CN117287179B - 精密钻采设备的远程控制系统及方法 - Google Patents
精密钻采设备的远程控制系统及方法 Download PDFInfo
- Publication number
- CN117287179B CN117287179B CN202311592557.4A CN202311592557A CN117287179B CN 117287179 B CN117287179 B CN 117287179B CN 202311592557 A CN202311592557 A CN 202311592557A CN 117287179 B CN117287179 B CN 117287179B
- Authority
- CN
- China
- Prior art keywords
- drilling
- stability
- historical
- feeding
- speed
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004519 manufacturing process Methods 0.000 title claims description 100
- 238000013210 evaluation model Methods 0.000 claims abstract description 52
- 238000011217 control strategy Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 64
- 239000013598 vector Substances 0.000 claims description 58
- 230000008859 change Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 230000000087 stabilizing effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了精密钻采设备的远程控制系统及方法,涉及钻采设备远程控制技术领域,通过预训练出预测钻头进给速度的进给速度预测模型,以及训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型,实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据,基于进给特征数据以及进给速度预测模型,获得预测进给速度,基于稳定特征数据以及稳定概率评估模型,获得实时稳定概率,基于预测进给速度以及实时稳定概率,通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略;实现了对钻头钻采过程的远程自动控制,提高了钻采的安全性。
Description
技术领域
本发明涉及钻采设备远程控制技术领域,具体是精密钻采设备的远程控制系统及方法。
背景技术
精密钻采设备是现代工程领域不可或缺的工具之一,它们为科研、勘探、建设和资源开采提供了精确、可靠的地下信息。这些设备经过多年的发展和创新,已经成为高度智能化、自动化的工程装备,具备多功能性能和高度的定制化能力;
然而尽管现代钻采设备通常配备了各种传感器和控制系统,但是由于钻头钻进地下的地质条件可能会迅速变化,如遇到不同类型的岩石、土壤或水层;这意味着在不同地质层中,安全的钻速可能会不同;
因此,目前操作者的人工经验和直觉成为了判断钻速是否安全的重要依据。他们可能会在操作中观察钻头的状态,听取设备的声音,感受振动等,并根据这些感觉来调整钻速以确保安全;
然而因为操作者的经验有所不同,对钻采安全性的判断具有不稳定性,而目前缺乏对钻采环境和钻采速度进行自动平衡控制的方法;
申请公开号为CN116752891A的中国专利公开一种用于石油深井的自动钻进装置,在外壳的前端设置若干支撑机构,利用螺纹杆驱动支撑机构实施同步收缩和展开动作,同时通过插装和拆卸的方式来调整支撑机构的数量和张开角度,进而提升装置在深井中的稳定性,有效的提升了钻进装置在井下固定的稳定性,保证了钻进的效率和效果,然而该装置依然需要根据人工经验控制钻速;
为此,本发明提出精密钻采设备的远程控制系统及方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出精密钻采设备的远程控制系统及方法,实现了对钻头钻采过程的远程自动控制,提高了钻采的安全性。
为实现上述目的,提出精密钻采设备的远程控制方法,包括以下步骤:
步骤一:预先收集历史进给特征数据以及历史进给速度标签数据;
步骤二:预先收集历史稳定特征数据以及历史稳定概率标签数据;
步骤三:以历史进给特征数据为输入,以历史进给速度标签数据为输出,训练出预测钻头进给速度的进给速度预测模型;
步骤四:以历史稳定特征数据为输入,以历史稳定概率标签数据为输出,训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型;
步骤五:在完成进给速度预测模型和稳定概率评估模型的训练后,实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据;
步骤六:基于进给特征数据以及进给速度预测模型,获得预测进给速度;基于稳定特征数据以及稳定概率评估模型,获得实时稳定概率;
步骤七:基于预测进给速度以及实时稳定概率,通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略;
所述预先收集历史进给特征数据以及历史进给速度标签数据的方式为:
在实验环境的每次钻采过程,实时收集每单位时间内,与钻头进给速度有关的进给特征的值以及进给速度;每一单位时间的所有进给特征的值组成一组历史进给特征向量;所有单位时间的历史进给特征向量组成历史进给特征数据;
所述进给速度通过测算钻头每单位时间进给的深度变化值计算出;所有单位时间的深度变化值组成历史进给速度标签数据;
所述预先收集历史稳定特征数据以及历史稳定概率标签数据的方式为:
在实验环境的每次钻采过程,实时收集每单位时间内,与钻头所处环境的稳定性有关的环境稳定特征的值以及稳定标签;每一单位时间的所有环境稳定特征的值组成一组历史稳定特征向量;所有单位时间的历史稳定特征向量组成历史稳定特征数据;
其中,所述稳定标签由测试人员实时根据经验反馈,为每一单位时间打上值为0或1的真实稳定标签,当钻采稳定时,真实稳定标签为1,当钻采不稳定时,真实稳定标签为0;所有单位时间的真实稳定标签组成历史稳定概率标签数据;
所述训练出预测钻头进给速度的进给速度预测模型的方式为:
将历史进给特征数据中每组历史进给特征向量作为进给速度预测模型的输入,所述进给速度预测模型以对历史进给特征向量对应的进给速度的预测值为输出,以历史进给速度标签数据中,历史进给特征向量对应时间的进给速度为预测目标,以最小化对进给速度的第一预测误差之和作为训练目标;对进给速度预测模型进行训练,直至第一预测误差之和达到收敛时停止训练,训练出对于根据历史进给特征向量输出预测的钻头的进给速度的进给速度预测模型;
所述训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型的方式为:
将历史稳定特征数据中每组历史稳定特征向量作为稳定概率评估模型的输入,所述稳定概率评估模型以对历史稳定特征向量对应的预测稳定概率为输出,所述预测稳定概率的取值范围为[0,1],以历史稳定概率标签数据中,历史稳定特征向量对应时间的真实稳定标签为预测目标,以最小化预测稳定概率和真实稳定标签之间的第二预测误差之和作为训练目标;对进给速度预测模型进行训练,直至第二预测误差之和达到收敛时停止训练,训练出对于根据历史稳定特征向量输出预测的钻头所处环境的稳定概率的稳定概率评估模型;
所述实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据的方式为:
在使用精密钻采设备处理实际的钻采任务前,在精密钻采设备的远程控制后台中载入训练完成的进给速度预测模型以及稳定概率评估模型;
在使用精密钻采设备处理实际的钻采任务的过程中,钻头上安装的各个物理传感器实时收集钻头的进给特征向量以及钻头所处环境的稳定特征向量,并实时将进给特征向量和稳定特征向量发送至远程控制后台;所述进给特征向量作为进给特征数据,所述稳定特征向量作为稳定特征数据;
其中,所述获得预测进给速度的方式为:
将进给特征数据输入至进给速度预测模型中,获得进给速度预测模型输出的预测的精密钻采设备钻头的进给速度,作为预测进给速度;
其中,所述获得实时稳定概率的方式为:
将稳定特征数据输入至稳定概率评估模型中,获得稳定概率评估模型输出的稳定概率的预测值,作为实时稳定概率;
所述通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略的方式为:
所述钻速控制模型为Actor-Critic网络模型;
初始化Actor网络和Critic网络的参数;
在每单位时间内,执行以下步骤:
步骤11:将当前单位时间的钻采权重作为当前状态;
所述钻采权重的计算方式为:
将钻头钻速的变量标记为v;
将进给速度预测模型对应的函数表达式标记为F1(v);
将稳定概率评估模型对应的函数表达式标记为F2(v);
将钻采权重的计算函数标记为W(v),则钻采权重W(v)的计算公式为
;
其中,c1和c2分别为预设的大于 0比例系数;
步骤12:Actor网络输出选择的钻头钻速的变化值;所述钻速控制策略为:通过远程控制后台控制钻头的钻速为当前钻速加上输出的变化值;
以下一单位时间的钻采权重作为下一个状态;
步骤13:计算实际的奖励值Q;所述实际的奖励值Q为一单位时间内,调整钻头钻速后获得的奖励;
所述奖励值Q的计算公式为:
将当前单位时间内,钻头的钻速标记为v0,钻速变化值标记为b;
则奖励值Q的计算公式为
;
其中,c3和c4分别为预设的比例系数;
步骤14:使用Critic网络的更新公式更新奖励值函数的值,以调整对决策结果的实际奖励值Q的估计;
步骤15:使用Actor网络的更新公式更新Actor网络的参数,以提高在给定状态下选择高奖励决策结果的概率。
提出精密钻采设备的远程控制系统,包括训练数据收集模块、模型训练模块以及钻采控制模块;其中,各个模块之间通过电性连接;
训练数据收集模块,用于预先收集历史进给特征数据、历史进给速度标签数据、历史稳定特征数据以及历史稳定概率标签数据,并将历史进给特征数据、历史进给速度标签数据、历史稳定特征数据以及历史稳定概率标签数据发送至模型训练模块;
模型训练模块,用于以历史进给特征数据为输入,以历史进给速度标签数据为输出,训练出预测钻头进给速度的进给速度预测模型,以历史稳定特征数据为输入,以历史稳定概率标签数据为输出,训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型,并将进给速度预测模型以及稳定概率评估模型发送至钻采控制模块;
钻采控制模块,用于在完成进给速度预测模型和稳定概率评估模型的训练后,实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据,基于进给特征数据以及进给速度预测模型,获得预测进给速度;基于稳定特征数据以及稳定概率评估模型,获得实时稳定概率,基于预测进给速度以及实时稳定概率,通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略。
提出一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的精密钻采设备的远程控制方法。
提出一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的精密钻采设备的远程控制方法。
与现有技术相比,本发明的有益效果是:
本发明通过预先收集历史进给特征数据、历史进给速度标签数据、历史稳定特征数据以及历史稳定概率标签数据,以历史进给特征数据为输入,以历史进给速度标签数据为输出,训练出预测钻头进给速度的进给速度预测模型,以历史稳定特征数据为输入,以历史稳定概率标签数据为输出,训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型,在完成进给速度预测模型和稳定概率评估模型的训练后,实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据,基于进给特征数据以及进给速度预测模型,获得预测进给速度;基于稳定特征数据以及稳定概率评估模型,获得实时稳定概率,基于预测进给速度以及实时稳定概率,通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略;实现了对钻头钻采过程的远程自动控制,提高了钻采的安全性。
附图说明
图1为本发明的实施例1中精密钻采设备的远程控制方法的流程图;
图2为本发明的实施例2中精密钻采设备的远程控制系统的模块连接关系图;
图3为本发明实施例3中的电子设备结构示意图;
图4为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1所示,精密钻采设备的远程控制方法,包括以下步骤:
步骤一:预先收集历史进给特征数据以及历史进给速度标签数据;
步骤二:预先收集历史稳定特征数据以及历史稳定概率标签数据;
步骤三:以历史进给特征数据为输入,以历史进给速度标签数据为输出,训练出预测钻头进给速度的进给速度预测模型;
步骤四:以历史稳定特征数据为输入,以历史稳定概率标签数据为输出,训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型;
步骤五:在完成进给速度预测模型和稳定概率评估模型的训练后,实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据;
步骤六:基于进给特征数据以及进给速度预测模型,获得预测进给速度;基于稳定特征数据以及稳定概率评估模型,获得实时稳定概率;
步骤七:基于预测进给速度以及实时稳定概率,通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略;
需要说明的是,在使用精密钻采设备解决实际的项目需求之前,建立一个实验环境;在所述实验环境,由测试人员主动选择若干预先勘察过的实验用地,以及若干实验用的精密钻采设备,且在实验用的精密钻采设备上安装若干物理传感器;测试人员使用所述实验用的精密钻采设备对所述实验用地进行钻采,通过主动调整钻头的钻速并收集各个物理传感器的实时数据,以收集在不同的钻速和钻采环境的条件下产生的测试数据;
其中,所述预先收集历史进给特征数据以及历史进给速度标签数据的方式为:
在实验环境的每次钻采过程,实时收集每单位时间内,与钻头进给速度有关的进给特征的值以及进给速度;每一单位时间的所有进给特征的值组成一组历史进给特征向量;所有单位时间的历史进给特征向量组成历史进给特征数据;
其中,所述进给速度通过测算钻头每单位时间进给的深度变化值计算出;所有单位时间的深度变化值组成历史进给速度标签数据;
在一个优选的实施例中,所述进给速度有关的进给特征可以包括但不限于钻头所处土壤环境的土壤类型的编号、钻头深度、钻头压力、钻头转速以及钻头扭矩等;
其中,所述土壤类型的编号可以通过对使用图像捕获设备采集到的图像进行目标识别获得;
所述钻头深度可以通过钻头进给的距离获得;
所述钻头压力包括由钻孔壁对钻头带来的压力以及钻进面对钻头带来的压力,可以理解的是,所述钻头压力可以通过压力传感器实时获得;
所述钻头转速以及扭矩可以分别通过钻速传感器和扭矩传感器获得;
其中,所述预先收集历史稳定特征数据以及历史稳定概率标签数据的方式为:
在实验环境的每次钻采过程,实时收集每单位时间内,与钻头所处环境的稳定性有关的环境稳定特征的值以及稳定标签;每一单位时间的所有环境稳定特征的值组成一组历史稳定特征向量;所有单位时间的历史稳定特征向量组成历史稳定特征数据;
其中,所述稳定标签由测试人员实时根据经验反馈,为每一单位时间打上值为0或1的真实稳定标签,当钻采稳定时,真实稳定标签为1,当钻采不稳定时,真实稳定标签为0;所有单位时间的真实稳定标签组成历史稳定概率标签数据;
在一个优选的实施例中,所述稳定性有关的环境稳定特征可以包括但不限于井钻孔壁与钻头的距离变化值、钻孔壁的应力变化值、钻孔壁的倾角变化值、进给速度变化值、钻头钻速以及钻头扭矩变化值等;
可以理解的是,所述井钻孔壁与钻头的距离变化值、钻孔壁的应力变化值、钻孔壁的倾角变化值可以分别通过激光测速仪器、应变传感器、倾角传感器实时获得;
进一步的,所述训练出预测钻头进给速度的进给速度预测模型的方式为:
将历史进给特征数据中每组历史进给特征向量作为进给速度预测模型的输入,所述进给速度预测模型以对历史进给特征向量对应的进给速度的预测值为输出,以历史进给速度标签数据中,历史进给特征向量对应时间的进给速度为预测目标,以最小化对进给速度的第一预测误差之和作为训练目标;对进给速度预测模型进行训练,直至第一预测误差之和达到收敛时停止训练,训练出对于根据历史进给特征向量输出预测的钻头的进给速度的进给速度预测模型;所述进给速度预测模型是多项式回归模型;优选的,所述第一预测误差之和可以是均方误差;
进一步的,所述训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型的方式为:
将历史稳定特征数据中每组历史稳定特征向量作为稳定概率评估模型的输入,所述稳定概率评估模型以对历史稳定特征向量对应的预测稳定概率为输出,所述预测稳定概率的取值范围为[0,1],以历史稳定概率标签数据中,历史稳定特征向量对应时间的真实稳定标签为预测目标,以最小化预测稳定概率和真实稳定标签之间的第二预测误差之和作为训练目标;对进给速度预测模型进行训练,直至第二预测误差之和达到收敛时停止训练,训练出对于根据历史稳定特征向量输出预测的钻头所处环境的稳定概率的稳定概率评估模型;所述稳定概率评估模型是多项式回归模型;优选的,所述第一预测误差之和可以是交叉熵误差;
进一步的,所述实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据的方式为:
在使用精密钻采设备处理实际的钻采任务前,在精密钻采设备的远程控制后台中载入训练完成的进给速度预测模型以及稳定概率评估模型;
在使用精密钻采设备处理实际的钻采任务的过程中,钻头上安装的各个物理传感器实时收集钻头的进给特征向量以及钻头所处环境的稳定特征向量,并实时将进给特征向量和稳定特征向量发送至远程控制后台;所述进给特征向量作为进给特征数据,所述稳定特征向量作为稳定特征数据;
可以理解的是,所述进给特征向量和稳定特征向量的获取方式与上述的历史进给特征向量和历史稳定特征向量的获取方式一致;
其中,所述获得预测进给速度的方式为:
将进给特征数据输入至进给速度预测模型中,获得进给速度预测模型输出的预测的精密钻采设备钻头的进给速度,作为预测进给速度;
其中,所述获得实时稳定概率的方式为:
将稳定特征数据输入至稳定概率评估模型中,获得稳定概率评估模型输出的稳定概率的预测值,作为实时稳定概率;
进一步的,所述通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略的方式为:
所述钻速控制模型为Actor-Critic网络模型;
初始化Actor网络和Critic网络的参数;参数包括但不限于Actor网络的状态输入层的维度、隐藏层数量和大小、动作输出层的维度、Critic网络的状态输入层的维度、隐藏层的数量和大小和奖励值函数输出层的维度、学习率、折扣因子以及网络优化算法(梯度下降法或Adam优化算法等);
在每单位时间内,执行以下步骤:
步骤11:将当前单位时间的钻采权重作为当前状态;
所述钻采权重的计算方式为:
将钻头钻速的变量标记为v;
将进给速度预测模型对应的函数表达式标记为F1(v);
将稳定概率评估模型对应的函数表达式标记为F2(v);
将钻采权重的计算函数标记为W(v),则钻采权重W(v)的计算公式为;其中,c1和c2分别为预设的大于 0比例系数;可以理解的是,当 />越大时,表示进给速度越大,从而工厂进展越快,而当/>越大时,说明钻采过程越稳定,从而可以提高钻采速度;
步骤12:Actor网络输出选择的钻头钻速的变化值;所述钻速控制策略为:通过远程控制后台控制钻头的钻速为当前钻速加上输出的变化值;
以下一单位时间的钻采权重作为下一个状态;
步骤13:计算实际的奖励值Q;所述实际的奖励值Q为一单位时间内,调整钻头钻速后获得的奖励;
所述奖励值Q的计算公式为:
将当前单位时间内,钻头的钻速标记为v0,钻速变化值标记为b;
则奖励值Q的计算公式为;其中,c3和c4分别为预设的比例系数;
步骤14:使用Critic网络的更新公式更新奖励值函数的值,以调整对决策结果的实际奖励值Q的估计;需要说明的是,所述更新公式可以为本领域技术人员的常用更新公式,例如:,其中,/>是当前状态a的奖励值函数估计;/>是学习率,控制更新的步长;/>是折扣因子,用于衡量未来奖励的重要性;/>是下一个状态;
步骤15:使用Actor网络的更新公式更新Actor网络的参数,以提高在给定状态下选择高奖励决策结果的概率。
实施例2
如图2所示,精密钻采设备的远程控制系统,包括训练数据收集模块、模型训练模块以及钻采控制模块;其中,各个模块之间通过电性连接;
训练数据收集模块,用于预先收集历史进给特征数据、历史进给速度标签数据、历史稳定特征数据以及历史稳定概率标签数据,并将历史进给特征数据、历史进给速度标签数据、历史稳定特征数据以及历史稳定概率标签数据发送至模型训练模块;
模型训练模块,用于以历史进给特征数据为输入,以历史进给速度标签数据为输出,训练出预测钻头进给速度的进给速度预测模型,以历史稳定特征数据为输入,以历史稳定概率标签数据为输出,训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型,并将进给速度预测模型以及稳定概率评估模型发送至钻采控制模块;
钻采控制模块,用于在完成进给速度预测模型和稳定概率评估模型的训练后,实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据,基于进给特征数据以及进给速度预测模型,获得预测进给速度;基于稳定特征数据以及稳定概率评估模型,获得实时稳定概率,基于预测进给速度以及实时稳定概率,通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示,根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的精密钻采设备的远程控制方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示,电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备,例如ROM103或硬盘107可存储本申请提供的精密钻采设备的远程控制方法。精密钻采设备的远程控制方法可例如包括以下步骤:步骤一:预先收集历史进给特征数据以及历史进给速度标签数据;步骤二:预先收集历史稳定特征数据以及历史稳定概率标签数据;步骤三:以历史进给特征数据为输入,以历史进给速度标签数据为输出,训练出预测钻头进给速度的进给速度预测模型;步骤四:以历史稳定特征数据为输入,以历史稳定概率标签数据为输出,训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型;步骤五:在完成进给速度预测模型和稳定概率评估模型的训练后,实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据;步骤六:基于进给特征数据以及进给速度预测模型,获得预测进给速度;基于稳定特征数据以及稳定概率评估模型,获得实时稳定概率;步骤七:基于预测进给速度以及实时稳定概率,通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略;
进一步地,电子设备100还可包括用户界面108。当然,图3所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示,是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的精密钻采设备的远程控制方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (12)
1.精密钻采设备的远程控制方法,其特征在于,包括以下步骤:
预先收集历史进给特征数据以及历史进给速度标签数据;
预先收集历史稳定特征数据以及历史稳定概率标签数据;
以历史进给特征数据为输入,以历史进给速度标签数据为输出,训练出预测钻头进给速度的进给速度预测模型;
以历史稳定特征数据为输入,以历史稳定概率标签数据为输出,训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型;
在完成进给速度预测模型和稳定概率评估模型的训练后,实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据;
基于进给特征数据以及进给速度预测模型,获得预测进给速度;基于稳定特征数据以及稳定概率评估模型,获得实时稳定概率;
基于预测进给速度以及实时稳定概率,通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略。
2.根据权利要求1所述的精密钻采设备的远程控制方法,其特征在于,所述预先收集历史进给特征数据以及历史进给速度标签数据的方式为:
在实验环境的每次钻采过程,实时收集每单位时间内,与钻头进给速度有关的进给特征的值以及进给速度;每一单位时间的所有进给特征的值组成一组历史进给特征向量;所有单位时间的历史进给特征向量组成历史进给特征数据;
所述进给速度通过测算钻头每单位时间进给的深度变化值计算出;所有单位时间的深度变化值组成历史进给速度标签数据。
3.根据权利要求1所述的精密钻采设备的远程控制方法,其特征在于,所述预先收集历史稳定特征数据以及历史稳定概率标签数据的方式为:
在实验环境的每次钻采过程,实时收集每单位时间内,与钻头所处环境的稳定性有关的环境稳定特征的值以及稳定标签;每一单位时间的所有环境稳定特征的值组成一组历史稳定特征向量;所有单位时间的历史稳定特征向量组成历史稳定特征数据;
其中,所述稳定标签由测试人员实时根据经验反馈,为每一单位时间打上值为0或1的真实稳定标签,当钻采稳定时,真实稳定标签为1,当钻采不稳定时,真实稳定标签为0;所有单位时间的真实稳定标签组成历史稳定概率标签数据。
4.根据权利要求1所述的精密钻采设备的远程控制方法,其特征在于,所述训练出预测钻头进给速度的进给速度预测模型的方式为:
将历史进给特征数据中每组历史进给特征向量作为进给速度预测模型的输入,所述进给速度预测模型以对历史进给特征向量对应的进给速度的预测值为输出,以历史进给速度标签数据中,历史进给特征向量对应时间的进给速度为预测目标,以最小化对进给速度的第一预测误差之和作为训练目标;对进给速度预测模型进行训练,直至第一预测误差之和达到收敛时停止训练,训练出对于根据历史进给特征向量输出预测的钻头的进给速度的进给速度预测模型。
5.根据权利要求1所述的精密钻采设备的远程控制方法,其特征在于,所述训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型的方式为:
将历史稳定特征数据中每组历史稳定特征向量作为稳定概率评估模型的输入,所述稳定概率评估模型以对历史稳定特征向量对应的预测稳定概率为输出,所述预测稳定概率的取值范围为[0,1],以历史稳定概率标签数据中,历史稳定特征向量对应时间的真实稳定标签为预测目标,以最小化预测稳定概率和真实稳定标签之间的第二预测误差之和作为训练目标;对进给速度预测模型进行训练,直至第二预测误差之和达到收敛时停止训练,训练出对于根据历史稳定特征向量输出预测的钻头所处环境的稳定概率的稳定概率评估模型。
6.根据权利要求1所述的精密钻采设备的远程控制方法,其特征在于,所述实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据的方式为:
在使用精密钻采设备处理实际的钻采任务前,在精密钻采设备的远程控制后台中载入训练完成的进给速度预测模型以及稳定概率评估模型;
在使用精密钻采设备处理实际的钻采任务的过程中,钻头上安装的各个物理传感器实时收集钻头的进给特征向量以及钻头所处环境的稳定特征向量,并实时将进给特征向量和稳定特征向量发送至远程控制后台;所述进给特征向量作为进给特征数据,所述稳定特征向量作为稳定特征数据。
7.根据权利要求1所述的精密钻采设备的远程控制方法,其特征在于,其中,所述获得预测进给速度的方式为:
将进给特征数据输入至进给速度预测模型中,获得进给速度预测模型输出的预测的精密钻采设备钻头的进给速度,作为预测进给速度;
其中,所述获得实时稳定概率的方式为:
将稳定特征数据输入至稳定概率评估模型中,获得稳定概率评估模型输出的稳定概率的预测值,作为实时稳定概率。
8.根据权利要求1所述的精密钻采设备的远程控制方法,其特征在于,所述通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略的方式为:
所述钻速控制模型为Actor-Critic网络模型;
初始化Actor网络和Critic网络的参数;
在每单位时间内,执行以下步骤:
步骤11:将当前单位时间的钻采权重作为当前状态;
所述钻采权重的计算方式为:
将钻头钻速的变量标记为v;
将进给速度预测模型对应的函数表达式标记为F1(v);
将稳定概率评估模型对应的函数表达式标记为F2(v);
将钻采权重的计算函数标记为W(v),则钻采权重W(v)的计算公式为
;其中,c1和c2分别为预设的大于 0比例系数;
步骤12:Actor网络输出选择的钻头钻速的变化值;所述钻速控制策略为:通过远程控制后台控制钻头的钻速为当前钻速加上输出的变化值;
以下一单位时间的钻采权重作为下一个状态;
步骤13:计算实际的奖励值Q;所述实际的奖励值Q为一单位时间内,调整钻头钻速后获得的奖励;
步骤14:使用Critic网络的更新公式更新奖励值函数的值,以调整对决策结果的实际奖励值Q的估计;
步骤15:使用Actor网络的更新公式更新Actor网络的参数,以提高在给定状态下选择高奖励决策结果的概率。
9.根据权利要求8所述的精密钻采设备的远程控制方法,其特征在于,所述奖励值Q的计算公式为:
将当前单位时间内,钻头的钻速标记为v0,钻速变化值标记为b;
则奖励值Q的计算公式为
;
其中,c3和c4分别为预设的比例系数。
10.精密钻采设备的远程控制系统,其基于权利要求1-9中任一项所述的精密钻采设备的远程控制方法实现,其特征在于,包括训练数据收集模块、模型训练模块以及钻采控制模块;其中,各个模块之间通过电性连接;
训练数据收集模块,用于预先收集历史进给特征数据、历史进给速度标签数据、历史稳定特征数据以及历史稳定概率标签数据,并将历史进给特征数据、历史进给速度标签数据、历史稳定特征数据以及历史稳定概率标签数据发送至模型训练模块;
模型训练模块,用于以历史进给特征数据为输入,以历史进给速度标签数据为输出,训练出预测钻头进给速度的进给速度预测模型,以历史稳定特征数据为输入,以历史稳定概率标签数据为输出,训练出评估钻采过程中,钻采环境稳定概率的稳定概率评估模型,并将进给速度预测模型以及稳定概率评估模型发送至钻采控制模块;
钻采控制模块,用于在完成进给速度预测模型和稳定概率评估模型的训练后,实时收集精密钻采设备在钻采过程中的进给特征数据以及稳定特征数据,基于进给特征数据以及进给速度预测模型,获得预测进给速度;基于稳定特征数据以及稳定概率评估模型,获得实时稳定概率,基于预测进给速度以及实时稳定概率,通过远程控制后台中的钻速控制模型,实时输出钻头的钻速控制策略。
11.一种电子设备,其特征在于,包括:处理器和存储器,其中,
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在后台中执行权利要求1-9中任一项所述精密钻采设备的远程控制方法。
12.一种计算机可读存储介质,其特征在于,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备在后台中执行权利要求1-9中任一项所述精密钻采设备的远程控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592557.4A CN117287179B (zh) | 2023-11-27 | 2023-11-27 | 精密钻采设备的远程控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592557.4A CN117287179B (zh) | 2023-11-27 | 2023-11-27 | 精密钻采设备的远程控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117287179A CN117287179A (zh) | 2023-12-26 |
CN117287179B true CN117287179B (zh) | 2024-02-06 |
Family
ID=89248486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311592557.4A Active CN117287179B (zh) | 2023-11-27 | 2023-11-27 | 精密钻采设备的远程控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117287179B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109138969A (zh) * | 2018-07-17 | 2019-01-04 | 中国地质大学(武汉) | 一种钻进状态变量的预测方法、设备及存储设备 |
CN113338894A (zh) * | 2021-07-15 | 2021-09-03 | 西安石油大学 | 一种小型智能钻机的控制方法 |
CN113468822A (zh) * | 2021-07-23 | 2021-10-01 | 中海石油(中国)有限公司 | 一种钻速预测方法及系统 |
CN114818451A (zh) * | 2021-01-19 | 2022-07-29 | 中国石油化工股份有限公司 | 一种机械钻速预测方法、装置、存储介质以及设备 |
CN116372661A (zh) * | 2023-05-29 | 2023-07-04 | 中科航迈数控软件(深圳)有限公司 | 一种五轴加工的进给速度控制方法及相关设备 |
CN116822580A (zh) * | 2023-08-08 | 2023-09-29 | 西安石油大学 | 一种基于Transformer模型的机械钻速时序特征的预测方法、系统、设备及介质 |
-
2023
- 2023-11-27 CN CN202311592557.4A patent/CN117287179B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109138969A (zh) * | 2018-07-17 | 2019-01-04 | 中国地质大学(武汉) | 一种钻进状态变量的预测方法、设备及存储设备 |
CN114818451A (zh) * | 2021-01-19 | 2022-07-29 | 中国石油化工股份有限公司 | 一种机械钻速预测方法、装置、存储介质以及设备 |
CN113338894A (zh) * | 2021-07-15 | 2021-09-03 | 西安石油大学 | 一种小型智能钻机的控制方法 |
CN113468822A (zh) * | 2021-07-23 | 2021-10-01 | 中海石油(中国)有限公司 | 一种钻速预测方法及系统 |
CN116372661A (zh) * | 2023-05-29 | 2023-07-04 | 中科航迈数控软件(深圳)有限公司 | 一种五轴加工的进给速度控制方法及相关设备 |
CN116822580A (zh) * | 2023-08-08 | 2023-09-29 | 西安石油大学 | 一种基于Transformer模型的机械钻速时序特征的预测方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117287179A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9988880B2 (en) | Systems and methods of drilling control | |
KR102211421B1 (ko) | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 | |
US10221671B1 (en) | MSE based drilling optimization using neural network simulaton | |
CN109416769B (zh) | 生成用于开采油气储藏的油田开发计划(fdp)的计算机实施的方法 | |
CA3093668C (en) | Learning based bayesian optimization for optimizing controllable drilling parameters | |
CN105518251A (zh) | 使用随机最优控制实现的钻井自动化 | |
US11261719B2 (en) | Use of surface and downhole measurements to identify operational anomalies | |
US11091989B1 (en) | Real-time parameter adjustment in wellbore drilling operations | |
RU2020125345A (ru) | Оптимизация скорости бурения | |
GB2597037A (en) | Automated concurrent path planning and drilling parameter optimization using robotics | |
CN114370264B (zh) | 机械钻速确定、钻井参数优化方法、装置及电子设备 | |
CN115408925A (zh) | 用于隧道施工的岩体参数预测方法和装置 | |
JP7286457B2 (ja) | シールド掘削機制御システム及びシールド掘削機制御方法 | |
CN117287179B (zh) | 精密钻采设备的远程控制系统及方法 | |
GB2623284A (en) | Adaptive trajectory control for automated directional drilling | |
CN113361043B (zh) | 一种硬岩隧道掘进机刀盘比能的预测方法及系统 | |
CN113361824B (zh) | 土压平衡盾构机及其推进速度预测方法、装置、存储介质 | |
Hu et al. | Driving force planning in shield tunneling based on Markov decision processes | |
CN116894213A (zh) | 用于挖掘机工况识别的方法及挖掘机工况识别装置 | |
JP7121500B2 (ja) | 装置制御システム及び装置制御方法 | |
CN115773127A (zh) | 一种泥水平衡盾构智能决策方法、系统、设备及介质 | |
CN110866607A (zh) | 一种基于机器学习的渗透行为预测算法 | |
CN115358100B (zh) | 一种海洋拖曳系统多目标优化方法及装置 | |
NO20220084A1 (en) | Well path drilling trajectory and control for geosteering | |
CN117172123B (zh) | 用于矿山自动驾驶的传感器数据处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |