CN116307670A - 一种基于双向长短期记忆网络的油气井溢漏风险监测方法及系统 - Google Patents
一种基于双向长短期记忆网络的油气井溢漏风险监测方法及系统 Download PDFInfo
- Publication number
- CN116307670A CN116307670A CN202111565175.3A CN202111565175A CN116307670A CN 116307670 A CN116307670 A CN 116307670A CN 202111565175 A CN202111565175 A CN 202111565175A CN 116307670 A CN116307670 A CN 116307670A
- Authority
- CN
- China
- Prior art keywords
- overflow
- risk
- data
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000015654 memory Effects 0.000 title claims abstract description 11
- 230000005574 cross-species transmission Effects 0.000 claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 238000005553 drilling Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000012530 fluid Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Security & Cryptography (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及油气井安全预警技术领域,具体涉及一种基于双向长短期记忆网络的油气井溢漏风险监测方法及系统。所述包括以下步骤:选取油气井以往异常发生时表征明显的综合录井参数作为溢漏监测参数;根据选取的溢漏监测参数构建溢漏风险样本集;对溢漏风险样本集进行数据增强及数据处理;构建基于Bi‑LSTM网络的溢漏异常监测模型,并使用建立的溢漏风险样本集进行模型训练,优选性能最佳的模型作为最终溢漏异常监测智能模型。本发明方法在样本数量有限的前提下提出利用数据增强技术扩充异常样本数量以及Bi‑LSTM网络充分利用训练数据相结合,最终达到提升异常监测模型准确率的效果,适用于小样本条件下的溢漏监测。
Description
技术领域
本发明涉及油气井安全预警技术领域,具体涉及一种基于双向长短期记忆网络的油气井溢漏风险监测方法。
背景技术
在钻井过程中,溢流是指当井底环空压力小于地层的孔隙压力时,孔隙中的流体或者气体流入环空,造成钻井液的出口流量大于入口流量的现象。井漏是钻液从井眼环空流入地层的现象。溢流和井漏是钻井过程中的两种易发钻井异常,频繁引发的钻井异常轻则会降低钻井效率,延长开采周期,增加开发成本,重则造成重大事故,造成井口报废,威胁生命财产安全。实现钻井异常的智能监测,是当今钻井异常监测技术的主要发展方向。
国外先进的钻井异常监测系统利用地面与井下监测数据对异常发生进行综合研判。由于井下测量参数能够更直接地反映井下复杂情况,利用其进行钻井异常监测的准确性和可靠性更高。然而,目前随钻数据传输速率过低,且随钻测量工具的应用在国内尚未普及,这类方法在国内钻井现场的适用性不强。
各种早期钻井异常监测方法采用的技术原理大同小异,各方法技术优势各不相同,异常监测效果也都存在一定的局限性。目前的溢漏异常监测方法大多都以某种单一手段为主,没有有效融合多种手段的优势对溢漏异常进行综合判别;同时,基于阈值的判别手段容易受到钻井现场环境的干扰导致判别结果不稳定;智能识别方法虽具有较高的及时性与准确率,但该效果需要具备足够的训练样本,现有大部分钻井异常识别模型的建立都是基于实验室生成的数据,不能针对性地反映钻井现场所出现的异常状况。且现有智能识别方法大多由于异常样本数量少的问题,往往会导致钻井异常识别准确率低的结果。
中国专利申请CN112926839A提供了一种用于油气井钻井过程的溢漏风险协同监测方法,所述方案包括:获取井上、井下溢漏监测参数,并进行数据预处理;分别构建专家系统风险识别模型与风险智能识别模型;基于预处理后的数据,采用所述专家系统风险识别模型与风险智能识别模型相结合的协同判别模式实现油气井钻井过程中的溢漏风险监测;所述方案通过结合专家系统与深度学习技术,两种风险监测方法优势互补,能够快速、准确、智能地判别溢漏风险。
中国专利申请CN110443488A提供了一种基于卷积神经网络的钻井溢漏风险识别方法,所述方法包括获取由综合录井仪采集的实时工况数据;对综合录井仪采集到的每一个实时工况数据采用滑动重叠采样方式对数据集进行扩充;将实时工况数据进行归一化预处理;将归一化预处理后的实时工况数据输入到训练好的卷积神经网络模型中,输出钻井溢漏风险识别结果。
综上,采用智能识别方法虽能够达到异常识别高及时性与高准确率的要求,但无法满足其充足训练样本的前提条件,因此,如何在有限样本条件下实现准确的异常识别成为一个亟待解决的问题。
发明内容
针对以上所述缺陷和不足,本发明提供一种基于双向长短期记忆网络的油气井溢漏风险监测方法。本发明所述方法利用数据增强扩充溢漏风险样本数量,结合Bi-LSTM网络能够充分利用训练数据的特性,提高智能模型识别溢漏异常的准确率。
为实现上述目的,本发明采用以下技术方案:
本发明提供一种基于双向长短期记忆网络的油气井溢漏风险监测方法,其包括以下步骤:
步骤1.选取油气井以往异常发生时表征明显的综合录井参数作为溢漏监测参数;
步骤2.根据选取的溢漏监测参数构建溢漏风险样本集;
步骤3.对溢漏风险样本集进行数据增强及数据处理;
步骤4.构建基于Bi-LSTM网络的溢漏异常监测模型,并使用建立的溢漏风险样本集进行模型训练,优选性能最佳的模型作为最终溢漏异常监测智能模型。
进一步地,在步骤1中,选取钻井出口排量、泥浆池体积、立管压力三类参数作为溢漏监测参数。
进一步地,在步骤2中,截取风险发生前后100-200个数据点的溢漏监测参数信息,构成一个风险样本;依次截取每一个风险井段的数据,构成溢漏风险样本集。
进一步地,在步骤3中,对建立的溢漏风险样本集,按照百分比缩放法对每一个风险样本进行数据增强,扩充风险样本数量。该方法通过将目标数据的大小调整到原始数据的上下10%范围来创建新数据;该方法能够在现场数据集的基础上秉持不破坏其变化趋势的原则对其进行扩充。
进一步地,在步骤3中,数据处理包括:对溢漏风险样本集中的野值点、零值、离群点进行剔除;用Min-Max归一化方法对溢漏风险样本集中各类溢漏监测参数进行归一化,将其变化范围统一至0-1之间。
进一步地,在步骤3中,数据处理还包括利用滑动窗口为溢漏风险样本添加标签。
进一步地,在步骤4中,模型建立过程中,采用0.2dropout来防止过拟合,使用sigmoid作为激活函数;损失函数采用二元交叉熵损失函数,优化器采用Adam优化器。
进一步地,在步骤4中,建立的模型包括输入层、隐藏层和输出层;
在输入层,将数据输入模型后,利用窗口长度为10,滑动步长为1的滑动窗口对该时间序列数据进行特征提取;
隐藏层由两层Bi-LSTM网络以及两层Dropout层构成,将长距离信息存储在Bi-LSTM中;
输出层与隐藏层的LSTM单元通过sigmoid激活函数连接,采用“one-hot vector”的形式将井漏风险与正常情况分别编码为“010”与“100”,最终输出是否发生井漏风险。
本发明建立模型的隐藏层由四层网络构成,分别为两层Bi-LSTM网络与两层Dropout层。Bi-LSTM网络充分利用样本进行学习训练,Dropout层防止模型因参数过多但训练样本过少导致的过拟合现象,并且,Dropout层能够提升模型训练速度及泛化能力。
与LSTM相比,Bi-LSTM网络能够对样本进行双向学习,提高样本的利用率,提升智能模型识别溢漏异常的准确率。
模型训练过程中,若模型的参数过多,而训练样本过少,可能导致模型训练结果过拟合,过拟合的模型无法进行实际应用。为了防止模型出现过拟合现象,本发明在隐藏层中添加了Dropout层。
本发明还提供一种基于双向长短期记忆网络的油气井溢漏风险监测系统,其包括:
数据获取模块,用于获取油气井以往异常发生时表征明显的综合录井参数;
数据扩充模块,用于对获取的各类参数按照百分比缩放法对数据样本进行扩充
数据处理模块:用于对数据中野值点、零值、离群点进行降噪处理,同时将所得数据进行归一化处理;
标注模块:利用滑动窗口为选取的数据样本添加标签,进行标注;
模型构建模块:用于构建基于Bi-LSTM网络的溢漏异常监测模型,并进行优选;
溢漏风险监测模块:用于将数据处理后的数据输入到优选得到的模型中输出钻井溢漏风险识别结果。
本发明还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器运行时,完成以上所述基于双向长短期记忆网络的油气井溢漏风险监测方法中所述的步骤。
与现有技术相比,本发明具有以下优势:
本发明方法在样本数量有限的前提下提出利用数据增强技术扩充异常样本数量以及Bi-LSTM网络充分利用训练数据相结合,最终达到提升异常监测模型准确率的效果,适用于小样本条件下的溢漏监测。本发明方法能够缓解钻井异常监测领域所面临的风险样本数量少的问题。
本发明所述方法现场适用性强,凡是安装有录井仪的井场均可适用,利于推广应用。
本发明所述方法能够为钻井现场人员提供风险预警指示,提高钻井安全,降低因工程事故造成的建设成本。
附图说明
图1为本发明实施例1所述基于双向长短期记忆网络的油气井溢漏风险监测方法。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
为了使得本领域技术人员能够更加清楚地了解本发明的技术方案,以下将结合具体的实施例详细说明本发明的技术方案。
实施例1
如图1所示,所述基于双向长短期记忆网络的油气井溢漏风险监测方法,包括以下步骤:
步骤1.选取油气井以往异常发生时表征明显的综合录井参数作为溢漏监测参数;
选取钻井出口排量、泥浆池体积、立管压力三类参数作为溢漏监测参数。
步骤2.根据选取的溢漏监测参数构建溢漏风险样本集:
截取风险发生前后100个数据点的溢漏监测参数信息,构成一个风险样本;依次截取每一个风险井段的数据,构成溢漏风险样本集。
步骤3.对溢漏风险样本集进行数据增强及数据处理;
对建立的溢漏风险样本集,按照百分比缩放法对每一个风险样本进行数据增强,扩充风险样本数量。
数据处理包括:对溢漏风险样本集中的野值点、零值、离群点进行剔除;用Min-Max归一化方法对溢漏风险样本集中各类溢漏监测参数进行归一化,将其变化范围统一至0-1之间。
Min-max归一化方法对数据集进行按参数处理,如下式所示:
其中,yi为归一化数据,xi为原始数据,max a为样本数据中参数a的最大值,min a为样本数据中参数a的最小值。
利用滑动窗口为溢漏风险样本添加标签。结合深度学习采用滑动窗口对井漏风险数据进行标注。将窗口长度为10,滑动步长为1的窗口作用于井漏风险数据,每一个窗口在进行下一次移动之前都会进行一次取均值操作以及打标签操作,即对窗口内的十个数据取其均值作为新的数据点,接着给获取到的新的数据点赋予相应的标签,依次循环,直到数据读取完毕。
将已建立数据集的70%作为模型的训练集,30%作为模型的测试集。
步骤4.构建基于Bi-LSTM网络的溢漏异常监测模型,并使用建立的溢漏风险样本集进行模型训练,优选性能最佳的模型作为最终溢漏异常监测智能模型。
模型建立过程中,采用0.2dropout来防止过拟合,使用sigmoid作为激活函数,其函数表达式如下所示:
损失函数采用二元交叉熵损失函数,如下所示:
采用Adam(Adaptive moment estimation)优化器进行优化。
所述模型由三部分组成:
(1)输入层
将数据输入模型后,利用窗口长度为10,滑动步长为1的滑动窗口对该时间序列数据进行特征提取。
(2)隐藏层
隐藏层是井漏风险识别模型的核心,由两层Bi-LSTM网络以及两层Dropout层构成。将长距离信息存储在Bi-LSTM中,隐藏层的主要参数见表1所示。
表1隐藏层的结构参数
注:None表示该维度不能确定,与神经网络训练时的样本数目有关
(3)输出层
输出层与隐藏层的LSTM单元通过sigmoid激活函数连接,采用“one-hot vector”的形式将井漏风险与正常情况分别编码为“010”与“100”,最终输出是否发生井漏风险。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于双向长短期记忆网络的油气井溢漏风险监测方法,其特征在于,包括以下步骤:
步骤1.选取油气井以往异常发生时表征明显的综合录井参数作为溢漏监测参数;
步骤2.根据选取的溢漏监测参数构建溢漏风险样本集;
步骤3.对溢漏风险样本集进行数据增强及数据处理;
步骤4.构建基于Bi-LSTM网络的溢漏异常监测模型,并使用建立的溢漏风险样本集进行模型训练,优选性能最佳的模型作为最终溢漏异常监测智能模型。
2.根据权利要求1所述的方法,其特征在于,在步骤1中,选取钻井出口排量、泥浆池体积、立管压力三类参数作为溢漏监测参数。
3.根据权利要求1所述的方法,其特征在于,在步骤2中,截取风险发生前后100-200个数据点的溢漏监测参数信息,构成一个风险样本;依次截取每一个风险井段的数据,构成溢漏风险样本集。
4.根据权利要求1所述的方法,其特征在于,在步骤3中,对建立的溢漏风险样本集,按照百分比缩放法对每一个风险样本进行数据增强,扩充风险样本数量。
5.根据权利要求1所述的方法,其特征在于,在步骤3中,数据处理包括:对溢漏风险样本集中的野值点、零值、离群点进行剔除;用Min-Max归一化方法对溢漏风险样本集中各类溢漏监测参数进行归一化,将其变化范围统一至0-1之间。
6.根据权利要求5所述的方法,其特征在于,在步骤3中,数据处理还包括利用滑动窗口为溢漏风险样本添加标签。
7.根据权利要求1所述的方法,其特征在于,在步骤4中,模型建立过程中,采用0.2dropout来防止过拟合,使用sigmoid作为激活函数;损失函数采用二元交叉熵损失函数,优化器采用Adam优化器。
8.根据权利要求1所述的方法,其特征在于,在步骤4中,建立的模型包括输入层、隐藏层和输出层;
在输入层,将数据输入模型后,利用窗口长度为10,滑动步长为1的滑动窗口对该时间序列数据进行特征提取;
隐藏层由两层Bi-LSTM网络以及两层Dropout层构成,将长距离信息存储在Bi-LSTM中;
输出层与隐藏层的LSTM单元通过sigmoid激活函数连接,采用“one-hot vector”的形式将井漏风险与正常情况分别编码为“010”与“100”,最终输出是否发生井漏风险。
9.一种基于双向长短期记忆网络的油气井溢漏风险监测系统,其特征在于,包括:
数据获取模块,用于获取油气井以往异常发生时表征明显的综合录井参数;
数据扩充模块,用于对获取的各类参数按照百分比缩放法对数据样本进行扩充
数据处理模块:用于对数据中野值点、零值、离群点进行降噪处理,同时将所得数据进行归一化处理;
标注模块:利用滑动窗口为选取的数据样本添加标签,进行标注;
模型构建模块:用于构建基于Bi-LSTM网络的溢漏异常监测模型,并进行优选;
溢漏风险监测模块:用于将数据处理后的数据输入到优选得到的模型中输出钻井溢漏风险识别结果。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述计算机指令被处理器运行时,完成权利要求1-8任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565175.3A CN116307670A (zh) | 2021-12-20 | 2021-12-20 | 一种基于双向长短期记忆网络的油气井溢漏风险监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565175.3A CN116307670A (zh) | 2021-12-20 | 2021-12-20 | 一种基于双向长短期记忆网络的油气井溢漏风险监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307670A true CN116307670A (zh) | 2023-06-23 |
Family
ID=86817247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111565175.3A Pending CN116307670A (zh) | 2021-12-20 | 2021-12-20 | 一种基于双向长短期记忆网络的油气井溢漏风险监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307670A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882292A (zh) * | 2023-07-15 | 2023-10-13 | 深圳达瓴智能科技有限公司 | 一种基于LightGBM与异常检测算法的井漏溢流预警方法 |
-
2021
- 2021-12-20 CN CN202111565175.3A patent/CN116307670A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882292A (zh) * | 2023-07-15 | 2023-10-13 | 深圳达瓴智能科技有限公司 | 一种基于LightGBM与异常检测算法的井漏溢流预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723838B (zh) | 基于卷积神经网络的随钻安全风险智能识别方法 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN112926839A (zh) | 一种用于油气井钻井过程的溢漏风险协同监测方法及系统 | |
CN103615236A (zh) | 一种远程录井信息实时监测地层压力的方法 | |
CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
CN112016766A (zh) | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 | |
CN116307670A (zh) | 一种基于双向长短期记忆网络的油气井溢漏风险监测方法及系统 | |
CN116910638A (zh) | 一种基于大数据的优势渗流通道智能识别方法 | |
CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
CN115099406A (zh) | 基于多元时间序列的地层压力反演方法及装置 | |
CN110348510A (zh) | 一种基于深水油气钻井过程阶段性特征的数据预处理方法 | |
CN117313919A (zh) | 一种水平井套变工况预测方法、系统、设备及存储介质 | |
CN113052374A (zh) | 一种数据驱动的油井套损深度智能预测方法 | |
Yang et al. | Fault Diagnosis Method and Application of ESP Well Based on SPC Rules and Real‐Time Data Fusion | |
Zhou et al. | Application of BP neural network in efficiency prediction of oilfield mechanized mining system | |
CN116796237A (zh) | 一种基于改进图神经网络的油水井连通关系识别方法 | |
CN116384770A (zh) | 一种提液井产量预测方法、系统、设备及介质 | |
CN116484100A (zh) | 一种页岩气井井筒积液排水工艺推荐方法 | |
CN115434696B (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
CN114562236B (zh) | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 | |
CN116611343A (zh) | 一种基于机器学习的底水锥进定量描述方法及工具 | |
CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及系统 | |
CN112576246B (zh) | 一种海上复杂断块油田内部低序级断层的预测方法 | |
Sreenivasan et al. | Automatic sucker rod pump fault diagnostics by transfer learning using googlenet integrated machine learning classifiers | |
CN113344729B (zh) | 一种基于小样本学习的剩余油挖潜方法 |
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 |