CN116484717A - 一种基于机器学习与几何法融合的钻头位置预测方法 - Google Patents
一种基于机器学习与几何法融合的钻头位置预测方法 Download PDFInfo
- Publication number
- CN116484717A CN116484717A CN202310278899.2A CN202310278899A CN116484717A CN 116484717 A CN116484717 A CN 116484717A CN 202310278899 A CN202310278899 A CN 202310278899A CN 116484717 A CN116484717 A CN 116484717A
- Authority
- CN
- China
- Prior art keywords
- bit position
- position prediction
- drill bit
- machine learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000010801 machine learning Methods 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 210000003608 fece Anatomy 0.000 claims abstract description 36
- 241000254173 Coleoptera Species 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000004927 clay Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 2
- 238000005553 drilling Methods 0.000 abstract description 20
- 238000005457 optimization Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241001229848 Aphodius granarius Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 244000144987 brood Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了一种基于机器学习与几何法融合的钻头位置预测方法包括：采集测井、录井和工程地质数据，并对采集的数据进行预处理；利用预处理后的数据与井斜角和方位角进行相关性分析，筛选出高相关参数；根据高相关参数建立蜣螂算法优化BP神经网络的钻头位置预测模型；通过将钻头位置预测模型预测的结果和使用几何法预测的结果进行融合，获取最终的钻头位置预测值；本发明提供的方法将机器学习方法和几何法融合可以再保证预测的精度的前提下，提高预测的实时性，适应钻井过程中实时控制需求，通过预测钻头位置来调整钻头轨迹，减少井壁破裂和钻头卡滞等问题的发生，降低钻井过程的成本和风险。
Description
技术领域
本发明涉及钻头位置预测技术领域，具体为一种基于机器学习与几何法融合的钻头位置预测方法。
背景技术
随着石油钻井工程技术的进步和发展，导向井与水平井的日益增多，钻头位置预测一直是钻井工程研究的热点；特别是在钻井施工过程中，需要随时定性、定量地通过随钻测量(MWD)传感器对井眼轨迹数据进行反馈，但是由于传感器距离钻头一般有12-20米的测量盲区距离，因此测量点的数据不能反映钻头位置的实际状况，这给钻头位置的预测带来一定困难。
传统预测钻头位置的方法有很多，其中最常见的预测方法是基于底部钻具组合(BHA)受力的分析方法和几何方法的数据分析，这些传统方法有着以下不足：①计算过程复杂，并且需要特定的场合才有使用条件；②当前测点以上的钻头位置处井斜角和方位角的变化率来估算下一段钻头位置处的井斜角和方位角，这种方法虽然简单，但预测结果存在较大误差。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
本发明实施例的第一方面，提供一种基于机器学习与几何法融合的钻头位置预测方法，包括：采集测井、录井和工程地质数据，并对采集的数据进行预处理；利用所述预处理后的数据与井斜角和方位角进行相关性分析，筛选出高相关参数；根据所述高相关参数建立蜣螂算法优化BP神经网络的钻头位置预测模型；通过将所述钻头位置预测模型预测的结果和使用几何法预测的结果进行融合，获取最终的钻头位置预测值。
作为本发明所述的基于机器学习与几何法融合的钻头位置预测方法的一种优选方案，其中：所述对采集的数据进行预处理包括，
采用基于模糊聚类和神经网络技术对所述采集的数据进行空缺值填充、异常值处理、重复值删除以及数据归一化。
作为本发明所述的基于机器学习与几何法融合的钻头位置预测方法的一种优选方案，其中：所述高相关参数的筛选包括，
利用灰色关联度分析所述预处理后的数据与井斜角和方位角的相关性，得到高相关的参数作为输入参数；
所述相关参数包括密度、泥质含量、大钩负荷、钻速、扭矩、钻压和立管压力。
作为本发明所述的基于机器学习与几何法融合的钻头位置预测方法的一种优选方案，其中：所述蜣螂算法优化BP神经网络的钻头位置预测模型的建立包括，
根据所述高相关参数建立BP神经网络模型，通过初始化蜣螂算法的种群计算每个钻头位置的适应度值；
更新钻头的位置和速度，并判断更新后钻头的位置和速度是否满足最优解的条件；
若满足条件，则代入所述BP神经网络模型中进行预测，并根据输入的参数获取所需要的预测值，否则返回计算适应度值处继续进行搜索。
作为本发明所述的基于机器学习与几何法融合的钻头位置预测方法的一种优选方案，其中：所述使用几何法预测的结果的获取包括，
通过自然参数模型、圆柱螺线模型以及恒装置曲线模型预测钻头位置；
所述自然参数模型的计算包括，
Li＝L2+ΔLi
其中，Li表示钻头处井深的预测值，L1和L2表示测点的井深，αi表示钻头处井斜角的预测值，α1和α2表示测点的井斜角，φi表示钻头处方位角的预测值，φ1和φ2表示测点的方位角。
作为本发明所述的基于机器学习与几何法融合的钻头位置预测方法的一种优选方案，其中：还包括，
所述圆柱螺线模型的计算包括，
Li＝L2+ΔLi
所述恒装置曲线模型的计算包括，
Li＝L2+ΔLi
αi＝α2+K·cosω·ΔLi
其中，K表示井眼曲率，ω表示工具面角，e表示中间参数，αc表示测点的井斜角的平均值。
作为本发明所述的基于机器学习与几何法融合的钻头位置预测方法的一种优选方案，其中：所述最终的钻头位置预测值的获取包括，
通过将所述钻头位置预测模型预测的结果和使用几何法预测的结果作为新的输入特征，输入利用线性回归算法训练的一个线性模型中进行融合，获取最终的钻头位置预测值。
本发明实施例的第二方面，提供一种基于机器学习与几何法融合的钻头位置预测系统，包括：
数据采集单元，用于采集测井、录井和工程地质数据，并对采集的数据进行预处理，利用所述预处理后的数据与井斜角和方位角进行相关性分析，筛选出高相关参数；
模型建立单元，用于根据所述高相关参数建立蜣螂算法优化BP神经网络的钻头位置预测模型；
钻头位置预测单元，通过将所述钻头位置预测模型预测的结果和使用几何法预测的结果进行融合，获取最终的钻头位置预测值。
本发明实施例的第三方面，提供一种设备，所述设备包括，
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为调用所述存储器存储的指令，以执行本发明任一实施例所述的方法。
本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：
所述计算机程序指令被处理器执行时实现如本发明任一实施例所述的方法。
本发明的有益效果：本发明提供一种基于机器学习与几何法融合的钻头位置预测方法，因机器学习方法和几何法分别有着不同的优势，融合两者可以弥补各自的不足，提高预测精度，再因机器学习方法需要进行大量的数据训练和参数优化，而几何法可以直接利用物理特性进行预测，将两者融合可以再保证预测的精度的前提下，提高预测的实时性，适应钻井过程中实时控制需求；此外，通过基于机器学习和几何法融合的钻头位置预测方法，可以有效降低钻井过程中的成本和风险，通过预测钻头位置来调整钻头轨迹，减少井壁破裂和钻头卡滞等问题的发生，降低钻井过程的成本和风险，为钻井过程的实时控制和优化提供更加准确、实时和低成本的预测方法。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供的一种基于机器学习与几何法融合的钻头位置预测方法的整体流程图；
图2为本发明提供的一种基于机器学习与几何法融合的钻头位置预测方法的蜣螂算法优化BP神经网络的流程图；
图3为本发明提供的一种基于机器学习与几何法融合的钻头位置预测方法的预测值和真实值对比；
图4为本发明提供的一种基于机器学习与几何法融合的钻头位置预测方法的预测值和真实值的误差分析图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～2为本发明的一个实施例，提供了一种基于机器学习与几何法融合的钻头位置预测方法，包括：
S1：采集测井、录井和工程地质数据，并对采集的数据进行预处理。需要说明的是：
对采集的数据进行预处理包括，
采用基于模糊聚类和神经网络技术对采集的数据进行空缺值填充、异常值处理、重复值删除以及数据归一化；
应说明的，数据归一化的计算包括，
其中，xmin表示所有样本里的最小值，xmax表示所有样本里的最大值；
应说明的，min-max标准化应用广泛，能较好的保持原有数据分布结构，最小-最大规范化也称为离散标准化，是对原始数据的线性变换，将数据值映射到[0,1]之间，离差标准化保留了原来数据中存在的关系，是消除量纲和数据取值范围影响的最简单方法，还应说明的是归一化好处可以提高模型的收敛速度，提高模型的精度，并且可以防止模型梯度爆炸。
S2：利用预处理后的数据与井斜角和方位角进行相关性分析，筛选出高相关参数。需要说明的是：
利用灰色关联度分析预处理后的数据与井斜角和方位角的相关性，得到高相关的参数作为输入参数；
具体的，灰色关联度分析法是将研究对象及影响因素的因子值视为一条线上的点，与待识别对象及影响因素的因子值所绘制的曲线进行比较，比较它们之间的贴近度,并分别量化，计算出研究对象与待识别对象各影响因素之间的贴近程度的关联度，通过比较各关联度的大小来判断待识别对象对研究对象的影响程度；
应说明的，变量的相关性的范围从0到1，从高到低进行排序，选择相关性大于0.6的参数，最终选取7个参数作为输入参数，分别为密度、泥质含量、大钩负荷、钻速、扭矩、钻压和立管压力。
S3：根据高相关参数建立蜣螂算法优化BP神经网络的钻头位置预测模型。需要说明的是：
根据高相关参数建立BP神经网络模型，通过初始化蜣螂算法的种群计算每个钻头位置的适应度值，更新钻头的位置和速度，并判断更新后钻头的位置和速度是否满足最优解的条件；
若满足条件，则代入BP神经网络模型中进行预测，并根据输入的参数获取所需要的预测值，否则返回计算适应度值处继续进行搜索；
应说明的，如图2所示，蜣螂算法的利用包括，
①滚球和跳舞：当蜣螂前行无障碍时，蜣螂在滚粪球过程中会利用太阳进行导航，假设光源的强度会影响蜣螂的位置，蜣螂在滚粪球过程中位置更新如下：
xi(t+1)＝xi(t)+a·k·xi(t-1)+b·Δx
Δx＝|xi(t)-Xw|
其中，t表示当前迭代次数，xi(t)表示第i次蜣螂在第t次迭代中的位置信息，a表示-1或者1，b表示(0，1)之间的随机数，Xw表示全局最差位置，Δx表示用于模拟光的强度变化，k∈(0，0.2]表示扰动系数；
当蜣螂遇到障碍物无法前进时，它需要通过跳舞来重新调整自己，以获得新的路线，蜣螂一旦成功确定新的方向，它应该继续向后滚动球，蜣螂的位置更新如下：
xi(t+1)＝xi(t)+tan(θ)|xi(t)-xi(t-1)|
其中，θ表示偏转角，其取值为[0，π]；
②繁殖：选择合适的产卵地点对蜣螂来说至关重要，因而提出了一种边界选择策略以此模拟雌性蜣螂产卵的区域：
Lbb＝max(Xb(1-R)，Lb)
Ub*＝max(X*(1+R)，Ub)
其中，Lb表示优化问题的下界，Xb表示当前局部最优位置，R表示迭代次数，Ub*表示产卵区域的上界，X*表示当前局部最优位置，Ub表示优化问题的上界，Lbb表示产卵区域的下界；
应说明的，雌性蜣螂一旦确定了产卵区，就会选择在该区域育雏球产卵；
③觅食：雌性蜣螂所产的卵会逐渐长大，一些已经成熟的小蜣螂会从地下出来寻找食物，小蜣螂的最佳觅食区建模如下：
Lbb＝max(Xb(1-R)，Lb)
Ubb＝max(Xb(1+R)，Ub)
应说明的，小蜣螂的位置更新如下：
xi(t+1)＝xi(t)+C1(xi(t)-Lbb)+C2(xi(t)-Ubb)
其中，C1表示服从正态分布的随机数，C2表示(0，1)范围内的随机向量；
④偷窃：在种群中，会有一些蜣螂从其他蜣螂那里偷粪球，从式中可以Xb是最优食物源，因此可以假设Xb周围是竞争食物的最优位置，迭代过程中，盗贼蜣螂位置更新如下：
xi(t+1)＝Xb+Sg(|xi(t)-X*|+|xi(t)-Xb|)
其中，S表示常量，g表示大小为1*D的服从正态分布的随机向量；
应说明的，蜣螂算法优化BP神经网络，进行对BP神经网络的初始连接权值和阈值进行优化，以提升BP神经网络的收敛速度和精度，从而利用该模型得到钻头位置的预测值。
S4：通过将钻头位置预测模型预测的结果和使用几何法预测的结果进行融合，获取最终的钻头位置预测值。需要说明的是：
通过自然参数模型、圆柱螺线模型以及恒装置曲线模型预测钻头位置；
具体的，自然参数模型的计算包括，
Li＝L2+ΔLi
其中，Li表示钻头处井深的预测值，L1和L2表示测点的井深，αi表示钻头处井斜角的预测值，α1和α2表示测点的井斜角，φi表示钻头处方位角的预测值，φ1和φ2表示测点的方位角；
具体的，圆柱螺线模型的计算包括，
Li＝L2+ΔLi
具体的，恒装置曲线模型的计算包括，
Li＝L2+ΔLi
αi＝α2+K·cosω·ΔLi
其中，K表示井眼曲率，ω表示工具面角，e表示中间参数，αc表示测点的井斜角的平均值；
应说明的，通过将钻头位置预测模型预测的结果和使用几何法预测的结果作为新的输入特征，输入利用线性回归算法训练的一个线性模型中进行融合，获取最终的钻头位置预测值。
应说明的，本发明提供一种基于机器学习与几何法融合的钻头位置预测方法，因机器学习方法和几何法分别有着不同的优势，融合两者可以弥补各自的不足，提高预测精度，再因机器学习方法需要进行大量的数据训练和参数优化，而几何法可以直接利用物理特性进行预测，将两者融合可以再保证预测的精度的前提下，提高预测的实时性，适应钻井过程中实时控制需求；此外，通过基于机器学习和几何法融合的钻头位置预测方法，可以有效降低钻井过程中的成本和风险，通过预测钻头位置来调整钻头轨迹，减少井壁破裂和钻头卡滞等问题的发生，降低钻井过程的成本和风险，为钻井过程的实时控制和优化提供更加准确、实时和低成本的预测方法。
本发明公开的第二方面，
提供一种基于机器学习与几何法融合的钻头位置预测系统，包括：
数据采集单元，用于采集测井、录井和工程地质数据，并对采集的数据进行预处理，利用预处理后的数据与井斜角和方位角进行相关性分析，筛选出高相关参数；
模型建立单元，用于根据高相关参数建立蜣螂算法优化BP神经网络的钻头位置预测模型；
钻头位置预测单元，通过将钻头位置预测模型预测的结果和使用几何法预测的结果进行融合，获取最终的钻头位置预测值。
本发明公开的第三方面，
提供一种设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为调用存储器存储的指令，以执行前述中任意一项的方法。
本发明公开的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：
计算机程序指令被处理器执行时实现前述中任意一项的方法。
本发明可以是方法、装置、系统和/或计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
实施例2
参照图3～4为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于机器学习与几何法融合的钻头位置预测方法的验证测试，为对本方法中采用的技术效果加以验证说明。
本实施例利用某口井的密度、泥质含量、大钩负荷、钻速、扭矩、钻压和立管压力的数据进行训练，训练样本数据如表1所示；
表1：训练样本数据。
| 井深 | 密度 | 泥质含量 | 大钩负荷 | 钻速 | 扭矩 | 钻压 | 立管压力 |
| 3805 | 2.627 | 7.061 | 651 | 39.49 | 90 | 27.5 | 24.7 |
| 3810 | 2.532 | 9.511 | 533.5 | 78.69 | 90 | 45.2 | 24.2 |
| 3815 | 2.608 | 18.909 | 617.9 | 80.34 | 90 | 45.2 | 24.7 |
| 3820 | 2.658 | 23.315 | 650.2 | 38.96 | 90 | 55.3 | 26.5 |
| 3825 | 2.548 | 33.739 | 652.3 | 37.15 | 90 | 45.7 | 26.7 |
| 3830 | 2.601 | 20.715 | 616.5 | 25.23 | 90 | 59.3 | 27.4 |
根据训练样本绘制预测值与真实值的对比图如图3所示，由图3可以很清楚的看出，预测的井斜角和方位角的值与实际值很接近，完全可以达到预测的目的，再由图4可以很清楚的看出预测值与真实值之间误差分析，两者的误差较小，因此可以证明本发明的方法具有实际使用意义。
因此，本发明提供的方法将机器学习方法和几何法融合可以再保证预测的精度的前提下，提高预测的实时性，适应钻井过程中实时控制需求，通过预测钻头位置来调整钻头轨迹，减少井壁破裂和钻头卡滞等问题的发生，降低钻井过程的成本和风险。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于机器学习与几何法融合的钻头位置预测方法，其特征在于，包括：
采集测井、录井和工程地质数据，并对采集的数据进行预处理；
利用所述预处理后的数据与井斜角和方位角进行相关性分析，筛选出高相关参数；
根据所述高相关参数建立蜣螂算法优化BP神经网络的钻头位置预测模型；
通过将所述钻头位置预测模型预测的结果和使用几何法预测的结果进行融合，获取最终的钻头位置预测值。
2.如权利要求1所述的基于机器学习与几何法融合的钻头位置预测方法，其特征在于：所述对采集的数据进行预处理包括，
采用基于模糊聚类和神经网络技术对所述采集的数据进行空缺值填充、异常值处理、重复值删除以及数据归一化。
3.如权利要求2所述的基于机器学习与几何法融合的钻头位置预测方法，其特征在于：所述高相关参数的筛选包括，
利用灰色关联度分析所述预处理后的数据与井斜角和方位角的相关性，得到高相关的参数作为输入参数；
所述相关参数包括密度、泥质含量、大钩负荷、钻速、扭矩、钻压和立管压力。
4.如权利要求3所述的基于机器学习与几何法融合的钻头位置预测方法，其特征在于：所述蜣螂算法优化BP神经网络的钻头位置预测模型的建立包括，
根据所述高相关参数建立BP神经网络模型，通过初始化蜣螂算法的种群计算每个钻头位置的适应度值；
更新钻头的位置和速度，并判断更新后钻头的位置和速度是否满足最优解的条件；
若满足条件，则代入所述BP神经网络模型中进行预测，并根据输入的参数获取所需要的预测值，否则返回计算适应度值处继续进行搜索。
5.如权利要求1或4所述的基于机器学习与几何法融合的钻头位置预测方法，其特征在于：所述使用几何法预测的结果的获取包括，
通过自然参数模型、圆柱螺线模型以及恒装置曲线模型预测钻头位置；
所述自然参数模型的计算包括，
Li＝L2+ΔLi
其中，Li表示钻头处井深的预测值，L1和L2表示测点的井深，αi表示钻头处井斜角的预测值，α1和α2表示测点的井斜角，φi表示钻头处方位角的预测值，φ1和φ2表示测点的方位角。
6.如权利要求5所述的基于机器学习与几何法融合的钻头位置预测方法，其特征在于：还包括，
所述圆柱螺线模型的计算包括，
Li＝L2+ΔLi
所述恒装置曲线模型的计算包括，
Li＝L2+ΔLi
αi＝α2+K·cosω·ΔLi
其中，K表示井眼曲率，ω表示工具面角，e表示中间参数，αc表示测点的井斜角的平均值。
7.如权利要求6所述的基于机器学习与几何法融合的钻头位置预测方法，其特征在于：所述最终的钻头位置预测值的获取包括，
通过将所述钻头位置预测模型预测的结果和使用几何法预测的结果作为新的输入特征，输入利用线性回归算法训练的一个线性模型中进行融合，获取最终的钻头位置预测值。
8.一种基于机器学习与几何法融合的钻头位置预测系统，其特征在于，包括：
数据采集单元，用于采集测井、录井和工程地质数据，并对采集的数据进行预处理，利用所述预处理后的数据与井斜角和方位角进行相关性分析，筛选出高相关参数；
模型建立单元，用于根据所述高相关参数建立蜣螂算法优化BP神经网络的钻头位置预测模型；
钻头位置预测单元，通过将所述钻头位置预测模型预测的结果和使用几何法预测的结果进行融合，获取最终的钻头位置预测值。
9.一种设备，其特征在于，所述设备包括，
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1～7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1～7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310278899.2A CN116484717A (zh) | 2023-03-21 | 2023-03-21 | 一种基于机器学习与几何法融合的钻头位置预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310278899.2A CN116484717A (zh) | 2023-03-21 | 2023-03-21 | 一种基于机器学习与几何法融合的钻头位置预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116484717A true CN116484717A (zh) | 2023-07-25 |
Family
ID=87216854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310278899.2A Pending CN116484717A (zh) | 2023-03-21 | 2023-03-21 | 一种基于机器学习与几何法融合的钻头位置预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116484717A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116957364A (zh) * | 2023-09-19 | 2023-10-27 | 中国科学院地质与地球物理研究所 | 深地油气精准导航砂泥岩地层岩性评价的方法与系统 |
-
2023
- 2023-03-21 CN CN202310278899.2A patent/CN116484717A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116957364A (zh) * | 2023-09-19 | 2023-10-27 | 中国科学院地质与地球物理研究所 | 深地油气精准导航砂泥岩地层岩性评价的方法与系统 |
| CN116957364B (zh) * | 2023-09-19 | 2023-11-24 | 中国科学院地质与地球物理研究所 | 深地油气精准导航砂泥岩地层岩性评价的方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2932031B1 (en) | Method and system for predicting drilling events | |
| CN103998713B (zh) | 用于自动钻压传感器校准和调节钻柱的屈曲的系统和方法 | |
| US20210310307A1 (en) | Process for real time geological localization with reinforcement learning | |
| US8862436B2 (en) | Systems and methods for modeling wellbore trajectories | |
| US11268370B2 (en) | Model-based parameter estimation for directional drilling in wellbore operations | |
| CN116484717A (zh) | 一种基于机器学习与几何法融合的钻头位置预测方法 | |
| US20210293133A1 (en) | Process for real time geological localization with stochastic clustering and pattern matching | |
| SA517382031B1 (ar) | تقدير محسَّن لميل حفرة البئر من قياسات عزم انثناء أداة | |
| US10788602B2 (en) | Methods of selecting an earth model from a plurality of earth models | |
| CN107861917B (zh) | 水平井中多元数据联合计算井眼到地层边界距离的方法 | |
| US11525353B2 (en) | System and methods for evaluating a formation using pixelated solutions of formation data | |
| CN111144053A (zh) | 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 | |
| CN110191999A (zh) | 用多个初始猜测进行的多层地床边界距离(dtbb)反演 | |
| RU2745152C1 (ru) | Способ объединения модели геологической проводки скважины с оперативной петрофизической интерпретацией данных гис в режиме реального времени и система, реализующая способ | |
| CN113323676A (zh) | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 | |
| CN114488297A (zh) | 一种断层识别方法及装置 | |
| Denisenko et al. | Automated geosteering while drilling using machine learning. Case studies | |
| WO2017192154A1 (en) | Multi-parameter optimization of oilfield operations | |
| US10655452B2 (en) | Inspection of pipes with buckling effects | |
| US11693141B2 (en) | Methods and systems for processing borehole dispersive waves with a physics-based machine learning analysis | |
| Yan et al. | An Uncertainty-driven Peak-integration (UP) Strategy for 3D Borehole Layout Planning | |
| CN115220100B (zh) | 一种碳酸盐岩水窜通道的分析方法及系统 | |
| CN117434612A (zh) | 一种基于空地井综合物探的隧道富水性评价方法及装置 | |
| US20210286102A1 (en) | Methods and systems to optimize downhole condition identification and response using different types of downhole sensing tools | |
| US20240135137A1 (en) | Method and system for predicting height of confined water rising zone |
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 |