CN117035197A - 一种代价最低化的井漏智能预测方法 - Google Patents
一种代价最低化的井漏智能预测方法 Download PDFInfo
- Publication number
- CN117035197A CN117035197A CN202311083624.XA CN202311083624A CN117035197A CN 117035197 A CN117035197 A CN 117035197A CN 202311083624 A CN202311083624 A CN 202311083624A CN 117035197 A CN117035197 A CN 117035197A
- Authority
- CN
- China
- Prior art keywords
- lost circulation
- feature
- cost
- model
- prediction
- 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 38
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000035945 sensitivity Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000005553 drilling Methods 0.000 claims description 28
- 239000002245 particle Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000007790 solid phase Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种代价最低化的井漏智能预测方法。所述方法包括:获取测录钻井等现场井史数据;对所述井史数据进行整合处理,去除冗余无效数据;基于特征相关性分析,寻找一组特征组合满足:(1)各特征对漏失速度影响显著,(2)各特征之间不相关;基于风险阈值,划分井漏风险等级;以所述特征组合为输入,井漏风险等级为输出,构建多种分类型机器学习预测模型;建立代价敏感错误率的模型评估指标,基于此,利用智能优化算法优化所述模型;对比优化后的模型,性能最优的作为井漏预测模型;对所述预测模型输入待判定的新井数据,获得井漏风险情况。本发明解决了现有技术中井漏预测效果较差,无法为现场提供准确参考的技术问题,达到了低成本、准确、智能预测的技术效果。
Description
技术领域
本发明涉及油气井工程领域,特别是涉及一种代价最低化的井漏智能预测方法。
背景技术
当前,钻井开发逐步向深部地层进军,由于地层条件更为复杂、井深结构质量较差、钻井液的类型选择不当,造成钻井时遇阻遇卡、井塌、井漏、井喷等钻井复杂,严重影响正常钻井作业和其他生产开采作业等。井下复杂情况引起的钻井事故,降低了钻井效率,增加钻井成本,甚至严重破坏油气资源。
井漏是最常见的钻井复杂问题,为了保证钻井施工的顺利进行,预测出可能会发生的井漏等钻井复杂是极其重要的,并且这对提高钻井技术水平和经济效益均具有极为重要的实际意义。
近年来,许多学者运用人工智能方法来预测井漏等钻井复杂问题,所用的智能算法包括,神经网络变体、支持向量机、贝叶斯网络、梯度提升决策树、XGboost等。但是现有的技术存在井漏预测准确度较低的问题,并且未考虑预测结果对施工现场造成的成本损失问题,因此,难以作为一种油气勘探开采有效的参考技术手段。
发明内容
本发明的目的在于提供一种代价最低化的井漏智能预测方法,能更高效、准确和低损失的进行井漏预测,保证钻井施工过程的安全。
本发明的技术方案为:一种代价最低化的井漏智能预测方法,其包括以下步骤:
获取测录钻井等井史数据;
对所述井史数据进行整合处理,去除冗余无效数据;
基于特征相关性分析,寻找一组特征组合满足:(1)各特征对漏失速度影响显著,(2)各特征之间不相关;
设置漏失速度阈值,构建分类划分节点,形成井漏风险等级;
以所述特征组合为输入,井漏等级为输出,构建多种机器学习预测模型;
建立代价敏感错误率的模型评估指标,基于此,利用智能优化算法优化所述模型;
对比所述优化后的预测模型,性能最优的作为最终的井漏预测模型;
对所述井漏预测模型输入待判定的新井数据,获得钻井风险情况。
进一步地,所述测录井数据包括:钻井液密度、黏度和固相含量,钻速,钻压,破裂压力,地层压力,坍塌压力,孔隙度,渗透率,地应力差,岩石杨氏模量等地质和工程特征。
进一步地,所述对所述数据进行整合处理的方法包括:将非数值类型数据集合转化为数值类型数据类型,获得数值类型数据集合;对所述数值类型数据集合,计算每个特征的数据缺失比例,填充缺失比例小于某一阈值的特征,同时删除缺失比例大于该阈值的特征。
进一步地,所述特征相关性分析方法包括:计算每一个特征与漏失速度的相关系数,删除其中相关系数小于某阈值1的特征;计算剩余的特征中任意两个特征之间的相关系数,按照最小化信息损失原则删除其中相关系数大于某阈值2的特征。
进一步地,所述最小化信息损失原则删除其中相关系数大于阈值2的特征,方法如下:
初始化特征组:提取出相关系数大于阈值2的特征对,形成特征组;
特征删除:计算特征组中每个特征出现的次数,删除其中出现次数最多的特征所在的特征对;若存在次数最多情况不唯一,删除其中任意一个特征所在的特征对;
更新特征组;
若特征组中还存在特征对,则转特征删除步骤继续迭代;否则,迭代停止,返回删除特征。
进一步地,设置漏失速度阈值,构建分类划分节点,形成井漏风险等级;
进一步地,采用随机森林、XGBoost等多个机器学习算法构建多个井漏预测初始模型。
进一步地,建立基于代价敏感错误率的模型评估指标,方法如下:
构造指示函数,表达式为:
代价敏感错误率计算公式为:
其中,cost为代价矩阵,costi,j表示将类别i预测为类别j的代价,D为样例集,m为样本个数,yi为预测值,Yi为真实值。
进一步地,基于代价敏感错误率的模型评估指标,采用自适应粒子群算法优化所述井漏预测模型,方法如下:
种群和粒子初始化。粒子群规模N、最大迭代次数T、粒子的初始位置xi 0、初始速度vi 0;
采用代价敏感错误率构造适应度函数,表达式为:
更新粒子速度。粒子i在第k+1次迭代中第d维的速度计算公式如下:
式中,w为惯性权重,c1、c2为学习因子,r1、r2为区间[0,1]内的随机数,pk id,pbest为粒子i在第k次迭代中第d维的历史最优位置,pk id,gbest为群体在第i次迭代中第d维的历史最优位置;
更新粒子位置。粒子i在第k+1次迭代中第d维的位置计算公式如下:
自适应调整惯性权重,计算公式如下:
式中,w0为初始惯性权重,t为迭代次数;
若满足预设收敛条件或超出最大迭代次数,则停止;否则,转更新粒子速度步骤重复执行迭代过程。
与现有技术相比,本发明具有以下有益效果:
本发明提供了一种代价最低化的井漏智能预测方法,通过获得测录钻井数据集合,经过数据数值类型转换、缺失数据处理以及特征相关性分析,选择合适的模型输入特征,提高模型的预测精度;建立基于代价敏感错误率的模型评估指标,考虑不同的预测结果对现场的成本损失;利用自适应粒子群算法快速优化随机森林、XGBoost等多个机器学习预测模型;对训练好的井漏预测模型,输入待判新井数据,获得井漏风险情况。本发明通过对获取的测录钻井数据进行整合处理得到多种对井漏有影响的特征数据,并基于相关性对所述特征数据进行筛选确定预测模型的输入变量,提高了井漏的预测精度,用代价敏感错误率来评估模型,将预测代价嵌入模型,更能贴合现场使用。
附图说明
图1为本发明实施例一种代价最低化的井漏智能预测方法的流程图;
图2为本发明实施例一种代价最低化的井漏智能预测方法中最小化信息损失原则剔除冗余特征的流程图;
图3为本发明实施例一种代价最低化的井漏智能预测方法中改进的粒子群算法流程图。
具体实施方式
为了对本发明的技术特征和有益效果有更加清楚地理解,现参照说明书附图对本发明的具体实施方式进行以下详细说明。
本发明提供一种代价最低化的井漏智能预测方法,如图1所示,包括以下步骤:
步骤100,对于待预测的新井,获取周围已钻井或该区块已钻井的测录钻井的井史数据,包括钻井液密度、黏度和固相含量,钻速,钻压,破裂压力,地层压力,坍塌压力,孔隙度,渗透率,地应力差,岩石杨氏模量等地质和工程特征,用于生成数据集合。
步骤200,对所述数据集合进行整合处理,包括将其中的非数值类型数据转换为数值类型,计算各个特征的数据缺失比例,缺失数据太多则包含有用的信息就越少,需要删除该特征,对于缺失数据较少的特征,可采用均值、最大值、最小值等填充。
步骤300,整合后的数据集中一些特征对漏速影响很小甚至毫无影响,如果将这些特征用于模型训练,不但会影响训练时间还会严重影响模型预测效果。按照图2所示特征相关性分析流程,筛出所述特征数据,得到与漏速影响最显著的特征组合。
步骤400,对模型的输出进行处理,钻井现场关心井漏风险等级,以此制定相应的对策。根据实际情况,设定漏速划分阈值,构建不同的井漏风险等级,如可设定漏速小于5m3/h为微漏,5~15m3/h为小漏,15~30m3/h为中漏,30~60m3/h为大漏,大于60m3/h恶性漏失。
步骤500,以筛选后的特征组合为输入,井漏风险等级为输出,构建随机森林、XGBoost等多个机器学习预测模型。随机森林能够处理高维数据,并行化运行,并且模型抗干扰能力强;XGBoost模型在传统Boosting模型的基础上进行了改进,在显著提升分类性能的同时,又引入正则项和剪枝,避免模型的过拟合。
步骤600,由于在井漏预测时,将井漏预测为未井漏与将未井漏预测为井漏对现场造成的损失有极大的差异,前者会严重影响钻井施工进程,造成巨大的经济损失,后者可能只是停工检修。为了让训练出模型能够考虑这种预测造成的损失不平衡,在模型训练时采用代价敏感错误率作为衡量指标。同时,为了加快优化模型的超参数(需人为设定的参数),采用自适应粒子群算法优化模型,如图3所示。最终,建立起粒子群-随机森林模型和粒子群-XGBoost模型。
步骤700,可按照代价敏感错误率、准确率、召回率等作为评估指标,对比优化后的各模型,综合选定最优的作为井漏预测模型。接着,导入待判定的新井数据进行风险识别,按照不同的预测反馈结果指定相应的对策。
本发明为井漏预测提供了一种全新的思路与方法,具体实现该技术方案的方法和途径还有很多,以上所述的实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,本领域技术人员对本发明的技术范围内,作出的各种变形和改进,均应包括在本发明权利要求书确定的保护范围内。
Claims (8)
1.一种代价最低化的井漏智能预测方法,其特征在于,所述方法包括:
获取测录钻井等现场井史数据;
对所述井史数据进行整合处理,去除冗余无效数据;
基于特征相关性分析,寻找一组特征组合满足:(1)各特征对漏失速度影响显著,(2)各特征之间不相关;
设置漏失速度阈值,构建分类划分节点,形成井漏风险等级;
以所述特征组合为输入,井漏等级为输出,构建多种机器学习预测模型;
建立代价敏感错误率模型评估指标,基于此,利用智能优化算法优化所述模型;
对比优化后的模型,性能最优的作为井漏预测模型;
对井漏预测模型输入待判定的新井数据,获得井漏风险情况,实现提前预警。
2.根据权利要求1所述的方法,其特征在于,所述测录钻井数据包括:钻井液密度、黏度和固相含量,钻速,钻压,破裂压力,地层压力,坍塌压力,孔隙度,渗透率,地应力差,岩石杨氏模量等多个地质和工程参数。
3.根据权利要求1所述的方法,其特征在于,所述对所述测录钻井数据进行整合处理的方法包括:
将非数值类型数据集合转化为数值类型数据类型,获得数值类型数据集合;
对所述数值类型数据集合,计算每个特征的数据缺失比例,填充缺失比例小于某一阈值的特征,同时删除缺失比例大于该阈值的特征。
4.根据权利要求1所述的方法,其特征在于,所述特征相关性分析方法包括:
计算每一个输入特征与输出特征的相关系数,删除其中相关系数小于阈值1的特征;
计算剩余的输入特征中任意两个特征之间的相关系数,按最小化信息损失原则删除其中相关系数大于阈值2的特征。
5.根据权利要求4所述的方法,其特征在于,所述最小化信息损失原则删除其中相关系数大于阈值2的特征,方法如下:
初始化特征组:提取出相关系数大于阈值2的特征对,形成特征组;
特征删除:计算特征组中每个特征出现的次数,删除其中出现次数最多的特征所在的特征对;若存在次数最多情况不唯一,删除其中任意一个特征所在的特征对;
更新特征组;
若特征组中特征对个数不为0,则转特征删除步骤继续迭代;否则,迭代停止,返回删除特征。
6.根据权利要求1所述的方法,其特征在于,采用随机森林、XGBoost等多个机器学习算法构建多个初始井漏预测模型。
7.根据权利要求1所述的方法,其特征在于,所述代价敏感错误率模型评估指标,构建方法如下:
构造指示函数,表达式为:
代价敏感错误率计算公式为:
其中,cost为代价矩阵,costi,j表示将类别i预测为类别j的代价,D为样例集,m为样本个数,yi为预测值,Yi为真实值。
8.根据权利要求1所述的方法,其特征在于,采用自适应粒子群算法优化所述井漏预测模型,方法如下:
种群和粒子初始化:粒子群规模N、最大迭代次数T、粒子的初始位置xi 0、初始速度vi 0;
以权利要求1所述代价敏感错误率构造适应度函数,表达式为:
更新粒子速度。粒子i在第k+1次迭代中第d维的速度计算公式如下:
式中,w为惯性权重,c1、c2为学习因子,r1、r2为区间[0,1]内的随机数,pk id,pbest为粒子i在第k次迭代中第d维的历史最优位置,pk id,gbest为群体在第i次迭代中第d维的历史最优位置;
更新粒子位置。粒子i在第k+1次迭代中第d维的位置计算公式如下:
自适应调整惯性权重,计算公式如下:
式中,w0为初始惯性权重,t为迭代次数;
若满足预设收敛条件或超出最大迭代次数,则停止;否则,转更新粒子速度步骤重复执行迭代过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311083624.XA CN117035197B (zh) | 2023-08-25 | 2023-08-25 | 一种代价最低化的井漏智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311083624.XA CN117035197B (zh) | 2023-08-25 | 2023-08-25 | 一种代价最低化的井漏智能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035197A true CN117035197A (zh) | 2023-11-10 |
CN117035197B CN117035197B (zh) | 2024-06-04 |
Family
ID=88626275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311083624.XA Active CN117035197B (zh) | 2023-08-25 | 2023-08-25 | 一种代价最低化的井漏智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035197B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118154046A (zh) * | 2024-05-10 | 2024-06-07 | 太原向明智控科技有限公司 | 一种顶板压力等级划分方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8201438B1 (en) * | 2008-04-18 | 2012-06-19 | Sandia Corporation | Detection of gas leakage |
US8775341B1 (en) * | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
CN107958292A (zh) * | 2017-10-19 | 2018-04-24 | 山东科技大学 | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 |
CN111983189A (zh) * | 2020-08-18 | 2020-11-24 | 成都理工大学 | 一种定量分析超深层膏盐岩与白云岩耦合机制的方法 |
CN112132321A (zh) * | 2020-08-25 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 一种基于机器学习对森林火灾预测分析的方法 |
CN113095593A (zh) * | 2021-04-30 | 2021-07-09 | 中国石油大学(北京) | 钻井井壁状态确定方法、装置及设备 |
CN113111586A (zh) * | 2021-04-19 | 2021-07-13 | 西南石油大学 | 一种基于神经网络的钻井堵漏配方预测方法 |
CN116384516A (zh) * | 2023-01-12 | 2023-07-04 | 厦门大学 | 一种基于集成学习的代价敏感云边协同方法 |
-
2023
- 2023-08-25 CN CN202311083624.XA patent/CN117035197B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8201438B1 (en) * | 2008-04-18 | 2012-06-19 | Sandia Corporation | Detection of gas leakage |
US8775341B1 (en) * | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
CN107958292A (zh) * | 2017-10-19 | 2018-04-24 | 山东科技大学 | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 |
CN111983189A (zh) * | 2020-08-18 | 2020-11-24 | 成都理工大学 | 一种定量分析超深层膏盐岩与白云岩耦合机制的方法 |
CN112132321A (zh) * | 2020-08-25 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 一种基于机器学习对森林火灾预测分析的方法 |
CN113111586A (zh) * | 2021-04-19 | 2021-07-13 | 西南石油大学 | 一种基于神经网络的钻井堵漏配方预测方法 |
CN113095593A (zh) * | 2021-04-30 | 2021-07-09 | 中国石油大学(北京) | 钻井井壁状态确定方法、装置及设备 |
CN116384516A (zh) * | 2023-01-12 | 2023-07-04 | 厦门大学 | 一种基于集成学习的代价敏感云边协同方法 |
Non-Patent Citations (4)
Title |
---|
"《计算机工程》2019年(第45卷)总目次", 计算机工程, no. 12, 15 December 2019 (2019-12-15) * |
张学洪;李黔;: "基于案例推理的井漏风险预警方法", 断块油气田, no. 02, 25 March 2017 (2017-03-25) * |
张菲菲: "基于机器学习的钻井工况识别技术现状及发展", 《长江大学学报(自然科学版)》, vol. 20, no. 4, 30 March 2023 (2023-03-30), pages 53 - 66 * |
谭天一: "考虑数据不平衡影响的钻井复杂智能诊断方法", 《石油钻采工艺》, vol. 43, no. 4, 20 July 2021 (2021-07-20) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118154046A (zh) * | 2024-05-10 | 2024-06-07 | 太原向明智控科技有限公司 | 一种顶板压力等级划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117035197B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
CN108388921B (zh) | 一种基于随机森林的溢流漏失实时识别方法 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN109508827A (zh) | 一种基于时间递归神经网络的钻井事故预警模型 | |
CN117035197B (zh) | 一种代价最低化的井漏智能预测方法 | |
Fjetland et al. | Kick detection and influx size estimation during offshore drilling operations using deep learning | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
CN115238861B (zh) | 一种基于井壁垮塌程度约束的安全钻井液密度确定方法 | |
CN113062731A (zh) | 一种钻井井下复杂工况智能识别方法 | |
CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
Abdel Azim | Application of artificial neural network in optimizing the drilling rate of penetration of western desert Egyptian wells | |
CN114482990A (zh) | 钻井溢流预警的方法及装置 | |
CN115059448A (zh) | 一种基于深度学习算法的地层压力监测方法 | |
CN116822971B (zh) | 一种井壁风险等级预测方法 | |
CN115438090A (zh) | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
Mnati et al. | Prediction of penetration rate and cost with artificial neural network for alhafaya oil field | |
CN113129157A (zh) | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 | |
Khamehchi et al. | Prediction of maximum oil production by gas lift in an Iranian field using auto-designed neural network | |
CN114065603B (zh) | 机械钻速预测方法及装置 | |
CN115293462B (zh) | 一种基于深度学习的漏失通道尺寸范围预测方法 | |
Wen et al. | Intelligent prediction and key factor analysis to lost circulation from drilling data based on machine learning | |
CN118134022A (zh) | 一种基于机器学习改进算法的地层压力预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |