CN116012275A - 一种随钻电成像数据井下实时处理装置及方法 - Google Patents
一种随钻电成像数据井下实时处理装置及方法 Download PDFInfo
- Publication number
- CN116012275A CN116012275A CN202111219786.2A CN202111219786A CN116012275A CN 116012275 A CN116012275 A CN 116012275A CN 202111219786 A CN202111219786 A CN 202111219786A CN 116012275 A CN116012275 A CN 116012275A
- Authority
- CN
- China
- Prior art keywords
- data
- drilling
- downhole
- imaging data
- resistivity
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种随钻电成像数据井下实时处理装置及方法,该发明包括:井下成像模块、用于利用井下随钻电阻率成像仪器采集需求地层的电阻率成像数据;智能识别模块,用于通过嵌入了设定智能特征识别模型的芯片结构对采集的电阻率成像数据进行分析识别,确定对应的测井地层特征,并与匹配的地层参数关联融合为特征识别结果;实时通信模块,用于将融合的特征识别结果传输至地上控制系统。本发明建立基于智能算法的随钻电阻率成像数据地层特征识别模型进行实时特征识别,克服了现有技术地面获取数据的时间局限性,改善数据传达机制,帮助地面工程师及时获取有效地层信息,从而快速现场决策,有效降低钻井风险,优化钻井作业的质量。
Description
技术领域
本发明涉及油气勘探与开发领域,具体涉及一种随钻电成像数据井下实时处理装置及方法,采用该方案可在随钻电阻率测量过程中直接在井下对电成像数据进行实时处理,提取需要的特征信息并实时传递回地面,提高随钻过程中决策的准确性和可控性。
背景技术
近年来,为了适应高角度井和水平井等愈发恶劣的测井环境,指导钻井施工需要更全面可靠的数据支持,随钻测井技术已成为及时准确获取钻井和地质资料的重要手段。其中,随钻电阻率成像测井在实时井场数据采集、解释、现场决策以及指导地质导向钻井中起着关键作用。
随着随钻仪器的研发进度不断提升,井下数据的收集和存储已经逐步解决,但受随钻数据传输速度的限制,现阶段随钻仪器采取的数据处理策略都是将井下成像数据批量本地存储,等后续起钻后才能将数据导出,再由地面工程师进行调取分析,对地层的裂缝、溶洞、层界面等特征进行识别,进而对地层进行精细评价。显然这种处理方式数据时效性较差,灵活性不足,且对井下仪器的存储要求较高。
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,本发明提供了一种随钻电成像数据井下实时处理装置及方法,本发明的主要目的是通过在井下环境中对随钻电阻率成像数据进行实时的智能识别和特征提取,仅传递少量识别得到的需求提示信息,克服现阶段随钻电成像仪器的数据传输速度问题,帮助地面工程师实时获取更多的地层信息,快速现场决策,降低钻井风险,提升测井效果和钻井效率。在一个实施例中,所述装置包括:
井下成像模块,其配置为在井下环境利用随钻电阻率成像仪器采集需求地层的电阻率成像数据;
智能识别模块,其与所述井下成像模块连接,通过嵌入了设定智能特征识别模型的芯片结构对采集的电阻率成像数据进行分析识别,确定对应的测井地层特征,并与匹配的地层参数关联融合为特征识别结果;
实时通信模块,其配置为当存在融合的特征识别结果时,基于设定的传输协议将其传输至地上控制系统;
其中,所述智能特征识别模型是由模型构建模块预先基于设定的图像数据处理策略和机器学习算法构建的。
优选地,一个实施例中,所述井下成像模块采集的电阻率成像数据包括需求深度对应井周360°地层的电阻率二维阵列数据。
进一步地,一个实施例中,所述智能识别模块为通过高温高压测试的芯片结构,高温高压测试前,使用FPGA连接器和ARM连接器将设定智能特征识别模块的算法程序以井区类型为标签分类导入芯片结构中。
一个可选的实施例中,所述模型构建模块通过以下操作构建所述智能特征识别模型:
步骤A1、依据设定的逻辑获取各井区类型匹配的样本数据;
步骤A2、基于样本数据划分训练样本库和测试样本库;
步骤A3、基于训练样本采用基于神经网络的最小二乘回归算法训练进行迭代更新训练,优化确定模型对应的关键参数,利用测试样本根据交叉验证法检验模型的准确性,直至满足设定的训练条件。
具体地,一个实施例中,所述模型构建模块执行以下操作以获取各井区类型匹配的样本数据:
a1、考虑井区类型的多样性分别统计设定规模的随钻电阻率成像数据;
a2、对各井区类型的随钻电阻率成像数据进行预处理;
a3、识别获取预处理后随钻电阻率成像数据表征的地层特征数据;
a4、基于获取的地层特征数据对关联的随钻电阻率成像数据进行标注,统计所有关联标注的组合数据作为样本数据集,以井区类型为标签进行分类存储。
进一步地,一个实施例中,所述模型构建模块对各井区类型的随钻电阻率成像数据进行预处理时,包括以下操作:
对收集到的随钻电成像数据采用OTSU自动阈值分割法进行阈值分割获得二值图像,进而采用设定参数的邻域计算方式计算连通域,将其进行区域分割。
一个可选的实施例中,所述井下通信模块还设置有传输决策单元,其配置为对存在的特征识别结果进行可用性判识,若确定特征识别结果中存在当前深度地层需求的特征,则生成上传指令。
进一步地,一个实施例中,所述装置还包括井下数据质控模块,其配置为对井下采集的电阻率成像数据实时地进行坏点剔除、均衡处理、增益调整以及阈值分割处理,以控制特征识别输入数据的质量。
考虑应用的其他方面,一个实施例中,所述装置还包括施工辅助模块,其配置为根据识别得到的周期性地层特征结果进行分析,决策施工建议数据并传输至地上控制系统。
基于上述任意一个或多个实施例所述装置的其他方面,本发明还提供一种随钻电成像数据井下实时处理方法,该方法包括:
井下成像步骤、利用井下的随钻电阻率成像仪器采集需求地层的电阻率成像数据;
井下识别步骤、基于当前数据的井区类型调用井下芯片结构中嵌入的设定智能特征识别模型,对电阻率成像数据进行分析识别,确定对应的测井地层特征,并与匹配的地层参数关联融合为特征识别结果;
实时通信步骤、当存在融合的特征识别结果时,基于设定的传输协议将其传输至地上控制系统;
其中,所述智能特征识别模型是由模型构建模块预先基于设定的图像数据处理策略和机器学习算法构建的。
与最接近的现有技术相比,本发明还具有如下有益效果:
本发明提供的一种随钻电成像数据井下实时处理装置及方法,本发明通过建立基于智能算法的随钻电阻率成像数据地层特征识别模型;将建好的智能模型算法嵌入到芯片模块中;利用随钻电阻率成像仪器采集地层的电阻率成像数据;对随钻电阻率成像数据进行质量处理;利用芯片模块对采集到的随钻电成像数据进行实时特征识别;发送对应的深度点和特征识别结果指令给地面。本发明建立基于智能算法的随钻电阻率成像数据地层特征识别模型进行实时特征识别,克服了现有技术地面获取数据的时间局限性,改善数据传达机制,帮助地面工程师及时获取有效地层信息,从而为工作人员现场决策和调整钻井施工参数提供数据支持,有效降低钻井风险优化钻井作业的质量的同时,提升了整体随钻测井技术的操作可控性和实用性。
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是本发明一实施例提供的随钻电成像数据井下实时处理装置的结构示意图;
图2是本发明实施例所提供随钻电成像数据井下实时处理装置的质控处理前后的图像数据对比图;
图3是本发明另一实施例采用所提供随钻电成像数据井下实时处理装置的进、出层界面识别效果图;
图4是本发明又一实施例提供的随钻电成像数据井下实时处理方法的流程示意图。
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。
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。
为了适应高角度井和水平井等愈发恶劣的测井环境,指导钻井施工需要更全面可靠的数据支持,随钻测井技术已成为及时准确获取钻井和地质资料的重要手段。其中,随钻电阻率成像测井在实时井场数据采集、解释、现场决策以及指导地质导向钻井中起着关键作用。
随着随钻仪器的研发进度不断提升,井下数据的收集和存储已经逐步解决,但受随钻数据传输速度的限制,现阶段随钻仪器采取的数据处理策略都是将井下成像数据批量本地存储,等后续起钻后才能将数据导出,再由地面工程师进行调取分析,对地层的裂缝、溶洞、层界面等特征进行识别,进而对地层进行精细评价。显然这种处理方式数据时效性较差,灵活性不足,且对井下仪器的存储要求较高。
为解决上述问题,本发明提供一种随钻电成像数据井下实时处理装置及方法,通过在井下实时对成像数据进行处理和识别,将大量的成像数据转化成所需的少量提示数据,可以帮助地面工程师快速了解井下情况,高效决策,有效降低钻井风险,提升测井效果和钻井效率。
接下来基于附图详细描述本发明实施例的方法的详细流程,附图的流程图中示出的步骤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。虽然在流程图中示出了各步骤的逻辑顺序,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随钻电成像数据井下实时处理装置的结构示意图,参照图1可知,该装置包括:
井下成像模块、其配置为在井下环境利用随钻电阻率成像仪器采集需求地层的电阻率成像数据;
智能识别模块,其与所述井下成像模块连接,通过嵌入了设定智能特征识别模型的芯片结构对采集的电阻率成像数据进行分析识别,确定对应的测井地层特征,并与匹配的地层参数关联融合为特征识别结果;
实时通信模块,其配置为当存在融合的特征识别结果时,基于设定的传输协议将其传输至地上控制系统;
其中,所述智能特征识别模型是由模型构建模块预先基于设定的图像数据处理策略和机器学习算法构建的。
采用上述实施例中所述的转置进行井下测井成像数据的处理,可在井下对随钻电成像数据反映的关键地层信息进行实时提取,将大量的成像数据转化成少量的提示指令,相较于之前的钻井结束后才能获得仪器存储的大量随钻电成像数据进行地层分析,该发明可明显提高时效性,帮助地面工程师实时获取更多的地层信息,从而快速现场决策,如果智能识别模型的准确率足够高,可有效降低钻井风险,提升测井效果和钻井效率。
具体地,为了保障采集的随钻成像数据能够全面地表征井下地层的特征信息,一个实施例中,所述井下成像模块采集的电阻率成像数据包括需求深度对应井周360°地层的电阻率二维阵列数据。
考虑到采集的电阻率成像数据中可能存在不利于后续特征识别的错误数据点或干扰因素,一个优选的实施例中,本发明的装置还包括井下数据质控模块,其配置为对井下采集的电阻率成像数据实时地进行坏点剔除、均衡处理、增益调整以及阈值分割处理,以控制特征识别输入数据的质量,从根本上避免劣质源数据及图像数据其他因素的干扰。
进一步地,参考所使用电阻率成像数据相关的采集仪器和运算板,设计耐高温的电路板,基于相关电路构成组合智能模块,基于此,本发明通过相关的FPGA仿真器和ARM仿真器将建好的特征识别模型算法程序写入电路板的芯片结构中。因此,一个优选的实施例中,所述智能识别模块为通过高温高压测试的芯片结构,高温高压测试前,使用FPGA连接器和ARM连接器将设定智能特征识别模型的算法程序以井区类型为标签分类导入芯片结构中。
实际应用中,在预先构建智能特征识别模型的过程中,所述模型构建模块通过以下操作构建所述智能特征识别模型:
步骤A1、依据设定的逻辑获取各井区类型匹配的样本数据;
步骤A2、基于样本数据划分训练样本库和测试样本库;
步骤A3、基于训练样本采用基于神经网络的最小二乘回归算法训练进行迭代更新训练,优化确定模型对应的关键参数,利用测试样本根据交叉验证法检验模型的准确性,直至满足设定的训练条件。
进一步地,在所述步骤A1中,为了从根源上保障样本数据的全面性和可靠性,所述模型构建模块执行以下操作以获取各井区类型匹配的样本数据:
a1、考虑井区类型的多样性分别统计设定规模的随钻电阻率成像数据;
a2、对各井区类型的随钻电阻率成像数据进行预处理;
a3、识别获取预处理后随钻电阻率成像数据表征的地层特征数据;
a4、基于获取的地层特征数据对关联的随钻电阻率成像数据进行标注,统计所有关联标注的组合数据作为样本数据集,以井区类型为标签进行分类存储。
实际应用时,可采用以下思路建立基于智能算法的随钻电阻率成像数据地层特征识别模型:a收集大量的随钻电阻率成像数据;
b对随钻电阻率成像数据进行预处理;
预处理主要包括图像阈值分割和区域分割,获取成像图上的有用特征数据;
c对随钻电成像特征数据进行分类,建立样本库;
其中特征是指随钻成像数据图上能反映的主要地层特征信息,包括但不限于溶孔、溶洞、裂缝、纹层、砾石、层界面等,可根据实际评价需要选取;对随钻电成像数据进行分类是指对预处理后的特征数据进行标注;
d基于合适的人工智能算法建立精度较高的智能识别模型;
将样本库数据选取一部分作为训练集,另一部分作为测试集合,利用合适的智能算法进行模型的训练;这里的智能算法包括但不限于机器学习和深度学习算法。
另外的,需要说明的是,当获得更多的随钻电成像数据时,也可以进一步基于获得的新数据对模型进行训练更新,优化模型的参数。
实际应用时,可以将上述嵌有智能特征识别模型算法的芯片结构以井下黑匣子的形式与井下成像数据采集仪器进行集成设置,不需要另设大体积的组件,高效实现井下数据智能识别的同时,将对整体井下处理装置空间占用率的影响控制到最小。
基于上述策略得到的每一组样本数据均为已知所需地层特征的电阻率成像数据组合,能够很好地作为智能学习算法的输入。同时本发明获取的样本数据涵盖了不同的井区类型,以井区类型为标准分别构建匹配的智能特征识别模型,能够将不同井区类型差异性的影响控制到最小,相当程度上提升了智能特征识别模型与输入待识别数据的匹配度,能够有效提升识别结果的精确度。
其中,一个具体的实施例中,所述模型构建模块对各井区类型的随钻电阻率成像数据进行预处理时,包括以下操作:
对收集到的随钻电成像数据采用OTSU自动阈值分割法进行阈值分割获得二值图像,进而采用设定参数的邻域计算方式计算连通域,将其进行区域分割。
进一步地,实际应用时本发明的井下通信模块可采取实时识别实时传输到地面的方式,也可以按照设定的策略进行周期传输,基于此,一个实施例中,所述井下通信模块还设置有传输决策单元,其配置为对存在的特征识别结果进行可用性判识,若确定特征识别结果中存在当前深度地层需求的特征,则生成上传指令。例如,利用芯片模块对井下随钻电成像数据进行层界面智能识别时,对井下采集的i时刻实时数据进行均衡处理、增益调整、阈值分割三个预处理过程,然后利用芯片中的智能算法对层界面特征进行识别,若随钻电成像数据特征符合层界面,输出YES,控制实时通信模块发送深度位置参数和特征识别结果信息给地面控制系统;例如,利用随钻数据传输装置将地层的深度和裂缝、层界面、溶洞、砾石等特征识别结果以有限字数描述的指令形式传递到地面;若所识别特征并非层界面,输出NO;若智能模型在i时刻程序输出了YES(即识别到了层界面信息),则上传i时刻的深度及层界面指令到地面;若未识别到层界面信息(程序输出NO)则进行下一个时刻的智能识别。
进一步地,采用本发明中的技术方案时,井上的工作人员或控制中心不需要等待起井后从井下存储模块中获取随钻电成像数据进行分析,而是在随钻测井的过程中就能收到标志性的有效地层特征,这样能够为工作人员对后续的施工控制提供决策支持。但是,实际施工中,通常具备较高专业水平的工作人员才能够根据有限的特征数据总结出合理的施工控制建议,应用场景存在局限。基于此,一个可选的实施例中,本发明设置所述装置还包括施工辅助模块,其配置为根据识别得到的周期性地层特征结果进行分析,决策施工建议数据并传输至地上控制系统。这样,即使是专业水平不高的工作人员也能够即使察觉的当前井下施工状态不合适的情况,并及时调整到最佳的测井施工方式。
另外,需要说明的是,本发明中旨在实时利用井下环境的智能识别模型算法实现井下测得信息的有效特征,在起井之前先行以较小数据长度的形式传送至地面控制系统或工作人员,实际应用时,本发明的技术构思和执行策略也能够根据实际需求应用于电阻率测井图像数据之外的其他井下施工测量数据,以支持油气井勘探及开发工作中的井下数据的优化处理,更全面、灵活地对井下施工决策提供优化支持。
进一步地,现有技术中部分工程队采用直接在井下进行精细处理的方式,例如在井下对测井成像数据进行分析,并提取裂缝相关特征进行特定运算,识别精细的裂缝分布和属性信息,这样会给井下设备造成较高的数据处理压力,且对从业人员的数据处理水平有较高要求,即需要技术人员即得懂钻井测井专业知识也得懂数据统计分析专业知识,存在明显的局限性,实用性不足;相对的,本发明中采用集成设置的智能特征识别模型,保障可靠性和识别效率的同时,有效降低了对从业人员的特定专业要求门槛,更适于进行推广和全面应用。
应用案例示意:
以对类型为X的井区内的井S进行层界面智能识别为例:
第一步,构建匹配的特征识别模型;
首先对收集到的随钻电成像数据采用OTSU自动阈值分割法进行阈值分割获得二值图像,采用8邻域计算方式计算连通域,将其进行区域分割,如图2所示,并将层界面特征进行标注,建立样本库;
选取70%的数据作为训练集用于模型的训练,剩下的30%数据作为验证集。采用基于神经网络的最小二乘回归训练模型,基于训练集样本数据确定模型中的关键参数,采用交叉验证的方法检验模型的准确性;本示例中所建模型的主要参数如下:潜在变量数为14,神经元为4个,测试集符合率为94%。
第二步,将建好的智能算法嵌入到芯片中;
参考电阻率成像数据相关的采集和运算板,设计耐高温的电路板,相关电路组成智能模块,并通过相关的FPGA仿真器和ARM仿真器将程序写入电路板的芯片中。
第三步,利用芯片模块对井下随钻电成像数据进行层界面智能识别;
对井下采集的i时刻实时数据进行均衡处理、增益调整、阈值分割三个预处理过程,然后利用芯片中的智能算法对层界面特征进行识别,若随钻电成像数据特征符合层界面,输出YES;所识别特征并非层界面,输出NO;
第四步,判断是否上传指令;
若智能模型在i时刻程序输出了YES(即识别到了层界面信息),则上传i时刻的深度及层界面指令到地面;若未识别到层界面信息(程序输出NO)则进行下一个时刻的智能识别;如图3所示,本示例中分别在6021、6028、6032、6037四个深度处报了层界面指令,识别准确率很高。
采用本发明上述实施例所述的方案,预先建立基于智能算法的随钻电阻率成像数据地层特征识别模型;将建好的智能模型算法嵌入到芯片模块中;利用随钻电阻率成像仪器采集地层的电阻率成像数据;对随钻电阻率成像数据进行质量处理;利用芯片模块对采集到的随钻电成像数据进行实时特征识别;进而发送对应的深度点和特征识别结果指令给地面。能够明显提高时效性,帮助地面工程师实时获取更多的有效地层信息,从而快速现场决策,有效降低钻井风险,提升测井效果和钻井效率。
本发明实施例提供的随钻电成像数据井下实时处理装置中,各个模块或单元结构可以根据实际运算和识别需求独立运行或组合运行,以实现相应的技术效果。
实施例二
上述本发明公开的实施例中详细描述了装置,基于上述任意一个或多个实施例中所述装置的其他方面,本发明还提供一种随钻电成像数据井下实时处理方法,该方法应用于上述任意一个或多个实施例中所述的随钻电成像数据井下实时处理装置。下面给出具体的实施例进行详细说明。
具体地,图4中示出了本发明实施例中提供的随钻电成像数据井下实时处理方法的流程示意图,如图4所示,该方法包括:
井下成像步骤、利用井下的随钻电阻率成像仪器采集需求地层的电阻率成像数据;
井下识别步骤、基于当前数据的井区类型调用井下芯片结构中嵌入的设定智能特征识别模型,对电阻率成像数据进行分析识别,确定对应的测井地层特征,并与匹配的地层参数关联融合为特征识别结果;
实时通信步骤、当存在融合的特征识别结果时,基于设定的传输协议将其传输至地上控制系统;
其中,所述智能特征识别模型是由模型构建模块预先基于设定的图像数据处理策略和机器学习算法构建的。
具体地,一个实施例中,在井下成像步骤中,由井下成像模块采集的电阻率成像数据包括需求深度对应井周360°地层的电阻率二维阵列数据。
进一步地,一个实施例中,所述方法还包括井下数据质控步骤、对井下采集的电阻率成像数据实时地进行坏点剔除、均衡处理、增益调整以及阈值分割处理,以控制特征识别输入数据的质量。
实际应用时,参考所使用电阻率成像数据相关的采集仪器和运算板,设计耐高温的电路板,基于相关电路构成组合智能模块,基于此,本发明并通过相关的FPGA仿真器和ARM仿真器将程序写入电路板的芯片结构中。因此,一个实施例中,所述井下识别步骤中采用的芯片结构为通过高温高压测试的芯片结构,高温高压测试前,使用FPGA连接器和ARM连接器将设定智能特征识别模块的算法程序以井区类型为标签分类导入芯片结构中。
进一步地,一个实施例中,在模型构建步骤中,通过以下操作构建所述智能特征识别模型:
步骤A1、依据设定的逻辑获取各井区类型匹配的样本数据;
步骤A2、基于样本数据划分训练样本库和测试样本库;
步骤A3、基于训练样本采用基于神经网络的最小二乘回归算法训练进行迭代更新训练,优化确定模型对应的关键参数,利用测试样本根据交叉验证法检验模型的准确性,直至满足设定的训练条件。
其中,一个实施例中,在所述步骤A1中,所述模型构建模块执行以下操作以获取各井区类型匹配的样本数据:
a1、考虑井区类型的多样性分别统计设定规模的随钻电阻率成像数据;
a2、对各井区类型的随钻电阻率成像数据进行预处理;
a3、识别获取预处理后随钻电阻率成像数据表征的地层特征数据;
a4、基于获取的地层特征数据对关联的随钻电阻率成像数据进行标注,统计所有关联标注的组合数据作为样本数据集,以井区类型为标签进行分类存储。
进一步地,一个优选的实施例中,对各井区类型的随钻电阻率成像数据进行预处理的过程,包括:
对收集到的随钻电成像数据采用OTSU自动阈值分割法进行阈值分割获得二值图像,进而采用设定参数的邻域计算方式计算连通域,将其进行区域分割。
一个可选的实施例中,在将特征识别结果上传至地上控制系统之前还包括传输决策步骤,对存在的特征识别结果进行可用性判识,若确定特征识别结果中存在当前深度地层需求的特征,则生成上传指令。例如,利用芯片模块对井下随钻电成像数据进行层界面智能识别时,对井下采集的i时刻实时数据进行均衡处理、增益调整、阈值分割三个预处理过程,然后利用芯片中的智能算法对层界面特征进行识别,若随钻电成像数据特征符合层界面,输出YES;所识别特征并非层界面,输出NO;若智能模型在i时刻程序输出了YES(即识别到了层界面信息),则上传i时刻的深度及层界面指令到地面;若未识别到层界面信息(程序输出NO)则进行下一个时刻的智能识别。
进一步地,一个实施例中,所述方法还包括施工辅助步骤、根据识别得到的周期性地层特征结果进行分析,决策施工建议数据并传输至地上控制系统。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
需要指出的是,在本发明的其他实施例中,该方法还可以通过将上述实施例中的某一个或某几个进行结合来得到新的随钻电成像数据井下实时处理方法,以实现对随钻测井技术的优化。
需要说明的是,基于本发明上述任意一个或多个实施例中的方法,本发明还提供一种存储介质,该存储介质上存储有可实现如述任意一个或多个实施例中所述方法的程序代码,该代码被操作系统执行时能够实现如上所述的随钻电成像数据井下实时处理方法。
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)
1.一种随钻电成像数据井下实时处理装置,其特征在于,所述装置包括:
井下成像模块,其配置为在井下环境利用随钻电阻率成像仪器采集需求地层的电阻率成像数据;
智能识别模块,其与所述井下成像模块连接,通过嵌入了设定智能特征识别模型的芯片结构对采集的电阻率成像数据进行分析识别,确定对应的测井地层特征,并与匹配的地层参数关联融合为特征识别结果;
实时通信模块,其配置为当存在融合的特征识别结果时,基于设定的传输协议将其传输至地上控制系统;
其中,所述智能特征识别模型是由模型构建模块预先基于设定的图像数据处理策略和机器学习算法构建的。
2.根据权利要求1所述的装置,其特征在于,所述井下成像模块采集的电阻率成像数据包括需求深度对应井周360°地层的电阻率二维阵列数据。
3.根据权利要求1所述的装置,其特征在于,所述智能识别模块为通过高温高压测试的芯片结构,高温高压测试前,使用FPGA连接器和ARM连接器将设定智能特征识别模块的算法程序以井区类型为标签分类导入芯片结构中。
4.根据权利要求1所述的装置,其特征在于,所述模型构建模块通过以下操作构建所述智能特征识别模型:
步骤A1、依据设定的逻辑获取各井区类型匹配的样本数据;
步骤A2、基于样本数据划分训练样本库和测试样本库;
步骤A3、基于训练样本采用基于神经网络的最小二乘回归算法训练进行迭代更新训练,优化确定模型对应的关键参数,利用测试样本根据交叉验证法检验模型的准确性,直至满足设定的训练条件。
5.根据权利要求4所述的装置,其特征在于,所述模型构建模块执行以下操作以获取各井区类型匹配的样本数据:
a1、考虑井区类型的多样性分别统计设定规模的随钻电阻率成像数据;
a2、对各井区类型的随钻电阻率成像数据进行预处理;
a3、识别获取预处理后随钻电阻率成像数据表征的地层特征数据;
a4、基于获取的地层特征数据对关联的随钻电阻率成像数据进行标注,统计所有关联标注的组合数据作为样本数据集,以井区类型为标签进行分类存储。
6.根据权利要求5所述的装置,其特征在于,所述模型构建模块对各井区类型的随钻电阻率成像数据进行预处理时,包括以下操作:
对收集到的随钻电成像数据采用OTSU自动阈值分割法进行阈值分割获得二值图像,进而采用设定参数的邻域计算方式计算连通域,将其进行区域分割。
7.根据权利要求1所述的装置,其特征在于,所述井下通信模块还设置有传输决策单元,其配置为对存在的特征识别结果进行可用性判识,若确定特征识别结果中存在当前深度地层需求的特征,则生成上传指令。
8.根据权利要求1所述的装置,其特征在于,所述装置还包括井下数据质控模块,其配置为对井下采集的电阻率成像数据实时地进行坏点剔除、均衡处理、增益调整以及阈值分割处理,以控制特征识别输入数据的质量。
9.根据权利要求1所述的装置,其特征在于,所述装置还包括施工辅助模块,用于根据识别得到的周期性地层特征结果进行分析,决策施工建议数据并传输至地上控制系统。
10.一种应用于如权利要求1~9中任意一项所述装置的随钻电成像数据井下实时处理方法,其特征在于,所述方法包括:
井下成像步骤、利用井下的随钻电阻率成像仪器采集需求地层的电阻率成像数据;
井下识别步骤、基于当前数据的井区类型调用井下芯片结构中嵌入的设定智能特征识别模型,对电阻率成像数据进行分析识别,确定对应的测井地层特征,并与匹配的地层参数关联融合为特征识别结果;
实时通信步骤、当存在融合的特征识别结果时,基于设定的传输协议将其传输至地上控制系统;
其中,所述智能特征识别模型是由模型构建模块预先基于设定的图像数据处理策略和机器学习算法构建的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219786.2A CN116012275A (zh) | 2021-10-20 | 2021-10-20 | 一种随钻电成像数据井下实时处理装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219786.2A CN116012275A (zh) | 2021-10-20 | 2021-10-20 | 一种随钻电成像数据井下实时处理装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012275A true CN116012275A (zh) | 2023-04-25 |
Family
ID=86030366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111219786.2A Pending CN116012275A (zh) | 2021-10-20 | 2021-10-20 | 一种随钻电成像数据井下实时处理装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012275A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117211758A (zh) * | 2023-11-07 | 2023-12-12 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
CN117408923A (zh) * | 2023-12-07 | 2024-01-16 | 中海油田服务股份有限公司 | 全井眼电成像仪器的图像处理方法及装置 |
-
2021
- 2021-10-20 CN CN202111219786.2A patent/CN116012275A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117211758A (zh) * | 2023-11-07 | 2023-12-12 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
CN117211758B (zh) * | 2023-11-07 | 2024-04-02 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
CN117408923A (zh) * | 2023-12-07 | 2024-01-16 | 中海油田服务股份有限公司 | 全井眼电成像仪器的图像处理方法及装置 |
CN117408923B (zh) * | 2023-12-07 | 2024-02-09 | 中海油田服务股份有限公司 | 全井眼电成像仪器的图像处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11530998B2 (en) | Method and system to analyze geologic formation properties | |
CN116012275A (zh) | 一种随钻电成像数据井下实时处理装置及方法 | |
CN110490100A (zh) | 基于深度学习的岩土自动识别定名方法及系统 | |
CN109155064A (zh) | 自动化岩心描述 | |
CN111949535B (zh) | 基于开源社区知识的软件缺陷预测装置及方法 | |
US11354921B2 (en) | Generation of digital well schematics | |
CN115244548A (zh) | 基于人工智能训练深度学习网络的方法及使用其的学习设备 | |
CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
CN117292148B (zh) | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 | |
CN111967576B (zh) | 一种基于深度学习的地球化学数据处理方法和系统 | |
CN114418021B (zh) | 模型优化方法、装置及计算机程序产品 | |
Timmer et al. | Applying deep learning for identifying bioturbation from core photographs | |
CN116087880A (zh) | 一种基于深度学习的雷达辐射源信号分选系统 | |
US11971515B2 (en) | Deep learning model with dilation module for fault characterization | |
CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN115081485B (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
CN114741697B (zh) | 恶意代码分类方法、装置、电子设备和介质 | |
CN112348922B (zh) | 一种测井曲线自动绘制方法、系统、装置及存储介质 | |
Zhang et al. | Fracture identification in well logging images: Two-stage adaptive network | |
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 | |
CN114036829B (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
CN113158878B (zh) | 一种基于子空间的异构迁移故障诊断方法、系统和模型 | |
CN112579670A (zh) | 一种精细油藏分布的勘察数据分析方法及系统 | |
CN117574269B (zh) | 陆相页岩储层天然裂缝智能识别方法及系统 |
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 |