CN115324571B - 基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 - Google Patents
基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 Download PDFInfo
- Publication number
- CN115324571B CN115324571B CN202210923619.4A CN202210923619A CN115324571B CN 115324571 B CN115324571 B CN 115324571B CN 202210923619 A CN202210923619 A CN 202210923619A CN 115324571 B CN115324571 B CN 115324571B
- Authority
- CN
- China
- Prior art keywords
- parameters
- drilling
- data
- expansion rate
- well
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 239000012530 fluid Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005086 pumping Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000009918 complex formation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000011425 standardization method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/005—Testing the nature of borehole walls or the formation by using drilling mud or cutting data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置,包括:获取影响钻井井壁垮塌相关的工程参数;确定所述工程参数与扩径率之间相关性系数;选择所述相关性系数的数值大于预设阈值的情况下,对应的所述工程参数作为构建井眼扩径率预测网络模型的输入参数;对输入参数进行预处理,得到处理后的参数数据;构建井眼扩径率预测网络模型;将获取的待预测的钻井信息、录井信息输入井眼扩径率预测网络模型进行预测,预测井眼扩径率。本发明利用钻井、录井工程数据和神经网络,定量预测了钻井过程中井眼扩径率。为解决井壁稳定难题提供了关键参数,对实现复杂结构安全高效钻井,降低深井超深井建井成本提供有力的技术支撑。
Description
技术领域
本发明涉及钻井工程技术领域,尤其涉及一种基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置。
背景技术
井壁垮塌失稳是诱发钻井井下复杂事故的主要原因,科学评价井壁稳定性是有效预防与处治井壁坍塌失稳的基础,对保障安全钻井意义重大。复杂结构地层通常呈现显著的不连续性与强烈的非均质性,常用的基于均匀连续介质的力学理论不能适用于复杂结构地层的井壁稳定性评价,亟需建立与之相适应的井壁垮塌程度预测方法。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供一种基于钻录井信息的复杂地层井壁垮塌定量预测方法。
一种基于钻录井信息的复杂地层井壁垮塌定量预测方法,包括:
获取影响钻井井壁垮塌相关的工程参数;所述工程参数包括:钻井工艺参数和工程录井参数;所述钻井工艺参数包括:钻井液密度、机械转速、钻压;所述工程录井参数包括:钻时、泵冲、立管压力、大钩悬重、扭矩;
确定所述工程参数与扩径率之间相关性系数;
选择所述相关性系数的数值大于预设阈值的情况下,对应的所述工程参数作为构建井眼扩径率预测网络模型的输入参数;
对所述输入参数进行预处理,得到处理后的参数数据;
以所述处理后的参数数据作为输入、以扩径率为输出,构建井眼扩径率预测网络模型;
将获取的待预测钻井深度点的钻井信息、录井信息输入所述井眼扩径率预测网络模型,预测井眼扩径率。
进一步地,如上所述的基于钻录井信息的复杂地层井壁垮塌定量预测方法,根据下式确定所述工程参数与扩径率之间相关性系数:
其中,r为参数序列x、y的相关系数,xi、yi分别为数据序列x、y的第i个数据点,为数据序列x的平均值,/>为数据序列y的平均值。
进一步地,如上所述的基于钻录井信息的复杂地层井壁垮塌定量预测方法,所述对所述输入参数进行预处理包括:
对所述输入参数进行采样一致性处理与数据标准化处理;
所述采样一致性处理用于使输入参数具有相同的采样频率;所述数据标准化处理用于对采样频率相同的参数进行标准化处理。
进一步地,如上所述的基于钻录井信息的复杂地层井壁垮塌定量预测方法,所述采样一致性处理包括:
对所述输入参数利用式(2)-式(5)对连续5个数据点进行最小平方曲线拟合以进行数据的加密,实现与高频采样数据具有相同采样间隔;其中,所述数据点为输入参数中的某个深度点的数据;
Z(x)=a+bx+cx2 (2)
其中,Z(x)代表以x为自变量的二次多项式;a、b、c为系数;
即要求式(3)中a、b、c使得Q达到最小:
其中a、b、c可由式(4)求出:
当x=0时,有:
其中,Z0代表t为0时拟合函数的值;X-2、X-1、X0、X、X2为连续的5个数据点;
所述数据标准化处理包括:针对不同来源、不同量纲的数据,利用min-max标准化方法,对采样频率相同的参数进行标准化处理,min-max标准化计算公式为:
其中,μ为均值,σ为标准差;x为采样频率相同的参数。
进一步地,如上所述的基于钻录井信息的复杂地层井壁垮塌定量预测方法,所述构建井眼扩径率预测网络模型包括:
运用GRU网络模型,以处理后的参数数据作为输入,扩径率为输出,构建井眼扩径率预测网络模型;
网络模型设定两层循环计算层,一层全连接层的网络结构;并通过比较模型的预测准确率优选确定隐含层节点数、循环核时间展开步两个与网络复杂度相关的超参数;通过分析训练误差曲线与验证误差曲线的差异性优选学习率、Dropout两个超参数。
一种基于钻录井信息的复杂地层井壁垮塌定量预测装置,包括:
获取单元,用于获取影响钻井井壁垮塌相关的工程参数;所述工程参数包括:钻井工艺参数和工程录井参数;所述钻井工艺参数包括:钻井液密度、机械转速、钻压;所述工程录井参数包括:钻时、泵冲、立管压力、大钩悬重、扭矩;
确定单元,用于确定所述工程参数与扩径率之间相关性系数;
选择单元,用于选择所述相关性系数的数值大于预设阈值的情况下,对应的所述工程参数作为构建井眼扩径率预测网络模型的输入参数;
处理单元,用于对所述输入参数进行预处理,得到处理后的参数数据;
构建单元,用于以所述处理后的参数数据作为输入、以扩径率为输出,构建井眼扩径率预测网络模型;
预测单元,用于将获取的待预测钻井深度点的钻井信息、录井信息输入所述井眼扩径率预测网络模型,预测井眼扩径率。
一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述基于钻录井信息的复杂地层井壁垮塌定量预测方法。
一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上所述基于钻录井信息的复杂地层井壁垮塌定量预测方法。
一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述基于钻录井信息的复杂地层井壁垮塌定量预测方法。
有益效果:
本发明提供的基于钻录井信息的复杂地层井壁垮塌定量预测方法,利用油田现场存有的钻井、录井工程数据,运用神经网络算法,定量预测了钻井过程中井眼扩径率。为实现以缝洞碳酸盐岩地层为代表的复杂结构地层井壁稳定定量评价提供一种全新思路,为解决井壁稳定难题提供了关键参数。对实现复杂结构安全高效钻井,降低深井超深井建井成本提供有力的技术支撑。
附图说明
图1为本发明提供的基于钻录井信息的复杂地层井壁垮塌定量预测方法流程示意图;
图2是数据插值示意图;
图3是GRU模型结构示意图;
图4是训练完成的训练误差曲线验证误差曲线;
图5是井眼扩径率预测网络模型结构示意图;
图6是预测结果;
图7为本发明提供的基于钻录井信息的复杂地层井壁垮塌定量预测装置结构示意图;
图8是本发明提供的电子设备的结构示意图。
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,下面对本发明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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明提供的基于钻录井信息的复杂地层井壁垮塌定量预测方法流程示意图,如图1所示,该方法包括:
步骤101:获取影响钻井井壁垮塌相关的工程参数;所述工程参数包括:钻井工艺参数和工程录井参数;所述钻井工艺参数包括:钻井液密度、机械转速、钻压;所述工程录井参数包括:钻时、泵冲、立管压力、大钩悬重、扭矩。
具体地,井壁垮塌相关工程参数分析,基于钻井、录井信息,初步筛选影响钻井井壁垮塌相关的工程参数;对于参数的优选,从影响井壁垮塌程度的钻井工艺参数和反映井壁垮塌程度的工程录井参数两方面入手。钻井工艺参数包括:钻井液密度、机械转速、钻压;工程录井包括:钻时、泵冲、立管压力、大钩悬重、扭矩。
步骤102:确定所述工程参数与扩径率之间相关性系数。
具体地,利用皮尔逊相关系数,分析计算各参数与扩径率之间的相关性,进一步优选井壁垮塌相关的工程参数;
其中,r为参数序列x、y的相关系数,xi、yi分别为数据序列x、y的第i个数据点,为数据序列x的平均值,/>为数据序列y的平均值。在式1中,x,y分别为两个参数序列,设x或y为扩径率即可求得扩径率与其他参数的相关性。
步骤103:选择所述相关性系数的数值大于预设阈值的情况下,对应的所述工程参数作为构建井眼扩径率预测网络模型的输入参数。
具体地,在选择输入参数的时,根据计算的相关性系数的大小,按相关性定义方法,当相关性系数大小介于0-0.09时认为无相关性,当相关性系数大小介于0.1-0.3时认为呈弱相关性,当相关性系数介于03-0.5时呈中相关性,当相关性系数大小介于0.5-1.0时呈强相关性,本发明选择到相关性系数大于0.3的参数作为输入参数。
步骤104:对所述输入参数进行预处理,得到处理后的参数数据。
具体地,由于不同来源数据(各输入参数)采样间隔存在差异,通过对采样频率低、间隔大的数据运用最小平方拟合方法,利用式(2)至式(5)对连续5个数据点进行最小平方曲线拟合,进行数据的加密,实现与高频采样数据的相同采样间隔
Z(t)=a+bx+cx2 (2)
即要求式(3)中a、b、c使得Q达到最小:
其中a、b、c可由式4求出:
当x=0时,有:
针对不同来源、不同量纲的数据,利用min-max标准化方法,对数据进行标准化处理,min-max标准化计算公式为:
其中,μ为均值,σ为标准差。
图2是数据插值示意图,如图2所示,已有的数据点中间,通过线性插值的方式增大数据采样频率;通过上述方法同步不同来源数据的采样频率。
步骤105:以所述处理后的参数数据作为输入、以扩径率为输出,构建井眼扩径率预测网络模型。
具体地,图3是GRU模型结构示意图,如图3所示,本发明运用GRU网络模型,以钻井液密度、机械转速、钻压、钻时、泵冲、立管压力、大钩悬重、扭矩为输入参数,扩径率为输出,构建井眼扩径率预测网络模型。
网络模型设定两层循环计算层,一层全连接层的网络结构;并通过比较模型的预测准确率优选确定隐含层节点数、循环核时间展开步两个与网络复杂度相关的超参数;通过分析训练误差曲线与验证误差曲线的差异性优选学习率、Dropout两个超参数。
本发明运用Python语言实现算法模型,借助TensorFlow框架搭建网络模型,调用Sequential模型,逐层搭建网络。在对模型的隐含层节点数以及循环核时间展开步优选时,对不同的参数组合,通过对比测试集准确率的方式优选节点数,以此方式来优选模型的隐含层节点数以及循环核时间展开步。对于激活函数的选取,由于GRU模型引入了更新门,使用Sigmoid函数作为判定函数,由于GRU网络结构的特性,决定了循环计算层都是通过tanh函数计算。对于学习率、Dropout参数,通过判断训练误差曲线以及验证误差曲线进行优选。图4是训练完成的训练误差曲线验证误差曲线,图5是井眼扩径率预测网络模型结构示意图。
GRU计算过程如下:
zt=σ(Wz·[ht-1,xt]) (7)
rt=σ(Wr·[ht-1,xt]) (8)
其中:zt为更新门,rt为重置门,ht为记忆体,为候选隐含层,Wz,Wr,W为3个权重参数矩阵,xt为t时刻的输入。
步骤106:将获取的待预测钻井深度点的钻井信息、录井信息输入所述井眼扩径率预测网络模型进行预测,预测井眼扩径率。
本发明提供的基于钻录井信息的复杂地层井壁垮塌程度预测方法,首先对影响井壁稳定的工程因素进行分析,初步优选模型输入参数,计算各参数与扩径率之间相关性系数,对数据集进行数据处理,输入模型得到扩径率。该预测方法利用油田现场获取的钻井以及录井资料,基于GRU网络,构建了适用于复杂结构地层的扩径率预测模型,实现了钻井过程中井壁扩径率的定量预测,解决了复杂结构地层钻井过程中井壁垮塌程度的定量评价难题,为复杂地层安全高效钻井工程参数的设计优化提供了有力支撑、指导。
实施例:
步骤1:井壁垮塌相关工程参数分析,基于钻井、录井信息,初步筛选影响钻井井壁垮塌相关的工程参数;对于参数的优选,从影响井壁垮塌程度的钻井工艺参数和反映井壁垮塌程度的工程录井参数两方面入手。钻井工艺参数包括:钻井液密度、机械转速、钻压;工程录井包括:钻时、泵冲、立管压力、大钩悬重、扭矩。
步骤2:利用皮尔逊相关系数计算公式计算各影响因素与扩径率之间相关性系数。计算得到扭矩、机械转速与扩径率相关性较好,在各输入参数之间,泵冲与钻井液密度、机械转速、立管压力相关性较好。
步骤3:对步骤2筛选出的输入参数进行数据预处理,包括不同来源数据采样一致性处理与数据标准化处理。
步骤4:选择GRU网络模型。以钻井液密度、机械转速、钻压、钻时、泵冲、立管压力、大钩悬重、扭矩为输入参数,扩径率为输出,构建井眼扩径率预测网络模型。在完成对模型涉及超参数的优选,选择选择两层循环计算层,一层全连接层的网络结构,其中,第一层循环计算层节点数为160,第二层循环计算节点数为120,全连接节点数为1;循环核时间展开步数为8,学习率为0.001,Dropout为0.2。
步骤5:获取待预测钻井深度点的钻井、录井信息,并利用步骤3所示方法流程进行数据预处理,输入所构建的扩径率预测网络模型,预测井眼扩径率。将此方法运用与M206井部分井段,预测结果如附图6所示,预测准确率达87.5%。
本发明还提供一种基于钻录井信息的复杂地层井壁垮塌定量预测装置,如图7所示,该装置包括:
获取单元,用于获取影响钻井井壁垮塌相关的工程参数;所述工程参数包括:钻井工艺参数和工程录井参数;所述钻井工艺参数包括:钻井液密度、机械转速、钻压;所述工程录井参数包括:钻时、泵冲、立管压力、大钩悬重、扭矩;
确定单元,用于确定所述工程参数与扩径率之间相关性系数;
选择单元,用于选择所述相关性系数的数值大于预设阈值的情况下,对应的所述工程参数作为构建井眼扩径率预测网络模型的输入参数;
处理单元,用于对所述输入参数进行预处理,得到处理后的参数数据;
构建单元,用于以所述处理后的参数数据作为输入、以扩径率为输出,构建井眼扩径率预测网络模型;
预测单元,用于将获取的待预测钻井深度点的钻井信息、录井信息输入所述井眼扩径率预测网络模型,预测井眼扩径率。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(CommunicationsInterface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行基于钻录井信息的复杂地层井壁垮塌定量预测方法,该方法包括:
获取影响钻井井壁垮塌相关的工程参数;所述工程参数包括:钻井工艺参数和工程录井参数;所述钻井工艺参数包括:钻井液密度、机械转速、钻压;所述工程录井参数包括:钻时、泵冲、立管压力、大钩悬重、扭矩;
确定所述工程参数与扩径率之间相关性系数;
选择所述相关性系数的数值大于预设阈值的情况下,对应的所述工程参数作为构建井眼扩径率预测网络模型的输入参数;
对所述输入参数进行预处理,得到处理后的参数数据;
以所述处理后的参数数据作为输入、以扩径率为输出,构建井眼扩径率预测网络模型;
将获取的待预测钻井深度点的钻井信息、录井信息输入所述井眼扩径率预测网络模型,预测井眼扩径率。
此外,上述的存储器830中的逻辑指令可以通过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,本发明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)执行本发明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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于钻录井信息的复杂地层井壁垮塌定量预测方法。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于钻录井信息的复杂地层井壁垮塌定量预测方法。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (5)
1.一种基于钻录井信息的复杂地层井壁垮塌定量预测方法,其特征在于,包括:
获取影响钻井井壁垮塌相关的工程参数;所述工程参数包括:钻井工艺参数和工程录井参数;所述钻井工艺参数包括:钻井液密度、机械转速和钻压;所述工程录井参数包括:钻时、泵冲、立管压力、大钩悬重和扭矩;
确定所述工程参数与扩径率之间相关性系数;
选择所述相关性系数的数值大于预设阈值的情况下对应的所述工程参数,作为构建井眼扩径率预测网络模型的输入参数;
对所述输入参数进行预处理,得到处理后的参数数据;
以所述处理后的参数数据作为输入、以扩径率为输出,构建井眼扩径率预测网络模型;
将获取的待预测钻井深度点的钻井信息、录井信息输入所述井眼扩径率预测网络模型,预测井眼扩径率;
根据下式确定所述工程参数与扩径率之间相关性系数:
其中,r为参数序列x、y的相关系数,xi、yi分别为数据序列x、y的第i个数据点,为数据序列x的平均值,/>为数据序列y的平均值;
所述对所述输入参数进行预处理包括:
对所述输入参数进行采样一致性处理与数据标准化处理;
所述采样一致性处理用于使输入参数具有相同的采样频率;所述数据标准化处理用于对采样频率相同的参数进行标准化处理;
所述采样一致性处理包括:
对所述输入参数利用式(2)-式(5)对连续5个数据点进行最小平方曲线拟合以进行数据的加密,实现与高频采样数据具有相同采样间隔;其中,所述数据点为输入参数中的某个深度点的数据;
Z(x)=a+bx+cx2(2)
其中,Z(x)代表以x为自变量的二次多项式;a、b、c为系数;
即要求式(3)中a、b、c使得Q达到最小:
其中a、b、c由式(4)求出:
当x=0时,有:
其中,Z0代表x为0拟合函数的值;X-2、X-1、X0、X、X2为连续的5个数据点;
所述数据标准化处理包括:针对不同来源、不同量纲的数据,利用min-max标准化方法,对采样频率相同的参数进行标准化处理,min-max标准化计算公式为:
其中,μ为均值,σ为标准差;x为采样频率相同的参数;
所述构建井眼扩径率预测网络模型包括:
运用GRU网络模型,以处理后的参数数据作为输入,扩径率为输出,构建井眼扩径率预测网络模型;
网络模型设定两层循环计算层,一层全连接层的网络结构;并通过比较模型的预测准确率确定隐含层节点数、循环核时间展开步两个与网络复杂度相关的超参数;通过分析训练误差曲线与验证误差曲线的差异性确定学习率、Dropout两个超参数。
2.一种基于钻录井信息的复杂地层井壁垮塌定量预测装置,其特征在于,包括:
获取单元,用于获取影响钻井井壁垮塌相关的工程参数;所述工程参数包括:钻井工艺参数和工程录井参数;所述钻井工艺参数包括:钻井液密度、机械转速和钻压;所述工程录井参数包括:钻时、泵冲、立管压力、大钩悬重和扭矩;
确定单元,用于确定所述工程参数与扩径率之间相关性系数;
选择单元,用于选择所述相关性系数的数值大于预设阈值的情况下,对应的所述工程参数作为构建井眼扩径率预测网络模型的输入参数;
处理单元,用于对所述输入参数进行预处理,得到处理后的参数数据;
构建单元,用于以所述处理后的参数数据作为输入、以扩径率为输出,构建井眼扩径率预测网络模型;
预测单元,用于将获取的待预测钻井深度点的钻井信息、录井信息输入所述井眼扩径率预测网络模型,预测井眼扩径率;
所述对所述输入参数进行预处理包括:
对所述输入参数进行采样一致性处理与数据标准化处理;
所述采样一致性处理用于使输入参数具有相同的采样频率;所述数据标准化处理用于对采样频率相同的参数进行标准化处理;
所述采样一致性处理包括:
对所述输入参数利用式(2)-式(5)对连续5个数据点进行最小平方曲线拟合以进行数据的加密,实现与高频采样数据具有相同采样间隔;其中,所述数据点为输入参数中的某个深度点的数据;
Z(x)=a+bx+cx2(2)
其中,Z(x)代表以x为自变量的二次多项式;a、b、c为系数;
即要求式(3)中a、b、c使得Q达到最小:
其中a、b、c由式(4)求出:
当x=0时,有:
其中,Z0代表拟合函数的值;X-2、X-1、X0、X、X2为连续的5个数据点;
所述数据标准化处理包括:针对不同来源、不同量纲的数据,利用min-max标准化方法,对采样频率相同的参数进行标准化处理,min-max标准化计算公式为:
其中,μ为均值,σ为标准差;x为采样频率相同的参数;
所述构建井眼扩径率预测网络模型包括:
运用GRU网络模型,以处理后的参数数据作为输入,扩径率为输出,构建井眼扩径率预测网络模型;
网络模型设定两层循环计算层,一层全连接层的网络结构;并通过比较模型的预测准确率确定隐含层节点数、循环核时间展开步两个与网络复杂度相关的超参数;通过分析训练误差曲线与验证误差曲线的差异性确定学习率、Dropout两个超参数。
3.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述基于钻录井信息的复杂地层井壁垮塌定量预测方法。
4.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述基于钻录井信息的复杂地层井壁垮塌定量预测方法。
5.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述基于钻录井信息的复杂地层井壁垮塌定量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923619.4A CN115324571B (zh) | 2022-08-02 | 2022-08-02 | 基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923619.4A CN115324571B (zh) | 2022-08-02 | 2022-08-02 | 基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115324571A CN115324571A (zh) | 2022-11-11 |
CN115324571B true CN115324571B (zh) | 2023-10-10 |
Family
ID=83920334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210923619.4A Active CN115324571B (zh) | 2022-08-02 | 2022-08-02 | 基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115324571B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822971B (zh) * | 2023-08-30 | 2023-11-14 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
CN117933495A (zh) * | 2024-03-21 | 2024-04-26 | 陕西延长石油矿业有限责任公司 | 钻井法井壁结构综合安全监测系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682384A (zh) * | 2016-09-06 | 2017-05-17 | 中国石油天然气股份有限公司 | 井眼扩径率计算方法及装置 |
CN109187228A (zh) * | 2018-09-30 | 2019-01-11 | 西南石油大学 | 一种页岩地层钻井液稳定井壁能力的室内评价方法 |
WO2019040091A1 (en) * | 2017-08-21 | 2019-02-28 | Landmark Graphics Corporation | NEURAL NETWORK MODELS FOR REAL-TIME OPTIMIZATION OF DRILLING PARAMETERS DURING DRILLING OPERATIONS |
CN113062731A (zh) * | 2019-12-30 | 2021-07-02 | 中石化石油工程技术服务有限公司 | 一种钻井井下复杂工况智能识别方法 |
CN113627639A (zh) * | 2020-05-07 | 2021-11-09 | 中国石油化工股份有限公司 | 用于碳酸盐岩缝洞型储层的试井产能预测方法及系统 |
CN113624847A (zh) * | 2021-08-12 | 2021-11-09 | 西南石油大学 | 一种页岩水化损伤系数的预测模型建立方法及预测方法 |
CN114492757A (zh) * | 2022-01-29 | 2022-05-13 | 中国石油化工股份有限公司 | 模型训练方法、测井信息预测方法、装置和设备 |
-
2022
- 2022-08-02 CN CN202210923619.4A patent/CN115324571B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682384A (zh) * | 2016-09-06 | 2017-05-17 | 中国石油天然气股份有限公司 | 井眼扩径率计算方法及装置 |
WO2019040091A1 (en) * | 2017-08-21 | 2019-02-28 | Landmark Graphics Corporation | NEURAL NETWORK MODELS FOR REAL-TIME OPTIMIZATION OF DRILLING PARAMETERS DURING DRILLING OPERATIONS |
CN109187228A (zh) * | 2018-09-30 | 2019-01-11 | 西南石油大学 | 一种页岩地层钻井液稳定井壁能力的室内评价方法 |
CN113062731A (zh) * | 2019-12-30 | 2021-07-02 | 中石化石油工程技术服务有限公司 | 一种钻井井下复杂工况智能识别方法 |
CN113627639A (zh) * | 2020-05-07 | 2021-11-09 | 中国石油化工股份有限公司 | 用于碳酸盐岩缝洞型储层的试井产能预测方法及系统 |
CN113624847A (zh) * | 2021-08-12 | 2021-11-09 | 西南石油大学 | 一种页岩水化损伤系数的预测模型建立方法及预测方法 |
CN114492757A (zh) * | 2022-01-29 | 2022-05-13 | 中国石油化工股份有限公司 | 模型训练方法、测井信息预测方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115324571A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115324571B (zh) | 基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 | |
US10546072B2 (en) | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation | |
EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
Pang et al. | Lost circulation prediction based on machine learning | |
WO2008083009A1 (en) | Bayesian production analysis technique for multistage fracture wells | |
NO20200987A1 (en) | Learning based bayesian optimization for optimizing controllable drilling parameters | |
CN115238861B (zh) | 一种基于井壁垮塌程度约束的安全钻井液密度确定方法 | |
US20200248540A1 (en) | Recurrent neural network model for multi-stage pumping | |
Fjetland et al. | Kick detection and influx size estimation during offshore drilling operations using deep learning | |
US20220243568A1 (en) | Method and system for autonomous flow rate control in hydraulic stimulation operations | |
CN109635244A (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
CN115130934B (zh) | 基于zel模型和多源数据的区域井漏风险预评价方法 | |
Naraghi et al. | Prediction of drilling pipe sticking by active learning method (ALM) | |
CN110671095A (zh) | 一种地质地层压力智能随钻软测量方法 | |
CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN110486009B (zh) | 一种无限大地层的参数自动反求方法及系统 | |
Sinha et al. | Statistical controls on induced seismicity | |
US20230316152A1 (en) | Method to predict aggregate caliper logs using logging-while-drilling data | |
CN115526114A (zh) | 基于集合卡尔曼滤波法的水力裂缝形态反演方法及系统 | |
CN111767323B (zh) | 一种基于核smo算法的地层裂缝长度实时预测方法 | |
CN114737948A (zh) | 一种基于物理约束的井筒压力智能控制方法及装置 | |
CN114486680A (zh) | 深层非饱和带岩土渗透系数的确定方法、装置及电子设备 | |
CN114611740A (zh) | 一种岩石的可钻性级值的预测方法 | |
CN116629140A (zh) | 基于人工智能和实钻数据的地层四压力预测方法及装置 | |
CN116362143B (zh) | 钻柱摩阻分析方法及装置 |
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 |