN113378344A (zh) | 一种用于优化钻井起下钻速度阈值的方法及系统 | |
CN115879047A (zh) | 一种基于梯度提升决策的煤矿井下钻进过程工况识别方法 | |
US20240060419A1 (en) | Method and system for automated rock recognition | |
CN115438402A (zh) | 基于岩-机互馈感知关系的tbm掘进岩体条件实时预测方法及装置 | |
CN113468821B (zh) | 一种基于决策回归算法的坡面产流产沙阈值确定方法 | |
Fan et al. | Adaptive monitoring for geological drilling process using neighborhood preserving embedding and Jensen–Shannon divergence | |
CN113431557A (zh) | 一种基于人工智能的井下井眼轨迹跟踪方法 | |
CN114021423A (zh) | 一种适用于机器学习的钻头磨损量化评价方法 | |
CN113988410A (zh) | 一种基于knn算法与多项式回归算法组合的跨区域致密油藏油井产能预测方法 | |
CN113536691A (zh) | 一种深水钻井参数优化方法及系统 | |
Wang et al. | Recognition method of drilling conditions based on support vector machine | |
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 | |
CN113627640A (zh) | 一种针对缝洞型油藏油气井的产能试井预测方法及系统 | |
CN116701952B (zh) | 一种基于知识图谱的井下复杂工况识别方法 |
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 |