CN110397402B - 钻井方法及装置 - Google Patents
钻井方法及装置 Download PDFInfo
- Publication number
- CN110397402B CN110397402B CN201810368743.2A CN201810368743A CN110397402B CN 110397402 B CN110397402 B CN 110397402B CN 201810368743 A CN201810368743 A CN 201810368743A CN 110397402 B CN110397402 B CN 110397402B
- Authority
- CN
- China
- Prior art keywords
- drilling
- well
- logging data
- neural network
- parameter
- 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 386
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000015572 biosynthetic process Effects 0.000 claims description 25
- 239000012530 fluid Substances 0.000 claims description 17
- 239000011435 rock Substances 0.000 claims description 12
- 238000010206 sensitivity analysis Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 2
- 238000005755 formation reaction Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 15
- 238000006073 displacement reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002146 bilateral effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005086 pumping Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- E21B47/00—Survey of boreholes or wells
-
- 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
- E21B7/00—Special methods or apparatus for drilling
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了一种钻井方法及装置,属于油气开采领域。所述方法包括:基于目标井的录井数据和测井数据训练神经网络,所述录井数据包括对所述目标井执行钻井操作时获取的至少一个钻井参数,所述测井数据用于反映所述目标井的地球物理参数信息;基于训练完成的神经网络,确定每个钻井参数对所述目标井执行钻井操作的钻速的影响因子;基于所述影响因子和所述至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,所述待钻井的测井数据与所述目标井的测井数据的差异小于预设阈值;基于配置后的钻井参数,对所述待钻井执行钻井操作。本发明有效地提高了待钻井的钻井参数的配置准确性。
Description
技术领域
本发明涉及油气开采领域,特别涉及一种钻井方法及装置。
背景技术
页岩气是一种清洁、高效的能源资源和化工原料。在对页岩气进行开发时,需要从地面钻井至页岩气所在的岩层,由于地质条件的限制,在岩层中钻井的钻速较低(例如钻速一般为5~10米/小时),导致钻井的周期较长且开发成本较高。而该钻速由执行钻井操作时多个钻井参数的取值共同决定,该多个钻井参数包括钻压、转速、排量、扭矩和泵压等参数。因此,如何配置对待钻井执行钻井操作时的钻井参数是页岩气开发研究中亟待解决的问题。
在对页岩气进行开发时,一般根据地质条件在不同地区建立多个钻井平台,每个钻井平台包括多口页岩气井。相关技术中,在配置对钻井平台中待钻井执行钻井操作的钻井参数时,通常是对该钻井平台邻近的且已开发的钻井平台的岩心样本,以及该待钻井的测井数据进行数据分析,然后根据该分析结果确定该待钻井的钻井参数。其中,测井数据用于反映该待钻井的地球物理参数信息。
但是,采用相关技术配置的钻井参数的准确性较低。
发明内容
本发明实施例提供了一种钻井方法及装置,可以解决采用相关技术配置的钻井参数的准确性较低的问题。所述技术方案如下:
第一方面,提供了一种钻井方法,所述方法包括:
基于目标井的录井数据和测井数据训练神经网络,所述录井数据包括对所述目标井执行钻井操作时获取的至少一个钻井参数,所述测井数据用于反映所述目标井的地球物理参数信息;
基于训练完成的神经网络,确定每个钻井参数对所述目标井执行钻井操作的钻速的影响因子,所述影响因子用于反映每个钻井参数的变化对所述钻速的影响程度;
基于所述影响因子和所述至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,所述待钻井的测井数据与所述目标井的测井数据的差异小于预设阈值;
基于配置后的钻井参数,对所述待钻井执行钻井操作。
可选地,所述基于训练完成的神经网络,确定每个钻井参数对所述目标井执行钻井操作的钻速的影响因子,包括:
基于所述训练完成的神经网络,基于敏感性分析方法确定所述第一钻井参数对所述钻速的影响因子,所述第一钻井参数为所述至少一个钻井参数中的任一钻井参数。
可选地,所述基于目标井的录井数据和测井数据训练神经网络,包括:
基于所述录井数据和所述测井数据,获取所述神经网络对所述目标井对应的钻速预测值;
确定所述钻速预测值与所述目标井的实际钻速值的相关度;
当所述钻速预测值与所述实际钻速值的相关度满足预设条件时,确定完成所述神经网络的训练。
可选地,所述测井数据包括:声波时差,在所述基于目标井的录井数据和测井数据训练神经网络之前,所述方法还包括:
基于所述声波时差获取地层可钻性级值,所述地层可钻性级值用于反映所述目标井处的地层岩石被钻头钻进的难易程度;
所述基于目标井的录井数据和测井数据训练神经网络,包括:
基于所述录井数据和所述地层可钻性级值训练所述神经网络。
可选地,所述声波时差t与所述地层可钻性级值K满足:
K=a×e-b×t;
其中,所述a和所述b为所述可钻性级值的控制系数。
可选地,在所述基于目标井的录井数据和测井数据训练神经网络之前,所述方法还包括:
基于不同井深对应的井眼尺寸、钻具组合、钻头型号、钻井液密度和流变参数,对所述目标井进行井段划分;
所述基于目标井的录井数据和测井数据训练神经网络,包括:
分别基于每个井段对应的录井数据和测井数据训练神经网络。
第二方面,提供了一种钻井装置,所述装置包括:
训练模块,用于基于目标井的录井数据和测井数据训练神经网络,所述录井数据包括对所述目标井执行钻井操作时获取的至少一个钻井参数,所述测井数据用于反映所述目标井的地球物理参数信息;
确定模块,用于基于训练完成的神经网络,确定每个钻井参数对所述目标井执行钻井操作的钻速的影响因子,所述影响因子用于反映每个钻井参数的变化对所述钻速的影响程度;
配置模块,用于基于所述影响因子和所述至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,所述待钻井的测井数据与所述目标井的测井数据的差异小于预设阈值;
处理模块,用于基于配置后的钻井参数,对所述待钻井执行钻井操作。
可选地,所述确定模块,用于:
基于所述训练完成的神经网络,基于敏感性分析方法确定所述第一钻井参数对所述钻速的影响因子,所述第一钻井参数为所述至少一个钻井参数中的任一钻井参数。
可选地,所述训练模块,用于:
基于所述录井数据和所述测井数据,获取所述神经网络对所述目标井对应的钻速预测值;
确定所述钻速预测值与所述目标井的实际钻速值的相关度;
当所述钻速预测值与所述实际钻速值的相关度满足预设条件时,确定完成所述神经网络的训练。
可选地,所述测井数据包括:声波时差,所述装置还包括:
获取模块,用于基于所述声波时差获取地层可钻性级值,所述地层可钻性级值用于反映所述目标井处的地层岩石被钻头钻进的难易程度;
所述训练模块,用于:
基于所述录井数据和所述地层可钻性级值训练所述神经网络。
第三方面,提供了一种存储介质,所述存储介质中存储有指令,当所述存储介质在计算机上运行时,使得计算机执行第一方面所提供的钻井方法。
第四方面,提供了一种终端,包括存储器,处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现第一方面所提供的钻井方法。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供的一种钻井方法及装置,通过基于目标井的录井数据和测井数据训练神经网络,基于训练完成的神经网络,确定每个钻井参数对钻速的影响因子,并基于影响因子和至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,相对于相关技术,由于待钻井的测井数据与目标井的测井数据的差异小于预设阈值,该目标井的每个钻井参数对该钻速的影响因子为待钻井的钻井参数的配置提供了较准确的参考依据,有效地提高了待钻井的钻井参数的配置准确性,相应的,能够提高执行钻井操作时的钻速,缩短钻井周期,并降低钻井成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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附图。
图1是本发明实施例提供的一种钻井方法的流程图;
图2是本发明实施例提供的另一种钻井方法的流程图;
图3是本发明实施例提供的一种获取的地层可钻性级值的示意图;
图4是本发明实施例提供的一种基于目标井的录井数据和测井数据训练神经网络的方法流程图;
图5是本发明实施例提供的一种CN-6井的3022~3294米井段对应的钻速预测值和实际钻速值的示意图;
图6是本发明实施例提供的一种CN-6井的3303~3708米井段对应的钻速预测值和实际钻速值的示意图;
图7是本发明实施例提供的一种CN-6井的3909~4277米井段对应的钻速预测值和实际钻速值的示意图;
图8是本发明实施例提供的一种钻井装置的结构示意图;
图9是本发明实施例提供的另一种钻井装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种钻井方法,如图1所示,该方法可以包括:
步骤101、基于目标井的录井数据和测井数据训练神经网络。
其中,录井数据包括对目标井执行钻井操作时获取的至少一个钻井参数,测井数据用于反映目标井的地球物理参数信息。
步骤102、基于训练完成的神经网络,确定每个钻井参数对目标井执行钻井操作的钻速的影响因子。
其中,钻速是指在钻井过程中,钻头在单位时间内的钻进进尺(单位:米/小时),用于反映钻进速度的快慢,影响因子用于反映每个钻井参数的变化对钻速的影响程度。
步骤103、基于影响因子和至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数。
其中,待钻井的测井数据与目标井的测井数据的差异小于预设阈值,例如:该目标井和该待钻井可以为同一钻井平台中的不同页岩气井。
步骤104、基于配置后的钻井参数,对待钻井执行钻井操作。
综上所述,本发明实施例提供的一种钻井方法,通过基于目标井的录井数据和测井数据训练神经网络,基于训练完成的神经网络,确定每个钻井参数对钻速的影响因子,并基于影响因子和至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,相对于相关技术,由于待钻井的测井数据与目标井的测井数据的差异小于预设阈值,该目标井的每个钻井参数对该钻速的影响因子为待钻井的钻井参数的配置提供了较准确的参考依据,有效地提高了待钻井的钻井参数的配置准确性,相应的,能够提高执行钻井操作时的钻速,缩短钻井周期,并降低钻井成本。
图2是本发明实施例提供的另一种钻井方法的流程图,如图2所示,该方法可以包括:
步骤201、获取录井数据和测井数据。
录井是用岩矿分析、地球物理和地球化学等方法,对钻井过程中的井筒返出物(例如固体返出物、液体返出物和气体返出物等)进行观察、采集、记录和分析,以获取相关钻井信息,并根据获取的信息建立录井地质剖面、发现油气显示和评价油气层等的过程。通过录井获取的钻井信息可称为录井数据,该录井数据包括对目标井执行钻井操作时获取的至少一个钻井参数,该钻井参数包括:钻压、转速、排量、扭矩和泵压等参数。
测井(也称地球物理测井)是利用岩层的电化学特性、导电特性、声学特性和放射性等地球物理特性,测量地球物理参数的方法。通过该测井过程获取的地球物理参数可称为测井数据。
实际应用中,由于一些偶然因素影响,获取的录井数据和测井数据中可能包括一些无效数据,因此,在获取录井数据和测井数据后,还可以对录井数据和测井数据进行预处理,以删除获取的录井数据和测井数据中所包含的无效数据,例如:删除在某井深处因数据采集装置出现故障所采集的空白数据,或者,删除由于岩层性质突变造成的波动数据。
示例地,假设获取的某页岩气井CN-6井在3022~4227米水平井段的录井数据共包括1205组数据(每米获取一组数据),且每组数据包含:钻速、钻压、转速、扭矩、泵压和排量等参数,对该录井数据预处理后,删除了18组无效数据,剩下1187组有效数据。其中,水平井段是指井斜角在[86度,90度]之间,且在相应岩层中具有一定延伸长度的井段,该井斜角为指井段中井眼轴线上某点沿钻进方向的切线与该点重力线之间的夹角。
步骤202、基于测井数据获取地层可钻性级值。
其中,地层可钻性级值用于反映目标井所处的地层岩石被钻头钻进的难易程度,该测井数据包括:声波时差,根据该声波时差可获取地层可钻性级值。
可选地,声波时差t与地层可钻性级值K可满足:K=a×e-b×t。其中,a和b为可钻性级值的控制系数,该a和b的取值可以根据实际需要进行设置,例如:该a和b的取值可以由在钻井过程中采集的钻头数据拟合得到,示例地,该a的取值范围可以为[13,14],该b的取值范围可以为[0.01,0.03]。需要说明的是,声波时差可以包括横波时差和纵波时差,该横波时差用于反映地层的剪切特性,纵波时差用于反映地层的拉伸和压缩变形特性及强度特性,在计算该地层可钻性级值时,该声波时差一般指纵波时差。
示例地,图3为根据CN-6井在3022~4227米水平井段的测井数据获取该CN-6井的地层可钻性级值的示意图,其中,“×”用于表示聚晶金刚石复合片(PolycrystallineDiamond Compact bit,PDC)钻头对应的地层可钻性级值,圆点用于表示牙轮钻头对应的地层可钻性级值。
步骤203、基于不同井深对应的井眼尺寸、钻具组合、钻头型号、钻井液密度和流变参数,对目标井进行井段划分。
由于不同井深对应的岩层不同,对不同井深执行钻井操作时的钻井参数可能会出现较大差异,因此,可以先对目标井进行井段划分,然后分别根据目标井不同井段对应的钻井参数对待钻井的钻井参数进行配置。可选地,可以基于不同井深对应的井眼尺寸、钻具组合、钻头型号、钻井液密度和钻井液流变参数等参数,对目标井进行井段划分,以排除井眼尺寸、钻具组合、钻头型号、钻井液密度和钻井液流变参数等参数度对钻井参数的配置准确性的影响。例如:当井深c1和井深c2对应的井眼尺寸、钻具组合、钻头型号、钻井液密度和钻井液流变参数均相同时,可将该c1和井深c2划分为同一井段。或者,当c1和井深c2对应的井眼尺寸、钻具组合、钻头型号和钻井液流变参数均相同,且c1和井深c2对应的钻井液密度的差值小于预设阈值时,将该c1和井深c2划分为同一井段。
示例地,假设CN-6井在井深3022~4227米处的井眼尺寸均为215.9毫米(mm),钻井液密度均为2.20克/立方厘米(g/cm3),钻井液流变参数相同,且该井深3022~4227米处于CN-6井的水平段,其井斜变化较小(即满足井斜角为84度~90度),并且,在井深3022~4227米处执行钻井操作时使用了3只不同类型的PDC钻头,其中,井深3022~3294米使用MDI616钻头,井深3303~3708米使用MM55D钻头,井深3909~4277米使用MDI516钻头(MDI616、MM55D和MDI516均为钻头型号),由此可知,该CN-6井在井深3022~4227米中仅有钻头对应的参数不同,因此,为了排除钻头对参数配置结果的影响,可分别将井深3022~3294米、井深3303~3708米和井深3909~4277米划分为一个井段,分别为3022~3294米井段、3303~3708米井段和3909~4277米井段。
步骤204、基于目标井的录井数据和测井数据训练神经网络。
其中,在执行步骤202后,该步骤204的实现过程可以包括:基于目标井的录井数据和步骤202中获取的地层可钻性级值训练神经网络。且在步骤203中划分井段后,该步骤204的实现过程为:分别基于每个井段对应的录井数据和测井数据训练神经网络。本发明实施例以基于一个井段对应的录井数据和测井数据训练神经网络,且钻井参数包括钻压、转速、排量、扭矩和泵压为例,对该步骤204的实现过程进行说明,请参考图4,其实现过程可以包括:
步骤2041、基于录井数据和测井数据,获取神经网络对目标井对应的钻速预测值。
可选地,该神经网络可以为多层神经网络,该多层神经网络包括一个输入层、至少一个隐含层和一个输出层,例如:该神经网络可以为多层感知器。在该神经网络中,其输入层可以将井段对应的钻速作为因变量,将井段对应的钻压、转速和排量作为自变量,将井段对应的扭矩、泵压和可钻性级值作为协变量,使得输出层输出对钻速的预测值,以实现根据录井数据和测井数据对目标井对应的钻速的预测。
步骤2042、确定钻速预测值与目标井的实际钻速值的相关度。
可选地,可以对神经网络预测出的各井深处的钻速预测值进行曲线拟合,以得到钻速预测值随井深变化的第一钻速曲线,且可以根据录井数据中的实际钻速值对各井深处的实际钻速值进行曲线拟合,以得到钻速随井深变化的第二钻速曲线,然后计算该第一曲线和该第二曲线的曲线拟合度,并将该曲线拟合度确定为钻速预测值与实际钻速值的相关度。其中,该曲线拟合度可以由皮尔逊相关系数(Pearson CorrelationCoefficient,Pearson相关系数)和双侧显著性等相关性参数进行反映,本发明实施例对其不做具体限定。
表1
3022~3294米井段 | 3303~3708米井段 | 3909~4277米井段 | |
Pearson相关性 | 0.935 | 0.847 | 0.836 |
双侧显著性 | 0.000 | 0.000 | 0.000 |
示例地,CN-6井的3022~3294米井段、3303~3708米井段和3909~4277米井段对应的钻速预测值和实际钻速值的曲线请分别参考图5、图6和图7,其中,“×”表示对应井段的钻速预测值,“○”表示对应井段的实际钻速值,根据图5、图6和图7所示的曲线确定的钻速预测值与实际钻速值的Pearson相关性和双侧显著性请参考表1,其中,3022~3294米井段的Pearson相关性是根据206个钻速预测值对应的曲线和273个实际钻速值对应的曲线确定的,3303~3708米井段的Pearson相关性是根据326个钻速预测值对应的曲线和406个实际钻速值对应的曲线确定的,3909~4277米井段的Pearson相关性是根据240个钻速预测值对应的曲线和319个实际钻速值对应的曲线确定的。
步骤2043、当钻速预测值与实际钻速值的相关度不满足预设条件时,继续神经网络的训练过程,直至钻速预测值与实际钻速值的相关度大于或等于预设阈值。
当钻速预测值与实际钻速值的相关度满足预设条件时,说明该神经网络的钻速预测值与实际钻速值接近,该神经网络对真实钻井情况的解释能力能够满足实际需要。当钻速预测值与实际钻速值的相关度不满足预设条件时,说明当前训练得到的神经网络的解释能力还不能够满足当前需求,还需要对神经网络的相关参数进行进一步优化,此时可继续神经网络的训练过程,直至钻速预测值与实际钻速值的相关度满足预设条件。
示例地,当由Pearson相关性反映钻速预测值与实际钻速值的相关度时,该满足预设条件指:钻速预测值与实际钻速值的Pearson相关性大于或等于预设相关性阈值;当由双侧显著性反映钻速预测值与实际钻速值的相关度时,该满足预设条件指:钻速预测值与实际钻速值的双侧显著性小于或等于预设显著性阈值,其中,该预设相关性阈值和该预设显著性阈值均可以根据实际情况进行设置,例如:预设相关性阈值可以为0.9,该预设显著性阈值可以为0.01。
示例地,假设预设相关性阈值为0.9,基于神经网络的钻速预测值和实际钻速值确定的两者的Pearson相关性为0.842,该Pearson相关性小于预设相关性阈值,此时可对神经网络的相关参数进行进一步优化,继续神经网络的训练过程。
步骤2044、当钻速预测值与实际钻速值的相关度满足预设条件时,确定完成神经网络的训练。
当钻速预测值与实际钻速值的相关度满足预设条件时,说明当前训练得到的神经网络的解释能力已能够满足当前需求,可确定完成该神经网络的训练过程。
示例地,假设预设相关性阈值为0.9,基于神经网络的钻速预测值和实际钻速值确定的两者的Pearson相关性为0.935,该Pearson相关性大于预设相关性阈值,此时可以认为该神经网络的解释能力已能够满足当前需求,可以确定完成了该神经网络的训练。
步骤205、基于训练完成的神经网络,确定每个钻井参数对目标井执行钻井操作的钻速的影响因子。
可选地,该步骤205的实现过程可以包括:基于训练完成的神经网络,基于敏感性分析方法确定第一钻井参数对钻速的影响因子,该第一钻井参数为该至少一个钻井参数中的任一钻井参数。
敏感性分析(Sensitivity analysis)是指从定量分析的角度研究有关因素发生某种变化对某一个或一组关键指标影响程度的一种不确定分析技术,该敏感性分析方法的原理可参考相关技术,此处对其不再赘述。其中,在基于敏感性分析方法确定第一钻井参数对钻速的影响因子时,可分别将每个钻井参数当做不确定因素,且将钻速作为分析指标,以实现在某个钻井参数发生变化时,分析该某个钻井参数对钻速的影响程度。
示例地,假设钻井参数包括:钻压、转速、排量、扭矩和泵压,基于该钻井参数和地层可钻性级值对神经网络进行训练后,对于CN-6井的3022~3294米井段、3303~3708米井段和3909~4277米井段,基于训练完成的神经网络确定的钻井参数对钻速的影响因子请参考表2,且该表2中还示出了地层可钻性级值对钻速的影响因子,对影响因子进行标准化处理后,可明显看出各参数对三个井段的钻速的影响程度,根据该影响程度可针对性地对相应的钻井参数进行调整,以提高待钻井的钻井参数的配置准确性,进而提高执行钻井操作时的钻速。
表2
步骤206、基于影响因子和至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数。
在钻井参数中,由于钻压、转速和排量是能够根据实际情况直接对其进行调整的参数,而扭矩和泵压是受钻井液流体性能、工具设备以及地质情况等因素所影响的参数,是对真实钻井情况的反馈参数,无法直接根据实际情况对其进行调整,因此,在执行该步骤206时,通常基于影响因子和至少一个钻井参数,对钻压、转速和排量进行配置,以尽量提高待钻井的钻井参数的配置准确性。
示例地,请继续参考表2,对于CN-6井的3022~3294米井段,钻压和转速对该井段的钻速的影响因子较大,因此,在配置对待钻井执行钻井操作的至少一个钻井参数时,可相应提高该待钻井对应3022~3294米井段的井段所对应的钻压和转速;对于3303~3708米井段,也是钻压和转速对该井段的钻速的影响因子较大,因此,在配置对待钻井执行钻井操作的至少一个钻井参数时,可相应提高该待钻井对应3303~3708米井段的井段所对应的钻压和转速;对于3909~4277米井段,钻压和排量对该井段的钻速的影响因子较大,因此,在配置对待钻井执行钻井操作的至少一个钻井参数时,可相应提高该待钻井对应3909~4277米井段的井段所对应的钻压和排量,以提高对该待钻井执行钻井操作时的钻速。并且,在该3909~4277米井段中,泵压对钻速的影响因子较高,在配置钻井参数时,可考虑减小钻头喷嘴尺寸,以适当提升泵压以进一步提高钻速。
步骤207、基于配置后的钻井参数,对待钻井执行钻井操作。
综上所述,本发明实施例提供的一种钻井方法,通过基于目标井的录井数据和测井数据训练神经网络,基于训练完成的神经网络,确定每个钻井参数对钻速的影响因子并基于影响因子和至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,相对于相关技术,由于待钻井的测井数据与目标井的测井数据的差异小于预设阈值,该目标井的每个钻井参数对该钻速的影响因子为待钻井的钻井参数的配置提供了较准确的参考依据,有效地提高了待钻井的钻井参数的配置准确性,相应的,能够提高执行钻井操作时的钻速,缩短钻井周期,并降低钻井成本。
需要说明的是,本发明实施例提供的钻井方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,例如:可以选择不执行步骤203,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,因此不再赘述。
本发明实施例提供一种钻井装置,如图8所示,该装置700可以包括:
训练模块701,用于基于目标井的录井数据和测井数据训练神经网络,录井数据包括对目标井执行钻井操作时获取的至少一个钻井参数,测井数据用于反映目标井的地球物理参数信息。
确定模块702,用于基于训练完成的神经网络,确定每个钻井参数对目标井执行钻井操作的钻速的影响因子,该影响因子用于反映每个钻井参数的变化对钻速的影响程度。
配置模块703,用于基于影响因子和至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,待钻井的测井数据与目标井的测井数据的差异小于预设阈值。
处理模块704,用于基于配置后的钻井参数,对待钻井执行钻井操作。
综上所述,本发明实施例提供的一种钻井装置,通过训练模块基于目标井的录井数据和测井数据训练神经网络,确定模块基于训练完成的神经网络,确定每个钻井参数对钻速的影响因子,配置模块基于影响因子和至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,相对于相关技术,由于待钻井的测井数据与目标井的测井数据的差异小于预设阈值,该目标井的每个钻井参数对该钻速的影响因子为待钻井的钻井参数的配置提供了较准确的参考依据,有效地提高了待钻井的钻井参数的配置准确性,相应的,能够提高执行钻井操作时的钻速,缩短钻井周期,并降低钻井成本。
可选地,确定模块702,用于:基于训练完成的神经网络,基于敏感性分析方法确定第一钻井参数对钻速的影响因子,第一钻井参数为至少一个钻井参数中的任一钻井参数。
可选地,训练模块701,用于:
基于录井数据和测井数据,获取神经网络对目标井对应的钻速预测值。
确定钻速预测值与目标井的实际钻速值的相关度。
当钻速预测值与实际钻速值的相关度满足预设条件时,确定完成神经网络的训练。
可选地,如图9所示,该装置700还可以包括:
获取模块705,用于基于声波时差获取地层可钻性级值,地层可钻性级值用于反映目标井处的地层岩石被钻头钻进的难易程度。
相应的,训练模块701,用于:基于录井数据和地层可钻性级值训练神经网络。
可选地,声波时差t与地层可钻性级值K满足:K=a×e-b×t。其中,a和b为可钻性级值的控制系数。
可选地,如图9所示,该装置700还可以包括:
分类模块706,用于基于不同井深对应的井眼尺寸、钻具组合、钻头型号、钻井液密度和流变参数,对目标井进行井段划分。
相应的,训练模块701,用于:分别基于每个井段对应的录井数据和测井数据训练神经网络。
综上所述,本发明实施例提供的一种钻井装置,通过训练模块基于目标井的录井数据和测井数据训练神经网络,确定模块基于训练完成的神经网络,确定每个钻井参数对钻速的影响因子,配置模块基于影响因子和至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,相对于相关技术,由于待钻井的测井数据与目标井的测井数据的差异小于预设阈值,该目标井的每个钻井参数对该钻速的影响因子为待钻井的钻井参数的配置提供了较准确的参考依据,有效地提高了待钻井的钻井参数的配置准确性,相应的,能够提高执行钻井操作时的钻速,缩短钻井周期,并降低钻井成本。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例提供了一种存储介质,该存储介质可以为非易失性计算机可读存储介质,该存储介质中存储有指令,当该存储介质在计算机上运行时,使得计算机执行本发明实施例所提供的钻井方法。
本发明实施例提供了一种终端,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现本发明实施例所提供的钻井方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
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 (9)
1.一种钻井方法,其特征在于,所述方法包括:
基于不同井深对应的井眼尺寸、钻具组合、钻头型号、钻井液密度和流变参数,对目标井进行井段划分;
分别基于所述目标井的每个井段所对应的录井数据和测井数据训练神经网络,所述录井数据包括对所述目标井的每个井段执行钻井操作时获取的至少一个钻井参数,所述测井数据用于反映所述目标井的每个井段的地球物理参数信息;
基于训练完成的神经网络,确定每个钻井参数对所述目标井的每个井段执行钻井操作的钻速的影响因子,所述影响因子用于反映每个钻井参数的变化对所述钻速的影响程度;
基于所述影响因子和所述至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,所述待钻井的测井数据与所述目标井的测井数据的差异小于预设阈值;
基于配置后的钻井参数,对所述待钻井执行钻井操作。
2.根据权利要求1所述的方法,其特征在于,所述基于训练完成的神经网络,确定每个钻井参数对所述目标井的每个井段执行钻井操作的钻速的影响因子,包括:
基于所述训练完成的神经网络,基于敏感性分析方法确定第一钻井参数对所述钻速的影响因子,所述第一钻井参数为所述至少一个钻井参数中的任一钻井参数。
3.根据权利要求1或2所述的方法,其特征在于,所述分别基于所述目标井的每个井段所对应的录井数据和测井数据训练神经网络,包括:
基于所述录井数据和所述测井数据,获取所述神经网络对所述目标井的每个井段对应的钻速预测值;
确定所述钻速预测值与所述目标井的每个井段的实际钻速值的相关度;
当所述钻速预测值与所述实际钻速值的相关度满足预设条件时,确定完成所述神经网络的训练。
4.根据权利要求1或2所述的方法,其特征在于,所述测井数据包括:声波时差,在所述分别基于所述目标井的每个井段所对应的录井数据和测井数据训练神经网络之前,所述方法还包括:
基于所述声波时差获取地层可钻性级值,所述地层可钻性级值用于反映所述目标井处的地层岩石被钻头钻进的难易程度;
所述分别基于所述目标井的每个井段所对应的录井数据和测井数据训练神经网络,包括:
基于所述录井数据和所述地层可钻性级值训练所述神经网络。
5.根据权利要求4所述的方法,其特征在于,所述声波时差t与所述地层可钻性级值K满足:
K=a×e-b×t;
其中,所述a和所述b为所述可钻性级值的控制系数。
6.一种钻井装置,其特征在于,所述装置包括:
训练模块,用于基于不同井深对应的井眼尺寸、钻具组合、钻头型号、钻井液密度和流变参数,对目标井进行井段划分,分别基于所述目标井的每个井段所对应的录井数据和测井数据训练神经网络,所述录井数据包括对所述目标井的每个井段执行钻井操作时获取的至少一个钻井参数,所述测井数据用于反映所述目标井的每个井段的地球物理参数信息;
确定模块,用于基于训练完成的神经网络,确定每个钻井参数对所述目标井的每个井段执行钻井操作的钻速的影响因子,所述影响因子用于反映每个钻井参数的变化对所述钻速的影响程度;
配置模块,用于基于所述影响因子和所述至少一个钻井参数,配置对待钻井执行钻井操作的至少一个钻井参数,所述待钻井的测井数据与所述目标井的测井数据的差异小于预设阈值;
处理模块,用于基于配置后的钻井参数,对所述待钻井执行钻井操作。
7.根据权利要求6所述的装置,其特征在于,所述确定模块,用于:
基于所述训练完成的神经网络,基于敏感性分析方法确定第一钻井参数对所述钻速的影响因子,所述第一钻井参数为所述至少一个钻井参数中的任一钻井参数。
8.根据权利要求6或7所述的装置,其特征在于,所述训练模块,用于:
基于所述录井数据和所述测井数据,获取所述神经网络对所述目标井的每个井段对应的钻速预测值;
确定所述钻速预测值与所述目标井的每个井段的实际钻速值的相关度;
当所述钻速预测值与所述实际钻速值的相关度满足预设条件时,确定完成所述神经网络的训练。
9.根据权利要求6或7所述的装置,其特征在于,所述测井数据包括:声波时差,所述装置还包括:
获取模块,用于基于所述声波时差获取地层可钻性级值,所述地层可钻性级值用于反映所述目标井处的地层岩石被钻头钻进的难易程度;
所述训练模块,用于:
基于所述录井数据和所述地层可钻性级值训练所述神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368743.2A CN110397402B (zh) | 2018-04-23 | 2018-04-23 | 钻井方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368743.2A CN110397402B (zh) | 2018-04-23 | 2018-04-23 | 钻井方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110397402A CN110397402A (zh) | 2019-11-01 |
CN110397402B true CN110397402B (zh) | 2021-01-29 |
Family
ID=68319727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810368743.2A Active CN110397402B (zh) | 2018-04-23 | 2018-04-23 | 钻井方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110397402B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807557A (zh) * | 2019-11-06 | 2020-02-18 | 中法渤海地质服务有限公司 | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 |
CN113323647B (zh) * | 2020-02-12 | 2024-07-02 | 中国石油化工股份有限公司 | 用于监测岩石抗压强度和可钻性的方法及装置 |
US11734603B2 (en) | 2020-03-26 | 2023-08-22 | Saudi Arabian Oil Company | Method and system for enhancing artificial intelligence predictions using well data augmentation |
CN112796746B (zh) * | 2021-02-26 | 2022-06-07 | 西安石油大学 | 一种用于石油地质勘探的钻井方法 |
CN114201824B (zh) * | 2021-07-22 | 2022-08-23 | 西南石油大学 | 一种融合分析多源数据的钻头优选方法 |
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 |
CN114492757B (zh) * | 2022-01-29 | 2023-11-10 | 中国石油化工股份有限公司 | 模型训练方法、测井信息预测方法、装置和设备 |
CN115238861B (zh) * | 2022-07-11 | 2023-11-17 | 西南石油大学 | 一种基于井壁垮塌程度约束的安全钻井液密度确定方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9085958B2 (en) * | 2013-09-19 | 2015-07-21 | Sas Institute Inc. | Control variable determination to maximize a drilling rate of penetration |
CN103628816B (zh) * | 2013-11-18 | 2016-03-16 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 地震属性指导水平井导向的方法及其装置 |
CN106640033A (zh) * | 2015-10-30 | 2017-05-10 | 中石化石油工程技术服务有限公司 | 旋转导向工具状态监测方法 |
CN106285473B (zh) * | 2016-08-19 | 2019-02-15 | 中国石油天然气股份有限公司 | 水平井钻井摩阻的控制优化方法及装置 |
CN106321064B (zh) * | 2016-08-22 | 2019-05-07 | 中国石油天然气股份有限公司 | 钻井参数的控制方法及装置 |
CN107100611B (zh) * | 2017-05-27 | 2019-12-17 | 中国地质大学(武汉) | 一种地质勘探钻进过程双层智能钻速建模方法 |
CN107193055B (zh) * | 2017-05-27 | 2019-10-18 | 中国地质大学(武汉) | 一种复杂地质钻进过程双层智能钻速建模*** |
-
2018
- 2018-04-23 CN CN201810368743.2A patent/CN110397402B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110397402A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110397402B (zh) | 钻井方法及装置 | |
RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
US8145462B2 (en) | Field synthesis system and method for optimizing drilling operations | |
CN101025084B (zh) | 一种随钻预测钻头底下地层孔隙压力的方法 | |
US20150204174A1 (en) | System and method for performing stimulation operations | |
EP3433643B1 (en) | Method and device for estimating sonic slowness in a subterranean formation | |
US8243549B2 (en) | Estimating seismic anisotropy of shales | |
US11781416B2 (en) | Determination of elastic properties of a geological formation using machine learning applied to data acquired while drilling | |
US9176255B2 (en) | Permeability prediction systems and methods using quadratic discriminant analysis | |
US20170002630A1 (en) | Method of performing additional oilfield operations on existing wells | |
US10761231B2 (en) | Generating a high-resolution lithology model for subsurface formation evaluation | |
CN105488248A (zh) | 一种深部矿层和岩层的判定方法 | |
WO2004095077A1 (en) | Method for predicting pore pressure | |
US11525936B2 (en) | Through casing formation slowness evaluation with a sonic logging tool | |
CN107831540A (zh) | 储层物性参数直接提取新方法 | |
CN106979006A (zh) | 地层压力的确定方法和装置 | |
US11952880B2 (en) | Method and system for rate of penetration optimization using artificial intelligence techniques | |
Mahmoud et al. | A Self-Adaptive Artificial Neural Network Technique to Estimate Static Young's Modulus Based on Well Logs | |
US11860325B2 (en) | Deep learning architecture for seismic post-stack inversion | |
US10802177B2 (en) | Evaluating hydrocarbon reserves using tool response models | |
CN112394416A (zh) | 非均质断裂控制储层预测方法及装置 | |
You et al. | Stratigraphic identification using real-time drilling data | |
US20240219601A1 (en) | Parameterization of nuclear magnetic resonance transverse relaxation time distribution | |
Tahmeen et al. | A convenient technology to calculate geomechanical properties from drilling data | |
CN117687098A (zh) | 缝洞型储层的预测方法、装置、设备及存储介质 |
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 |