CN116662849B - 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 - Google Patents
一种基于数字孪生与知识图谱的卡钻类型智能识别方法 Download PDFInfo
- Publication number
- CN116662849B CN116662849B CN202310433717.4A CN202310433717A CN116662849B CN 116662849 B CN116662849 B CN 116662849B CN 202310433717 A CN202310433717 A CN 202310433717A CN 116662849 B CN116662849 B CN 116662849B
- Authority
- CN
- China
- Prior art keywords
- drill
- stuck
- type
- data
- stuck drill
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005553 drilling Methods 0.000 claims abstract description 64
- 230000000903 blocking effect Effects 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 20
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000004220 aggregation Methods 0.000 claims abstract description 9
- 230000002776 aggregation Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 11
- 238000005452 bending Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 239000012530 fluid Substances 0.000 claims description 8
- 239000000725 suspension Substances 0.000 claims description 8
- 238000000547 structure data Methods 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 description 8
- 230000000630 rising effect Effects 0.000 description 4
- 238000010008 shearing Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Geochemistry & Mineralogy (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Geophysics (AREA)
- Earth Drilling (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于数字孪生与知识图谱的卡钻类型智能识别方法,首先选择可获取的并能够反映卡钻类型的随钻录井参数并提取卡钻前后的起钻数据和下钻数据;然后计算全井段井口载荷,并对比计算的井口载荷与实测井口载荷的偏差程度;采用形态符号聚合近似算法对所选卡钻类型识别参数进行处理,得到各参数在卡钻前后的变化趋势;将描述卡钻类型的阻卡程度和卡钻类型参数变化特征转化成卡钻类型特征查询语句;根据卡钻类型特征建立知识图谱关系,生成卡钻类型识别知识图谱;将特征查询语句输入知识图谱中进行查询,是否有对应存在的卡钻类型规律,若有,则识别到卡钻类型。该方法能够准确识别卡钻发生后的井下卡钻类型。
Description
技术领域
本发明涉及石油开发技术领域,尤其是一种基于数字孪生与知识图谱的卡钻类型智能识别方法。
背景技术
在钻井作业过程中,由于地层岩性不断变化,钻屑不能及时上返,钻井液浸泡地层造成的缩径或垮塌,起下钻造成井壁出现台阶等多种原因,导致卡钻时有发生。卡钻后,由于钻柱卡死于井下,对于卡钻类型的识别仅能依靠人工经验进行猜测,缺少科学依据,并且暂无相关针对卡钻类型的研究,因此,科学准确的识别卡钻类型对于及时解卡,恢复钻进具有重要意义。
现有识别卡钻类型方法的主要问题是:(1)识别准确性不高,未应用数据与模型双驱动进行卡钻类型识别。在排除地面仪器测量不准确的情况下,常规的卡钻类型的识别方法尚未结合摩阻扭矩的计算结果,仅根据现场专家经验进行卡钻类型确定,主观性较强。(2)数据趋势识别不准确,在识别卡钻类型时,需要通过人为观察,识别曲线变化规律,通过这种方式识别井下卡钻类型的准确率会受到影响。(3)卡钻类型识别的曲线规律依旧需要现场人员通过观察大量的参数变化曲线,并结合卡钻类型的表征规律才能进行辅助判断,不能实现智能化的自动判断。
发明内容
针对当前卡钻类型识别方法存在的准确性不高,无法实现智能化识别等问题,本发明提供一种基于数字孪生与知识图谱的卡钻类型智能识别方法。
本发明提供的基于数字孪生与知识图谱的卡钻类型智能识别方法,步骤如下:
S1、选择可获取的并能够反映卡钻类型的随钻录井参数。
S2、提取卡钻前起钻数据,卡钻后起钻数据,卡钻前下钻数据,卡钻后下钻数据以及卡钻后开泵循环数据;提取的数据包括当前卡钻井的悬重、扭矩、立管压力、计算悬重、计算扭矩数据。
S3、获取当前卡钻井的钻具组合数据、井身结构数据、套管数据、井眼轨迹数据以及钻井液数据;根据获取的数据和三维井眼的摩阻扭矩模型进行全井段井口载荷计算。在三维弯曲井段中,井斜和方位都在变化,管柱单元体的弯曲是一条空间曲线,其受力是一个空间力系,根据空间几何近似关系,可将管柱单元体的受力和变形分解到两平面上,最后按力的叠加原理求解。
S4、基于粒子群算法对比计算的井口载荷与实测井口载荷的偏差程度。具体包括以下子步骤:
S41、根据粒子群算法,计算卡钻前起钻下钻,卡钻后起钻下钻实测井口载荷与计算井口载荷的曲线距离;
S42、求两条曲线间距离;
S43、根据以下公式计算阻卡程度P:
其中,b为卡钻过程中载荷测量值与载荷计算值的距离,a为卡钻前载荷测量值与载荷计算值的距离,a和b由根据S42计算得到,bn是卡钻点序列的数据个数,am是卡住钻杆之前的点的个数;
S44、根据步骤S43的公式计算卡钻后起钻阻卡程度、卡钻后下钻阻卡程度,设定阻卡程度达到30%作为卡钻类型识别的其中一个指标。
S5、采用形态符号聚合近似算法以及数据标准化方法对所选卡钻类型识别参数进行处理,得到不同卡钻类型识别参数在卡钻前后的变化趋势;具体包括以下子步骤:
S51、对所选监测参数进行卡钻类型特征识别,监测参数包括悬重、扭矩和立管压力;
S52、对监测参数进行Z-Score标准化处理;
S53、将标准化处理后的数据进行符号聚合近似算法处理。
S6、将步骤S5对数据的处理方法实时转化为对不同卡钻类型参数变化趋势的诊断结果,对步骤S53得到的聚合近似符号化表示结果与给定的缓慢增加、连续增加、缓慢降低、连续降低、持续平稳这五个时间序列进行相似性度量计算,根据计算结果,判断该移动窗口内的随钻录井数据以及计算监测参数的变化趋势。
S7、根据S2、S4和S5的分析结果,将描述卡钻类型的阻卡程度,卡钻类型参数变化特征,转化成卡钻类型特征查询语句。包括以下两个子步骤:
S71、根据步骤S44卡钻后起钻阻卡程度和卡钻后下钻阻卡程度,以及步骤S6得到的立管压力变化程度、起钻井口载荷、下钻井口载荷、起钻扭矩、下钻扭矩的趋势分析结果,得到卡钻监测参数的变化趋势,进而分析得到卡钻类型识别结果;
S72、将步骤S71对卡钻数据趋势的分析结果,利用软件C#转化成neo4j数据库语句,便于将其输入到构建的卡钻类型的知识图谱中,对以上数据特征进行卡钻类型识别匹配。
S8、根据卡钻类型特征建立知识图谱关系。具体方法如下:
S81、根据卡钻类型表征规律,建立不同工况下的卡钻类型识别模型;所述工况包括起钻工况、下钻工况、钻进工况、划眼工况、空转工况、循环工况;
S82、根据卡钻类型表征规律,建立不同工况下卡钻实测参数的趋势识别条件;
S83、根据卡钻类型表征规律,建立不同工况下阻卡程度识别条件;
S84、根据工况、阻卡程度、卡钻监测参数表征规律建立卡钻类型识别的知识图谱关系。
S9、利用neo4j生成图谱:根据步骤S84所建立的知识图谱关系,按卡钻类型、卡钻类型表征规律、阻卡程度,对包括压差卡钻、岩屑床卡钻、缩颈卡钻、掉块卡钻、键槽卡钻、垮塌卡钻在内的卡钻类型进行图谱构建。
S10、根据步骤S7的分析结果,在卡钻类型知识图谱中进行查询,是否有对应存在的卡钻类型规律,若有,则识别到卡钻类型。
S11、重复执行步骤S2至S10,得到卡钻后的卡钻类型识别结果。
现有技术相比,本发明的有益之处在于:
(1)本发明的方法基于三维井眼的刚杆摩阻扭矩模型,模拟分析了起钻下钻过程中悬重,扭矩沿井深的变化情况,得到实测参数偏离正常趋势的程度,结合粒子群算法能够科学评价实测卡钻数据的阻卡程度。
(2)本发明采用Sax形态聚合近似算法能够识别出实测悬重,扭矩,立压逐渐上升,逐渐下降,突然上升,突然下降,持续平稳的变化趋势,能够辅助识别不同卡钻类型的特征参数曲线变化规律。
(3)本发明通过知识图谱技术,能够利用三元组“实体—关系—实体”的表达方式,完成对不同卡钻类型知识的关联,通过卡钻知识图谱识别卡钻类型的方法,能够充分利用数字孪生的分析结果对卡钻类型进行分析,代替了人工经验对阻卡类型的判别方式。
(4)该方法能够结合模型驱动与数据驱动的结果准确识别卡钻发生后的井下卡钻类型,从而解决卡钻类型识别方法存在的准确性差的问题。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1、实施例中实测与计算井口载荷偏离趋势分析图。
图2、实施例井卡钻前起钻,卡钻后起钻实测与计算井口载荷对比图。
图3、实施例中卡钻前下钻,卡钻后下钻实测与计算井口载荷对比图。
图4、实施例井卡钻后循环立管压力变化情况图。
图5、本发明的实施例井卡钻数据。
图6、形态符号聚合近似算法识别曲线示意图。
图7、卡钻类型识别知识图谱。
图8、本发明基于数字孪生与知识图谱的卡钻类型智能识别方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1-8所示,本发明的基于数字孪生与知识图谱的卡钻类型智能识别方法,包括以下步骤:
S1、选择可获取并能够反映卡钻类型的随钻录井参数。
S2、提取卡钻前起钻数据,卡钻后起钻数据,卡钻前下钻数据,卡钻后下钻数据以及卡钻后开泵循环数据。以上参数由综合录井数据实测得到。
S3、获取当前卡钻井的钻具组合数据,井身结构数据,套管数据,井眼轨迹数据,钻井液数据,为摩阻扭矩计算提供基础数据。根据基于三维井眼的摩阻扭矩模型进行全井段井口载荷计算,获取基于三维井眼的摩阻扭矩模型全井段计算结果。
具体步骤如下:
S31、获取当前井钻具组合数据、井身结构数据、套管数据、钻进液数据、井眼轨迹数据。
S32、根据S31获得的基础数据,对三维井眼的摩阻扭矩进行计算。
S33、在三维弯曲井段中,井斜和方位都在变化,管柱单元体的弯曲是一条空间曲线,其受力是一个空间力系,根据空间几何近似关系,可将管柱单元体的受力和变形分解到两上平面上来研究,最后按力的叠加原理求解。
对单元体受力平衡分析,建立了管柱单元体力学模型如下:
式中,Fi-1、Fi分别是第i段、第i-1段单元体两端轴向拉力(N);Ti-1、Ti分别是第i段、第i-1段单元体两端扭矩载荷(N);Δαi、分别是第i段单元体两端的井斜角增量、平均值(rad);βi为单元体两端的狗腿角(rad);qm-钻杆在钻井液中的浮重/>Li-第i段单元体长度(m);μ-摩阻系数,无因次;μt-周向摩阻系数,无因次;Ni为第i段单元体所受径向支撑力;分别是P平面上第i段、第i-1段单元体的剪力;、/>分别是R平面上第i段、第i-1段单元体的剪力;ri-第i段单元体的管柱半径(m);
若上提管柱,则上式中的“±”项,取“+”,若为下放管柱,则取“-”。
第i段单元体所受径向支撑力为Ni:
式中,增斜井段ω=θ,降斜井段ω=π-θ,θ为P平面与R平面的夹角;,P平面与R平面径向支撑力分别为:
式中,分别为P平面与R平面上第i段单元体弯曲曲率半径(m);
若弯曲井段为增斜段,则上式中的“±”项,取“-”,若为降斜段,则取“+”。
单元体上下两端剪力之差:
式中,MP(i-1)、MPi分别是P平面上第i段单元体两端弯矩(N·m);MR(i-1)、MRi分别是R平面上第i段单元体两端弯矩(N·m);MRF、MPF分别是分别为摩阻力在R平面与P平面上产生的弯矩(N·m);
若上提管柱,则上式中的“±”项,取“+”,若下放管柱,则取“-”。
若弯曲井段为增斜段,则上式中的“±”项,取“+”,若为降斜段,则取“-”。其中:
式中,E为钻柱刚的弹性模量(N·m2);I为单元体截面惯性矩(m-4);εi、εi-1为第i段、第i-1段单元体两端的狗腿角(rad);
轴向力解析基础表达式为:
扭矩计算表达式为:Ti=Ti-1-μiri|Ni|。由此解出增斜,降斜轴向力。式中,E-钻柱刚的弹性模量(N·m2);I-单元体截面惯性矩(m-4);qm-钻杆在钻井液中的浮重Li-第i段单元体长度(m);Fi-1、Fi-第i段单元体两端轴向拉力(N);Ti-1、Ti-第i段单元体两端扭矩载荷(N);MP(i-1)、MPi-P平面上第i段单元体两端弯矩(N·m);MR(i-1)、MRi-R平面上第i段单元体两端弯矩(N·m);MRF、MPF-分别为摩阻力在R平面与P平面上产生的弯矩(N·m);αi、Δαi、/>-第i段单元体两端的井斜角及其增量、平均值(rad);μ-摩阻系数,无因次;μt-周向摩阻系数,无因次;/>-P平面与R平面上第i段单元体弯曲曲率半径(m);βi、/>-分别为单元体两端的狗腿角、方位角(rad);通过实测数据和计算数据对比,有助于对阻卡程度的分析。在本实施例中,实测井口载荷与计算井口载荷偏离趋势如图1所示。
S4、基于粒子群算法与摩阻扭矩模型计算卡钻前起钻与卡钻后起钻,卡钻前下钻与卡钻后下钻,实测悬重与计算井口载荷的偏离趋势。
具体步骤如下,
S41、提取S2的卡钻前起钻,下钻数据,卡钻后起钻,下钻数据,以上参数由综合录井数据实测得到。设置井筒摩擦系数为0.2,根据S3模型得到三维井段井口载荷沿井深的计算井口载荷。根据粒子群算法,计算卡钻前起钻下钻,卡钻后起钻下钻实测井口载荷与计算井口载荷的曲线距离。
S42、将粒子群算法应用于求两条曲线间距离的问题,可将曲线上的一个点设为一个粒子。每个曲线上取N个粒子,设给定的曲线为:每个曲线上取N个粒子。每个例子用点的几何位置xi(i=1,2,…,N)和速度向量vi(i=1,2,…,N)表示,点沿速度方向平移到新点的集合位置/>将两条曲线上的点xi和/>配对,则它们之间的距离是/>N对点之间的最短距离是在随后的迭代过程中,/>和不断变化,这里把xi和/>历史上的最短距离称为第i对的个体最优位置,把/>历史上最小值称为群体最优位置。将群体最优位置作为曲线间最短距离近似值。通过迭代,不断更新个体最优位置和群体最优位置求得曲线间距离。
S43、根据以下公式计算阻卡程度:
其中P为阻卡程度,b为卡钻过程中测量值与计算值的距离,可根据S42计算,a为卡钻前测量值与计算值的距离,可根据S42计算,bn是卡钻点序列的数据个数,am是卡住钻杆之前的点的个数。
S44、根据S43计算卡钻后,起钻阻卡程度、下钻阻卡程度。设定阻卡程度达到30%作为卡钻类型识别的其中一个指标。
本实施例中,卡钻前起钻,卡钻后起钻实测与计算井口载荷对比情况见图2。卡钻前下钻,卡钻后下钻实测与计算井口载荷对比见图3。实施例井卡钻后循环立管压力变化情况见图4。实施例井的卡钻数据见图5。
S5、采用形态符号聚合近似算法以及数据标准化方法对所选卡钻类型识别参数进行处理,得到不同卡钻类型识别参数在卡钻前后的变化趋势,包括以下计算步骤:
S51、将卡钻前实测井口载荷、扭矩、卡钻后实测井口载荷、扭矩数据,按照Z-Score方法进行标准化,Z-Score数据标准化处理计算公式如下:
式中,x为所观测的实时监测数据,μ为所观测的实时监测数据的总体平均值,δ为所观测的实时监测数据的总体标准差。
S52、将n个卡钻数据进行Z-Score标准化后,将个点的Z值求一次均值,逐一得到n/5个点中每5段的均值特征。
S53、对正态分布概率密度函数进行计算,计算公式如下:
对其进行积分,计算公式如下:
式中,u均值为0,方差σ为1,将概率积分结果六等分,得到六个等分概率区间,区间值为[-3,-0.962]、[-0.962,-0.427]、[-0.427,0]、[0,0.427]、[0.427,0.962]、[0.962,3]。对应聚合符号为a,b,c,c,d,e。
S54、将n个数据进行Z-Score标准化后,将n/5个点的Z值按最小二乘法进行曲线拟合,逐一得到n/5个点中每5段的斜率,即曲线形态特征。
S55、步骤S54所述斜率计算公式如下:
式中,k为观测原始数据点的个数,分段为n+1,i为时序段序号i=1,2,3,4,5,因为所观测数据为n个,n/5个一组,共5个时序段,j为观测点序号值,j0=k(i-1)+1,为第i个时序段的聚合后的斜率值,qj为观测原始数据值,包括计算监测参数和随钻录井参数值。
S56、为了将斜率符号化,需将斜率论域转化到均值所在论域,即将斜率与时序段跨度相乘,将步骤S55的区间乘2,得到区间值为[-6,-1.924]、[-1.924,-0.854]、[-0.854,0]、[0,0.854]、[0.854,1.924]、[1.924,6]。对应聚合符号为a,b,c,c,d,e。
S6、对步骤S55、S56得到的聚合近似符号化表示结果与给定的缓慢增加,连续增加,缓慢降低,连续降低,持续平稳的五个时间序列进行相似性度量计算,根据计算结果,判断该窗口内的随钻录井数据以及计算监测参数的变化趋势。包括以下计算步骤:
S61、如图6所示,给定符号序列ccaaa,bbaaa,caaaa,edcba规定为缓慢上升序列,给定符号序列ccddd,bbddd,bbcdd,abcde规定为缓慢降低序列,给定符号序列ccccc,ccdcc,ccbcc,cbccc规定为持续平稳序列,给定符号序列ddaaa,ddcaa,eeaaa,eecaa规定为突然上升序列,给定符号序列aaeee,aacee,aaeee,bbeee规定为突然降低序列。
S62、符号距离的度量计算公式如下:
式中,m为时间序列长度,为6,w为维数,为1,所观测序列被分为均值观测序列以及形态观测序列/>给定符号序列被分为均值观测序列/>以及形态观测序列/>u为斜率系数,MINDIST为两段时间序列的最小距离值。通过S52、S54得到实测均值与形态序列,将其与S61给定的符号序列,利用S62给出的最小距离计算方法进行计算,距离最小的则与对应的给定符号序列相似,得到对该序列的趋势判断结果。
S63、步骤S62的dist为传统SAX符号化字符距离计算方法,查表得a,b,c,c,d,e对应区间为[-∞,-0.97]、[-0.97,-0.43]、[-0.43,0]、[0,0.43]、[0.43,0.97]、[-0.97,+∞],距离计算方法为符号上界减符号下界,计算公式如下:
dist(a,b)=min(b)-max(a)
则符号距离间计算结果如表1所示:
表1 sax方法符号距离间计算结果
a | b | c | c | d | e | |
a | 0 | 0 | 0.54 | 0.54 | 1.2 | 1.94 |
b | 0 | 0 | 0 | 0 | 0.86 | 1.2 |
c | 0.54 | 0 | 0 | 0 | 0 | 0.54 |
c | 0.54 | 0 | 0 | 0 | 0 | 0.54 |
d | 1.2 | 0.86 | 0 | 0 | 0 | 0 |
e | 1.94 | 1.2 | 0.54 | 0.54 | 0 | 0 |
S7、根据S2、S4和S5的分析结果,将描述卡钻类型的阻卡程度,卡钻类型参数变化特征,转化成卡钻类型特征查询语句。
包括以下两个子步骤:
S71、根据步骤S44卡钻后起钻阻卡程度和卡钻后下钻阻卡程度,以及步骤S6得到的立管压力变化程度、起钻井口载荷、下钻井口载荷、起钻扭矩、下钻扭矩的趋势分析结果,得到卡钻监测参数的变化趋势,进而分析得到卡钻类型识别结果。例如,起钻卡钻程度90%,下钻卡钻程度10%,倒划眼扭矩逐渐升高,倒划眼悬重逐渐升高,正划眼扭矩持续平稳,正划眼悬重持续平稳,循环过程立管压力出现立管压力持续平稳,通过图谱进行识别,得到符合的卡钻类型为键槽卡钻。
S72、将步骤S71对卡钻数据趋势的分析结果,利用软件C#转化成neo4j数据库语句,便于将其输入到构建的卡钻类型的知识图谱中,对以上数据特征进行卡钻类型识别匹配。
S8、根据井下事故卡钻类型特征建立知识图谱关系,步骤如下:
S81、根据卡钻类型表征规律,建立不同工况下的卡钻类型识别模型。如起钻工况、下钻工况、钻进工况、划眼工况、空转工况、循环工况。
S82、根据卡钻类型表征规律,建立不同工况下卡钻实测参数的趋势识别条件,如倒划眼状态下,井口载荷缓慢升高,立管压力持续平稳,扭矩缓慢升高等。
S83、根据卡钻类型表征规律,建立不同工况下阻卡程度识别条件,如倒划眼状态下,立管压力持续平稳,计算立管压力持续平稳,悬重缓慢上升,实测悬重偏离计算悬重30%以上,可能为早期卡钻工况。
S84、根据工况、阻卡程度、卡钻监测参数表征规律建立卡钻类型识别的知识图谱关系,如表2所示。
表2卡钻类型识别参数表征规律
S9、将步骤S8所建立关系用neo4j建成卡钻类型识别知识图谱,步骤如下:
S91、根据步骤S84所列知识图谱关系,构建知识图谱,按卡钻类型、卡钻类型表征规律、卡钻程度、对卡钻类型,如压差卡钻、岩屑床卡钻、缩颈卡钻、掉块卡钻、键槽卡钻、垮塌卡钻进行图谱构建。
S92、利用neo4j生成图谱,见图7。
S10、将步骤S7的特征查询语句输入S9所建立的卡钻类型知识图谱中,对随钻录井数据进行实时诊断,若存在图谱中对应的卡钻类型的表征规律,则输出所识别的卡钻类型。包括以下步骤:
S101、将分析结果转化为知识图谱命令MATCH(m:Complex)-[r:has_symptom]->(n:Symptom)where m.name='{0}'returnm.name,r.name,n.name".format(i)for i inentities等对卡钻类型进行匹配识别。
S102、若当前对比分析结果在知识图谱构建的卡钻类型关系内,则识别卡钻类型。
S11、重复执行步骤S2至S10,得到卡钻类型识别结果。
上述基于数字孪生与知识图谱的卡钻类型智能识别方法的整体流程见图8。通过对某井卡钻录井数据分析,结合提取卡钻前起钻和下钻的悬重数据,卡钻后起钻和下钻的悬重数据。根据卡钻程度计算方法,得到卡钻程度为92.8%,表明钻柱在起钻时被卡住,卡钻后,钻柱下放时,钩载和扭矩表现正常,无异常变化。根据钻井日志,确定卡钻时间。通过sax方法对卡钻数据进行趋势分析,确定卡钻后,起钻的悬重逐渐增加,扭矩逐渐增加,下钻悬重正常,扭矩正常,循环条件下泵压正常。将以上特征输入知识图谱卡钻识别系统中进行搜索,识别为键槽卡钻。判断结果与钻井日志一致。
综上,本发明的基于数字孪生与知识图谱的卡钻类型智能识别方法中,基于三维井眼轨迹的摩阻扭矩刚杆模型,得到实测参数偏离正常趋势的程度,能够科学的评价卡钻发生后的阻卡程度;基于sax形态符号聚合近似方法获得实测参数在卡钻时的变化趋势,能够准确的描述卡钻发生的特征参数的变化规律;基于川渝区块统计的不同卡钻类型的表征规律建立卡钻类型知识图谱,能够完成对不同卡钻类型复杂知识的关联;根据阻卡程度,卡钻特征参数变化趋势,结合卡钻类型知识图谱,识别对应的卡钻类型,该方法能够结合模型驱动与数据驱动的结果准确识别卡钻发生后的井下卡钻类型,从而解决卡钻类型识别方法存在的准确性差的问题。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于数字孪生与知识图谱的卡钻类型智能识别方法,其特征在于,包括以下步骤:
S1、选择获取的并能够反映卡钻类型的随钻录井参数;
S2、提取卡钻前起钻数据,卡钻后起钻数据,卡钻前下钻数据,卡钻后下钻数据以及卡钻后开泵循环数据;提取的数据包括当前卡钻井的悬重、扭矩、立管压力、计算悬重、计算扭矩数据;
S3、获取当前卡钻井的钻具组合数据、井身结构数据、套管数据、井眼轨迹数据以及钻井液数据;根据获取的数据和三维井眼的摩阻扭矩模型进行全井段悬重计算;
S4、基于粒子群算法对比计算的悬重与实测悬重的偏差程度,并进一步计算阻卡程度;
S5、采用形态符号聚合近似算法以及数据标准化方法对所选卡钻类型识别参数进行处理,得到不同卡钻类型识别参数在卡钻前后的变化趋势;具体包括以下子步骤:
S51、对所选卡钻类型识别参数进行卡钻类型特征识别,所选卡钻类型识别参数包括悬重、扭矩和立管压力;
S52、对所选卡钻类型识别参数进行Z-Score标准化处理;
S53、将标准化处理后的数据进行符号聚合近似算法处理;
S6、将步骤S5对数据的处理方法实时转化为对不同卡钻类型参数变化趋势的诊断结果,对步骤S53得到的聚合近似符号化表示结果与给定的缓慢增加、连续增加、缓慢降低、连续降低、持续平稳这五个时间序列进行相似性度量计算,根据计算结果,判断移动窗口内的随钻录井数据以及计算监测参数的变化趋势;
S7、根据步骤S2、S4和S5的分析结果,将描述卡钻类型的阻卡程度,卡钻类型参数变化特征,转化成卡钻类型特征查询语句;
S8、根据卡钻类型特征建立知识图谱关系;
S9、将步骤S8所建立关系用neo4j建成卡钻类型识别知识图谱;
S10、根据步骤S7的分析结果,在卡钻类型知识图谱中进行查询,是否有对应存在的卡钻类型规律,若有,则识别到卡钻类型;
S11、重复执行步骤S2至S10,得到卡钻后的卡钻类型识别结果。
2.如权利要求1所述的基于数字孪生与知识图谱的卡钻类型智能识别方法,其特征在于,步骤S3中,在三维弯曲井段中,井斜和方位都在变化,管柱单元体的弯曲是一条空间曲线,其受力是一个空间力系,根据空间几何近似关系,将管柱单元体的受力和变形分解到两平面上,最后按力的叠加原理求解。
3.如权利要求1所述的基于数字孪生与知识图谱的卡钻类型智能识别方法,其特征在于,步骤S4包括以下子步骤:
S41、根据粒子群算法,计算卡钻前起钻下钻,卡钻后起钻下钻实测悬重与计算悬重的曲线距离;
S42、求两条曲线间距离;
S43、根据以下公式计算阻卡程度P:
其中,b为卡钻过程中载荷测量值与载荷计算值的距离,a为卡钻前载荷测量值与载荷计算值的距离,a和b由根据S42计算得到,bn是卡钻点序列的数据个数,am是卡住钻杆之前的点的个数;
S44、根据步骤S43的公式计算卡钻后起钻阻卡程度、卡钻后下钻阻卡程度,设定阻卡程度达到30%作为卡钻类型识别的其中一个指标。
4.如权利要求3所述的基于数字孪生与知识图谱的卡钻类型智能识别方法,其特征在于,步骤S7包括以下两个子步骤:
S71、根据步骤S44卡钻后起钻阻卡程度和卡钻后下钻阻卡程度,以及步骤S6得到的立管压力变化程度、起钻悬重、下钻悬重、起钻扭矩、下钻扭矩的趋势分析结果,得到卡钻监测参数的变化趋势,进而分析得到卡钻类型识别结果;
S72、将步骤S71对卡钻数据趋势的分析结果,利用软件C#转化成neo4j数据库语句,便于将其输入到构建的卡钻类型的知识图谱中,对以上数据特征进行卡钻类型识别匹配。
5.如权利要求4所述的基于数字孪生与知识图谱的卡钻类型智能识别方法,其特征在于,步骤S8的具体方法如下:
S81、根据卡钻类型表征规律,建立不同工况下的卡钻类型识别模型;所述工况包括起钻工况、下钻工况、钻进工况、划眼工况、空转工况、循环工况;
S82、根据卡钻类型表征规律,建立不同工况下卡钻实测参数的趋势识别条件;
S83、根据卡钻类型表征规律,建立不同工况下阻卡程度识别条件;
S84、根据工况、阻卡程度、卡钻监测参数表征规律建立卡钻类型识别的知识图谱关系。
6.如权利要求5所述的基于数字孪生与知识图谱的卡钻类型智能识别方法,其特征在于,步骤S9中,根据步骤S84所列知识图谱关系,按卡钻类型、卡钻类型表征规律、阻卡程度,对包括压差卡钻、岩屑床卡钻、缩颈卡钻、掉块卡钻、键槽卡钻、垮塌卡钻在内的卡钻类型进行图谱构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310433717.4A CN116662849B (zh) | 2023-04-21 | 2023-04-21 | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310433717.4A CN116662849B (zh) | 2023-04-21 | 2023-04-21 | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662849A CN116662849A (zh) | 2023-08-29 |
CN116662849B true CN116662849B (zh) | 2024-04-09 |
Family
ID=87717936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310433717.4A Active CN116662849B (zh) | 2023-04-21 | 2023-04-21 | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662849B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108756848A (zh) * | 2018-05-21 | 2018-11-06 | 北京四利通控制技术股份有限公司 | 一种智能钻井控制云平台及智能钻井控制系统 |
WO2019035848A1 (en) * | 2017-08-18 | 2019-02-21 | Landmark Graphics Corporation | METHOD AND SYSTEM FOR ANALYZING A SLIDED TUBE EVENT OF ROD TRAIN |
CN110795853A (zh) * | 2019-11-01 | 2020-02-14 | 西南石油大学 | 一种油气钻井过程中早期溢流层位随钻识别方法 |
CN111472751A (zh) * | 2019-12-27 | 2020-07-31 | 北京国双科技有限公司 | 测井解释方法、知识图谱构建方法及相关装置 |
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN113586028A (zh) * | 2021-07-21 | 2021-11-02 | 宁夏天地奔牛实业集团有限公司 | 基于数字孪生的反井钻机扩孔刀盘的智能监控系统 |
CN113919422A (zh) * | 2021-09-30 | 2022-01-11 | 西南石油大学 | 一种使用综合模式识别增强井涌检测的方法 |
CN113919196A (zh) * | 2021-09-26 | 2022-01-11 | 中国石油大学(华东) | 储层三维应力场模拟方法、模拟系统、终端、存储介质 |
CN114758056A (zh) * | 2021-01-12 | 2022-07-15 | 中国石油天然气集团有限公司 | 井筒三维可视化方法及装置 |
CN114925247A (zh) * | 2022-03-10 | 2022-08-19 | 中国石油天然气集团有限公司 | 一种井漏类型识别方法、装置及相关设备 |
CN115203877A (zh) * | 2021-04-08 | 2022-10-18 | 中国石油化工股份有限公司 | 一种实时仿真模拟钻井状态的闭环钻井优化系统及方法 |
CN115688956A (zh) * | 2021-07-26 | 2023-02-03 | 中国石油化工股份有限公司 | 一种基于移动滑窗智能学习的随钻阻卡预警方法及系统 |
CN115726762A (zh) * | 2021-12-30 | 2023-03-03 | 中国石油天然气集团有限公司 | 识别钻井卡钻类型的方法及装置 |
CN115841247A (zh) * | 2022-09-30 | 2023-03-24 | 中国石油天然气集团有限公司 | 数字化钻井风险监控方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723838B (zh) * | 2021-09-02 | 2023-04-18 | 西南石油大学 | 基于卷积神经网络的随钻安全风险智能识别方法 |
-
2023
- 2023-04-21 CN CN202310433717.4A patent/CN116662849B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019035848A1 (en) * | 2017-08-18 | 2019-02-21 | Landmark Graphics Corporation | METHOD AND SYSTEM FOR ANALYZING A SLIDED TUBE EVENT OF ROD TRAIN |
CN108756848A (zh) * | 2018-05-21 | 2018-11-06 | 北京四利通控制技术股份有限公司 | 一种智能钻井控制云平台及智能钻井控制系统 |
CN110795853A (zh) * | 2019-11-01 | 2020-02-14 | 西南石油大学 | 一种油气钻井过程中早期溢流层位随钻识别方法 |
CN111472751A (zh) * | 2019-12-27 | 2020-07-31 | 北京国双科技有限公司 | 测井解释方法、知识图谱构建方法及相关装置 |
CN114758056A (zh) * | 2021-01-12 | 2022-07-15 | 中国石油天然气集团有限公司 | 井筒三维可视化方法及装置 |
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN115203877A (zh) * | 2021-04-08 | 2022-10-18 | 中国石油化工股份有限公司 | 一种实时仿真模拟钻井状态的闭环钻井优化系统及方法 |
CN113586028A (zh) * | 2021-07-21 | 2021-11-02 | 宁夏天地奔牛实业集团有限公司 | 基于数字孪生的反井钻机扩孔刀盘的智能监控系统 |
CN115688956A (zh) * | 2021-07-26 | 2023-02-03 | 中国石油化工股份有限公司 | 一种基于移动滑窗智能学习的随钻阻卡预警方法及系统 |
CN113919196A (zh) * | 2021-09-26 | 2022-01-11 | 中国石油大学(华东) | 储层三维应力场模拟方法、模拟系统、终端、存储介质 |
CN113919422A (zh) * | 2021-09-30 | 2022-01-11 | 西南石油大学 | 一种使用综合模式识别增强井涌检测的方法 |
CN115726762A (zh) * | 2021-12-30 | 2023-03-03 | 中国石油天然气集团有限公司 | 识别钻井卡钻类型的方法及装置 |
CN114925247A (zh) * | 2022-03-10 | 2022-08-19 | 中国石油天然气集团有限公司 | 一种井漏类型识别方法、装置及相关设备 |
CN115841247A (zh) * | 2022-09-30 | 2023-03-24 | 中国石油天然气集团有限公司 | 数字化钻井风险监控方法及装置 |
Non-Patent Citations (4)
Title |
---|
A Case Based Knowledge Repository for Drilling Optimization;P.B. Perry等;《IADC/SPE》;20040930;第1-9页 * |
基于认知图谱的井下作业问答系统研究;张维罡;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20230215(第(2023)02期);B019-300 * |
基于近钻头工程参数测量的井下工况解释方法研究;王超;《中国博士学位论文全文数据库 工程科技I辑》;20230215(第(2023)02期);B019-8 * |
数字孪生技术在钻井领域的应用探索;杨传书;《石油钻探技术》;20220531;第50卷(第3期);第10-16页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116662849A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388921B (zh) | 一种基于随机森林的溢流漏失实时识别方法 | |
US11814931B2 (en) | Machine-learning for sedimentary facies prediction | |
CN110952978B (zh) | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 | |
CN105089620B (zh) | 卡钻的监测系统、方法及装置 | |
CN110472689B (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN116662849B (zh) | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 | |
CN112836393B (zh) | 一种基于多尺度熵分析储层非均质性的方法 | |
CN111144433A (zh) | 基于svm模型油井工况智能诊断分析方法及装置 | |
CN116066062A (zh) | 一种基于参数变化趋势异常诊断的卡钻实时预警方法 | |
CN114718861A (zh) | 基于深度学习的螺杆泵井工况智能诊断方法 | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
CN116701952B (zh) | 一种基于知识图谱的井下复杂工况识别方法 | |
CN109763810A (zh) | 一种储层气体钻井风险识别方法 | |
CN115875029A (zh) | 一种基于随钻录井分形维数的潜山储层物性评价方法 | |
CN115434696A (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
CN114925247A (zh) | 一种井漏类型识别方法、装置及相关设备 | |
CN114810037A (zh) | 一种基于数据驱动的抽油机井故障判别方法 | |
CN114611748A (zh) | 一种基于录井数据的钻井风险趋势线预警方法 | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
CN113550741A (zh) | 一种套管最小内径检测方法 | |
CN117541082B (zh) | 基于油藏-井筒-设备评价指标集成的综合评价方法 | |
RU2735794C1 (ru) | Способ прогнозирования прихватов бурильных труб |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |