CN117271980A - 钻进数据处理方法、装置、电子设备及存储介质 - Google Patents
钻进数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117271980A CN117271980A CN202311532702.XA CN202311532702A CN117271980A CN 117271980 A CN117271980 A CN 117271980A CN 202311532702 A CN202311532702 A CN 202311532702A CN 117271980 A CN117271980 A CN 117271980A
- Authority
- CN
- China
- Prior art keywords
- drilling
- data
- slope
- drilling data
- determining
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 612
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 102
- 238000013075 data extraction Methods 0.000 claims abstract description 82
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 238000006073 displacement reaction Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 59
- 230000000694 effects Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 239000011435 rock Substances 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000784303 Ochrosia compta Species 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- E21B47/04—Measuring depth or liquid level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geochemistry & Mineralogy (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Geophysics (AREA)
- Earth Drilling (AREA)
Abstract
本发明涉及钻井钻进技术领域，提供一种钻进数据处理方法、装置、电子设备及存储介质，该方法包括：获取目标钻井的原始钻进数据；基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据；基于待评价钻进数据确定计算钻进深度；根据计算钻进深度和测量钻进深度确定评价系数；确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据。本发明通过基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据，然后基于待评价钻进数据确定评价系数，并在确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据，能够实现自动化且高效地处理大规模的钻进数据集，从而节省了时间和人力资源。
Description
技术领域
本发明涉及钻井钻进技术领域，尤其涉及一种钻进数据处理方法、装置、电子设备及存储介质。
背景技术
钻孔是岩土工程领域重要的勘探手段。钻孔勘探就是在岩土体内部进行的一种原位剪切和扭转试验，通过记录和分析钻孔过程产生的大量钻进信息，可以有效地掌握钻孔周围岩土体的物理力学特性。数字钻进技术通过设置高精度数字监测仪器，自动采集和分析随深度变化的钻进数据。它能够全面、连续和准确地实时获取岩体钻进过程中的推进压力、旋转速度、钻进扭矩以及电压电流等响应信息。但是目前采集到的钻进数据存在无效数据和不准确的数据，制约数据分析结果的正确性。
发明内容
针对现有技术存在的问题，本发明提供一种钻进数据处理方法、装置、电子设备及存储介质。
本发明提供一种钻进数据处理方法，包括：
获取目标钻井的原始钻进数据；
基于数据提取阈值和钻进斜率阈值从所述原始钻进数据中获取待评价钻进数据；
基于所述待评价钻进数据确定计算钻进深度；
根据所述计算钻进深度和测量钻进深度确定评价系数；
确定所述评价系数满足预设的取值范围时，确定所述待评价钻进数据为所需的钻进数据。
在一个实施例中，钻进数据包括多个数据项，从多个数据项中确定至少一个数据项作为数据提取项，钻进数据包括多个钻进区间对应的数据，钻进斜率为钻进位移随时间变化曲线的斜率，相应地，所述基于数据提取阈值和钻进斜率阈值从所述原始钻进数据中获取待评价钻进数据，包括：
基于至少一个数据提取项对应的数据提取阈值，从所述原始钻进数据中提取出待筛选钻进数据；
根据所属于每个钻进区间内的待筛选钻进数据确定实际钻进斜率；
基于所述实际钻进斜率和钻进斜率阈值的比较结果，从所述待筛选钻进数据中获取待评价钻进数据。
在一个实施例中，将每个钻进区间划分为多个钻进子区间，根据每个钻进子区间内的待筛选钻进数据确定对应的实际钻进斜率，相应地，基于所述实际钻进斜率和每个钻进区间对应的钻进斜率阈值的比较结果，从所述待筛选钻进数据中获取待评价钻进数据，包括：
若所有钻进子区间对应的实际钻进斜率均小于钻进斜率阈值，则滤除所述钻进区间对应的待筛选钻进数据；
若至少有一个钻进子区间对应的实际钻进斜率等于或大于钻进斜率阈值，则将所述钻进区间对应的待筛选钻进数据作为待评价钻进数据。
在一个实施例中，所述方法还包括：数据提取阈值的获取步骤，包括：
确定对应于数据提取项的多个取值区间；
基于多个取值范围对钻进数据样本进行聚类，获得每个取值区间对应的钻进数据数目，并进行由大到小的排序；
基于由大到小的数据数目的求和结果，当求和结果大于预设值时，根据当前的求和结果对应的取值区间确定数据提取阈值。
在一个实施例中，所述方法还包括：钻进斜率阈值的获取步骤，包括：
确定各个钻进区间的整体斜率，基于所述整体斜率确定正常斜率范围；
基于正常斜率范围确定划分规则，根据划分规则划分非正常斜率范围；
统计各个非正常斜率范围对应的数据数目，基于最大数据数目的非正常斜率范围确定钻进斜率阈值。
在一个实施例中，所述方法还包括：
确定所述评价系数不满足预设的取值范围时，基于新的数据提取阈值和钻进斜率阈值从所述原始钻进数据中获取待评价钻进数据，基于所述待评价钻进数据确定计算钻进深度；根据所述计算钻进深度和测量钻进深度确定评价系数；再次判断所述评价系数是否满足预设的取值范围。
在一个实施例中，所述方法还包括：
对确定的所需的钻进数据进行异常数值识别、极值去除、噪声滤除、聚类分析和指标关联的处理，获得标准化钻进数据集；
基于标准化钻进数据集生成数据图表进行展示。
本发明还提供一种钻进数据处理装置，包括：
采集模块，用于获取目标钻井的原始钻进数据；
选择模块，用于基于数据提取阈值和钻进斜率阈值从所述原始钻进数据中获取待评价钻进数据；
计算模块，用于基于所述待评价钻进数据确定计算钻进深度；
评价模块，用于根据所述计算钻进深度和测量钻进深度确定评价系数；
判断模块，用于确定所述评价系数满足预设的取值范围时，确定所述待评价钻进数据为所需的钻进数据。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述钻进数据处理方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述钻进数据处理方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述钻进数据处理方法。
本发明提供的一种钻进数据处理方法、装置、电子设备及存储介质，通过基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据，然后基于待评价钻进数据确定评价系数，并在确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据，能够实现自动化且高效地处理大规模的钻进数据集，从而节省了时间和人力资源，提高了整个钻进数据处理过程的效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的钻进数据处理方法的流程示意图；
图2是本发明提供的钻进过程的旋转速度直方图统计图；
图3是本发明提供的钻进数据对应的钻进斜率示意图；
图4是本发明提供的钻进位移斜率饼状图统计图；
图5是本发明提供的钻进压力与时间关系曲线示意图；
图6是本发明提供的钻进过程可视化示意图；
图7是本发明提供的钻进数据处理装置的结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图8描述本发明的一种钻进数据处理方法、装置、电子设备及存储介质。
图1示出了本发明提供的一种钻进数据处理方法的流程示意图，参见图1，该方法包括：
11、获取目标钻井的原始钻进数据；
12、基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据；
13、基于待评价钻进数据确定计算钻进深度；
14、根据计算钻进深度和测量钻进深度确定评价系数；
15、确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据。
对此，需要说明的是，钻孔是岩土工程领域重要的勘探手段。钻孔勘探就是在岩土体内部进行的一种原位剪切和扭转试验，通过记录和分析钻孔过程产生的大量钻进信息，可以有效地掌握钻孔周围岩土体的物理力学特性。数字钻进技术通过设置高精度数字监测仪器，自动采集和分析随深度变化的钻进数据。它能够全面、连续和准确地实时获取岩体钻进过程中的推进压力、旋转速度、钻进扭矩以及电压电流等响应信息。但是目前采集到的钻进数据存在无效数据和不准确的数据，制约数据分析结果的正确性。
由此，本发明提供一种钻进数据处理方法，主要是对每一个钻进所采集到的钻进数据进行分析，以从钻进数据中分析出合格的所需的钻进数据。需要说明的是，本发明可以对钻进过程中的数据进行实时判断及采集，也可以对整个钻进过程中的钻进数据完成采集之后，再对采集后的钻进数据进行筛选，最终得到所需的钻进数据。
在本发明中，针对某个钻进进行钻进过程中采集到的数据作为原始钻进数据，以作为分析处理的对象，也便于与最终得到的钻进数据进行区别。钻进数据包括多种数据项，如日期时间、钻进压力、钻进扭矩、钻进位移、电流、旋转速度等，在此不再一一举出。
在本发明中，随着时间的发展，整个钻进过程中会产生多条钻进数据。每条钻进数据均包含多条数据项。要从原始钻进数据中筛选出所需的钻进数据。需要对每条原始钻进数据进行判断，判断该条原始钻进数据是否是所需的数据。
要从大量的原始钻进数据中筛选出所需的钻进数据，需要以一个筛选条件去分析每条原始钻进数据。在本发明中，基于所需的数据项，可以设置对应的数据提取阈值，然后判断每条原始钻进数据的该项数据项的数值与数据提取阈值的比较情况，基于比较情况可以判断该条原始钻进数据是否需要保留。
在本发明中，也可能会存在经数据提取阈值判断后保留的原始钻进数据也是无效的数据，为此，还可继续依据钻进斜率阈值对保留下的钻进数据进行再次分析处理，以进一步得到更为有价值的钻进数据，此时得到的钻进数据为待评价钻进数据。
在本发明中，从原始钻进数据筛选得到待评价钻进数据的处理过程中，基于不同的处理阶段，可以采用相对应的数据提取阈值或钻进斜率阈值对数据进行分析判断。另外，还需要说明的是，除了数据提取阈值和钻进斜率阈值，还可基于其他判断条件，以及与其他判断条件进行组合，对原始钻进数据进行筛选。
在本发明中，存在待评价钻进数据是满足上述的筛选条件的，但这些数据是对分析结果的效果的好坏可能产生影响。为此，要对待评价钻进数据进行好坏的评价。待评价钻进数据是对某个钻井的整个钻进过程的体现，为此，基于待评价钻进数据可以计算得到整个钻进过程的钻进深度，由于是基于钻进数据计算得到，为了与实际钻进深度进行区分，这里计算得到的钻进深度，称为计算钻进深度。
根据计算钻进深度和测量钻进深度可以确定评价系数，该评价系数能够表征通过上述筛选条件筛选出的钻进数据是否能够反映整体钻进过程。故当确定评价系数满足预设的取值范围时，此时，可以确定待评价钻进数据为所需的钻进数据。
在本发明中，进一步的，在所需的钻进数据确定之后，可建立存储及可读取的文件夹。建立存储、读取文件夹是自动在用户计算机系统中创建一个用于存放、读取数据信息的目录。该文件夹对应着全处理过程不同阶段下产生的数据信息，生成的文件夹。
本发明提供的钻进数据处理方法，通过基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据，然后基于待评价钻进数据确定评价系数，并在确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据，能够实现自动化且高效地处理大规模的钻进数据集，从而节省了时间和人力资源，提高了整个钻进数据处理过程的效率。
在上述方法的进一步方法中，主要是对基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据的处理过程的解释说明，具体如下：
基于至少一个数据提取项对应的数据提取阈值，从原始钻进数据中提取出待筛选钻进数据；
根据所属于每个钻进区间内的待筛选钻进数据确定实际钻进斜率；
基于实际钻进斜率和钻进斜率阈值的比较结果，从待筛选钻进数据中获取待评价钻进数据。
对此，需要说明的是，在本发明中，钻进数据包括多个数据项，从多个数据项中确定至少一个数据项作为数据提取项，基于该数据提取项对应的数据提取阈值，从原始钻进数据中提取出待筛选钻进数据。
在本发明中，工程不同、地层不同、区域不同、钻机型号不同、钻进操作习惯不同，会导致操作者根据具体情况选择不同的档位。比如，根据档位的高低可分为低档、中档和高档，在初始钻进过程中，操作者通常习惯使用低档进行开孔，以防止开孔轨迹偏离；后续为提高钻进效率，会选用中档或高档。很显然，不同的档位对应着不同的钻头的旋转速度。若以旋转速度作为数据提取项，此时，会存在一个旋转速度的数据提取阈值。那么便可以基于每条钻进数据中的旋转速度与数据提取阈值进行比较，从而判断钻进数据是否可以被划分到待筛选的钻进数据。
在本发明中，数据提取阈值为阈值上下限。即数据提取阈值范围。以根据不同情况动态确定选取的数据提取项合适的提取阈值上下限。这样可以提高数据提取的准确性和适应性，使其能够应对不同的钻进情况，包括新钻孔的钻进过程。
某个孔的钻进区间/>可以采用如下对应关系表示：
；
式中，对应不同的钻孔，/>是不同钻孔在某个数据提取项的提取阈值上下限。
更进一步的，数据提取阈值的获取步骤，包括：
确定对应于数据提取项的多个取值区间；
基于多个取值范围对钻进数据样本进行聚类，获得每个取值区间对应的钻进数据数目，并进行由大到小的排序；
基于由大到小的数据数目的求和结果，当求和结果大于预设值时，根据当前的求和结果对应的取值区间确定数据提取阈值。
对此，需要说明的是，在本发明中，可以针对某一项数据提取项预设多个取值区间，然后将钻进数据样本在多个取值范围内进行聚类，以此能够统计出每个取值区间对应的钻进数据数目。也可以不用预先给出取值区间，直接对钻进数据样本进行聚类，得到多个聚类簇，基于聚类簇的数据找寻对应的取值区间。
基于每个取值区间对应的钻进数据数目进行大小排序，然后从大到小依旧对数据数目进行求和，当求和结果大于预设值后，根据当前的求和结果对应的各个取值区间确定数据提取阈值。在这里，需要说明的是，该求和结果可以直接以数据数目进行求和，也可以基于数据数目进行一定的处理（如归一化处理）再进行求和。还需要说明的是，若存在多个取值区间，在后续会根据预设的选取规则选取其中的一个取值区间作为数据提取阈值，也可以根据多个取值区间确定一个取值区间。
在本发明中，确定数据提取阈值的方法可以采用聚类法、密度法或直方图法。聚类法通过将数据样本进行聚类，找到聚类结果中具有代表性的聚类簇，将其对应的数据范围作为阈值区间的上下限。密度法则通过计算数据点的密度来确定阈值区间，直方图法则根据数理统计分布来确定阈值区间。这些方法的本质思路是一致的，即找到数据分布集中的区域。
这里以钻头的旋转速度的直方图为例进行提取阈值的确定说明，如图2所示。直方图横坐标每个取值范围对应两个提取阈值（阈值下限）和/>（阈值上限），j为奇数。并按照取值范围所对应的矩形面积由高到低排列提取阈值，结果为/>,/>,/>,,/>,/>。矩形面积/>求取公式为：
；
式中，是区间/>所对应的数目。对所有矩形面积求和，然后归一化，再然后由高到低逐区间求和，若：
；
式中，是最小面积阈值。例如/>取值为0.95，即矩形面积总和超过0.95时，所对应的取值范围/>，它们确定为所需的数据提取阈值。
本发明能够自适应性使得有效钻进过程数据的提取灵活地适应各种钻孔情况，并根据实时数据确定合理的阈值，从而提高数据提取的准确性和适应性。
此外，还可以通过自适应确定的数据提取阈值快速确定现场操作者经常采用的钻孔档位情况。
在本发明中，一个钻井的钻进过程会基于各种因素产生钻进停顿，钻进更换钻头，钻进续接钻杆等状况，这样会造成整个钻进过程会产生多个钻进区间，这里的钻进区间相对于产生钻进数据的阶段。为此，采集到的完整的钻进数据包括多个钻进区间对应的数据。
例如钻进地层存在覆盖层时，为了达到基岩前，通常会先进行风钻，然后下入一定长度的护壁钢管。然而，在下入钢管的过程中可能会夹带一些泥沙，并在孔底沉积。因此，当再次钻进这个“沉积”区域时，会产生一定的压力和转速，存在将“沉积”钻进数据误认为是基岩地层数据的风险。如图3所示，从数据表现来看，初始钻进时，钻进区间内钻进位移参数斜率发展过快，斜率数值超过正常基岩钻孔过程的10倍，①、②和③为无效钻进过程。
在本发明中，钻进位移会随着时间变化，为此，基于钻进数据可以转化成一条曲线，该曲线可以计算得到对应的斜率，即为钻进斜率。针对每个钻进区间的待筛选钻进数据可以确定对应的实际钻进斜率，然后基于实际钻进斜率与钻进斜率阈值的比较结果，从待筛选钻进数据中获取待评价钻进数据。例如当某个钻进区间对应的实际钻进斜率小于钻进斜率阈值，则该钻进区间对应的实际钻进斜率可看作是无效的数据，此时将该钻进区间对应的待筛选钻进数据筛除。
进一步的，将每个钻进区间划分为多个钻进子区间，根据每个钻进子区间内的待筛选钻进数据确定对应的实际钻进斜率，相应地，基于实际钻进斜率和每个钻进区间对应的钻进斜率阈值的比较结果，从待筛选钻进数据中获取待评价钻进数据，包括：
若所有钻进子区间对应的实际钻进斜率均小于钻进斜率阈值，则滤除所述钻进区间对应的待筛选钻进数据；
若至少有一个钻进子区间对应的实际钻进斜率等于或大于钻进斜率阈值，则将钻进区间对应的待筛选钻进数据作为待评价钻进数据。
对此，需要说明的是，在本发明中，无效钻进过程滤除准则如下：
；
式中，为钻进区间的钻进位移随时间变化曲线的斜率，/>为无效钻进过程的钻进斜率阈值，即小于此阈值的钻进区间均视为无效钻进过程，即该钻进区间对应的钻进数据为无效数据，需要滤除掉。
另外，为防止异常数据对斜率求解的影响，提出带有容错机制的斜率的求解方案，其中：
；
式中，为钻进区间的钻进时间，/>为钻进区间的位移首值；/>为钻进区间的位移1/4值；/>为钻进区间的位移1/2值；/>为钻进区间的位移末值；/>为钻进区间0到1/4范围内的斜率；/>为钻进区间0到1/2范围内的斜率；/>为钻进区间0到1范围内的斜率；为钻进区间1/4到1/2范围内的斜率。带有容错机制的斜率K只有当所有钻进区间分段处的斜率小于无效钻进过程的阈值，才视为无效钻进过程。
更进一步的，钻进斜率阈值的获取步骤，包括：
确定各个钻进区间的整体斜率，基于整体斜率确定正常斜率范围；
基于正常斜率范围确定划分规则，根据划分规则划分非正常斜率范围；
统计各个非正常斜率范围对应的数据数目，基于最大数据数目的非正常斜率范围确定钻进斜率阈值。
对此，需要说明的是，在本发明中，参见图4所示，该整体斜率位于-0.5到0之间，对-0.5到0再次划分为-0到-0.2和-0.5到-0.2，基于这个划分方式可以确定一个划分规则，参见图5，还划分为-3到-2，-2到-0.5。在这里，-0到-0.2和-0.5到-0.2是正常斜率范围，-3到-2，-2到-0.5是非正常斜率范围。
继续参见图4，-0到-0.2和-0.5到-0.2的总体占比达到95%，而由于“沉积”区域导致的斜率数值多位于区间（-3，-2）。因此，获得的无效钻进过程阈值为-2。
更进一步的，根据计算钻进深度和测量钻进深度确定评价系数，确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据，具体如下：
S1：确定钻进过程钻进数据提取开始条件：钻进压力大于0，旋转速度大于根据数据提取阈值的下限，并小于阈值的上限。
S2：确定钻进过程钻进数据提取结束条件：钻进压力小于或等于0，旋转速度小于数据提取阈值的下限；
S3：确定其他限定条件：根据无效钻进过程滤除模块滤除存在异常斜率的钻进区间；滤除钻进时间小于60s的钻进区间（正常的钻进过程远大于此数值）。
S4：将单个孔的多个钻进区间的钻进位移进行首尾值拼接，拼接后的钻进位移起始值与钻进实际初始位置相匹配，拼接后的钻进位移终点值为计算钻进深度。本发明提及的钻进位移起始值为0。
S5：钻进过程数据提取效果评价，主要是对S4中的计算钻进深度进行评价，以确定其是否与工程实际现场孔深测绳测量的钻进深度/>相一致。提取效果评价准则如下：
；
式中，为评价系数。评价系数取值范围及对应的钻进过程数据提取效果评价如表1所示。即只有当误差不超过10%时，才认为钻进过程数据提取效果是良好和优秀的。当评价效果为差或极差时，调整旋转速度对应的数据提取阈值。重复以上过程，直到评价效果为良好或优秀；若调整完旋转速度对应的数据提取阈值，效果仍然为差或极差时，发布钻进过程预警，并及时与现场钻进人员联系。
确定评价系数不满足预设的取值范围时，基于新的数据提取阈值和钻进斜率阈值从所述原始钻进数据中获取待评价钻进数据，基于待评价钻进数据确定计算钻进深度；根据计算钻进深度和测量钻进深度确定评价系数；再次判断评价系数是否满足预设的取值范围。
以上述的旋转速度对应的数据提取阈值区间共有三个，为，/>，，第一个选取的阈值区间为/>，旋转速度阈值区间下限为/>, 旋转速度阈值区间上限为/>。若不满足钻进过程数据提取效果评价标准，继续重复以上过程。对数据提取阈值进行调整，可以基于/>，调整的数据提取阈值为/>，然后继续重复以上过程，并获得了与测量钻进深度相匹配的优秀的结果。
表1 钻进过程数据提取效果评价表
更进一步的，对确定的所需的钻进数据进行异常数值识别、极值去除、噪声滤除、聚类分析和指标关联的处理，获得标准化钻进数据集；基于标准化钻进数据集生成数据图表进行展示。
对此，需要说明的是，在本发明中，钻进数据中的异常数据可能来自不同的来源，如传感器误差、环境干扰或设备故障。这些异常数据呈现出不同的统计特性，如：连续范围内峰值样本、短暂时间的极端值等。对于不同类型的异常数据需要采用不同的滤除方法。
在异常数值识别过程中，采用基于聚类的方法识别钻进数据中异常数值，聚类方法可以为K-means算法、DBSCAN算法、层次聚类算法等。这里以K-means算法为例，进行说明，具体步骤如下：
S11将单个钻孔数据进行归一化处理，确保数据符合K-means聚类算法的输入要求。
S12根据确定的自适应提取阈值区间的个数，设定K-means中的聚类数目K。
S13使用设定的聚类数目K对钻进参数进行聚类操作。根据聚类结果，通过离群程度将钻进数据分为以下两种：
总体分布偏离：根据钻进数据的分布情况，检测偏离较大的数据点。
局部分布偏离：根据每个聚类中心周围的邻域进行分析，检测局部分布偏离较大的数据点。
如图5所示，黑色虚线矩形框数据为钻进压力总体分布偏离（极值），黑色虚线圆形框数据为钻进压力局部分布偏离（噪声）。
聚类法识别异常值具有以下优势：通过将钻进数据点划分为不同的簇或类别，聚类法可以识别和去除那些与其他数据点差异较大的异常值。聚类法能够更加自动化地检测异常值，无需先验知识。此外，聚类法还可以根据钻进数据的分布特点自适应地进行钻进异常值检测，适用于不同地层、不同孔的钻进数据集。
在极值去除的处理过程中，根据异常数值识别过程确定的总体分布偏离数据，设定极值检测阈值，将被判定为极值的数据点从数据集中删除，或者标记处理。
在噪声滤除的处理过程中，根据异常数值识别过程确定的局部分布偏离数据，通过以下步骤进行噪声滤除：
S21、间隔取点，消除不必要的波动和干扰。数据采集频率为10Hz，将取点间隔设置为10，即每1s取1个数据点，保留数据趋势的同时，降低了噪声，提高了处理效率。
S22、选择合适的滤波器类型，包括低通、高通、带通和带阻滤波器。根据需要可选择巴特沃斯高通滤波器，允许高频信号通过，同时抑制低频信号。
S23、通过试错法确定巴特沃斯高通滤波器阶数和截止频率。滤波器阶数越高，滤波效果越好，但计算复杂度也增加；截止频率决定了允许通过的最低频率。
S24、将S21处理的数据输入巴特沃斯滤波器并进行滤波处理。
另外，对经过极值去除和噪声滤除的钻进数据再次进行聚类，当无法从钻进数据中划分出总体分布偏离和局部分布偏离的数据时，停止钻进数据异常数值滤除工作，认为得到了质量优秀的钻进数据集。
本发明可以最大限度地降低钻进数据中可能存在的异常值，提高数据质量，为后续的数据分析和应用提供更加可靠和准确的基础。
在本发明中，利用以上述步骤得到的良好优秀的钻进数据，得到衡量钻进质量和性能的关键指标，例如钻进速度、钻进耗能和钻进效率等。同时，还考虑钻进区域的岩体特征，如单轴抗压强度、CAI值和岩石硬度等。将这些数据整合起来，形成一个标准化的钻进数据集，以供后续的分析和应用。
通过构建标准化的钻进数据集，可以提供给其他模块或应用程序使用，为数字钻进决策和优化提供基础和依据。另外，全过程钻进数据处理进行可视化展示，方便数据的校核与回溯。利用的绘图库均适用于Python语言，比如Pandas、NumPy、SQLAlchemy、Matplotlib、Seaborn和Plotly等。可视化展示步骤包括：
S31、确定初始钻进位移索引，初始钻进位移为零。
S32、确定结束钻进位移索引，结束钻进位移为某钻孔中的计算钻进深度。
S33、确定纵坐标间隔，取5m。
S34、确定子图排列位置。根据预设的画布大小，绘制钻进位移、钻进速度、钻进压力和旋转速度等钻进参数数值，本发明的子图一共4副，分别为钻进时间、钻进速度、钻进压力和旋转速度。钻进过程可视化结果见图6。
下面对本发明提供的钻进数据处理装置进行描述，下文描述的钻进数据处理装置与上文描述的钻进数据处理方法可相互对应参照。
图7示出了本发明提供的一种钻进数据处理装置的结构示意图，参见图7，该装置包括采集模块71、选择模块72、计算模块73、评价模块74和判断模块75，其中
采集模块71，用于获取目标钻井的原始钻进数据；
选择模块72，用于基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据；
计算模块73，用于基于待评价钻进数据确定计算钻进深度；
评价模块74，用于根据计算钻进深度和测量钻进深度确定评价系数；
判断模块75，用于确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据。
在上述装置的进一步装置中，钻进数据包括多个数据项，从多个数据项中确定至少一个数据项作为数据提取项，钻进数据包括多个钻进区间对应的数据，钻进斜率为钻进位移随时间变化曲线的斜率，相应地，该选择模块具体用于：
基于至少一个数据提取项对应的数据提取阈值，从原始钻进数据中提取出待筛选钻进数据；
根据所属于每个钻进区间内的待筛选钻进数据确定实际钻进斜率；
基于实际钻进斜率和钻进斜率阈值的比较结果，从待筛选钻进数据中获取待评价钻进数据。
在上述装置的进一步装置中，将每个钻进区间划分为多个钻进子区间，根据每个钻进子区间内的待筛选钻进数据确定对应的实际钻进斜率，相应地，该选择模块在基于实际钻进斜率和每个钻进区间对应的钻进斜率阈值的比较结果，从待筛选钻进数据中获取待评价钻进数据的处理过程中，具体用于：
若所有钻进子区间对应的实际钻进斜率均小于钻进斜率阈值，则滤除所述钻进区间对应的待筛选钻进数据；
若至少有一个钻进子区间对应的实际钻进斜率等于或大于钻进斜率阈值，则将所述钻进区间对应的待筛选钻进数据作为待评价钻进数据。
在上述装置的进一步装置中，该装置还包括第一获取模块，用于数据提取阈值的获取，包括：
确定对应于数据提取项的多个取值区间；
基于多个取值范围对钻进数据样本进行聚类，获得每个取值区间对应的钻进数据数目，并进行由大到小的排序；
基于由大到小的数据数目的求和结果，当求和结果大于预设值时，根据当前的求和结果对应的取值区间确定数据提取阈值。
在上述装置的进一步装置中，该装置还包括第二获取模块，用于钻进斜率阈值的获取，包括：
确定各个钻进区间的整体斜率，基于整体斜率确定正常斜率范围；
基于正常斜率范围确定划分规则，根据划分规则划分非正常斜率范围；
统计各个非正常斜率范围对应的数据数目，基于最大数据数目的非正常斜率范围确定钻进斜率阈值。
在上述装置的进一步装置中，该判断模块还用于：
确定评价系数不满足预设的取值范围时，基于新的数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据，基于所述待评价钻进数据确定计算钻进深度；根据计算钻进深度和测量钻进深度确定评价系数；再次判断评价系数是否满足预设的取值范围。
在上述装置的进一步装置中，该装置还包括处理模块，用于：
对确定的所需的钻进数据进行异常数值识别、极值去除、噪声滤除、聚类分析和指标关联的处理，获得标准化钻进数据集；
基于标准化钻进数据集生成数据图表进行展示。
本发明实施例提供的钻进数据处理装置，通过基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据，然后基于待评价钻进数据确定评价系数，并在确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据，能够实现自动化且高效地处理大规模的钻进数据集，从而节省了时间和人力资源，提高了整个钻进数据处理过程的效率。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)81、通信接口(Communications Interface)82、存储器(memory)83和通信总线84，其中，处理器81，通信接口82，存储器83通过通信总线84完成相互间的通信。处理器81可以调用存储器83中的逻辑指令，以执行钻进数据处理方法，该方法包括：获取目标钻井的原始钻进数据；基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据；基于待评价钻进数据确定计算钻进深度；根据计算钻进深度和测量钻进深度确定评价系数；确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据。
此外，上述的存储器83中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的钻进数据处理方法，该方法包括：获取目标钻井的原始钻进数据；基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据；基于待评价钻进数据确定计算钻进深度；根据计算钻进深度和测量钻进深度确定评价系数；确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的钻进数据处理方法，该方法包括：获取目标钻井的原始钻进数据；基于数据提取阈值和钻进斜率阈值从原始钻进数据中获取待评价钻进数据；基于待评价钻进数据确定计算钻进深度；根据计算钻进深度和测量钻进深度确定评价系数；确定评价系数满足预设的取值范围时，确定待评价钻进数据为所需的钻进数据。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种钻进数据处理方法，其特征在于，包括：
获取目标钻井的原始钻进数据；
基于数据提取阈值和钻进斜率阈值从所述原始钻进数据中获取待评价钻进数据；
基于所述待评价钻进数据确定计算钻进深度；
根据所述计算钻进深度和测量钻进深度确定评价系数；
确定所述评价系数满足预设的取值范围时，确定所述待评价钻进数据为所需的钻进数据。
2.根据权利要求1所述的钻进数据处理方法，其特征在于，钻进数据包括多个数据项，从多个数据项中确定至少一个数据项作为数据提取项，钻进数据包括多个钻进区间对应的数据，钻进斜率为钻进位移随时间变化曲线的斜率，相应地，所述基于数据提取阈值和钻进斜率阈值从所述原始钻进数据中获取待评价钻进数据，包括：
基于至少一个数据提取项对应的数据提取阈值，从所述原始钻进数据中提取出待筛选钻进数据；
根据所属于每个钻进区间内的待筛选钻进数据确定实际钻进斜率；
基于所述实际钻进斜率和钻进斜率阈值的比较结果，从所述待筛选钻进数据中获取待评价钻进数据。
3.根据权利要求2所述的钻进数据处理方法，其特征在于，将每个钻进区间划分为多个钻进子区间，根据每个钻进子区间内的待筛选钻进数据确定对应的实际钻进斜率，相应地，基于所述实际钻进斜率和每个钻进区间对应的钻进斜率阈值的比较结果，从所述待筛选钻进数据中获取待评价钻进数据，包括：
若所有钻进子区间对应的实际钻进斜率均小于钻进斜率阈值，则滤除所述钻进区间对应的待筛选钻进数据；
若至少有一个钻进子区间对应的实际钻进斜率等于或大于钻进斜率阈值，则将所述钻进区间对应的待筛选钻进数据作为待评价钻进数据。
4.根据权利要求2所述的钻进数据处理方法，其特征在于，所述方法还包括：数据提取阈值的获取步骤，包括：
确定对应于数据提取项的多个取值区间；
基于多个取值范围对钻进数据样本进行聚类，获得每个取值区间对应的钻进数据数目，并进行由大到小的排序；
基于由大到小的数据数目的求和结果，当求和结果大于预设值时，根据当前的求和结果对应的取值区间确定数据提取阈值。
5.根据权利要求2所述的钻进数据处理方法，其特征在于，所述方法还包括：钻进斜率阈值的获取步骤，包括：
确定各个钻进区间的整体斜率，基于所述整体斜率确定正常斜率范围；
基于正常斜率范围确定划分规则，根据划分规则划分非正常斜率范围；
统计各个非正常斜率范围对应的数据数目，基于最大数据数目的非正常斜率范围确定钻进斜率阈值。
6.根据权利要求1所述的钻进数据处理方法，其特征在于，所述方法还包括：
确定所述评价系数不满足预设的取值范围时，基于新的数据提取阈值和钻进斜率阈值从所述原始钻进数据中获取待评价钻进数据，基于所述待评价钻进数据确定计算钻进深度；根据所述计算钻进深度和测量钻进深度确定评价系数；再次判断所述评价系数是否满足预设的取值范围。
7.根据权利要求6所述的钻进数据处理方法，其特征在于，所述方法还包括：
对确定的所需的钻进数据进行异常数值识别、极值去除、噪声滤除、聚类分析和指标关联的处理，获得标准化钻进数据集；
基于标准化钻进数据集生成数据图表进行展示。
8.一种钻进数据处理装置，其特征在于，包括：
采集模块，用于获取目标钻井的原始钻进数据；
选择模块，用于基于数据提取阈值和钻进斜率阈值从所述原始钻进数据中获取待评价钻进数据；
计算模块，用于基于所述待评价钻进数据确定计算钻进深度；
评价模块，用于根据所述计算钻进深度和测量钻进深度确定评价系数；
判断模块，用于确定所述评价系数满足预设的取值范围时，确定所述待评价钻进数据为所需的钻进数据。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述钻进数据处理方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述钻进数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532702.XA CN117271980B (zh) | 2023-11-17 | 2023-11-17 | 钻进数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311532702.XA CN117271980B (zh) | 2023-11-17 | 2023-11-17 | 钻进数据处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117271980A true CN117271980A (zh) | 2023-12-22 |
| CN117271980B CN117271980B (zh) | 2024-02-02 |
Family
ID=89204775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311532702.XA Active CN117271980B (zh) | 2023-11-17 | 2023-11-17 | 钻进数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117271980B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101960087A (zh) * | 2007-12-31 | 2011-01-26 | 普拉德研究及开发股份有限公司 | 用于井数据分析的系统和方法 |
| US20150235544A1 (en) * | 2014-02-18 | 2015-08-20 | Chevron U.S.A. Inc. | Apparatus, System and Methods for Alerting of Abnormal Drilling Conditions |
| US20200302353A1 (en) * | 2017-11-10 | 2020-09-24 | Landmark Graphics Corporation | Automatic abnormal trend detection of real time drilling data for hazard avoidance |
| CN112035549A (zh) * | 2020-08-31 | 2020-12-04 | 中国平安人寿保险股份有限公司 | 数据挖掘方法、装置、计算机设备及存储介质 |
| CN113034001A (zh) * | 2021-03-24 | 2021-06-25 | 西南石油大学 | 一种基于井下工程参数的评价数据处理方法及系统 |
| US20210389492A1 (en) * | 2020-06-16 | 2021-12-16 | Saudi Arabian Oil Company | Evaluation of rock physical properties from drill sounds through minimizing the effect of the drill bit rotation |
| CN114444823A (zh) * | 2020-10-16 | 2022-05-06 | 中国石油化工股份有限公司 | 一种预测钻井作业过程中井漏风险的方法及系统 |
| 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
- 2023-11-17 CN CN202311532702.XA patent/CN117271980B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101960087A (zh) * | 2007-12-31 | 2011-01-26 | 普拉德研究及开发股份有限公司 | 用于井数据分析的系统和方法 |
| US20150235544A1 (en) * | 2014-02-18 | 2015-08-20 | Chevron U.S.A. Inc. | Apparatus, System and Methods for Alerting of Abnormal Drilling Conditions |
| US20200302353A1 (en) * | 2017-11-10 | 2020-09-24 | Landmark Graphics Corporation | Automatic abnormal trend detection of real time drilling data for hazard avoidance |
| US20210389492A1 (en) * | 2020-06-16 | 2021-12-16 | Saudi Arabian Oil Company | Evaluation of rock physical properties from drill sounds through minimizing the effect of the drill bit rotation |
| CN112035549A (zh) * | 2020-08-31 | 2020-12-04 | 中国平安人寿保险股份有限公司 | 数据挖掘方法、装置、计算机设备及存储介质 |
| CN114444823A (zh) * | 2020-10-16 | 2022-05-06 | 中国石油化工股份有限公司 | 一种预测钻井作业过程中井漏风险的方法及系统 |
| CN113034001A (zh) * | 2021-03-24 | 2021-06-25 | 西南石油大学 | 一种基于井下工程参数的评价数据处理方法及系统 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 孙鑫 等: "基于MLR-RBF的岩石强度智能随钻识别实验研究", 《采矿与安全工程学报》 * |
| 肖浩汉 等: "基于GRU算法的盾构掘进参数预测——以成都地铁19号线为例", 《长江科学院院报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117271980B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jablonski et al. | Modeling of probability distribution functions for automatic threshold calculation in condition monitoring systems | |
| CN107493277B (zh) | 基于最大信息系数的大数据平台在线异常检测方法 | |
| CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
| CN113927371A (zh) | 一种基于多传感器特征融合的刀具磨损预测方法 | |
| CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN103941722A (zh) | 通过部件特征倍频幅值趋势监测和诊断设备故障的方法 | |
| CN116644284A (zh) | 一种地层分类特征因子确定方法、系统、电子设备及介质 | |
| CN112720071A (zh) | 多能域信号智能化融合的刀具实时状态监测指标构造方法 | |
| CN112363462A (zh) | 一种静-动态协同感知的复杂工业过程运行状态评价方法 | |
| CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
| CN115220396A (zh) | 一种数控机床智能监控方法及系统 | |
| CN117421616B (zh) | 一种矿山竖井井筒检测系统及方法 | |
| CN114326593A (zh) | 一种刀具寿命预测系统及方法 | |
| CN117271980B (zh) | 钻进数据处理方法、装置、电子设备及存储介质 | |
| CN107422373B (zh) | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 | |
| CN110956155B (zh) | 基于co数据的综采工作面作业工序模糊聚类识别方法 | |
| CN112215307A (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
| CN116432855A (zh) | 一种基于掘进数据的隧道塌方情况的预测方法 | |
| CN111339986A (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
| CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
| CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
| CN115578841A (zh) | 基于Z-score模型的盾构异常数据检测方法及系统 | |
| CN110956340A (zh) | 工程试验检测数据管理预警决策方法 |
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 |