CN117574240A - 一种基于岩屑称重的卡钻风险智能识别方法 - Google Patents

Abstract

本发明公开了一种基于岩屑称重的卡钻风险智能识别方法，包括统计目标井所在的工程录井数据、实时岩屑称重参数、地质参数；得到实时岩屑称重的数据，计算岩屑体积实际值、理论值、岩屑的返出率；建立基于SVR的卡钻风险智能识别分类模型，并训练该模型；利用训练后模型的判识结果来进行卡钻风险预测；本发明融入了工程录井数据、实时岩屑称重参数、地质参数数据，具有实效性，采用了SVR模型进行钻进过程中的卡钻风险预测，能够提升预测的精度，减少由人为预测带来的不稳定性，从而提高作业的安全性。可帮助工程师和操作人员了解需要调整或优化的工艺参数，以降低卡钻风险，并提高钻井效率，以更有效地管理成本并优化钻井过程。

Description

一种基于岩屑称重的卡钻风险智能识别方法

技术领域

本发明涉及石油工程钻井技术领域，涉及一种基于岩屑称重的卡钻风险智能识别方法。

背景技术

随着钻井开发的不断深入，开发的难度越来越高，钻井的成本越来越高，卡钻是指在钻井过程中钻头因为遇到困难而无法继续前进或取出的情况。卡钻问题可能会导致钻井进度延误、设备损坏甚至人身安全风险。因此，通过预测和识别卡钻的发生，可以采取相应的措施来减少卡钻情况的发生，提高钻井作业的效率和安全性。卡钻预测对提高钻井作业的效率和安全性起着关键作用。

钻井作业过程中，预测钻井风险一直是行业研究的技术重点，虽然基于已有的研究，在理论上依靠与地层压力、摩阻扭矩等关键参数相关的计算模型可对钻井井下风险进行预警分析，这些参数在钻井过程中，，无法用传感器直接测量，这些计算模型取决于很多的假设条件，与真实的环境存在偏差。，难以保障获取结果的可靠性，会影响风险预警结果的准确性。

目前钻井施工中的卡钻预测大多通过现场的工程师凭借工作经验来判断，这样的方法效率低下且容易发生误判。基于该现状，提供一种能够有效提高卡钻风险预测的判别方法是非常有必要的。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种基于岩屑称重的卡钻风险智能识别方法，包括统计目标井所在的工程录井数据、实时岩屑称重参数、地质参数；得到实时岩屑称重的数据，计算岩屑体积实际值、理论值、岩屑的返出率；建立基于SVR的卡钻风险智能识别分类模型，并训练该模型；利用训练后模型的判识结果来进行卡钻风险预测；本发明融入了工程录井数据、实时岩屑称重参数、地质参数数据，具有实效性，采用了SVR模型进行钻进过程中的卡钻风险预测，能够提升预测的精度，减少由人为预测带来的不稳定性，从而提高作业的安全性。可帮助工程师和操作人员了解需要调整或优化的工艺参数，以降低卡钻风险，并提高钻井效率，以更有效地管理成本并优化钻井过程。

为实现以上技术效果，采用如下技术方案：

一种基于岩屑称重的卡钻风险智能识别方法，包括以下步骤：

步骤S1：统计训练数据井所在的工程录井数据、实时岩屑称重参数数据、地质参数数据，根据获取工程录井数据和地质参数数据及实际卡钻风险建立卡钻风险预测模型的训练集，建立训练集；

步骤S2：得到实时岩屑称重参数数据，计算岩屑体积实际值、理论值、岩屑的返出率；将采集到的统计训练数据井所在的工程录井数据、实时岩屑称重参数数据、地质参数数据采用线性归一化的方法进行预处理得到预处理后的训练集；

步骤S3：建立基于SVR的卡钻风险智能识别模型，并根据步骤S2中的预处理结果，训练该模型；

步骤S4：利用步骤S3中模型的判识结果来进行卡钻风险预测。

进一步的，所述步骤S1中工程录井数据包括钻井过程中的大钩载荷、转盘扭矩、转盘转速、立压。

进一步的，所述步骤S1中地质参数数据包括地层岩性、地层压力。

进一步的，所述步骤S2中通过实际与理论岩屑流量差得到岩屑返出率，由以下公式计算得到：

V_theory为理论累计返出岩屑体积，m³；d为钻头直径，m；θ为井眼扩大率，无单位；h₀为初始井深，m；h为结束井深，m；

V_actual为实际累计返出岩屑体积，m³；h₀为初始井深，m；h为结束井深，m；η为测量的每米岩屑重量，kg；μ为钻井液吸附影响校正系数，无单位；ρ_c为岩屑体积密度，kg/m³；ρ_b为膨润土密度，kg/m³；LGS为低固相含量，％；Q为钻井液排量，m³/min；MBT为钻井液膨润土含量，kg/m³；t_i为整米钻时，min；

岩屑返出率为R＝V_actual/V_theory。

进一步的，所述步骤S2中将采集到的统计训练数据井所在的工程录井数据、实时岩屑称重参数数据、地质参数数据采用线性归一化的方法进行预处理的方法为：

数据处于[0,1]之间，由以下公式计算得到：

为归一化的结果；x_i为初始样本数据；x_min为初始样本数据中的最小值；x_max为初始样本数据中的最大值。

进一步的，所述步骤S3中建立基于SVR的卡钻风险智能识别模型的方法为：

(1)确定SVR算法模型中的核函数K、惩罚因子C、核参数G；

采用径向基核函数：

K(x,y)＝exp{-γ||x-y||²}；

其中，x和y是原始样本特征向量，γ是径向基核函数的一个调节参数；核函数的计算结果K(x，y)表示样本x和y在特征空间中的相似度。

通过训练模型方式得到合适的惩罚因子C和核参数G。

进一步的，所述步骤S3中训练基于SVR的卡钻风险智能识别模型的方法为：

利用预处理后的训练集对基于SVR的卡钻风险智能识别模型进行训练，如果判断达到预测效果，即预处理后的训练集中的实际卡钻风险与模型预测风险相近时，则保存模型参数。

进一步的，所述步骤S4中利用模型的判识结果来进行卡钻风险预测的方法为：

将需要预测卡钻风险的目标井工程录井数据、地质参数数据、实时岩屑称重数据按照步骤S2中归一化处理后导入训练好的模型后，通过模型得到卡钻风险的识别结果。

本发明的有益效果为：

本发明提供的一种基于岩屑称重的卡钻风险智能识别方法，相比于现有的技术方案具有以下的特点：本发明融入了工程录井数据、实时岩屑称重参数、地质参数数据，具有实效性，采用了SVR模型进行钻进过程中的卡钻风险预测，能够提升预测的精度，减少由人为预测带来的不稳定性，从而提高作业的安全性。可以帮助工程师和操作人员了解哪些工艺参数需要调整或优化，以降低卡钻的风险，并提高钻井效率，以更有效地管理成本并优化钻井过程。

附图说明

图1为本发明实施例提供的一种基于岩屑称重的卡钻风险智能识别方法的步骤流程图；

图2为本发明实施例提供的SVR卡钻风险识别的训练流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。

实施例1：

如图1所示，一种基于岩屑称重的卡钻风险智能识别方法，包括以下步骤：

步骤S1：统计训练数据井所在的工程录井数据、实时岩屑称重参数数据、地质参数数据，根据获取工程录井数据和地质参数数据及实际卡钻风险建立卡钻风险预测模型的训练集，建立训练集；

步骤S2：得到实时岩屑称重参数数据，计算岩屑体积实际值、理论值、岩屑的返出率；将采集到的统计训练数据井所在的工程录井数据、实时岩屑称重参数数据、地质参数数据采用线性归一化的方法进行预处理得到预处理后的训练集；

步骤S3：建立基于SVR的卡钻风险智能识别模型，并根据步骤S2中的预处理结果，训练该模型；

步骤S4：利用步骤S3中模型的判识结果来进行卡钻风险预测。

所述步骤S1中工程录井数据包括钻井过程中的大钩载荷、转盘扭矩、转盘转速、立压。

所述步骤S1中地质参数数据包括地层岩性、地层压力。

所述步骤S2中通过实际与理论岩屑流量差得到岩屑返出率，由以下公式计算得到：

V_theory为理论累计返出岩屑体积，m³；d为钻头直径，m；θ为井眼扩大率，无单位；h₀为初始井深，m；h为结束井深，m；

V_actual为实际累计返出岩屑体积，m³；h₀为初始井深，m；h为结束井深，m；η为测量的每米岩屑重量，kg；μ为钻井液吸附影响校正系数，无单位；ρ_c为岩屑体积密度，kg/m³；ρ_b为膨润土密度，kg/m³；LGS为低固相含量，％；Q为钻井液排量，m³/min；MBT为钻井液膨润土含量，kg/m³；t_i为整米钻时，min；

岩屑返出率为R＝V_actual/V_theory。

所述步骤S2中将采集到的统计训练数据井所在的工程录井数据、实时岩屑称重参数数据、地质参数数据采用线性归一化的方法进行预处理的方法为：

数据处于[0,1]之间，由以下公式计算得到：

为归一化的结果；x_i为初始样本数据；x_min为初始样本数据中的最小值；x_max为初始样本数据中的最大值。

所述步骤S3中建立基于SVR的卡钻风险智能识别模型的方法为：

(1)确定SVR算法模型中的核函数K、惩罚因子C、核参数G；

采用径向基核函数：

K(x,y)＝exp{-γ||x-y||²}；

其中，x和y是原始样本特征向量，γ是径向基核函数的一个调节参数；核函数的计算结果K(x，y)表示样本x和y在特征空间中的相似度。

通过训练模型方式得到合适的惩罚因子C和核参数G。

如图2所示，所述步骤S3中训练基于SVR的卡钻风险智能识别模型的方法为：

利用预处理后的训练集对基于SVR的卡钻风险智能识别模型进行训练，如果判断达到预测效果，即预处理后的训练集中的实际卡钻风险与模型预测风险相近时，则保存模型参数。

所述步骤S4中利用模型的判识结果来进行卡钻风险预测的方法为：

将需要预测卡钻风险的目标井工程录井数据、地质参数数据、实时岩屑称重数据按照步骤S2中归一化处理后导入训练好的模型后，通过模型得到卡钻风险的识别结果。

综上所述，本发明公开了一种基于岩屑称重的卡钻风险智能识别方法，包括统计目标井所在的工程录井数据、实时岩屑称重参数、地质参数；得到实时岩屑称重的数据，计算岩屑体积实际值、理论值、岩屑的返出率；建立基于SVR的卡钻风险智能识别分类模型，并训练该模型；利用训练后模型的判识结果来进行卡钻风险预测；本发明融入了工程录井数据、实时岩屑称重参数、地质参数数据，具有实效性，采用了SVR模型进行钻进过程中的卡钻风险预测，能够提升预测的精度，减少由人为预测带来的不稳定性，从而提高作业的安全性。可帮助工程师和操作人员了解需要调整或优化的工艺参数，以降低卡钻风险，并提高钻井效率，以更有效地管理成本并优化钻井过程。

至此，本领域技术人员认识到，虽然本文已详尽展示和描述了本发明的实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导符合本发明原理的许多其他变形或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变形或修改。

Claims (8)

1.一种基于岩屑称重的卡钻风险智能识别方法，其特征在于，所述卡钻风险识别方法包括以下步骤：

步骤S1：统计训练数据井所在的工程录井数据、实时岩屑称重参数数据、地质参数数据，根据获取工程录井数据和地质参数数据及实际卡钻风险建立卡钻风险预测模型的训练集，建立训练集；

步骤S2：得到实时岩屑称重参数数据，计算岩屑体积实际值、理论值、岩屑的返出率；将采集到的统计训练数据井所在的工程录井数据、实时岩屑称重参数数据、地质参数数据采用线性归一化的方法进行预处理得到预处理后的训练集；

步骤S3：建立基于SVR的卡钻风险智能识别模型，并根据步骤S2中的预处理结果，训练该模型；

步骤S4：利用步骤S3中模型的判识结果来进行卡钻风险预测。

2.如权利要求1所述的一种基于岩屑称重的卡钻风险识别方法，其特征在于，所述步骤S1中工程录井数据包括钻井过程中的大钩载荷、转盘扭矩、转盘转速、立压。

3.如权利要求1所述的一种基于岩屑称重的卡钻风险识别方法，其特征在于，所述步骤S1中地质参数数据包括地层岩性、地层压力。

4.如权利要求1所述的一种基于岩屑称重的卡钻风险识别方法，其特征在于，所述步骤S2中通过实际与理论岩屑流量差得到岩屑返出率，由以下公式计算得到：

V_theory为理论累计返出岩屑体积，m³；d为钻头直径，m；θ为井眼扩大率，无单位；h₀为初始井深，m；h为结束井深，m；

V_actual为实际累计返出岩屑体积，m³；h₀为初始井深，m；h为结束井深，m；η为测量的每米岩屑重量，kg；μ为钻井液吸附影响校正系数，无单位；ρ_c为岩屑体积密度，kg/m³；ρ_b为膨润土密度，kg/m³；LGS为低固相含量，％；Q为钻井液排量，m³/min；MBT为钻井液膨润土含量，kg/m³；t_i为整米钻时，min；

岩屑返出率为R＝V_actual/V_theory。

5.如权利要求1所述的一种基于岩屑称重的卡钻风险识别方法，其特征在于，所述步骤S2中将采集到的统计训练数据井所在的工程录井数据、实时岩屑称重参数数据、地质参数数据采用线性归一化的方法进行预处理的方法为：

数据处于[0,1]之间，由以下公式计算得到：

为归一化的结果；x_i为初始样本数据；x_min为初始样本数据中的最小值；x_max为初始样本数据中的最大值。

6.如权利要求1所述的一种基于岩屑称重的卡钻风险识别方法，其特征在于，所述步骤S3中建立基于SVR的卡钻风险智能识别模型的方法为：

(1)确定SVR算法模型中的核函数K、惩罚因子C、核参数G；

采用径向基核函数：

K(x,y)＝exp{-γ||x-y||²}；

其中，x和y是原始样本特征向量，γ是径向基核函数的一个调节参数；核函数的计算结果K(x，y)表示样本x和y在特征空间中的相似度。

通过训练模型方式得到合适的惩罚因子C和核参数G。

7.如权利要求1所述的一种基于岩屑称重的卡钻风险识别方法，其特征在于，所述步骤S3中训练基于SVR的卡钻风险智能识别模型的方法为：

利用预处理后的训练集对基于SVR的卡钻风险智能识别模型进行训练，如果判断达到预测效果，即预处理后的训练集中的实际卡钻风险与模型预测风险相近时，则保存模型参数。

8.如权利要求1所述的一种基于岩屑称重的卡钻风险识别方法，其特征在于，所述步骤S4中利用模型的判识结果来进行卡钻风险预测的方法为：

将需要预测卡钻风险的目标井工程录井数据、地质参数数据、实时岩屑称重数据按照步骤S2中归一化处理后导入训练好的模型后，通过模型得到卡钻风险的识别结果。