CN114676518A - 一种基于岩屑运移量的pdc钻头钻进参数的优化方法 - Google Patents

一种基于岩屑运移量的pdc钻头钻进参数的优化方法 Download PDF

Info

Publication number
CN114676518A
CN114676518A CN202210237764.7A CN202210237764A CN114676518A CN 114676518 A CN114676518 A CN 114676518A CN 202210237764 A CN202210237764 A CN 202210237764A CN 114676518 A CN114676518 A CN 114676518A
Authority
CN
China
Prior art keywords
test
factor
drill bit
factors
analysis
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
CN202210237764.7A
Other languages
English (en)
Inventor
但斌斌
屈朋举
熊凌
陈刚
容芷君
牛清勇
王伟
邓思洪
龚昌运
杜涛
李国锋
蒋麒麟
赵慧
宋四化
乔瀚
朱潘蕾
代超
吕生
都李平
谭远平
方一飞
骆志承
冯鹏云
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202210237764.7A priority Critical patent/CN114676518A/zh
Publication of CN114676518A publication Critical patent/CN114676518A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design

Landscapes

  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Earth Drilling (AREA)

Abstract

本发明提供了一种基于岩屑运移量的PDC钻头钻进参数的优化方法，通过收集历史数据，从历史钻井数据中寻找规律，针对不同的岩层以及深度确定最优指标，实现了确定钻头钻进参数的最优指标的功能。本发明通过更好地选择钻井参数，提高了钻头的使用寿命和钻进效率。本发明通过对钻头所采用的钻进参数的正确评估，实现了对钻头的具体工况的了解。

Description

一种基于岩屑运移量的PDC钻头钻进参数的优化方法
技术领域
本发明属于石油开采技术领域，具体涉及一种基于岩屑运移量的PDC钻头 钻进参数的优化方法。
背景技术
在石油或者天然气开采过程中，PDC钻头是常用的钻头之一，在使用过程 中，首先通过给钻头施加钻头来达到破碎岩石的目的，然后再给钻头施加转速， 用刀翼进行刮削，进而达到钻进的目的，同时通过钻井液来运移岩屑和冷却钻头。 但是由于钻头所处的工作环境非常复杂，经常处于几千米的地下，人们对于钻头 的具体工况难以预知，对于钻头所采用的钻进参数难以评估是否正确。
PDC钻头所采用的钻进参数对钻头的使用时长以及钻进效率有着非常大地 影响，并且各个参数之间互相影响，很难实现每个参数达到最优，因此只能收集 足够多的历史数据，从历史钻井数据中寻找规律，针对不同的岩层以及深度，确 定最优指标，对进行钻进参数选择。
发明内容
本发明要解决的技术问题是：提供一种基于岩屑运移量的PDC钻头钻进参 数的优化方法，用于确定钻头钻进参数的最优指标。
本发明为解决上述技术问题所采取的技术方案为：一种基于岩屑运移量的 PDC钻头钻进参数的优化方法，包括以下步骤：
S0：获取历史数据；
S1：根据钻井实时工况，确定钻进过程的特征、标签和参数的取值，根据算 法确定重要度靠前的参数；
S2：根据最大互信息值法计算各个特征与标签的互信息值并排序，从而确定 各个特征与标签之间的重要度，根据重要度选择从已有特征中选择若干个重要度 大的特征以降低数据集维度、优化系统的特定指标；
S3：根据步骤S2选出的特征数量及取值范围设计对应的正交试验表；利用 正交试验法分析已选择的特征，通过正交试验表进行试验找出各个特征的最优搭 配；
S4：结合正交试验表的结果和问题采用包括观察分析、极差分析、方差分析 的分析方法分析试验结果，确定最佳参数组合。
按上述方案，所述的步骤S1中，具体步骤为：
S11：选择包括转速、岩石特性、井深、钻井液密度、钻井液喷出速度、钻 压、井底温度的参数作为特征；
S12：以单位时间内向井上运移的岩屑量作为标签；
S13：获取在不同的转速、岩石特性、井深、钻井液密度、钻井液喷出速度、 钻压、井底温度的情况下，单位时间内向井上运移的岩屑量。
按上述方案，所述的步骤S2中，具体步骤为：设a、b分别是在x、y方 向上的划分格子的个数，形成网格分布；设B是变量，则最大互信息值的计算 公式为：
Figure BDA0003542984150000021
进一步的，所述的步骤S2中，具体步骤为：B的大小设置为数据量的0.6 次方。
按上述方案，所述的步骤S3中，具体步骤为：在正交试验表中，称所选的 特征为因素，因素是影响结果的原因；所获得特征的取值范围为水平，水平是因 素本身的不同条件和状态，是因素的取值范围或者大小。
进一步的，所述的步骤S3中，设计正交试验表的具体步骤为：
S31：确定优化指标为单位时间内岩屑的运移量；
S32：确定本次正交试验的因素与水平；设L为正交表符号；x表示行数即 试验的次数；m为因素水平数，范围为1～m；n为列数，表示影响结果的因素 个数；按照如下公式设计正交表：
Lx(mn)；
正交试验表的每列都由相同的数字组成；任意两列横向形成的数字对出现的 次数相等；
S33：根据因素和水平选择正交试验表，若所选择的列数比因素的数量多时， 则让多余的列为空；
S34：列出试验条件，正交试验表的每行表示一次试验选择的方案。
按上述方案，所述的步骤S4中，具体步骤为：
S41：对试验结果进行观察分析，根据每一组试验的结果，直接找出最好的 试验条件；
S42：对实验结果进行极差分析，具体步骤为：
S421：计算各因素的相同水平试验结果之和；
S422：计算各因素的相同水平试验结果的平均值，比较各水平试验结果之和 的平均值的大小，值越大越好；以每个因素的实际取值顺序作为横坐标，以对应 于该水平所做试验的结果的平均值为纵坐标作趋势图；
S423：计算各列中相同水平试验结果之和的平均值的极差值；比较极差值的 大小，极差值大的因素表示在相同水平下该因素对结果的影响大，则该因素为主 要因素；
S43：利用正交试验表对试验结果进行方差分析，将总偏差平方和分解为各 个因素效应的偏差平方和与误差效应平方和，并固定在正交表的每一列上，计算 因素的平均变动和误差的平均变动，然后利用F检验法对因素进行显著性检验。
进一步的，所述的步骤S43中，具体步骤为：
S431：设yk为第k号试验条件组的实验结果，k＝1，2，3…，n；
Figure BDA0003542984150000033
为n次试验 的平均值；f为自由度；Tji为因素j的第i个水平对应的试验结果之和， i＝1，2，3…m；则计算各列的偏差平方和S为：
Figure BDA0003542984150000031
Figure BDA0003542984150000032
Se＝ST-∑Sj,fe＝fT-∑fj；
S432：计算方差V、方差比F和影响率ρ：
Vj＝Sj/fj，
Ve＝Se/fe，
Fj＝Vj/Ve，
ρj＝S′j/ST＝(S-f·VE)/ST；
S433：列出包括偏差平方和S、自由度f、方差V、方差比F和影响率ρ的 方差分析表；从方差分析表中找出具有显著性的Fj或较大的ρj，则对应的因素 j即为对试验质量特性有最大、次大影响的因素，j＝A，B，C，…；根据Tji值找 出影响最大的因素j的最好水平，最终得出最好的因素水平组合。
按上述方案，所述的步骤S3中，具体步骤为：
若观察分析结果与极差分析结果一致，则判断找出了有代表性的条件；若观 察分析结果与极差分析结果不一致，则通过极差分析得出的结果和给出的因素水 平补做试验；
若使用不同分析法得到一致的结论时，则判断找到了最宜因素水平组合；若 使用不同分析法得到不一致的结论，且方差分析或极差分析结论不处于试验计划 内，则按此结论做验证试验；若此验证试验结果显示为较佳，则判断得到了最宜 因素水平组合；
如果验证试验结果与观察分析结果不一致，则做第二次试验，必要时重选因 素与水平。
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该 计算机程序执行一种基于岩屑运移量的PDC钻头钻进参数的优化方法。
本发明的有益效果为：
1.本发明的一种基于岩屑运移量的PDC钻头钻进参数的优化方法，通过收 集历史数据，从历史钻井数据中寻找规律，针对不同的岩层以及深度确定最优指 标，实现了确定钻头钻进参数的最优指标的功能。
2.本发明通过更好地选择钻井参数，提高了钻头的使用寿命和钻进效率。
3.本发明通过对钻头所采用的钻进参数的正确评估，实现了对钻头的具体工 况的了解。
附图说明
图1是本发明实施例的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1，本发明实施例的一种基于岩屑运移量的PDC钻头钻进参数的优 化方法，包括以下步骤：
S0：获取历史数据；
S1：确定钻进过程中各种特征、标签和各个参数的取值；
步骤S1进一步包括：根据钻井实时工况，选择尽可能多的特征，获取或者 测量各个参数的取值，将单位时间内岩屑的运移量作为优化的目标即标签。
根据钻井过程中的实际情况，主要选择以下参数作为特征：转速、岩石特性、 井深、钻井液密度、钻井液喷出速度、钻压、井底温度，以单位时间内井上所运 移的岩屑量作为标签。
获取在不同的转速、岩层、井深、钻压、钻井液密度、钻井液喷出速度、井 底温度的情况下，单位时间内岩屑的运移量。
特征选择：是指从已有的M个特征(Feature)中选择N个特征使得系统的特 定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过 程。
S2：确定各个特征对标签的影响程度大小，根据具体情况确定一定数量的特 征；
在步骤S2中，根据最大互信息值法，确定各个特征与标签即岩屑运移量之 间的重要度。最大互信息值的计算公式为：
Figure BDA0003542984150000051
其中a,b是在x,y方向上的划分格子的个数，本质上就是网格分布，B是变 量，B的大小设置是数据量的0.6次方左右。
根据上述公式所算出的重要度，选择一定数量的同时重要度大的特征。
上述的特征选择采用互信息值法来衡量两个变量之间的相关度，如果两个变 量之间存在一定的相关性，那么在这两个变量的散点图上进行某种网格划分之 后，根据这两个变量在网格中的近似概率密度分布，可计算这两个变量的互信息， 正则化后，该值可用于衡量这两个变量之间的相关性。其计算公式为：
Figure BDA0003542984150000061
其中a,b是在x,y方向上的划分格子的个数，本质上就是网格分布，B是变 量，B的大小设置是数据量的0.6次方左右。
通过计算各个特征与标签的互信息值，可根据互信息值的大小进行排序，从 而得出各个特征影响岩屑运移量的重要程度。
根据所计算的互信息值大小，关注互信息值大的特征的变化对岩屑运移量的 影响。
S3：设计正交试验表并进行试验；
在步骤S3中，具体包括以下步骤：
根据步骤S2中所选出的特征数量以及取值范围设计对应的正交试验表。
在正交试验表中，所选的特征称为因素，所获得特征的取值范围为水平，确 定本次正交试验的因素数量与水平数量。
设计正交试验表时应具有以下特性：每列都有相同的数字组成；任意两列， 其横向形成的数字对出现的次数都是相等的，当所选择的列数比因素的数量多 时，那么就让多余的列空着。
对于已填好的实验表来说，每一行就表示一次试验，即表示一种可选择的方 案。
利用正交实验法对已选择的特征进行分析，制作正交表来找出各个特征的最 优搭配。
在制作正交表时，首先确定优化指标，然后确定因素和水平。因素指的是影 响结果的原因，水平指的是因素本身地不同的条件和状态即因素的取值范围或者 大小。
在此方法中，优化指标指的是单位时间内岩屑的运移量，因素指的是上述经 过算法所选择出的特征，水平指的是特征的取值范围。
正交表设计时按照以下公式设计：Lx(mn)。
其中L为正交表符号；x表示行数，即实验的次数；m为因素水平数，范围 为1-m，n为列数，表示影响结果的因素个数。
设计正交表。每列都由相同的数字组成；并且任选其中两列，在其横向组成 的数字对出现的次数都是相同的。
选择正交表。根据因素多少，水平多少来选择正交表，既达到目的，又减少 工作量。当选择的正交表的列数比行数多时，那么就让多余的列空出来。
表1为L9(34)的样表，表2为因素水平表。
表1
Figure BDA0003542984150000071
表2
Figure BDA0003542984150000072
列出试验条件。对于已填好的实验表来说，每一行就表示一次试验，即表示 一种可选择的方案。
S4：选择数据分析方法分析试验结果，确定最佳参数组合。
在步骤S4中，结合正交表结果以及问题采用不同的分析方法。一般有以下 几种方法：观察分析、极差分析、方差分析。根据试验类型以及具体要求，所采 用的方法也有所不同。
试验结果分析。根据正交试验的结果入手，结合正交表以及问题采用不同的 分析方法。一般有以下几种方法：观察分析、极差分析、方差分析。根据试验类 型以及具体要求，所采用的方法也有所不同。
S41：试验结果的观察分析：根据每一组试验的结果，直接找出最好的试验 条件。
S42：实验结果的极差分析：首先计算出各因素的相同水平试验结果之和； 其次计算其平均值；最后计算各列中相同水平试验结果之和的平均值的极差值。
比较各水平结果之和的平均值的大小，当表示不同意义时，对其值的要求叶 有所不同，在本发明中要求其值越大越好。
以每个因素的实际取值顺序作为横坐标，以对应于该水平所做试验的结果的 平均值为纵坐标作趋势图。
比较极差的大小，极差大的因素表示几个水平对于结果的影响大，即为主要 因素。
判断观察分析结果与极差分析结果，当两者结果一致时，即找出了有代表性 的条件。当两者结果不一致时，必须通过极差分析得出的结果给出的因素水平补 做试验。
S43：试验结果的方差分析：方差分析的基础是将总偏差平方和分解为各个 因素效应的偏差平方和与误差效应平方和。
正交试验结果的方差分析是利用正交表表来进行，将这种偏差平方和分解并 固定在正交表的每一列上。进一步计算出因素的平均变动和误差的平均变动，然 后利用F检验法对因素进行显著性检验。其步骤如下所示：
S431：计算各列的偏差平方和S；
设yk为第k号试验条件组的实验结果，k＝1，2，3…，n；
Figure BDA0003542984150000083
为n次试验的平均 值；Tji为因素j的第i个水平对应的试验结果之和，i＝1，2，3…m。则有：
Figure BDA0003542984150000081
Figure BDA0003542984150000082
Se＝ST-∑Sj,fe＝fT-∑fj
S432：计算方差V、方差比F和影响率ρ：
Vj＝Sj/fj
Ve＝Se/fe
Fj＝Vj/Ve
ρj＝S′j/ST＝(S-f·VE)/ST
S433：表3为方差分析表：
表3
Figure BDA0003542984150000091
从方差分析表中找出具有显著性的Fj或较大的ρj，则它们对应的因素j(j 取A，B，C，…)即为对试验质量特性有最大、次大影响的因素。同时根据Tji值找出影响最大的因素j的最好水平，最终得出最好的因素水平组合。
当使用不同的分析法的结论一致时，就意味着找到了最宜因素水平组合，即 最宜参数组合。
如果不同分析法的结论不一致，且方差分析或极差分析结论不处于试验计划 之内，则应按此结论做验证试验。若此验证试验结果显示为较佳，就得到了最宜 因素水平组合。
如果验证试验结果不如直观分析的结论，则意味着：a可能存在其他因素的 作用：b本试验较为复杂；c也可能直观分析结论确实是佳结论。这时应做第二 次试验，必要时重选因素与水平。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的 技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施 例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在 本发明的保护范围之内。

Claims (10)

1.一种基于岩屑运移量的PDC钻头钻进参数的优化方法，其特征在于：包括以下步骤：
S0：获取历史数据；
S1：根据钻井实时工况，确定钻进过程的特征、标签和参数的取值，根据算法确定重要度靠前的参数；
S2：根据最大互信息值法计算各个特征与标签的互信息值并排序，从而确定各个特征与标签之间的重要度，根据重要度选择从已有特征中选择若干个重要度大的特征以降低数据集维度、优化系统的特定指标；
S3：根据步骤S2选出的特征数量及取值范围设计对应的正交试验表；利用正交试验法分析已选择的特征，通过正交试验表进行试验找出各个特征的最优搭配；
S4：结合正交试验表的结果和问题采用包括观察分析、极差分析、方差分析的分析方法分析试验结果，确定最佳参数组合。
2.根据权利要求1所述的一种基于岩屑运移量的PDC钻头钻进参数的优化方法，其特征在于：所述的步骤S1中，具体步骤为：
S11：选择包括转速、岩石特性、井深、钻井液密度、钻井液喷出速度、钻压、井底温度的参数作为特征；
S12：以单位时间内向井上运移的岩屑量作为标签；
S13：获取在不同的转速、岩石特性、井深、钻井液密度、钻井液喷出速度、钻压、井底温度的情况下，单位时间内向井上运移的岩屑量。
3.根据权利要求1所述的一种基于岩屑运移量的PDC钻头钻进参数的优化方法，其特征在于：所述的步骤S2中，具体步骤为：设a、b分别是在x、y方向上的划分格子的个数，形成网格分布；设B是变量，则最大互信息值的计算公式为：
Figure FDA0003542984140000011
4.根据权利要求3所述的一种基于岩屑运移量的PDC钻头钻进参数的优化方法，其特征在于：所述的步骤S2中，具体步骤为：B的大小设置为数据量的0.6次方。
5.根据权利要求1所述的一种基于岩屑运移量的PDC钻头钻进参数的优化方法，其特征在于：所述的步骤S3中，具体步骤为：
在正交试验表中，称所选的特征为因素，因素是影响结果的原因；所获得特征的取值范围为水平，水平是因素本身的不同条件和状态，是因素的取值范围或者大小。
6.根据权利要求5所述的一种基于岩屑运移量的PDC钻头钻进参数的优化方法，其特征在于：所述的步骤S3中，设计正交试验表的具体步骤为：
S31：确定优化指标为单位时间内岩屑的运移量；
S32：确定本次正交试验的因素与水平；设L为正交表符号；x表示行数即试验的次数；m为因素水平数，范围为1～m；n为列数，表示影响结果的因素个数；按照如下公式设计正交表：
Lx(mn)；
正交试验表的每列都由相同的数字组成；任意两列横向形成的数字对出现的次数相等；
S33：根据因素和水平选择正交试验表，若所选择的列数比因素的数量多时，则让多余的列为空；
S34：列出试验条件，正交试验表的每行表示一次试验选择的方案。
7.根据权利要求1所述的一种基于岩屑运移量的PDC钻头钻进参数的优化方法，其特征在于：所述的步骤S4中，具体步骤为：
S41：对试验结果进行观察分析，根据每一组试验的结果，直接找出最好的试验条件；
S42：对实验结果进行极差分析，具体步骤为：
S421：计算各因素的相同水平试验结果之和；
S422：计算各因素的相同水平试验结果的平均值，比较各水平试验结果之和的平均值的大小，值越大越好；以每个因素的实际取值顺序作为横坐标，以对应于该水平所做试验的结果的平均值为纵坐标作趋势图；
S423：计算各列中相同水平试验结果之和的平均值的极差值；比较极差值的大小，极差值大的因素表示在相同水平下该因素对结果的影响大，则该因素为主要因素；
S43：利用正交试验表对试验结果进行方差分析，将总偏差平方和分解为各个因素效应的偏差平方和与误差效应平方和，并固定在正交表的每一列上，计算因素的平均变动和误差的平均变动，然后利用F检验法对因素进行显著性检验。
8.根据权利要求7所述的一种基于岩屑运移量的PDC钻头钻进参数的优化方法，其特征在于：所述的步骤S43中，具体步骤为：
S431：设yk为第k号试验条件组的实验结果，k＝1，2，3…，n；
Figure RE-FDA0003673614670000031
为n次试验的平均值；f为自由度；Tji为因素j的第i个水平对应的试验结果之和，i＝1，2，3…m；则计算各列的偏差平方和S为：
Figure RE-FDA0003673614670000032
Figure RE-FDA0003673614670000033
Se＝ST-∑Sj,fe＝fT-∑fj；
S432：计算方差V、方差比F和影响率ρ：
Vj＝Sj/fj，
Ve＝Se/fe，
Fj＝Vj/Ve，
ρj＝S′j/ST＝(S-f·VE)/ST；
S433：列出包括偏差平方和S、自由度f、方差V、方差比F和影响率ρ的方差分析表；从方差分析表中找出具有显著性的Fj或较大的ρj，则对应的因素j即为对试验质量特性有最大、次大影响的因素，j＝A，B，C，…；根据Tji值找出影响最大的因素j的最好水平，最终得出最好的因素水平组合。
9.根据权利要求1所述的一种基于岩屑运移量的PDC钻头钻进参数的优化方法，其特征在于：所述的步骤S3中，具体步骤为：
若观察分析结果与极差分析结果一致，则判断找出了有代表性的条件；若观察分析结果与极差分析结果不一致，则通过极差分析得出的结果和给出的因素水平补做试验；
若使用不同分析法得到一致的结论时，则判断找到了最宜因素水平组合；若使用不同分析法得到不一致的结论，且方差分析或极差分析结论不处于试验计划内，则按此结论做验证试验；若此验证试验结果显示为较佳，则判断得到了最宜因素水平组合；
如果验证试验结果与观察分析结果不一致，则做第二次试验，必要时重选因素与水平。
10.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求9中任意一项所述的一种基于岩屑运移量的PDC钻头钻进参数的优化方法。
CN202210237764.7A 2022-03-11 2022-03-11 一种基于岩屑运移量的pdc钻头钻进参数的优化方法 Pending CN114676518A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210237764.7A CN114676518A (zh) 2022-03-11 2022-03-11 一种基于岩屑运移量的pdc钻头钻进参数的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210237764.7A CN114676518A (zh) 2022-03-11 2022-03-11 一种基于岩屑运移量的pdc钻头钻进参数的优化方法

Publications (1)

Publication Number Publication Date
CN114676518A true CN114676518A (zh) 2022-06-28

Family

ID=82072007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210237764.7A Pending CN114676518A (zh) 2022-03-11 2022-03-11 一种基于岩屑运移量的pdc钻头钻进参数的优化方法

Country Status (1)

Country Link
CN (1) CN114676518A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227208A (zh) * 2023-03-06 2023-06-06 安徽理工大学 钻井法凿井气举反循环高效排渣施工参数确定方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227208A (zh) * 2023-03-06 2023-06-06 安徽理工大学 钻井法凿井气举反循环高效排渣施工参数确定方法
CN116227208B (zh) * 2023-03-06 2024-03-08 安徽理工大学 钻井法凿井气举反循环排渣施工参数确定方法

Similar Documents

Publication Publication Date Title
CA2505983C (en) Anomaly detection in data perspectives
CN106778010B (zh) 基于数据驱动支持向量回归机的tbm刀具寿命预测方法
CN101517560A (zh) 利用遗传算法预测油藏产量
CN114676518A (zh) 一种基于岩屑运移量的pdc钻头钻进参数的优化方法
CN112085242B (zh) 一种基于大数据深度学习方法的低阻层精准预测方法与装置
Bajolvand et al. Optimization of controllable drilling parameters using a novel geomechanics-based workflow
Ahmad et al. Probabilistic evaluation of cpt-based seismic soil liquefaction potential: Towards the integration of interpretive structural modeling and bayesian belief network
CN116245020A (zh) 一种基于盾构机掘进的刀盘磨损和能耗优化方法及系统
CN114818493A (zh) 一种隧道岩体完整程度定量评价的方法
Zeng et al. Local coupled Markov chain model for simulating varied stratigraphy
CN111594156B (zh) 一种天然气水合物饱和度计算方法及系统
Singh et al. Optimizing production potential of unconventional oil and gas wells: Insights from statistical and machine learning analysis of well spacing, sequencing, and landing zone TVD across eleven North American plays
EP4251853A1 (en) Concentration prediction in produced water
Hashemizadeh et al. A data-driven approach to estimate the rate of penetration in drilling of hydrocarbon reservoirs
Abdulmutalibov et al. Advancements in Applications of Machine Learning for Formation Damage Predictions
Ashayeri et al. Using the Adaptive Variable Structure Regression Approach in Data Selection and Data Preparation for Improving Machine Learning-Based Performance Prediction in Unconventional Plays
Ding et al. Quantitative estimation of TBM disc cutter wear from in-situ parameters by optimization algorithm improved back-propagation neural network: A case study of a metro tunnel in Guangzhou, China
CN114925771B (zh) 一种影响盾构整机性能的关键部件识别方法
Frankiewicz The application of data analytics and machine learning for formation classification and bit dull grading prediction
Devi et al. A Hybrid Structural Building Data Mining System Based On the Data Tracking Through Devices
AU2019373096B2 (en) A method and system for sample classification
CN116108587B (zh) 一种考虑多源信息不确定性的tbm利用率预测方法
Eltrissi et al. Using a Genetic Algorithm to Estimate Bingham Equation Parameters for Rate of Penetration Prediction
Pootisirakorn et al. Failure Prediction in Open-hole Wireline Logging of Oil and Gas Drilling Operation
Huang et al. Intelligence identification of tunnel surrounding rock mass grades using drilling jumbo data

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