CN114482989A - 钻井溢流工况的识别方法及装置 - Google Patents
钻井溢流工况的识别方法及装置 Download PDFInfo
- Publication number
- CN114482989A CN114482989A CN202111656589.7A CN202111656589A CN114482989A CN 114482989 A CN114482989 A CN 114482989A CN 202111656589 A CN202111656589 A CN 202111656589A CN 114482989 A CN114482989 A CN 114482989A
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- data
- overflow
- characteristic
- drilling
- 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 211
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 230000002068 genetic effect Effects 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000035772 mutation Effects 0.000 claims abstract description 40
- 230000009466 transformation Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 58
- 230000008859 change Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 25
- 239000004215 Carbon black (E152) Substances 0.000 claims description 18
- 229930195733 hydrocarbon Natural products 0.000 claims description 13
- 150000002430 hydrocarbons Chemical class 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000006798 recombination Effects 0.000 claims description 10
- 238000005215 recombination Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000010076 replication Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 12
- 239000003208 petroleum Substances 0.000 description 11
- 238000011161 development Methods 0.000 description 8
- 238000005498 polishing Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000001131 transforming effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000010353 genetic engineering Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B41/00—Equipment or details not covered by groups E21B15/00 - E21B40/00
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种钻井溢流工况的识别方法及装置，其中该方法包括：获取钻井历史数据；基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；所述阈值用于进行特征数据的突变点检测；从钻井的实时录井数据中，获取钻井的多种特征数据；对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别。本发明可提升钻井溢流工况识别的效率和准确性；同时，可对溢流工况进行早期预测预警，提升了钻井安全性。
Description
技术领域
本发明涉及石油钻井技术领域，尤其涉及钻井溢流工况的识别方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着油气勘探开发逐渐向深部、复杂地层进军发展，钻井过程中面临的溢流风险越来越大。油气钻井经验表明，从溢流发现到井喷的时间很快，间隔在30分钟内的占三分之二，这其中又有一半在10分钟之内。
若是不能及时发现溢流，则可能导致井控险情，甚至井眼报废及人员伤亡等重大事故，因此及时识别并提前检测出溢流的发生，提前给出一定预警时间，将为处理溢流争取到宝贵时间，从而有效控制溢流恶化，保证井筒安全。
传统钻井技术通过人为的跟踪综合录井仪获取的特征参数，分析出入口流量差和地面总池体积变化等来识别溢流，但由于井口到井底的深度长，地层侵入流体后，需要上返到一定高度后，才能引起地面参数的变化，导致该方法发现溢流时间严重滞后，且严重依赖监测人员的经验、责任与意识。
目前，已提出的如人工神经网络、贝叶斯网络等方法在进行自动判断参数变化、复杂识别还存在局限性，无法在连续长时间工作中有效识别复杂特征，更无法准确早期识别溢流。
发明内容
本发明实施例提供一种钻井溢流工况的识别方法，用以可提升钻井溢流工况识别的效率和准确性；同时，可对溢流工况进行早期预测预警，提升了钻井安全性，该方法包括：
获取钻井历史数据；所述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；
基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；所述阈值用于进行特征数据的突变点检测；
从钻井的实时录井数据中，获取钻井的多种特征数据；
对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；所述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；
根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别。
本发明实施例还提供一种钻井溢流工况的识别装置，用以可提升钻井溢流工况识别的效率和准确性；同时，可对溢流工况进行早期预测预警，提升了钻井安全性，该装置包括：
钻井历史数据获取模块，用于获取钻井历史数据；所述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；
特征数据阈值训练模块，用于基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；所述阈值用于进行特征数据的突变点检测；
钻井特征数据实时获取模块，用于从钻井的实时录井数据中，获取钻井的多种特征数据；
小波变换处理模块，用于对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；所述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；
溢流点识别模块，用于根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述钻井溢流工况的识别方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述钻井溢流工况的识别方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述钻井溢流工况的识别方法。
本发明实施例中，获取钻井历史数据；所述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；所述阈值用于进行特征数据的突变点检测；从钻井的实时录井数据中，获取钻井的多种特征数据；对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；所述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别，与现有技术中通过人工来识别溢流的技术方案相比，首先从钻井的实时录井数据中，获取钻井的多种特征数据，之后基于遗传算法确定特征数据阈值，实现对溢流点的识别，可在溢流初始时刻通过多种特征数据识别参数突变，从而检测出溢流，可提升钻井溢流工况识别的效率和准确性；同时，可对溢流工况进行早期预测预警，实现了对石油钻井中的复杂工况中的溢流工况的提前预测，及时有效的减少了溢流工况所带来的石油钻井中的危害提前警示钻井工作人员，为控制溢流的进一步发展争取宝贵的时间，解决了现有技术下因人工识别溢流导致的发现溢流时间严重滞后而致使的钻井安全性问题，避免了造成井控险情，甚至发生井喷等严重事故，从而减小了不必要的生命财产损失。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例中一种钻井溢流工况的识别方法的流程示意图；
图2为本发明实施例中一种钻井溢流工况的识别方法的具体示例图；
图3为本发明实施例中一种进行小波变换处理的流程示例图；
图4为本发明实施例中一种识别出的溢流点在出口流量原始数据上进行展示的示意图；
图5为本发明实施例中一种对钻井历史数据进行溢流点阈值的遗传算法训练的流程示意图；
图6为本发明实施例中一种对钻井的多种特征数据进行溢流点识别的流程示例图；
图7为本发明实施例中一种泵冲特征数据经小波变换后得到的高频信号图；
图8为本发明实施例中一种全烃特征数据经小波变换后得到的高频信号图；
图9为本发明实施例中一种计算初始种群中每一个体的分数的示例图；
图10为本发明实施例中一种用于钻井溢流工况的识别的计算机设备示意图；
图11为本发明实施例中一种钻井溢流工况的识别装置的结构示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本文中术语“和/或”，仅仅是描述一种关联关系，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，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请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一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
随着油气勘探开发逐渐向深部、复杂地层进军发展，钻井过程中面临的溢流风险越来越大。油气钻井经验表明，从溢流发现到井喷的时间很快，间隔在30分钟内的占三分之二，这其中又有一半在10分钟之内。若是不能及时发现溢流，则可能导致井控险情，甚至井眼报废及人员伤亡等重大事故，因此及时识别并提前检测出溢流的发生，提前给出一定预警时间，将为处理溢流争取到宝贵时间，从而有效控制溢流恶化，保证井筒安全。
传统钻井技术通过人为的跟踪综合录井仪获取的特征参数，分析出入口流量差和地面总池体积变化等来识别溢流。由于井口到井底的深度长，地层侵入流体后，需要上返到一定高度后，才能引起地面参数的变化，导致该方法发现溢流时间严重滞后，且严重依赖监测人员的经验、责任与意识。目前，已提出的如人工神经网络、贝叶斯网络等方法在进行自动判断参数变化、复杂识别还存在局限性，无法在连续长时间工作中有效识别复杂特征，准确早期识别溢流。
为了解决上述问题，本发明实施例提供一种钻井溢流工况的识别方法，用以在溢流初始时刻就识别参数突变从而检测出溢流，对溢流工况进行早期预测预警，提前警示钻井工作人员，为控制溢流的进一步发展争取宝贵的时间，避免造成井控险情，甚至发生井喷等严重的事故，从而带来不必要的生命财产损失，提升钻井溢流工况识别的效率和准确性；同时，可对溢流工况进行早期预测预警，提升了钻井安全性，参见图1，该方法可以包括：
步骤101：获取钻井历史数据；上述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；
步骤102：基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；上述阈值用于进行特征数据的突变点检测；
步骤103：从钻井的实时录井数据中，获取钻井的多种特征数据；
步骤104：对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；上述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；
步骤105：根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别。
本发明实施例中，获取钻井历史数据；上述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；上述阈值用于进行特征数据的突变点检测；从钻井的实时录井数据中，获取钻井的多种特征数据；对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；上述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别，与现有技术中通过人工来识别溢流的技术方案相比，首先从钻井的实时录井数据中，获取钻井的多种特征数据，之后基于遗传算法确定特征数据阈值，实现对溢流点的识别，可在溢流初始时刻通过多种特征数据识别参数突变，从而检测出溢流，可提升钻井溢流工况识别的效率和准确性；同时，可对溢流工况进行早期预测预警，实现了对石油钻井中的复杂工况中的溢流工况的提前预测，及时有效的减少了溢流工况所带来的石油钻井中的危害提前警示钻井工作人员，为控制溢流的进一步发展争取宝贵的时间，解决了现有技术下因人工识别溢流导致的发现溢流时间严重滞后而致使的钻井安全性问题，避免了造成井控险情，甚至发生井喷等严重事故，从而减小了不必要的生命财产损失。
具体实施时，首先获取钻井历史数据；上述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据。
实施例中，获取钻井的多种特征数据，可以包括：实时获取钻井现场综合录井仪获取的钻井的多种特征数据，如出口流量、立压、全烃、泵冲变化、钻头深度和入口流量等多种特征数据；多种特征数据对应的钻井溢流情况，可以包括：不同特征数据对应的钻井溢流点。
具体实施时，在获取钻井历史数据后，基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；上述阈值用于进行特征数据的突变点检测。
实施例中，基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值，可以包括：
针对每一种特征数据：
利用随机种子，生成初始种群；
根据遗传算法的适应度函数，计算初始种群中每一个体的分数；根据初始种群中每一个体的分数，对初始种群选择满足预设分数条件的个体，进行遗传操作，获得新种群；上述遗传操作包括交叉操作、复制操作和变异操作；将新种群替换初始种群；
循环执行上述获得新种群的步骤，直至个体的分数达最大值或循环次数达到设定遗传代数，输出最新的种群：
根据输出的最新的种群，确定对应该特征数据的阈值。
在上述实施例中，可用遗传算法得到识别突变的最佳阈值，而该遗传算法的相关参数可按如下进行预设置：种群个数为30个，迭代次数为50次，种群中染色体的交叉率为0.8，变异率为0.3。在一个具体上述实例中，利用定义的以得分函数为评价标准的适应度函数，训练得到的最佳溢流点阈值可如表1所示：
表1
| 参数名称 | 阈值 |
| 出口流量 | -0.0731314118221788 |
| 立压 | -0.04382022471910113 |
| 全烃 | 0.006790425012212997 |
| 泵冲变化 | -0.011675622862725943 |
| 钻头深度 | -0.07664875427454812 |
在一个实施例中，按如下公式根据遗传算法的适应度函数，计算初始种群中每一个体的分数：
其中，f(x)为初始种群中每一个体的分数；C为常数；x～N(0,1)表示x服从标准正态分布；index为数据中溢流的起始位置；length为数据中溢流的结束位置；在[index-100,index+100]，x＝(X-index)/200，在[index+100,length]中，x＝(abs(X-index))/(length-index)+1，X为识别出的溢流点。在上述实施例中，f(x)是指根据遗传算法的适应度计算函数，经此函数可计算得到的初始种群中每一个体的分数。
在一个实施例中，上述对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值，可以包括如下步骤：
步骤1、利用随机种子初始化种群(由很多个个体构成的数据集合，个体可以看成优化问题的一个解)，得到种群1(即上述的初始种群)；
步骤2、利用上述适应度函数f(x)计算出每个个体的得分，如果有满足得分条件的个体，则结束算法，否则转至步骤3；
步骤3、根据个体得分进行选择，抛弃一定比例的个体，剩余个体进行遗传操作，得到一个新种群，如种群2，然后再次跳转至步骤2；
其中，遗传操作分为交叉、复制、变异，每个个体会随机发生这三种的一种或者不发生任何操作。交叉操作指两个个体间按一定比例和要求交换各自一部分参数。复制操作指该个体会生成一个一模一样的个体。变异操作指该个体的部分参数发生改变。
在一个具体的实施例中，上述遗传算法中定义的适应度函数为溢流位置得分之和，可使得溢流点附近的位置得分高，识别出溢流点100个时间单位的左侧的位置说明错误识别，让其得分为负值，溢流点右侧且是溢流的位置说明正确识别，但因其距离初始溢流点较远，故让其得分为正且小于溢流点左右100时间单位的位置得分，并逐渐趋于0，这更有利于识别出溢流起始位置，实现溢流的早期识别，如图9所示。
本发明实施例的目的是识别突变从而检测出溢流，期望能在溢流初始位置附近检测出突变，故本发明实施例中可让溢流点附近的点，得分高；在溢流点后的突变说明溢流点被检测出来，但是和本发明实施例期望的初始溢流的突变重要程度不同，故本发明实施例，将初始溢流附近区域后的位置得分设置为上述，f(x)公式所示的分数，向后逐渐趋于0；在溢流附近范围的前面识别出突变说明识别错误，在此本发明实施例将其值设置为-0.8。具体的，本发明实施例可将种群个体数设置为30个，进行100次迭代，获取适应度最大的个体，得到其中的染色体，进行解码，得到最佳的溢流点阈值。
具体实施时，在基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值后，从钻井的实时录井数据中，获取钻井的多种特征数据。
实施例中，从钻井的实时录井数据中，获取钻井的多种特征数据，可以包括：实时获取钻井现场综合录井仪获取的钻井的多种特征数据，如出口流量、立压、全烃、泵冲变化、钻头深度和入口流量等多种特征数据。
在上述实施例中，为了实现突变的检测，本发明实施例需要提取出特征数据中的高频信号，将变化不剧烈的信号模糊化，因此本发明实施例将原始的特征数据进行三级小波变换分解与重构，并提取其中的二级高频信号，用来作为下一步溢流点判定的输入数据。
具体实施时，在从钻井的实时录井数据中，获取钻井的多种特征数据后，对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；上述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声。
实施例中，对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征，可以包括：
利用小波多辨析分析特性，对每一种特征数据进行多尺度分解重组，提取每一种特征数据的高频信号特征。
在一个实施例中，对每一种特征数据进行多尺度分解重组，提取每一种特征数据的高频信号特征，可以包括：
针对每一种特征数据：对该种特征数据进行一阶小波变换，得到一阶近似信号和一阶细节信号；上述一阶细节信号为第一组高频信号；
提取一阶近似信号，并再次进行小波变换，得到二阶近似信号和二阶细节信号；
将二阶细节信号，作为该种特征数据的高频信号特征。
在一个实施例中，进行小波变换处理是对原信号(即特征数据)在不同尺度上“磨光”，即与局部可积函数做卷积，从而达到改进原信号光滑性的效果，对处理后的信号的一阶或二阶导数检测其极值点或过零点。
在一个实施例中，可利用小波多辨析分析特性，将获取到的特征数据进行多尺度分解重组，确定信号突变性位置，小波变换即将原始信号进行“磨光”处理，主要是为了消除噪声而不是边缘，磨光函数是满足可积性
的任意函数，该函数这个函数不需要输入，只需要是一个在R域上满足磨光函数的性质的任意函数。这样的θ(t)的效果等价于低通滤波器。由卷积型小波变换的定义，有
t表示时间，式(1)和式(2)中的卷积操作gθs(t)也称为磨光算子(即能改造函数光滑性的卷积算子)。选取光滑函数θs(t)后，信号g(t)的突变点X(tX,g(tx))，可以通过检测小波变换
和
的模极大值而得到，
表示磨光函数θs(t)的i阶导数形式，光滑函数θs(t),可以取如指数函数等。
具体实施时，在对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征后，根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别。
实施例中，上述钻井的多种特征数据包括：出口流量特征数据、立压特征数据、全烃特征数据、泵冲变化特征数据、钻头深度特征数据和入口流量特征数据的其中之一或任意组合。
具体实施时，本发明实施例提供的一种钻井溢流工况的识别方法，还可以包括：获取进行溢流点识别的特征数据比较流程；上述特征数据比较流程用于描述进行高频信号特征和溢流点阈值比较的不同种特征数据的流程；
根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别，可以包括：
根据每一种特征数据的阈值、每一种特征数据的高频信号特征，和进行溢流点识别的特征数据比较流程，对钻井的多种特征数据进行溢流点识别。
在一个实施例中，溢流点的选取依靠专家经验得到的流程图(即一种进行溢流点识别的特征数据比较流程)，阈值为衡量一个参数数据是否变化剧烈的标准。在代入阈值后，根据阈值和专家经验流程图，可找出溢流点。
在一个实施例中，根据每一种特征数据的阈值、每一种特征数据的高频信号特征，和进行溢流点识别的特征数据比较流程，对钻井的多种特征数据进行溢流点识别，可以包括：
在出口流量特征数据的高频信号特征大于等于出口流量特征数据的阈值，且立压特征数据的高频信号特征大于等于立压特征数据的阈值时，将当前的钻井位置确定为溢流点；
在出口流量特征数据的高频信号特征小于出口流量特征数据的阈值、立压特征数据的高频信号特征小于立压特征数据的阈值、全烃特征数据的高频信号特征小于全烃特征数据的阈值、泵冲特征数据的高频信号特征小于泵冲特征数据的阈值、且钻头深度特征数据的高频信号特征小于泵冲特征数据的阈值时，将当前的钻井位置确定为溢流点。
下面给出一个具体实施例，来说明本发明的方法的具体应用。
首先，对该实施例涉及的参数及公式进行如下说明：
定义1：X为识别出的突变点；
定义2：xi为经过处理后第i个间隔区域的数据点；
定义3：卷积，假设f(x),g(x)是R1上的可积函数，则卷积
定义4：适应度函数f(x)是根据输入x输出一个得分的函数；
定义5：xi～N(0,1)表示数据服从正态分布；
定义6：磨光函数θ(t)，是一种具有局部可积性质的函数；
定义6：
表示磨光函数θ(t)的i阶导数形式。
其次，该实施例中，如图2所示的简化流程图，可以包括如下步骤：
步骤1、实时获取钻井现场综合录井仪获取的参数数据，本发明采用的参数为：出口流量、立压、全烃、泵冲变化、钻头深度、入口流量。
步骤2、如图3所示，可利用小波多辨析分析特性将获取到的数据进行多尺度分解重组，确定信号突变性位置，小波变换即将原始信号进行“磨光”处理，主要是为了消除噪声而不是边缘，磨光函数是满足可积性
的任意函数。这样的θ(t)的效果等价于低通滤波器。由卷积型小波变换的定义，有
其中，t表示时间，式(1)和式(2)中的卷积操作g*θs(t)也称为磨光算子(即能改造函数光滑性的卷积算子)。选取光滑函数θsθ(t)后，信号g(t)的突变点X(tX,g(tX))，可以通过检测小波变换
和
的模极大值而得到；
表示磨光函数θ(t)的i阶导数形式，光滑函数θs(t),可以取指数函数。
步骤3、提取小波分解、重组后得到的高频信号d2；
步骤4、用遗传算法得到识别突变的最佳阈值，遗传算法中种群个数为30个，迭代次数为50次，种群中染色体的交叉率为0.8，变异率为0.3；
举一实例，图4为本发明实施例中识别出的溢流点在出口流量原始数据上进行展示的示意图。
进一步地，步骤4中遗传算法的简要流程，如图5所示，可以包括如下步骤：
(1)利用随机种子初始化种群(由很多个个体构成的数据集合，个体可以看成优化问题的一个解)，得到种群1；
(2)利用适应度函数f(x)计算出每个个体的得分，如果有满足得分条件的个体，则结束算法，否则转(3)；
(3)根据个体得分进行选择，抛弃一定比例的个体，剩余个体进行遗传操作，遗传操作分为交叉、复制、变异，每个个体会随机发生这三种的一种或者不发生任何操作。交叉操作指两个个体间按一定比例和要求交换各自一部分参数。复制操作指该个体会生成一个一模一样的个体。变异操作指该个体的部分参数发生改变。这样会得到一个新的种群——种群2，然后转(2)。
利用定义的以得分函数为评价标准的适应度函数，训练得到的最佳阈值如表1所示。
步骤5、利用最佳阈值和人工经验得到的溢流识别流程图，对溢流点进行识别。
进一步地，步骤2中小波变换提取的不同频率和不同时间维度的特征数据为原始数据；；
进一步地，步骤3中利用小波分解、重组得到高频信号d2，一阶小波变换得到一阶近似信号和一阶细节信号，一阶细节信号即第一组高频信号，在此基础上将一阶小波变换的一阶近似信号提取出来再进行小波变换得到二阶近似信号和二阶细节信号，以此类推，选取其中的第二组高频信号(d2信号)用于突变检测；在步骤3中利用小波分解、重组得到高频信号d2用于突变检测；
进一步地，步骤4中将小波变换得到的高频信号d2作为遗传算法的输入，用于训练参数，结合专家经验得到的溢流识别流程图，对阈值进行训练，其中的适应度函数的评价标准为利用下述得分函数对识别出来的所有溢流位置进行打分之和，得分函数如下：
其中，f(x)为初始种群中每一个体的分数；C为常数；x～N(0,1)表示x服从标准正态分布；index为数据中溢流的起始位置；length为数据中溢流的结束位置；在[ibdex-100,index+100]，x＝(X-index)/200，在[index+100,length]中，x＝(abs(X-index))/(length-index)+1，X为识别出的溢流点。
实施例中，在遗传算法中本发明定义适应度函数为溢流位置得分之和。使得溢流点附近的位置得分高，识别出溢流点100个时间单位的左侧的位置说明错误识别，让其得分为负值，溢流点右侧且是溢流的位置说明正确识别，但因其距离初始溢流点较远，故让其得分为正且小于溢流点左右100时间单位的位置得分，并逐渐趋于0，这更有利于识别出溢流起始位置，实现溢流的早期识别，如上上述。本发明的目的是识别突变从而检测出溢流，本发明希望能在溢流初始位置附近检测出突变，故本发明让溢流点附近的点得分高；在溢流点后的突变说明溢流点被检测出来但是和本发明想要的初始溢流的突变重要程度不同，故本发明将初始溢流附近区域后的位置得分设置为上式所示分数，向后逐渐趋于0；在溢流附近范围的前面识别出突变说明识别错误，在此本发明将其值设置为-0.8。本发明将种群个体数设置为30个，进行100次迭代，获取适应度最大的个体，得到其中的染色体，进行解码，得到最佳阈值。
进一步地，钻井现场监控人员可以根据检测结果和现场参数实时监控综合判断进行下一步任务的决策。
如图6所示，根据每一种特征数据的阈值、每一种特征数据的高频信号特征，和进行溢流点识别的特征数据比较流程，对钻井的多种特征数据进行溢流点识别，可以包括如下步骤：
a、输入经过小波提取的高频d2特征：出口流量、立压、全烃、泵冲变化、钻头深度、入口流量；如图7和图8所示，图7为本发明实施例中一种泵冲特征数据经小波变换后得到的高频信号图；图8为本发明实施例中一种全烃特征数据经小波变换后得到的高频信号图；
b、如果出口流量大于出口流量阈值且立压大于立压阈值，转g；
如果出口流量小于出口流量阈值且立压小于立压阈值，转f；
否则转c；
c、如果全烃大于全烃阈值，转f；
否则转d；
d、如果泵冲大于泵冲阈值，转f；
否则转e；
e、如果钻头深度大于钻头深度阈值，转f；
否则转g；
f、输出正常；
g、输出溢流。
本实施例采用上述技术方案所产生的有益效果在于：根据结果表明，可较好地检测溢流的发生，对溢流进行提前预警，提醒钻井人员提前采取补救措施，降低进一步引发井喷的可能性。另外，该方法基于小波的突变检测，不依赖监控人员的经验，可以避免由于人员经验不足、操作不当、注意力不集中等而引发对溢流的误判、未判等问题。
下面本发明将通过一个具体实例进行说明。
采用某油田的真实钻井历史数据，本发明实施例截取了溢流产生前60分钟以上的数据和溢流发生后数据，共有样本4663条，溢流发生之前共有3181条数据，溢流数据有1428条。
结合上述数据的具体实施步骤：
1)数据处理：
为了实现突变的检测，本发明需要提取出信号中的高频信号，将变化不剧烈的信号模糊化，因此本发明将原始数据进行三级小波变换分解与重构，提取其中的二级高频信号，用来作为下一步溢流判定的输入。
2)遗传训练阈值：
在遗传算法中本发明定义适应度函数为溢流位置得分之和。使得溢流点附近的位置得分高，识别出溢流点100个时间单位的左侧的位置说明错误识别，让其得分为负值，溢流点右侧且是溢流的位置说明正确识别，但因其距离初始溢流点较远，故让其得分为正且小于溢流点左右100时间单位的位置得分，并逐渐趋于0，这更有利于识别出溢流起始位置，实现溢流的早期识别，如上述。本发明的目的是识别突变从而检测出溢流，本发明希望能在溢流初始位置附近检测出突变，故本发明让溢流点附近的点得分高；在溢流点后的突变说明溢流点被检测出来但是和本发明想要的初始溢流的突变重要程度不同，故本发明将初始溢流附近区域后的位置得分设置为上式所示分数，向后逐渐趋于0；在溢流附近范围的前面识别出突变说明识别错误，在此本发明将其值设置为-0.8。本发明将种群个体数设置为30个，进行100次迭代，获取适应度最大的个体，得到其中的染色体，进行解码，得到最佳阈值。
3)选取溢流点：
溢流点的选取依靠专家经验得到的流程图，阈值为衡量一个参数数据是否变化剧烈的标准。在代入阈值后，根据阈值和专家经验流程图本发明找出溢流点，识别出的溢流起始点位置为2621，与真实溢流起始点位置距离为561，以本发明给出的溢流附近的范围为前提，错误识别点定义为识别出的不是溢流的点并且在溢流起始点100之前的点，计算得出错误识别率为4.35％。
当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
本发明实施例中，获取钻井历史数据；上述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；上述阈值用于进行特征数据的突变点检测；从钻井的实时录井数据中，获取钻井的多种特征数据；对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；上述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别，与现有技术中通过人工来识别溢流的技术方案相比，首先从钻井的实时录井数据中，获取钻井的多种特征数据，之后基于遗传算法确定特征数据阈值，实现对溢流点的识别，可在溢流初始时刻通过多种特征数据识别参数突变，从而检测出溢流，可提升钻井溢流工况识别的效率和准确性；同时，可对溢流工况进行早期预测预警，实现了对石油钻井中的复杂工况中的溢流工况的提前预测，及时有效的减少了溢流工况所带来的石油钻井中的危害提前警示钻井工作人员，为控制溢流的进一步发展争取宝贵的时间，解决了现有技术下因人工识别溢流导致的发现溢流时间严重滞后而致使的钻井安全性问题，避免了造成井控险情，甚至发生井喷等严重事故，从而减小了不必要的生命财产损失。
如上述，本发明实施例为了准确的对溢流工况进行提前识别，针对钻井数据的特点，提出一种基于小波突变检测的石油钻井工况突变的识别方法，对溢流前的一小段时间内突变进行识别，从而实现在溢流发生前检测溢流。小波突变检测是对原信号在不同尺度上“磨光”，即与局部可积函数做卷积，从而达到改进原信号光滑性的效果，对处理后的信号的一阶或二阶导数检测其极值点或过零点。经小波变换会提取原始信号的高频信号，放大原信号的变化，再通过遗传算法训练出一组最佳数据，此处的最佳数据即最佳阈值，阈值为衡量信号的一组数据是否变化剧烈的边界值，小波变换后的数据值大于训练的阈值则认为此处变化剧烈。
根据结果表明，该方法可较好地检测溢流的发生，对溢流进行提前预警，提醒钻井人员提前采取补救措施，降低进一步引发井喷的可能性。另外，该方法基于小波的突变检测，不依赖监控人员的经验，可以避免由于人员经验不足、操作不当、注意力不集中等而引发对溢流的误判、未判等问题。
本发明实施例的目的是在溢流初始时刻就识别参数突变从而检测出溢流，对溢流工况进行早期预测预警，提前警示钻井工作人员，为控制溢流的进一步发展争取宝贵的时间，避免造成井控险情，甚至发生井喷等严重的事故，从而带来不必要的生命财产损失。能够实现对石油钻井中的复杂工况中的溢流工况的提前预测，及时、有效的减少了溢流工况所带来的石油钻井中的危害，有效弥补现有技术局限。
本发明实施例中还提供了一种钻井溢流工况的识别装置，如下面的实施例上述。由于该装置解决问题的原理与钻井溢流工况的识别方法相似，因此该装置的实施可以参见钻井溢流工况的识别方法的实施，重复之处不再赘述。
本发明实施例还提供一种钻井溢流工况的识别装置，用以可提升钻井溢流工况识别的效率和准确性；同时，可对溢流工况进行早期预测预警，提升了钻井安全性，如图11所示，该装置包括：
钻井历史数据获取模块1101，用于获取钻井历史数据；上述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；
特征数据阈值训练模块1102，用于基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；上述阈值用于进行特征数据的突变点检测；
钻井特征数据实时获取模块1103，用于从钻井的实时录井数据中，获取钻井的多种特征数据；
小波变换处理模块1104，用于对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；上述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；
溢流点识别模块1105，用于根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别。
在一个实施例中，特征数据阈值训练模块，具体用于：
针对每一种特征数据：
利用随机种子，生成初始种群；
根据遗传算法的适应度函数，计算初始种群中每一个体的分数；根据初始种群中每一个体的分数，对初始种群选择满足预设分数条件的个体，进行遗传操作，获得新种群；上述遗传操作包括交叉操作、复制操作和变异操作；将新种群替换初始种群；
循环执行上述获得新种群的步骤，直至个体的分数达最大值或循环次数达到设定遗传代数，输出最新的种群：
根据输出的最新的种群，确定对应该特征数据的阈值。
在一个实施例中，特征数据阈值训练模块，具体用于：
按如下公式根据遗传算法的适应度函数，计算初始种群中每一个体的分数：
其中，f(x)为初始种群中每一个体的分数；C为常数；x～N(0,1)表示x服从标准正态分布；index为数据中溢流的起始位置；length为数据中溢流的结束位置；在[index-100,index+100]，x＝(X-index)/200，在[index+100,length]中，x＝(abs(X-index))/(length-index)+1，X为识别出的溢流点。
在一个实施例中，对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征，可以包括：
利用小波多辨析分析特性，对每一种特征数据进行多尺度分解重组，提取每一种特征数据的高频信号特征。
在一个实施例中，小波变换处理模块，具体用于：
针对每一种特征数据：对该种特征数据进行一阶小波变换，得到一阶近似信号和一阶细节信号；上述一阶细节信号为第一组高频信号；
提取一阶近似信号，并再次进行小波变换，得到二阶近似信号和二阶细节信号；
将二阶细节信号，作为该种特征数据的高频信号特征。
在一个实施例中，上述钻井的多种特征数据包括：出口流量特征数据、立压特征数据、全烃特征数据、泵冲变化特征数据、钻头深度特征数据和入口流量特征数据的其中之一或任意组合。
在一个实施例中，还可以包括：特征数据比较流程获取模块，用于：
获取进行溢流点识别的特征数据比较流程；上述特征数据比较流程用于描述进行高频信号特征和溢流点阈值比较的不同种特征数据的流程；
溢流点识别模块，具体用于：
根据每一种特征数据的阈值、每一种特征数据的高频信号特征，和进行溢流点识别的特征数据比较流程，对钻井的多种特征数据进行溢流点识别。
在一个实施例中，溢流点识别模块，具体用于：
在出口流量特征数据的高频信号特征大于等于出口流量特征数据的阈值，且立压特征数据的高频信号特征大于等于立压特征数据的阈值时，将当前的钻井位置确定为溢流点；
在出口流量特征数据的高频信号特征小于出口流量特征数据的阈值、立压特征数据的高频信号特征小于立压特征数据的阈值、全烃特征数据的高频信号特征小于全烃特征数据的阈值、泵冲特征数据的高频信号特征小于泵冲特征数据的阈值、且钻头深度特征数据的高频信号特征小于泵冲特征数据的阈值时，将当前的钻井位置确定为溢流点。
本发明实施例提供一种用于实现上述钻井溢流工况的识别方法中的全部或部分内容的计算机设备的实施例所述计算机设备具体包含有如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该计算机设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该计算机设备可以参照实施例用于实现钻井溢流工况的识别方法的实施例及用于实现钻井溢流工况的识别装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图10为本申请实施例的计算机设备1000的系统构成的示意框图。如图10所示，该计算机设备1000可以包括中央处理器1001和存储器1002；存储器1002耦合到中央处理器1001。值得注意的是，该图10是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，钻井溢流工况的识别功能可以被集成到中央处理器1001中。其中，中央处理器1001可以被配置为进行如下控制：
获取钻井历史数据；所述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；
基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；所述阈值用于进行特征数据的突变点检测；
从钻井的实时录井数据中，获取钻井的多种特征数据；
对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；所述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；
根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别。
在另一个实施方式中，钻井溢流工况的识别装置可以与中央处理器1001分开配置，例如可以将钻井溢流工况的识别装置配置为与中央处理器1001连接的芯片，通过中央处理器的控制来实现钻井溢流工况的识别功能。
如图10所示，该计算机设备1000还可以包括：通信模块1003、输入单元1004、音频处理器1005、显示器1006、电源1007。值得注意的是，计算机设备1000也并不是必须要包括图10中所示的所有部件；此外，计算机设备1000还可以包括图10中没有示出的部件，可以参考现有技术。
如图10所示，中央处理器1001有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器1001接收输入并控制计算机设备1000的各个部件的操作。
其中，存储器1002，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器1001可执行该存储器1002存储的该程序，以实现信息存储或处理等。
输入单元1004向中央处理器1001提供输入。该输入单元1004例如为按键或触摸输入装置。电源1007用于向计算机设备1000提供电力。显示器1006用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器1002可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器1002还可以是某种其它类型的装置。存储器1002包括缓冲存储器1021(有时被称为缓冲器)。存储器1002可以包括应用/功能存储部1022，该应用/功能存储部1022用于存储应用程序和功能程序或用于通过中央处理器1001执行计算机设备1000的操作的流程。
存储器1002还可以包括数据存储部1023，该数据存储部1023用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器1002的驱动程序存储部1024可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块1003即为经由天线1008发送和接收信号的发送机/接收机1003。通信模块(发送机/接收机)1003耦合到中央处理器1001，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一计算机设备中，可以设置有多个通信模块1003，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)1003还经由音频处理器1005耦合到扬声器1009和麦克风1010，以经由扬声器1009提供音频输出，并接收来自麦克风1010的音频输入，从而实现通常的电信功能。音频处理器1005可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器1005还耦合到中央处理器1001，从而使得可以通过麦克风1010能够在本机上录音，且使得可以通过扬声器1009来播放本机上存储的声音。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述钻井溢流工况的识别方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述钻井溢流工况的识别方法。
本发明实施例中，获取钻井历史数据；所述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；所述阈值用于进行特征数据的突变点检测；从钻井的实时录井数据中，获取钻井的多种特征数据；对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；所述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别，与现有技术中通过人工来识别溢流的技术方案相比，首先从钻井的实时录井数据中，获取钻井的多种特征数据，之后基于遗传算法确定特征数据阈值，实现对溢流点的识别，可在溢流初始时刻通过多种特征数据识别参数突变，从而检测出溢流，可提升钻井溢流工况识别的效率和准确性；同时，可对溢流工况进行早期预测预警，实现了对石油钻井中的复杂工况中的溢流工况的提前预测，及时有效的减少了溢流工况所带来的石油钻井中的危害提前警示钻井工作人员，为控制溢流的进一步发展争取宝贵的时间，解决了现有技术下因人工识别溢流导致的发现溢流时间严重滞后而致使的钻井安全性问题，避免了造成井控险情，甚至发生井喷等严重事故，从而减小了不必要的生命财产损失。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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设备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设备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设备以特定方式工作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设备上，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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (19)
1.一种钻井溢流工况的识别方法，其特征在于，包括：
获取钻井历史数据；所述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；
基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；所述阈值用于进行特征数据的突变点检测；
从钻井的实时录井数据中，获取钻井的多种特征数据；
对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；所述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；
根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别。
2.如权利要求1所述的方法，其特征在于，基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值，包括：
针对每一种特征数据：
利用随机种子，生成初始种群；
根据遗传算法的适应度函数，计算初始种群中每一个体的分数；根据初始种群中每一个体的分数，对初始种群选择满足预设分数条件的个体，进行遗传操作，获得新种群；所述遗传操作包括交叉操作、复制操作和变异操作；将新种群替换初始种群；
循环执行上述获得新种群的步骤，直至个体的分数达最大值或循环次数达到设定遗传代数，输出最新的种群：
根据输出的最新的种群，确定对应该特征数据的阈值。
3.如权利要求2所述的方法，其特征在于，按如下公式根据遗传算法的适应度函数，计算初始种群中每一个体的分数：
其中，f(x)为初始种群中每一个体的分数；C为常数；x～N(0,1)表示x服从标准正态分布；index为数据中溢流的起始位置；length为数据中溢流的结束位置；在[index-100,index+100]，x＝(X-index)/200，在[index+100,length]中，x＝(abs(X-index))/(length-index)+1，X为识别出的溢流点。
4.如权利要求1所述的方法，其特征在于，对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征，包括：
利用小波多辨析分析特性，对每一种特征数据进行多尺度分解重组，提取每一种特征数据的高频信号特征。
5.如权利要求4所述的方法，其特征在于，对每一种特征数据进行多尺度分解重组，提取每一种特征数据的高频信号特征，包括：
针对每一种特征数据：对该种特征数据进行一阶小波变换，得到一阶近似信号和一阶细节信号；所述一阶细节信号为第一组高频信号；
提取一阶近似信号，并再次进行小波变换，得到二阶近似信号和二阶细节信号；
将二阶细节信号，作为该种特征数据的高频信号特征。
6.如权利要求1所述的方法，其特征在于，所述钻井的多种特征数据包括：出口流量特征数据、立压特征数据、全烃特征数据、泵冲变化特征数据、钻头深度特征数据和入口流量特征数据的其中之一或任意组合。
7.如权利要求6所述的方法，其特征在于，还包括：获取进行溢流点识别的特征数据比较流程；所述特征数据比较流程用于描述进行高频信号特征和溢流点阈值比较的不同种特征数据的流程；
根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别，包括：
根据每一种特征数据的阈值、每一种特征数据的高频信号特征，和进行溢流点识别的特征数据比较流程，对钻井的多种特征数据进行溢流点识别。
8.如权利要求7所述的方法，其特征在于，根据每一种特征数据的阈值、每一种特征数据的高频信号特征，和进行溢流点识别的特征数据比较流程，对钻井的多种特征数据进行溢流点识别，包括：
在出口流量特征数据的高频信号特征大于等于出口流量特征数据的阈值，且立压特征数据的高频信号特征大于等于立压特征数据的阈值时，将当前的钻井位置确定为溢流点；
在出口流量特征数据的高频信号特征小于出口流量特征数据的阈值、立压特征数据的高频信号特征小于立压特征数据的阈值、全烃特征数据的高频信号特征小于全烃特征数据的阈值、泵冲特征数据的高频信号特征小于泵冲特征数据的阈值、且钻头深度特征数据的高频信号特征小于泵冲特征数据的阈值时，将当前的钻井位置确定为溢流点。
9.一种钻井溢流工况的识别装置，其特征在于，包括：
钻井历史数据获取模块，用于获取钻井历史数据；所述钻井历史数据用于表征：钻井的多种特征数据和多种特征数据对应的钻井溢流情况的历史数据；
特征数据阈值训练模块，用于基于小波变换算法，对钻井历史数据进行溢流点阈值的遗传算法训练，得到每一种特征数据的阈值；所述阈值用于进行特征数据的突变点检测；
钻井特征数据实时获取模块，用于从钻井的实时录井数据中，获取钻井的多种特征数据；
小波变换处理模块，用于对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征；所述小波变换处理包括对特征数据进行分解和重组，用于消除特征数据的噪声；
溢流点识别模块，用于根据每一种特征数据的阈值和每一种特征数据的高频信号特征，对钻井的多种特征数据进行溢流点识别。
10.如权利要求9所述的装置，其特征在于，特征数据阈值训练模块，具体用于：
针对每一种特征数据：
利用随机种子，生成初始种群；
根据遗传算法的适应度函数，计算初始种群中每一个体的分数；根据初始种群中每一个体的分数，对初始种群选择满足预设分数条件的个体，进行遗传操作，获得新种群；所述遗传操作包括交叉操作、复制操作和变异操作；将新种群替换初始种群；
循环执行上述获得新种群的步骤，直至个体的分数达最大值或循环次数达到设定遗传代数，输出最新的种群：
根据输出的最新的种群，确定对应该特征数据的阈值。
11.如权利要求10所述的装置，其特征在于，特征数据阈值训练模块，具体用于：
按如下公式根据遗传算法的适应度函数，计算初始种群中每一个体的分数：
其中，f(x)为初始种群中每一个体的分数；C为常数；x～N(0,1)表示x服从标准正态分布；index为数据中溢流的起始位置；length为数据中溢流的结束位置；在[index-100,index+100]，x＝(X-index)/200，在[index+100,length]中，x＝(abs(X-index))/(length-index)+1，X为识别出的溢流点。
12.如权利要求9所述的装置，其特征在于，对每一种特征数据进行小波变换处理，提取每一种特征数据的高频信号特征，包括：
利用小波多辨析分析特性，对每一种特征数据进行多尺度分解重组，提取每一种特征数据的高频信号特征。
13.如权利要求12所述的装置，其特征在于，小波变换处理模块，具体用于：
针对每一种特征数据：对该种特征数据进行一阶小波变换，得到一阶近似信号和一阶细节信号；所述一阶细节信号为第一组高频信号；
提取一阶近似信号，并再次进行小波变换，得到二阶近似信号和二阶细节信号；
将二阶细节信号，作为该种特征数据的高频信号特征。
14.如权利要求9所述的装置，其特征在于，所述钻井的多种特征数据包括：出口流量特征数据、立压特征数据、全烃特征数据、泵冲变化特征数据、钻头深度特征数据和入口流量特征数据的其中之一或任意组合。
15.如权利要求14所述的装置，其特征在于，还包括：特征数据比较流程获取模块，用于：
获取进行溢流点识别的特征数据比较流程；所述特征数据比较流程用于描述进行高频信号特征和溢流点阈值比较的不同种特征数据的流程；
溢流点识别模块，具体用于：
根据每一种特征数据的阈值、每一种特征数据的高频信号特征，和进行溢流点识别的特征数据比较流程，对钻井的多种特征数据进行溢流点识别。
16.如权利要求15所述的装置，其特征在于，溢流点识别模块，具体用于：
在出口流量特征数据的高频信号特征大于等于出口流量特征数据的阈值，且立压特征数据的高频信号特征大于等于立压特征数据的阈值时，将当前的钻井位置确定为溢流点；
在出口流量特征数据的高频信号特征小于出口流量特征数据的阈值、立压特征数据的高频信号特征小于立压特征数据的阈值、全烃特征数据的高频信号特征小于全烃特征数据的阈值、泵冲特征数据的高频信号特征小于泵冲特征数据的阈值、且钻头深度特征数据的高频信号特征小于泵冲特征数据的阈值时，将当前的钻井位置确定为溢流点。
17.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
19.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111656589.7A CN114482989A (zh) | 2021-12-30 | 2021-12-30 | 钻井溢流工况的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111656589.7A CN114482989A (zh) | 2021-12-30 | 2021-12-30 | 钻井溢流工况的识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114482989A true CN114482989A (zh) | 2022-05-13 |
Family
ID=81508485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111656589.7A Pending CN114482989A (zh) | 2021-12-30 | 2021-12-30 | 钻井溢流工况的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114482989A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115455866A (zh) * | 2022-10-31 | 2022-12-09 | 北京寄云鼎城科技有限公司 | 稳定工况识别方法及系统、设备及介质 |
-
2021
- 2021-12-30 CN CN202111656589.7A patent/CN114482989A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115455866A (zh) * | 2022-10-31 | 2022-12-09 | 北京寄云鼎城科技有限公司 | 稳定工况识别方法及系统、设备及介质 |
| CN115455866B (zh) * | 2022-10-31 | 2023-02-24 | 北京寄云鼎城科技有限公司 | 稳定工况识别方法及系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569783B (zh) | 一种驾驶人换道意图识别方法及系统 | |
| US11360235B2 (en) | Modeling method and method for diagnosing lost circulation | |
| CN105760673B (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
| US20150379110A1 (en) | Automated methods and systems for calculating hard thresholds | |
| CN111563524A (zh) | 一种多站融合系统运行态势异常监测和告警合并方法 | |
| CN109977586B (zh) | 一种体积压裂水平井分段分簇方法和装置 | |
| CN114482989A (zh) | 钻井溢流工况的识别方法及装置 | |
| CN108153735B (zh) | 一种近义词的获取方法及系统 | |
| CN115587543A (zh) | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 | |
| CN115620812B (zh) | 基于重采样的特征选择方法、装置、电子设备和存储介质 | |
| CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
| EP2956804B1 (en) | Method of modelling a subsurface volume | |
| CN114398828A (zh) | 一种钻速智能预测及优化方法、系统、设备和介质 | |
| CN114611958A (zh) | 一种基于机器学习的石油钻井大数据处理方法和装置 | |
| CN114718556A (zh) | 人工裂缝参数的获取方法、装置及设备 | |
| CN107203916B (zh) | 一种用户信用模型建立方法及装置 | |
| CN117291417A (zh) | 用于确定离岸co2咸水层封存场地的决策方法、装置及介质 | |
| CN116562901A (zh) | 基于机器学习的反欺诈规则自动生成方法 | |
| Biju et al. | A genetic algorithm based fuzzy C mean clustering model for segmenting microarray images | |
| CN108446907B (zh) | 安全校验方法及装置 | |
| Thomas | The data as the model: Interpreting permanent downhole gauge data without knowing the reservoir model | |
| CN110766054B (zh) | 一种压裂砂堵的预警方法、装置、存储介质及设备 | |
| CN114091883A (zh) | 井漏风险层位钻前预测方法、装置、介质及设备 | |
| CN112862019A (zh) | 一种动态筛选非周期性异常方法 | |
| CN111507578A (zh) | 风险评估方法及相关装置、设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221229 Address after: 100007 No. 9 North Main Street, Dongcheng District, Beijing, Dongzhimen Applicant after: CHINA NATIONAL PETROLEUM Corp. Applicant after: CNPC ENGINEERING TECHNOLOGY R & D Co.,Ltd. Applicant after: BEIJING PETROLEUM MACHINERY Co.,Ltd. Address before: 100007 No. 9 North Main Street, Dongcheng District, Beijing, Dongzhimen Applicant before: CHINA NATIONAL PETROLEUM Corp. Applicant before: CNPC ENGINEERING TECHNOLOGY R & D Co.,Ltd. |