CN118133159B - 一种钻井风险识别方法、系统及其相关设备 - Google Patents
一种钻井风险识别方法、系统及其相关设备 Download PDFInfo
- Publication number
- CN118133159B CN118133159B CN202410543971.4A CN202410543971A CN118133159B CN 118133159 B CN118133159 B CN 118133159B CN 202410543971 A CN202410543971 A CN 202410543971A CN 118133159 B CN118133159 B CN 118133159B
- Authority
- CN
- China
- Prior art keywords
- drilling
- data
- target
- condition
- measurement data
- 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 449
- 238000000034 method Methods 0.000 title claims abstract description 124
- 238000005259 measurement Methods 0.000 claims abstract description 182
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000015572 biosynthetic process Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 21
- 238000003672 processing method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000005452 bending Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 5
- 238000002759 z-score normalization Methods 0.000 claims description 5
- 238000005755 formation reaction Methods 0.000 description 46
- 239000012530 fluid Substances 0.000 description 25
- 230000006870 function Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 239000007788 liquid Substances 0.000 description 12
- 239000002002 slurry Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 239000011435 rock Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000011010 flushing procedure Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005574 cross-species transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004945 emulsification Methods 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请涉及一种钻井风险识别方法、系统及其相关设备,包括:获取钻井过程中的深度测量数据集和时序测量数据集;根据所述井下随钻测量数据在多个地层类型中确定目标地层类型,多个所述地层类型各自对应有不同的钻井工况类别;基于钻井工况判断方法对所述地面综合录井数据进行处理,输出钻井工况判断结果;在所述目标钻井工况类别为异常钻井工况类别的情况下,根据所述随钻环空压力数据和所述目标钻井工况类别对应的标准随钻环空压力变化信息,确定所述目标钻井工况类别的风险发生概率。基于上述方法,能够通过井下随钻测量数据实时判断地层类型;同时,能够对钻井工况进行定性识别和概率计算,提高了钻井风险识别的准确性和时效性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种钻井风险识别方法、系统及其相关设备。
背景技术
溢漏风险识别在钻井过程中非常重要,可以提供准确的岩性空间分布信息,监控和分析钻井过程中的问题。若溢漏监测不及时,可能导致严重的井控风险,甚至发生井喷和井塌事故,造成人员伤亡和经济损失。
目前传统的溢漏风险识别方法存在预测精度低和实时性差的问题。例如,地面监测方法需要与多种录井参数一起监测,而井底监测的数据传输受限,实时性较差;现有的基于支持向量机和反向传播网络的方法没有考虑录井数据的长时间序列特征,智能监测的模型和可供选择的参数较少,误报率高,预测精度低,难以达到预期效果。
发明内容
本发明实施例提供的一种钻井风险识别方法、系统及其相关设备,至少解决相关技术中传统的溢漏风险识别方法存在预测精度低和实时性差的问题。
第一方面,本发明实施例提供一种钻井风险识别方法,包括:
获取钻井过程中的深度测量数据集和时序测量数据集,所述深度测量数据集包括井下随钻测量数据,所述时序测量数据集包括随钻环空压力数据和地面综合录井数据;
根据所述井下随钻测量数据在多个地层类型中确定目标地层类型,多个所述地层类型各自对应有不同的钻井工况类别,所述钻井工况类别包括正常钻井工况类别和异常钻井工况类别,不同的所述钻井工况类别各自对应有不同的标准随钻环空压力变化信息;
基于钻井工况判断方法对所述地面综合录井数据进行处理,输出钻井工况判断结果,所述钻井工况判断结果包括在所述目标地层类型对应的钻井工况类别中确定的目标钻井工况类别;
在所述目标钻井工况类别为异常钻井工况类别的情况下,根据所述随钻环空压力数据和所述目标钻井工况类别对应的标准随钻环空压力变化信息,确定所述目标钻井工况类别的风险发生概率。
根据本发明的实施例,在所述获取钻井过程中的深度测量数据集和时序测量数据集之前,所述方法还包括:
通过预设异常数据判断方法在深度测量数据和时序测量数据中确定目标异常数据,以便将所述深度测量数据和所述时序测量数据中的所述目标异常数据进行删除,生成与所述深度测量数据对应的目标深度测量数据和与所述时序测量数据对应的目标时序测量数据;
分别对所述目标深度测量数据和所述目标时序测量数据进行平滑滤波和数据归一化处理,生成所述深度测量数据集和时序测量数据集;
所述目标深度测量数据和所述目标时序测量数据各自对应有不同的数据归一化处理方法,其中,所述目标深度测量数据对应的数据归一化处理方法包括最小-最大缩放方法,所述目标时序测量数据对应的数据归一化处理方法包括Z-score标准化方法。
根据本发明的实施例,所述根据所述井下随钻测量数据在多个地层类型中确定目标地层类型,包括:
将所述井下随钻测量数据输入至地层类型判断模型,以便所述地层类型判断模型在多个所述地层类型中确定所述目标地层类型。
根据本发明的实施例,所述地层类型判断模型的训练方法包括:
获取井下随钻测量数据集,所述井下随钻测量数据集包括多个所述地层类型以及多个所述地层类型各自对应的地层深度数值范围;
基于所述井下随钻测量数据集对初始地层类型判断模型进行训练,以生成最终的所述地层类型判断模型,所述初始地层类型判断模型包括门控循环单元神经网络模型。
根据本发明的实施例,所述基于钻井工况判断方法对所述地面综合录井数据进行处理,输出钻井工况判断结果,包括:
将所述地面综合录井数据输入至钻井工况判断模型,以便所述钻井工况判断模型在所述目标地层类型对应的所述钻井工况类别中确定所述目标钻井工况类别,并基于所述目标钻井工况类别生成所述钻井工况判断结果。
根据本发明的实施例,所述钻井工况判断模型的训练方法包括:
获取地面综合录井数据集,所述地面综合录井数据集包括多个所述钻井工况类别以及多个所述钻井工况类别各自对应的综合录井数据的变化信息;
基于所述地面综合录井数据集对初始钻井工况判断模型进行训练,以生成最终的所述钻井工况判断模型,所述初始钻井工况判断模型包括门控循环单元神经网络模型。
根据本发明的实施例,所述在所述目标钻井工况类别为异常钻井工况类别的情况下,根据所述随钻环空压力数据和所述目标钻井工况类别对应的标准随钻环空压力变化信息,确定所述目标钻井工况类别的风险发生概率,包括:
通过动态时间规整方法,确定所述随钻环空压力数据与所述标准随钻环空压力变化信息之间的动态时间弯曲距离值;
根据所述动态时间弯曲距离值,确定所述目标钻井工况类别的风险发生概率。
第二方面,本发明实施例提供一种钻井风险识别装置,包括:
获取模块,用于获取钻井过程中的深度测量数据集和时序测量数据集,所述深度测量数据集包括井下随钻测量数据,所述时序测量数据集包括随钻环空压力数据和地面综合录井数据;
确定模块,用于根据所述井下随钻测量数据在多个地层类型中确定目标地层类型,多个所述地层类型各自对应有不同的钻井工况类别,所述钻井工况类别包括正常钻井工况类别和异常钻井工况类别,不同的所述钻井工况类别各自对应有不同的标准随钻环空压力变化信息;
输出模块,用于基于钻井工况判断方法对所述地面综合录井数据进行处理,输出钻井工况判断结果,所述钻井工况判断结果包括在所述目标地层类型对应的钻井工况类别中确定的目标钻井工况类别;
所述确定模块,用于在所述目标钻井工况类别为异常钻井工况类别的情况下,根据所述随钻环空压力数据和所述目标钻井工况类别对应的标准随钻环空压力变化信息,确定所述目标钻井工况类别的风险发生概率。
第三方面,本发明实施例提供一种电子设备,包括:处理器,以及存储程序的存储器,其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据第一方面所述的方法。
第四方面,本发明实施例提供一种存储有计算机指令的非瞬时机器可读介质,其中,所述计算机指令用于使所述计算机执行根据第一方面所述的方法。
本发明实施例的有益效果:
本发明实施例提供的钻井风险识别方法能够解决相关技术中传统的溢漏风险识别方法存在预测精度低和实时性差的问题。具体地,首先获取钻井过程中的井下随钻测量数据、随钻环空压力数据和地面综合录井数据。根据井下随钻测量数据在多个地层类型中确定目标地层类型以及其对应的钻井工况类别,然后根据地面综合录井数据在其对应的钻井工况类别中确定出目标钻井工况类别,最后,在目标钻井工况类别为异常钻井工况类别的情况下,根据随钻环空压力数据和目标钻井工况类别对应的标准随钻环空压力变化信息,确定目标钻井工况类别的风险发生概率。基于上述方法,能够通过井下随钻测量数据实时判断地层类型,对具有潜在风险的地层进行提前预判,为后续的钻井工况判断和风险评估提供基础;同时,在对存在风险的地层进行提前预判后,再融合随钻环空压力数据和地面综合录井数据对钻井工况进行定性识别和概率计算,提高了钻井风险识别的准确性和时效性。
本发明的一个或多个实施例的细节在以下附图和描述中提出,以使本发明的其他特征、目的和优点更加简明易懂。
附图说明
为了更清楚地说明本发明实施例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简单的介绍。显而易见地,下面描述中的附图仅仅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实施例。
图1为本发明一示例性实施例提供的一种钻井风险识别系统的示意图。
图2为本发明一示例性实施例提供的一种钻井风险识别方法的流程图。
图3为本发明一示例性实施例提供的一种数据预处理方法的流程图。
图4为本发明一示例性实施例提供的一种无因次循环当量密度与无因次时间的关系曲线图。
图5为本发明一示例性实施例提供的一种门控循环单元神经网络的结构示意图。
图6为本发明一示例性实施例提供的一种井下随钻测量数据的示意图。
图7为本发明一示例性实施例提供的一种随钻环空压力数据的示意图。
图8为本发明一示例性实施例提供的一种地面综合录井数据的示意图。
图9为本发明一示例性实施例提供的另一种地面综合录井数据的示意图。
图10为本发明一示例性实施例提供的一种地层类型判断模型的判断结果与实测结果的对比图。
图11为本发明一示例性实施例提供的一种钻井工况判断模型的判断结果与实测结果的对比图。
图12为本发明一示例性实施例提供的一种正常钻进工况下循环当量密度与无因次时间的关系曲线图。
图13为本发明一示例性实施例提供的一种起下钻工况下循环当量密度与无因次时间的关系曲线图。
图14为本发明一示例性实施例提供的一种溢流工况下循环当量密度与无因次时间的关系曲线图。
图15为本发明一示例性实施例提供的一种漏失工况下循环当量密度与无因次时间的关系曲线图。
图16为本发明一示例性实施例提供的一种钻井风险识别方法装置的结构示意图。
图17为本发明一示例性实施例提供的一种电子设备的结构示意图。
图中:1、钻井液;2、泥浆池液位监测仪;3、泥浆池;4、泥浆泵输入管线;5、泥浆泵;6、泥浆泵输出管线;7、立管压力计;8、立管温度计;9、第二质量流量计;10、钻杆;11、旋转控制头;12、井口四通;13、井筒环空;14、井下测井工具;15、随钻环空压力测量工具;16、钻头;17、节流管汇输入管线、18、节流管汇、19、节流管汇输出管线;20、气液分离器;21、排气管线;22、色谱分析仪;23、排液管线;24、出口温度计;25、第一质量流量计;26、振动筛。
具体实施方式
下面将参照附图更详细地描述本实施例的实施例。虽然附图中显示了本实施例的某些实施例,然而应当理解的是,本实施例可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本实施例。应当理解的是,本实施例的附图及实施例仅用于示例性作用,并非用于限制本实施例的保护范围。
钻井风险识别是指在钻井过程中,通过对各种数据和信息的分析,识别可能影响钻井安全和质量的风险因素。这些风险因素可能包括地质条件、钻井工艺、设备性能、人员操作等方面的问题。钻井风险识别是钻井工程中的一个重要环节,它可以帮助钻井工程师和管理人员及时发现和解决潜在的风险,避免事故的发生,提高钻井效率和质量,降低成本。
本发明实施例提供的钻井风险识别方法可以应用于钻井风险识别系统中,下面结合附图,首先对本发明实施例提供的一种钻井风险识别系统进行说明。
图1为本发明一示例性实施例提供的一种钻井风险识别系统的示意图。
如图1所示,该钻井风险识别系统包括井下测井工具14、随钻环空压力测量工具15以及地面录井数据测量系统。
其中,地面录井数据测量系统主要包括井口四通12、旋转控制头11、节流管汇18、气液分离器20、第二质量流量计9、泥浆池3、泥浆泵5、立管温度计8。进一步地,还可以包括顶驱、温度传感器和压力传感器等。
具体地,随钻环空压力测量工具15上端连接井下测井工具14和钻杆10,下端与钻头16连接。井口四通12位于井口上端,旋转控制头11包裹钻杆10并实现动密封;钻柱与套管之间的井筒环空13,与旋转控制头11的排出管线相连接,然后通过节流管汇输入管线17、节流管汇18和节流管汇输出管线19连接气液分离器20。气液分离器20上部连接排气管线21,排气管线21上安装色谱分析仪22;气液分离器20下部通过排液管线23,经过振动筛26与泥浆池3相连,排液管线23安装出口温度计24、第一质量流量计25。钻杆10经过泥浆泵输出管线6与泥浆泵5相连,泥浆泵输出管线6上安装立管压力计7、立管温度计8和第二质量流量计9,泥浆泵5与泥浆池3通过泥浆泵输入管线4连接。钻具与井架上的大钩相连,为井下钻头16施加钻压;顶驱连接钻杆10上部,提供动力和扭矩。
实际应用中,钻井过程的数据可以由数据采集系统获取。其中,数据采集系统可以包括数据采集管线、计算机、显示器、报警灯等等。
在本实施例中,随钻环空压力测量工具15可以提供井下流体压力测量数据;
井下测井工具14和振动筛26,通过振动筛26脱离的岩屑记录钻深处地层的岩性,能够提供方位、井斜、自然伽马、浅振列感应、深振列感应、广电截面指数、密度测井、中子、井径、声波时差、孔隙度、泥质含量、含水饱和度、渗透率、砂质含量、灰质含量、云质含量、冲洗带电阻率、视地层电阻率、深探测电阻率、浅探测电阻率、深感应电阻率、中感应电阻率等数据;
地面录井测量设备包括立管温度计8、立管压力计7、第二质量流量计9、泥浆池液位监测仪2、色谱分析仪22、泥浆泵5等,获取井深、钻头16位置、大钩位置、钻压、顶驱扭矩、立管压力、累计泵冲、总池体积、总烃、出口密度、入口流量、出口流量等数据。
需要说明的是,本发明实施例对上述测量数据的种类不做限定、均可适用,即可以包含更多的数据,也可以仅包含数据中的几种。
本实施例中,可以通过数据采集系统中的计算机执行钻井风险识别方法,得到风险发生概率。显示器连接计算机,可以直接输出溢流工况和漏失工况的风险发生概率,并通过灯闪烁进行报警。
在进行钻井工作时,在泥浆泵5的推动下,将泥浆池3中的钻井液1通过管线泵入钻杆10中,钻井泵的泵冲、立管上的立管温度计8、立管压力计7、第二质量流量计9记录钻井液1流入参数。
钻井液1在钻杆10中经过钻头16水眼返出进入井筒环空13内,如果发生井漏,钻井液1会漏失进入地层,如果发生溢流,地层流体会侵入井筒。
钻井液1、岩屑和地层流体等混合物,在井筒环空13内自下而上返出,流经随钻环空压力测量工具15和井下测井工具14,随钻环空压力测量工具15实时监测钻具内和井筒环空13钻井液1的压力,井下测井工具14测量地层岩石和流体相关参数,混合流体返出到旋转控制头11后,经过排出管线、节流管汇18进入气液分离器20和振动筛26,脱离的气体通过色谱仪分析其总烃值,振动筛26脱离的岩屑通过分析其类型和大小判断地层岩性和分层情况,
分离的钻井液1通过出口立管压力计7、立管温度计8和第二质量流量计9获取其出口参数,钻井液1进入泥浆池3,通过泥浆池3上的泥浆池液位监测仪2测量泥浆池3液位。钻进期间,钻具的重量由井筒内钻井液1的浮力、大钩载荷和施加在钻头16上的钻压共同承担;钻具的动力和扭矩由顶驱提供。
图2为本发明一示例性实施例提供的一种钻井风险识别方法的流程图。参见图2,该方法包括如下步骤。
步骤S201,获取钻井过程中的深度测量数据集和时序测量数据集,深度测量数据集包括井下随钻测量数据,时序测量数据集包括随钻环空压力数据和地面综合录井数据。
步骤S202,根据井下随钻测量数据在多个地层类型中确定目标地层类型,多个地层类型各自对应有不同的钻井工况类别,钻井工况类别包括正常钻井工况类别和异常钻井工况类别,不同的钻井工况类别各自对应的不同的标准随钻环空压力变化信息。
步骤S203,基于钻井工况判断方法对地面综合录井数据进行处理,输出钻井工况判断结果,钻井工况判断结果包括在目标地层类型对应的钻井工况类别中确定的目标钻井工况类别。
步骤S204,在目标钻井工况类别为异常钻井工况类别的情况下,根据随钻环空压力数据和目标钻井工况类别对应的标准随钻环空压力变化信息,确定目标钻井工况类别的风险发生概率。
首先,获取钻井过程中的深度测量数据集和时序测量数据集,深度测量数据集包括井下随钻测量数据,时序测量数据集包括随钻环空压力数据和地面综合录井数据。
本实施例中,井下随钻测量数据是指在钻井过程中,通过安装在钻头上的传感器或测量仪器,实时测量和记录的各种参数数据。井下随钻测量数据包括但不限于钻头深度、钻头速度、钻头扭矩、钻头温度、钻头压力、钻头方位、钻头倾角等。上述井下随钻测量数据可以通过电缆或无线传输方式传输到地面,供地面人员进行分析和处理。
随钻环空压力数据是指在钻井过程中,通过随钻环空压力测量工具,实时测量和记录的环空压力数据。环空压力是指钻头与井壁之间的压力,它是反映井眼稳定性和钻井液性能的重要参数之一。随钻环空压力数据可以通过电缆或无线传输方式传输到地面,供地面人员进行分析和处理。
地面综合录井数据是指在钻井过程中,通过安装在地面的各种传感器和测量仪器,实时测量和记录的各种参数数据。地面综合录井数据包括但不限于钻井液流量、钻井液温度、钻井液密度、钻井液黏度、钻井液压力、井口压力、井口温度、井口流量等。这些数据可以通过电缆或无线传输方式传输到地面,供地面人员进行分析和处理。
井下随钻测量数据、随钻环空压力数据和地面综合录井数据均是实现智能化钻井的重要基础,可以帮助钻井人员实时掌握钻井液性能和井眼情况,从而提高钻井效率和质量,降低钻井风险。
在一可选实施例中,在获取钻井过程中的深度测量数据和时序测量数据之后,需要对井下随钻测量数据、随钻环空压力数据和地面综合录井数据进行预处理。具体地,可以基于如图3所示的方法对井下随钻测量数据、随钻环空压力数据和地面综合录井数据进行预处理。参见图3,该方法包括如下步骤。
步骤S301,通过预设异常数据判断方法在深度测量数据和时序测量数据确定目标异常数据,以便将深度测量数据和时序测量数据中的目标异常数据进行删除,生成与深度测量数据对应的目标深度测量数据和与时序测量数据对应的目标时序测量数据。
步骤S302,分别对目标深度测量数据和目标时序测量数据进行平滑滤波和数据归一化处理,生成深度测量数据集和时序测量数据集。
本实施例中,在获取到深度测量数据和时序测量数据后,首先可以对上述数据进行数据清洗操作。
具体地,可以通过预设异常数据判断方法在深度测量数据和时序测量数据确定目标异常数据,然后将目标异常数据删除。
实际应用中,目标异常数据可以包括非正常数据和噪声数据。其中,非正常数据可以包括零、空数据和负数数据(例如:-9999)等等;噪声异常数据可以包括因受环境噪声或者系统偶然偏差等因素,出现的明显偏离整个数据序列的数据等。
对于噪声异常数据的确定,可以根据相应数据序列的三倍标准差为基准进行判断。以随钻环空压力数据为例,假设测量的随钻环空压力数据的时间序列为:,则序列平均值可以基于以下公式(1)计算得到:
(1);
其中,为随钻环空压力数据的平均值;
标准差可以基于以下公式(2)计算得到:
(2);
其中,为随钻环空压力数据的标准差。
若序列中发现随钻环空压力数据与均值的残差大于/>的观测值,即,则该测值点为噪声异常数据。
在将目标异常数据删除后,再分别对目标深度测量数据和目标时序测量数据进行平滑滤波和数据归一化处理,生成深度测量数据集和时序测量数据集。
本实施例中,在对目标深度测量数据和目标时序测量数据进行平滑滤波处理时,可以采用小波阈值的方法抑制和消除整体数据序列的随机噪声。具体地,采用小波函数分解含噪声的目标深度测量数据和目标时序测量数据,然后采用硬阈值函数判断,即将幅值高于阈值的数据点保留小波系数,否则置零,逆向小波变换重构测量数据序列。
举例来说,以K条N个样点的井下随钻测量数据曲线组成的井下随钻测量数据集,其通用阈值如以下公式(3)所示:
(3);
其中,为噪声标准差;
噪声标准差可以基于以下公式(4)计算得到:
(4);
其中,σ *为噪声标准差,MAD为井下随钻测量数据曲线第一层小波分解中小波系数幅度的中值。
本实施例中,在数据归一化处理过程中,目标深度测量数据和目标时序测量数据各自对应有不同的数据归一化处理方法,其中,目标深度测量数据对应的数据归一化处理方法包括最小-最大缩放方法,目标时序测量数据对应的数据归一化处理方法包括Z-score标准化方法。
具体地,对于目标深度测量数据,采用最大-最小规范化方法,即将值归一化到0至1之间。假设目标深度测量数据的序列,则归一化后如以下公式(5)所示:
(5);
其中,为归一化后的测井数据,n为每条目标深度测量数据曲线的样本点数,/>为当前测井数据,/>和/>分别为此井段目标深度测量数据曲线幅度的最小值和最大值。
对于目标时序测量数据,采用Z-score标准化方法。假设目标时序测量数据的序列,采用零-均值规范化编码进行规范化,如以下公式(6)所示:
(6);
其中,为归一化后的目标时序测量数据,/>为当前录井数据,/>为录井数据均值,为目标时序测量数据标准差。
数据预处理完成后,得到深度测量数据集和时序测量数据集。之后,可以根据井下随钻测量数据在多个地层类型中确定目标地层类型。
本实施例中,多个地层类型各自对应有不同的钻井工况类别,钻井工况类别包括正常钻井工况类别和异常钻井工况类别,不同的钻井工况类别各自对应有不同的标准随钻环空压力变化信息。
具体的,正常钻井工况类别可以包括开泵、正常钻进、旋转钻进、滑动钻进、接单根、循环、向下洗井、划眼、向上洗井、倒划眼、起钻和下钻等等;异常钻井工况可以包括溢流、漏失等等。
进一步地,不同的钻井工况类别各自对应有不同的标准随钻环空压力变化信息,实际应用中,不同的钻井工况类别各自对应的标准随钻环空压力变化信息可以由钻井液循环当量密度表示。以正常钻井工况类别包括正常钻进、开泵、起钻和下钻,异常钻井工况包括溢流、漏失为例,上述各个钻井工况类别各自对应的无因次循环当量密度与无因次时间的关系曲线如图4所示。
在根据井下随钻测量数据在多个地层类型中确定目标地层类型时,可以将井下随钻测量数据输入至地层类型判断模型,以便地层类型判断模型在多个地层类型中确定目标地层类型。
在根据井下随钻测量数据在多个地层类型中确定目标地层类型后,可以基于钻井工况判断方法对地面综合录井数据进行处理,输出钻井工况判断结果。具体地,将地面综合录井数据输入至钻井工况判断模型,以便钻井工况判断模型在目标地层类型对应的钻井工况类别中确定目标钻井工况类别,并基于目标钻井工况类别生成钻井工况判断结果。
在本实施例中,地层类型判断模型和钻井工况判断模型均可以为基于门控循环单元神经网络构建的神经网络模型。
基于门控循环单元神经网络构建的地层类型判断模型和钻井工况判断模型能够对深度测量数据集和时序测量数据集进行高效的处理。门控循环单元神经网络基于重置门和更新门控制信息的流动。重置门决定了在每个时间步中是否需要重置当前隐藏状态。当重置门的值为 1 时,隐藏状态会被重置为一个新的初始化状态,这意味着它会忘记之前的信息。当重置门的值为 0 时,隐藏状态会保留之前的信息并继续进行计算;当更新门的值为 1 时,当前输入和上一个隐藏状态会被合并,并更新隐藏状态。当更新门的值为 0 时,隐藏状态不会被更新,而是保持不变。基于上述原理,重置门和更新门不会随着时间清除以前的信息,会保留部分信息传递给下一个单元,门控循环单元神经网络的结构如图5所示。
举例来说,以数据样本为例,重置门状态变量可以基于以下公式(7)计算得到:
(7);
其中,、/>为权重矩阵;/>为门控循环单元神经网络偏差;/>为Sigmoid门控激活函数;/>为上一时间步的隐藏状态,/>为当前时刻/深度的输入;下标/>表示时刻;/>表示重置门状态变量。
基于上述公式(7),计算的重置门状态变量越小,说明上一时刻/深度点需要遗忘的信息越多。
采用更新门设置当前深度/时刻需要保留的数据,并最大程度消除梯度消失的风险,更新门状态变量可以基于以下公式(8)计算得到:
(8);
其中,、/>为权重矩阵;/>为门控循环单元神经网络偏差;/>为Sigmoid门控激活函数;/>为上一时间步的隐藏状态;/>为当前时刻/深度的输入;下标/>表示时刻;/>为更新门状态变量。
基于上述公式(8),计算的更新门状态变量位于0到1之间,更新门状态变量的值越接近1代表保存下来的数据量越多,否则表示遗忘的数据越多。
基于上述方法得到门控信号后,使用重置门来存储之前的相关信息,当前时刻的候选隐藏状态可以基于以下公式(9)计算得到:
(9);
其中,为当前时刻的候选隐藏状态;/>为激活函数,用于控制-1到1范围内的数据,/>、/>为权重矩阵;/>为上一时间步的隐藏状态;/>为当前时刻/深度的输入;表示重置门状态变量;/>为门控循环单元神经网络偏差;
的表达式为如公式(10)所示:
(10);
最后分别对与/>、/>与/>逐元素相乘,得到更新后的隐藏层输出,计算方法如以下公式(11)所示:
(11);
其中,为隐藏层输出;/>为更新门状态变量;/>为当前时刻的候选隐藏状态;为上一时间步的隐藏状态。
在一可选实施例中,地层类型判断模型的训练方法包括:获取井下随钻测量数据集,井下随钻测量数据集包括多个地层类型以及多个地层类型各自对应的地层深度数值范围;基于井下随钻测量数据集对初始地层类型判断模型进行训练,以生成最终的地层类型判断模型,初始地层类型判断模型包括门控循环单元神经网络模型。
在一可选实施例中,钻井工况判断模型的训练方法包括:获取地面综合录井数据集,地面综合录井数据集包括多个钻井工况类别以及多个钻井工况类别各自对应的综合录井数据的变化信息;基于地面综合录井数据集对初始钻井工况判断模型进行训练,以生成最终的钻井工况判断模型,初始钻井工况判断模型包括门控循环单元神经网络模型。
实际应用中,地层类型判断模型和钻井工况判断模型的训练方法相同,不同的是,地层类型判断模型和钻井工况判断模型的训练时的训练样本不同。
本实施例中,基于门控循环单元神经网络的地层类型判断模型、钻井工况判断模型的训练步骤如下:
首先,使用Keras库构建门控循环单元神经网络模型,门控循环单元神经网络的层数可以为两层,门控循环单元神经网络层隐藏状态的维度为64和128,每层门控循环单元网络后使用dropout方法,大小设置为0.25,以防止训练过程中出现过拟合现象,隐藏层的激活函数使用Relu函数,其函数表达式为;输出层的激活函数使用Sigmoid函数,其函数表达式为/>。
然后初始化模型,将门控循环单元神经网络层和全连接层添加至模型中,对模型进行编译。本实施例中,使用的编译器为Adam优化器,损失函数为sparse_categorical_crossentropy函数,准确度为模型的评估指标。其中,训练集与测试集的比例为8:2,训练次数优选为5000次。
对于地层类型判断模型,其训练集的样本数据基于以下方法获取:在钻井过程中,实时采集地面返出的岩屑信息,并结合环空岩屑返出时间,判断对应深度处的地层岩性和层位,并与井下随钻测量数据的深度序列对齐,完成标准井下随钻测量数据集的标定并作为训练集的样本数据。
例如,假设当前井深为6800米,环空岩屑返回时间为2小时,平均机械钻速为6.5m/h,当前地面岩屑判断为中砂岩,则记录6787m处地层为中砂岩。
对于钻井工况判断模型,其训练集的样本数据基于以下方法获取:在钻井过程中,实时采集地面综合录井数据,基于地面综合录井数据和钻井工况类别关系表中的对应关系,对地面综合录井数据进行工况标定。基于上述标定方法,将该井在钻井时1小时之前的地面综合录井数据以及相同区块临井的地面综合录井数据进行标定后,作为钻井工况判断模型的训练集的样本数据。
地面综合录井数据和钻井工况类别关系表如表1所示。
表1 地面综合录井数据和钻井工况类别关系表:
输入 | 旋转钻进 | 滑动钻进 | 接单根 | 循环 | 向下洗井 | 划眼 | 向上洗井 | 倒划眼 | 起钻 | 下钻 | 溢流 | 漏失 |
大钩高度 | ↓ | ↓ | – | – | ↓ | ↓ | ↑ | ↑ | ↑ | ↓ | – | – |
钻压 | >0 | >0 | 0 | – | 0 | 0 | 0 | 0 | 0 | 0 | – | – |
转速 | >0 | 0 | 0 | 0 | 0 | >0 | 0 | >0 | 0 | 0 | – | – |
扭矩 | >0 | 0 | 0 | 0 | 0 | >0 | 0 | >0 | 0 | 0 | – | – |
立管压力 | >0 | >0 | 0 | 0 | >0 | >0 | >0 | >0 | 0 | 0 | ↑ | ↓ |
总池体积 | – | – | – | – | – | – | – | – | – | – | ↑ | ↓ |
在基于钻井工况判断方法对地面综合录井数据进行处理,输出钻井工况判断结果后,在目标钻井工况类别为异常钻井工况类别的情况下,根据随钻环空压力数据和目标钻井工况类别对应的标准随钻环空压力变化信息,确定目标钻井工况类别的风险发生概率。
本实施例中,基于上述实施例所述,钻井工况判断结果中的目标钻井工况类别可以包括正常钻井工况类别和异常钻井工况类别,为了保证施工的安全,需要对目标钻井工况类别进行判断并输出判断结果。实际应用中,若判断结果表明目标钻井工况类别为异常钻井工况类别,则需要对异常钻井工况类别的风险发生概率进行判断。
本实施例中在对异常钻井工况类别的风险发生概率进行判断时,可以根据随钻环空压力数据和目标钻井工况类别对应的标准随钻环空压力变化信息,确定目标钻井工况类别的风险发生概率。
具体地,首先可以通过动态时间规整方法,确定随钻环空压力数据与标准随钻环空压力变化信息之间的动态时间弯曲距离值,然后根据动态时间弯曲距离值,确定目标钻井工况类别的风险发生概率。
实际应用中,可以根据流体力学中的质量、动量和能量守恒原理,建立钻井井筒的多组分多相流模型,实现对井筒流动的精确表征;然后,结合正常钻进、开泵、起钻、下钻、溢流和漏失等不同过程,设定初始和边界条件,模拟得到不同工况下的标准随钻环空压力变化信息。
在获取到标准随钻环空压力变化信息后,首先可以采用动态时间规整(DynamicTime Warping,简称DTW)方法,分析当前随钻环空压力数据与标准随钻环空压力变化信息中各个工况之间的DTW距离;然后在得到的DTW距离基础上,采用加权斜率距离的概念,基于波动幅值、变化趋势、时间跨度,得到随钻环空压力数据与溢流工况或漏失工况的风险匹配度。
其中,上述加权斜率距离可以基于以下公式(12)计算得到:
(12);
其中,为加权斜率距离;/>为DTW距离;/>,/>表示每分段的结束时间;/>为第/>段的时间加权,/>,其中/>为0到1之间的常数;/>表示/>段分段直线的斜率。
可以基于以下公式(13)计算得到:
(13);
其中,为第i段的波动值,/>,/>为分段的起点位置的观测值,/>为分段终止位置的观测值。
时序测量数据的钻井工况表征为序列中某个子集单一的变化趋势,分段直线的上升、保持和下降总可由斜率来表征,即时间序列总可表示为具有一定斜率的线段集合。该方法在线性分段的基础上,对两个序列间的斜率差进行加权,得到个以斜率表示的时间序列。
假设某一事件的最优解与时序测量数据的模式的相似概率应与加权斜率距离成反比,得到钻井工况的相似概率向量计算如以下公式(14)所示:
(14);
其中,表示可能会导致钻井井筒流动数据变化的钻井工况的数量。
基于上述公式,通过实时计算和匹配分析后便可以得到溢流工况、漏失工况的风险发生概率随时间的变化概率。
下面结合附图以及具体实施例对本发明实施例提供的钻井风险识别方法进行说明。
假设以钻井井筒A为例,获取钻井过程中的井下随钻测量数据、随钻环空压力数据和地面综合录井数据。对上述数据进行处理后,得到深度测量数据集和时序测量数据集。其中,井下随钻测量数据中的部分数据如图6所示,随钻环空压力数据中的部分数据如图7所示,地面综合录井数据中的部分数据如图8和图9所示。其中,图8为溢流工况的提取数据,其中,横坐标为时间序列,纵坐标为颗粒尾迹乳化分析(Particle Wake Emulsion Analysis,简称PWEA)数据,需要说明的是,图8中的横坐标是由时间序列通过归一化处理后并扩大100倍得到的,纵坐标是由PWEA数据经过归一化处理后得到的;图9为漏失工况的提取数据,其中,横坐标为时间序列,纵坐标为PWEA数据,需要说明的是,图9中的横坐标是由时间序列通过归一化处理后并扩大100倍得到的,纵坐标是由PWEA数据经过归一化处理后得到的。
将井下随钻测量数据输入至地层类型判断模型,以便地层类型判断模型在多个地层类型中确定目标地层类型。
本实施例中地层类型判断模型对不同深度的目标地层类型的判断结果与实测结果的对比图如图10所示。
再将地面综合录井数据输入至钻井工况判断模型,以便钻井工况判断模型在目标地层类型对应的钻井工况类别中确定目标钻井工况类别,并基于目标钻井工况类别生成钻井工况判断结果。
本实施例钻井工况判断模型对不同深度的目标地层类型的目标钻井工况类别的判断结果与实测结果的对比图如图11所示。
如图11所示,融合多源录井数据分析,本发明实施例提供的钻井风险识别方法对井筒A的溢流、漏失等非正常钻井工况识别的准确性可以达到97.6%。根据钻井日志可知,井筒A在3778m处发生了气侵溢流,在3830-3840m处发生了溢流,而钻井工况判断模型均成功识别。
最后,基于钻井工况判断方法对地面综合录井数据进行处理,输出钻井工况判断结果,并在目标钻井工况类别为异常钻井工况类别的情况下,根据随钻环空压力数据和目标钻井工况类别对应的标准随钻环空压力变化信息,确定目标钻井工况类别的风险发生概率。
首先通过动态时间规整方法,确定随钻环空压力数据与标准随钻环空压力变化信息之间的动态时间弯曲距离值;然后再根据动态时间弯曲距离值,确定目标钻井工况类别的风险发生概率。
本实施例中,获取到的随钻环空压力数据与正常钻进工况的动态时间弯曲距离值为10.2673,与起钻工况的动态时间弯曲距离值为7.3548,与下钻工况的动态时间弯曲距离值为2.8736,与溢流工况的动态时间弯曲距离值为1.6384,与漏失工况的动态时间弯曲距离值为7.3748。
选取最小的动态时间弯曲距离值对其使用加权斜率距离计算出相似性度量为0.9374,可计算出其模式匹配度为95.4%。取多个测量数据序列按照上述方法计算后,可得出:定量识别正常钻进、起下钻等正常工况,模式识别的匹配度超过97.2%,定量识别溢流、漏失等异常工况,模式识别的匹配度超过95.7%,识别结果如图12至图15所示。
基于本发明实施例提供的上述钻井风险识别方法,本发明实施例还提供一种钻井风险识别方法装置,如图16所示,钻井风险识别方法装置包括:获取模块1501、确定模块1502和输出模块1503。
获取模块1501,用于获取钻井过程中的深度测量数据集和时序测量数据集,深度测量数据集包括井下随钻测量数据,时序测量数据集包括随钻环空压力数据和地面综合录井数据;
确定模块1502,用于根据井下随钻测量数据在多个地层类型中确定目标地层类型,多个地层类型各自对应有不同的钻井工况类别,钻井工况类别包括正常钻井工况类别和异常钻井工况类别,不同的钻井工况类别各自对应有不同的标准随钻环空压力变化信息;
输出模块1503,用于基于钻井工况判断方法对地面综合录井数据进行处理,输出钻井工况判断结果,钻井工况判断结果包括在目标地层类型对应的钻井工况类别中确定的目标钻井工况类别;
确定模块1502,用于在目标钻井工况类别为异常钻井工况类别的情况下,根据随钻环空压力数据和目标钻井工况类别对应的标准随钻环空压力变化信息,确定目标钻井工况类别的风险发生概率。
可选地,确定模块1502,还用于通过预设异常数据判断方法在深度测量数据和时序测量数据中确定目标异常数据,以便将深度测量数据和时序测量数据中的目标异常数据进行删除,生成与深度测量数据对应的目标深度测量数据和与时序测量数据对应的目标时序测量数据;分别对目标深度测量数据和目标时序测量数据进行平滑滤波和数据归一化处理,生成深度测量数据集和时序测量数据集;目标深度测量数据和目标时序测量数据各自对应有不同的数据归一化处理方法,其中,目标深度测量数据对应的数据归一化处理方法包括最小-最大缩放方法,目标时序测量数据对应的数据归一化处理方法包括Z-score标准化方法。
可选地,确定模块1502,具体用于将井下随钻测量数据输入至地层类型判断模型,以便地层类型判断模型在多个地层类型中确定目标地层类型。
可选地,获取模块1501,具体用于获取井下随钻测量数据集,井下随钻测量数据集包括多个地层类型以及多个地层类型各自对应的地层深度数值范围;基于井下随钻测量数据集对初始地层类型判断模型进行训练,以生成最终的地层类型判断模型,初始地层类型判断模型包括门控循环单元神经网络模型。
可选地,输出模块1503,用于将地面综合录井数据输入至钻井工况判断模型,以便钻井工况判断模型在目标地层类型对应的钻井工况类别中确定目标钻井工况类别,并基于目标钻井工况类别生成钻井工况判断结果。
可选地,获取模块1501,具体用于获取地面综合录井数据集,地面综合录井数据集包括多个钻井工况类别以及多个钻井工况类别各自对应的综合录井数据的变化信息;基于地面综合录井数据集对初始钻井工况判断模型进行训练,以生成最终的钻井工况判断模型,初始钻井工况判断模型包括门控循环单元神经网络模型。
可选地,确定模块1502,具体用于通过动态时间规整方法,确定随钻环空压力数据与标准随钻环空压力变化信息之间的动态时间弯曲距离值;根据动态时间弯曲距离值,确定目标钻井工况类别的风险发生概率。
本发明实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。上述存储器存储有能够被上述至少一个处理器执行的计算机程序,上述计算机程序在被上述至少一个处理器执行时用于使电子设备执行本发明实施例的方法。
本发明实施例还提供一种存储有计算机程序的非瞬时机器可读介质,其中,上述计算机程序在被计算机的处理器执行时用于使上述计算机执行本发明实施例的方法。
本发明实施例还提供一种计算机程序产品,包括计算机程序,其中,计算机程序在被计算机的处理器执行时用于使计算机执行本发明实施例的方法。
参考图17,现将描述可以作为本发明实施例的服务器或客户端的电子设备的结构框图,其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图17所示,电子设备包括计算单元1601,其可以根据存储在只读存储器(ROM)1602中的计算机程序或者从存储单元1608加载到随机访问存储器(RAM)1603中的计算机程序,来执行各种适当的动作和处理。在RAM 1603中,还可存储电子设备操作所需的各种程序和数据。计算单元1601、ROM 1602以及RAM 1603通过总线1604彼此相连。输入/输出(I/O)接口1605也连接至总线1604。
电子设备中的多个部件连接至I/O接口1605,包括:输入单元1606、输出单元1607、存储单元1608以及通信单元1609。输入单元1606可以是能向电子设备输入信息的任何类型的设备,输入单元1606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元1607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1608可以包括但不限于磁盘、光盘。通信单元1609允许电子设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1601的一些示例包括但不限于CPU、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1601执行上文所描述的各个方法和处理。例如,在一些实施例中,本发明的方法实施例可被实现为计算机程序,其被有形地包含于机器可读介质,例如存储单元1608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1602和/或通信单元1609而被载入和/或安装到电子设备上。在一些实施例中,计算单元1601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述的方法。
用于实施本发明实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得计算机程序当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明实施例的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读信号介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
需要说明的是,本发明实施例使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。本发明实施例中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
本发明实施例所提供的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的保护范围在此方面不受限制。
“实施例”一词在本说明书中指的是结合实施例描述的具体特征、结构或特性可以包括在本发明的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例,也不意味着与其它实施例相互排斥而具有独立性或可供选择。本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见。尤其,对于装置、设备、系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (10)
1.一种钻井风险识别方法,其特征在于,包括:
获取钻井过程中的深度测量数据集和时序测量数据集,所述深度测量数据集包括井下随钻测量数据,所述时序测量数据集包括随钻环空压力数据和地面综合录井数据;
根据所述井下随钻测量数据在多个地层类型中确定目标地层类型,多个所述地层类型各自对应有不同的钻井工况类别,所述钻井工况类别包括正常钻井工况类别和异常钻井工况类别,不同的所述钻井工况类别各自对应有不同的标准随钻环空压力变化信息;
基于钻井工况判断方法对所述地面综合录井数据进行处理,输出钻井工况判断结果,所述钻井工况判断结果包括在所述目标地层类型对应的钻井工况类别中确定的目标钻井工况类别;
在所述目标钻井工况类别为异常钻井工况类别的情况下,根据所述随钻环空压力数据和所述目标钻井工况类别对应的标准随钻环空压力变化信息,确定所述目标钻井工况类别的风险发生概率。
2.根据权利要求1所述的方法,其特征在于,在所述获取钻井过程中的深度测量数据集和时序测量数据集之前,所述方法还包括:
通过预设异常数据判断方法在深度测量数据和时序测量数据中确定目标异常数据,以便将所述深度测量数据和所述时序测量数据中的所述目标异常数据进行删除,生成与所述深度测量数据对应的目标深度测量数据和与所述时序测量数据对应的目标时序测量数据;
分别对所述目标深度测量数据和所述目标时序测量数据进行平滑滤波和数据归一化处理,生成所述深度测量数据集和时序测量数据集;
所述目标深度测量数据和所述目标时序测量数据各自对应有不同的数据归一化处理方法,其中,所述目标深度测量数据对应的数据归一化处理方法包括最小-最大缩放方法,所述目标时序测量数据对应的数据归一化处理方法包括Z-score标准化方法。
3.根据权利要求1所述的方法,其特征在于,所述根据所述井下随钻测量数据在多个地层类型中确定目标地层类型,包括:
将所述井下随钻测量数据输入至地层类型判断模型,以便所述地层类型判断模型在多个所述地层类型中确定所述目标地层类型。
4.根据权利要求3所述的方法,其特征在于,所述地层类型判断模型的训练方法包括:
获取井下随钻测量数据集,所述井下随钻测量数据集包括多个所述地层类型以及多个所述地层类型各自对应的地层深度数值范围;
基于所述井下随钻测量数据集对初始地层类型判断模型进行训练,以生成最终的所述地层类型判断模型,所述初始地层类型判断模型包括门控循环单元神经网络模型。
5.根据权利要求1所述的方法,其特征在于,所述基于钻井工况判断方法对所述地面综合录井数据进行处理,输出钻井工况判断结果,包括:
将所述地面综合录井数据输入至钻井工况判断模型,以便所述钻井工况判断模型在所述目标地层类型对应的所述钻井工况类别中确定所述目标钻井工况类别,并基于所述目标钻井工况类别生成所述钻井工况判断结果。
6.根据权利要求5所述的方法,其特征在于,所述钻井工况判断模型的训练方法包括:
获取地面综合录井数据集,所述地面综合录井数据集包括多个所述钻井工况类别以及多个所述钻井工况类别各自对应的综合录井数据的变化信息;
基于所述地面综合录井数据集对初始钻井工况判断模型进行训练,以生成最终的所述钻井工况判断模型,所述初始钻井工况判断模型包括门控循环单元神经网络模型。
7.根据权利要求1所述的方法,其特征在于,所述在所述目标钻井工况类别为异常钻井工况类别的情况下,根据所述随钻环空压力数据和所述目标钻井工况类别对应的标准随钻环空压力变化信息,确定所述目标钻井工况类别的风险发生概率,包括:
通过动态时间规整方法,确定所述随钻环空压力数据与所述标准随钻环空压力变化信息之间的动态时间弯曲距离值;
根据所述动态时间弯曲距离值,确定所述目标钻井工况类别的风险发生概率。
8.一种钻井风险识别装置,其特征在于,包括:
获取模块,用于获取钻井过程中的深度测量数据集和时序测量数据集,所述深度测量数据集包括井下随钻测量数据,所述时序测量数据集包括随钻环空压力数据和地面综合录井数据;
确定模块,用于根据所述井下随钻测量数据在多个地层类型中确定目标地层类型,多个所述地层类型各自对应有不同的钻井工况类别,所述钻井工况类别包括正常钻井工况类别和异常钻井工况类别,不同的所述钻井工况类别各自对应有不同的标准随钻环空压力变化信息;
输出模块,用于基于钻井工况判断方法对所述地面综合录井数据进行处理,输出钻井工况判断结果,所述钻井工况判断结果包括在所述目标地层类型对应的钻井工况类别中确定的目标钻井工况类别;
所述确定模块,用于在所述目标钻井工况类别为异常钻井工况类别的情况下,根据所述随钻环空压力数据和所述目标钻井工况类别对应的标准随钻环空压力变化信息,确定所述目标钻井工况类别的风险发生概率。
9.一种电子设备,包括:处理器,以及存储程序的存储器,其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时机器可读介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410543971.4A CN118133159B (zh) | 2024-05-06 | 2024-05-06 | 一种钻井风险识别方法、系统及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410543971.4A CN118133159B (zh) | 2024-05-06 | 2024-05-06 | 一种钻井风险识别方法、系统及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118133159A CN118133159A (zh) | 2024-06-04 |
CN118133159B true CN118133159B (zh) | 2024-06-25 |
Family
ID=91239190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410543971.4A Active CN118133159B (zh) | 2024-05-06 | 2024-05-06 | 一种钻井风险识别方法、系统及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118133159B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723838B (zh) * | 2021-09-02 | 2023-04-18 | 西南石油大学 | 基于卷积神经网络的随钻安全风险智能识别方法 |
CN114776286A (zh) * | 2022-05-06 | 2022-07-22 | 中国石油天然气集团有限公司 | 井壁稳定评价方法、装置、设备和钻井液处理剂优选方法 |
CN117287188A (zh) * | 2022-10-12 | 2023-12-26 | 重庆科技学院 | 基于井下压力数据流的钻井井漏监测方法 |
-
2024
- 2024-05-06 CN CN202410543971.4A patent/CN118133159B/zh active Active
Non-Patent Citations (2)
Title |
---|
A New Method for Intelligent Prediction of Drilling Overflow and Leakage Based on Multi-Parameter Fusion;Mu Li 等;《energies》;20220818;1-12 * |
基于门控循环单元网络的钻井井漏智能监测方法;李辉 等;《电子设计工程》;20240204;第32卷(第3期);31-36 * |
Also Published As
Publication number | Publication date |
---|---|
CN118133159A (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3936697A1 (en) | Event detection using das features with machine learning | |
RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
US8145462B2 (en) | Field synthesis system and method for optimizing drilling operations | |
US10621500B2 (en) | Completion design optimization using machine learning and big data solutions | |
US7660673B2 (en) | Coarse wellsite analysis for field development planning | |
US8229880B2 (en) | Evaluation of acid fracturing treatments in an oilfield | |
Zakharov et al. | Predicting dynamic formation pressure using artificial intelligence methods | |
BR112015009197B1 (pt) | Método e sistema para realizar uma operação de perfuração | |
US10145985B2 (en) | Static earth model calibration methods and systems using permeability testing | |
BR102013015564A2 (pt) | Método, sistema, e um ou mais meios de armazenamento legíveis por computador | |
US11512573B2 (en) | Stimulation using fiber-derived information and fracturing modeling | |
Gupta et al. | Haynesville shale: predicting long-term production and residual analysis to identify well interference and fracture hits | |
CN110162851A (zh) | 一种电缆地层测试泵抽数值模拟及其过程的数值校正方法 | |
Zhdaneev et al. | Predictive systems for the well drilling operations | |
US12019202B2 (en) | Fast variogram modeling driven by artificial intelligence | |
US9482088B2 (en) | Mean regression function for permeability | |
CN118133159B (zh) | 一种钻井风险识别方法、系统及其相关设备 | |
CN118119760A (zh) | 用于钻井异常检测的混合神经网络 | |
Luo et al. | A Transient-Pressure-Based Numerical Approach for Interlayer Identification in Sand Reservoirs | |
US11960046B2 (en) | Method for determining in-situ maximum horizontal stress | |
Wang et al. | A novel early gas kick monitoring method using the difference between downhole dual measurement points pressure and a genetic algorithm-based model | |
CN116777221A (zh) | 一种深井随钻风险识别方法 | |
Perrella | Understanding the Impact of Stimulation Treatment on Gas Production from a Horizontally Drilled Marcellus Shale Well | |
WO2024091137A1 (en) | A performance-focused similarity analysis process utilizing geological and production data | |
CN117072145A (zh) | 通过试井曲线确定潜山储层有效厚度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |