CN115726759A - 一种用于控制钻井的智能分析决策系统 - Google Patents

Abstract

本发明提供了一种用于控制钻井的智能分析决策系统，所述系统根据井区数据和钻井要求将钻井过程划分为设定智能点，并针对各个智能点设置输入参数及决策相关参数，依据各项参数设置结果获取所有智能点对应的数据内容，预处理后采用设定的管理策略进行数据保存和可视化显示，进而利用设定的智能分析诊断模型分析确定表征钻井实时状态诊断信息，针对各个智能点的智能化程度进行评估并分级，以结合各智能点的数据内容和智能程度评析结果决策匹配的智能控制模式，并转换生成钻井设备控制指令。采用该系统自动接入数据和自动诊断及运算，实现系统实时自主决策并控制钻井设备自动执行，精确发挥智能控制优势的同时，保障了钻井施工的时效性和稳定性。

Description

一种用于控制钻井的智能分析决策系统

技术领域

本发明涉及油气井钻井及优化技术领域，尤其涉及一种用于控制钻井的智能分析决策系统。

背景技术

实现完整的钻井是一个复杂的系统工程，必须同时解决轨迹控制、效率优化、风险控制等多项任务，任务之间又存在相互关联、相互影响的关系，而每项任务又必须通过很多分支决策控制点联合实现，理想状态是每个决策点通过决策自动发送操作指令到钻井设备上，实现全闭环或局部闭环自动控制钻井。而限于工程技术水平、对地质条件的认识程度不同，只有部分分析结果能可靠地用于自动控制，而哪些点能用于自动闭环控制，在现有的研究中无从得知。

智能钻井的关键变革，是在钻井过程中尽量减少人的干预，直至完全脱离人的干预，达到全自动闭环控制钻井效果。智能钻井的最终目标是通过对钻井过程中各类数据的处理分析，进而对钻井方案进行动态优化，以最佳方案输出各种指令，控制钻井设备运行，形成一套大的技术体系，智能钻井闭环技术体系如图1所示，以达到最佳钻井效率、速度和质量。现有技术中多针对闭环控制系统的结构或通信逻辑进行阐述，未提供智能控制决策的可靠指导；然而，钻井是一个非常复杂的系统工程，在一定时期内无法达到终极理想目标，尤其是对于复杂疑难井更是无法完全实现全自动闭环钻井，也就是说，即使所使用的设备具有根据控制指令智能自动运行的能力，但是控制指令的质量无法保障依然无法实现有效的完全智能控制。因此，在该大闭环技术体系中，自主决策对于钻井成败起着决定性作用，一旦决策失误将非最佳方案(甚至是最差方案)付诸实施，将可能导致完全偏离钻井目的，甚至造成重大事故。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成己为本领域技术人员所公知的现有技术。

发明内容

为解决上述问题，本发明提供了一种用于控制钻井的智能分析决策系统，通过实时自动接入钻井参数，自动完成数据处理、分析、优化、决策系列过程，结合可靠的智能钻井自主决策逻辑，实现模型初始化、数据接入、钻井智能分析、智能层级自动评价与自主决策，最终实现系统自动控制下的闭环钻井自动输出每个智能点的智能化等级，并能自主驱动钻井设备的控制机构运动，实现闭环自动决策控制钻井。

在一个实施例中，所述系统包括：

决策参数设置模块，其配置为根据井区地层数据和钻井要求将钻井过程划分为若干上层智能场景及下层智能点，并基于智能程度分析、输入参数、分析模型以及控制设备各方面实现参数种类设置；

数据获取模块、其与所述决策参数设置模块连接，配置为依据设置的参数种类自动接入每个智能点各类参数的数据内容；所述参数包括钻井状态数据和运算参数；

数据预处理及管理模块，其配置为针对获取的数据内容执行预处理操作，并对预处理后的数据采用设定的管理策略进行保存和可视化显示；

实时诊断模块、其接受预处理后的数据，利用设定的智能分析诊断模型对各智能点的数据进行分析，确定表征钻井实时状态的信息作为诊断结果；

智能程度评析模块，其配置为基于设置的运算参数，考虑影响智能点智能化程度的不同施工因素评估当前钻井智能点的综合智能能力，以表征各个智能点的真实智能化程度，并基于其确定当前钻井智能点的智能化等级；

控制模式选择及执行模块，其配置为结合各智能点预处理后的数据和智能程度评析结果决策匹配的智能控制模式，并调用对应的钻井控制指令转换接口生成钻井设备控制指令，控制钻井设备智能动作。

进一步地，一个实施例中，所述系统还包括：

模拟预测优化模块，其与所述数据预处理及管理模块和实时诊断模块连接，配置为基于预处理后的钻井状态数据和钻井状态诊断结果调用智能预测优化计算模型，对各种钻井实时状态进行自动模拟预测，优化钻压、转速、排量、起下钻速度、井斜角和方位角参数，输出模拟及优化结果作为技术决策的依据。

具体地，一个可选的实施例中，所述钻井实时状态包括：井下实时工况、井下力学环境、潜在风险以及工程异常情况。

优选地，一个实施例中，所述决策参数设置模块包括场景设定子模块，其根据井区地层数据和钻井要求将钻井过程划分为智能导向、智能优化及智能风险防控多类智能场景，并针对每类智能场景划分涵盖的具体智能点。

进一步地，一个实施例中，所述决策参数设置模块还包括：

分析运算参数设置子模块，其配置为针对各个智能点的施工智能化要求设置不同智能化层级的能力门槛值，设置用于实现智能程度评析的主导因素常量；

输入参数设定子模块，其配置为对所需的输入参数的名称进行逐项设定，包括：岩性、地层孔隙压力、岩石力学参数组、井眼尺寸、钻头喷嘴数量及直径和钻井液性能参数组。

考虑到其他应用需求，一个实施例中，所述决策参数设置模块还包括：

智能分析模型设定子模块，其配置为依据钻井工程中的井筒ECD实时计算、井下风险智能诊断、机械钻速实时预测和钻井参数智能优化技术的需求设定全面的智能分析模型。

优选地，一个实施例中，所述智能程度评析模块包括：

施工判识子模块，其配置为基于预先构建的施工划分数据表判断当前钻井工作所属的智能场景及智能点；

智能化运算子模块，其配置为考虑影响智能点智能化程度的不同施工因素，为每个设置对应的多项评价指标，基于多项评价指标评估确定当前钻井智能点的综合智能能力；

等级评析子模块，其配置为结合得到的综合智能能力和该智能点对应的能力门槛值确定当前钻井智能点的智能化等级；

可选地，一个实施例中，所述智能化运算子模块通过以下操作评估每个智能点的综合智能能力A：

A＝k*MIN(D,M,E)+(1-k)*AVERAGE(D,M,E)

式中，k表示当前智能点的主导因素常量，D表示当前智能点的数据成熟度、M表示当前智能点的模型成熟度，E表示当前智能点的设备成熟度。

具体地，一个可选的实施例中，所述等级评析子模块具体配置为：将各个智能程度等级对应的能力门槛值进行对比，若智能点对应的Lx层级的综合智能能力值超过该层级的能力门槛值，则将该智能点在该层级的智能标志设置为设定值。

进一步地，一个实施例中，所述控制模式选择及执行模块，还包括：

用户决策确认模块，其配置为将模拟预测优化模块或模拟预测优化模块的处理结果以及推荐的智能控制模式输出到可视化界面上，由用户选择自动执行的智能控制模式与最接近的现有技术相比，本发明还具有如下有益效果：

本发明提供了一种用于控制钻井的智能分析决策系统，实现智能控制钻井的自主决策及应用，通过判断当前钻井工作所属的智能场景及智能点，针对各个智能点进行智能化程度评估确定其综合智能能力；适用于不同区域以及不同类型油气井的钻井施工，能够全面涵盖钻井过程中的各个施工任务点，针对各个施工任务的智能点进行针对性的智能程度运算，能够为可靠地进行智能能力分级提供数据支持；

进一步地，本发明的系统利用设定的智能分析诊断模型对各智能点的数据进行分析，确定表征钻井实时状态诊断信息，有效对井下实时工况、井下力学环境、潜在风险及工程异常进行实时自动分析，为技术决策提供实时可靠的依据。

另外的，该系统结合能力门槛值确定当前钻井智能点的智能化等级，最终统合智能化等级及智能化运算步骤中的评估指标和参数内容，决策当前钻井智能点最佳的智能化控制措施，能够识别出各个智能点中智能控制技术的成熟度，进而有效决策出各个智能点适合采用的最佳智能控制策略，以最佳方案输出各种指令，最大程度发挥智能控制优势、减少人工干预的同时，避免盲目控制导致的控制质量低下，实现钻井时效和稳定性兼顾的最优控制。

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。

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，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一实施例中用于控制钻井的智能分析决策系统的结构示意图；

图2是本发明实施例所提供用于控制钻井的智能分析决策系统的智能闭环钻井原理体系图；

图3是本发明另一实施例所提供用于控制钻井的智能分析决策系统的执行流程示意图；

图4是本发明实施例所提供智能分析决策系统的数据、模型及设备成熟度评价导航图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等。

计算机设备包括用户设备与网络设备。其中，用户设备或客户端包括但不限于电脑、智能手机、PDA等；网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。计算机设备可单独运行来实现本发明，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。

在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制，使用这些术语仅仅是为了将一个单元与另一个单元进行区分。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。当一个单元被称为“连接”或“耦合”到另一单元时，其可以直接连接或耦合到所述另一单元，或者可以存在中间单元。

这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。

随着自动化智能化钻井技术的不断完善,以及与大数据、人工智能等数字化技术的不断融合发展,钻井技术正在由自动化转向智能化。智能钻井技术配备具有学习、记忆和判断功能的人工智能机器人，集成智能化、精细化、小型化的智能地面钻井系统和井下控制系统,以及高精度传感器和高速传输系统,能够实现部分钻井作业的智能决策和控制,减少现场作业人员,大幅提高作业效率和安全性。国家科技部已于2020年启动了“变革性技术关键科学问题”国家重点研发计划专项——“复杂油气智能钻井理论与方法”项目研究，推动智能钻井技术发展。

①CN104806226A《智能钻井专家系统》，本发明提供一种智能钻井专家系统，包括：现场传感器检测系统、智能专家系统和执行机构；所述现场传感器检测系统的输出端与所述智能专家系统的输入端连接；所述智能专家系统的输出端与所述执行机构的输入端连接，由此形成自动闭环钻井调控系统；其中，所述现场传感器检测系统用于：在钻井全过程中，实时采集钻井检测数据，并将采集到的所述钻井检测数据实时上传给所述智能专家系统；所述智能专家系统用于：接收所述现场传感器检测系统上传的所述钻井检测数据，并实时对所述钻井检测数据进行智能分析，以优化钻井现场工艺为目标，生成对钻井现场设备的调控指令，并将所述调控指令下发到对应的执行机构；所述执行机构用于：接收所述智能专家系统下发的所述调控指令，并向对应的现场设备发送所述调控指令，进而控制该现场设备的工作状态，从而优化钻井现场工艺过程。

上文所述的智能钻井专家系统阐述了传感器、智能专家系统和执行机构三大组成部分(属业界通识)，提出了详细的控制流程，但没有提出涵盖自主决策逻辑的智能分析决策系统。

②CN106121621A《一种智能钻井专家系统》，本发明公开了一种智能钻井专家系统，包括现场传感器检测系统、通信系统、智能专家系统和操作系统(属业界通识)；现场传感器检测系统通过通信系统连接智能专家系统；智能专家系统连接操作系统，由此形成自动闭环钻井调控系统，现场传感器检测系统采集整个钻井过程的数据；将采集得到的数据通过通信系统送入所述智能专家系统进行处理监测、预报、分析、控制和处理，最后由所述操作系统执行智能专家系统分析后发出的操作指令。

上文所述的智能钻井专家系统包括现场传感器检测系统、通信系统、智能专家系统和操作系统(属业界通识)，详述了每个部分的详细构成，但没有提出涵盖自主决策逻辑的智能分析决策系统。

③CN109138836A《一种智能钻井系统及方法》，本发明提供了一种智能钻井系统及方法，属于石油、天然气钻井领域。系统包括：地面系统、井下系统和智能钻井控制平台；所述地面系统包括：连续油管车组、连续油管控制平台、连续油管滚筒、下套管井架、注入头、旋转控制头、配套防喷设备；所述连续油管控制平台、连续油管滚筒设置在所述连续油管车组上，所述下套管井架设置在井口的上方；所述注入头、旋转控制头、配套防喷设备从上至下依次连接后设置在井口处；所述井下系统包括：带电缆的连续油管、湿接头、井下智能管串；所述带电缆的连续油管的一端卷绕在连续油管滚筒上，另一端依次穿过所述注入头、旋转控制头、配套防喷设备后进入井口内，通过所述湿接头与所述井下智能管串连接。上述方案介绍了套管钻井的技术组成部分，未阐述在智能钻井过程中如何实现自主控制的决策。

文献“智能钻井技术现状与发展方向(石油学报，2020.04)”，提出了智能钻井技术攻关方向,包括框架规划与标准体系、数据实时测量技术、信息高速传输技术、自动控制系统、钻井智能决策分析系统和智能钻井一体化技术。但没有提出涵盖自主决策逻辑的智能分析决策系统。

文献“中国智能化钻井技术研究发展(东北石油大学学报，2020.04)”，提出了智能钻井技术基础理论和发展进程,分析随钻测量技术、智能导向钻井技术、智能钻机、智能钻头、智能钻杆、智能控压钻井技术、远程智能钻井决策控制系统等钻井关键技术。实现中国钻井技术由自动化向智能化升级,将钻井技术与认知智能、深度学习、云计算、计算机视觉、人机交互、虚拟与现实等前沿技术深度融合,是中国多维度、复合式钻井技术智能化发展需要，但没有提出涵盖自主决策方法的智能分析决策系统。

钻井是一个复杂的系统工程，必须同时解决轨迹控制、效率优化、风险控制等多项任务，任务之间又存在相互关联、相互影响的关系，而每项任务又必须通过很多分支决策控制点联合实现，每个决策点通过决策自动发送操作指令到钻井设备上，实现全闭环或局部闭环自动控制钻井。而限于工程技术水平、对地质条件的认识程度不同，只有部分分析结果能可靠地用于自动控制，而哪些点能用于自动闭环控制，需要通过闭环自主决策方法来确定，上述技术阐述了智能钻井的关键技术构成以及测量、分析、控制等技术点(均有一种隐含的假设：所有技术都成熟可信，无需决策即可任其自动执行)，但均未涉及自主决策技术，采用现有的钻井控制系统无法精确、稳定地决策合理的智能控制模式。

智能钻井的终极目标是通过对钻井过程中各类数据的处理分析，进而对钻井方案进行动态优化，以最佳方案输出各种指令，控制钻井设备运行，形成一套大的技术体系(如下图)，达到最佳钻井效率、速度和质量。智能钻井的最关键变革，是在钻井过程中尽量减少人的干预，直至完全脱离人的干预，达到全自动闭环控制钻井效果。然而，钻井是一个非常复杂的系统工程，在一定时期内无法达到终极理想目标，尤其是对于复杂疑难井更是无法完全实现全自动闭环钻井。因此，在该大闭环技术体系中，自主决策对于钻井成败起着决定性作用，一旦决策失误将非最佳方案(甚至是最差方案)付诸实施，将可能导致完全偏离钻井目的，相当程度上影响钻井时效性和稳定性，甚至造成重大事故。

为解决上述问题，本发明提供一种用于控制钻井的智能分析决策系统，通过实时自动接入钻井参数，自动完成数据处理、分析、优化、决策系列过程，自动输出每个智能点的智能化等级，并能自主驱动钻井设备的控制机构运动，实现闭环自动决策控制钻井。

接下来基于附图详细描述本发明实施例的控制过程的详细原理，附图中示出的实现逻辑可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在附图中示出了各操作的逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

图1示出了本发明实施例一提供的用于控制钻井的智能分析决策系统的结构示意图，参照图1可知，该决策系统包括：

决策参数设置模块，其配置为根据井区地层数据和钻井要求将钻井过程划分为若干上层智能场景及下层智能点，并基于智能程度分析、输入参数、分析模型以及控制设备各方面实现参数种类设置；

数据获取模块、其与所述决策参数设置模块连接，配置为依据设置的参数种类自动接入每个智能点各类参数的数据内容；所述参数包括钻井状态数据和运算参数；

数据预处理及管理模块，其配置为针对获取的数据内容执行预处理操作，并对预处理后的数据采用设定的管理策略进行保存和可视化显示；

实时诊断模块、其接受预处理后的数据，利用设定的智能分析诊断模型对各智能点的数据进行分析，确定表征钻井实时状态的信息作为诊断结果；

智能程度评析模块，其配置为基于设置的运算参数，考虑影响智能点智能化程度的不同施工因素评估当前钻井智能点的综合智能能力，以表征各个智能点的真实智能化程度并基于其确定当前钻井智能点的智能化等级；

控制模式选择及执行模块，其配置为结合各智能点预处理后的数据和智能程度评析结果决策匹配的智能控制模式，并调用对应的钻井控制指令转换接口生成钻井设备控制指令，控制钻井设备智能动作。

基于上述实施例的控制逻辑，将钻井过程控制划分为若干智能化应用场景，针对每个场景细化出智能点，通过评价每个智能点的成熟度实现自主决策，确定其所处的等级，当相应的智能层级满足设定的能力要求时，可到达智能钻井的终极目标-闭环自动控制钻井，如附图2所示。通过系统自动接入数据和自动计算，实现系统实时自主决策并控制钻井设备自动执行，图2的技术体系中，数据实时自动处理、实时智能分析诊断、模拟预测智能优化和智能决策等技术均纳入钻井智能分析决策系统。

随着自动化智能化钻井技术的不断完善，以及与大数据、人工智能等数字化技术的不断融合发展，钻井技术由自动化转向智能化是必然趋势。智能钻井技术可配备具有学习、记忆和判断功能的人工智能机器人，集成智能化、精细化、小型化的智能地面钻井系统和井下控制系统，以及高精度传感器和高速传输系统,能够实现部分钻井作业的智能决策和控制，减少现场作业人员,大幅提高作业效率和安全性。国家科技部已于2020年启动了“变革性技术关键科学问题”国家重点研发计划专项——“复杂油气智能钻井理论与方法”项目研究，推动智能钻井技术发展，而智能钻井自主决策和相应的分析决策系统将是智能钻井技术链炸的“核心大脑”，应用前景广阔。

考虑到钻井施工的过程必须同时解决轨迹控制、效率优化、风险控制等多项任务，任务之间又存在相互关联、相互影响的关系，而每项任务又必须通过很多分支决策控制点联合实现，每个决策点通过决策自动发送操作指令到钻井设备上，实现全闭环或局部闭环自动控制钻井，智能控制实现自主施工需要兼顾不同方面的多种数据，而每一种数据的可靠性都将对控制模式的决策和结果产生不可忽视的影响。

为了从数据支持层面保障控制模式决策的精确性，一个优选的实施例中，所述系统还包括：模拟预测优化模块，如附图3所示，其与所述数据预处理及管理模块和实时诊断模块连接，配置为基于预处理后的钻井状态数据和钻井状态诊断结果调用智能预测优化计算模型，对各种钻井实时状态进行自动模拟预测，优化钻压、转速、排量、起下钻速度、井斜角和方位角参数，输出模拟及优化结果作为技术决策的依据。

实际施工时，一个实施例中，设置所述钻井实时状态包括：井下实时工况、井下力学环境、潜在风险以及工程异常情况。

进一步地，一个实施例中，所述决策参数设置模块包括场景设定子模块，其根据井区地层数据和钻井要求将钻井过程划分为智能导向、智能优化及智能风险防控三类智能场景，并针对每类智能场景划分涵盖的具体智能点，记录形成施工划分数据表；其中，各个智能点的控制逻辑可独立描述和实施。

具体地，在场景划分步骤中，将钻井过程划分为若干智能场景(B层)及智能点(C层)，一个实施例中，针对钻井工程划分B层的智能场景包括：智能导向、智能优化以及智能风险防控；划分C层的智能点包括：地质导向、轨迹控制、机械钻速优化、起钻速度优化、下钻速度优化、开泵速度优化、智能控压以及钻井液性能优化，如下表所示：

上述钻井场景中，需要通过人工或系统自主进行决策的只有C层，只有智能点的智能化程度达到一定水平(如后文所述L5层级)后才能实现完全的智能自主控制，进而实现相对应智能场景的自主化，全部场景和智能点达到自主化后才能达到智能钻井的终极目标：大闭环完全自主决策控制钻井。随着钻井工艺技术的发展，C层可随之扩展。

进一步地，一个实施例中，所述决策参数设置模块还包括：

分析评估参数设置子模块，其配置为针对各个智能点的施工智能化要求设置不同智能化层级的能力门槛值，设置用于实现智能程度评析的主导因素常量；

输入参数设定子模块，其配置为对所需的输入参数的名称进行逐项设定，包括：岩性、地层孔隙压力、岩石力学参数组、井眼尺寸、钻头喷嘴数量及直径和钻井液性能参数组。

实际应用时，针对设定的每个智能点，分别对所需的输入参数的名称进行逐项设定，如岩性、地层孔隙压力、岩石力学参数组、井眼尺寸、钻头喷嘴数量及直径、钻井液性能参数组等。预先设置智能点后续分析及决策所需的输入参数，能够最大程度发挥数据全面性对分析和决策的支持，本发明设置的输入参数涉及钻井工程的各方面测井数据，为钻井施工的智能化控制和优化提供有效的助力和指导。

所述分析评估参数设置子模块具体配置为：根据钻井工程中不同智能控制形式对每个智能点的技术成熟度进行分级，所述智能控制形式包括智能描述、智能诊断、智能预测级、智能咨询优化以及智能控制优化，对智能化程度的要求逐级提升。

实际应用时，每个智能点的技术成熟度分为5级：L1-描述级，L2-诊断级，L3-预测级，L4-优化支持级，L5-优化控制级，逐级依赖、逐级提升，各层级的进阶矩阵如下表：

为了为保证三项指标中最低者起主导作用(即最差指标也能达到专家认可的成熟度)，通常设置所述分析评估参数设置子模块配置为：将主导因素常量k值设为接近1的较大值，k>0.5。

所述分析评估参数设置子模块还配置为：针对每个智能点的每个智能化级别设定能力门槛值A₀∈[5,10]，对于钻井安全性要求越高的A₀值越高；一个具体的实施例中，所述能力门槛值是依据每个智能点的施工任务对智能化的要求针对每个智能点的各智能化层级设定的，对于钻井安全性要求越高的能力门槛值越高。

由于每口井所处的地质环境不同、施工队伍的技术能力和装备能力不同，因而针对每口井，可以由有经验的专家事先结合上述多项因素对A₀指标进行有针对性地评价和设定。在钻井过程中，也可根据实际情况随时更新某项指标。

本发明研究人员考虑到要想评析钻井施工智能点的智能程度，仅基于施工技术工况数据是不够全面的，每个智能点可能需要输入一系列参数，输出优化结果并转换成系列设备执行参数，分别由系列设备执行机构付诸实施。由于智能分析所需的参数可能是多源的，因此，为了兼顾分析依据多源性的属性，本发明从数据成熟度、模型成熟度和设备成熟度三个角度进行智能程度评析。

因此，一个实施例中，所述决策参数设置模块还包括：

智能分析模型设定子模块，其配置为依据钻井工程中的井筒ECD实时计算、井下风险智能诊断、机械钻速实时预测和钻井参数智能优化技术的需求设定全面的智能分析模型。

进一步地，一个实施例中，所述决策参数设置模块还包括：

控制设备设定子模块，其配置为针对划分设定的每个智能点，分别对执行该智能点决策指令的自动化设备名称进行逐项设定，如自动化泥浆泵、顶驱、自动化绞车、自动旋转导向系统等。

实际应用时，一个实施例中，在获取各项数据之后，由数据预处理及管理模块基于去重、补缺失值、矫正异常值等技术对获取的数据内容执行预处理操作；通常，先进行数据去重，然后对去重后的数据识别其中的缺失对象和异常对象进行补全和矫正。

一个实施例中，所述数据预处理及管理模块还配置为按照钻井专业的表达方式进行数据可视化，直观地表达当前的钻井状态，能够让业内普通技术人员以及专业用户都可以直观识别实时的钻井状态。

进一步地，一个实施例中，利用所述实时诊断模块依据预处理后的各项数据，调用实时智能分析诊断计算模型，对井下实时工况、井下力学环境、潜在风险及工程异常进行实时自动分析，输出分析诊断的结果，作为技术决策的依据。

本发明实现智能控制决策除了依据获取并处理的钻井状态数据，还利用设置的参数识别各个智能点的智能化程度，作为决策钻井智能控制模式的依据。

具体地，所述智能程度评析模块包括：

施工判识子模块，其配置为基于预先构建的施工划分数据表判断当前钻井工作所属的智能场景及智能点；

智能化评估子模块，其配置为考虑影响智能点智能化程度的不同施工因素，为每个设置对应的多项评价指标，基于多项评价指标评估确定当前钻井智能点的综合智能能力；

等级评析子模块，其配置为结合得到的综合智能能力和该智能点对应的能力门槛值确定当前钻井智能点的智能化等级。

实际应用时，实现智能化评估的过程中，对每个智能点设置3对评价指标，即数据成熟度D∈[0,10]、模型成熟度M∈[0,10]和设备成熟度E∈[0,10]；一个实施例中，所述智能化评估子模块通过以下操作评估每个智能点的综合智能能力A：

A＝k*MIN(D,M,E)+(1-k)*AVERAGE(D,M,E)

式中，k表示当前智能点的主导因素常量，D表示当前智能点的数据成熟度、M表示当前智能点的模型成熟度，E表示当前智能点的设备成熟度。

进一步地，一个实施例中，所述等级评析子模块具体配置为：将各个智能程度等级对应的能力门槛值进行对比，若智能点对应的Lx层级的综合智能能力值超过该层级的能力门槛值，则将该智能点在该层级的智能标志设置为设定值。

如附图4的成熟度导航信息所示，每个智能点可能需要输入一系列参数，输出优化结果并转换成系列设备执行参数，分别由系列设备执行机构付诸实施。由于智能分析所需的参数可能是多源的，因此，一个实施例中，针对每个数据成熟度、模型成熟度和设备成熟度的输入参数都设置有评价指标；

其中，单个参数数据成熟度的评价包括：准确满足度指标a_d、时效满足度指标t_d；

按照下式确定单个参数的数据成熟度d_n：

d_n＝k*MIN(a_d,t_d)+(1-k)*AVERAGE(a_d,t_d)

按照下式计算对应智能点的整体数据成熟度D：

D＝MIN(d₁,d₂,…,d_n)；

式中，n为与当前智能点相关的参数个数，k为主导因素常量。

实际应用时，对于模型成熟度评价，模型成熟度评价由2项指标构成：模型准确性a_m、计算速率满足度t_m；

具体地，按照下式确定单个参数的数据成熟度m_n：

m_n＝k*MIN(a_m,t_m)+(1-k)*AVERAGE(a_m,t_m)

按照下式计算对应智能点的整体数据成熟度D：

M＝MIN(m₁,m₂,…,m_n)；

对于设备成熟度评价，设置所述设备成熟度评价由2项指标构成：自动执行能力a_e、响应速率满足度t_e；

具体地，按照下式确定单个参数的数据成熟度e_n：

e_n＝k*MIN(a_e,t_e)+(1-k)*AVERAGE(a_e,t_e)

按照下式计算对应智能点的整体数据成熟度D：

E＝MIN(e₁,e₂,…,e_n)。

获取了智能点的综合智能能力数据后，在所述等级评析步骤中，将智能点的综合智能能力值与智能描述、智能诊断、智能预测级、智能咨询优化以及智能控制优化各个等级对应的能力门槛值进行对比，若智能点对应的Lx层级的综合智能能力值超过L_X层级的能力门槛值，则将该智能点在该层级的智能标志设置为设定值，表示该智能点在对应层级的施工可交由软件系统自动执行。

当A>A₀时，该智能点的智能标志I设为1(即成熟度达到了该级别标准)，否则设为0；

某智能点C_X对应的Lx层级的智能标志I(C_X，L_X)＝1时，表示该智能点在对应的层级达到了专家认可的成熟度，可交由软件系统自动执行，无需人工干预。当I(C_X，L₅)＝1时，表明C_X智能点达到了最高水平，可实现机器闭环自动控制。

采用本发明上述实施例中的决策逻辑，将钻井过程控制划分为若干智能化应用场景，针对每个场景细化出智能点，通过评价每个智能点的成熟度实现自主决策，确定其所处的等级，当L5级达到设定的能力时，可到达智能钻井的终极目标-闭环自动控制钻井。

实施场景示例

以W井的钻速优化智能点(智能点C3)为例，假设：W井处于地质研究成熟的区块且无断层等复杂构造，地层压力偶有小幅度异常；该地区已完成200口井超过100万米钻井进尺，该井使用最新的自动化钻机(绞车、顶驱、泥浆泵均可连续自动调控，且设备控制系统具备开放接口与智能决策系统无缝连接)；钻井液性能参数可在线自动检测，时延5s以内(可接受度90％)，数据误差10％左右，但无法自动调控，使用PDC钻头，使用的钻速预测模型利用该区块的历史井数据验证误差均小于14％，平均误差9.6％，实时计算时延6s以内(可接受度83％)，现要通过对钻压、转速、泵压的实时优化实现三开井段(砂岩为主，偶有少量泥岩成分)的钻速自动优化控制。该井钻井自主决策模型构建步骤：

(1)设定门槛值

假设L1至L5的门槛值A₀分别为：7.0、8.0、8.5、9.0、9.0

(2)DME成熟度评价

首先构建DME评价总表

①数据成熟度D评价(主导常量k＝0.85)

由上表可得D＝8.8875。

②模型成熟度M评价(k＝0.85)

所使用的人工智能机械钻速预测模型经过本地区200口井超过100万米进尺的模型训练和验证，可以看出该模型对应层级为L₃,无法达到L₄或L₅，结果比较可信，误差均在14％以内，平均误差为9.7％，以最高误差计(最差的情况)，模型准确性为8.6，实时计算时延可接受度83％，可设定时效满足度为8.3，因此M＝8.5775。

③装备成熟度E评价(k＝0.85)

由上表可得D＝9.575

(3)综合智能能力值A的计算(由于M仅对应于L3，因此忽略E)

A＝k*MIN(D,M,E)+(1-k)*AVERAGE(D,M,E)＝0.85*MIN(8.8875,8.5775)+0.15*AVERAGE(8.8875,8.5775)＝8.6008

(4)判定智能级别

逐一比较A与每个层级A₀大小，当A＞A₀时，设定对应等级智能标志I的值为1；

由上表可见，该智能点达到L3级(模拟预测)，可以把上述数据及模型计算出来的数据作为专家决策依据，但是不能作为钻机自动控制指令(尽管钻机本身满足自动控制执行能力)。

实际应用时，所述控制模式选择及执行模块具体可配置为：将实时诊断模块和\或模型预测优化模块的结果输出到可视化界面上，并由用户选择(或取消)自动接入钻井控制指令转换接口，进而控制钻机相关设备智能自动执行，由所述钻井控制指令转换接口将模块实时诊断模块输出的各项执行参数转换为钻井设备执行指令，达到实时传送指令，钻机自动执行钻井的目的。

因此，一个实施例中，设置所述控制模式选择及执行模块，还包括：

用户决策确认模块，其配置为将模拟预测优化模块或模拟预测优化模块的处理结果以及推荐的智能控制模式输出到可视化界面上，由用户选择自动执行的智能控制模式。

实际应用时，决策匹配的智能控制模式时结合智能化评估过程中的评估参数和数据内容，决策当前钻井智能点最适合的智能化控制模式和具体措施。

本发明实施例提供的实现智能控制钻井的自主决策系统中，各个模块或单元结构可以根据实际施工运算和决策需求独立运行或组合运行，以实现相应的技术效果。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而不意味着限制。

说明书中提到的“一实施例”意指结合实施例描述的特定特征、结构或特征包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一实施例”并不一定均指同一个实施例。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种用于控制钻井的智能分析决策系统，其特征在于，所述系统包括：

决策参数设置模块，其配置为根据井区地层数据和钻井要求将钻井过程划分为若干上层智能场景及下层智能点，并基于智能程度分析、输入参数、分析模型以及控制设备各方面实现参数设置；

数据获取模块、其与所述决策参数设置模块连接，配置为依据设置的参数种类自动接入每个智能点各类参数的数据内容；所述参数包括钻井状态数据和运算参数；

数据预处理及管理模块，其配置为针对获取的数据内容执行预处理操作，并对预处理后的数据采用设定的管理策略进行保存和可视化显示；

实时诊断模块、其接受预处理后的数据，利用设定的智能分析诊断模型对各智能点的数据进行分析，确定表征钻井实时状态的信息作为诊断结果；

智能程度评析模块，其配置为基于设置的运算参数，考虑影响智能点智能化程度的不同施工因素评估当前钻井智能点的综合智能能力，以表征各个智能点的真实智能化程度，并基于其确定当前钻井智能点的智能化等级；

控制模式选择及执行模块，其配置为结合各智能点预处理后的数据和智能程度评析结果决策匹配的智能控制模式，并调用对应的钻井控制指令转换接口生成钻井设备控制指令，控制钻井设备智能动作。

2.如权利要求1所述的系统，其特征在于，所述系统还包括：

模拟预测优化模块，其与所述数据预处理及管理模块和实时诊断模块连接，配置为基于预处理后的钻井状态数据和钻井状态诊断结果调用智能预测优化计算模型，对各种钻井实时状态进行自动模拟预测，优化钻压、转速、排量、起下钻速度、井斜角和方位角参数，输出模拟及优化结果作为技术决策的依据。

3.如权利要求1或2所述的系统，其特征在于，所述钻井实时状态包括：井下实时工况、井下力学环境、潜在风险以及工程异常情况。

4.如权利要求1所述的系统，其特征在于，所述决策参数设置模块包括场景设定子模块，其根据井区地层数据和钻井要求将钻井过程划分为智能导向、智能优化及智能风险防控多类智能场景，并针对每类智能场景划分涵盖的具体智能点。

5.如权利要求1所述的系统，其特征在于，所述决策参数设置模块还包括：

分析评估参数设置子模块，其配置为针对各个智能点的施工智能化要求设置不同智能化层级的能力门槛值，设置用于实现智能程度评析的主导因素常量；

输入参数设定子模块，其配置为对所需的输入参数的名称进行逐项设定，包括：岩性、地层孔隙压力、岩石力学参数组、井眼尺寸、钻头喷嘴数量及直径和钻井液性能参数组。

6.如权利要求1所述的系统，其特征在于，所述决策参数设置模块还包括：

智能分析模型设定子模块，其配置为依据钻井工程中的井筒ECD实时计算、井下风险智能诊断、机械钻速实时预测和钻井参数智能优化技术的需求设定全面的智能分析模型。

7.如权利要求1所述的系统，其特征在于，所述智能程度评析模块包括：

施工判识子模块，其配置为基于预先构建的施工划分数据表判断当前钻井工作所属的智能场景及智能点；

智能化评估子模块，其配置为依据影响智能点智能化程度的不同施工因素，为每个设置对应的多项评价指标，基于多项评价指标评估确定当前钻井智能点的综合智能能力；

等级评析子模块，其配置为结合得到的综合智能能力和该智能点对应的能力门槛值确定当前钻井智能点的智能化等级。

8.如权利要求7所述的系统，其特征在于，所述智能化评估子模块通过以下操作评估每个智能点的综合智能能力A：

A＝k*MIN(D,M,E)+(1-k)*AVERAGE(D,M,E)

式中，k表示当前智能点的主导因素常量，D表示当前智能点的数据成熟度、M表示当前智能点的模型成熟度，E表示当前智能点的设备成熟度。

9.如权利要求7所述的系统，其特征在于，所述等级评析子模块具体配置为：将各个智能程度等级对应的能力门槛值进行对比，若智能点对应的Lx层级的综合智能能力值超过该层级的能力门槛值，则将该智能点在该层级的智能标志设置为设定值。

10.如权利要求1所述的系统，其特征在于，所述控制模式选择及执行模块，还包括：

用户决策确认模块，其配置为将模拟预测优化模块或模拟预测优化模块的处理结果以及推荐的智能控制模式输出到可视化界面上，由用户选择自动执行的智能控制模式。

Images