CN116307122A - 钻井数据处理方法、装置、设备及可读存储介质 - Google Patents
钻井数据处理方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116307122A CN116307122A CN202310153974.2A CN202310153974A CN116307122A CN 116307122 A CN116307122 A CN 116307122A CN 202310153974 A CN202310153974 A CN 202310153974A CN 116307122 A CN116307122 A CN 116307122A
- Authority
- CN
- China
- Prior art keywords
- drilling
- overflow
- data
- characteristic parameters
- prediction model
- 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 208
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000012706 support-vector machine Methods 0.000 claims abstract description 36
- 241000287127 Passeridae Species 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 40
- 238000010845 search algorithm Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000002431 foraging effect Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 239000012530 fluid Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000004459 forage Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本申请提供一种钻井数据处理方法、装置、设备及可读存储介质。该方法包括:获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列;N≥1;根据各特征参数的监测数据序列,更新各特征参数对应的支持向量机的回归预测模型,得到更新后的支持向量机的回归预测模型;利用更新后的支持向量机的回归预测模型,获取该特征参数在未来时刻的预测数据;根据N个特征参数在未来时刻的预测数据,获取N个特征参数对应的溢流预警线;根据N个特征参数在未来时刻的预测数据和对应的溢流预警线,确定目标钻井是否存在溢流风险;若存在,则输出针对目标钻井的目标钻井工况的溢流预警信号。本申请能够针对任意钻井实现溢流预测。
Description
技术领域
本申请涉及钻井技术领域,尤其涉及一种钻井数据处理方法、装置、设备及可读存储介质。
背景技术
油田钻井作业过程中,溢流的发生会导致井涌甚至井喷。而钻井井喷失控,将会对油田储层造成严重损害,甚至导致井塌等钻探事故,给钻井平台、工作人员和生态环境带来不可弥补的损害。因此,需要对钻井作业中的溢流进行实时监控和预警。
目前主要依赖于机器学习模型的方法对钻井数据进行处理,以用于溢流的预测和预警,但该方法只针对特定的钻井的溢流预测精度较高,不具备通用性。
发明内容
本申请提供一种钻井数据处理方法、装置、设备及可读存储介质,用以解决在钻井数据处理方法通用性差导致的溢流预测精度低的问题。
第一方面,本申请提供一种钻井数据处理方法,包括:
获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列;N≥1;
根据各所述特征参数的监测数据序列,更新各所述特征参数对应的支持向量机的回归预测模型,得到更新后的支持向量机的回归预测模型;
利用所述更新后的支持向量机的回归预测模型,获取该特征参数在未来时刻的预测数据;
根据所述N个特征参数在未来时刻的预测数据,获取所述N个特征参数对应的溢流预警线;
根据所述N个特征参数在未来时刻的预测数据和对应的溢流预警线,确定所述目标钻井是否存在溢流风险;
若存在,则输出针对所述目标钻井的所述目标钻井工况的溢流预警信号。
可选的,所述根据各所述特征参数的监测数据序列,更新各所述特征参数对应的支持向量机的回归预测模型,包括:
针对每个所述特征参数,根据该特征参数在设定时长内的监测数据序列,采用麻雀搜索算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数,得到更新后的支持向量机的回归预测模型。
可选的,所述根据该特征参数在设定时长内的监测数据序列,采用麻雀搜索算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数,得到更新后的支持向量机的回归预测模型,包括:
对所述监测数据序列进行归一化处理;
根据归一化处理后的监测数据序列,采用麻雀搜索算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数,得到更新后的支持向量机的回归预测模型。
可选的,所述对所述监测数据序列进行归一化处理之前,还包括:
判断该特征参数在设定时长内的监测数据序列中是否存在噪声数据;
若是,则对该特征参数在设定时长内的监测数据序列进行去噪处理。
可选的,所述根据所述N个特征参数在未来时刻的预测数据,获取所述N个特征参数对应的溢流预警线,包括:
针对每个所述特征参数,对所述特征参数在未来时刻的预测数据进行反归一化处理;
根据反归一化处理后的预测数据,获取所述特征参数未来时刻的溢流预警阈值上限或溢流预警阈值下限;
根据所述特征参数未来时刻的溢流预警阈值上限或溢流预警阈值下限,获取所述特征参数对应的溢流预警线。
可选的,所述根据所述N个特征参数在未来时刻的预测数据和对应的溢流预警线,确定所述目标钻井是否存在溢流风险,包括:
若存在M个所述特征参数在未来时刻的预测数据中部分或全部时刻的预测数据超出该特征参数对应的预警线,则确定所述目标钻井存在溢流风险;1≤M≤N;
若所有特征参数在未来时刻的预测数据中全部时刻的预测数据均未超出该特征参数对应的预警线,则确定所述目标钻井不存在溢流风险。
可选的,所述获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列,包括:
在对所述目标钻井进行钻井的过程中,获取所述目标钻井的录井数据;
根据所述录井数据,获取所述目标钻井工况;
根据所述目标钻井工况,获取在设定时长内的N个特征参数的监测数据序列。
第二方面,本申请提供一种钻井数据处理装置,包括:
第一获取模块,用于获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列;N≥1;
更新模块,用于根据各所述特征参数的监测数据序列,更新各所述特征参数对应的支持向量机的回归预测模型,得到更新后的支持向量机的回归预测模型;
第二获取模块,用于利用所述更新后的支持向量机的回归预测模型,获取该特征参数在未来时刻的预测数据;
第三获取模块,用于根据所述N个特征参数在未来时刻的预测数据,获取所述N个特征参数对应的溢流预警线;
确定模块,用于根据所述N个特征参数在未来时刻的预测数据和对应的溢流预警线,确定所述目标钻井是否存在溢流风险;
输出模块,用于在所述目标钻井存在溢流风险时,输出针对所述目标钻井的所述目标钻井工况的溢流预警信号。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面中任一项所述的钻井数据处理方法。
第四方面,本申请提供一种计算机可读存储介质,包括:所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的钻井数据处理方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被所述处理器执行时实现如第一方面任一项所述的钻井数据处理方法。
第六方面,本申请提供一种芯片,所述芯片上存储有计算机程序,所述计算机程序被所述芯片执行时,实现如第一方面任一项所述的钻井数据处理方法。
本申请提供的钻井数据处理方法、装置、设备及可读存储介质,利用目标钻井在目标钻井工况下的N个特征参数的监测数据序列获取了各特征参数对应的SVM回归预测模型,再利用各特征参数对应的SVM回归预测模型对各特征参数分别进行预测,再利用各特征参数的预测数据分别获取了各特征参数对应的溢流预警线,利用各特征参数对应的溢流预警线来判断目标钻井是否发生溢流,避免了利用固定的预测模型预测溢流时导致的各特征参数间相互干扰的问题,并且,利用各特征参数的监测数据实时更新SVM回归预测模型,提高了预测数据的准确度,进而可以实时更新各特征参数对应的溢流预警线,避免利用固定的预测模型预测导致预测精度下降,进而得到了更加准确的溢流预测。同时,该方法的SVM回归预测模型是基于各钻井的各特征参数的监测数据序列更新的,因此,该方法适用于任意种类的钻井,即,提高了该方法的通用性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种钻井数据处理方法的应用场景示意图;
图2为本申请实施例提供的一种钻井数据处理方法的流程示意图;
图3为本申请实施例提供的一种溢流预警线的示意图;
图4为本申请实施例提供的另一种钻井数据处理方法的流程示意图;
图5为本申请实施例提供的一种监测数据降噪处理后的示意图;
图6为本申请实施例提供的一种监测数据的预测结果对比示意图;
图7为本申请提供的再一种钻井数据处理方法的流程意图;
图8为本申请实施例提供的一种钻井数据处理装置的结构示意图;
图9为本申请实施例提供的一种电子设备300的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
首先,对本申请所涉及的名词进行解释:
钻井工况:是指钻井作业过程中钻井设备的工作状态。需说明,本申请中工况和钻井工况的含义相同,在此不做区分。
钻井工况类型示例:
下钻:将钻具下入井内的作业。
起钻:把下入井内的钻具提升到地面的作业。
钻进:用钻头破碎岩石,使井眼不断加深的过程。
循环:钻井作业过程中,钻井液的循环过程。
测试:在钻进中途,对井下的地质情况进行监测,例如地层的渗透率等,以确定油气含量、井况等。
钻井液:是钻井过程中以其多种功能满足钻井工作需要的各种循环流体总称。其功能主要有悬浮、压力控制、岩层稳定性、浮力、润滑和冷却等。
井深:从转盘补心面至井底的深度。
录井数据参数示例:
立管压力:钻井液在钻柱内流动时损耗压降+钻井液流经钻头喷嘴时的压降+钻井液在从井底上返时环空的压耗之和,立管压力与钻井液的密度、粘度、切力有关。
大钩悬重:指重表所指示的数值,即大钩悬重值,指在钻进时,悬吊在大钩上的钻具的部分重量。
麻雀搜索算法的规则和原理:
麻雀搜索算法(Sparrow Search Algorithm,SSA)将种群分为发现者和加入者,发现者拥有较高的能源储备并在整个种群中负责搜索到具有丰富食物的区域,决定种群的搜索方向,加入者会跟随发现者而移动。在模型建立中能量储备的高低取决于麻雀个体所对应的适应度值的好坏。种群中具有较好适应度值的发现者在搜索过程中会优先获取食物。
麻雀种群中还包含一定比例的警戒者,当警戒者发现捕食者时会提供报警信号,当预警值大于安全值时,发现者会引领种群迁移至其他可行的安全区域,处于种群边缘的麻雀会迅速向安全区域移动,以获得更好的位置;处于种群中间区域的麻雀则随机走动,以跟随种群迁移。
发现者和加入者的身份是随着迭代而动态变化的。只要能够寻找到更好的食物来源,每只麻雀都可以成为发现者,但是发现者和加入者所占整个种群数量的比重是不变的。也就是说,有一只麻雀变成发现者必然有另一只麻雀变成加入者。
加入者的能量越低,它们在整个种群中所处的觅食位置就越差,更有可能飞往其它地方觅食,以获得更多的能量。在觅食过程中,加入者总是能够搜索到提供最优食物的发现者,然后从最优的食物中获取食物或者在该发现者周围觅食。与此同时,一些加入者为了增加自己的捕食率可能会不断地监控发现者进而去争夺食物资源。
通过矩阵表示由n只麻雀组成的n×d维的向量种群,即
其中,d表示待优化问题变量的维数,n则是麻雀的数量,Xij表示第i只麻雀的第j维位置。所有麻雀的适应度值可以表示为:
其中,f为麻雀个体的适应度。
在SSA算法寻优过程中,具有较好适应度值的发现者在搜索过程中会优先获取食物。由于发现者负责为整个麻雀种群寻找食物并为所有加入者提供觅食的方向,所以,发现者可以获得比加入者更大的觅食搜索范围。在每次迭代的过程中,发现者的位置更新公式如下:
式中,t为当前迭代次数,itermax为最大的迭代次数,为第i个麻雀在第j维中的位置信息,α∈(0,1]是一个随机数;R2和ST分别表示预警值和安全值,其中,R2∈[0,1],ST∈[0.5,1],Q是服从正态分布的随机数,L中的每一个元素都为1的列向量,维度1×d。当R2<ST时,发现者可以进行大范围的搜索操作,此时的觅食环境周围不存在捕食者;当R2≥ST,此时种群中的部分麻雀会因为发现捕食者而发出警报,告诉大家尽快回到安全区域进行觅食。
在觅食过程中,有一小部分加入者会时刻关注发现者的动态。一旦发现者找到了更优的食物源,加入者会收到信息并立即前往。加入者的位置更新:
式中:XP为当前发现者搜索到的最优位置;Xworst为全局最坏位置;A为内部元素,由1与-1组成的列向量,与麻雀个体同维度,并且A+=AT(AAT)-1。当i>n/2时,表明第i个加入者无法获得食物,为了获取能量,需要飞往其他地方觅食。当i≤n/2时,第i个加入者将在XP附近随机觅食。
在整个种群中,部分麻雀担任侦查预警的功能,负责对整个种群扩散警戒信号,从而带领种群前往新的安全区域,每代种群中随机选择占种群总数的10-20%的麻雀执行预警功能,其位置更新如下:
式中:为全局最优位置,β服从均值为0方差为1的正态分布;K代表麻雀的运动方向,取值为[–1,1]的一个随机数;ε为常数,以避免零分误差,fi为当前麻雀个体的适应度值;fg为全局最优适应度值,fb为全局最差的适应度值。
在油田的钻井作业过程中,溢流的发生会导致井涌甚至井喷,损害油田储层、钻井平台和生态环境,同时危及工作人员的人身安全。因此,准确的溢流预测和预警对钻井作业过程起着至关重要的作用。
目前,主要是利用专家系统法和机器学习模型法等两种方法进行溢流的预测和预警。
专家系统法主要是基于专家经验判断是否发生溢流,但该方法无法实时预测和预警,效率低。
机器学习模型法是基于历史井的录井数据建立的预测模型,利用多种录井数据的变化规律预测是否发生溢流,进而实现溢流预警。
但由于不同钻井的作业环境方面的不同,因此,在不同的钻井中,能够决定是否发生溢流的各类录井数据所占的比重不同。该方法是基于历史井的录井数据建立的固定的预测模型,即,各类录井数据所占的比重已经确定,在利用该方法预测不同的钻井是否发生溢流时,各类录井数据间存在干扰,即,该模型原有的各类录井数据的比重不适用于该钻井,例如在当前钻井中,比重较低的录井数据真正决定是否发生溢流。因此,该方法不适用于任意种类的钻井,即,该方法的通用性较低。
有鉴于此,本申请提供一种钻井数据处理方法,基于钻井过程中的录井数据,获取各类录井数据对应的回归预测模型,以利用各类录井数据对应的回归预测模型得到各类录井数据的预测数据,进而利用各类录井数据的预测数据获取各类录井数据对应的溢流预警线,以预测是否发生溢流,避免利用各类录井数据预测是否发生溢流时相互干扰。由于不同的钻井的录井数据不同,因此,基于各钻井的录井数据建立相应的溢流预警线更能够适用于该钻井的情况,避免前述利用固定的预测模型不适用于任意种类的钻井的情况。
图1为本申请实施例提供的一种钻井数据处理方法的应用场景示意图。如图1所示,以海上钻井作业为例,包括监测装置11,无线转发装置12,处理装置13。其中,监测装置11设置于钻井的井筒内,无线转发装置12和处理装置13设置于钻井的井外。钻井例如是位于水下的钻井,井外例如可以是水上或陆地。
上述监测装置11,用于采集至少一种特征参数的监测数据,并将采集到的监测数据发送至无线转发装置12,可以包括水下随钻监测单元、隔水管监测单元和防喷器监测单元。
上述无线转发装置12,用于将上述监测装置11采集到的监测数据发送至卫星系统的数据库存储。
上述处理装置13,用于获取到监测数据后,采用本申请提供的钻井数据处理方法预测是否发生溢流。该处理装置13,可以是具有处理能力的计算设备,例如计算机等。本申请的执行主体可以是上述处理装置13。
需说明,上述仅是以海上钻井作业为例进行了应用场景的示意,对于陆地钻井作业的应用场景与上述类似,在此不再赘述。
下面以图1所示的应用场景示意为例,结合具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例提供的一种钻井数据处理方法的流程示意图。如图2所示,该方法包括:
S201、获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列。
上述N≥1。
上述目标钻井是指位于水下正在进行钻井作业的钻井。
上述目标钻井工况是指当前该目标钻井的钻井设备所处的工作状态,例如下钻、起钻、钻进、循环等。该目标钻井工况可以通过工况信息获取,该工况信息是提前预设的每个时段的工况;也可以利用钻井数据来判断当前的钻井工况。
上述特征参数是指录井数据中能够表征该目标钻井工况下是否存在溢流的参数,该特征参数的变化趋势可以用于表征在目标钻井工况时是否存在溢流现象。需说明,上述特征参数可以是录井数据中的全部参数,也可以是部分参数,只要该特征参数的变化趋势能够反映该目标钻井工况下是否存在溢流即可,本申请在此本限定特征参数的数量和种类。针对不同钻井工况,特征参数的对应关系不同。
示例性地,以该目标钻井工况为钻进为例,上述特征参数,以及该特征参数的变化趋势与溢流的映射关系可以如表1所示。
表1特征参数的变化趋势与溢流的映射关系
上述设定时长是指预设一段时间,例如可以是1个小时,或者30分钟,本申请在此不做限定。
上述监测数据序列是指上述N个特征参数在设定时长内的所有监测数据。示例性地,以N=3,设定时长为1个小时为例,该监测数据序列可以为[e1,e2,…ea,f1,f2,…,fa,h1,h2,…ha],其中,e、f、h表示三个不同种类的特征参数,a表示在1个小时内的前述监测装置采集的数据数量。该监测数据序列例如可以是从前述卫星系统的数据库中的该目标钻井的录井数据中获取的,也可以是与前述无线转发装置进行通信获取的。
S202、根据各特征参数的监测数据序列,更新各特征参数对应的支持向量机的回归预测模型,得到更新后的支持向量机的回归预测模型。
上述支持向量机(Support Vector Machines,SVM)的回归预测模型是基于SVM的回归预测模型,利用核函数(例如径向基RBF函数)将非线性数据映射到高维空间使数据变得线性可分,再采用结构风险最小化的原则来处理数据。该SVM回归预测模型包括两个核心参数,惩罚系数C和核参数g。该惩罚系数C,用于衡量损失的权重;核参数g是核函数参数,用于影响核函数的径向作用范围,决定训练样本数据的范围和分布特性。
上述根据各特征参数的监测数据序列,更新各特征参数对应的SVM的回归预测模型是指根据各特征参数的监测数据序列更新SVM的回归预测模型的惩罚系数C和核参数g。
上述惩罚系数C和核参数g可以通过最优化算法获取,例如麻雀搜索算法(SparrowSearch Algorithm,SSA)、蚁群算法等。以SSA算法为例,示例性地,针对每个特征参数,根据该特征参数在设定时长内的监测数据序列,采用SSA算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数。利用更新后的惩罚系数和核参数更新该特征参数对应的SVM回归预测模型,得到更新后的SVM回归预测模型。
S203、利用更新后的支持向量机的回归预测模型,获取该特征参数在未来时刻的预测数据。
上述未来时刻的预测数据的数量与上述设定时长内的数据数量相同,即该未来时刻的预测数据中包括多个时刻的预测数据。示例性地,例如上述设定时长为1小时,该特征参数共获取a个数据,监测数据序列为[c1,c2,c3,...,ca]输入至SVM回归预测模型后,输出的预测数据为该设定时长后1个小时内的a个数据,即:[ca+1,ca+2,ca+3,…,ca+a]。
需说明,上述各特征参数对应不同的SVM回归预测模型。
该步骤可以针对每个特征参数获取更适用于该特征参数对应的SVM回归预测模型,使得获取的该特征参数在未来时刻的预测数据更准确,避免利用同一个模型获取所有特征参数的预测数据时存在数据间的相互干扰的情况。
S204、根据N个特征参数在未来时刻的预测数据,获取N个特征参数对应的溢流预警线。
上述溢流预警线用于表征该目标钻井是否存在溢流,超出该溢流预警线表示该目标钻井可能存在溢流,需要工作人员进行检查处理。该溢流预警线是由多个溢流预警阈值拟合得到的。本申请在此不限定拟合的方式,例如可以是样条曲线拟合。
需说明,每个特征参数对应该特征参数的常规溢流预警阈值,该常规溢流预警阈值是针对大量的钻井的历史录井数据获取的,示例性地,以上述特征参数为泥浆池体积为例,常规的溢流阈值为0.5-2。
关于如何获取N个特征参数对应的溢流预警线,针对每个特征参数,一种可能的实现方式,对该特征参数在未来时刻的每个时刻的预测数据进行数据处理后,加上该特征参数的常规溢流预警阈值作为该特征参数在未来时刻的每个时刻的预测数据对应的溢流预警阈值,将未来时刻的每个时刻的预测数据对应的各个溢流预警阈值拟合得到该特征参数对应的溢流预警线。
另一种可能的实现方式,对该特征参数在未来时刻的每个时刻的预测数据进行数据处理后获取每个时刻的预测数据的权重参数,该特征参数的常规溢流预警阈值乘上每个时刻的预测数据的权重参数,作为该特征参数在未来时刻的每个时刻的预测数据对应的溢流预警阈值,将未来时刻的每个时刻的预测数据对应的各个溢流预警阈值拟合得到该特征参数对应的溢流预警线。
需说明,不同的特征参数对应不同的溢流预警线。由于不同的特征参数同一钻井工况下的变化趋势不同,可能是逐渐上升,也可能是逐渐下降,因此,该溢流预警线可能是预警阈值上限,也可以是预警阈值下限。上述溢流预警线也可以包括多个等级,例如一级预警线、二级预警线等,不同等级对应的溢流的程度不同。
以上述特征参数为泥浆池体积为例,图3为本申请实施例提供的一种溢流预警线的示意图。参考图3,可以根据泥浆池体积(tva)的预测数据获取到一级溢流预警线和二级溢流预警线,实时监控预测数据是否超出溢流预警线。
S205、根据N个特征参数在未来时刻的预测数据和对应的溢流预警线,确定目标钻井是否存在溢流风险。
一种可能的实现方式,若存在M个特征参数在未来时刻的预测数据中部分或全部时刻的预测数据超出该特征参数对应的预警线,则确定该目标钻井存在溢流风险,并执行步骤S206,其中,1≤M≤N。
若所有特征参数在未来时刻的预测数据中全部时刻的预测数据均未超出该特征参数对应的预警线,则确定目标钻井不存在溢流风险。
另一种可能的实现方式,针对每个特征参数的溢流预警线预设超出阈值百分比,该超出阈值百分比是指未来时刻的每个时刻的预测数据超出量占该时刻的溢流预警阈值的比例,例如,未来时刻1对应的预测数据为2.5,该时刻对应的溢流预警阈值为2.3,则超出阈值百分比为(2.5-2.3)/2.3。
若存在至少一个特征参数在未来时刻的预测数据大于预设的超出阈值百分比,则确定该目标钻井存在溢流风险,并执行步骤S206。
若所有特征参数在未来时刻的预测数据均小于该特征参数对应的预设的超出阈值百分比,则确定目标钻井不存在溢流风险。
该步骤可以获取到各特征参数对应的溢流预警线,利用各特征参数对应的溢流预警线去预测该目标钻井是否发生溢流,可以避免前述各特征参数之间存在相互干扰的问题,提高溢流预测的准确度。
S206、输出针对目标钻井的目标钻井工况的溢流预警信号。
一种可能的实现方式,上述溢流预警信号为声光报警,上述预测数据超出溢流预警线后,输出声光报警,以提醒工作人员及时检查处理。
需说明,可以对不同级别的溢流预警线设置不同的声光报警方式,在预测数据超出对应级别的溢流预警线时,输出不同的声光报警。
另一种可能的实现方式,在前述处理装置的前端显示界面上绘制上述各特征参数的数据变化曲线,对超出溢流预警线的数据标记为异常数据点,并输出弹窗文字或者图片提示信息。
示例性地,继续参考图3,根据预测数据预测目标钻井发生溢流,并对异常的预测数据进行了标记,以提示工作人员及时检查处理。
需说明,上述实施例仅是以获取了目标钻井在目标钻井工况下各特征参数对应的SVM回归预测模型和溢流预警线作为示例,对于目标钻井的其他钻井工况均可通过上述步骤获取该钻井工况下的各特征参数对应的SVM回归预测模型和溢流预警线,提高了该方法在不同钻井工况下的预测精度。进一步地,针对不同钻井,也可以利用上述步骤获取更适用于该钻井在该钻井工况下的各特征参数对应的SVM回归预测模型和溢流预警线,提高该方法在不同钻井中的预测精度。
本申请提供的钻井数据处理方法,利用目标钻井在目标钻井工况下的N个特征参数的监测数据序列获取了各特征参数对应的SVM回归预测模型,再利用各特征参数对应的SVM回归预测模型对各特征参数分别进行预测,再利用各特征参数的预测数据分别获取了各特征参数对应的溢流预警线,利用各特征参数对应的溢流预警线来判断目标钻井是否发生溢流,避免了利用固定的预测模型预测溢流时导致的各特征参数间相互干扰的问题,并且,利用各特征参数的监测数据实时更新SVM回归预测模型,提高了预测数据的准确度,进而可以实时更新各特征参数对应的溢流预警线,避免利用固定的预测模型预测整个钻井作业过程,进而得到了更加准确的溢流预测。同时,该方法的SVM回归预测模型是基于各钻井的各特征参数的监测数据序列更新的,因此,该方法适用于任意种类的钻井,即,提高了该方法的通用性。
下面对如何获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列,并利用各特征参数对应的支持向量机的回归预测模型,获取各特征参数在未来时刻的预测数据进行说明。
图4为本申请实施例提供的另一种钻井数据处理方法的流程示意图。如图4所示,该方法包括:
S301、在对目标钻井进行钻井的过程中,获取该目标钻井的录井数据。
S302、根据该录井数据,获取目标钻井工况。
如前述所说,上述录井数据中包括多种类型的参数,根据该录井数据中部分参数的变化趋势,获取目标钻井工况。
示例性地,录井数据中部分参数的变化趋势与钻井工况的映射关系如表2所示。
表2录井数据中部分参数的变化趋势与钻井工况的映射关系
需说明,上述钻井工况和录井数据参数的映射关系仅是一种示例,本申请在此不做限定,只要该录井数据参数,或者,录井数据参数的组合能够反映该时段的钻井工况即可。
S303、根据该目标钻井工况,获取在设定时长内的N个特征参数的监测数据序列。
根据该目标钻井工况,参考表1所示的映射关系,先获取该目标钻井工况的N个特征参数,再获取该N个特征参数在设定时长内的监测数据序列。
S304、针对每个特征参数,判断该特征参数在设定时长内的监测数据序列中是否存在噪声数据。
由于钻井作业的地方环境较为复杂,获取到的监测数据有可能是由目标数据与噪声组合而成的数据,通常情况下,噪声数据表现为高频信号,而目标数据表现为低频信号。
关于如何判断是否存在噪声数据,例如可以预设频率阈值,将该特征参数的监测数据序列中的数据转换为频域信号,判断该频域信号中是否存在超出预设频率阈值的部分,若存在超出该预设频率阈值的部分,则认为存在噪声;若不存在,则认为不存在噪声。
经过上述判断,若确定该特征参数在设定时长内的监测数据序列中存在噪声数据,则执行步骤S305;若确定该特征参数在设定时长内的监测数据序列中不存在噪声数据,则执行步骤S306。
S305、对该特征参数在设定时长内的监测数据序列进行去噪处理,得到平滑处理后的监测数据序列。
上述去噪处理可以采用高斯函数去噪,也可以采用小波变换去噪,本申请在此不做限定。
示例性地,以高斯函数对上述特征参数在设定时长内的监测数据序列进行去噪处理为例进行说明。需说明,在本申请中,去噪和降噪含义相同,不做区分。
对于高斯函数,有效波形可表示为K个高斯分量的叠加,如公式(6)所示:
其中,AN、μN、ωN分别表示第N个高斯分量的脉冲振幅、中心位置和半宽。而实际信号可以如公式(7)所示:
f(x)=n(x)+s(x) 公式(7)
其中,n(x)是白噪声。
利用Z个采样点,Z为预设的采样点数目,逐步迭代计算得到若干个高斯函数和白噪声函数的解,使得拟合的波形与原实际信号波形相差最小,进而达到利用波形拟合去噪的目的。以该特征参数为泥浆池体积为例,图5为本申请实施例提供的一种监测数据降噪处理后的示意图。
可选地,上述步骤S304和S305为可选的步骤,即可以对监测数据序列进行是否存在噪声数据的判断以及处理,也可以在执行完S303之后直接执行步骤S306。当对其进行是否存在噪声数据的判断以及处理时,可以进一步提高监测数据序列的准确性,从而提高了利用其得到的未来时刻的预测数据的准确性,避免了噪声数据对未来时刻的预测数据的影响。
S306、对该特征参数在设定时长内的监测数据序列进行归一化处理。
上述归一化处理是指将上述监测数据序列中的数据统一至0-1之间,以提高后续数据处理速度。
示例性地,可以采用下述公式对上述监测数据序列进行归一化处理。
其中,xmin、xmax为上述监测数据序列中的数据最大值与最小值。
S307、根据归一化处理后的监测数据序列,采用麻雀搜索算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数,得到更新后的支持向量机的回归预测模型。
示例性地,可以采取下述步骤:
1)利用历史钻井的录井数据,预设训练集和测试集;该历史钻井是指已经进行钻井作业过的钻井。
2)对上述训练集和测试集中的数据进行归一化处理。
3)利用麻雀搜索算法获取该特征参数对应的SVM回归预测模型中的惩罚系数C和核参数g。
关于如何利用麻雀搜索算法获取C和g,示例性地,可以包括如下步骤:
3a)初始化麻雀搜索算法的参数,该参数包括最大迭代次数itermax、种群大小n、C与g的范围、安全值ST、发现者和警戒者的比例等。
如前述原理所说,以上述获取的该特征参数的监测数据序列[c1,c2,c3,...,ca]为例,该监测数据序列即为上述由n只麻雀组成的种群,其中n=a,即a个数据表示a只麻雀。
3b)计算适应度值,该适应度值为上述训练集的均方差+测试集的均方差。
3c)更新发现者、加入者和警戒者的位置,以及,全局最优位置。
3d)判断是否达到最大迭代次数,若否,则将迭代次数增加1,然后返回执行3b);若是,则输出最优参数组合C和g。
该C和g是由全局最优位置得到的,示例性地,上述麻雀搜索算法达到最大迭代次数后获得一个全局最优的麻雀位置,例如坐标为(1,2),那么可以令C=1,g=2。
4)使用该惩罚系数和核参数替换SVM回归预测模型中的惩罚系数和核参数,得到更新后的SVM回归预测模型。
S308、利用更新后的支持向量机的回归预测模型,获取该特征参数在未来时刻的预测数据。
需说明,上述每个特征参数对应不同的SVM回归预测模型,针对每个特征参数,每次获取到新的监测数据序列后,均需要更新对应的SVM回归预测模型。
需说明,上述实施例仅是以单次预测作为本申请实施例提供的钻井数据处理方法的示例,本申请可以实时获取数据后进行实时预测。示例性地,在步骤S303中,利用设定时长的时间窗口获取监测数据。
具体地,以该设定时长是1小时为例,前述监测设备的采样间隔时间为b秒,即每隔b秒获取一次监测数据。该时间窗口是指时间窗口长度为设定时长,即1小时。利用该时间窗口获取1小时的监测数据,并且,每隔b秒滑动一次时间窗口,获取一个最新时刻的监测数据,并删除该时间窗口中一个最初时刻的数据,其中,该时间窗口共获取a个数据。例如,先获取从获取数据时刻之前1小时包括a个数据的监测数据序列[c1,c2,c3,...,ca],然后执行步骤S304-S308;间隔b秒,滑动时间窗口获取一个最新时刻的监测数据序列,即[c2,c3,...,ca,ca+1],再执行步骤S304-S308。
经过上述步骤,可以利用实时的各特征参数的监测数据,更新各特征参数对应的SVM回归预测模型的惩罚系数和核参数,得到最新时刻的各特征参数对应的SVM回归预测模型,利用该最新时刻的各特征参数对应的SVM回归预测模型预测得到各特征参数未来时刻的预测数据,继续获取下一时刻的数据后仍需要更新各SVM回归预测模型以获取未来时刻的预测数据,该方法可以避免误差积累,提高预测数据的预测精度。
以上述特征参数为泥浆池体积为例,图6为本申请实施例提供的一种监测数据的预测结果对比示意图。参考图6可以得出,预测数据和获取到的监测数据较吻合,均方差为0.0328%,相关系数为99.4097%。即,利用本实施例提供的SVM回归预测模型获取的预测数据的精确度较高。
需说明,由于在钻井的过程中,每个钻井工况的持续时间较长,例如5小时,对于该目标钻井在不同的钻井工况下,可以根据预设的工况时间重新执行步骤S301,以获取最新工况下的各特征参数的监测数据序列,进而更新在当前工况下的各特征参数对应的SVM回归预测模型,得到更适用于当前工况的模型,即,提高了该模型的通用性。
需说明,对于不同的钻井,可以利用上述步骤S301-S308更新惩罚系数和核参数,以获取更适用于该钻井各特征参数对应的SVM回归预测模型,进而提高各特征参数在未来时刻的预测数据的预测精度。
本申请提供的钻井数据处理方法,利用各特征参数的监测数据序列基于麻雀搜索算法更新惩罚系数和核参数,得到更新后的SVM回归预测模型,再利用更新后的SVM回归预测模型预测该特征参数在未来时刻的预测数据,该方法不累计误差,进而提高该SVM回归预测模型针对不同特征参数的预测精度。
在上述实施例的实现方式的基础上,下面对如何根据N个特征参数在未来时刻的预测数据,获取N个特征参数对应的溢流预警线进行说明。
图7为本申请提供的再一种钻井数据处理方法的流程意图。如图7所示,该方法包括:
S401、针对每个特征参数,对该特征参数在未来时刻的预测数据进行反归一化处理。
即,恢复每个特征参数原始的数量级,例如可以乘上一个预设的系数。
S402、根据反归一化处理后的预测数据,获取该特征参数未来时刻的溢流预警阈值上限或溢流预警阈值下限。
示例性地,将上述反归一化处理后的每个时刻的预测数据,以及该特征参数对应的常规溢流阈值,代入下述阈值上限公式(9)或阈值下限公式(10)中,获取该特征参数未来时刻的溢流预警阈值上限或溢流预警阈值下限。该常规溢流阈值是预测的阈值。
其中,tU为该特征参数的常规溢流阈值上限;tD为该特征参数的常规溢流阈值下限;TU为该特征参数的动态溢流阈值上限,TD为该特征参数的动态溢流阈值下限,n为该特征参数的所有数据数量,N(ti)为某时刻下该特征参数的预测数据值。
示例性地,以上述特征参数为泥浆池体积为例,常规的溢流阈值为0.5-2,由于该泥浆池体积是逐渐增大的,所以应获取该特征参数的动态阈值上限。将常规阈值2和每个时刻的该特征参数的预测数据,分别代入上述公式(9)中,获取未来时刻的每个预测数据对应的动态阈值上限。
需说明,可以将常规溢流阈值进一步细分,以获取不同级别的动态阈值上限。例如,将常规溢流阈值划分为0.5-1,1-1.5,1.5-2,将0.5代入公式(9)可以获取一级动态阈值上限,类似的,将1和1.5分别代入获取二级和三级动态阈值上限。
S403、根据该特征参数未来时刻的溢流预警阈值上限或溢流预警阈值下限,获取该特征参数对应的溢流预警线。
示例性地,将上述获取的该特征参数的每个动态阈值上限拟合得到该特征参数对应的溢流预警线。
需说明,拟合不同级别的动态阈值上限可以获取不同级别的溢流预警线。例如,拟合各一级动态阈值上限得到一级溢流预警线,与之类似的得到二级溢流预警线和三级溢流预警线。应理解,一级、二级、三级的数字增大,表明溢流的严重程度增大。
需说明,各特征参数对应不同的溢流预警线。由于上述溢流预警线是根据各特征参数的监测数据序列获取的,所以对于不同的钻井工况下的各特征参数对应的溢流预警线是不同的,需要根据该钻井工况下的各特征参数的监测数据序列获取。进一步地,针对不同钻井在各钻井工况下的各特征参数的监测数据序列也是不同的,可以利用上述步骤获取更适用于该钻井在当前钻井工况下的溢流预警线。
本申请提供的钻井数据处理方法,利用各特征参数的预测数据和常规溢流阈值获取了未来时刻的动态溢流阈值上限或下限,进而获取各特征参数对应的溢流预警线。该方法可以实时根据各特征参数的预测数据,实时获取目标钻井在当前工况下各特征参数对应的溢流预警线,可以避免仅用常规溢流预警线应用于所有钻井,或者,所有工况的情况,提高溢流预警的精准度。
图8为本申请实施例提供的一种钻井数据处理装置的结构示意图。如图8所示,该装置包括:第一获取模块21,更新模块22,第二获取模块23,第三获取模块24,确定模块25,输出模块26。
第一获取模块21,用于获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列;N≥1;
更新模块22,用于根据各所述特征参数的监测数据序列,更新各所述特征参数对应的支持向量机的回归预测模型,得到更新后的支持向量机的回归预测模型;
第二获取模块23,用于利用所述更新后的支持向量机的回归预测模型,获取该特征参数在未来时刻的预测数据;
第三获取模块24,用于根据所述N个特征参数在未来时刻的预测数据,获取所述N个特征参数对应的溢流预警线;
确定模块25,用于根据所述N个特征参数在未来时刻的预测数据和对应的溢流预警线,确定所述目标钻井是否存在溢流风险;
输出模块26,用于在所述目标钻井存在溢流风险时,输出针对所述目标钻井的所述目标钻井工况的溢流预警信号。
一种可能的实现方式,上述更新模块22,具体用于针对每个所述特征参数,根据该特征参数在设定时长内的监测数据序列,采用麻雀搜索算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数,得到更新后的支持向量机的回归预测模型。
示例性地,上述更新模块22,可以用于对所述监测数据序列进行归一化处理;根据归一化处理后的监测数据序列,采用麻雀搜索算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数,得到更新后的支持向量机的回归预测模型。
在该实现方式下,上述更新模块22,在用于对对所述监测数据序列进行归一化处理之前,还可以用于判断该特征参数在设定时长内的监测数据序列中是否存在噪声数据;若是,则对该特征参数在设定时长内的监测数据序列进行去噪处理。
一种可能的实现方式,上述第三获取模块24,具体用于针对每个所述特征参数,对所述特征参数在未来时刻的预测数据进行反归一化处理;根据反归一化处理后的预测数据,获取所述特征参数未来时刻的溢流预警阈值上限或溢流预警阈值下限;根据所述特征参数未来时刻的溢流预警阈值上限或溢流预警阈值下限,获取所述特征参数对应的溢流预警线。
一种可能的实现方式,上述确定模块25,具体用于若存在M个所述特征参数在未来时刻的预测数据中部分或全部时刻的预测数据超出该特征参数对应的预警线,则确定所述目标钻井存在溢流风险;1≤M≤N;若所有特征参数在未来时刻的预测数据中全部时刻的预测数据均未超出该特征参数对应的预警线,则确定所述目标钻井不存在溢流风险。
一种可能的实现方式,上述第一获取模块21,具体用于在对所述目标钻井进行钻井的过程中,获取所述目标钻井的录井数据;根据所述录井数据,获取所述目标钻井工况;根据所述目标钻井工况,获取在设定时长内的N个特征参数的监测数据序列。
本申请提供的钻井数据处理装置,可以执行上述方法实施例中的钻井数据处理方法,其实现原理和技术效果类似,在此不再赘述。
图9为本申请实施例提供的一种电子设备300的结构示意图。如图9所示,该电子设备300可以包括至少一个处理器301、存储器302,例如可以是计算机、平板电脑等具有处理能力的电子设备。
存储器302,用于存储程序。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。存储器302可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器301用于执行存储器302存储的计算机执行指令,以实现前述方法实施例所描述的钻井数据处理方法。其中,处理器301可能是一个中央处理器(Central ProcessingUnit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
该电子设备300还可以包括通信接口303,以通过通信接口303可以与外部设备进行通信交互。该外部设备例如可以是计算机、平板电脑等。
在具体实现上,如果通信接口303、存储器302和处理器301独立实现,则通信接口303、存储器302和处理器301可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Peripheral Component,简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果通信接口303、存储器302和处理器301集成在一块芯片上实现,则通信接口303、存储器302和处理器301可以通过内部接口完成通信。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质,具体的,该计算机可读存储介质中存储有计算机执行指令,计算机执行指令用于上述实施例中的钻井数据处理方法。
本申请还提供一种计算机程序产品,该计算机程序产品包括执行指令,该执行指令存储在可读存储介质中。电子设备300的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得电子设备300实施上述的各种实施方式提供的钻井数据处理方法。
本申请还提供一种芯片,所述芯片上存储有计算机程序,所述计算机程序被所述芯片执行时,实现各种实施方式提供的钻井数据处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种钻井数据处理方法,其特征在于,所述方法包括:
获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列;N≥1;
根据各所述特征参数的监测数据序列,更新各所述特征参数对应的支持向量机的回归预测模型,得到更新后的支持向量机的回归预测模型;
利用所述更新后的支持向量机的回归预测模型,获取该特征参数在未来时刻的预测数据;
根据所述N个特征参数在未来时刻的预测数据,获取所述N个特征参数对应的溢流预警线;
根据所述N个特征参数在未来时刻的预测数据和对应的溢流预警线,确定所述目标钻井是否存在溢流风险;
若存在,则输出针对所述目标钻井的所述目标钻井工况的溢流预警信号。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述特征参数的监测数据序列,更新各所述特征参数对应的支持向量机的回归预测模型,包括:
针对每个所述特征参数,根据该特征参数在设定时长内的监测数据序列,采用麻雀搜索算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数,得到更新后的支持向量机的回归预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据该特征参数在设定时长内的监测数据序列,采用麻雀搜索算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数,得到更新后的支持向量机的回归预测模型,包括:
对所述监测数据序列进行归一化处理;
根据归一化处理后的监测数据序列,采用麻雀搜索算法更新该特征参数对应的回归预测模型中的惩罚系数和核参数,得到更新后的支持向量机的回归预测模型。
4.根据权利要求3所述的方法,其特征在于,所述对所述监测数据序列进行归一化处理之前,还包括:
判断该特征参数在设定时长内的监测数据序列中是否存在噪声数据;
若是,则对该特征参数在设定时长内的监测数据序列进行去噪处理。
5.根据权利要求3所述的方法,其特征在于,所述根据所述N个特征参数在未来时刻的预测数据,获取所述N个特征参数对应的溢流预警线,包括:
针对每个所述特征参数,对所述特征参数在未来时刻的预测数据进行反归一化处理;
根据反归一化处理后的预测数据,获取所述特征参数未来时刻的溢流预警阈值上限或溢流预警阈值下限;
根据所述特征参数未来时刻的溢流预警阈值上限或溢流预警阈值下限,获取所述特征参数对应的溢流预警线。
6.根据权利要求5所述的方法,其特征在于,所述根据所述N个特征参数在未来时刻的预测数据和对应的溢流预警线,确定所述目标钻井是否存在溢流风险,包括:
若存在M个所述特征参数在未来时刻的预测数据中部分或全部时刻的预测数据超出该特征参数对应的预警线,则确定所述目标钻井存在溢流风险;1≤M≤N;
若所有特征参数在未来时刻的预测数据中全部时刻的预测数据均未超出该特征参数对应的预警线,则确定所述目标钻井不存在溢流风险。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列,包括:
在对所述目标钻井进行钻井的过程中,获取所述目标钻井的录井数据;
根据所述录井数据,获取所述目标钻井工况;
根据所述目标钻井工况,获取在设定时长内的N个特征参数的监测数据序列。
8.一种钻井数据处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标钻井的目标钻井工况在设定时长内的N个特征参数的监测数据序列;N≥1;
更新模块,用于根据各所述特征参数的监测数据序列,更新各所述特征参数对应的支持向量机的回归预测模型,得到更新后的支持向量机的回归预测模型;
第二获取模块,用于利用所述更新后的支持向量机的回归预测模型,获取该特征参数在未来时刻的预测数据;
第三获取模块,用于根据所述N个特征参数在未来时刻的预测数据,获取所述N个特征参数对应的溢流预警线;
确定模块,用于根据所述N个特征参数在未来时刻的预测数据和对应的溢流预警线,确定所述目标钻井是否存在溢流风险;
输出模块,用于在所述目标钻井存在溢流风险时,输出针对所述目标钻井的所述目标钻井工况的溢流预警信号。
9.一种电子设备,其特征在于,所述电子设备包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-7中任一项所述的钻井数据处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的钻井数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153974.2A CN116307122A (zh) | 2023-02-17 | 2023-02-17 | 钻井数据处理方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153974.2A CN116307122A (zh) | 2023-02-17 | 2023-02-17 | 钻井数据处理方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307122A true CN116307122A (zh) | 2023-06-23 |
Family
ID=86784472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310153974.2A Pending CN116307122A (zh) | 2023-02-17 | 2023-02-17 | 钻井数据处理方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307122A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443488A (zh) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | 基于卷积神经网络的钻井溢漏风险识别方法、系统及设备 |
CN112627733A (zh) * | 2020-12-17 | 2021-04-09 | 中国石油大学(华东) | 深水控压钻井水力参数实时优化方法及设备 |
CN113775327A (zh) * | 2020-06-05 | 2021-12-10 | 中国石油化工股份有限公司 | 钻井异常的检测方法、装置、设备、钻井和存储介质 |
CN114897225A (zh) * | 2022-04-22 | 2022-08-12 | 清能艾科(深圳)能源技术有限公司 | 钻井作业的事故预测方法和装置、电子设备、存储介质 |
CN114912789A (zh) * | 2022-05-10 | 2022-08-16 | 中国石油大学(北京) | 一种钻井井下风险预警方法、设备及存储介质 |
-
2023
- 2023-02-17 CN CN202310153974.2A patent/CN116307122A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443488A (zh) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | 基于卷积神经网络的钻井溢漏风险识别方法、系统及设备 |
CN113775327A (zh) * | 2020-06-05 | 2021-12-10 | 中国石油化工股份有限公司 | 钻井异常的检测方法、装置、设备、钻井和存储介质 |
CN112627733A (zh) * | 2020-12-17 | 2021-04-09 | 中国石油大学(华东) | 深水控压钻井水力参数实时优化方法及设备 |
CN114897225A (zh) * | 2022-04-22 | 2022-08-12 | 清能艾科(深圳)能源技术有限公司 | 钻井作业的事故预测方法和装置、电子设备、存储介质 |
CN114912789A (zh) * | 2022-05-10 | 2022-08-16 | 中国石油大学(北京) | 一种钻井井下风险预警方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2519843B1 (en) | Use of general bayesian networks in oilfield operations | |
CA2925268C (en) | Real-time risk prediction during drilling operations | |
CN105089620B (zh) | 卡钻的监测系统、方法及装置 | |
US20190368316A1 (en) | Machine-Learning for Sedimentary Facies Prediction | |
CN109474472A (zh) | 一种基于全对称多胞体滤波的故障检测方法 | |
CA2925113A1 (en) | Real-time risk prediction during drilling operations | |
CN109446574B (zh) | 油气开采监测方法、故障识别模型获得方法及相关设备 | |
Diord et al. | Automated modal tracking in a football stadium suspension roof for detection of structural changes | |
US20130304680A1 (en) | Predictive corrosion coupons from data mining | |
CN110778307A (zh) | 一种卡钻预警和类型诊断方法 | |
US20170306726A1 (en) | Stuck pipe prediction | |
CN110795853A (zh) | 一种油气钻井过程中早期溢流层位随钻识别方法 | |
CN107231382A (zh) | 一种网络威胁态势评估方法及设备 | |
CN104180873A (zh) | 一种单波束测深仪水深粗差检测修正方法及系统 | |
CN113062731A (zh) | 一种钻井井下复杂工况智能识别方法 | |
CN113553356A (zh) | 一种钻井参数预测方法和系统 | |
CA2999786A1 (en) | Detection of influx and loss of circulation | |
CN116665421A (zh) | 机械设备的预警处理方法、装置及计算机可读存储介质 | |
CN116307122A (zh) | 钻井数据处理方法、装置、设备及可读存储介质 | |
US20060100836A1 (en) | Performance forecasting and bit selection tool for drill bits | |
Bahlous et al. | A modal filtering and statistical approach for damage detection and diagnosis in structures using ambient vibrations measurements | |
CN116663891A (zh) | 隧道施工中建筑结构安全的确定方法、设备及存储介质 | |
Authén | Learning from riser analyses and predicting results with artificial neural networks | |
CN115052304A (zh) | 基于gcn-lstm的工业传感网络异常数据检测方法 | |
CN113431557A (zh) | 一种基于人工智能的井下井眼轨迹跟踪方法 |
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 |