CN113062731B - 一种钻井井下复杂工况智能识别方法 - Google Patents
一种钻井井下复杂工况智能识别方法 Download PDFInfo
- Publication number
- CN113062731B CN113062731B CN201911404045.4A CN201911404045A CN113062731B CN 113062731 B CN113062731 B CN 113062731B CN 201911404045 A CN201911404045 A CN 201911404045A CN 113062731 B CN113062731 B CN 113062731B
- Authority
- CN
- China
- Prior art keywords
- neural network
- characteristic parameters
- drilling
- logging
- underground
- 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 83
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000002245 particle Substances 0.000 claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 37
- 239000012530 fluid Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 230000035515 penetration Effects 0.000 claims description 11
- 210000004205 output neuron Anatomy 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005086 pumping Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling 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
- E21B21/00—Methods or apparatus for flushing boreholes, e.g. by use of exhaust air from motor
- E21B21/08—Controlling or monitoring pressure or flow of drilling fluid, e.g. automatic filling of boreholes, automatic control of bottom pressure
-
- 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
-
- 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
- E21B45/00—Measuring the drilling time or rate of penetration
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Geophysics (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种钻井井下复杂工况智能识别方法，包括：步骤100、构建不同井下复杂工况对应的录井特征参数；步骤200、构建基于粒子群算法优化的BP神经网络智能算法；步骤300、基于步骤200中的BP神经网络智能算法创建井下复杂工况预警模型。在本发明中，针对BP神经网络的缺陷，提出了基于粒子群优化BP神经网络的算法；将基于粒子群优化BP神经网络的算法应用于井下复杂工况的实时预警，以此建立了井下复杂工况预警模型，实现了井下复杂情况及故障的智能化、实时化定量判断，这对于预防和控制钻井复杂事故的发展，最大限度地减少损失，具有重大意义；同时，编制了综合录井资料与井下复杂工况预警模型的数据传输接口，实现了两者之间的实时数据传输。
Description
技术领域
本发明涉及深层页岩气复杂地层钻井技术领域，特别涉及一种钻井井下复杂工况智能识别方法。
背景技术
油气钻井工程是石油与天然气勘探与开发的基础性工作，是一个涉及部门多、环节多、规模大、技术复杂、投资多和风险大的***工程，这些特点决定了在油气钻井施工作业过程中隐藏着诸多不确定因素，当一些决策不得不依靠这些不充分、不准确或者不完整的信息制定时，就可能引发涌、漏、塌、卡等各类井下复杂情况及故障的发生，严重制约了安全高效钻井施工。
目前，主要是专家知识***，或利用常规录井资料对工程异常进行分析，而且仅有少量测量和运算工作由计算机自动完成，大多数的分析和判断仍然依靠人工完成，由于个体知识、经验以及责任心差异等原因，往往会导致不能及时发现和处理钻井异常及复杂的情况，增加了钻井风险；事实上要求操作员全神贯注地观察监测数据的变化并迅速判明事故，是不太现实的。因此，相关技术在监控信息综合利用能力差、风险预警不够及时及主观性太强等方面的问题较为突出。
发明内容
有鉴于此，本发明提供了一种钻井井下复杂工况智能识别方法，能够基于人工神经网络智能算法建立了井下复杂工况预警模型，实现了井下复杂情况及故障的可预测、可控制。
为实现上述目的，本发明提供如下技术方案：
一种钻井井下复杂工况智能识别方法，包括：
步骤100、构建不同井下复杂工况对应的录井特征参数；
步骤200、构建基于粒子群算法优化的BP神经网络智能算法；
步骤300、基于步骤200中的BP神经网络智能算法创建井下复杂工况预警模型，包括：
步骤310、设计BP神经网络，所述设计BP神经网络包括：
步骤311、设计输入层，所述设计输入层包括：
选择步骤100中与井下复杂工况相关性强的录井特征参数设定为输入神经元；
步骤312、设计输出层，所述设计输出层包括：
根据井下复杂工况类型的个数设定输出神经元的个数，并对每一个输出神经元采用期望输出向量表示；
步骤313、设计隐含层，所述设计隐含层包括：
由经典公式计算隐含层的个数；
步骤320、设计粒子群算法；所述设计粒子群算法包括：
步骤321、根据步骤310得到的BP神经网络结构，计算其连接权值和阈值，再根据连接权值和阈值确定粒子群算法的粒子长度，并对每一个粒子进行向量编码；
步骤322、创建适应度函数，所述创建适应度函数包括：
将BP神经网络训练的均方根误差作为适应度函数：
优选地，在所述步骤311中，所述录井特征参数包括：大钩载荷、立压、扭矩、机械钻速、转盘转速、钻压、钻井液出口流量、钻井液出口密度和钻井液池总体积，则输入神经元设定为9个；
在所述步骤312中，所述井下复杂工况类型包括：井涌、井塌、井漏、卡钻和正常，则输出神经元设定为5个，且分别对应的期望输出向量为：q1＝(1,0,0,0,0)、q2＝(0,1,0,0,0)、q3＝(0,0,1,0,0)、q4＝(0,0,0,1,0)、q5＝(0,0,0,0,1)；
在所述步骤313中，所述由经典公式计算隐含层的个数包括：
由经典公式计算得到隐含层的个数取值1～10，且将隐含层的个数设定为10；
在所述步骤321中，所述根据步骤310得到的BP神经网络结构计算其连接权值和阈值，再根据连接权值和阈值确定粒子群算法的粒子长度，并对每一个粒子进行向量编码包括：
根据上述得到BP神经网络结构为9-10-5，计算得到有9×10+10×5＝140个权值，10+5＝15个阈值，则粒子群优化参数的个数为155个，粒子的长度为155；
则粒子i被编码为：
优选地，在所述步骤320后，还包括：
步骤330、预处理步骤100中的录井特征参数，所述预处理步骤100中的录井特征参数包括：
步骤331、对步骤100中的录井特征参数进行归一化处理。
优选地，在所述步骤331中，所述对步骤100中的录井特征参数进行归一化处理包括：
采用最大最小法对对步骤100中的录井特征参数进行归一化处理：
式中，xmin、xmax分别是序列中的最小值和最大值。
优选地，在所述步骤100中，所述构建不同井下复杂工况对应的录井特征参数包括：
结合传统专家知识判断方法，对井下复杂情况及故障的定性识别方法进行梳理和归纳；通过对井下复杂情况及故障的专家知识判断，整理得到不同井下复杂情况及故障对应的录井特征参数。
优选地，若所述井下复杂情况及故障包括：井涌、井漏、卡钻和井壁坍塌，则所述通过对井下复杂情况及故障的专家知识判断，整理得到不同井下复杂情况及故障对应的录井特征参数包括：
(1)、构建与井涌相关的录井特征参数，其中，所述与井涌相关的录井特征参数包括：出口流量、出口密度、出口温度、出口电阻率、钻井液池总体积、泵压、泵冲、大钩载荷、机械钻速、气测组分；
(2)、构建与井漏相关的录井特征参数，其中，所述与井漏相关的录井特征参数包括：出口流量、钻井液池体积、出口密度、机械钻速、泵压、转盘钻速、钻压；
(3)、构建与卡钻相关的录井特征参数，其中，所述与卡钻相关的录井特征参数包括：大钩载荷、立压、扭矩、机械钻速、转盘转速、钻压；
(4)、构建与井壁坍塌相关的录井特征参数，其中，所述与井壁坍塌相关的录井特征参数包括：岩屑录井、出口流量、出口密度、扭矩、转盘转速、机械钻速。
优选地，在所述步骤200中，所述构建基于粒子群算法优化的BP神经网络智能算法包括：
步骤210、初始化参数，所述初始化参数包括：
确定BP神经网络拓扑结构，初始化其连接权值和阈值；根据所述连接权值和所述阈值的个数确定粒子群维数D；设置粒子群种群规模M和BP神经网络迭代次数N；对所述连接权值和所述阈值进行实数编码，得到粒子群初始种群；并且在允许范围内[smin,smax]、[zmin,zmax]内设定粒子速度si,d和粒子位置zi,d；设置学习因子c1、c2；
步骤220、将BP神经网络中每次迭代得到的均方根误差作为粒子的适应度函数；
步骤230、根据粒子群算法的学习步骤，求解粒子全局最优位置；
步骤240、检查是否满足迭代终止条件，若满足，则停止，输出最优粒子，并反解码得到最优权值和阈值；
步骤250、按照BP神经网络进行训练和预测。
优选地，在所述步骤300后，还包括：
步骤400、训练与调优所述步骤300中的井下复杂工况预警模型。
优选地，在所述步骤400中，所述训练与调优所述步骤300中的井下复杂工况预警模型包括：
利用步骤300中构建的井下复杂工况预警模型，结合具体页岩气钻井现场实践，选取发生故障已钻井的综合录井参数为训练样本，对建立的模型进行训练和模型参数调优。
优选地，还包括：
步骤500、建立综合录井数据与井下复杂工况预警模型之间的传输接口。
从上述的技术方案可以看出，本发明提供的钻井井下复杂工况智能识别方法中，具有如下的有益效果：相较于传统井下复杂工况预测过分依赖于专家主观判断，并且结果大多是定性或半定量的。本发明提出了基于粒子群算法优化BP神经网络的井下复杂工况预警方法，并创建了井下复杂工况预警模型，实现了井下复杂故障的智能化、实时化定量判断，解决了现有方法监控信息综合利用能力差、风险预警不够及时、主观性太强等问题。
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为本发明实施例提供的钻井井下复杂工况智能识别方法的步骤流程图；
图2为本发明实施例提供的粒子群优化BP神经网络算法的步骤流程图；
图3为本发明实施例提供的粒子群算法的步骤流程图；
图4为本发明实施例提供的BP神经网络算法的步骤流程图；
图5为本发明实施例提供的井下复杂工况预警BP神经网络结构图；
图6为本发明实施例提供的基于粒子群算法优化BP神经网络井下复杂工况预警模型图。
具体实施方式
本发明公开了一种基于粒子群算法优化BP神经网络的钻井井下复杂工况智能识别方法，基于人工神经网络等智能算法建立了井下复杂工况(涌、漏、塌、卡、断钻具等)实时预警模型，实现了井下复杂情况及故障的可预测、可控制。本发明技术的攻关和应用对于提高深井复杂地层钻井的单井盈利水平、降低复杂和故障损失、提高工区内队伍的竞争能力具有重要意义。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的钻井井下复杂工况智能识别方法，如图1所示，包括：
步骤100、构建不同井下复杂工况对应的录井特征参数；
步骤200、构建基于粒子群算法优化的BP神经网络智能算法；需要说明的是，BP神经网络存在自身的缺陷，很难得到连接权值和阈值的最优值，最终造成BP神经网络预测结果与实际值之间产生较大的误差，影响结果的准确性。对此，需要再结合一种其他的最优解算法，配合BP神经网络使用，从而提高预测的精度和准确性。优选地，本发明利用粒子群算法的全局搜索最优解的能力来配合BP神经网络使用，以便于最终提高BP神经网络预测的精度；
步骤300、基于步骤200中的BP神经网络智能算法创建井下复杂工况预警模型，包括：
此处需要说明的是，人工神经网络是目前较为流性的一种人工智能理论，本方案采用BP神经网络智能算法创建预警模型，主要基于其具有实时学习能力的突出特点，而且也克服了传统的基于逻辑符号的人工智能处理非结构化信息方面的缺陷，通过利用人工神经网络的这些特性和优势，以便于恰好满足了钻井工程异常及风险的预测与判断的要求；另外，本发明只是提供了基于BP神经网络智能算法创建井下复杂工况预警模型，还需要录入数据以作进一步地预警，其过程主要为：一、获取综合录井参数；二、将综合录井参数录入井下复杂工况预警模型，并利用BP神经网络智能算法输出其工况结果，此处不再赘述；
步骤310、设计BP神经网络，所述设计BP神经网络包括：
步骤311、设计输入层，所述设计输入层包括：
选择步骤100中与井下复杂工况相关性强的录井特征参数设定为输入神经元；
步骤312、设计输出层，所述设计输出层包括：
根据井下复杂工况类型的个数设定输出神经元的个数，并对每一个输出神经元采用期望输出向量表示；
步骤313、设计隐含层，所述设计隐含层包括：
由经典公式计算隐含层的个数；
步骤320、设计粒子群算法，所述设计粒子群算法包括：
步骤321、根据步骤310得到的BP神经网络结构，计算其连接权值和阈值，再根据连接权值和阈值确定粒子群算法的粒子长度，并对每一个粒子进行向量编码；
步骤322、创建适应度函数，所述创建适应度函数包括：
将BP神经网络训练的均方根误差作为适应度函数：
从上述的技术方案可以看出，本发明实施例提供的钻井井下复杂工况智能识别方法中，具有如下的有益效果：
相较于传统井下复杂工况预测过分依赖于专家主观判断，并且结果大多是定性或半定量的。本发明提出了基于粒子群算法优化BP神经网络的井下复杂工况预警方法，并创建了井下复杂工况预警模型，实现了井下复杂故障的智能化、实时化定量判断，解决了现有方法监控信息综合利用能力差、风险预警不够及时、主观性太强等问题。
在本方案中，在所述步骤311中，所述录井特征参数包括：大钩载荷、立压、扭矩、机械钻速、转盘转速、钻压、钻井液出口流量、钻井液出口密度和钻井液池总体积，则输入神经元设定为9个；
在所述步骤312中，所述井下复杂工况类型包括：井涌、井塌、井漏、卡钻和正常，则输出神经元设定为5个，且分别对应的期望输出向量为：
q1＝(1,0,0,0,0)、q2＝(0,1,0,0,0)、q3＝(0,0,1,0,0)、q4＝(0,0,0,1,0)、q5＝(0,0,0,0,1)；需要说明的是，每一种井下复杂工况类型对应上述9种录井特征参数中的一种或若干种，也可能存在一种井下复杂工况类型与另一种井下复杂工况类型同时对应上述9种录井特征参数中的一种，具体详情可见下文；
在所述步骤313中，所述由经典公式计算隐含层的个数包括：
由经典公式计算得到隐含层的个数取值1～10，且将隐含层的个数设定为10；需要说明的是，通过研究将隐含层的个数优选为10，得到的结果与实际情况最为吻合；即为最终建立了BP神经网络结构为9-10-5，如图5和图6所示；
在所述步骤321中，所述根据步骤310得到的BP神经网络结构计算其连接权值和阈值，再根据连接权值和阈值确定粒子群算法的粒子长度，并对每一个粒子进行向量编码包括：
根据上述得到BP神经网络结构为9-10-5，计算得到有9×10+10×5＝140个连接权值，10+5＝15个阈值，则粒子群优化参数的个数为155个，粒子的长度为155；
则粒子i被编码为：
具体地，在所述步骤320后，还包括：
步骤330、预处理步骤100中的录井特征参数，所述预处理步骤100中的录井特征参数包括：
步骤331、对步骤100中的录井特征参数进行归一化处理。需要说明的是，即为对录井资料进行数据归一化处理，以规避因输入输出数据数量级的差别大而造成的BP神经网络预测结果误差增大的问题，以确保基于BP神经网络创建的预警模型的精度。
为了进一步优化上述的技术方案，在所述步骤331中，所述对步骤100中的录井特征参数进行归一化处理包括：
采用最大最小法对对步骤100中的录井特征参数进行归一化处理：
式中，xmin、xmax分别是序列中的最小值和最大值。需要说明的是，采用最大最小法进行数据的归一化处理，以便于获得良好的数据预处理效果。
在本方案中，在所述步骤100中，所述构建不同井下复杂工况对应的录井特征参数包括：
结合传统专家知识判断方法，对井下复杂情况及故障的定性识别方法进行梳理和归纳，以此作为进行人工智能风险预测重要的基础工作之一；通过对井下复杂情况及故障的专家知识判断，整理得到不同井下复杂情况及故障对应的录井特征参数，即为构建不同井下复杂情况及故障对应的录井特征参数，以此作为井下复杂工况预警模型的建模基础。
具体地，若所述井下复杂情况及故障包括：井涌、井漏、卡钻和井壁坍塌，则所述通过对井下复杂情况及故障的专家知识判断，整理得到不同井下复杂情况及故障对应的录井特征参数包括：
(1)、构建与井涌相关的录井特征参数，其中，所述与井涌相关的录井特征参数包括：出口流量、出口密度、出口温度、出口电阻率、钻井液池总体积、泵压、泵冲、大钩载荷、机械钻速、气测组分；需要说明的是，井涌的专家知识判断为：①钻井液出口流量增加、钻井液池体积增加、起钻时井内流体外溢及停钻后井口钻井液外溢；②泵压先增加后下降和泵冲增加；③大钩载荷先增加后减小；④机械钻速突然增加；⑤钻井液密度降低，出口温度、电阻率等发生波动。⑥钻井液油、气、水侵。气体全烃、组分检测数值可能增加；
(2)、构建与井漏相关的录井特征参数，其中，所述与井漏相关的录井特征参数包括：出口流量、钻井液池体积、出口密度、机械钻速、泵压、转盘钻速、钻压；需要说明的是，井漏的专家知识判断包括：①钻进中井漏的判断和②起下钻过程中井漏的判断。在所述钻进中井漏的判断中，通过钻时、捞取的砂样判断地层的岩性，当钻入到渗透性地层时，密度过高或钻进中有泵压波动，就有可能引起井漏。在机械钻速较高的情况下，如果出现了泵压下降、出口排量减小而且总体积池液位下降，就有可能井漏；在所述起下钻过程中井漏的判断中，监测下钻是否有钻井液返出，可根据安装在钻井液返出口放电导率传感器进行监测；
(3)、构建与卡钻相关的录井特征参数，其中，所述与卡钻相关的录井特征参数包括：大钩载荷、立压、扭矩、机械钻速、转盘转速、钻压；需要说明的是，不同类型的卡钻对应不同的判断方法，结合现场钻井实践并根据专家知识判断，将卡钻判断方法进行归纳，如表1所示。
表1
(4)、构建与井壁坍塌相关的录井特征参数，其中，所述与井壁坍塌相关的录井特征参数包括：岩屑录井、出口流量、出口密度、扭矩、转盘转速、机械钻速。需要说明的是，判断井壁坍塌的依据就是井内返出的岩屑情况，返出的岩屑较正常时体积大、数量多、岩性复杂、颜色参差不齐。
具体地，如图2所示，在所述步骤200中，所述构建基于粒子群算法优化的BP神经网络智能算法包括：
步骤210、初始化参数，所述初始化参数包括：
确定BP神经网络拓扑结构，初始化其连接权值和阈值；根据所述连接权值和所述阈值的个数确定粒子群维数D；设置粒子群种群规模M和BP神经网络迭代次数N；对所述连接权值和所述阈值进行实数编码，得到粒子群初始种群；并且在允许范围内[smin,smax]、[zmin,zmax]内设定粒子速度si,d和粒子位置zi,d；设置学习因子c1、c2；
步骤220、将BP神经网络中每次迭代得到的均方根误差作为粒子的适应度函数；
步骤230、根据粒子群算法的学习步骤，求解粒子全局最优位置；
步骤240、检查是否满足迭代终止条件，若满足，则停止，输出最优粒子，并反解码得到最优权值和阈值；
步骤250、按照BP神经网络进行训练和预测。
对于粒子群算法，需要进一步说明的是：设定在一个D维空间内进行最优解的搜索，初始化M个粒子，组成一个“鸟群”T＝{Z1,Z2,...ZM},i＝1,2,...M.其中，zi＝(zi1,zi2,...ziD),i＝1,2,...M表示第i个粒子在D维空间内的位置向量，si＝(si1,si2,...siD),i＝1,2,…M表示第i个粒子在D维空间内的速度向量；粒子自身的飞行运动经验，为Pbesti＝(Pbesti1,Pbesti2,...,PbestiD)，全局最优位置为Gbest＝(Gbest1,Gbest2,…GbestD)。粒子算法的递推公式为：
个体认知体现了粒子对自身最优位置的记忆能力；同时，群体认知/>体现种群中粒子之间的信息共享。
具体地，如图3所示，所述步骤230中的粒子群算法的学习步骤包括：
步骤231、初始化粒子群参数，其中，所述参数包括：种群规模M、粒子群维度数D、迭代次数N、粒子速度si,d和粒子位置zi,d、学习因子c1、c2；
步骤232、选取适应度函数，计算所有粒子的适应度值，并设置种群初始粒子的Pbesti,d、Gbest；
步骤233、更新粒子的速度和位置；
步骤234、计算更新后粒子的适应值同时更新f(Pbesti,d)；否则Pbesti,d不更新；
步骤235、检查结束条件，如果满足要求，则寻优结束；否则，转到步骤233继续进行。
相应地，对于BP神经网络智能算法，需要进一步说明的是：
BP神经网络是一种典型的多层前馈网络，BP神经网络最主要的优点是最有较强的非线性映射能力。BP神经网络是由输入层、隐含层和输出层构成的三层前向人工神经网络。根据神经元输出信号的计算公式可以得到隐含层各个神经元的输出为：
式中：vij是输入层神经元i和隐含层神经元j的连接权重；θj是隐含层神经元j的阈值；f()是神经元的激活函数。
同理，得到BP神经网络的输出层的输出信号为：
式中：μjk是隐含层神经元j和输出层神经元k的连接权重；βk是输出层神经元k的阈值；f()是神经元的激活函数。
如图4所示，BP神经网络智能算法具有如下的学习步骤：
(1)、初始化神经网络各参数值：
对各层神经元的连接权重vij、μjk赋予[-1,1]之间的随机数；将学习率η设定为0～1内的一个小数；误差E置0；误差阈值Emin设定为一个正的小数；隐含层节点数m根据经验公式求得；样本模式计算器p和训练次数q重置为1；训练次数预设为M；
(2)、输入训练样本，计算各层输出：
选取训练样本中(Xp,Qp)中的一对样本对输入参数赋值，利用神经网络输出信号的计算公式计算输出O、Y；
(3)、计算神经网络的输出误差：
设定所述训练样本的总数为P，每一次训练得到的误差为总的输出误差/>
(4)、计算各层误差信号：
输出层和隐含层的误差信号计算公式为：
隐含层和输入层的误差信号计算公式为：
(5)、调整各层连接权值和阈值：
所述输出层和所述隐含层的连接权值、阈值的计算公式为：
Δμjk＝η(qk-yk)yk(1-yk)Oj (9)
Δβk＝η(qk-yk)yk(1-yk) (10)
所述隐含层和所述输入层的连接权值、阈值的计算公式为：
(6)、判断是否对所有样本完成一次训练：
若所述样本模式计算器p<所述训练样本的总数P，则所述样本模式计算器p和所述训练次数q均增加1，然后返回步骤(2)；否则转到步骤(7)；
(7)、检查神经网络总误差是否满足误差阈值：
若所述总的输出误差ERME＜E所述误差阈值Emin，或所述训练次数q>训练预设次数M，则结束；否则所述误差E重置为0，所述样本模式计算器p置为1，然后返回步骤(2)。
在本方案中，在所述步骤300后，还包括：
步骤400、训练与调优所述步骤300中的井下复杂工况预警模型。需要说明的是，通过训练与调优井下复杂工况预警模型，以使得其达到良好初始化的效果，以便于更好地服务于井下复杂工况预警。
具体地，在所述步骤400中，所述训练与调优所述步骤300中的井下复杂工况预警模型包括：
利用步骤300中构建的井下复杂工况预警模型，结合具体页岩气钻井现场实践，选取发生故障已钻井的综合录井参数为训练样本，对建立的模型进行训练和模型参数调优。
步骤410、设定算法的控制要素：
对故障预警模型中的算法的控制要素进行设定，如表2所示：
表2
步骤420、训练和仿真模型：
结合川南页岩气工区发生故障的已钻井的录井和井史资料，选择故障发生前后一段时间域内监测的综合录井参数，根据最大最小法进行归一化处理，结果如表3所示。选择10组样本作为训练样本对构建的故障模型进行训练，用于验证构建模型的准确度。
表3
故障模型训练结果如表4所示，结果分析：通过仿真诊断结果与井下实际状态相吻合，表明训练得到的神经网络能够很好地满足该区块该层段钻井风险动态评估的要求。值得注意的是：在不同的地质环境以及不同的钻进条件下，井下异常状态或风险对应的录井参数的变化会有所区别，所以在选取训练样本时，应该根据不同钻井环境和条件进行选择，并且训练得到的神经网络只运用于相似钻井条件下的异常工况及风险诊断。
表4
在本方案中，本发明实施例提供的钻井井下复杂工况智能识别方法还包括：
步骤500、建立综合录井数据与井下复杂工况预警模型之间的传输接口。需要说明的是，如此设计，以便于实现故障的实时动态预警。而且，井内计算机***采用WITS(Wellsite Information Transfer Standard，井场信息传输规范)的通讯格式，向井外计算机***传输现场各种数据。具体地，综合录井数据从现场传输到进行数据分析的故障预警软件(故障预警模型)要经历以下五个步骤：
步骤510、录井公司通过工具上的传感器来获取现场实时的数据；
步骤520、收集到的数据通过WITS传输到地面，存储或用于其他用途；
步骤530、通过WITS数据传输软件，以wits文件形式或TCP/IP协议形式，将数据实时传输到软件中；
步骤540、将实时传输的数据保存到本地数据库，用于其他用途；
步骤550、故障软件直接读取本地数据库中的数据，用于故障的动态预警。
进一步地，本方案还编制了相关接口软件，实现了综合录井数据与井下复杂情况及故障预警软件之间的实时数据传输。
根据所要传输的数据，并在WITS记录中找到相对应的参数：大钩载荷、立压、扭矩、机械钻速、转盘转速、钻压、钻井液出口流量、钻井液出口密度、钻井液池总体积。
综上所述，本发明提供的钻井井下复杂工况智能识别方法，首先对***整理分析了BP神经网络的学习步骤，并分析了BP神经网络的缺陷，提出了基于粒子群优化BP神经网络的算法；然后将基于粒子群优化BP神经网络的算法应用于井下复杂工况的实时预警，实现了井下复杂情况及故障的智能化、实时化定量判断；同时，编制了综合录井资料与井下复杂情况及故障预警软件的数据传输接口，实现了综合录井数据与井下复杂工况预警软件之间的实时数据传输。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种钻井井下复杂工况智能识别方法，其特征在于，包括：
步骤100、构建不同井下复杂工况对应的录井特征参数；
步骤200、构建基于粒子群算法优化的BP神经网络智能算法；
步骤300、基于步骤200中的BP神经网络智能算法创建井下复杂工况预警模型，包括：
步骤310、设计BP神经网络，包括：
步骤311、设计输入层：选择步骤100中与井下复杂工况相关性强的录井特征参数设定为输入神经元；
步骤312、设计输出层：
根据井下复杂工况类型的个数设定输出神经元的个数，并对每一个输出神经元采用期望输出向量表示；
步骤313、设计隐含层：
由经典公式计算隐含层的个数；
步骤320、设计粒子群算法，包括：
步骤321、根据步骤310得到的BP神经网络结构，计算其连接权值和阈值，再根据连接权值和阈值确定粒子群算法的粒子长度，并对每一个粒子进行向量编码；
步骤322、创建适应度函数：
将BP神经网络训练的均方根误差作为适应度函数：
在所述步骤200中，所述构建基于粒子群算法优化的BP神经网络智能算法包括：
步骤210、初始化参数，所述初始化参数包括：
确定BP神经网络拓扑结构，初始化其连接权值和阈值；根据所述连接权值和所述阈值的个数确定粒子群维数D；设置粒子群种群规模M和BP神经网络迭代次数N；对所述连接权值和所述阈值进行实数编码，得到粒子群初始种群；并且在允许范围内[smin,smax]、[zmin,zmax]内设定粒子速度si,d和粒子位置zi,d；设置学习因子c1、c2；
步骤220、将BP神经网络中每次迭代得到的均方根误差作为粒子的适应度函数；
步骤230、根据粒子群算法的学习步骤，求解粒子全局最优位置；
步骤240、检查是否满足迭代终止条件，若满足，则停止，输出最优粒子，并反解码得到最优权值和阈值；
步骤250、按照BP神经网络进行训练和预测。
2.根据权利要求1所述的钻井井下复杂工况智能识别方法，其特征在于，在所述步骤311中，所述录井特征参数包括：大钩载荷、立压、扭矩、机械钻速、转盘转速、钻压、钻井液出口流量、钻井液出口密度和钻井液池总体积，则输入神经元设定为9个；
在所述步骤312中，所述井下复杂工况类型包括：井涌、井塌、井漏、卡钻和正常，则输出神经元设定为5个，且分别对应的期望输出向量为：
q1＝(1,0,0,0,0)、q2＝(0,1,0,0,0)、q3＝(0,0,1,0,0)、q4＝(0,0,0,1,0)、q5＝(0,0,0,0,1)；
在所述步骤313中，所述由经典公式计算隐含层的个数包括：
由经典公式计算得到隐含层的个数取值1～10，且将隐含层的个数设定为10；
在所述步骤321中，所述根据步骤310得到的BP神经网络结构计算其连接权值和阈值，再根据连接权值和阈值确定粒子群算法的粒子长度，并对每一个粒子进行向量编码包括：
根据上述得到BP神经网络结构为9-10-5，计算得到有9×10+10×5＝140个权值，10+5＝15个阈值，则粒子群优化参数的个数为155个，粒子的长度为155；
则粒子i被编码为：
3.根据权利要求1所述的钻井井下复杂工况智能识别方法，其特征在于，在所述步骤320后，还包括：
步骤330、预处理步骤100中的录井特征参数，所述预处理步骤100中的录井特征参数包括：
步骤331、对步骤100中的录井特征参数进行归一化处理。
4.根据权利要求3所述的钻井井下复杂工况智能识别方法，其特征在于，在所述步骤331中，所述对步骤100中的录井特征参数进行归一化处理包括：
采用最大最小法对对步骤100中的录井特征参数进行归一化处理：
式中，xmin、xmax分别是序列中的最小值和最大值。
5.根据权利要求1所述的钻井井下复杂工况智能识别方法，其特征在于，在所述步骤100中，所述构建不同井下复杂工况对应的录井特征参数包括：
结合传统专家知识判断方法，对井下复杂情况及故障的定性识别方法进行梳理和归纳；通过对井下复杂情况及故障的专家知识判断，整理得到不同井下复杂情况及故障对应的录井特征参数。
6.根据权利要求5所述的钻井井下复杂工况智能识别方法，其特征在于，若所述井下复杂情况及故障包括：井涌、井漏、卡钻和井壁坍塌，则所述通过对井下复杂情况及故障的专家知识判断，整理得到不同井下复杂情况及故障对应的录井特征参数包括：
(1)、构建与井涌相关的录井特征参数，其中，所述与井涌相关的录井特征参数包括：出口流量、出口密度、出口温度、出口电阻率、钻井液池总体积、泵压、泵冲、大钩载荷、机械钻速、气测组分；
(2)、构建与井漏相关的录井特征参数，其中，所述与井漏相关的录井特征参数包括：出口流量、钻井液池体积、出口密度、机械钻速、泵压、转盘钻速、钻压；
(3)、构建与卡钻相关的录井特征参数，其中，所述与卡钻相关的录井特征参数包括：大钩载荷、立压、扭矩、机械钻速、转盘转速、钻压；
(4)、构建与井壁坍塌相关的录井特征参数，其中，所述与井壁坍塌相关的录井特征参数包括：岩屑录井、出口流量、出口密度、扭矩、转盘转速、机械钻速。
7.根据权利要求1所述的钻井井下复杂工况智能识别方法，其特征在于，在所述步骤300后，还包括：
步骤400、训练与调优所述步骤300中的井下复杂工况预警模型。
8.根据权利要求7所述的钻井井下复杂工况智能识别方法，其特征在于，在所述步骤400中，所述训练与调优所述步骤300中的井下复杂工况预警模型包括：
利用步骤300中构建的井下复杂工况预警模型，结合具体页岩气钻井现场实践，选取发生故障已钻井的综合录井参数为训练样本，对建立的模型进行训练和模型参数调优。
9.根据权利要求1所述的钻井井下复杂工况智能识别方法，其特征在于，还包括：
步骤500、建立综合录井数据与井下复杂工况预警模型之间的传输接口。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911404045.4A CN113062731B (zh) | 2019-12-30 | 2019-12-30 | 一种钻井井下复杂工况智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911404045.4A CN113062731B (zh) | 2019-12-30 | 2019-12-30 | 一种钻井井下复杂工况智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113062731A CN113062731A (zh) | 2021-07-02 |
| CN113062731B true CN113062731B (zh) | 2024-05-21 |
Family
ID=76558446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911404045.4A Active CN113062731B (zh) | 2019-12-30 | 2019-12-30 | 一种钻井井下复杂工况智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113062731B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114991746B (zh) * | 2021-11-23 | 2024-01-19 | 中国石油天然气集团有限公司 | 一种钻井工况智能标定方法和*** |
| CN114112822B (zh) * | 2021-11-26 | 2023-09-29 | 中国地质大学（武汉） | 一种钻井液动态携砂能力模拟***及预测方法 |
| CN114482885B (zh) * | 2022-01-25 | 2024-03-29 | 西南石油大学 | 一种控压钻井智能控制*** |
| CN115324571B (zh) * | 2022-08-02 | 2023-10-10 | 西南石油大学 | 基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
| CN104453875A (zh) * | 2014-10-29 | 2015-03-25 | 中国石油集团川庆钻探工程有限公司 | 基于自组织竞争神经网络的页岩气储层识别方法 |
| CN104675380A (zh) * | 2015-01-28 | 2015-06-03 | 扬州大学 | 石油钻井钻柱在线监测***及故障诊断方法 |
| CN104806226A (zh) * | 2015-04-30 | 2015-07-29 | 北京四利通控制技术股份有限公司 | 智能钻井专家*** |
| CN105089620A (zh) * | 2014-05-14 | 2015-11-25 | 中国石油天然气集团公司 | 卡钻的监测***、方法及装置 |
| CN107100611A (zh) * | 2017-05-27 | 2017-08-29 | 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 |
| CN107194524A (zh) * | 2017-07-28 | 2017-09-22 | 合肥工业大学 | 一种基于rbf神经网络的煤与瓦斯突出预测方法 |
| CN109763810A (zh) * | 2018-12-25 | 2019-05-17 | 内江师范学院 | 一种储层气体钻井风险识别方法 |
-
2019
- 2019-12-30 CN CN201911404045.4A patent/CN113062731B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105089620A (zh) * | 2014-05-14 | 2015-11-25 | 中国石油天然气集团公司 | 卡钻的监测***、方法及装置 |
| CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
| CN104453875A (zh) * | 2014-10-29 | 2015-03-25 | 中国石油集团川庆钻探工程有限公司 | 基于自组织竞争神经网络的页岩气储层识别方法 |
| CN104675380A (zh) * | 2015-01-28 | 2015-06-03 | 扬州大学 | 石油钻井钻柱在线监测***及故障诊断方法 |
| CN104806226A (zh) * | 2015-04-30 | 2015-07-29 | 北京四利通控制技术股份有限公司 | 智能钻井专家*** |
| CN107100611A (zh) * | 2017-05-27 | 2017-08-29 | 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 |
| CN107194524A (zh) * | 2017-07-28 | 2017-09-22 | 合肥工业大学 | 一种基于rbf神经网络的煤与瓦斯突出预测方法 |
| CN109763810A (zh) * | 2018-12-25 | 2019-05-17 | 内江师范学院 | 一种储层气体钻井风险识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113062731A (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113062731B (zh) | 一种钻井井下复杂工况智能识别方法 | |
| CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
| CN110852018B (zh) | 基于神经网络的pso钻井参数优化方法 | |
| CN109508827B (zh) | 一种基于时间递归神经网络的钻井事故预警方法 | |
| CN106121621A (zh) | 一种智能钻井专家*** | |
| CN110110740B (zh) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 | |
| CN110807557A (zh) | 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 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| Chernikov et al. | Application of artificial intelligence methods for identifying and predicting complications in the construction of oil and gas wells: problems and solutions | |
| CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
| CN112926839A (zh) | 一种用于油气井钻井过程的溢漏风险协同监测方法及*** | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及*** | |
| CN116066062A (zh) | 一种基于参数变化趋势异常诊断的卡钻实时预警方法 | |
| CN117035197B (zh) | 一种代价最低化的井漏智能预测方法 | |
| CN111340275B (zh) | 基于随钻探测技术的隧道支护模式选型实时预测方法 | |
| CN117172360A (zh) | 一种基于mlp和高效pso的钻井机械钻速优化方法、***、设备及介质 | |
| CN111598366A (zh) | 一种实时钻井辅助决策方法及*** | |
| CN113431557B (zh) | 一种基于人工智能的井下井眼轨迹跟踪方法 | |
| CN115640759A (zh) | 一种基于机器学习的卡钻预警方法及*** | |
| CN113129157A (zh) | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 | |
| CN113685166B (zh) | 一种钻井事故预警方法及*** | |
| CN115729910A (zh) | 用于实时分析钻井机械钻速的实现方法及*** | |
| Mnati et al. | Prediction of penetration rate and cost with artificial neural network for alhafaya oil field | |
| CN112418489A (zh) | 一种天然气井修井暂堵剂用量神经网络预测方法 | |
| CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及*** |
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 |