CN114996796B - 一种井眼轨迹预测方法及装置和系统 - Google Patents
一种井眼轨迹预测方法及装置和系统 Download PDFInfo
- Publication number
- CN114996796B CN114996796B CN202210419231.0A CN202210419231A CN114996796B CN 114996796 B CN114996796 B CN 114996796B CN 202210419231 A CN202210419231 A CN 202210419231A CN 114996796 B CN114996796 B CN 114996796B
- Authority
- CN
- China
- Prior art keywords
- track
- prediction
- well
- predicted
- borehole
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000013213 extrapolation Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 91
- 238000005259 measurement Methods 0.000 claims description 52
- 230000008859 change Effects 0.000 claims description 30
- 238000005553 drilling Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000009825 accumulation Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004141 dimensional analysis 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
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- E21B47/02—Determining slope or direction
- E21B47/022—Determining slope or direction of the borehole, e.g. using geomagnetism
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种井眼轨迹预测方法及装置和系统，该方法包括：将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值；将当前测点和第二预设数量的在先测点的井眼轨迹参数输入至少一个预设的几何外推算法模型，得到预测点的至少一组第二井眼轨迹预测值；将第一井眼轨迹预测值和至少一组第二井眼轨迹预测值输入预设的轨迹回归模型，得到预测点的第三井眼轨迹预测值；根据当前测点的预测误差与第三井眼轨迹预测值，确定预测点的井眼轨迹预测结果。将机器学习方法与几何外推算法相融合，消除或减少了预测误差，通过误差调整，消除了误差累积效应，预测结果更接近井眼轨迹真实值。
Description
技术领域
本发明涉及一种井眼轨迹预测方法及装置和系统。
背景技术
随着油气勘探、开发技术的发展，对水平井、定向井的钻井越来越普遍，在油气田勘探、开发过程中，钻井之后必须进行测井，以便了解地层的含油气情况，井眼轨迹预测和控制成为影响钻井成功和成本的关键技术，钻头位置和井眼轨迹的准确预测是进行轨迹控制的前提。现有技术中，技术人员通常采用MWD工具进行测井，由于MWD工具一般设置于钻头后部，实时获取的随钻测量数据相对于钻头是滞后的，不能直接得到测点零长的井眼轨迹，因此，通常通过随钻测量数据，结合个人经验或常规分析方法来对测点零长的井眼轨迹进行预测，得到钻头处的井眼轨迹预测值，即预测点的井眼轨迹预测值，实现监控井眼轨迹的变化。上述测点即为MWD工具的实际位置，测点零长指的是MWD工具的实际位置到钻头的长度。
随着技术的进步，通常采用的井眼轨迹的常规分析方法包括：1、对钻头与地层相互作用进行三维分析，建立钻头与地层相互作用的三维钻速模式的理论受力模型，并据此预测井眼轨迹的井斜角和方位角；2、基于已钻井眼轨迹，利用数学几何方法进行轨迹计算，预测井眼轨迹的井斜角和方位角。
发明内容
本发明的发明人在对上述技术进行研究的过程中发现，由于井眼轨迹变化受钻具组合、钻进参数、井眼几何参数、地层因素等多种因素的影响，上述三维转速模式的理论受力模型均涉及很多参数，但有些参数，如地层各向异性系数、地层倾角和倾向，无法准确获取，因此，理论受力模型的方法无法推广应用，而单纯使用数学几何方法的几何外推算法模型虽然计算方便，但是由于其预先将井眼轨迹假设为某种特定的形状，只能适用于某些特定形状结构的井眼，井眼轨迹的预测误差较大。因此亟需一种井眼轨迹的预测方法，满足现场施工的精度要求，克服现有技术的缺陷。基于此，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种井眼轨迹预测方法及装置和系统。
第一方面，本发明实施例提供一种井眼轨迹预测方法，包括：
将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值；所述预设的轨迹预测模型是根据预先获取的已钻井的井眼轨迹参数和录井参数训练得到的；
将当前测点和第二预设数量的在先测点的井眼轨迹参数输入至少一个预设的几何外推算法模型，得到预测点的至少一组第二井眼轨迹预测值；
将所述第一井眼轨迹预测值和所述至少一组第二井眼轨迹预测值输入预设的轨迹回归模型，得到预测点的第三井眼轨迹预测值；其中，所述预设的轨迹回归模型是根据预先获取的已钻井的多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值训练得到的，所述轨迹点的井眼轨迹预测量值包括第一井眼轨迹预测值和至少一组第二井眼轨迹预测值；
根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果；所述井眼轨迹预测结果包括井斜角和方位角；其中，所述当前测点的预测误差是根据当前测点的井眼轨迹真实值与井眼轨迹预测结果确定的。
在一个或一些可选的实施例中，所述的井眼轨迹预测方法还包括，在获取到当前测点的井眼轨迹真实值时，根据当前测点的井眼轨迹真实值与井眼轨迹预测结果，确定所述当前测点的预测误差；
或，
在根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果之前，根据当前测点的井眼轨迹真实值与井眼轨迹预测结果，确定所述当前测点的预测误差。
在一个或一些可选的实施例中，所述的井眼轨迹预测方法还包括，通过下述方式得到所述预设的轨迹预测模型：
根据预先获取的已钻井的多个轨迹点的井眼轨迹参数和录井工程参数，建立井眼轨迹训练样本集合；
根据所述井眼轨迹训练样本集合，训练预先建立的预测训练模型；
根据获取的所述预测训练模型输出的轨迹点的第一井眼轨迹预测值与井眼轨迹真实值，确定所述轨迹点的第一井眼轨迹预测值与井眼轨迹真实值的第一绝对平均误差；
根据所述第一绝对平均误差，调整所述预测训练模型参数；
重复上述训练过程，直至所述第一绝对平均误差满足第一预设误差阈值范围，得到所述预设的轨迹预测模型。
在一个或一些可选的实施例中，所述的井眼轨迹预测方法中，所述预设的轨迹预测模型为随机梯度下降算法模型；
所述将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值，包括：
将所述当前测点和所述第一预设数量的在先测点的包括井斜角、方位角、井斜变化率、方位变化率、全角变化率、井眼曲率和工具面角的井眼轨迹参数以及包括钻压、转速、扭矩、立管压力和排量的录井参数，输入所述预设的轨迹预测模型，得到所述预测点的第一井眼轨迹预测值。
在一个或一些可选的实施例中，所述的井眼轨迹预测方法中，所述至少一个预设几何外推算法模型，包括：
自然参数法模型、圆柱螺线法模型、最小曲率法模型和恒装置角法模型中的至少一个。
在一个或一些可选的实施例中，所述的井眼轨迹预测方法还包括，通过下述方式得到所述预设的轨迹回归模型：
获取已钻井的多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值；
将所述多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值输入预设超参数的预设的轨迹回归训练模型，得到轨迹点的第三井眼轨迹预测值；
根据获取的所述预设的轨迹回归训练模型输出的轨迹点的第三井眼轨迹预测值与轨迹点的井眼轨迹真实值，确定所述轨迹点的第三井眼轨迹预测值与轨迹点的井眼轨迹真实值的第二绝对平均误差；
根据所述第二绝对平均误差，调整所述轨迹回归训练模型参数；
重复上述训练过程，直至所述第二绝对平均误差均满足第二预设误差阈值范围，得到所述预设的轨迹回归模型。
在一个或一些可选的实施例中，所述的井眼轨迹预测方法中，所述预设的轨迹回归训练模型为lasso线性回归算法学习器模型；所述轨迹回归训练模型参数，包括：所述第一井眼轨迹预测值的权值，以及所述至少一组第二井眼轨迹预测值的权值；
所述第一井眼轨迹预测值包括第一井斜角预测值和第一方位角预测值，所述第二井眼轨迹预测值包括第二井斜角预测值和第二方位角预测值，所述第三井眼轨迹预测值包括第三井斜角预测值和第三方位角预测值。
在一个或一些可选的实施例中，所述的井眼轨迹预测方法还包括，通过下述方式确定所述第一预设数量的在先测点的井眼轨迹参数：
对预先获取的相邻两实测点的井眼轨迹参数进行插值加密，得到相邻两实测点之间的多个在先测点的井眼轨迹参数；
根据当前测点的位置，筛选得到所述第一预设数量的在先测点的井眼轨迹参数。
在一个或一些可选的实施例中，所述的井眼轨迹预测方法还包括：
在将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型之前，分别对所述当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数进行归一化处理。
第二方面，本发明实施例提供一种井眼轨迹预测装置，包括：
第一预测值确定模块，用于将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值；所述预设的轨迹预测模型是根据预先获取的已钻井的井眼轨迹参数和录井参数训练得到的；
第二预测值确定模块，用于将当前测点和第二预设数量的在先测点的井眼轨迹参数输入至少一个预设的几何外推算法模型，得到预测点的至少一组第二井眼轨迹预测值；
第三预测值确定模块，用于将所述第一井眼轨迹预测值和所述至少一组第二井眼轨迹预测值输入预设的轨迹回归模型，得到预测点的第三井眼轨迹预测值；其中，所述预设的轨迹回归模型是根据预先获取的已钻井的多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值训练得到的，所述轨迹点的井眼轨迹预测量值包括第一井眼轨迹预测值和至少一组第二井眼轨迹预测值；
预测结果确定模块，用于根据当前测点的井眼轨迹真实值与井眼轨迹预测结果，确定当前测点的预测误差；根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果；所述井眼轨迹预测结果包括井斜角和方位角。
第三方面，本发明实施例提供一种井眼轨迹预测系统，包括MWD工具和上述的井眼轨迹预测装置。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的井眼轨迹预测方法。
第五方面，本发明实施例提供一种电子设备，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程序时实现如上述的井眼轨迹预测方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的井眼轨迹预测方法，通过井眼轨迹参数和录井参数训练得到的轨迹预测模型确定第一井眼轨迹预测值，根据预设的一个或多个集合外推算法模型确定一个或多个第二井眼轨迹预测值，并根据得到的第一井眼轨迹预测值以及一个或多个第二井眼轨迹预测值在预设的轨迹回归模型中得到预测点的第三井眼轨迹预测值，最后采用当前测点的预测误差修正该第三井眼轨迹预测值，得到预测点的井眼轨迹预测结果。根据钻井施工工程的特性和井眼轨迹参数自身变化规律，确定影响井眼轨迹变化的多种因素，选取简单易取得的数据作为井眼轨迹预测的输入样本；采用预设的轨迹预测模型和预设的轨迹回归模型，基于机器学习方法得到预测点的井眼轨迹预测值，提高了井眼轨迹预测的精度，将机器学习方法与几何外推算法相融合，实际使用时计算方便，消除或减少了几何外推算法的预测误差，并且，在连续预测过程中，通过当前点的预测误差对预测点的误差进行调整，消除了误差累积效应，得到的预测点的井眼轨迹预测结果更接近该预测点的井眼轨迹真实值，满足井眼轨迹预测的精度需求。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的井眼轨迹预测方法的流程示意图；
图2为本发明实施例提供的轨迹预测模型训练过程的流程示意图；
图3为本发明实施例提供的井眼轨迹预测方法中测点的位置关系示意图；
图4为本发明实施例提供的轨迹回归模型训练过程的流程示意图；
图5a是本发明实施例提供的轨迹回归模型输出的轨迹预测结果中井斜角预测值示意；
图5b是本发明实施例提供的轨迹回归模型输出的轨迹预测结果中方位角预测值示意图；
图6a是本发明实施例提供的误差调整前井斜角、方位角预测值与真实值的误差结果图；
图6b是是本发明实施例提供的误差调整后井斜角、方位角预测值与真实值的误差结果图；
图7为本发明实施例提供的井眼轨迹预测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为解决现有技术的问题，本发明提供了一种井眼轨迹预测方法及装置和系统，以提高井眼轨迹预测预测的准确性，降低井眼轨迹预测的复杂度，降低井眼轨迹预测的误差，以满足井眼轨迹预测的精度需求。
下面通过具体的实施例对本发明实施例提供的井眼轨迹预测方法及装置和系统的具体实施方式进行详细的说明。
实施例一
本发明实施例提供的一种井眼轨迹预测方法，其流程参照图1所示，包括以下步骤：
S101：将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值；所述预设的轨迹预测模型是根据预先获取的已钻井的井眼轨迹参数和录井参数训练得到的；
S102：将当前测点和第二预设数量的在先测点的井眼轨迹参数输入至少一个预设的几何外推算法模型，得到预测点的至少一组第二井眼轨迹预测值；
S103：将所述第一井眼轨迹预测值和所述至少一组第二井眼轨迹预测值输入预设的轨迹回归模型，得到预测点的第三井眼轨迹预测值；其中，所述预设的轨迹回归模型是根据预先获取的已钻井的多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值训练得到的，所述轨迹点的井眼轨迹预测量值包括第一井眼轨迹预测值和至少一组第二井眼轨迹预测值；
S104：根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果；所述井眼轨迹预测结果包括井斜角和方位角；其中，所述当前测点的预测误差是根据当前测点的井眼轨迹真实值与井眼轨迹预测结果确定的。
本发明实施例中，该预设的轨迹预测模型可以是机器学习线性回归模型，例如，随机梯度下降算法模型(Stochastic Gradient Descent Regressor)。
在一个具体实施例中，参照图2所示，该预设的轨迹预测模型可以通过下述方式进行训练得到：
S201：根据预先获取的已钻井的多个轨迹点的井眼轨迹参数和录井工程参数，建立井眼轨迹训练样本集合；
S202：根据所述井眼轨迹训练样本集合，训练预先建立的预测训练模型；
S203：根据获取的所述预测训练模型输出的轨迹点的第一井眼轨迹预测值与井眼轨迹真实值，确定所述轨迹点的第一井眼轨迹预测值与井眼轨迹真实值的第一绝对平均误差；
S204：判断所述第一绝对平均误差是否满足第一预设误差阈值范围；若否，执行上述步骤S205；若是，执行步骤S206；
S205：根据所述第一绝对平均误差，调整所述预测训练模型参数，并对调整后的所述预测训练模型进行训练；
S206：得到轨迹预测模型。
本发明实施例中，上述已钻井的多个轨迹点井眼轨迹参数和录井工程参数，可以是正钻井的已钻部分的多个轨迹点的井眼轨迹数据和录井数据，也可以是该正钻井附近的已完成钻井的多个轨迹点的井眼轨迹数据和录井数据。当然，还可以是，其他可以用作训练样本的井眼的多个轨迹点的井眼轨迹数据和录井数据，本领域技术人员可以根据实际模型训练需求，选择合适的井眼的多个轨迹点井眼轨迹参数和录井工程参数。
本发明实施例中，上述已钻井的轨迹点的井眼轨迹参数和录井工程参数中，轨迹点的井眼轨迹参数具体包括井斜角、方位角、井斜变化率、方位变化率、全角变化率(Overall Angle Change Rate)、井眼曲率和工具面角，轨迹点的录井工程参数具体包括钻压、转速、扭矩、立管压力和排量的录井参数，输入所述预设的轨迹预测模型，得到所述预测点的第一井眼轨迹预测值。
本发明实施例中，通过选择已钻井的多个井眼轨迹中包括井斜角、方位角、井斜变化率、方位变化率、全角变化率(Overall Angle Change Rate)、井眼曲率和工具面角的井眼轨迹参数以及包括钻压、转速、扭矩、立管压力和排量的录井参数，建立井眼轨迹训练样本集合，来训练预先建立的预测训练模型，上述的井眼轨迹参数和录井参数易于获取，且准确率高，从而提高预测训练模型预测的准度，采用上述训练样本集合训练的到的预设的井眼轨迹预测模型，输出的第一井眼轨迹预测值更接近该预测点的井眼轨迹真实值，减少了该预测点的井眼轨迹预测误差。并且，该输入的井眼轨迹参数中包括井斜角和方位角，该输出的预测点的第一井眼轨迹预测值也包括井斜角和方位角，即井斜角和方位角既作为模型输入参数，又作为模型输出预测目标值，模型参数的选择合理，有利于进一步提高模型的预测精度。
本发明实施例中，由于MWD工具在进行随钻测量时，一般是间隔预设距离获取一次井眼轨迹参数，若该预设距离大于该预设的井眼轨迹预测模型所输入的多个轨迹点的距离间隔，则可以采用插值加密的方式对MWD工具在进行随钻测量获取的相邻实测点的井眼轨迹参数进行插值加密，基于此，上述井眼轨迹预测方法还可以包括，通过下述方式确定相邻实测点之间的多个轨迹点的井眼轨迹参数：
对预先获取的相邻两实测点的井眼轨迹参数进行插值加密，得到相邻两实测点之间的多个轨迹点的井眼轨迹参数；
根据当前轨迹点的位置，筛选得到所述第一预设数量的在先轨迹点的井眼轨迹参数。
本发明实施例中，由于MWD工具的随钻测量数据是间隔预设距离，例如25米获取一次，为了便于清楚的表达，这里称该MWD工具实际测量的轨迹点为实测点，在获取到已钻井的井眼轨迹数据之后，可以根据钻进方式对相邻的实测点的井眼轨迹参数利用预设的物理模型进行每米插值加密；采用插值加密把两个轨迹点之间的轨迹点的轨迹参数补上。
本发明实施例中，为了保证得到的轨迹点的参数的准确性，还可以对录井参数进行异常值处理，通过将相邻多个轨迹点的录井参数进行对比，确定是否具有异常轨迹点，若有异常轨迹点，则根据其相邻的井深的轨迹点的录井参数修正该异常轨迹点的录井参数。
作为本发明实施例的一种具体实施方式，由于井眼轨迹预测通常用于井眼的斜井段，因此，在获取到井眼轨迹数据和录井数据后，可以先根据井深序列剔除直井段，选择斜井段，利用Python的Pandas库将井眼轨迹数据进行合并，然后，根据录井数据中的扭矩和转速值判断钻进方式为滑动钻进方式H还是旋转钻进方式X，对于采用滑动钻进方式H的滑动钻进的斜井段，则利用空间圆弧法进行插值加密，而对于采用旋转钻进方式X的旋转钻进的斜井段，则利用圆柱螺线法进行插值加密。最后，将插值加密后的井眼轨迹数据与录井数据进行合并，得到各个轨迹点的井眼轨迹参数和录井参数。为了更清楚的展示轨迹点的参数数据，假设各个轨迹点的距离间隔为1米，参照表1所示，选择部分井眼轨迹参数和录井参数进行展示，得到井深为6363米至6367米的5个轨迹点的部分井眼轨迹参数和录井参数。在本发明实施例中，上述空间圆弧法或圆柱螺线法实现插值加密的具体实现方式，可以参照现有技术中的相关描述，在此，可以不作具体限定。
表1
本发明实施例中，由于MWD工具到钻头的距离，即测点零长是已知的，因此，在建立上述预测训练模型时，可以输入该测点零长数据，在进行训练时，可以将训练样本集合中的训练样本按照预设的比例划分为训练样本和测试样本，每采用多个轨迹点对应的训练样本训练一次该预测训练模型，即可采用对应的测试样本对训练后的预测训练模型进行测试，通过测试样本的井眼轨迹真实值与训练后的预测训练模型输出的第一井眼轨迹预测值进行比较，根据获取的测试样本的第一井眼轨迹预测值与井眼轨迹真实值，确定所述测试样本的第一井眼轨迹预测值与井眼轨迹真实值的第一绝对平均误差是否符合满足第一预设误差阈值范围，若否，则调整预测训练模型的参数，直至模型训练完成。
本发明实施例中，多个轨迹点的数量可以根据实际情况进行选择，例如，可以选择当前轨迹点及其之前的连续9米的共10个轨迹点作为一组训练数据，来预测当前轨迹点之后的测点零长距离处的钻头位置的井眼轨迹数据。
本发明实施例中，在对预测训练模型进行训练之前，为了消除训练样本中的输入参数向量单位差异和数量级不同引起的影响，还可以对多个轨迹点的包括井眼轨迹参数和录井参数在内的输入参数进行归一化处理，从而统一输入预测训练模型的向量的量级。
本发明实施例中，可以采用下述公式(1)对轨迹点的输入参数进行归一化处理：
其中，Xij^为归一化后第i个输入参数的j个样本的样本值，Xij为第i个输入参数的j个样本值，为第i个输入参数所有样本的平均值，σi第i个输入参数所有样本的标准差。
基于上述预设的轨迹预测模型的训练过程的描述，本发明实施例中，上述步骤S101中，将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值，具体可以包括：
将所述当前测点和所述第一预设数量的在先测点的包括井斜角、方位角、井斜变化率、方位变化率、全角变化率(Overall Angle Change Rate)、井眼曲率和工具面角的井眼轨迹参数以及包括钻压、转速、扭矩、立管压力和排量的录井参数，输入所述预设的轨迹预测模型，得到所述预测点的第一井眼轨迹预测值。
本发明实施例中，通过选择井眼轨迹中包括井斜角、方位角、井斜变化率、方位变化率、全角变化率(Overall Angle Change Rate)、井眼曲率和工具面角的井眼轨迹参数以及包括钻压、转速、扭矩、立管压力和排量的录井参数，来获取预测点的第一井眼轨迹预测值，上述的井眼轨迹参数和录井参数易于获取，且准确率高，从而提高上述预设的井眼轨迹预测模型的准度，得到的第一井眼轨迹预测值更接近该预测点的井眼轨迹真实值，减少了该预测点的井眼轨迹预测误差。并且，该输入的井眼轨迹参数中包括井斜角和方位角，该输出的预测点的第一井眼轨迹预测值也包括井斜角和方位角，即井斜角和方位角既作为模型输入参数，又作为模型输出参数，模型参数的选择合理，有利于进一步提高模型的预测精度。
本发明实施例中，由于MWD工具在进行随钻测量时，一般是间隔预设距离获取一次井眼轨迹参数，若该预设距离大于该预设的井眼轨迹预测模型所输入的多个轨迹点的距离间隔，则可以采用插值加密的方式对MWD工具在进行随钻测量获取的相邻实测点的井眼轨迹参数进行插值加密，基于此，上述井眼轨迹预测方法还可以包括，通过下述方式确定所述第一预设数量的在先测点的井眼轨迹参数：
对预先获取的相邻两实测点的井眼轨迹参数进行插值加密，得到相邻两实测点之间的多个在先测点的井眼轨迹参数；
根据当前测点的位置，筛选得到所述第一预设数量的在先测点的井眼轨迹参数。
本发明实施例中，在获取到正钻井的新的实测点的井眼轨迹参数之后，可以根据钻进方式对该新的实测点的井眼轨迹参数与该新的实测点相邻的上一实测点的井眼轨迹参数利用预设的物理模型进行每米插值加密；采用插值加密把两个实测点之间的测点的轨迹参数补上。具体的实现过程，可以参照上述关于对预先建立的预测训练模型进行训练时，确定训练样本集合中轨迹点的井眼轨迹参数和录井参数的过程的详细描述，在此，不再赘述。
基于上述对训练样本的归一化处理的描述，上述井眼轨迹预测方法还可以包括：在将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型之前，分别对所述当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数进行归一化处理。对当前测点和第一预设数量的在先测点进行归一化处理的具体过程，可以参照上述对训练样本的归一化处理的相关描述，在此，不再赘述。
在一个具体实施例中，上述步骤S102中所描述的至少一个预设几何外推算法模型，包括：
自然参数法模型、圆柱螺线法模型、最小曲率法模型和恒装置角法模型中的至少一个。
作为本发明实施例的一个具体实施方式，假设上述步骤S102中的几何外推算法模型包括自然参数法模型、圆柱螺线法模型、最小曲率法模型和恒装置角法模型，上述第二预设数量的值被设置为1，则参照图3所示，将当前测点和前一在先测点的井眼轨迹参数分别输入自然参数法模型、圆柱螺线法模型、最小曲率法模型和恒装置角法模型，得到预测点的四组第二井眼轨迹预测值：其中：
在该自然参数法模型，可以通过下述公式(2)计算得到一组第二井眼轨迹预测值αi和φi：
式中：α1为测点1的井斜角，φ1为测点1的方位角；α2为测点1的井斜角，φ2为测点1的方位角；ΔLi为当测点2到预测点的井深；αi—预测点井斜角；φi—预测点方位角。L1为测点1的井深；L2为测点2的点井深。
在该圆柱螺线法模型，可以通过下述公式(3)计算得到一组第二井眼轨迹预测值αi和φi：
式中：α1为测点1的井斜角，φ1为测点1的方位角；α2为测点1的井斜角，φ2为测点1的方位角；ΔLi为当测点2到预测点的井深；αi—预测点井斜角；φi—预测点方位角。L1为测点1的井深；L2为测点2的点井深。
在该最小曲率法模型，可以通过下述公式(4)计算得到一组第二井眼轨迹预测值αi和φi：
式中：α1为测点1的井斜角，φ1为测点1的方位角；α2为测点1的井斜角，φ2为测点1的方位角；ΔLi为当测点2到预测点的井深；αi—预测点井斜角；φi—预测点方位角。L1为测点1的井深；L2为测点2的点井深；γ为测点1到测点2的弯曲角；γi为测点2到预测点的弯曲角；
上述公式(4)中，在确定预测点方位角φi时，增方位时取“+”号，减方位时取“－”号。
在该恒装置角法模型，可以通过下述公式(5)计算得到一组第二井眼轨迹预测值αi和φi：
上述公式(5)中，α1为测点1的井斜角，φ1为测点1的方位角；α2为测点1的井斜角，φ2为测点1的方位角；ΔLi为当测点2到预测点的井深；αi为预测点井斜角；φi为预测点方位角；L2为测点2的点井深；K为井眼曲率，ω为工具面角，分别通过下述公式(6)和公式(7)计算得到，该公式(6)和公式(7)中，e表示中间参数，通过下述公式(8)计算得到，参照下述公式(9)，该公式(8)中αc为测点1和测点2的平均井斜角：
上述公式(5)中，在确定预测点方位角φi时，增方位时取“+”号，减方位时取“－”号。
在一个具体实施例中，本发明的发明人通过上述步骤S101和上述步骤S102分别对井号X的井眼轨迹进行预测，并分别计算四组第二井眼轨迹预测值、第一井眼轨迹预测值与真实井眼轨迹的绝对平均误差，参照表2和表3所示，不同算法模型和预测模型得到的井斜角和方位角的平均绝对误差差异较大。基于此，本发明的发明人提出可以通过线性回归融合的方式对轨迹预测模型和各个几何外推算法模型的预测结果进行融合处理，通过步骤S103得到第三井眼轨迹预测值。
表2
表3
本发明实施例提供的井眼轨迹预测方法，参照图4所示，该方法还包括通过下述方式得到所述预设的轨迹回归模型：
S401：获取已钻井的多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值；
S402：将所述多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值输入预设超参数的轨迹回归训练模型，得到轨迹点的第三井眼轨迹预测值；
S403：根据获取的所述轨迹回归训练模型输出的轨迹点的第三井眼轨迹预测值与轨迹点的井眼轨迹真实值，确定所述轨迹点的第三井眼轨迹预测值与轨迹点的井眼轨迹真实值的第二绝对平均误差；
S404：判断所述第二绝对平均误差是否满足第二预设误差阈值范围；若否，则执行步骤S405；若是，则执行步骤S406；
S405：根据所述第二绝对平均误差，调整所述轨迹回归训练模型参数，并对调整后的所述轨迹回归训练模型进行训练；
S406：得到轨迹回归模型。
在一个具体实施例中，所述预设的轨迹回归训练模型为lasso线性回归算法学习器模型；所述轨迹回归训练模型参数，包括：所述第一井眼轨迹预测值的权值，以及所述至少一组第二井眼轨迹预测值的权值；
所述第一井眼轨迹预测值包括第一井斜角预测值和第一方位角预测值，所述第二井眼轨迹预测值包括第二井斜角预测值和第二方位角预测值，所述第三井眼轨迹预测值包括第三井斜角预测值和第三方位角预测值。
作为本发明实施例的一个具体实施方式，假设该预测点的第二井眼轨迹预测值包括四组，即分别通过自然参数法模型、圆柱螺线法模型、最小曲率法模型和恒装置角法模型得到的第二井眼轨迹预测值，将该四组第二井眼轨迹预测值分别标记为Y1、Y2、Y3和Y4，将通过上述轨迹回归模型得到的轨迹点的第一井眼轨迹预测值标记为Y5，将该轨迹点的井眼轨迹真实值标记为y，以Y1到Y5组成的轨迹点的井眼轨迹预测量值作为X向量，以y作为Y向量，构建lasso线性回归算法学习器模型的训练样本：
X＝[Y1,Y2,Y3,Y4，Y5]，Y＝[y]；
在获取到多个轨迹点所对应的训练样本后，将训练样本输入预设超参数的预设的轨迹回归训练模型，得到轨迹点的第三井眼轨迹预测值Yfinal：
Yfinal＝W1*Y1+W2*Y2+W3*Y3+W4*Y4+W5*Y5
其中，W1到W5分别表示Y1到Y5的权值；
接着，根据该第三井眼轨迹预测值Yfinal与轨迹点的井眼轨迹真实值y，确定Yfinal与y的第二绝对平均误差；
若该第二绝对平均误差不符合第二预设误差阈值范围；若则根据该第二绝对平均误差，调整所述轨迹回归训练模型中W1到W5的大小；
重复上述训练过程，直至所述第二绝对平均误差均满足第二预设误差阈值范围，得到所述预设的轨迹回归模型中Y1到Y5的合适的权值W1到W5，训练得到所述预设的轨迹回归模型。
本发明实施例中，该预设的轨迹回归训练模型的超参数可以在训练过程中，根据实际训练需求进行设置，也可以在训练过程中对该超参数进行调整，例如该超参数可以设置为alpha＝0.01。
在一个具体实施例中，参照图5a和图5b所示，通过上述轨迹回归模型预测得到的井眼轨迹预测结果与井眼轨迹真实值进行比较，可以发现该模型输出的井眼轨迹预测结果在部分轨迹点上井斜角预测值与真实值，以及方位角预测值与真实值之间存在较大偏差。基于此，本发明实施例中，在根据上述步骤S103获取到预测点的第三井眼轨迹预测值之后，为了使预测点的井眼轨迹预测值更接近真实值，可以通过当前测点的预测误差对该预测点的第三井眼轨迹预测值进行误差校正，获取当前测点的预测误差，通过上述步骤S104，根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果。基于此，本发明实施例所提供的井眼轨迹预测方法，还可以包括：
在获取到当前测点的井眼轨迹真实值时，根据当前测点的井眼轨迹真实值与井眼轨迹预测结果，确定所述当前测点的预测误差；
或，
在根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果之前，根据当前测点的井眼轨迹真实值与井眼轨迹预测结果，确定所述当前测点的预测误差。
本发明实施例中，通过获取当前测点的井眼轨迹真实值和预测结果的预测误差，对测点零长的钻头位置的预测结果进行调整，在井眼轨迹预测过程中，实现对各个预测点的井眼轨迹校正，从而使得井眼轨迹预测结果更接近井眼轨迹真实值，使得预测结果及时适应实钻过程中的变化。
本发明实施例中，参照图6a和图6b所示，通过比较在执行步骤S104前和执行步骤S104之后，即对井眼轨迹预测值进行误差校正前后的井斜角预测值与真实值的误差曲线，以及方位角预测值与真实值的误差曲线，可以清楚的发现，通过步骤S104进行误差校正之后，得到的井眼轨迹预测结果误差显著减小，井眼轨迹预测精度明显提高，井眼轨迹预测结果能够及时适应实钻过程中的变化。
本发明实施例提供的井眼轨迹预测方法，通过井眼轨迹参数和录井参数训练得到的轨迹预测模型确定第一井眼轨迹预测值，根据预设的一个或多个集合外推算法模型确定一个或多个第二井眼轨迹预测值，并根据得到的第一井眼轨迹预测值以及一个或多个第二井眼轨迹预测值在预设的轨迹回归模型中得到预测点的第三井眼轨迹预测值，最后采用当前测点的预测误差修正该第三井眼轨迹预测值，得到预测点的井眼轨迹预测结果。根据钻井施工工程的特性和井眼轨迹参数自身变化规律，确定影响井眼轨迹变化的多种因素，选取简单易取得的数据作为井眼轨迹预测的输入样本；采用预设的轨迹预测模型和预设的轨迹回归模型，基于机器学习方法得到预测点的井眼轨迹预测值，提高了井眼轨迹预测的精度，将机器学习方法与几何外推算法相融合，实际使用时计算方便，消除或减少了几何外推算法的预测误差，并且，在连续预测过程中，通过当前点的预测误差对预测点的误差进行调整，消除了误差累积效应，得到的预测点的井眼轨迹预测结果更接近该预测点的井眼轨迹真实值，满足井眼轨迹预测的精度需求。
实施例二
基于同一发明构思，本发明实施例还提供一种井眼轨迹预测装置，参照图7所示，包括：
第一预测值确定模块101，用于将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值；所述预设的轨迹预测模型是根据预先获取的已钻井的井眼轨迹参数和录井参数训练得到的；
第二预测值确定模块102，用于将当前测点和第二预设数量的在先测点的井眼轨迹参数输入至少一个预设的几何外推算法模型，得到预测点的至少一组第二井眼轨迹预测值；
第三预测值确定模块103，用于将所述第一井眼轨迹预测值和所述至少一组第二井眼轨迹预测值输入预设的轨迹回归模型，得到预测点的第三井眼轨迹预测值；其中，所述预设的轨迹回归模型是根据预先获取的已钻井的多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值训练得到的，所述轨迹点的井眼轨迹预测量值包括第一井眼轨迹预测值和至少一组第二井眼轨迹预测值；
预测结果确定模块104，用于根据当前测点的井眼轨迹真实值与井眼轨迹预测结果，确定当前测点的预测误差；根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果；所述井眼轨迹预测结果包括井斜角和方位角。
本发明实施例二所提供的井眼轨迹预测装置能够实现上述实施例一所描述的井眼轨迹预测方法，其具体实现方式可以参照上述关于井眼轨迹预测方法的详细描述，在此，不再赘述。
实施例三
基于同一发明构思，本发明实施例还提供一种井眼轨迹预测系统，包括MWD工具和上述实施例二所描述的井眼轨迹预测装置。
本发明实施例三所提供的井眼轨迹预测系统中，该MWD工具的具体实现方式，可以参照现有技术中的详细描述，该井眼轨迹预测装置的具体实现方式可以参照上述关于井眼轨迹预测方法的详细描述，在此，不再赘述。
实施例四
基于同一发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所描述的井眼轨迹预测方法。
实施例五
基于同一发明构思，本发明实施例还提供一种电子设备，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程序时实现如上述实施例一所描述的井眼轨迹预测方法。
本发明实施例四和实施例五所提供的计算机可读存储介质和电子设备的具体实现方式，可以参照现有技术中的详细描述，其至少能够实现上述实施例一中的井眼轨迹预测方法即可，在此，不再赘述。
除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算系统、或类似设备的动作和/或过程，所述动作和/或过程将表示为处理系统的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理系统的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本发明的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本发明。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本发明的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本发明中描述的技术可用执行本发明所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (13)
1.一种井眼轨迹预测方法，其特征在于，包括：
将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值；所述预设的轨迹预测模型是根据预先获取的已钻井的井眼轨迹参数和录井参数训练得到的；
将当前测点和第二预设数量的在先测点的井眼轨迹参数输入至少一个预设的几何外推算法模型，得到预测点的至少一组第二井眼轨迹预测值；
将所述第一井眼轨迹预测值和所述至少一组第二井眼轨迹预测值输入预设的轨迹回归模型，得到预测点的第三井眼轨迹预测值；其中，所述预设的轨迹回归模型是根据预先获取的已钻井的多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值训练得到的，所述轨迹点的井眼轨迹预测量值包括第一井眼轨迹预测值和至少一组第二井眼轨迹预测值；
根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果；所述井眼轨迹预测结果包括井斜角和方位角；其中，所述当前测点的预测误差是根据当前测点的井眼轨迹真实值与井眼轨迹预测结果确定的。
2.如权利要求1所述的井眼轨迹预测方法，其特征在于，所述方法还包括，在获取到当前测点的井眼轨迹真实值时，根据当前测点的井眼轨迹真实值与井眼轨迹预测结果，确定所述当前测点的预测误差；
或，
在根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果之前，根据当前测点的井眼轨迹真实值与井眼轨迹预测结果，确定所述当前测点的预测误差。
3.如权利要求1所述的井眼轨迹预测方法，其特征在于，所述方法还包括，通过下述方式得到所述预设的轨迹预测模型：
根据预先获取的已钻井的多个轨迹点的井眼轨迹参数和录井工程参数，建立井眼轨迹训练样本集合；
根据所述井眼轨迹训练样本集合，训练预先建立的预测训练模型；
根据获取的所述预测训练模型输出的轨迹点的第一井眼轨迹预测值与井眼轨迹真实值，确定所述轨迹点的第一井眼轨迹预测值与井眼轨迹真实值的第一绝对平均误差；
根据所述第一绝对平均误差，调整所述预测训练模型参数；
重复上述训练过程，直至所述第一绝对平均误差满足第一预设误差阈值范围，得到所述预设的轨迹预测模型。
4.如权利要求3所述的井眼轨迹预测方法，其特征在于，所述预设的轨迹预测模型为随机梯度下降算法模型；
所述将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值，包括：
将所述当前测点和所述第一预设数量的在先测点的包括井斜角、方位角、井斜变化率、方位变化率、全角变化率、井眼曲率和工具面角的井眼轨迹参数以及包括钻压、转速、扭矩、立管压力和排量的录井参数，输入所述预设的轨迹预测模型，得到所述预测点的第一井眼轨迹预测值。
5.如权利要求1所述的井眼轨迹预测方法，其特征在于，所述至少一个预设几何外推算法模型，包括：
自然参数法模型、圆柱螺线法模型、最小曲率法模型和恒装置角法模型中的至少一个。
6.如权利要求1所述的井眼轨迹预测方法，其特征在于，所述方法还包括通过下述方式得到所述预设的轨迹回归模型：
获取已钻井的多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值；
将所述多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值输入预设超参数的预设的轨迹回归训练模型，得到轨迹点的第三井眼轨迹预测值；
根据获取的所述预设的轨迹回归训练模型输出的轨迹点的第三井眼轨迹预测值与轨迹点的井眼轨迹真实值，确定所述轨迹点的第三井眼轨迹预测值与轨迹点的井眼轨迹真实值的第二绝对平均误差；
根据所述第二绝对平均误差，调整所述轨迹回归训练模型参数；
重复上述训练过程，直至所述第二绝对平均误差均满足第二预设误差阈值范围，得到所述预设的轨迹回归模型。
7.如权利要求6所述的井眼轨迹预测方法，其特征在于，所述预设的轨迹回归训练模型为lasso线性回归算法学习器模型；所述轨迹回归训练模型参数，包括：所述第一井眼轨迹预测值的权值，以及所述至少一组第二井眼轨迹预测值的权值；
所述第一井眼轨迹预测值包括第一井斜角预测值和第一方位角预测值，所述第二井眼轨迹预测值包括第二井斜角预测值和第二方位角预测值，所述第三井眼轨迹预测值包括第三井斜角预测值和第三方位角预测值。
8.如权利要求1所述的井眼轨迹预测方法，其特征在于，所述方法还包括通过下述方式确定所述第一预设数量的在先测点的井眼轨迹参数：
对预先获取的相邻两实测点的井眼轨迹参数进行插值加密，得到相邻两实测点之间的多个在先测点的井眼轨迹参数；
根据当前测点的位置，筛选得到所述第一预设数量的在先测点的井眼轨迹参数。
9.如权利要求1-8任一项所述的井眼轨迹预测方法，其特征在于，所述方法还包括：
在将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型之前，分别对所述当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数进行归一化处理。
10.一种井眼轨迹预测装置，其特征在于，包括：
第一预测值确定模块，用于将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值；所述预设的轨迹预测模型是根据预先获取的已钻井的井眼轨迹参数和录井参数训练得到的；
第二预测值确定模块，用于将当前测点和第二预设数量的在先测点的井眼轨迹参数输入至少一个预设的几何外推算法模型，得到预测点的至少一组第二井眼轨迹预测值；
第三预测值确定模块，用于将所述第一井眼轨迹预测值和所述至少一组第二井眼轨迹预测值输入预设的轨迹回归模型，得到预测点的第三井眼轨迹预测值；其中，所述预设的轨迹回归模型是根据预先获取的已钻井的多个轨迹点的井眼轨迹预测量值和井眼轨迹真实值训练得到的，所述轨迹点的井眼轨迹预测量值包括第一井眼轨迹预测值和至少一组第二井眼轨迹预测值；
预测结果确定模块，用于根据当前测点的井眼轨迹真实值与井眼轨迹预测结果，确定当前测点的预测误差；根据所述当前测点的预测误差与所述第三井眼轨迹预测值，确定所述预测点的井眼轨迹预测结果；所述井眼轨迹预测结果包括井斜角和方位角。
11.一种井眼轨迹预测系统，其特征在于，包括MWD工具和权利要求10所述的井眼轨迹预测装置。
12.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-9任一项所述的井眼轨迹预测方法。
13.一种电子设备，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程序时实现如权利要求1-9任一项所述的井眼轨迹预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210419231.0A CN114996796B (zh) | 2022-04-20 | 2022-04-20 | 一种井眼轨迹预测方法及装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210419231.0A CN114996796B (zh) | 2022-04-20 | 2022-04-20 | 一种井眼轨迹预测方法及装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114996796A CN114996796A (zh) | 2022-09-02 |
| CN114996796B true CN114996796B (zh) | 2024-07-23 |
Family
ID=83025288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210419231.0A Active CN114996796B (zh) | 2022-04-20 | 2022-04-20 | 一种井眼轨迹预测方法及装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114996796B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7280987B2 (en) * | 2004-03-26 | 2007-10-09 | Halliburton Energy Services, Inc. | Genetic algorithm based selection of neural network ensemble for processing well logging data |
| AU2012332905B2 (en) * | 2011-11-02 | 2015-11-05 | Landmark Graphics Corporation | Method and system for predicting a drill string stuck pipe event |
| WO2020046512A1 (en) * | 2018-08-31 | 2020-03-05 | Halliburton Energy Services, Inc. | Autonomous directional drilling directional tendency estimation |
-
2022
- 2022-04-20 CN CN202210419231.0A patent/CN114996796B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114996796A (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220325616A1 (en) | Method of drilling a wellbore to a target | |
| CN105550448B (zh) | 基于钻井轨迹设计参数的预钻井三维井眼建模方法及装置 | |
| EP2320251B1 (en) | Multilevel workflow method for extracting resistivity anisotropy data from 3D induction measurements | |
| US11454106B2 (en) | Generating drilling paths using a drill model | |
| RU2663653C1 (ru) | Улучшенная оценка искривления ствола скважины, основанная на результатах измерений изгибающего момента инструмента | |
| WO2020080973A1 (ru) | Способ и система комбинированного сопровождения процесса бурения скважины | |
| US20190257189A1 (en) | Determining Direct Hit or Unintentional Crossing Probabilities for Wellbores | |
| CN101387198A (zh) | 一种实钻井眼轨迹的监测方法 | |
| EA013708B1 (ru) | Контроль качества данных и определение углов пласта, осуществляемые в реальном времени по данным многокомпонентного индукционного каротажа с использованием нейронных сетей | |
| Ekseth et al. | High-Integrity Wellbore Surveying | |
| US20200033501A1 (en) | Improved methods relating to quality control | |
| CN114137836B (zh) | 基于高斯混合模型的垂钻纠偏控制反馈校正方法及装置 | |
| Abughaban et al. | Advanced trajectory computational model improves calculated borehole positioning, tortuosity and rugosity | |
| CN115263269A (zh) | 一种钻井井下工况自动识别方法、装置、设备和存储介质 | |
| SA519400205B1 (ar) | عكس المسافة إلى حد الطبقة (dtbb) متعدد الطبقات بتخمينات مبدئية متعددة | |
| CN112069646A (zh) | 一种精确预测机械钻速的方法 | |
| Ekseth et al. | The reliability problem related to directional survey data | |
| CN106761685B (zh) | 利用工具面角识别井眼轨迹模式的方法 | |
| WO2020028298A1 (en) | Method for geological steering control through reinforcement learning | |
| CN114996796B (zh) | 一种井眼轨迹预测方法及装置和系统 | |
| Sugiura et al. | Improved continuous azimuth and inclination measurement by use of a rotary-steerable system enhances downhole-steering automation and kickoff capabilities near vertical | |
| Heisig et al. | Continuous borehole curvature estimates while drilling based on downhole bending moment measurements | |
| US20210310347A1 (en) | Method for geological steering control through reinforcement learning | |
| US20210293132A1 (en) | Process for real time geological localization with greedy monte carlo | |
| Khadisov | Directional Drilling: Trajectory Design and Position Uncertainty Study for a Laboratory Drilling Rig. |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |