CN114611958A - 一种基于机器学习的石油钻井大数据处理方法和装置 - Google Patents

一种基于机器学习的石油钻井大数据处理方法和装置 Download PDF

Info

Publication number
CN114611958A
CN114611958A CN202210265434.9A CN202210265434A CN114611958A CN 114611958 A CN114611958 A CN 114611958A CN 202210265434 A CN202210265434 A CN 202210265434A CN 114611958 A CN114611958 A CN 114611958A
Authority
CN
China
Prior art keywords
drilling
risk
early warning
real
machine learning
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
Application number
CN202210265434.9A
Other languages
English (en)
Inventor
白凯
董阿兵
徐用高
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze University
Original Assignee
Yangtze University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangtze University filed Critical Yangtze University
Priority to CN202210265434.9A priority Critical patent/CN114611958A/zh
Publication of CN114611958A publication Critical patent/CN114611958A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开一种基于机器学习的石油钻井大数据处理方法和装置，包括：获取历史井实时录井数据与钻井风险记录数据；根据历史井实时录井数据与钻井风险记录数据，利用机器学习算法构建并训练得到多个钻井风险识别预警模型；将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。采用本发明的技术方案，实现对钻井风险实时有效地识别预警，达到提高风险预警准确度的目的。

Description

一种基于机器学习的石油钻井大数据处理方法和装置
技术领域
本发明属于石油工程技术领域，尤其涉及一种基于机器学习的石油钻井大数据处理方法和装置。
背景技术
随着勘探开发的不断深入，油气勘探开发难度越来越高。现阶段油气勘探所面临的地质状况日益复杂，储层埋深增加，钻井工程面临的复杂风险情况越来越多，钻井问题日益严重，这样也就导致处理钻井风险和事故所需的成本越来越高。特别是在探井勘探中，由于地质情况不明，钻井风险多发，钻井成本居高不下。
实现安全高效钻进是钻井行业的首要目标。钻井作业过程中各类复杂情况及风险事故的识别和控制一直是行业研究重点，由于风险识别和控制需要综合考虑地质环节、钻具组合、工程参数等因素的影响，目前已有的基于关键参数数学计算、传感器数据征兆判别或贝叶斯网络等模糊评价的方法，对于风险识别准确性低、实时性差，且对识别出的风险无法给出最佳的应对处理方案。
发明内容
本发明要解决的技术问题是，提供及一种基于机器学习的石油钻井大数据处理方法和装置，实现对钻井风险实时有效地识别预警，达到提高风险预警准确度的目的。
为实现上述目的，本发明采用如下的技术方案：
一种基于机器学习的石油钻井大数据处理方法，包括以下步骤：
步骤S1、获取历史井实时录井数据与钻井风险记录数据；
步骤S2、根据历史井实时录井数据与钻井风险记录数据，利用机器学习算法构建并训练得到多个钻井风险识别预警模型；
步骤S3、将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
作为优选，步骤S1中，根据历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据。
作为优选，步骤S2中所述机器学习算法为随机森林算法。
作为优选，利用随机森林算法构建并训练得到多个钻井风险识别预警模型包括：
基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本；
基于随机森林算法，构建出钻井风险智能识别预警的初始模型；
从所述训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练；
从袋外样本中提取每个钻井风险案例的所述设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型；
从测试样本中提取不同井的设定时长的录井数据，对得到的初始模型进行验证，在验证结果满足小于钻井风险识别的误报率阈值时，形成最终的钻井风险智能识别预警模型。
作为优选，还包括：利用预设风险防控模型，根据确定出的目标井当前时刻的风险类型和钻井数据，确定目标井的风险防控方案。
一种基于机器学习的石油钻井大数据处理装置，包括：
获取模块，用于获取历史井实时录井数据与钻井风险记录数据；
训练模块，用于根据历史井实时录井数据与钻井风险记录数据，利用机器学习算法构建并训练得到多个钻井风险识别预警模型；
识别模块，用于将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
作为优选，获取模块，还用于根据历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据。
作为优选，训练模块中所述机器学习算法为随机森林算法。
作为优选，还包括：风险防控模块，用于根据确定出的目标井当前时刻的风险类型和钻井数据，确定目标井的风险防控方案。
本发明通过应用随机森林等机器学习算法，基于历史井钻井风险案例构建并训练钻井风险识别预警模型，接入目标井实时录井数据后实现对钻井风险进行识别预警，规避现有方法中模型参数、判别阈值等地区性差异和难以获取等问题，降低误报率和漏报率，实现对钻井风险实时有效地识别预警，达到提高风险预警准确度的目的，帮助现场工程人员尽早控制规避钻井风险。
附图说明
图1为本发明基于机器学习的石油钻井大数据处理方法的流程图；
图2为本发明基于机器学习的石油钻井大数据处理装置的结构示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1：
如图1所示，本发明提供一种基于机器学习的石油钻井大数据处理方法，包括以下步骤：
步骤S1、获取历史井实时录井数据与钻井风险记录数据；
步骤S2、根据历史井实时录井数据与钻井风险记录数据，利用机器学习算法构建并训练得到多个钻井风险识别预警模型；
步骤S3、将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
作为本实施例的一种优选方式，步骤S1中，根据历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，对于每个钻井风险案例数据库，其包括但不限于井号、风险类别、风险发生时间点、风险井地质属性(如风险井深、地层、岩性)、风险发生时间点前后设定时长(例如30分钟)的实时录井数据等内容。正常钻井下的录井数据库包含的数据项包括但不限于井号、时间、井深、钻头位置、大钩载荷、大钩高度、入口流量、出口流量等录井实时相关数据以及井身结构、井眼轨迹、地层分层等钻井设计数据。
作为本实施例的一种优选方式，步骤S2中利用随机森林算法构建并训练得到多个钻井风险识别预警模型包括：
基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本；
基于随机森林算法，构建出钻井风险智能识别预警的初始模型；
从所述训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练；
从袋外样本中提取每个钻井风险案例的所述设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型；
从测试样本中提取不同井的设定时长的录井数据，对得到的初始模型进行验证，在验证结果满足小于钻井风险识别的误报率阈值时，形成最终的钻井风险智能识别预警模型。
步骤S2中，首先，基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本。然后，基于随机森林算法，结合钻井风险识别技术需求，例如井漏风险识别的主要表征录井参数为入口流量、出口流量、总池体积等，而卡钻风险识别的主要表征参数为大钩载荷、大钩高度以及钻头位置等技术需求，构建出钻井风险智能识别预警的初始模型。接着，从训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练，从袋外样本中提取每个钻井风险案例的设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型。最后，从测试样本中提取不同井的设定时长的录井数据，对得到的初始模型进行验证，在验证结果满足小于钻井风险识别的误报率阈值时，形成最终的钻井风险智能识别预警模型。在一个优选例子中，基于随机森林这一机器学习算法构建钻井风险智能识别模型的初始模型，以3分钟的录井数据作为输入，从风险案例库中随机提取训练样本(包括风险类别、风险发生时间点、风险发生时间点之后3分钟的实时录井曲线)，完成钻井风险智能识别模型Ⅰ(3min)的训练，据此方式依次完成5/10/20/30分钟录井数据作为输入的钻井风险智能识别模型Ⅱ(5min)/Ⅲ(10min)/Ⅳ(20min)/Ⅴ(30min)的训练。
作为本实施例的一种优选方式，步骤S3中执行目标井的钻井风险的实时识别预警处理包括：
实时截取目标井不同时长的录井数据，经处理后按照不同钻井风险智能识别预警模型的需求，形成输入参数；
向训练得到的多个钻井风险智能识别预警模型中分别输入各模型所需的输入参数，对目标井的钻井风险进行实时识别预警；
对钻井风险识别预警结果进行风险验证，以确认风险；其中，风险验证如下：若仅有一个钻井风险智能识别预警模型识别出风险，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认；若存在多个钻井风险智能识别预警模型识别出风险，且所发出的风险识别预警结果一致，则确认风险，若不一致，则按照风险类别提取相应的录井参数进行趋势或变化率的计算分析，以对该风险进行验证确认。
步骤S3中，将目标井实时录井数据从当前时间点分别向前截取3/5/10/20/30分钟输入对应的钻井风险智能识别模型Ⅰ/Ⅱ/Ⅲ/Ⅳ/Ⅴ中进行钻井风险的实时识别，一旦某一个识别模型识别出钻井风险及类别后，按照风险类别，提取相应的先导参数(例如，井漏风险的先导参数包括但不限于立管压力、出口流量、总池体积等)，调用传统的算法，例如滤波处理、小波变换等方法，对其趋势或变化率进行验证计算，验证通过后可确认风险发出预警，预警内容包括但不限于钻井风险类别、发生时间、异常参数项等。
作为本实施例的一种优选方式，还包括：利用预设风险防控模型，根据确定出的目标井当前时刻的风险类型和钻井数据，确定目标井的风险防控方案；其中，用于确定与目标井当前时刻的风险特征相对应的风险防控方案的预设风险防控模块是基于大数据分析技术构建得到的。
实施例2：
如图2所示，本发明提供一种基于机器学习的石油钻井大数据处理装置，包括：
获取模块，用于获取历史井实时录井数据与钻井风险记录数据；
训练模块，用于根据历史井实时录井数据与钻井风险记录数据，利用机器学习算法构建并训练得到多个钻井风险识别预警模型；
识别模块，用于将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
作为本实施例的一种优选方式，获取模块，还用于根据历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据。
作为本实施例的一种优选方式，训练模块中所述机器学习算法为随机森林算法。
作为本实施例的一种优选方式，还包括：风险防控模块，用于根据确定出的目标井当前时刻的风险类型和钻井数据，确定目标井的风险防控方案。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种基于机器学习的石油钻井大数据处理方法，其特征在于，包括以下步骤：
步骤S1、获取历史井实时录井数据与钻井风险记录数据；
步骤S2、根据历史井实时录井数据与钻井风险记录数据，利用机器学习算法构建并训练得到多个钻井风险识别预警模型；
步骤S3、将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
2.如权利要求1所述的基于机器学习的石油钻井大数据处理方法，其特征在于，步骤S1中，根据历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据。
3.如权利要求2所述的基于机器学习的石油钻井大数据处理方法，其特征在于，步骤S2中所述机器学习算法为随机森林算法。
4.如权利要求3所述的基于机器学习的石油钻井大数据处理方法，其特征在于，利用随机森林算法构建并训练得到多个钻井风险识别预警模型包括：
基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本；
基于随机森林算法，构建出钻井风险智能识别预警的初始模型；
从所述训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练；
从袋外样本中提取每个钻井风险案例的所述设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型；
从测试样本中提取不同井的设定时长的录井数据，对得到的初始模型进行验证，在验证结果满足小于钻井风险识别的误报率阈值时，形成最终的钻井风险智能识别预警模型。
5.如权利要求4所述的基于机器学习的石油钻井大数据处理方法，其特征在于，还包括：利用预设风险防控模型，根据确定出的目标井当前时刻的风险类型和钻井数据，确定目标井的风险防控方案。
6.一种基于机器学习的石油钻井大数据处理装置，其特征在于，包括：
获取模块，用于获取历史井实时录井数据与钻井风险记录数据；
训练模块，用于根据历史井实时录井数据与钻井风险记录数据，利用机器学习算法构建并训练得到多个钻井风险识别预警模型；
识别模块，用于将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。
7.如权利要求6所述的基于机器学习的石油钻井大数据处理装置，其特征在于，获取模块，还用于根据历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据。
8.如权利要求7所述的基于机器学习的石油钻井大数据处理装置，其特征在于，训练模块中所述机器学习算法为随机森林算法。
9.如权利要求8所述的基于机器学习的石油钻井大数据处理装置，其特征在于，还包括：风险防控模块，用于根据确定出的目标井当前时刻的风险类型和钻井数据，确定目标井的风险防控方案。
CN202210265434.9A 2022-03-17 2022-03-17 一种基于机器学习的石油钻井大数据处理方法和装置 Pending CN114611958A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210265434.9A CN114611958A (zh) 2022-03-17 2022-03-17 一种基于机器学习的石油钻井大数据处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210265434.9A CN114611958A (zh) 2022-03-17 2022-03-17 一种基于机器学习的石油钻井大数据处理方法和装置

Publications (1)

Publication Number Publication Date
CN114611958A true CN114611958A (zh) 2022-06-10

Family

ID=81865536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210265434.9A Pending CN114611958A (zh) 2022-03-17 2022-03-17 一种基于机器学习的石油钻井大数据处理方法和装置

Country Status (1)

Country Link
CN (1) CN114611958A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307122A (zh) * 2023-02-17 2023-06-23 中国石油大学(北京) 钻井数据处理方法、装置、设备及可读存储介质
CN117610701A (zh) * 2023-09-28 2024-02-27 成都诺雅海方科技有限公司 一种基于机器学习算法的地质层位预测方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307122A (zh) * 2023-02-17 2023-06-23 中国石油大学(北京) 钻井数据处理方法、装置、设备及可读存储介质
CN116307122B (zh) * 2023-02-17 2024-05-28 中国石油大学(北京) 钻井数据处理方法、装置、设备及可读存储介质
CN117610701A (zh) * 2023-09-28 2024-02-27 成都诺雅海方科技有限公司 一种基于机器学习算法的地质层位预测方法和装置

Similar Documents

Publication Publication Date Title
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
CN112529341B (zh) 一种基于朴素贝叶斯算法的钻井漏失机率预测方法
CN113496302B (zh) 一种对钻井风险进行智能识别预警的方法与系统
US20130080117A1 (en) System and method for failure detection for artificial lift systems
EP4062030B1 (en) Well annulus pressure monitoring
CN108388921A (zh) 一种基于随机森林的溢流漏失实时识别方法
CN110766192A (zh) 基于深度学习的钻井井漏预测系统及方法
CN110110740B (zh) 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
CN112487356B (zh) 一种结构健康监测数据增强方法
CN111140221A (zh) 一种井场安全风险预警装置、系统及处理方法
CN110130875B (zh) 抽油机异常工况监控方法
US11481413B2 (en) Systems and methods for evaluating petroleum data for automated processes
Aslam et al. Anomaly detection using explainable random forest for the prediction of undesirable events in oil wells
CN106649438A (zh) 一种时序数据非预期故障检测方法
CN110795888A (zh) 一种石油钻井风险预测方法
CN108716398B (zh) 基于慢特征分析的控压钻井过程故障检测方法及装置
Li et al. Detection of downhole incidents for complex geological drilling processes using amplitude change detection and dynamic time warping
CN116383722A (zh) 一种基于门控循环单元神经网络的压裂措施过程监控方法
CN117633690A (zh) 一种基于数据驱动的旋转机械健康状态监测方法及设备
CN116777085A (zh) 基于数据分析和机器学习技术的煤矿水害预测系统
CN114169656A (zh) 一种基于邻井历史数据的钻井卡钻风险预警方法及系统
Geekiyanage et al. Feature selection for kick detection with machine learning using laboratory data
CN114429253A (zh) 一种钻井过程中智能提示邻井风险的方法及系统
CN113685166B (zh) 一种钻井事故预警方法及系统
Aranha et al. A System to Detect Oilwell Anomalies Using Deep Learning and Decision Diagram Dual Approach

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