CN117172360A - 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质 - Google Patents
一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117172360A CN117172360A CN202311039872.4A CN202311039872A CN117172360A CN 117172360 A CN117172360 A CN 117172360A CN 202311039872 A CN202311039872 A CN 202311039872A CN 117172360 A CN117172360 A CN 117172360A
- Authority
- CN
- China
- Prior art keywords
- drilling
- mlp
- data
- model
- rop
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 204
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 230000035515 penetration Effects 0.000 claims description 29
- 239000002245 particle Substances 0.000 claims description 26
- 239000003208 petroleum Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 239000002002 slurry Substances 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 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
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 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
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Landscapes
- Earth Drilling (AREA)
Abstract
一种基于MLP和高效PSO的钻井机械钻速优化方法、系统、设备及介质，方法包括：数据采集；数据预处理与特征提取；建立基于MLP的机械钻速ROP预测模型；对模型进行训练；建立预测优化模型；对模型进行预测；对模型进行评估和验证；系统、设备及介质，用于实现一种基于MLP和高效PSO的钻井机械钻速优化方法；本发明通过反复训练和测试得到预测精确度高的MLP预测模型；再用基于GPU的高效PSO算法对MLP模型进行进一步优化，通过算法寻找能使机械钻速ROP尽量大的钻井参数组合，再将最优钻井参数组合输入已训练好的MLP预测模型，以得到最优且最理想的机械钻速ROP；将本发明运用到实际钻井过程中，能大大提高钻井效率和准确性。
Description
技术领域
本发明涉及石油钻井技术领域，具体涉及一种基于MLP和高效PSO的钻井机械钻速优化设计方法。
背景技术
随着石油和天然气勘探不断向深层、海上和非传统方向发展，钻井的难度和成本不断增加，这是钻井优化的一个重要问题。为了应对这一挑战，钻井工程师们将注意力放到了钻井机械钻速ROP上，因为钻井的成本主要是由它的钻井时间决定。
机械钻速ROP的优化分为两个步骤：正向预测模型和反向优化模型。其中，ROP的预测模型是提高ROP和减少钻井时间的关键。研究人员们对于模型的建立已经从传统的基于数学方法和基于地质信息的方法，发展到如今的基于机器学习和深度学习网络框架的应用，并取得了大量良好的实验结果。专利CN202011454345.6设计了一种基于CART算法的油气钻井机械钻速预测和优化方法，综合考虑了钻井中的8个参数对机械钻速的影响，利用CART算法对钻井这些参数进行回归计算，建立了机械钻速影响因素的权重模型，从而更好地对机械钻速进行预测和优化。然而，在实际钻井过程中，机械钻速ROP还受到更多钻井参数的影响，与钻压、转速、流量等都有关，如何针对不同的地层条件和岩屑特性等因素，通过对历史钻井数据的深度挖掘和分析，建立智能化的数据预测和优化模型，仍然是亟待解决的问题。
深度学习中的多层感知机(MLP)神经网络模型拟合能力强，适用范围广，通过优化它的结构设计、激活函数的选择等技术，可以有效提高MLP模型的性能和预测精确度。粒子群(PSO)算法具有设计简单、全局搜索能力强、收敛速度快等特点，常用于解决各类复杂优化问题，利用其粒子并行寻优的特性将它与GPU架构相结合，可以大大提高PSO算法的性能。鉴于此，本发明提出一种基于MLP和高效PSO的钻井机械钻速优化设计方法，通过理论和实际案例的检验，MLP-PSO模型具有较高的准确性、可靠性和可解释性，可以为生产中的钻井参数优化提供更可靠的依据，以便于更好的规划钻井作业，提高钻井效率。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于MLP和高效PSO的钻井机械钻速优化方法、系统、设备及介质，以解决现有技术钻速预测与优化的智能算法单一，预测精确度不高，适用范围不够广的问题。
为了实现上述目的，本发明采用的技术方案是：
一种基于MLP和高效PSO的钻井机械钻速优化方法，包括以下步骤：
步骤1、石油钻井历史参数数据的采集；获取建模所需要的石油钻井历史参数数据，该数据包括井深(DEPTH)、钻头转速(RPMA)、钻头压力(WOBA)、泥浆流速(MFIA)、泥浆密度(MDIA)、钻井液流速(HKLA)、钻头扭矩(TQA)、钻井泵压力(SPPA)、泥浆渗透量(MFOA)、钻井液密度(BDTI)、钻头速度(TVA)、机械钻速(ROP)，并对实测数据建表保存；
步骤2、对步骤1采集的石油钻井历史参数数据进行预处理与特征提取；将步骤1采集到的石油钻井历史参数数据中为负值或空值的一些不合理数据进行剔除或者替换，为使所有特征数据都处于正常的取值范围内，采取异常值删除替换、临近值填充和异常数据格式调整操作对数据进行规范化处理；对经过预处理后的数据进行特征提取；先用随机森林算法分析各钻井参数的敏感性程度，筛选出敏感性较高的特征参数；接着用Pearson算法检测各特征参数与预测目标ROP之间的相关性，以选取相关性大的特征参数进行实验；将经过数据预处理和特征提取的钻井参数数据整理成表，作为后面模型训练和预测的数据集；
步骤3、建立基于MLP的钻井机械钻速ROP预测模型；将步骤2预处理后的参数数据作为输入，机械钻速ROP作为输出，建立基于MLP的钻井机械钻速ROP预测模型；基于MLP的钻井机械钻速ROP的预测模型采用多层感知机(MLP)的模型框架构建，它由输入层、隐藏层和输出层构成；模型使用钻井参数数据作为输入，机械钻速ROP作为输出，隐藏层使用ReLU激活函数，输出层使用tanh函数，并使用均方误差作为损失函数；
步骤4、对步骤3得到的预测模型进行训练，使用其中一口井的钻井参数数据作为训练数据集，采用其中70％的数据作为训练集，用以对模型的训练；剩下30％的数据作为验证集，用以对模型的调优和选择合适的超参数；使用另外一口井的钻井参数数据对训练得到的预测模型进行评估，将模型的预测结果与测试集中的真实数据进行比较，使用R2、MSE、相对误差三个指标来衡量模型的性能，以得到预测精确度高的基于MLP的钻井机械钻速ROP预测模型；
步骤5、建立基于MLP的钻井机械钻速ROP预测优化模型；利用高效PSO算法优化上述预测模型，设定PSO算法迭代结束的条件为达到指定精确度，以步骤4中得到的MLP模型的输出作为目标函数，优化搜索使机械钻速ROP最大化时的钻井参数组合；
步骤6、将步骤5中优化得到的钻井参数组合带入步骤4中得到精确度高的MLP预测模型，得到优化后的钻井机械钻速ROP；
步骤7：再将优化后的钻井机械钻速ROP与历史钻井参数中的数据进行比较，判断是否达到设定精确度10-6，以及与历史数据相比是否有提升，若未达到要求，则重复步骤5、6，直至得到满意结果；若满足给定精确度且有提升，即得到最终的基于MLP-PSO的钻井机械钻速ROP预测优化模型以及最佳钻井参数组合。
所述步骤5中，包含以下两个步骤：
步骤5.1建立机械钻速ROP优化模型，以MLP预测模型的输出作为目标函数，以限制钻头转速(RPMA)、钻头压力(WOBA)、泥浆流速(MFIA，式中为Q)的取值范围作为约束条件，建立使ROP最大化的优化模型方程；优化模型目标方程F如下：
式(1)中，WOB表示钻头压力，RPM表示钻头转速，Q表示泥浆流速，ROP表示机械转速，N表示优化方程输入的数据量大小；
其中，三个约束条件分别为：
WOBl≤WOB≤WOBu (2)
RPMl≤RPM≤RPMu| (3)
Ql≤Q≤Qu (4)
步骤5.2使用高效PSO算法对上述优化模型进行迭代寻优。
所述步骤5.2的执行过程包括：
步骤5.2.1数据初始化；
步骤5.2.2输入上述优化模型及参数约束条件；
步骤5.2.3粒子并行更新其速度和位置，找到最优钻井参数；
步骤5.2.4计算机械钻速ROP；
步骤5.2.5比较得到最优钻井参数配置和最优机械钻速ROP；
步骤5.2.6达到结束条件，否则重复步骤5.2.3-步骤5.2.5；
步骤5.2.6输出最优钻井参数和最优机械钻速ROP；
其中，步骤5.2.3中更新粒子的速度和位置的公式为：
式中，i＝1,2,…,M；d＝1,2,…,N。表示每个粒子的速度，/>表示该粒子的当前位置，/>表示该粒子的个体最优位置，/>表示粒子群的全局最优位置；ω是一个非负数，表示惯性因子，其值越大，粒子飞跃的范围越广；C1和C2表示粒子群的加速因子；r1，r2是[0,1]范围之内的任意数；α是约束因子，用来控制速度的权重。
一种基于MLP和高效PSO的钻井机械钻速优化系统，包括：
数据采集模块：用于石油钻井历史参数数据的采集；
数据处理模块：用于对获取的石油钻井历史参数数据进行处理与特征提取；
模型训练模块，用于基于石油钻井历史参数数据集对建立的钻速预测模型进行训练，得到训练好的钻速预测模型；
钻速预测模块，用于将待预测区块的实时钻井数据输入到钻速预测模型进行预测，得到机械钻速。
一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时，实现权利要求1至3任一项所述的一种基于MLP和高效PSO的钻井机械钻速优化方法。
一种计算机存储介质，所述存储介质上存储有计算机可读指令，所述计算机可读指令可被处理器执行，以实现根据权利要求1至3任一项所述的一种基于MLP和高效PSO的钻井机械钻速优化方法。
对于现有技术，本发明的有益效果在于：
1.高精确度预测能力和高效性：MLP作为一种常用的人工神经网络模型，能够对钻井机械在不同工况下的钻速进行准确预测；利用PSO并行计算的特点，结合GPU架构，使得在优化钻井机械钻速的过程中能够快速搜索找到全局最优解。
2.可迭代性和适应性：基于MLP和高效PSO的钻井机械钻速优化设计方法结合了MLP模型和PSO模型的优势，使之可以根据钻井机械的实际工作情况，及时不断调整模型和优化参数，以适应各种工况下的实际钻速需求。
综上所述，与现有技术相比，本发明采用将机器学习算法MLP和高效智能优化算法PSO相结合的方式，能够实现对石油钻井机械钻速ROP和钻井参数的高精确度预测和优化，具有显著提高石油钻井效率和减少钻井成本的优点。
附图说明
图1为本发明方法的流程图。
图2为随机森林算法建模过程局部图。
图3为pearson算法特征分析图。
图4为基于MLP的机械钻速ROP型结果图。
图5为高效PSO算法的流程图。
图6为基于MLP-PSO的机械钻速ROP预测和优化结果图。
具体实施方式
下面结合附图对本发明的技术方案做详细叙述。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
一种基于MLP和高效PSO的钻井机械钻速优化方法，包括以下步骤：
步骤1、石油钻井历史参数数据的采集；获取建模所需要的石油钻井历史参数数据，该数据包括井深(DEPTH)、钻头转速(RPMA)、钻头压力(WOBA)、泥浆流速(MFIA)、泥浆密度(MDIA)、钻井液流速(HKLA)、钻头扭矩(TQA)、钻井泵压力(SPPA)、泥浆渗透量(MFOA)、钻井液密度(BDTI)、钻头速度(TVA)、机械钻速(ROP)，并对实测数据建表保存；
步骤1中，获取同一地区两口不同油井的历史钻井参数数据如表1：
表1
表1为部分历史钻井参数数据展示，由表可以看出数据分布杂乱无规律，因此需要对原始数据进行预处理；
步骤2、参见图2，对步骤1采集的石油钻井历史参数数据进行预处理与特征提取；将步骤1采集到的石油钻井历史参数数据中为负值或空值的一些不合理数据进行剔除或者替换，为使所有特征数据都处于正常的取值范围内，采取异常值删除替换、临近值填充和异常数据格式调整操作对数据进行规范化处理；对经过预处理后的数据进行特征提取；先用随机森林算法分析各钻井参数的敏感性程度，筛选出敏感性较高的特征参数，以分析得到每一个特征对于预测目标的贡献程度评分，评分越大，对预测目标的敏感性越高，随机森林算法的建模过程；
参见图3，接着采用Pearson算法分析特征参数与预测目标的相关性，图3中颜色越深，说明相关性越大，分析可得，所选11个特征参数都与预测目标ROP有较大的相关关系，可以作为后续的模型训练和预测数据；
步骤3、建立基于MLP的钻井机械钻速ROP预测模型；将步骤2预处理后的参数数据作为输入，机械钻速ROP作为输出，建立基于MLP的钻井机械钻速ROP预测模型；基于MLP的钻井机械钻速ROP的预测模型采用基于多层感知机(MLP)的模型框架构建，它由输入层、隐藏层和输出层构成；模型使用钻井参数数据作为输入，机械钻速ROP作为输出，隐藏层使用ReLU激活函数，输出层使用tanh函数，并使用均方误差作为损失函数；
建立基于MLP的机械钻速ROP预测模型，模型由4层构成，每层具体参数如表2：
表2
表2为MLP预测模型内部各层参数的展示表，由表可以看出我们构建了一个4层的MLP模型，输入维度是11，输出维度是1，每个隐藏层的维度依次为1024，512，256，256，128，激活函数为ReLU；
步骤4、参见图4，对步骤3得到的钻井预测模型进行训练，使用其中一口井的钻井参数数据作为训练数据集，采用其中70％的数据作为训练集，用以对模型的训练；剩下30％的数据作为验证集，用以对模型的调优和选择合适的超参数，进行2000次训练后的结果；使用另外一口井的钻井参数数据对训练得到的预测模型进行评估，将模型的预测结果与测试集中的真实数据进行比较，使用R2、MSE、相对误差三个指标来衡量模型的性能，其R2为0.91，MSE为11.78，相对误差仅为2.8％，结果表明，此MLP预测模型能够很好地表征钻井工程参数与机械钻速ROP之间地内在关系，与现有技术相比，精度提高了46％左右；
步骤5、建立基于MLP的钻井机械钻速ROP预测优化模型；利用高效PSO算法优化上述预测模型，设定PSO算法迭代结束的条件为达到指定精确度，以步骤4中得到的MLP模型的输出作为目标函数，优化搜索使机械钻速ROP最大化时的钻井参数组合；所述步骤五中，包含以下两个步骤：
5.1建立机械钻速ROP优化模型，以MLP预测模型的输出作为目标函数，以限制钻头转速(RPMA)、钻头压力(WOBA)、泥浆流速(MFIA，式中为Q)的取值范围作为约束条件，建立使ROP最大化的优化模型方程；优化模型目标方程F如下：
式(1)中，WOB表示钻头压力，RPM表示钻头转速，Q表示泥浆流速，ROP表示机械转速，N表示优化方程输入的数据量大小；
其中，三个约束条件分别为：
WOBl≤WOB≤WOBu (2)
RPMl≤RPM≤RPMu| (3)
Ql≤Q≤Qu (4)
5.2参见图5，使用高效PSO算法对上述优化模型进行迭代寻优，此过程执行步骤如图5，本实施例以100m为优化周期，优化结果如图6；包括：
5.2.1数据初始化；
5.2.2输入上述优化模型及参数约束条件；
5.2.3粒子并行更新其速度和位置，找到最优钻井参数；
5.2.4计算机械钻速ROP；
5.2.5比较得到最优钻井参数配置和最优机械钻速ROP；
5.2.6达到结束条件，否则重复步骤S523-S525；
5.2.6输出最优钻井参数和最优机械钻速ROP；
其中，5.2.3中更新粒子的速度和位置的公式为：
式中，i＝1,2,…,M；d＝1,2,…,N。表示每个粒子的速度，/>表示该粒子的当前位置，/>表示该粒子的个体最优位置，/>表示粒子群的全局最优位置；ω是一个非负数，表示惯性因子，其值越大，粒子飞跃的范围越广；C1和C2表示粒子群的加速因子；r1，r2是[0,1]范围之内的任意数；α是约束因子，用来控制速度的权重；
步骤6、参见图6，根将步骤5中优化得到的钻井参数组合带入步骤4中得到精确度高的MLP预测模型，得到优化后的钻井机械钻速ROP；
步骤7、再将优化后的钻井机械钻速ROP与历史钻井参数中的数据进行比较，判断是否达到设定精确度10-6，以及与历史数据相比是否有提升，若未达到要求，则重复步骤5、6，直至得到满意结果；若满足给定精确度且有提升，即得到最终的基于MLP-PSO的钻井机械钻速ROP预测优化模型以及最佳钻井参数组合。
由实施例可见，与现有技术相比，本发明采用一种基于MLP和高效PSO的钻井机械钻速优化方法，能够精确而高效的实现对机械钻速ROP的预测和优化，机械钻速ROP相比历史数据提高了162％，钻井参数实时优化的速率提高了600％左右。
Claims (6)
1.一种基于MLP和高效PSO的钻井机械钻速优化方法，其特征在于，包括以下步骤：
步骤1、石油钻井历史参数数据的采集；获取建模所需要的石油钻井历史参数数据，该数据包括井深(DEPTH)、钻头转速(RPMA)、钻头压力(WOBA)、泥浆流速(MFIA)、泥浆密度(MDIA)、钻井液流速(HKLA)、钻头扭矩(TQA)、钻井泵压力(SPPA)、泥浆渗透量(MFOA)、钻井液密度(BDTI)、钻头速度(TVA)、机械钻速(ROP)，并对实测数据建表保存；
步骤2、对步骤1采集的石油钻井历史参数数据进行预处理与特征提取；将步骤1采集到的石油钻井历史参数数据中为负值或空值的一些不合理数据进行剔除或者替换，为使所有特征数据都处于正常的取值范围内，采取异常值删除替换、临近值填充和异常数据格式调整操作对数据进行规范化处理；对经过预处理后的数据进行特征提取；先用随机森林算法分析各钻井参数的敏感性程度，筛选出敏感性较高的特征参数；接着用Pearson算法检测各特征参数与预测目标ROP之间的相关性，以选取相关性大的特征参数进行实验；将经过数据预处理和特征提取的钻井参数数据整理成表，作为后面模型训练和预测的数据集；
步骤3、建立基于MLP的钻井机械钻速ROP预测模型；将步骤2预处理后的参数数据作为输入，机械钻速ROP作为输出，建立基于MLP的钻井机械钻速ROP预测模型；基于MLP的钻井机械钻速ROP的预测模型采用多层感知机(MLP)的模型框架构建，它由输入层、隐藏层和输出层构成；模型使用钻井参数数据作为输入，机械钻速ROP作为输出，隐藏层使用ReLU激活函数，输出层使用tanh函数，并使用均方误差作为损失函数；
步骤4、对步骤3得到的基于MLP的钻井机械钻速ROP预测模型进行训练，使用其中一口井的钻井参数数据作为训练数据集，采用其中70％的数据作为训练集，用以对模型的训练；剩下30％的数据作为验证集，用以对模型的调优和选择合适的超参数；使用另外一口井的钻井参数数据对训练得到的预测模型进行评估，将模型的预测结果与测试集中的真实数据进行比较，使用R2、MSE、相对误差三个指标来衡量模型的性能，以得到预测精确度高的基于MLP的钻井机械钻速ROP预测模型；
步骤5、建立基于MLP的钻井机械钻速ROP预测优化模型；利用高效PSO算法优化上述预测模型，设定PSO算法迭代结束的条件为达到指定精确度，以步骤4中得到的MLP模型的输出作为目标函数，优化搜索使机械钻速ROP最大化时的钻井参数组合；
步骤6、将步骤5中优化得到的钻井参数组合带入步骤4中得到精确度高的MLP预测模型，得到优化后的钻井机械钻速ROP；
步骤7：再将优化后的钻井机械钻速ROP与历史钻井参数中的数据进行比较，判断是否达到设定精确度10-6，以及与历史数据相比是否有提升，若未达到要求，则重复步骤5、6，直至得到满意结果；若满足给定精确度且有提升，即得到最终的基于MLP-PSO的钻井机械钻速ROP预测优化模型以及最佳钻井参数组合。
2.根据权利要求1所述的一种基于MLP和高效PSO的钻井机械钻速优化方法，其特征在于，所述步骤5中，包含以下两个步骤：
步骤5.1建立机械钻速ROP优化模型，以MLP预测模型的输出作为目标函数，以限制钻头转速(RPMA)、钻头压力(WOBA)、泥浆流速(MFIA，式中为Q)的取值范围作为约束条件，建立使ROP最大化的优化模型方程；优化模型目标方程F如下：
式(1)中，WOB表示钻头压力，RPM表示钻头转速，Q表示泥浆流速，ROP表示机械转速，N表示优化方程输入的数据量大小；其中，三个约束条件分别为：
WOBl≤WOB≤WOBu (2)
RPMl≤RPM≤RPMu (3)
Ql≤Q≤Qu (4)
步骤5.2使用高效PSO算法对上述优化模型进行迭代寻优。
3.根据权利要求2所述一种基于MLP和高效PSO的钻井机械钻速优化方法，其特征在于：所述步骤5.2的执行过程包括：
步骤5.2.1数据初始化；
步骤5.2.2输入上述优化模型及参数约束条件；
步骤5.2.3粒子并行更新其速度和位置，找到最优钻井参数；
步骤5.2.4计算机械钻速ROP；
步骤5.2.5比较得到最优钻井参数配置和最优机械钻速ROP；
步骤5.2.6达到结束条件，否则重复步骤S523-S525；
步骤5.2.6输出最优钻井参数和最优机械钻速ROP；
其中，5.2.3中更新粒子的速度和位置的公式为：
式中，i＝1,2,…,M；d＝1,2,…,N。表示每个粒子的速度，/>表示该粒子的当前位置，/>表示该粒子的个体最优位置，/>表示粒子群的全局最优位置；ω是一个非负数，表示惯性因子，其值越大，粒子飞跃的范围越广；C1和C2表示粒子群的加速因子；r1，r2是[0,1]范围之内的任意数；α是约束因子，用来控制速度的权重。
4.一种基于MLP和高效PSO的钻井机械钻速优化系统，其特征在于，包括：
数据采集模块：用于石油钻井历史参数数据的采集；
数据处理模块：用于对获取的石油钻井历史参数数据进行处理与特征提取；
模型训练模块，用于基于石油钻井历史参数数据集对建立的钻速预测模型进行训练，得到训练好的钻速预测模型；
钻速预测模块，用于将待预测区块的实时钻井数据输入到钻速预测模型进行预测，得到机械钻速。
5.一种处理设备，所述处理设备至少包括处理器和存储器，其特征在于，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时，实现权利要求1至3任一项所述的一种基于MLP和高效PSO的钻井机械钻速优化方法。
6.一种计算机存储介质，其特征在于，所述存储介质上存储有计算机可读指令，所述计算机可读指令可被处理器执行，以实现根据权利要求1至3任一项所述的一种基于MLP和高效PSO的钻井机械钻速优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311039872.4A CN117172360A (zh) | 2023-08-17 | 2023-08-17 | 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311039872.4A CN117172360A (zh) | 2023-08-17 | 2023-08-17 | 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117172360A true CN117172360A (zh) | 2023-12-05 |
Family
ID=88943958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311039872.4A Pending CN117172360A (zh) | 2023-08-17 | 2023-08-17 | 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172360A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117759221A (zh) * | 2024-02-21 | 2024-03-26 | 中海油田服务股份有限公司 | 井下旋转井壁取心控制方法及系统 |
-
2023
- 2023-08-17 CN CN202311039872.4A patent/CN117172360A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117759221A (zh) * | 2024-02-21 | 2024-03-26 | 中海油田服务股份有限公司 | 井下旋转井壁取心控制方法及系统 |
| CN117759221B (zh) * | 2024-02-21 | 2024-05-03 | 中海油田服务股份有限公司 | 井下旋转井壁取心控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2966043C (en) | Method and apparatus for drilling a new well using historic drilling data | |
| CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
| CN110852018B (zh) | 基于神经网络的pso钻井参数优化方法 | |
| CN113723838B (zh) | 基于卷积神经网络的随钻安全风险智能识别方法 | |
| CN111520123B (zh) | 一种机械钻速预测方法、装置及设备 | |
| US8005658B2 (en) | Automated field development planning of well and drainage locations | |
| CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| CN110807544B (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
| WO2020125682A1 (zh) | 一种应用随钻数据计算岩石强度的方法和系统 | |
| CN114972384A (zh) | 一种基于深度学习的隧道岩体智能快速区域分级方法 | |
| CN117172360A (zh) | 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质 | |
| CN113062731B (zh) | 一种钻井井下复杂工况智能识别方法 | |
| CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
| CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
| CN113806889A (zh) | 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备 | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
| CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
| CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
| 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 | |
| CN115049173A (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 | |
| CN115434696A (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
| CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 | |
| CN112727433A (zh) | 一种钻井参数优化方法 | |
| CN113673175B (zh) | 基于bp-dematel-ism模型的钻井井筒压力失衡影响因素分析方法 | |
| CN117633658B (zh) | 岩石储层岩性识别方法及系统 |
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 |