CN109138969A - 一种钻进状态变量的预测方法、设备及存储设备 - Google Patents
一种钻进状态变量的预测方法、设备及存储设备 Download PDFInfo
- Publication number
- CN109138969A CN109138969A CN201810785854.3A CN201810785854A CN109138969A CN 109138969 A CN109138969 A CN 109138969A CN 201810785854 A CN201810785854 A CN 201810785854A CN 109138969 A CN109138969 A CN 109138969A
- Authority
- CN
- China
- Prior art keywords
- drilling
- state variable
- data
- prediction
- creeping
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000005553 drilling Methods 0.000 claims abstract description 88
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000000153 supplemental effect Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011435 rock Substances 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
-
- E21B41/0092—
Landscapes
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供了一种钻进状态变量的预测方法、设备及存储设备,一种钻进状态变量的预测方法,首先根据机理简要分析与状态参数相关的操作参数,然后利用快速傅里叶变换滤波的方法滤除数据中存在的高频扰动。最后,根据所确定的操作参数与钻进状态参数,建立基于支持向量回归的钻进状态变量预测模型。一种钻进状态变量的预测设备及存储设备,用于实现一种钻进状态变量的预测方法。本发明的有益效果是:能够实现钻进状态变量的有效预测,为钻进操作提供了良好的指导意见。
Description
技术领域
本发明涉及地质勘探领域,尤其涉及一种钻进状态变量的预测方法、设备及存储设备。
背景技术
我国主要矿产资源与能源大量依靠国外进口,国家安全与经济发展受制于人,而保障国家资源能源安全必需立足于国内。而我国矿产资源能源储量丰富,对其进行全面开采可以缓解国内供应的相对不足。
然而在发展地质勘探开发的过程中,由于深部钻探遇到的地层层位较多,压力体系复杂,岩石类型复杂多变,具有高地应力、高地温、高渗透压及开采扰动的复杂地层力学环境,导致钻进过程中常用的传感器设备出现设备无法正常使用、信息传输困难、钻进过程干扰强烈、各***间的耦合严重等问题。这些问题导致整个钻进***成为了一个黑箱***,操作人员在很大程度上只能根据经验去判断当前的钻进状态。然而由于个人经验不同,对当前的钻进状态的判断也会不同,这往往会给钻进过程带来截然不同的控制效果。根据经验性,使得对钻进状态的判断和控制具有很强的个人主观性。因此,亟需研究一种预测钻进状态的方法,对钻进状态的判断和控制具有重要的意义。
发明内容
为了解决上述问题,本发明提供了一种钻进状态变量的预测方法、设备及存储设备,一种钻进状态变量的预测方法,主要包括以下步骤:
S101:根据钻进机理,确定出与钻进状态变量相关的操作参数,得到所述操作参数的数据;
S102:利用快速傅里叶变化的方法,对所述数据进行低通滤波,滤除所述数据中存在的扰动;
S103:根据滤波处理过的数据与所述操作参数对应的钻进状态变量,采用支持向量回归算法建立钻进状态变量的预测模型;
S104:利用模型更新方法对所述模型对进行更新,得到最终的钻进状态变量的预测模型;
S105:将当前时刻的操作参数数据和钻进状态变量数据输入到最终的钻进状态变量的预测模型,预测出下一时刻的钻进状态变量,得到下一时刻的钻进状态。
进一步地,在步骤S101中,操作参数包括:钻压、转速、泵量与钻井液密度。
进一步地,在步骤S102中,利用所述快速傅里叶滤波方法进行数据滤波的过程为:
(1)预设截止频率的度量参数Fc,根据公式(1)和截止频率的度量参数Fc,求解截止频率fc:
其中,fc表示截止频率,Fs表示采样频率,Fc为截止频率的度量参数;
(2)根据截止频率fc,滤除所述数据中存在的大于截止频率fc的高频扰动,保留需要的信号频率。
进一步地,在步骤S103中,所述钻进状态变量的预测模型是以当前时刻的钻进操作参数数据与钻进状态变量数据作为模型输入,以下一时刻的钻进状态变量数据作为模型输出进行训练得到;所述钻进状态变量包括当前钻速与总池体积。
一种存储设备,所述存储设备存储指令及数据用于实现一种钻进状态变量的预测方法。
一种钻进状态变量的预测设备,包括:处理器及所述存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现一种钻进状态变量的预测方法。
本发明提供的技术方案带来的有益效果是:能够实现钻进状态变量的有效预测,为钻进操作提供了良好的指导意见。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种钻进状态变量的预测方法的流程图;
图2是本发明实施例中钻进状态变量预测方法结构图;
图3是本发明实施例中模型更新方法的示意图;
图4是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种钻进状态变量的预测方法、设备及存储设备。
请参考图1,图1是本发明实施例中一种钻进状态变量的预测方法的流程图,具体包括以下步骤:
S101:根据钻进机理,确定出与钻进状态变量相关的操作参数,得到所述操作参数的数据;钻进过程中,钻速与泥浆池总池体积是对钻进效率与安全性衡量的重要指标;钻速的调整由钻压与转速这两大操作量来决定,泥浆池总池体积则由泵量与泥浆密度来决定;为了实现对钻速与泥浆池总池体积的准确预测,得到与钻进状态变量相关的操作参数,操作参数包括:钻压、转速、泵量与钻井液密度;
S102:利用快速傅里叶变化的方法,对所述数据进行低通滤波,滤除所述数据中存在的扰动;利用所述快速傅里叶滤波方法进行数据滤波的过程为:
(1)预设截止频率的度量参数Fc,根据公式(1)和截止频率的度量参数Fc,求解截止频率fc:
其中,fc表示截止频率,Fs表示采样频率,Fc为截止频率的度量参数。
(2)根据截止频率fc,滤除所述数据中存在的大于截止频率fc的高频扰动,保留需要的信号频率。
S103:根据滤波处理过的数据与所述操作参数对应的钻进状态变量数据,采用支持向量回归算法建立钻进状态变量的预测模型;所述钻进状态变量的预测模型是以当前时刻的钻进操作参数数据与钻进状态变量数据作为模型输入,以下一时刻的钻进状态变量数据作为模型输出进行训练得到;所述钻进状态变量包括当前钻速与总池体积;
S104:利用模型更新方法对所述模型对进行在线更新,得到最终的钻进状态变量的预测模型;利用模型更新方法对所述模型对进行更新的过程为:将滤波处理过的数据与所述操作参数对应的钻进状态变量分为测试集与训练集,训练集与测试集分别具有n组数据与k组数据,每组数据中包括当前时刻的钻进操作参数数据、钻进状态变量数据和下一时刻的实际钻进状态变量数据;每当预测模型预测完测试集的一组数据时,记录得到的预测结果,并将该组数据转移到训练集中;根据训练集中的所有数据对预测模型进行更新,并将更新后的预测模型用于测试集中下一组数据的处理;最终训练集中包含n+k-1组数据;通过将测试集的数据不断向训练集中转移,确保训练集中不断包含新的数据信息,实现对预测模型的不断更新,得到最终的钻进状态变量的预测模型;以便得到精度更高的预测结果;所以,对模型进行不断的更新,提高了模型的预测精度;
S105:将当前时刻的操作参数数据和钻进状态变量数据输入到最终的钻进状态变量的预测模型,预测出下一时刻的钻进状态变量数据,得到下一时刻的钻进状态。
请参考图2,图2是本发明实施例中钻进状态变量预测方法结构图,利用模型进行预测的具体步骤为:
(1)获取操作参数数据
收集钻进现场2805米至2833米井段实时获取的数据,剔除其中停钻与起下钻的数据,共1100组数据,选取钻速与泥浆池总池体积作为状态变量,选取钻压、转速、泵量与钻井液密度作为操作参数。
(2)基于快速傅里叶变换的数据滤波
所获数据中存在一些高频扰动,因此利用快速傅里叶变化的方法对数据进行滤波,滤除数据中存在的高频扰动。
(3)建立钻进状态变量预测模型
不同变量的幅值也是不同的,幅值的不同导致了样本数据之间的差异很大,为了消除幅值的影响,根据公式(2)对每一样本数据进行归一化处理:
其中,x为样本数据的值,xnorm为经过归一化处理的输入值,在本发明实施例中,归一化后数据的变化范围为[-1,1]。
将当前操作参数与钻进状态变量作为预测模型的输入,将下一时刻的钻进状态变量作为模型输出。从1100组样本中选择1080组来训练模型,用剩余20组来测试模型性能。利用支持向量回归(SVR)方法构建模型,然后利用模型更新方法对模型进行不断更新。
请参考图3,图3是本发明实施例中模型更新方法的示意图,首先将数据按时间顺序分为测试集与训练集,假设测试集与训练集分别具有n组数据与k组数据;然后每当所述模型预测完测试集的一组数据时,就将所述数据转移到训练集中,并根据训练集中的数据对所述模型进行更新,记录得到的预测结果;通过预测集的数据不断向训练集中转移,最终训练集中将包含n+k-1组数据;训练集中不断包含新的数据信息,实现对所述模型进行不断的更新,得到精度更高的预测结果;所以,对模型进行不断的更新,提高了模型的预测精度。
采用均方误差的方法对模型的预测性能进行衡量,根据公式(3)得到真实值与预测值间的均方误差:
其中,MSE为均方误差,yi表示真实值,表示预测值;MSE越小,表示模型的预测性能越好,预测值越接近真实值,模型的预测精度越高。
在本发明实施例中,预测得到钻速与总池体积的MSE分别为0.000465和 0.00110,这说明本发明提供的技术方案具有较高的预测精度。
请参见图4,图4是本发明实施例的硬件设备工作示意图,所述硬件设备具体包括:一种钻进状态变量的预测设备401、处理器402及存储设备403。
一种钻进状态变量的预测设备401:所述一种钻进状态变量的预测设备401 实现所述一种钻进状态变量的预测方法。
处理器402:所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述一种钻进状态变量的预测方法。
存储设备403:所述存储设备403存储指令及数据;所述存储设备403用于实现所述一种钻进状态变量的预测方法。
本发明的有益效果是:能够实现钻进状态变量的有效预测,为钻进操作提供了良好的指导意见。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种钻进状态变量的预测方法,其特征在于:包括以下步骤:
S101:根据钻进机理,确定出与钻进状态变量相关的操作参数,得到所述操作参数的数据;
S102:利用快速傅里叶变化的方法,对所述数据进行低通滤波,滤除所述数据中存在的扰动;
S103:根据滤波处理过的数据与所述操作参数对应的钻进状态变量数据,采用支持向量回归算法建立钻进状态变量的预测模型;
S104:利用模型更新方法对所述模型对进行更新,得到最终的钻进状态变量的预测模型;
S105:将当前时刻的操作参数数据和钻进状态变量数据输入到最终的钻进状态变量的预测模型,预测出下一时刻的钻进状态变量数据,得到下一时刻的钻进状态。
2.如权利要求1所述的一种钻进状态变量的预测方法,其特征在于:在步骤S101中,操作参数包括:钻压、转速、泵量与钻井液密度。
3.如权利要求1所述的一种钻进状态变量的预测方法,其特征在于:在步骤S102中,利用所述快速傅里叶滤波方法进行数据滤波的过程为:
(1)预设截止频率的度量参数Fc,根据公式(1)和截止频率的度量参数Fc,求解截止频率fc:
其中,fc表示截止频率,Fs表示采样频率,Fc为截止频率的度量参数;
(2)根据截止频率fc,滤除所述数据中存在的大于截止频率fc的高频扰动,保留需要的信号频率。
4.如权利要求1所述的一种钻进状态变量的预测方法,其特征在于:在步骤S103中,所述钻进状态变量的预测模型是以当前时刻的钻进操作参数数据与钻进状态变量数据作为模型输入,以下一时刻的钻进状态变量数据作为模型输出进行训练得到;所述钻进状态变量包括当前钻速与总池体积。
5.一种存储设备,其特征在于:所述存储设备存储指令及数据用于实现权利要求1~4所述的任意一种钻进状态变量的预测方法。
6.一种钻进状态变量的预测设备,其特征在于:包括:处理器及权利要求5所述的存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1~4所述的任意一种钻进状态变量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810785854.3A CN109138969B (zh) | 2018-07-17 | 2018-07-17 | 一种钻进状态变量的预测方法、设备及存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810785854.3A CN109138969B (zh) | 2018-07-17 | 2018-07-17 | 一种钻进状态变量的预测方法、设备及存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109138969A true CN109138969A (zh) | 2019-01-04 |
CN109138969B CN109138969B (zh) | 2021-07-13 |
Family
ID=64800862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810785854.3A Active CN109138969B (zh) | 2018-07-17 | 2018-07-17 | 一种钻进状态变量的预测方法、设备及存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109138969B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117287179A (zh) * | 2023-11-27 | 2023-12-26 | 张家港市胜港机械制造有限公司 | 精密钻采设备的远程控制***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581188A (zh) * | 2013-11-05 | 2014-02-12 | 中国科学院计算技术研究所 | 一种网络安全态势预测方法及*** |
CN106372731A (zh) * | 2016-11-14 | 2017-02-01 | 中南大学 | 一种强风高速铁路沿线风速空间网络构造预测方法 |
CN106909759A (zh) * | 2017-04-11 | 2017-06-30 | 中国石油大学(北京) | 一种页岩地层pdc钻头机械钻速预测方法及装置 |
CN108133289A (zh) * | 2017-12-21 | 2018-06-08 | 中国铁建电气化局集团有限公司 | 基于环境预测的隧道通风控制方法及*** |
CN108134691A (zh) * | 2017-12-18 | 2018-06-08 | 广东欧珀移动通信有限公司 | 模型构建方法、网络资源预加载方法、装置、介质及终端 |
CN108189036A (zh) * | 2018-01-17 | 2018-06-22 | 广州视源电子科技股份有限公司 | 力矩控制方法、装置、机器人及存储介质 |
-
2018
- 2018-07-17 CN CN201810785854.3A patent/CN109138969B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581188A (zh) * | 2013-11-05 | 2014-02-12 | 中国科学院计算技术研究所 | 一种网络安全态势预测方法及*** |
CN106372731A (zh) * | 2016-11-14 | 2017-02-01 | 中南大学 | 一种强风高速铁路沿线风速空间网络构造预测方法 |
CN106909759A (zh) * | 2017-04-11 | 2017-06-30 | 中国石油大学(北京) | 一种页岩地层pdc钻头机械钻速预测方法及装置 |
CN108134691A (zh) * | 2017-12-18 | 2018-06-08 | 广东欧珀移动通信有限公司 | 模型构建方法、网络资源预加载方法、装置、介质及终端 |
CN108133289A (zh) * | 2017-12-21 | 2018-06-08 | 中国铁建电气化局集团有限公司 | 基于环境预测的隧道通风控制方法及*** |
CN108189036A (zh) * | 2018-01-17 | 2018-06-22 | 广州视源电子科技股份有限公司 | 力矩控制方法、装置、机器人及存储介质 |
Non-Patent Citations (1)
Title |
---|
张冰: "智能井井下数据采集与处理分析技术研究", 《中国博士学位论文全文数据库 工程科技I辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117287179A (zh) * | 2023-11-27 | 2023-12-26 | 张家港市胜港机械制造有限公司 | 精密钻采设备的远程控制***及方法 |
CN117287179B (zh) * | 2023-11-27 | 2024-02-06 | 张家港市胜港机械制造有限公司 | 精密钻采设备的远程控制***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109138969B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmadi et al. | Connectionist model predicts the porosity and permeability of petroleum reservoirs by means of petro-physical logs: application of artificial intelligence | |
Møyner et al. | The application of flow diagnostics for reservoir management | |
CA2640725C (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CN104376420A (zh) | 有水气藏气井见水风险评价方法及评价装置 | |
Wu et al. | Leakage identification in water distribution networks based on XGBoost algorithm | |
CN104537010A (zh) | 基于决策树的网构软件中的构件分类方法 | |
Grema et al. | Optimal feedback control of oil reservoir waterflooding processes | |
Zhang et al. | Reservoir geomechanical parameters identification based on ground surface movements | |
Hou et al. | Application of mixed-integer nonlinear optimization programming based on ensemble surrogate model for dense nonaqueous phase liquid source identification in groundwater | |
Liu et al. | Reservoir inter-well connectivity analysis based on a data driven method | |
Xu et al. | Parameter identification of unsaturated seepage model of core rockfill dams using principal component analysis and multi-objective optimization | |
CN109138969A (zh) | 一种钻进状态变量的预测方法、设备及存储设备 | |
CN109322655B (zh) | 一种基于神经网络与双频差分模型的微波含水率检测装置及方法 | |
Khataniar et al. | Aspects of multiscale flow simulation with potential to enhance reservoir engineering practice | |
Hanssen et al. | On selection of controlled variables for robust reservoir management | |
Mercante et al. | Virtual Multiphase Flowmeter Using Deep Convolutional Neural Networks | |
Cheung et al. | Oreonet: Deep convolutional network for oil reservoir optimization | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
Bouzarkouna et al. | Well placement optimization under uncertainty with CMA-ES using the neighborhood | |
Lian et al. | Evaluation and applicability study on prediction methods of water inflow in mines | |
CN112464552B (zh) | 一种适用于地下水封储油库渗流场时序预测方法及*** | |
Vahabi et al. | Convolutional neural networks to classify oil, water and gas wells fluid using acoustic signals | |
Maniglio et al. | Physics Informed Neural Networks Based on a Capacitance Resistance Model for Reservoirs Under Water Flooding Conditions | |
CN112464848B (zh) | 一种基于密度空间聚类的信息流异常数据监测方法及装置 | |
Ding et al. | Identification and characterization of high-permeability zones in waterflooding reservoirs with an ensemble of methodologies |
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 |