CN109902265A - 一种基于隐马尔可夫模型的井下预警方法 - Google Patents
一种基于隐马尔可夫模型的井下预警方法 Download PDFInfo
- Publication number
- CN109902265A CN109902265A CN201910150450.1A CN201910150450A CN109902265A CN 109902265 A CN109902265 A CN 109902265A CN 201910150450 A CN201910150450 A CN 201910150450A CN 109902265 A CN109902265 A CN 109902265A
- Authority
- CN
- China
- Prior art keywords
- data
- early
- initial
- warning
- model
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于隐马尔可夫模型的井下预警方法,其包括以下步骤:S1、获取初始样本数据;S2、预测下一时间段的数据;S3、挑选真实数据并纳入事故候选集合;S4、获取与每一时间段内的真实数据相对应的真实事故状态;S5、获取与初始样本数据相对应的真实事故状态序列;S6、采用隐马尔可夫模型建立初始预警模型,对初始预警模型进行训练,得到训练后的预警模型;S7、实时获取目标钻井所产生的数据,并将其作为训练后预警模型的输入,通过训练后的预警模型进行实时预警。本发明可以有效提高井下预测的全面性,使得预测结果更加准确。
Description
技术领域
本发明涉及井下预警领域,具体涉及一种基于隐马尔可夫模型的井下预警方法。
背景技术
利用机械设备或人力从地面将地层钻成孔眼的工作称为钻井。通常指勘探或开发石油、天然气等液态和气态矿产而钻凿井眼及大直径供水井的工程。钻井在国民经济建设中的应用极为广泛。
基于钻井异常,事故预测发生的***极少。现有事故预测方法通常通过计算井身的预期迂曲度来计算井眼能量,通过计划来计算出第一值,通过使用第一值与预定阈值相对比,从而达到预测的效果。缺点就是仅仅通过井身迂曲度作为标准,并且只能采用确定的状态值,如果使用不确定的状态值就会造成预测失准。
还有一种方法是是在钻探生产中使用的预防钻井事故报警器,由电触点式液压表,水压缓冲器和电子声光报警器装置构成。水压缓冲器将波动变化的液压稳定地传递到液压表上。当水压超过正常范围,液压表通过报警装置的电路连通,通过电子技术的放大转换作用,发出声光信号,从而及时预防事故的发生,优点是造价低,抗干扰强。缺点是在不同气候,不同地点,不同时间都可能出现不同情况,这种预测误差很大。预测失误将可能导致严重后果。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于隐马尔可夫模型的井下预警方法可以快速高效地进行井下预警。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于隐马尔可夫模型的井下预警方法,其包括以下步骤:
S1、获取历史钻井过程中产生的真实数据,并将其作为初始样本数据;
S2、随机选取初始样本数据的真实数据中某一时间段的数据,根据自回归分析方法预测下一时间段的数据;
S3、分别获取同一时间段预测数据与真实数据的特征值,并获取同一时间段预测数据特征值和真实数据特征值之间的差异,将差异大于阈值时对应的真实数据纳入事故候选集合;
S4、根据专家***对事故候选集合中的真实数据进行事故判别,筛选出钻井过程中真实的事故,并对真实事故进行分类与标记,得到与每一时间段内的真实数据相对应的真实事故状态;
S5、按照时间顺序将与每一时间段内的数据相对应的真实事故状态进行排列,得到与初始样本数据相对应的真实事故状态序列;
S6、采用隐马尔可夫模型建立初始预警模型,将初始样本数据和对应的真实事故状态序列作为初始预警模型的训练数据,对初始预警模型进行训练,得到训练后的预警模型;
S7、实时获取目标钻井所产生的数据,并将其作为训练后预警模型的输入,通过训练后的预警模型进行实时预警。
进一步地,步骤S2中根据自回归分析方法预测下一时间段的数据的具体方法为:
根据公式
通过t-1时间段的数据Xt-1预测t时间段的数据Xt;其中c为白噪声参数;εt为t时间段的误差参数;和θj均为学***均的次数;q为非平稳序列经过差分变为平稳序列的阶数。
进一步地,步骤S6中将初始样本数据和对应的事故状态序列作为初始预警模型的训练数据,对初始预警模型进行训练,得到训练后的预警模型的具体方法包括以下子步骤:
S6-1、将初始样本数据中的真实数据按时间先后顺序统计为序列{O1,O2,…,Ot,…,OT},其中Ot∈B,B为观测矩阵;同时真实事故状态序列为{q1,q2,…,qi/qj,…,qN};其中qi表示第i种真实事故状态,qj表示第j种真实事故状态;T=N;
S6-2、根据公式
获取相邻时间段中真实事故状态由qi转移到qj的状态转移概率aij,进而得到状态转移概率矩阵A,aij∈A;其中为相邻时间段中真实事故状态由qi转移到qj的频数;N为事故状态的总类数;
S6-3、根据公式
获取真实事故状态为qj且真实数据为Ot的观测概率其中为真实事故状态为qj且真实数据为Ot的频数;
S6-4、获取所有初始样本数据中初始事故状态为qi的频率πqi,进而得到初始状态向量π;其中πqi∈π;
S6-5、根据步骤S6-1到步骤S6-4所得参数建立基于隐马尔可夫模型的初始预警模型λ=(A,B,π),并根据初始样本数据和对应的真实事故状态序列作为初始预警模型的训练数据,得到训练后的预警模型;其中A为状态转移概率矩阵;B为观测矩阵;π为初始状态向量;qt∈qN。
进一步地,步骤S7的具体方法为:
实时获取目标钻井在当前时间段所产生的数据,并将其输入训练后的预警模型,训练后的模型通过维比特算法根据输入的数据预测下个时刻井下发生各个事故的概率,完成井下预测。
本发明的有益效果为:本发明采用一种状态变量来表示不同时刻***状态,如某个时候出现卡钻、井漏、井喷等情况,以及可能会出现的某单个或多个检测点的异常情况,通过设定隐状态的数量来表征不同情况下的状态,有效提高预测的全面性,使得预测结果更加准确。同时,本发明使用一组某时刻的观察值,如钻井过程中某一时刻记录的井压值、气体量、垂直井深等状态值,采用更多的预测标准来解决预测误差问题,有效提高预测准确性。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该基于隐马尔可夫模型的井下预警方法包括以下步骤:
S1、获取历史钻井过程中产生的真实数据,并将其作为初始样本数据;
S2、随机选取初始样本数据的真实数据中某一时间段的数据,根据自回归分析方法预测下一时间段的数据;
S3、分别获取同一时间段预测数据与真实数据的特征值,并获取同一时间段预测数据特征值和真实数据特征值之间的差异,将差异大于阈值时对应的真实数据纳入事故候选集合;
S4、根据专家***对事故候选集合中的真实数据进行事故判别,筛选出钻井过程中真实的事故,并对真实事故进行分类与标记,得到与每一时间段内的真实数据相对应的真实事故状态;
S5、按照时间顺序将与每一时间段内的数据相对应的真实事故状态进行排列,得到与初始样本数据相对应的真实事故状态序列;
S6、采用隐马尔可夫模型建立初始预警模型,将初始样本数据和对应的真实事故状态序列作为初始预警模型的训练数据,对初始预警模型进行训练,得到训练后的预警模型;
S7、实时获取目标钻井所产生的数据,并将其作为训练后预警模型的输入,通过训练后的预警模型进行实时预警。
步骤S2中根据自回归分析方法预测下一时间段的数据的具体方法为:根据公式
通过t-1时间段的数据Xt-1预测t时间段的数据Xt;其中c为白噪声参数;εt为t时间段的误差参数;和θj均为学***均的次数;q为非平稳序列经过差分变为平稳序列的阶数。
步骤S6中将初始样本数据和对应的事故状态序列作为初始预警模型的训练数据,对初始预警模型进行训练,得到训练后的预警模型的具体方法包括以下子步骤:
S6-1、将初始样本数据中的真实数据按时间先后顺序统计为序列{O1,O2,…,Ot,…,OT},其中Ot∈B,B为观测矩阵;同时真实事故状态序列为{q1,q2,…,qi/qj,…,qN};其中qi表示第i种真实事故状态,qj表示第j种真实事故状态;T=N;
S6-2、根据公式
获取相邻时间段中真实事故状态由qi转移到qj的状态转移概率aij,进而得到状态转移概率矩阵A,aij∈A;其中为相邻时间段中真实事故状态由qi转移到qj的频数;N为事故状态的总类数;
S6-3、根据公式
获取真实事故状态为qj且真实数据为Ot的观测概率其中为真实事故状态为qj且真实数据为Ot的频数;
S6-4、获取所有初始样本数据中初始事故状态为qi的频率πqi,进而得到初始状态向量π;其中πqi∈π;
S6-5、根据步骤S6-1到步骤S6-4所得参数建立基于隐马尔可夫模型的初始预警模型λ=(A,B,π),并根据初始样本数据和对应的真实事故状态序列作为初始预警模型的训练数据,得到训练后的预警模型;其中A为状态转移概率矩阵;B为观测矩阵;π为初始状态向量;qt∈qN。
步骤S7的具体方法为:实时获取目标钻井在当前时间段所产生的数据,并将其输入训练后的预警模型,训练后的模型通过维比特算法根据输入的数据预测下个时刻井下发生各个事故的概率,完成井下预测。
综上所述,本发明采用一种状态变量来表示不同时刻***状态,如某个时候出现卡钻、井漏、井喷等情况,以及可能会出现的某单个或多个检测点的异常情况,通过设定隐状态的数量来表征不同情况下的状态,有效提高预测的全面性,使得预测结果更加准确。同时,本发明使用一组某时刻的观察值,如钻井过程中某一时刻记录的井压值、气体量、垂直井深等状态值,采用更多的预测标准来解决预测误差问题,有效提高预测准确性。
Claims (4)
1.一种基于隐马尔可夫模型的井下预警方法,其特征在于,包括以下步骤:
S1、获取历史钻井过程中产生的真实数据,并将其作为初始样本数据;
S2、随机选取初始样本数据的真实数据中某一时间段的数据,根据自回归分析方法预测下一时间段的数据;
S3、分别获取同一时间段预测数据与真实数据的特征值,并获取同一时间段预测数据特征值和真实数据特征值之间的差异,将差异大于阈值时对应的真实数据纳入事故候选集合;
S4、根据专家***对事故候选集合中的真实数据进行事故判别,筛选出钻井过程中真实的事故,并对真实事故进行分类与标记,得到与每一时间段内的真实数据相对应的真实事故状态;
S5、按照时间顺序将与每一时间段内的数据相对应的真实事故状态进行排列,得到与初始样本数据相对应的真实事故状态序列;
S6、采用隐马尔可夫模型建立初始预警模型,将初始样本数据和对应的真实事故状态序列作为初始预警模型的训练数据,对初始预警模型进行训练,得到训练后的预警模型;
S7、实时获取目标钻井所产生的数据,并将其作为训练后预警模型的输入,通过训练后的预警模型进行实时预警。
2.根据权利要求1所述的基于隐马尔可夫模型的井下预警方法,其特征在于,所述步骤S2中根据自回归分析方法预测下一时间段的数据的具体方法为:
根据公式
通过t-1时间段的数据Xt-1预测t时间段的数据Xt;其中c为白噪声参数;εt为t时间段的误差参数;和θj均为学***均的次数;q为非平稳序列经过差分变为平稳序列的阶数。
3.根据权利要求1所述的基于隐马尔可夫模型的井下预警方法,其特征在于,所述步骤S6中将初始样本数据和对应的事故状态序列作为初始预警模型的训练数据,对初始预警模型进行训练,得到训练后的预警模型的具体方法包括以下子步骤:
S6-1、将初始样本数据中的真实数据按时间先后顺序统计为序列{O1,O2,...,Ot,...,OT},其中Ot∈B,B为观测矩阵;同时真实事故状态序列为{q1,q2,...,qi/qj,…,qN};其中qi表示第i种真实事故状态,qj表示第j种真实事故状态;T=N;
S6-2、根据公式
获取相邻时间段中真实事故状态由qi转移到qj的状态转移概率aij,进而得到状态转移概率矩阵A,aij∈A;其中为相邻时间段中真实事故状态由qi转移到qj的频数;N为事故状态的总类数;
S6-3、根据公式
获取真实事故状态为qj且真实数据为Ot的观测概率其中为真实事故状态为qj且真实数据为Ot的频数;
S6-4、获取所有初始样本数据中初始事故状态为qi的频率πqi,进而得到初始状态向量π;其中πqi∈π;
S6-5、根据步骤S6-1到步骤S6-4所得参数建立基于隐马尔可夫模型的初始预警模型λ=(A,B,π),并根据初始样本数据和对应的真实事故状态序列作为初始预警模型的训练数据,得到训练后的预警模型;其中A为状态转移概率矩阵;B为观测矩阵;π为初始状态向量;qt∈qN。
4.根据权利要求3所述的基于隐马尔可夫模型的井下预警方法,其特征在于,所述步骤S7的具体方法为:
实时获取目标钻井在当前时间段所产生的数据,并将其输入训练后的预警模型,训练后的模型通过维比特算法根据输入的数据预测下个时刻井下发生各个事故的概率,完成井下预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150450.1A CN109902265B (zh) | 2019-02-28 | 2019-02-28 | 一种基于隐马尔可夫模型的井下预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150450.1A CN109902265B (zh) | 2019-02-28 | 2019-02-28 | 一种基于隐马尔可夫模型的井下预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902265A true CN109902265A (zh) | 2019-06-18 |
CN109902265B CN109902265B (zh) | 2022-07-22 |
Family
ID=66945881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910150450.1A Active CN109902265B (zh) | 2019-02-28 | 2019-02-28 | 一种基于隐马尔可夫模型的井下预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902265B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263433A (zh) * | 2019-06-19 | 2019-09-20 | 苏州科技大学 | 一种熔断器故障报警方法和*** |
CN111726341A (zh) * | 2020-06-02 | 2020-09-29 | 五八有限公司 | 一种数据检测方法、装置、电子设备及存储介质 |
CN112101673A (zh) * | 2020-09-22 | 2020-12-18 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040124012A1 (en) * | 2002-12-27 | 2004-07-01 | Schlumberger Technology Corporation | System and method for rig state detection |
US20110270796A1 (en) * | 2010-04-30 | 2011-11-03 | Xerox Corporation | On-line autoregressive prediction in time series with delayed disclosure and monitor systems using same |
CN103308945A (zh) * | 2013-05-29 | 2013-09-18 | 吉林大学 | 一种陆地勘探初至前噪声的模拟产生与预测方法 |
CN103744977A (zh) * | 2014-01-13 | 2014-04-23 | 浪潮(北京)电子信息产业有限公司 | 一种云计算***平台中的监控方法及*** |
CN104881711A (zh) * | 2015-05-18 | 2015-09-02 | 中国矿业大学 | 基于矿工行为分析的井下预警机制 |
CN105447304A (zh) * | 2015-11-10 | 2016-03-30 | 重庆邮电大学 | 一种基于自学习算法的预警***及移动终端 |
-
2019
- 2019-02-28 CN CN201910150450.1A patent/CN109902265B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040124012A1 (en) * | 2002-12-27 | 2004-07-01 | Schlumberger Technology Corporation | System and method for rig state detection |
US20110270796A1 (en) * | 2010-04-30 | 2011-11-03 | Xerox Corporation | On-line autoregressive prediction in time series with delayed disclosure and monitor systems using same |
CN103308945A (zh) * | 2013-05-29 | 2013-09-18 | 吉林大学 | 一种陆地勘探初至前噪声的模拟产生与预测方法 |
CN103744977A (zh) * | 2014-01-13 | 2014-04-23 | 浪潮(北京)电子信息产业有限公司 | 一种云计算***平台中的监控方法及*** |
CN104881711A (zh) * | 2015-05-18 | 2015-09-02 | 中国矿业大学 | 基于矿工行为分析的井下预警机制 |
CN105447304A (zh) * | 2015-11-10 | 2016-03-30 | 重庆邮电大学 | 一种基于自学习算法的预警***及移动终端 |
Non-Patent Citations (3)
Title |
---|
IRFAN NURFALAH 等: "Early Warning to Banking Crises in the Dual Financial System in Indonesia: The Markov Switching Approach", 《JKAU: ISLAMIC ECON》 * |
李小斌 等: "基于隐马尔可夫模型的煤矿胶带机异常时间点预测", 《南京大学学报(自然科学版)》 * |
申庆涛: "矿井通风瓦斯数据融合技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263433A (zh) * | 2019-06-19 | 2019-09-20 | 苏州科技大学 | 一种熔断器故障报警方法和*** |
CN110263433B (zh) * | 2019-06-19 | 2024-03-05 | 苏州科技大学 | 一种熔断器故障报警方法和*** |
CN111726341A (zh) * | 2020-06-02 | 2020-09-29 | 五八有限公司 | 一种数据检测方法、装置、电子设备及存储介质 |
CN111726341B (zh) * | 2020-06-02 | 2022-10-14 | 五八有限公司 | 一种数据检测方法、装置、电子设备及存储介质 |
CN112101673A (zh) * | 2020-09-22 | 2020-12-18 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
CN112101673B (zh) * | 2020-09-22 | 2024-01-16 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109902265B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
Liu et al. | A leak detection method for oil pipeline based on Markov feature and two-stage decision scheme | |
CN109508827B (zh) | 一种基于时间递归神经网络的钻井事故预警方法 | |
CN102128022B (zh) | 钻井工程预警方法及*** | |
CN109902265A (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
CN107862324B (zh) | 一种基于mwspca的cbr预测模型智能化预警方法 | |
CN111861211B (zh) | 一种具有双层反窃电模型的*** | |
CN105139585A (zh) | 一种土质边坡险情智能预警预报方法 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
Wang et al. | Construction of multi-factor identification model for real-time monitoring and early warning of mine water inrush | |
CN103530818A (zh) | 一种基于brb***的供水管网建模方法 | |
CN109577892B (zh) | 一种基于井下参数的智能溢流检测***及预警方法 | |
CN104456092A (zh) | 一种石油天然气管道报警优先级多维评定方法 | |
CN114444823A (zh) | 一种预测钻井作业过程中井漏风险的方法及*** | |
CN114118202A (zh) | 一种城市地下综合管廊异常事件预警方法 | |
CN117726181A (zh) | 一种煤矿典型灾害风险异构信息协同融合与分级预测方法 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及*** | |
Li et al. | Identification of downhole conditions in geological drilling processes based on quantitative trends and expert rules | |
CN118014185A (zh) | 一种基于大数据的市政管网健康度在线监测*** | |
CN112766772A (zh) | 油气水井实时监测方法、装置、计算机设备和存储介质 | |
Cao et al. | The geological disasters defense expert system of the massive pipeline network SCADA system based on FNN | |
CN107256333A (zh) | 一种基于预测和动态阈值的Argo剖面异常检测方法 | |
CN103337000B (zh) | 一种油气集输***安全监测预警方法 | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
CN116591768A (zh) | 一种基于分布式网络的隧道监测方法、***及装置 |
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 |