CN114991757A - 一种随钻地层压力测录一体化监测方法及系统 - Google Patents
一种随钻地层压力测录一体化监测方法及系统 Download PDFInfo
- Publication number
- CN114991757A CN114991757A CN202210640169.8A CN202210640169A CN114991757A CN 114991757 A CN114991757 A CN 114991757A CN 202210640169 A CN202210640169 A CN 202210640169A CN 114991757 A CN114991757 A CN 114991757A
- Authority
- CN
- China
- Prior art keywords
- logging
- parameters
- data
- drilling
- principal component
- 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 68
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 38
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013441 quality evaluation Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000011425 standardization method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization 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
- E21B47/06—Measuring temperature or pressure
-
- 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
- E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics (AREA)
- Remote Sensing (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开了一种随钻地层压力测录一体化监测方法及系统，监测方法包括以下步骤：选取并导入测井数据；将测井数据剔除异常数据，标准化，制作测井数据样本；选择n个录井参数，对录井参数进行质量评价和数据标准化，消除量纲的影响；从n个录井参数出发，将录井参数通过主成分计算进行降维处理得到m个录井主成分参数；结合m个录井主成分参数建立RNN神经网络学习模型；将测井数据样本投入训练，修正学习模型。本发明将测井与录井相结合，通过测井技术，能够定量的随钻入井测量参数，再结合录井技术，可以对井下地层压力做定性评价，具有实时监测，直观评价的特点。
Description
技术领域
本发明涉及石油、天然气等钻录井勘探开发技术领域，具体涉及一种随钻地层压力测录一体化监测方法及系统。
背景技术
近年来，随着钻录井工程不断增加，随钻测录井技术有了很大的发展。但高压气井钻井一直是各个国家与地区天然气、石油等勘探开发需要攻克的重大问题，因为缺少对于钻井地层压力参数的分析，往往导致在钻井作业实际操作中缺乏对于井喷等未知事故爆发可能性的预测及应对措施，这就造成了现在钻录井行业中没有办法对突发的井喷事故做到提前预测以及迅速处理，这就造成了井喷事故一旦发生，就会对施工人员的安全带来很大危险，同时也会造成一定环境污染。
通常，在钻井工程中监测地层压力通常采用随钻压力监测的方法，而目前随钻压力检测方法主要有标准钻速法、西格玛法、DC指数法、岩石强度等方法，这些方法均涉及中间参数较多，计算过程复杂，导致工程现场使用存在困难。
目前有关随钻压力监测系统的专利还比较少，公开号为CN101025084的专利文献公开了一种随钻预测钻头底下底层孔隙压力的方法，以同处一区块的待钻井和已钻井为处理对象，利用地层密度测井数据、声波时差测井数据和自然伽马测井数据来分析建立地层压力计算模型来预测当前钻遇地层的孔隙压力，但这些都是出于静态的、单一的分析，缺乏一体化的、动态的随钻录井压力监测。公开号为CN1966934的专利文献公开了一种随钻预测钻头底下地层坍塌压力和破裂压力的方法，其仅存在地震和测井的联合预测，没有充分应用随钻可取的综合录井信息，对地层压力的监测缺乏及时性和真实性。
发明内容
本发明所要解决的技术问题是：目前已有的随钻压力监测技术，对地层压力的监测缺乏及时性和综合性，本发明提供了解决上述问题的一种随钻地层压力测录一体化监测方法及系统，将测井与录井相结合，通过测井技术，能够定量的随钻入井测量参数，再结合录井技术，可以对井下地层压力做定性评价，具有实时监测，直观评价的特点。
本发明通过下述技术方案实现：
一种随钻地层压力测录一体化监测方法，包括以下步骤：
S1.选取并导入测井数据；
S2.将采集到的测井数据剔除异常数据，标准化，制作测井数据样本；
S3.选择n个录井参数，对录井参数进行质量评价和数据标准化，消除量纲的影响；从n个录井参数出发，将录井参数通过主成分计算进行降维处理得到m个录井主成分参数；
具体地，从n个录井参数出发，单独分析其频率，并综合分析上述参数之间相互联系，将录井参数通过主成分计算进行降维处理得到m个录井主成分参数。
S4.结合m个录井主成分参数建立RNN神经网络学习模型；
S5.将步骤S2得到的测井数据样本投入训练，修正学习模型。
进一步可选地，所述测井数据包括测井工程参数和测井地层压力基本数据。
进一步可选地，步骤S2中，将采集到的测井数据剔除异常数据中，3σ法则进行判别数据是否异常。
进一步可选地，通过以下公式进行测井参数异常判断：
式(1)中，i范围为1-n，n表示测井数据样本量，Xi表示第i个测井数据。
进一步可选地，步骤S2中，通过z-score标准化方法对剔除异常数据后的测井数据进行标准化处理，适用于参数最大值与最小值未知的情况。
进一步可选地，将i个测井数据导入到excel表格，求出各测井参数的算数平均值和标准差Sij，转换函数如下：
式(2)和式(3)中，X表示转换函数,i表示测井参数序号，范围为1～n；j表示测井参数指标序号,范围为1～n；Xij表示第i个测井参数的第j个指标值，Zij表示标准化后的第i个测井参数的第j个指标值，Sij表示第i个测井参数的第j个指标值的标准差。
表示第j个测井参数指标的算术平均值。
录井参数主成分计算进行降维处理部分，录井可通过传感器实时录取30余个钻井参数，并可以通过计算派生出300余个录井工程参数，此处进行降维处理，意义重大。过程包含，选择i个录井工程参数，进行主成分计算。
进一步可选地，步骤S3中，对于标准化后的参数值Zij，相关系数计算公式为：
由此可得相关系数矩阵为R；
求得其特征根为λ1,λ2,…λn；特征向量为α1,α2,…,αn；
则得第n个主成分为：Fn＝α1*SX1+α2*SX2+…+αn*SXn；
主成分占比为：F＝(α1*SX1+α2*SX2+…+αn*SXn)/(α1+α2+…+αn)
其中α1,α2,...,αn为X的协方差阵∑的特征值所对应的特征向量，Sx1,Sx2,...,Sxn为原始变量经过标准化处理，计算后通过各个参数得主成分占比排序，确定m个录井主成分参数；
其中，k范围为1～n，n表示测井数据样本量，rij表示第i个测井参数第j个指标值的相关系数，Zik表示标准化后的第i个测井参数的第k个指标值，Zkj表示标准化后的第k个测井参数的第j个指标值。
进一步可选地，步骤S4中，m个录井主成分参数结合RNN神经网络学习方法建立模型如下：
a(t)＝b+Wh(t-1)+Ux(t)
h(t)＝tanh(a(t))
ο(t)＝c+Vh(t)
其中，b、c为参数的偏置向量，W、U、V为权重矩阵分别对应输入到隐藏和隐藏到输出的连接；
其中，x(t)＝[M1 M2...Mm]T，其中M1,M2,...,Mm表示个主成分录井工程参数。
将m个录井主成分参数结合RNN神经网络建立模型部分，RNN即为循环神经网络，具有循环记忆功能，能够将相邻数据联系起来，得到动态的、标准的预测值。此处主要有以下参数设置，设置训练参数，学习方法选择神经网络，进行如下设置：学习效率(0.1)、最大允许误差率(0.000001)、函数阿尔法值(0.8)、隐层神经元个数(15)、迭代次数(10000)。
将测井数据样本投入训练部分，若选定测井对象与录井对象同一井深处对应的地层压力相近，则可不做特殊处理，若两者有较大差距，则应根据压力剖面调整录井对象的井深数据，并随之调整其他录井工程参数，以便得到较准确的分析结果。
一种随钻地层压力测录一体化监测系统，包括
测井参数处理模块，用于导入测井数据，并将测井数据剔除异常数据，标准化，制作测井数据样本；
录井参数处理模块，用于对n个录井参数进行质量评价和数据标准化，消除量纲的影响；并用于从n个录井参数出发，将录井参数通过主成分计算进行降维处理得到m个录井主成分参数；
随钻底层压力监测模块，用于结合m个录井主成分参数建立RNN神经网络学习模型，并将测井数据样本投入训练，修正学习模型。
进一步可选地，用于实现上述的一种随钻地层压力测录一体化监测方法。
本发明具有如下的优点和有益效果：
本发明提供的一种随钻地层压力测录一体化监测方法，主要分为五个部分：测井数据标准化处理；建立测井参数样本；选择录井参数处理对象(n个录井参数)，并将录井参数通过主成分计算进行降维处理得到m个录井主成分参数；将m个录井主成分参数结合RNN神经网络建立模型；将测井数据样本投入模型进行训练修正。分析上述得到的井下地层压力监测结果，根据实时监测情况来调整钻录井参数，保证钻录井安全。
本发明钻录井参数主成分分析，通过n个多参数之间统计分析，进行降维，计算得到m个录井参数主成分，简化了后续分析过程。
本发明可实现在随钻过程中通过将测井数据与录井数据相结合，选定对象参数通过RNN神经网络模型进行建模分析，得到井下地层压力的监测结果，根据实时监测情况来调整钻录井参数，可满足绝大多数井下地层压力随钻实时监测的要求，达到防止井喷，保证钻井安全的目的。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的随钻地层压力测录一体化监测方法整体流程图。
图2为实施例2的随钻地层压力测录一体化监测方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实施例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
实施例1
本实施例提供了一种随钻地层压力测录一体化监测方法，如图1和图2所示，具体步骤如下所示：
S1.选取并导入测井数据；测井数据包括测井工程参数和测井地层压力基本数据。
S2.将采集到的测井数据剔除异常数据，标准化，制作测井数据样本；
将采集到的测井数据剔除异常数据中，3σ法则进行判别数据是否异常，通过以下公式进行测井参数异常判断：
式(1)中，i范围为1-n，n表示测井数据样本量，Xi表示第i个测井数据。
通过z-score标准化方法对剔除异常数据后的测井数据进行标准化处理；将i个测井数据导入到excel表格，求出各测井参数的算数平均值和标准差Sij，转换函数如下：
式(2)和式(3)中，X表示转换函数,i表示测井参数序号，范围为xj 1～n；j表示测井参数指标序号,范围为1～n；Xij表示第i个测井参数的第j个指标值，Zij表示标准化后的第i个测井参数的第j个指标值，Sij表示第i个测井参数的第j个指标值的标准差。表示第j个测井参数指标的算术平均值。
S3.选择n个录井参数，对录井参数进行质量评价和数据标准化，消除量纲的影响；从n个录井参数出发，将录井参数通过主成分计算进行降维处理得到m个录井主成分参数；
对于标准化后的参数值Zij，相关系数计算公式为：
由此可得相关系数矩阵为R；
求得其特征根为λ1,λ2,…λn；特征向量为α1,α2,…,αn；
则得第n个主成分为：Fn＝α1*SX1+α2*SX2+…+αn*SXn；
主成分占比为：F＝(α1*SX1+α2*SX2+…+αn*SXn)/(α1+α2+…+αn)
其中α1,α2,...,αn为X的协方差阵∑的特征值所对应的特征向量，Sx1,Sx2,...,Sxn为原始变量经过标准化处理，计算后通过各个参数得主成分占比排序，确定m个录井主成分参数；
其中，k范围为1～n，n表示测井数据样本量，rij表示第i个测井参数第j个指标值的相关系数，Zik表示标准化后的第i个测井参数的第k个指标值，Zkj表示标准化后的第k个测井参数的第j个指标值。
S4.结合m个录井主成分参数建立RNN神经网络学习模型；
m个录井主成分参数结合RNN神经网络学习方法建立模型如下：
a(t)＝b+Wh(t-1)+Ux(t)
h(t)＝tanh(a(t))
ο(t)＝c+Vh(t)
其中，b、c为参数的偏置向量，W、U、V为权重矩阵分别对应输入到隐藏和隐藏到输出的连接；
其中，x(t)＝[M1 M2 ... Mm]T，其中M1,M2,...,Mm表示个主成分录井工程参数。
S5.将步骤S2得到的测井数据样本投入训练，修正学习模型。
将测井数据样本投入训练部分，若选定测井对象与录井对象同一井深处对应的地层压力相近，则可不做特殊处理，若两者有较大差距，则应根据压力剖面调整录井对象的井深数据，并随之调整其他录井工程参数，以便得到较准确的分析结果。
实施例2
本实施例提供了一种随钻地层压力测录一体化监测方法，如图2所示，基于实施例1的方法步骤，结合实际工程应用实施步骤如下所示：
步骤1：选取测井工程参数与地层压力数据，进行异常值剔除和数据标准化，建立数据样本。
步骤2：选择录井对象，设置录井相关参数。具体为选择要处理的井和相关曲线，参数选择方式设置为自选参数，建模方法设置为估计，深度抽取范围设置为全井段。接下来选择预测井与已知井下工程参数，例选择克深205井，选择大钩负荷、井径、钻时、转速、钻压、钻盘扭矩、井深、池体积、钻盘转数、出口流量、泵冲这11个工程参数，全部设置完成后点击下一步。
步骤3：对上述11个录井参数通过主成分计算进行降维处理，对上述11个钻录井参数进行质量评价，进行数据标准化，消除量纲的影响；从转盘转速、钻时、大钩负荷等参数出发，单独分析其频率，并综合分析上述参数之间相互联系，经计算后确定主成分为大钩负荷、钻时、转速、钻压、井深、池体积这6个工程参数。
步骤4：将大钩负荷、钻时、转速、钻压、井深、池体积这6个工程参数结合RNN神经网络学习方法建立模型，公式如下：
a(t)＝b+Wh(t-1)+Ux(t)
h(t)＝tanh(a(t))
ο(t)＝c+Vh(t)
其中，x(t)＝[DEPTH DT RS WOB PV HL]T，DEPTH为井深，DT为钻时，RS为转速，WOB为钻压，PV为池体积，HL为大钩负荷。
因本实施例中选取测井对象与克深205井为相邻井，具有相同的压力剖面，故不对井深做特殊处理。接着设置训练参数，学习方法选择神经网络，进行如下设置：学习效率(0.9)、最大允许误差率(0.000001)、函数阿尔法值(0.8)、隐层神经元个数(15)、迭代次数(10000)，点击预测，则得到克深205井的预测结果。
步骤5：分析预测得到的井下地层压力监测结果，根据实时监测情况来调整钻录井参数，保证钻录井安全。
实施例3
本实施例提供了一种随钻地层压力测录一体化监测系统，主要包括测井参数处理模块、录井参数处理模块和随钻底层压力监测模块，各模块功能介绍如下所示：
测井参数处理模块，用于导入测井数据，并将测井数据剔除异常数据，标准化，制作测井数据样本。
录井参数处理模块，用于对n个录井参数进行质量评价和数据标准化，消除量纲的影响；并用于从n个录井参数出发，将录井参数通过主成分计算进行降维处理得到m个录井主成分参数。
随钻底层压力监测模块，用于结合m个录井主成分参数建立RNN神经网络学习模型，并将测井数据样本投入训练，修正学习模型。
具体用于实现实施例1提供的一种随钻地层压力测录一体化监测方法。
以上所述的具体实施方式，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方式而已，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 (10)
1.一种随钻地层压力测录一体化监测方法，其特征在于，包括以下步骤：
S1.选取并导入测井数据；
S2.将采集到的测井数据剔除异常数据，标准化，制作测井数据样本；
S3.选择n个录井参数，对录井参数进行质量评价和数据标准化，消除量纲的影响；从n个录井参数出发，将录井参数通过主成分计算进行降维处理得到m个录井主成分参数；
S4.结合m个录井主成分参数建立RNN神经网络学习模型；
S5.将步骤S2得到的测井数据样本投入训练，修正学习模型。
2.根据权利要求1所述的一种随钻地层压力测录一体化监测方法，其特征在于，所述测井数据包括测井工程参数和测井地层压力基本数据。
3.根据权利要求1所述的一种随钻地层压力测录一体化监测方法，其特征在于，步骤S2中，将采集到的测井数据剔除异常数据中，3σ法则进行判别数据是否异常。
4.根据权利要求3所述的一种随钻地层压力测录一体化监测方法，其特征在于，通过以下公式进行测井参数异常判断：
式(1)中，i范围为1～n，n表示测井数据样本量，Xi表示第i个测井数据。
5.根据权利要求1所述的一种随钻地层压力测录一体化监测方法，其特征在于，步骤S2中，通过z-score标准化方法对剔除异常数据后的测井数据进行标准化处理。
6.根据权利要求5所述的一种随钻地层压力测录一体化监测方法，其特征在于，将i个测井数据导入到excel表格，求出各测井参数的算数平均值和标准差Sij，转换函数如下：
式(2)和式(3)中，X表示转换函数,i表示测井参数序号，范围为1～n；j表示测井参数指标序号,范围为1～n；Xij表示第i个测井参数的第j个指标值，Zij表示标准化后的第i个测井参数的第j个指标值，Sij表示第i个测井参数的第j个指标值的标准差；
表示第j个测井参数指标的算术平均值。
7.根据权利要求1所述的一种随钻地层压力测录一体化监测方法，其特征在于，步骤S3中，对于标准化后的Zij，相关系数计算公式为：
由此可得相关系数矩阵为R；
求得其特征根为λ1,λ2,…λn；特征向量为α1,α2,…,αn；
则得第n个主成分为：Fn＝α1*SX1+α2*SX2+…+αn*SXn；
主成分占比为：F＝(α1*SX1+α2*SX2+…+αn*SXn)/(α1+α2+…+αn)
其中α1,α2,...,αn为X的协方差阵∑的特征值所对应的特征向量，Sx1,Sx2,...,Sxn为原始变量经过标准化处理，计算后通过各个参数得主成分占比排序，确定m个录井主成分参数；
其中，k范围为1～n，n表示测井数据样本量，rij表示第i个测井参数第j个指标值的相关系数，Zik表示标准化后的第i个测井参数的第k个指标值，Zkj表示标准化后的第k个测井参数的第j个指标值。
8.根据权利要求1至7任一项所述的一种随钻地层压力测录一体化监测方法，其特征在于，步骤S4中，m个录井主成分参数结合RNN神经网络学习方法建立模型如下：
a(t)＝b+Wh(t-1)+Ux(t)
h(t)＝tanh(a(t))
ο(t)＝c+Vh(t)
其中，b、c为参数的偏置向量，W、U、V为权重矩阵分别对应输入到隐藏和隐藏到输出的连接；
其中，x(t)＝[M1 M2...Mm]T，其中M1,M2,...,Mm表示个主成分录井工程参数。
9.一种随钻地层压力测录一体化监测系统，其特征在于，包括
测井参数处理模块，用于导入测井数据，并将测井数据剔除异常数据，标准化，制作测井数据样本；
录井参数处理模块，用于对n个录井参数进行质量评价和数据标准化，消除量纲的影响；并用于从n个录井参数出发，将录井参数通过主成分计算进行降维处理得到m个录井主成分参数；
随钻底层压力监测模块，用于结合m个录井主成分参数建立RNN神经网络学习模型，并将测井数据样本投入训练，修正学习模型。
10.根据权利要求9所述的一种随钻地层压力测录一体化监测方法，其特征在于，用于实现权利要求2-8任一项所述的一种随钻地层压力测录一体化监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210640169.8A CN114991757A (zh) | 2022-06-08 | 2022-06-08 | 一种随钻地层压力测录一体化监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210640169.8A CN114991757A (zh) | 2022-06-08 | 2022-06-08 | 一种随钻地层压力测录一体化监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114991757A true CN114991757A (zh) | 2022-09-02 |
Family
ID=83032726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210640169.8A Pending CN114991757A (zh) | 2022-06-08 | 2022-06-08 | 一种随钻地层压力测录一体化监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114991757A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117386344A (zh) * | 2023-12-13 | 2024-01-12 | 西南石油大学 | 一种基于两阶段学习的钻井异常工况诊断方法及系统 |
| CN117951509B (zh) * | 2024-03-26 | 2024-05-31 | 中国石油大学(华东) | 一种矿物组成含量预测方法及预测系统 |
-
2022
- 2022-06-08 CN CN202210640169.8A patent/CN114991757A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117386344A (zh) * | 2023-12-13 | 2024-01-12 | 西南石油大学 | 一种基于两阶段学习的钻井异常工况诊断方法及系统 |
| CN117386344B (zh) * | 2023-12-13 | 2024-02-23 | 西南石油大学 | 一种基于两阶段学习的钻井异常工况诊断方法及系统 |
| CN117951509B (zh) * | 2024-03-26 | 2024-05-31 | 中国石油大学(华东) | 一种矿物组成含量预测方法及预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
| US20080162098A1 (en) | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity | |
| US6044327A (en) | Method for quantifying the lithologic composition of formations surrounding earth boreholes | |
| WO2020125682A1 (zh) | 一种应用随钻数据计算岩石强度的方法和系统 | |
| CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
| CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
| CN113837501B (zh) | 基于图神经网络的页岩总有机碳预测方法、系统和设备 | |
| CN113553780A (zh) | 一种基于机器学习的地层孔隙压力预测方法 | |
| CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
| CN111048163A (zh) | 一种基于高阶神经网络的页岩油滞留烃量（s1）评价方法 | |
| CN114991757A (zh) | 一种随钻地层压力测录一体化监测方法及系统 | |
| CN111753776A (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN113216945B (zh) | 一种致密砂岩储层渗透性定量评价方法 | |
| CN114679310A (zh) | 一种网络信息安全检测方法 | |
| CN111191502B (zh) | 基于钻柱振动信号的粘滑和跳钻异常工况识别方法 | |
| CN110552693A (zh) | 一种基于深度神经网络的感应测井曲线的层界面识别方法 | |
| CN115329468A (zh) | 基于bas算法改进bp神经网络的钻井机械钻速预测方法 | |
| CN116432891A (zh) | 一种钻头应用效能的综合评估方法及系统 | |
| CN115049173A (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 | |
| CN115977736A (zh) | 一种基于现场实时数据驱动的煤与瓦斯突出预警方法 | |
| CN108197824B (zh) | 一种高坝服役安全空间警戒域诊断方法 | |
| CN112465347A (zh) | 基于聚类分析与改进神经网络协同预测顶板稳定性的方法 | |
| Nezhad et al. | Automatic Interpretation of Oil and Gas Well Cement Evaluation Logs Using Fuzzy Convolutional Neural Networks |
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 |