CN116701952A - 一种基于知识图谱的井下复杂工况识别方法 - Google Patents
一种基于知识图谱的井下复杂工况识别方法 Download PDFInfo
- Publication number
- CN116701952A CN116701952A CN202310435245.6A CN202310435245A CN116701952A CN 116701952 A CN116701952 A CN 116701952A CN 202310435245 A CN202310435245 A CN 202310435245A CN 116701952 A CN116701952 A CN 116701952A
- Authority
- CN
- China
- Prior art keywords
- drilling
- working condition
- complex
- calculation
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005553 drilling Methods 0.000 claims abstract description 183
- 238000004364 calculation method Methods 0.000 claims abstract description 82
- 238000012544 monitoring process Methods 0.000 claims abstract description 70
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000012512 characterization method Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000002776 aggregation Effects 0.000 claims abstract description 14
- 238000004220 aggregation Methods 0.000 claims abstract description 14
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 27
- 239000012530 fluid Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000011010 flushing procedure Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 230000002829 reductive effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000002159 abnormal effect 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
- 208000024891 symptom Diseases 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000002759 z-score normalization 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Abstract
本发明公开了一种基于知识图谱的井下复杂工况识别方法,利用模型与数据双驱动,通过形态符号聚合近似算法实时分析出不同钻机状态下的各项随钻监测参数的变化趋势,结合计算与实测参数的偏离程度,准确提取综合录井实时参数、工程模型计算参数趋势特征,通过整理井下复杂工况的参数表征规律,建立复杂工况的关系,并建立井下复杂工况识别知识图谱,将提取的趋势特征转化成对应的事故复杂特征查询语句,在建成的井下工况随钻智能识别知识图谱中进行匹配识别,通过对随钻录井数据的监测与分析,实现井下复杂工况随钻智能识别。本发明解决了当前井下复杂工况监测方法存在的实时性及可靠性差的问题。
Description
技术领域
本发明涉及石油开发技术领域,尤其是一种基于知识图谱的井下复杂工况识别方法。
背景技术
在钻井过程中,因三压力预测不准,地质情况复杂,导致溢、漏、塌、卡等井下复杂工况时有发生,如地层压力大于井底压力则会发生溢流,气侵,若发现不及时,极易造成人员中毒,井场失火等事故;若井底压力大于地层漏失压力,则会发生井漏,若不及时堵漏,则易漏失大量钻井液,造成巨大经济损失;若钻柱在运行过程中偏离正常悬重变化趋势而未及时采取调控措施,则易发生卡钻事故,而解卡轻则一周,重则几个月,会耗费大量作业时间。综上可知,井下复杂工况严重影响着钻井作业的安全,成本与效率,准确发现和识别井下复杂情况,对减小钻井作业风险,降低作业成本,提高钻井效率具有重要意义。
目前应用的井下复杂情况识别方法,主要是利用录井信息,井下随钻测量设备,来识别井下复杂情况。例如:分析钻井液入口流量和出口流量的变化,或通过随钻测量的井底压力,温度的变化来识别井涌风险;通过分析大钩负荷的变化情况,来识别卡钻风险。
现有识别方法的主要问题是:(1)识别准确性不高,未应用数据与模型双驱动进行复杂工况识别。在排除地面仪器测量不准确的情况下,常规的依据录井数据进行溢流,井漏的预警方法仅考虑地面的流量参数,未考虑反应地层变化的计算参数,如悬重,dc指数,MSE等计算没有考虑在内,易造成预警不及时;卡钻的预警方法尚未结合摩阻扭矩的计算结果,仅对实测悬重变化趋势进行分析,易造成误报。(2)数据趋势识别不准确,在识别井下复杂工况时,一些智能识别方法没有考虑不同钻机状态下以及不同钻机状态下井下复杂工况的不同表征规律,就对事故发生前的数据全部进行学习与预测,没有按钻机状态对随钻录井数据进行批量的分类处理,直接进行事故复杂规律的学习易导致误报以及漏报。(3)随钻测量设备监测深度有限,随钻测量设备常因深井而无法上传信号,导致无法在深井进行随钻监测,且井下流体,岩性等外部环境复杂,加上钻柱剧烈振动等影响,随钻测量仪器上传数据也会不准确,导致误报。(4)复杂工况识别软件展示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,并结合事故复杂工况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
针对当前井下复杂工况监测方法存在的实时性及可靠性差的问题,本发明提供一种基于知识图谱的井下复杂工况识别方法。
本发明提供的基于知识图谱的井下复杂工况识别方法,利用模型与数据双驱动,通过形态符号聚合近似算法实时分析出不同钻机状态下的各项随钻监测参数的变化趋势,结合计算与实测参数的偏离程度,准确提取综合录井实时参数、工程模型计算参数趋势特征,通过整理井下复杂工况的参数表征规律,建立复杂工况的关系,并建立井下复杂工况识别知识图谱,将提取的趋势特征转化成对应的事故复杂特征查询语句,在建成的井下工况随钻智能识别知识图谱中进行匹配识别,通过对随钻录井数据的监测与分析,实现井下复杂工况随钻智能识别。
本发明提供的基于知识图谱的井下复杂工况识别方法,步骤如下:
S1、选择提前获取的并能够反映事故复杂井下工况初期的随钻录井实时监测参数。
随钻录井实时监测参数为通过综合录井仪根据井下复杂工况表征规律实时获取的监测参数,包括悬重、扭矩、立管压力、钻时、总池体积、出口流量、入口流量、泵冲数1、泵冲数2、泵冲数3以及转盘转速。
S2、将实时监测数据输入到已建立的钻机状态模型,得到钻机实时状态数据。
所述钻机状态模型是指以钻井随钻录井数据建立的钻机状态识别模型,钻机状态识别模型能够识别的工况包括旋转钻进、滑动钻进、划眼、正划眼、倒划眼、起钻、下钻、空转、坐卡,循环以及接单根这些钻机状态。
所选钻机实时状态数据包括以下监测参数:悬重、扭矩、泵冲1、泵冲2、泵冲3、转盘转速、立管压力、出口流量、入口流量、以及衍生参数;所述衍生参数包括大钩高度变化参数、井深变化参数、钻头深度变化参数、钻头与井深距离参数、钻头井深是否相等、前一秒泵冲1、前一秒泵冲2、前一秒泵冲3以及前一秒转盘转速。
S3、选择提前获取的并能够反映事故复杂井下工况初期的实时计算参数。
所述实时计算参数包括计算悬重、计算扭矩、计算立管压力、dc指数、机械比能MSE、可钻性级值kd、岩屑床厚度以及钻井液循环当量密度ECD。
对所选实时计算监测参数进行计算需提前输入钻井静态数据,钻井静态数据包括钻井液数据,钻具组合数据,钻井井身结构数据,套管数据,井眼轨迹数据,并对以上数据进行实时更新。
S4、实时对比计算参数与录井数据的偏差情况;对比的参数为计算悬重与实测悬重,计算扭矩与实测扭矩,计算立管压力与实测立管压力;获得实测参数与计算参数的实际偏离情况。
具体包括以下计算步骤:
S41、根据步骤S2的空转工况,读取空转工况下的实测悬重,实测扭矩和实测立管压力。
S42、根据空转工况下实测的悬重和实测扭矩计算摩擦系数;根据摩擦系数计算得到计算悬重、计算扭矩。
S43、对空转工况下的计算立管压力进行计算。
S44、将实测悬重与计算悬重的差值除以计算悬重,实测扭矩与计算扭矩的差值除以计算悬重,实测立管压力与计算立管压力的差值除以计算立管压力;即得到实测参数与计算参数的实际偏离情况。
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事故复杂监测参数进行处理,得到不同钻机状态下的随钻录井数据以及随钻工程计算数据变化趋势。
具体包括以下计算步骤:
S51、对所选事故复杂录井监测参数进行实时监测,监测参数包括悬重、扭矩、泵冲1、泵冲2、泵冲3、转盘转速、立管压力、出口流量、入口流量、总池体积和钻时,由WITSML标准封装后通过TCP/IP协议接入计算机;
S52、对所选事故复杂监测计算参数进行实时监测,计算参数包括计算悬重、计算扭矩、计算立管压力、机械比能、dc指数、可钻性级值、岩屑床厚度及钻井液循环当量密度ECD;
S53、采用移动窗口方法分析步骤S51和S52实时采集的所选事故复杂监测参数;
S54、对所选事故复杂录井监测参数和计算参数进行Z-Score标准化处理;
S55、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各项事故复杂监测参数变化趋势的诊断结果,对步骤S55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,将判断结果通过实时转化成事故复杂特征查询语句。
具体步骤如下:
S71、根据步骤S5对随钻录井监测参数和计算参数的趋势分析结果,步骤S4实时计算与录井数据的偏差分析;结合步骤S2钻机状态识别结果,得到随钻参数实时状态;
S72、将步骤S71对随钻数据趋势的分析结果,利用软件C#转化成neo4j数据库语句,便于将其输入到后续构建的井下复杂工况识别的知识图谱中,对以上数据特征进行井下复杂工况识别匹配。
S8、根据井下事故复杂工况特征建立知识图谱关系。具体步骤如下:
S81、根据井下复杂表征规律,建立不同钻机状态下的不同复杂工况识别模型;
S82、根据井下复杂表征规律,建立不同钻机状态下实测参数与计算参数的趋势识别条件;
S83、根据井下复杂表征规律,建立不同钻机状态下计算参数的识别条件;
S84、根据钻机状态、实测与计算参数趋势、计算参数偏离程度、复杂工况表征规律建立井下复杂工况随钻识别知识图谱关系。
S9、根据S84所列知识图谱关系,构建知识图谱,按井下复杂工况类型、复杂工况表征规律、计算与实测对比、对钻进状态结合复杂工况进行图谱构建;所述钻进状态结合复杂工况包括溢流-钻进、溢流-起钻、溢流-循环、井漏-钻进、井漏-下钻、井漏-循环、卡钻-钻进、卡钻-下钻、卡钻-起钻、卡钻-正划眼、卡钻-倒划眼;然后利用neo4j生成图谱。
S10、将步骤S7的特征查询语句实时输入步骤S9所建立的井下复杂工况的智能识别知识图谱中进行查询,是否有对应存在的复杂工况规律,若有,则识别到井下复杂工况;若无,则报告工况正常,无井下风险。
S11、重复执行步骤S2至S10,得到随钻井下复杂工况识别结果。
与现有技术相比,本发明的有益之处在于:
(1)本发明结合立管压力、悬重、钻时、dc指数四个随钻录井实时参数对溢漏复杂工况进行综合识别;结合立管压力、悬重、钻时、计算摩阻、计算扭矩、计算立管压力等参数对阻卡复杂工况进行综合识别,提高了井下复杂工况随钻识别的实时性与可靠性。
(2)本发明利用形态符号聚合近似算法,结合钻机状态,实现了对不同钻机状态下的数据变化方向,数据变化程度大小以及数据变化快慢的识别。提升了对监测参数异常识别的准确性,有助于对井下复杂工况的随钻识别。
(3)本发明利用井下复杂工况的参数表征规律构建的井下复杂工况智能识别知识图谱,通过将曲线实时分析的判断结果转化成查询语句,并在以neo4j建立的知识图谱中对多类数据变化趋势进行实时分析,提早发现并准确识别井下事故复杂情况,能够使现场人员清晰准确地了解事故发生的原因以及事故发生的异常参数变化规律,有助于自动化智能识别井下复杂工况。
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、基于知识图谱的井下复杂工况识别方法的流程图。
图2、形态符号聚合近似算法识别曲线示意图。
图3、井下复杂工况知识图谱。
图4、应用案例的井卡钻复杂工况数据规律图。
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1-3所示,本发明提供的基于知识图谱的井下复杂工况识别方法,步骤如下:
S1、选择提前获取的并能够反映事故复杂井下工况初期的随钻录井实时监测参数。
所述反映事故复杂井下工况初期的随钻录井实时监测参数为通过综合录井仪根据井下复杂工况表征规律实时获取的监测参数,包括悬重、扭矩、立管压力、钻时、总池体积、出口流量、入口流量、泵冲数1、泵冲数2、泵冲数3以及转盘转速。
S2、将实时监测数据输入到已建立的钻机状态模型,得到钻机实时状态数据。具体方法如下:
S21、对所选钻机状态监测参数进行实时采集,实时采集数据的频率为2s。采集参数为悬重,扭矩,泵冲1,泵冲2,泵冲3,转盘转速,立管压力,出口流量,入口流量。
S22、对所选钻机状态监测参数进行实时处理,获得衍生参数,以辅助钻机状态识别;衍生参数包括大钩高度变化参数,井深变化参数,钻头深度变化参数,钻头与井深距离参数,钻头井深是否相等,前一秒泵冲1,前一秒泵冲2,前一秒泵冲3,前一秒转盘转速。
S23、将步骤S21和S22获得的参数输入到钻机状态模型,对钻机状态进行随钻识别,随钻识别结果实时传入井下复杂工况随钻识别模型。
所述钻机状态模型是指以钻井随钻录井数据建立的钻机状态识别模型。钻机状态识别模型能够识别的工况包括旋转钻进、滑动钻进、划眼、正划眼、倒划眼、起钻、下钻、空转、坐卡,循环以及接单根这些钻机状态。钻机状态识别模型考虑了传感器误差,通过限定参数变化范围来确定钻及状态。
所述钻机状态模型的建立具体如下:
(1)实时获取钻机状态监测参数及衍生参数。
(2)实时计算衍生参数。如大钩高度变化参数值为当前大钩高度减前一秒大钩高度,钻头深度变化参数值为当前钻头深度减前一秒钻头深度,井深变化参数值为当前井深减前一秒井深,钻头井深是否相等参数为钻头深度减井深,其中,所有衍生参数所得值大于0,赋值为1,所得值小于0,赋值为-1,相等赋值为0。
(3)钻机状态识别模型如表1所示,其中,对监测参数设置0、1、2三个值,0代表参数波动范围内,参数值较小,代表测量误差,1代表参数正常工作值,2代表参数较高值。
表1、钻机状态识别模型
S3、选择提前获取的并能够反映事故复杂井下工况初期的实时计算参数。
根据当前井钻井静态数据,如钻井液数据,钻具组合数据,钻井井身结构数据,套管数据,井眼轨迹数据,选择可提前获取并能够反映事故复杂井下工况初期的实时计算参数,包括计算悬重,计算扭矩,计算立管压力,机械比能,dc指数,可钻性级值,岩屑床厚度,钻井液循环当量密度ECD,并对以上数据进行实时更新,保证模型计算数据的准确性。
S4、实时对比计算参数与录井数据的偏差情况;对比的参数为计算悬重与实测悬重,计算扭矩与实测扭矩,计算立管压力与实测立管压力;获得实测参数与计算参数的实际偏离情况。具体包括以下计算步骤:
S41、根据步骤S2的空转工况,读取空转工况下的实测悬重,实测扭矩和实测立管压力。
S42、根据空转工况下实测的悬重和实测扭矩计算摩擦系数;根据摩擦系数计算得到计算悬重、计算扭矩。
S43、对空转工况下的计算立管压力进行计算。
S44、将实测悬重与计算悬重的差值除以计算悬重,实测扭矩与计算扭矩的差值除以计算悬重,实测立管压力与计算立管压力的差值除以计算立管压力;即得到实测参数与计算参数的实际偏离情况。
实时对比实测立管压力与计算立管压力差值是否超过偏差的20%,实测悬重是否超过或小于计算悬重的20%,实测扭矩是否超过或小于计算扭矩的20%。若超出,则可能出现井下复杂工况早期征兆。
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事故复杂监测参数进行处理,得到不同钻机状态下的随钻录井数据以及随钻工程计算数据变化趋势。具体包括以下计算步骤:
S51、对所选事故复杂录井监测参数进行实时监测,监测参数包括悬重、扭矩、泵冲1、泵冲2、泵冲3、转盘转速、立管压力、出口流量、入口流量、总池体积和钻时,由WITSML标准封装后通过TCP/IP协议接入计算机。
S52、对所选事故复杂监测计算参数进行实时监测,计算参数包括计算悬重、计算扭矩、计算立管压力、机械比能、dc指数、可钻性级值、岩屑床厚度及钻井液循环当量密度ECD。
S53、采用移动窗口方法分析步骤S51和S52实时采集的所选事故复杂监测参数;分析时长为1min,分析数据量为30个数据点左右。
S54、对所选事故复杂录井监测参数和计算参数进行Z-Score标准化处理。
所述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。
S55、将标准化处理后的数据进行符号聚合近似算法处理。具体步骤如下:
(1)所述监测方法是按移动窗口方法进行监测,每次监测的录井参数和计算参数均为30个点,分析完成后移动到下一个窗口继续监测。
(2)将30个数据进行Z-Score标准化后,将6个点的Z值求一次均值,逐一得到30个点中每6个点的均值特征。
(3)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。
(4)将30个数据进行Z-Score标准化后,将6个点的Z值按最小二乘法进行曲线拟合,逐一得到30个点中每6个点的斜率,即曲线形态特征。
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6,i为时序段序号i=1,2,3,4,5,因为所观测数据为30个,6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。
(5)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(3)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、将步骤S5对数据的处理方法实时转化为对各项事故复杂监测参数变化趋势的诊断结果,对步骤S55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。具体包括以下计算步骤:
(1)、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。形态符号聚合近似算法识别曲线示意图见图2。
(2)、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。通过步骤S5中的(2)、(4)得到实测均值与形态序列,将其与步骤(1)给定的符号序列,利用步骤(2)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。
(3)、步骤(2)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2所示:
表2、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,将判断结果通过实时转化成事故复杂特征查询语句。
具体步骤如下:
S71、根据步骤S5对随钻录井监测参数和计算参数的趋势分析结果,步骤S4实时计算与录井数据的偏差分析;结合步骤S2钻机状态识别结果,得到随钻参数实时状态。例如,钻进状态下,钻时缓慢降低,立管压力缓慢降低,转盘转速持续稳定,悬重缓慢降低,扭矩缓慢升高,泵冲1,2,3持续稳定,总池体积持续稳定,计算立管压力未偏离,计算悬重未偏离,计算扭矩未偏离,机械比能持续稳定,dc指数持续稳定,可钻性级值持续稳定,岩屑床厚度持续稳定,钻井液循环当量密度ECD持续稳定。
S72、将步骤S71对随钻数据趋势的分析结果,利用软件C#转化成neo4j数据库语句,便于将其输入到后续构建的井下复杂工况识别的知识图谱中,对以上数据特征进行井下复杂工况识别匹配。
S8、根据井下事故复杂工况特征建立知识图谱关系。具体步骤如下:
S81、根据井下复杂表征规律,建立不同钻机状态下的不同复杂工况识别模型。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、根据井下复杂表征规律,建立不同钻机状态下实测参数与计算参数的趋势识别条件。如钻进状态下,钻时缓慢降低,立管压力缓慢降低,dc指数缓慢降低,悬重缓慢上升,可能为早期溢流工况。
S83、根据井下复杂表征规律,建立不同钻机状态下计算参数的识别条件。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,计算悬重偏离实测悬重20%以上,可能为早期卡钻工况。
S84、根据钻机状态、实测与计算参数趋势、计算参数偏离程度、复杂工况表征规律建立井下复杂工况随钻识别知识图谱关系。如表3所示,其中,逐渐下降↘;逐渐上升↗;持续平稳→;突然下降↓;突然上升↑。
表3、井下复杂工况随钻识别参数表征规律
S9、根据S84所列知识图谱关系,构建知识图谱。按井下复杂工况类型、复杂工况表征规律、计算与实测对比、对钻进状态结合复杂工况进行图谱构建;所述钻进状态结合复杂工况包括溢流-钻进、溢流-起钻、溢流-循环、井漏-钻进、井漏-下钻、井漏-循环、卡钻-钻进、卡钻-下钻、卡钻-起钻、卡钻-正划眼、卡钻-倒划眼;然后利用neo4j生成图谱,见图3。
S10、将步骤S7的特征查询语句实时输入步骤S9所建立的井下复杂工况的智能识别知识图谱中,对随钻录井数据进行实时诊断,包括以下步骤:
(1)将实时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}'return m.name,r.name,n.name".format(i)for i inentities等对井下复杂类型进行匹配识别。
(2)若当前对比分析结果未在知识图谱构建的井下复杂工况关系内,则表明当前井下钻井状态为正常,生成表示当前井下钻井正常状态的钻井状态诊断结果,若当前对比分析结果在知识图谱构建的井下复杂工况关系内,则表明当前井下钻井状态为异常,生成表示当前井下钻井正常状态的钻井状态诊断结果。
S11、重复执行步骤S2至S10,得到随钻井下复杂工况识别结果。
应用案例:
通过对某井随钻录井数据实时分析,识别到该井在起钻过程中,起钻实测悬重超出计算悬重20%,立管压力持续平稳,出口流量持续平稳,实测扭矩未超出计算扭矩20%,出口流量持续平稳,总池体积持续平稳等表征规律,识别规律如图4所示,利用知识图谱对井下复杂工况进行识别,得到起钻-卡钻工况,预警结果比现场提前10min。
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 (9)
1.一种基于知识图谱的井下复杂工况识别方法,其特征在于,步骤如下:
S1、选择提前获取的并能够反映事故复杂井下工况初期的随钻录井实时监测参数;
S2、将实时监测数据输入到已建立的钻机状态模型,得到钻机实时状态数据;
所选钻机实时状态数据包括以下监测参数:悬重、扭矩、泵冲1、泵冲2、泵冲3、转盘转速、立管压力、出口流量、入口流量、以及衍生参数;所述衍生参数包括大钩高度变化参数、井深变化参数、钻头深度变化参数、钻头与井深距离参数、钻头井深是否相等、前一秒泵冲1、前一秒泵冲2、前一秒泵冲3以及前一秒转盘转速;
S3、选择提前获取的并能够反映事故复杂井下工况初期的实时计算参数;
所述实时计算参数包括计算悬重、计算扭矩、计算立管压力、dc指数、机械比能MSE、可钻性级值kd、岩屑床厚度以及钻井液循环当量密度ECD;
S4、实时对比计算参数与录井数据的偏差情况;对比的参数为计算悬重与实测悬重,计算扭矩与实测扭矩,计算立管压力与实测立管压力;获得实测参数与计算参数的实际偏离情况;
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事故复杂监测参数进行处理,得到不同钻机状态下的随钻录井数据以及随钻工程计算数据变化趋势;
S6、将步骤S5对数据的处理方法实时转化为对各项事故复杂监测参数变化趋势的诊断结果,对步骤S5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,将判断结果通过实时转化成事故复杂特征查询语句;
S8、根据井下事故复杂工况特征建立知识图谱关系;
S9、将步骤S8所建立的图谱关系用neo4j建成井下工况随钻智能识别知识图谱;
S10、将步骤S7的特征查询语句实时输入步骤S9所建立的井下复杂工况的智能识别知识图谱中进行查询,是否有对应存在的复杂工况规律,若有,则识别到井下复杂工况;若无,则报告工况正常,无井下风险。
S11、重复执行步骤S2至S10,得到随钻井下复杂工况识别结果。
2.如权利要求1所述的基于知识图谱的井下复杂工况识别方法,其特征在于,步骤S1中,随钻录井实时监测参数为通过综合录井仪根据井下复杂工况表征规律实时获取的监测参数,包括悬重、扭矩、立管压力、钻时、总池体积、出口流量、入口流量、泵冲数1、泵冲数2、泵冲数3以及转盘转速。
3.如权利要求2所述的基于知识图谱的井下复杂工况识别方法,其特征在于,步骤S2中,所述钻机状态模型是指以钻井随钻录井数据建立的钻机状态识别模型,钻机状态识别模型能够识别的工况包括旋转钻进、滑动钻进、划眼、正划眼、倒划眼、起钻、下钻、空转、坐卡,循环以及接单根这些钻机状态。
4.如权利要求1所述的基于知识图谱的井下复杂工况识别方法,其特征在于,步骤S3中,对所选实时计算监测参数进行计算需提前输入钻井静态数据,钻井静态数据包括钻井液数据,钻具组合数据,钻井井身结构数据,套管数据,井眼轨迹数据,并对以上数据进行实时更新。
5.如权利要求1所述的基于知识图谱的井下复杂工况识别方法,其特征在于,步骤S4具体包括以下计算步骤:
S41、根据步骤S2的空转工况,读取空转工况下的实测悬重,实测扭矩和实测立管压力;
S42、根据空转工况下实测的悬重和实测扭矩计算摩擦系数;根据摩擦系数计算得到计算悬重、计算扭矩;
S43、对空转工况下的计算立管压力进行计算;
S44、将实测悬重与计算悬重的差值除以计算悬重,实测扭矩与计算扭矩的差值除以计算悬重,实测立管压力与计算立管压力的差值除以计算立管压力;即得到实测参数与计算参数的实际偏离情况。
6.如权利要求1所述的基于知识图谱的井下复杂工况识别方法,其特征在于,步骤S5具体包括以下计算步骤:
S51、对所选事故复杂录井监测参数进行实时监测,监测参数包括悬重、扭矩、泵冲1、泵冲2、泵冲3、转盘转速、立管压力、出口流量、入口流量、总池体积和钻时,由WITSML标准封装后通过TCP/IP协议接入计算机;
S52、对所选事故复杂监测计算参数进行实时监测,计算参数包括计算悬重、计算扭矩、计算立管压力、机械比能、dc指数、可钻性级值、岩屑床厚度及钻井液循环当量密度ECD;
S53、采用移动窗口方法分析步骤S51和S52实时采集的所选事故复杂监测参数;
S54、对所选事故复杂录井监测参数和计算参数进行Z-Score标准化处理;
S55、将标准化处理后的数据进行符号聚合近似算法处理。
7.如权利要求6所述的基于知识图谱的井下复杂工况识别方法,其特征在于,步骤S7具体步骤如下:
S71、根据步骤S5对随钻录井监测参数和计算参数的趋势分析结果,步骤S4实时计算与录井数据的偏差分析;结合步骤S2钻机状态识别结果,得到随钻参数实时状态;
S72、将步骤S71对随钻数据趋势的分析结果,利用软件C#转化成neo4j数据库语句,便于将其输入到后续构建的井下复杂工况识别的知识图谱中,对以上数据特征进行井下复杂工况识别匹配。
8.如权利要求1所述的基于知识图谱的井下复杂工况识别方法,其特征在于,步骤S8具体步骤如下:
S81、根据井下复杂表征规律,建立不同钻机状态下的不同复杂工况识别模型;
S82、根据井下复杂表征规律,建立不同钻机状态下实测参数与计算参数的趋势识别条件;
S83、根据井下复杂表征规律,建立不同钻机状态下计算参数的识别条件;
S84、根据钻机状态、实测与计算参数趋势、计算参数偏离程度、复杂工况表征规律建立井下复杂工况随钻识别知识图谱关系。
9.如权利要求8所述的基于知识图谱的井下复杂工况识别方法,其特征在于,步骤S9具体是:根据S84所列知识图谱关系,构建知识图谱,按井下复杂工况类型、复杂工况表征规律、计算与实测对比、对钻进状态结合复杂工况进行图谱构建;所述钻进状态结合复杂工况包括溢流-钻进、溢流-起钻、溢流-循环、井漏-钻进、井漏-下钻、井漏-循环、卡钻-钻进、卡钻-下钻、卡钻-起钻、卡钻-正划眼、卡钻-倒划眼;然后利用neo4j生成图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310435245.6A CN116701952B (zh) | 2023-04-21 | 2023-04-21 | 一种基于知识图谱的井下复杂工况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310435245.6A CN116701952B (zh) | 2023-04-21 | 2023-04-21 | 一种基于知识图谱的井下复杂工况识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116701952A true CN116701952A (zh) | 2023-09-05 |
CN116701952B CN116701952B (zh) | 2024-01-30 |
Family
ID=87838183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310435245.6A Active CN116701952B (zh) | 2023-04-21 | 2023-04-21 | 一种基于知识图谱的井下复杂工况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701952B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120059521A1 (en) * | 2009-03-02 | 2012-03-08 | Drilltronics Rig System As | Drilling control method and system |
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 |
-
2023
- 2023-04-21 CN CN202310435245.6A patent/CN116701952B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120059521A1 (en) * | 2009-03-02 | 2012-03-08 | Drilltronics Rig System As | Drilling control method and system |
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 |
Non-Patent Citations (2)
Title |
---|
王鹏;: "智慧矿山安全管控大数据平台建设探讨", 煤炭工程, no. 08 * |
陈清贵;杜文全;: "川西地区井下复杂状况识别模式研究与应用", 录井工程, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116701952B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105089620B (zh) | 卡钻的监测系统、方法及装置 | |
CN109508827B (zh) | 一种基于时间递归神经网络的钻井事故预警方法 | |
US20030220742A1 (en) | Automated method and system for determining the state of well operations and performing process evaluation | |
CN110110740B (zh) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 | |
BR112015009197B1 (pt) | Método e sistema para realizar uma operação de perfuração | |
CN108388921A (zh) | 一种基于随机森林的溢流漏失实时识别方法 | |
CN113431496A (zh) | 一种钻采船协同作业故障诊断及辅助决策方法 | |
CN114444823A (zh) | 一种预测钻井作业过程中井漏风险的方法及系统 | |
CN110671095B (zh) | 一种地质地层压力智能随钻软测量方法 | |
CN115841247A (zh) | 数字化钻井风险监控方法及装置 | |
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 | |
CN109902265B (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
CN114856540A (zh) | 一种基于在线学习的水平井机械钻速随钻预测方法 | |
CN116701952B (zh) | 一种基于知识图谱的井下复杂工况识别方法 | |
CN115688956A (zh) | 一种基于移动滑窗智能学习的随钻阻卡预警方法及系统 | |
WO2021222554A1 (en) | Autonomous torque and drag monitoring | |
Li et al. | Identification of downhole conditions in geological drilling processes based on quantitative trends and expert rules | |
CN114810037B (zh) | 一种基于数据驱动的抽油机井故障判别方法 | |
CN111625916A (zh) | 井壁稳定性值计算方法及系统 | |
CN114970921A (zh) | 一种钻井遇阻卡严重度的预警方法及系统 | |
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 | |
CN114607354A (zh) | 一种预报钻井复杂情况的方法 | |
CN114169656A (zh) | 一种基于邻井历史数据的钻井卡钻风险预警方法及系统 | |
Song et al. | Research on kick detection model based on machine learning | |
Yang et al. | Fault diagnosis method and application of ESP well based on SPC rules and real-time data fusion |
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 |