发明内容
针对现有技术的上述问题,本文的目的在于,提供一种钻井机械钻速敏感性可视化方法、装置及设备,可以提高钻井机械钻速影响因素的分析可靠性。
为了解决上述技术问题,本文的具体技术方案如下:
一方面,本文提供一种钻井机械钻速敏感性可视化方法,所述方法包括:
获取历史钻井中与机械钻速相关的数据信息;
根据样本深度设置规则,依次对每种数据信息进行深度插值处理,以使每个指定深度对应的样本中均包含全部种类的数据信息,从而得到样本集合;
对所述样本集合进行异常样本剔除和聚类处理,以获得包含指定数量样本的目标样本集合;
根据所述目标样本集合和所述目标样本集合中每个样本对应的机械钻速得到钻井机械钻速敏感性可视化图形。
进一步地,所述数据信息至少包括钻井参数、钻井液性能、测井数据、地质特征、钻头记录和岩屑录井数据。
进一步地,所述根据样本深度设置规则,依次对每种数据信息进行深度插值处理,以使每个指定深度对应的样本中均包含全部种类的数据信息,从而得到样本集合,包括:
根据所述样本深度设置规则,确定样本集合中每个样本对应的深度;
确定不同数据信息的数据属性,所述数据属性包括连续型和非连续型;
确定连续型的数据信息的数据获取规则,并根据所述数据获取规则以及样本集合中每个样本对应的深度,计算获得每个样本中连续型数据信息对应的数值;
对非连续型的数据信息进行编码处理,以获得每个样本中非连续型数据信息对应的数值;
将每个样本中连续型数据信息对应的数值和非连续型数据信息对应的数值进行集合处理,得到样本集合。
进一步地,通过如下公式计算获得每个样本中连续型数据信息对应的数值:
其中,vinterp为插值数值,hinterp为插值深度,h1和h2分别为插值深度之下和之上距离最近的两个数据点对应深度,v1和v2分别为h1和h2对应的数据。
进一步地,对所述样本集合进行剔除处理,包括:
确定由样本集合训练得到的异常检测模型,所述异常检测模型包括多颗由样本集合中数据类型及对应的数值训练得到的孤立树;
依次将所述样本集合中的样本输入到所述异常检测模型中,得到每个样本在所述异常检测模型中每个孤立树的树高度;
计算获得每个样本在所述异常检测模型中树高度平均值;
将样本集合中预设比例数量的树高度平均值较低的样本标记为异常样本;
剔除所述异常样本,得到处理后的样本集合。
进一步地,对所述样本集合进行聚类处理,以获得包含指定数量样本的目标样本集合,包括:
根据目标样本集合中样本指定数量K,随机生成K个聚类的初始聚类中心;
计算所述样本集合中每个样本到K个聚类的初始聚类中心的距离;
将每个样本按照最小距离原则分配到相应的初始聚类中心对应的聚类中;
计算每个聚类的样本均值,并将所述样本均值更新为所述聚类的聚类中心;
回到计算所述样本集合中每个样本到K个聚类的初始聚类中心的距离的步骤,直到更新后的聚类中心不在发生变化,确定最终的K个聚类的聚类中心;
将所述K个聚类的聚类中心标记为目标样本,以获得包含指定数量样本的目标样本集合。
进一步地,所述根据所述目标样本集合和所述目标样本集合中每个样本对应的机械钻速,得到钻井机械钻速敏感性可视化图形,包括:
根据所述目标样本集合中每个目标样本的数据信息,确定所述目标样本集合中每个目标样本对应的机械钻速;
建立平行坐标图,将所述目标样本集合中全部数据类型依次设定为所述平行坐标图的横坐标;
根据所述目标样本的数据信息,依次连接同一目标样本的横坐标数据,形成目标样本可视化链路;
根据每个目标样本对应的机械钻速,对每个目标样本可视化链路设置对应的标识符号,以获得钻井机械钻速敏感性可视化图形。
进一步地,所述标识符号包括颜色;
所述根据每个目标样本对应的机械钻速,对每个目标样本可视化链路设置对应的标识符号,包括:
对不同的机械钻速设置不同的标识颜色;
根据每个目标样本对应的机械钻速,以及不同的机械钻速设置不同的标识颜色,将每个目标样本可视化链路设置不同的颜色标识,以通过颜色的变化对机械钻速的敏感性进行分析。
另一方面,本文还提供一种钻井机械钻速敏感性可视化装置,所述装置包括:
信息获取模块,用于获取历史钻井中与机械钻速相关的数据信息
样本集合确定模块,用于根据样本深度设置规则,依次对每种数据信息进行深度插值处理,以使每个指定深度对应的样本中均包含全部种类的数据信息,从而得到样本集合;
目标样本集合确定模块,用于对所述样本集合进行异常样本剔除和聚类处理,以获得包含指定数量样本的目标样本集合;
处理模块,用于根据所述目标样本集合和所述目标样本集合中每个样本对应的机械钻速,得到钻井机械钻速敏感性可视化图形。
最后,本文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如上述所述的方法。
采用上述技术方案,本文所述的一种钻井机械钻速敏感性可视化方法、装置及设备,通过获取与机械钻速相关的历史钻井的数据信息,再基于样本深度设置规则,依次对每种数据信息进行深度插值处理,以使每个指定深度对应的样本中均包含全部种类的数据信息,从而得到样本集合,然后再对异常样本进行剔除,以及对样本集合进行聚类处理,已得到目标样本集合,最后根据所述目标样本集合和所述目标样本集合中每个样本对应的机械钻速,得到钻井机械钻速敏感性可视化图形,本文能有效扩展钻井机械钻速敏感性分析的维度,提高了对钻井机械钻速敏感性分析的可靠。
为让本文的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
具体实施方式
下面将结合本文实施例中的附图,对本文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文一部分实施例,而不是全部的实施例。基于本文中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文保护的范围。
需要说明的是,本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在石油钻井工程领域,对机械钻速对多种因素的敏感性分析是钻井作业回顾的重要内容,也是优选钻井工具、钻井参数的重要依据。钻井技术人员对历史钻井数据分析主要依靠录井曲线回放等常规手段,或绘制机械钻速对某一种或两种因素的交会图。由于机械钻速受多种因素影响,在忽略其他影响的情况下采用二维或三维图形观察一到两种因素对机械钻速的影响,可能产生较大分析偏差,导致技术方案制定错误,不利于钻井工程降本增效。同时对钻井参数的敏感性分析评价主要采用皮尔逊相关系数,然而由于钻井记录数据复杂,异常点多,直接计算相关系数可能无法准确反映真实物理规律,导致决策偏差。
为了解决上述问题,本说明书实施例提供一种钻井机械钻速敏感性可视化方法,能够有效扩展钻速敏感性分析的维度,从而提高了对钻速敏感性分析的可靠性。如图1所示,为所述方法的实施环境示意图,可以包括服务器10和客户端30,所述服务器10和所述客户端30通过网络20连接,可以实现所述服务器10和所述客户端30的数据交互,所述服务器10可以获取历史钻井中与机械钻速相关的数据信息,并对所述数据信息进行插值、异常删除和聚类的处理过程,以获得包含指定数量样本的目标样本集合,然后根据所述目标样本集合和所述目标样本集合中每个样本对应的机械钻速,得到钻井机械钻速敏感性可视化图形,并将所述可视化图形发送至客户端30,以使客户端30显示所述可视化图形,从而便于用户进行机械钻速敏感性分析。
在一个可选的实施例中,所述服务器10可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(ContentDelivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一个可选的实施例中,所述客户端30可以结合所述服务器10进行钻井机械钻速敏感性可视化图像的生成。具体的,所述客户端30可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(Augmented Reality,AR)/虚拟现实(Virtual Reality,VR)设备、智能可穿戴设备等类型的电子设备。可选的,电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、Linux、Windows等。
此外,需要说明的是,图1所示的仅仅是本公开提供的一种应用环境,在实际应用中,还可以包括其他应用环境,例如钻井机械钻速敏感性可视化图形的生成,也可以在所述客户端30上实现。
具体地,本文实施例提供了一种钻井机械钻速敏感性可视化方法,能够有效扩展机械钻速敏感性分析的维度,提高了钻井机械钻速敏感性分析的可靠性和准确性。图2是本文实施例提供的一种钻井机械钻速敏感性可视化方法的步骤示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或装置产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图2所示,所述方法可以包括:
S101:获取历史钻井中与机械钻速相关的数据信息;
S102:根据样本深度设置规则,依次对每种数据信息进行深度插值处理,以使每个指定深度对应的样本中均包含全部种类的数据信息,从而得到样本集合;
S103:对所述样本集合进行异常样本剔除和聚类处理,以获得包含指定数量样本的目标样本集合;
S104:根据所述目标样本集合和所述目标样本集合中每个样本对应的机械钻速,得到钻井机械钻速敏感性可视化图形。
可以理解为,本说明书实施例中式通过将与机械钻速相关的数据信息进行插值处理,以使在同一深度上的样本均包含全部种类的数据信息,然后对得到样本集合进行异常样本剔除和聚类处理,从而可以保证样本的可靠性,以及减少了样本复杂度,从而可以实现有效扩展钻井机械钻速敏感性可视化分析,提高了对钻井机械钻速敏感性分析的可靠性。
在本说明书实施例中,所述数据信息至少包括钻井参数、钻井液性能、测井数据、地质特征、钻头记录和岩屑录井数据。其中,钻井参数可以包括钻压、钻速、排量、密度和扭矩;钻井液性能可以包括漏斗粘度、塑性粘度、动切力和固相含量;测井数据可以包括声波时差、体积密度和自然伽马;地质特征可以包括地质分层和岩石岩性特征;钻头记录可以包括钻头尺寸、钻头型号、入井深度和出井深度。在数据信息收集的过程中可以对不同的类型建立相应的数据表,这样可以将不同类型的数据信息存入到不同的数据表中,便于后续的处理。
在实际数据采集过程中,由于不同类型数据采集的标准不同,比如录井数据(钻井参数等)一般是1米一个点,测井数据则一般是1米八个点,而每个样本实际对应的是一个深度,这样才能在一个标准下对数据进行分析和比较,而这实际采集数据中同一深度的样本可能缺少部分数据,因此为了保证每个样本都有全部类型的数据,则需要对数据进行深度插值,从而在不影响机械钻速影响规律的基础上,有效扩展了敏感性分析的维度。
在本说明书实施例中,所述样本深度设置规则可以为预先设定的样本深度选择规则,比如从地表到钻井最深处按照等距方式获得多个深度的样本,生成井深的等差序列,从而可以获得样本集合H={x1,……,xn},H为公共深度轴,这样可以保证数据的连续性,进而保证敏感性分析的可靠性,同时还可以丰富样本数量,提高了机械钻速敏感性分析的准确性,作为可选地,所述等距可以为10cm,20cm,30cm等等,具体的选择方式在本说明书实施例中不做限定。
在一些其他实施例中,所述样本深度设置规则也可以有其他的设置方式,比如可以按照根据该工区内地质分层情况,对不同地层设置不同的样本深度选择标准,比如对硬度较低的地层可以选择较大的等距,对硬度较高的地层可以选择较小的等距,这样可以根据实际情况选择不同的深度确定方式,可以提高了机械钻速敏感性分析的针对性和可靠性。
由于每个样本需要包括全部类型的数据,这样可以在敏感性分析进行有效的比较,但是每个深度位置可能不存在部分数据类型对应的数据,具体的数据可以通过不同数据类型对应的数据表中查询得到。因此为了保证每个样本中均包含全部种类的数据信息,作为可选地,如图3所示,所述根据样本深度设置规则,依次对每种数据信息进行深度插值处理,以使每个指定深度对应的样本中均包含全部种类的数据信息,从而得到样本集合,包括:
S201:根据所述样本深度设置规则,确定样本集合中每个样本对应的深度;
S202:确定不同数据信息的数据属性,所述数据属性包括连续型和非连续型;
S203:确定连续型的数据信息的数据获取规则,并根据所述数据获取规则以及样本集合中每个样本对应的深度,计算获得每个样本中连续型数据信息对应的数值;
S204:对非连续型的数据信息进行编码处理,以获得每个样本中非连续型数据信息对应的数值;
S205:将每个样本中连续型数据信息对应的数值和非连续型数据信息对应的数值进行集合处理,得到样本集合。
可以理解为,根据不同类型数据信息的数据属性,确定不同的处理方式,从而保证每个样本中包含全部种类的数据信息,其中针对连续型的数据类型,则根据每个样本对应的深度进行深度插值,以得到该样本中每个连续型的数据类型对应的数值;对于非连续型的数据类型,则进行编码处理使其量化从而便于后续的可视化图像的生成,进而便于进行敏感性的分析。
在本说明书实施例中,所述数据获取规则可以为数据的采集规则,不同的数据类型可以对应不同的数据获取规则,这样就会导致不同数据类型在采集时不在同一深度。在计算获得每个样本中连续型数据信息对应的数值之前还可以包括:
根据所述数据获取规则,依次确定每个连续型的数据类型中采样深度是否和样本集合中每个样本对应的深度一致;
若一致,则可以将该数据类型在该采样深度的采样数据作为样本集合中相应样本中该数据类型对应的数值;
若不一致,则可以计算获得每个样本中连续型数据信息对应的数值。
通过上述步骤,可以通过采样的数据信息直接确定样本集合中存在相应深度的数据类型的数值,比如通过样本深度设置规则确定样本集合中一个样本深度为10cm,实际采集的数据信息中,测井数据中的声波时差在该深度刚好有采集值225μs/m,因此可以直接将样本集合中该样本的声波时差对应的数值为225μs/m。从而减少数据处理的步骤,提高了效率。
在本说明书实施例中,所述连续型的数据类型可以包括钻井参数、钻井液性能、测井数据等。在实际插值处理时,可以通过如下公式计算获得每个样本中连续型数据信息对应的数值:
其中,vinterp为插值数值,该插值数值即为在指定深度(即插值深度)上样本中连续型数据信息对应的数值,hinterp为插值深度,h1和h2分别为插值深度之下和之上距离最近的两个数据点对应深度,v1和v2分别为h1和h2对应的数据。
所述非连续型的数据类型可以包括地质分层中的地层名,岩石岩性特征的岩性名和钻头类型等,在实际编码过程中,比如,在地质分层的地层名进行编码时还需要考虑地质分层的厚度划分,从而在不同的深度位置的同一地层名会有一样的编码结果在。在本说明书实施例中,可以选择独热(One-Hot)编码的方式进行编码,也可以有其他的编码方式,在本说明书实施例中不做限定。
示例性地,如表1所示,为对钻头型号的编码结果,如表2所示,为对岩性名的编码结果。
表1钻头型号的编码结果
表2岩性名的编码结果
需要说明的是,由于每个样本都包含全部种类的数据,因此可以提前设定全部种类的排布顺序,这样可以保证全部样本中数据类型的排布顺序一致,从而保证可视化图形建立的可靠性。
在得到样本集合的基础上,还需要对样本集中异常样本进行筛选和剔除,作为可选地,如图4所示,对所述样本集合进行剔除处理,包括:
S301:集合训练得到的异常检测模型,所述异常检测模型包括多颗由样本集合中数据类型及对应的数值训练得到的孤立树;
S302:依次将所述样本集合中的样本输入到所述异常检测模型中,得到每个样本在所述异常检测模型中每个孤立树的树高度;
S303:计算获得每个样本在所述异常检测模型中树高度平均值;
S304:将样本集合中预设比例数量的树高度平均值较低的样本标记为异常样本;
S305:剔除所述异常样本,得到处理后的样本集合。
可以理解为,本说明书实施例是基于孤立森林算法确定样本集合中的异常样本,作为一种无监督学习方法,孤立森林算法稳定性更好,对不同数据信息的适应能力更强,即不需要有标记的样本来训练,但特征需要是连续的,由于异常样本是孤立的且较少的,因此通过样本集合训练的孤立树可以更早的将异常样本筛选出来,从而使得异常样本离根节点更近,而正常样本距离根节点会有更远的距离。
在本说明书实施例中,所述异常检测模型中每个孤立树的训练过程如下:
步骤1.1,从样本集合中随机选取部分样本作为子样本集合,并将所述子样本集合放入待训练孤立树的根节点;
步骤1.2,根据样本中全部数据类型,随机确定任一数据类型作为所述待训练孤立树的第二树节点;
步骤1.3,确定随机确定的数据类型在所述子样本集合中的数值范围,并在所述数值范围内随机确定一切割点,所述切割点用于将所述第二树节点分割成左分支和右分支;
步骤1.4,根据所述切割点,将所述子样本集合中的样本划分到对应的左分支和右分支中;
步骤1.5,在第二树节点的左分支和右分支中递归执行步骤1.2到步骤1.4,不断构造得到新的树节点,直到最后得到的树节点上只有一个样本,从而得到训练完成的孤立树。
通过上述步骤即可得到多颗孤立树,从而形成异常检测模型,然后将样本集合中样本的数据信息逐个带入到异常监测模型中,即将样本集合中样本的数据信息逐个带入到每颗孤立树中,从而定位得到每个样本在每颗孤立树中的树高度,进而计算得到树高度平均值。
所述树高度可以理解为,所述样本中数据信息在孤立树中从根节点依次后续树节点划分,直到不能划分为止,此时所述样本覆盖的树节点的个数可以作为该样本在该孤立树下的树高度。
所述预设比例可以根据实际情况设置,比如5%,10%等,在本说明书实施例不做限定。
在一些其他实施例中,也可以提前设定异常样本数量,即将树高度平均值做增序排序,将树高度平均值最小的前一定数量(或比例)的样本标记为异常样本。
在对样本集合进行异常样本的剔除之后,得到处理之后的样本集合的样本量也可以比较大,在绘制图形时,可能过去密集,不利于多维信息的展示,需要进行一定的稀疏处理,以便于钻井机械钻速敏感性可视化的便捷性,提高了后续敏感性分析的效率和准确性。
在本说明书实施例中,如图5所示,对所述样本集合进行聚类处理,以获得包含指定数量样本的目标样本集合,包括:
S401:根据目标样本集合中样本指定数量K,随机生成K个聚类的初始聚类中心;
S402:计算所述样本集合中每个样本到K个聚类的初始聚类中心的距离;
S403:将每个样本按照最小距离原则分配到相应的初始聚类中心对应的聚类中;
S404:计算每个聚类的样本均值,并将所述样本均值更新为所述聚类的聚类中心;
S405:回到计算所述样本集合中每个样本到K个聚类的初始聚类中心的距离的步骤,直到更新后的聚类中心不在发生变化,确定最终的K个聚类的聚类中心;
S406:将所述K个聚类的聚类中心标记为目标样本,以获得包含指定数量样本的目标样本集合。
可以理解为,本说明书实施例中可以提前确定可视化样本的样本指定数量K,因此即可通过聚类的方式将样本集合通过聚类的方式得到K个聚类,将每个聚类中的聚类中心作为目标样本,从而保证了每个聚类的差异性,提高了目标样本的代表性。
示例性地,经过异常样本剔除处理得到包含2000个样本的样本集合Dv,根据用户的选择确定可视化样本数量为200个,即需要将2000个样本聚类得到200个聚类,其中200则为可视化图形中的行数,然后通过上述步骤可以得到200个聚类,根据样本均值可以将该200个聚类的聚类中心作为最终的目标样本,进而得到目标样本集合。
需要说明的是,目标样本集合中的目标样本可以不属于样本集合中的任一样本,但是在聚类过程中是根据样本之间的距离(或相似度)进行聚类的,因此在连续性特征中,聚类中心也准确表示真实的数据信息。
在实际钻井过程中,针对客观不变的因素可以作为过滤器来确定机械钻速可视化图形,比如钻头类型、钻头尺寸、地层和岩性是提前确定的因素,因此根据这些客观因素进行针对应的敏感性可视化分析,比如通过确定钻头类型、钻头尺寸、地层和岩性进一步筛选数据,通过筛选后的数据进行聚类分析,可以得到在钻头类型、钻头尺寸、地层和岩性已知的情况下的机械钻速敏感性可视化图形。
在本说明书实施例中,在对样本集合进行聚类处理之前,还可以对样本集合中的样本进行归一化处理,以提高聚类的准确性和可靠性,相应地,在得到目标样本集合后,还需要按照归一化的原理进行还原处理,即获得具有真实数据的目标样本集合。所述归一化的过程为常用的数据处理方式,在本说明书实施例中不做限定。
在本说明书实施例中,如图6所示,所述根据所述目标样本集合和所述目标样本集合中每个样本对应的机械钻速,得到钻井机械钻速敏感性可视化图形,包括:
S501:根据所述目标样本集合中每个目标样本的数据信息,确定所述目标样本集合中每个目标样本对应的机械钻速;
S502:建立平行坐标图,将所述目标样本集合中全部数据类型依次设定为所述平行坐标图的横坐标;
S503:根据所述目标样本的数据信息,依次连接同一目标样本的横坐标数据,形成目标样本可视化链路;
S504:根据每个目标样本对应的机械钻速,对每个目标样本可视化链路设置对应的标识符号,以获得钻井机械钻速敏感性可视化图形。
可以理解为,本说明书实施例是以平行坐标图的方式建立可视化图形,目标样本集合中的不同的数据类型为所述平行坐标图中的横坐标,然后根据数据类型的位置绘制指定数量K的纵坐标轴,其中每条纵坐标轴的最大值和最小值为该纵坐标轴对应的数据类型的最大值和最小值(即在目标样本集合中的数值),进一步地,也可以在最右侧的纵坐标轴上设置机械钻速,这样可以建立每个目标样本和机械钻速的对应关系。通过绘制钻井机械钻速敏感性可视化图形,便于直观的确定其中与机械钻速敏感性较强的因素,从而可以有效扩展敏感性分析的维度,提高了敏感性分析的效率和可靠性。
在本说明书实施例中,所述标识符号包括颜色;
所述根据每个目标样本对应的机械钻速,对每个目标样本可视化链路设置对应的标识符号,包括:
对不同的机械钻速设置不同的标识颜色;
根据每个目标样本对应的机械钻速,以及不同的机械钻速设置不同的标识颜色,将每个目标样本可视化链路设置不同的颜色标识,以通过颜色的变化对机械钻速的敏感性进行分析。
通过对不同钻速配置不同的颜色,更能直接有效的判断不同数据类型和钻速的对应关系,如图7所示,为建立的可视化图形的示意图,通过该图可以看出不同样本中数据信息的变化情况,结合相应的颜色变化(图中未显示)可以确定对钻速有影响的因素,在本说明书实施例中,可以以可视化链路灰度值(即灰色深浅)作为机械钻速的大小,灰度值越大,机械钻速越高,灰度值越小,机械钻速越小,由图7可知,高声波时差和高自然伽马地层机械钻速较高,钻井参数中扭矩对机械钻速的影响最大,排量变动范围不大对机械钻速的影响不明显,钻压对机械钻速的影响不明显,基于平行坐标图的分析方式提高了敏感性分析的全面性。
在一些其他实施例中,所述标识符号还可以为目标样本可视化链路对应线段的粗细变化、实线虚线变化或其他标志符号,能够对不同钻速设置个性化的识别符号即可,具体的标识符号在本说明书实施例中不做限定。
本文所述的一种钻井机械钻速敏感性可视化方法,通过获取与机械钻速相关的历史钻井的数据信息,再基于样本深度设置规则,依次对每种数据信息进行深度插值处理,以使每个指定深度对应的样本中均包含全部种类的数据信息,从而得到样本集合,然后再对异常样本进行剔除,以及对样本集合进行聚类处理,已得到目标样本集合,最后根据所述目标样本集合和所述目标样本集合中每个样本对应的机械钻速,得到钻井机械钻速敏感性可视化图形,本文能有效扩展钻井机械钻速敏感性分析的维度,提高了对钻井机械钻速敏感性分析的可靠。
基于同一发明构思,本说明书实施例还提供一种钻井机械钻速敏感性可视化装置,如图8所示,所述装置包括:
信息获取模块100,用于获取历史钻井中与机械钻速相关的数据信息
样本集合确定模块200,用于根据样本深度设置规则,依次对每种数据信息进行深度插值处理,以使每个指定深度对应的样本中均包含全部种类的数据信息,从而得到样本集合;
目标样本集合确定模块300,用于对所述样本集合进行异常样本剔除和聚类处理,以获得包含指定数量样本的目标样本集合;
处理模块400,用于根据所述目标样本集合和所述目标样本集合中每个样本对应的机械钻速,得到钻井机械钻速敏感性可视化图形。
通过上述装置所取得的有益效果和上述方法所取得的有益效果一致,本说明书实施例中不做赘述。
如图9所示,为本文实施例提供的一种计算机设备,本文中的装置可以为本实施例中的计算机设备,执行上述本文的方法,所述计算机设备902可以包括一个或多个处理器904,诸如一个或多个中央处理单元(CPU),每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906,其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的,比如,存储器906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902的固定或可移除部件。在一种情况下,当处理器904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902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备902还可以包括输入/输出模块910(I/O),其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口(GUI)918。在其他实施例中,还可以不包括输入/输出模块910(I/O)、输入设备912以及输出设备914,仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920,其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
通信链路922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922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。
对应于图2-图6中的方法,本文实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令,其中当处理器执行所述指令时,其中的程序使得处理器执行如图2至图6所示的方法。
应理解,在本文的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本文实施例的实施过程构成任何限定。
还应理解,在本文实施例中,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。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本文所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外,在本文各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本文的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。