CN113868951A - 一种智能化判断钻井短起最佳时机的方法 - Google Patents
一种智能化判断钻井短起最佳时机的方法 Download PDFInfo
- Publication number
- CN113868951A CN113868951A CN202111144394.4A CN202111144394A CN113868951A CN 113868951 A CN113868951 A CN 113868951A CN 202111144394 A CN202111144394 A CN 202111144394A CN 113868951 A CN113868951 A CN 113868951A
- Authority
- CN
- China
- Prior art keywords
- short
- logging
- drilling
- parameters
- values
- 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.)
- Pending
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000009825 accumulation Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000005520 cutting process Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000036632 reaction speed Effects 0.000 abstract description 3
- 239000011435 rock Substances 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Fluid Mechanics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Algebra (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Earth Drilling (AREA)
Abstract
本发明涉及短起钻井技术领域,公开了一种智能化判断钻井短起最佳时机的方法,S01:获取跟钻屑堆积有关的录井相关参数,对各录井相关参数进行关联归一处理;S02:建立相关录井参数正常值预测模型,利用模型获得相关录井参数正常值;S03:计算录井参数的融合偏差值,将预测的部分录井参数正常值跟实际参数测量值进行对比,计算出融合偏差值ΔSTF;S04:判断是否需要短起,根据融合偏差值ΔSTF,判断是否需要短起;S05:评价短起效果,将进行短起后的部分录井参数跟预测模型正常值比较,通过融合偏差程度评价短起效果,并且在短起之后删除参数测量异常值。本发明能够准确判断短起时机,大大提高了短起的效率,极大地降低了钻井成本,稳定性强,反应速度快。
Description
技术领域
本发明涉及短起钻井技术领域,具体公开了一种智能化判断钻井短起最佳时机的方法。
背景技术
钻井的一个重要目标就是提高钻井速度,缩短钻完井时间,最大限度降低钻井成本,以此提高经济效益。钻井过程中不可避免会产生钻屑,过量的钻屑会堆积造成卡钻,使钻进困难、终止甚至会造成井涌、井喷等安全事故,增加不必要的钻完井时间,造成巨大的经济损失。为了解决钻屑堆积造成的卡钻,避免因为卡钻造成的更严重的事故,迫切需要一种有效的方法来解决这个问题。
根据查阅的文献,短起清除岩屑堆积是一种很有效的方法,但是短起费用昂贵,且每一次短起都比前一次费用更高,需要严格控制短起的次数,这就需要找到最适合短起的时机,以降低钻井成本。当井内岩屑的堆积到足以造成卡钻使钻进困难,且井筒压力小于地层压力时,就是短起的最好时机。而找到短起的最好时机还不是提高钻进效率、降低成本的最佳方法。钻屑堆积跟钻进过程中产生的岩屑和岩屑的低返出率造成的井眼清洁效果不良有关,岩屑的返出跟岩屑运移长度有直接关系,而岩屑运移长度跟钻井液流量、环空速度、流体紊流状态有关,控制参数使井眼一直处于动态清洁状态,使井眼清洁效果一直达到最佳,直到无法被环空返出的岩屑堆积到快要造成卡钻的程度或井筒压力快要小于地层压力时,再进行短起,这便是减少短起次数的最佳方法。而井眼清洁以及判断井眼清洁状态的方法已经很丰富完善了,短起清除岩屑的研究却很少,基本是靠经验判断是否需要短起,如此导致无法准确判断短起的时机。
发明内容
本发明意在提供一种智能化判断钻井短起最佳时机的方法,旨在解决在无法准确判断短起时机的问题。
为了达到上述目的,本发明的基础方案如下:一种智能化判断钻井短起最佳时机的方法,包括如下步骤:
S01:获取跟钻屑堆积有关的录井相关参数
对各录井相关参数进行关联归一处理,获得相关实际测量参数值;
S02:建立相关录井参数正常值预测模型
利用模型获得相关录井参数正常值;
S03:计算录井参数的融合偏差值
将预测的部分录井参数正常值跟相关实际参数测量值进行对比,计算出融合偏差值ΔSTF;
S04:判断是否需要短起
根据融合偏差值ΔSTF,判断是否需要短起;
S05:评价短起效果
将进行短起后的部分录井参数跟预测模型正常值比较,通过融合偏差程度评价短起效果,并且在短起之后删除参数测量异常值。
进一步,所述S01中,录井相关参数为大钩负荷、大钩高度、立管压力、测量井深、垂直井深、钻头测量深度、钻头垂直深度。
进一步,所述S02中,所建立的模型为基于森林优化算法的广义回归神经网络模型,模型输入为测量井深、垂直井深、钻头测量深度、钻头垂直深度,模型输出为大钩负荷、大钩高度、立管压力。
进一步,所述S03中,获得录井参数正常值和实际测量值后,通过下式计算融合偏差值ΔSTF:
Dm为大钩负荷的权值,Dh为大钩高度的权值,Dp为套管压力的权值,Mf为大钩负荷预测正常值,Ma为大钩负荷实际测量值,Hf为大钩高度预测正常值,Ha为大钩高度实际测量值,Pf为套管压力预测正常值,Pa为套管压力实际测量值。
进一步,所述S04中,融合偏差值跟钻屑堆积程度和井筒压力有关,能直接反映钻进状况,判断是否需要短起,其关系如下:
不用短起,钻进安全;
需要调整环空流量,可继续钻进;
需要进行短起。
进一步,所述S05中,融合偏差程度跟短起效果关系如下:
短起效果极好;
短起效果较好;
短起效果较差。
本发明的原理以及有益效果:(1)本方案中,通过相关参数判断短起时机,而不是通过经验判断,与现有方式相比,短起时机更为准确。
(2)本方案中,基于森林优化算法的广义回归神经网络用来预测部分参数在异常情况下的正常值,且每次短起之后,删除异常值,保证预测正常值的准确性;
(3)本方案中,通过对大钩负荷、大钩高度、套管压力这三个参数进行融合偏差值的加权相和的计算可以准确反映井底钻进状态,对融合偏差值求导,判断是否需要短起、对环空流量进行控制;最后通过融合偏差值求导判断短起的效果。与现有技术相比,本方案极大程度的减少了短起的次数,大大提高了短起的效率,极大降低了钻井成本,稳定性强,反应速度快。
当然,实施申请的方案并不一定需要同时达到以上所述的所有技术效果。
附图说明
图1为本发明实施例中的流程图;
图2为本发明实施例中短起实况示意图;
图3为本发明实施例中的短起录井实测值;
图4为本发明实施例中的短起录井预测值。
具体实施方式
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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
说明书附图中的附图标记包括:钻杆1、井眼2、环空3、钻头4。
实施例:
基本如附图1所示:一种智能化判断钻井短起最佳时机的方法,包括如下步骤:
S01:获取跟钻屑堆积有关的录井相关参数,本实施例中,如附图2所示,为实际工况,钻杆1和钻头4与井眼2之间构成环空3,钻进过程中会产生岩屑,即便改变了环空流来清洁井眼,较大的岩屑也会沉积。本实施例中,使用综合录井***采集跟钻屑堆积有关的测量井深、垂直井深、钻头测量深度、钻头垂直深度、大钩负荷、大钩高度、立管压力参数,并对各录井相关参数进行关联归一处理,得相关实际测量参数。
S02:建立基于森林优化算法的广义回归神经网络模型预测获得相关录井参数正常值,具体为训练数据为50000组,并将其中测量的异常数据全部替换成正常值,通过森林优化算法优化广义回归神经网络的光滑参数,极大的提高了输出参数的预测准确性,使输出参数预测值都为正常值。本实施例中,模型输入为测量井深、垂直井深、钻头测量深度、钻头垂直深度,模型输出为大钩负荷、大钩高度、立管压力。如图3、图4所示。(A/B/C分别为:立管压力、大钩负荷、大钩高度)
S03:将预测的相关录井参数正常值跟实际测量参数进行对比,计算出融合偏差值ΔSTF,具体计算方式如下:
Dm为大钩负荷的权值,Dh为大钩高度的权值,Dp为套管压力的权值,Mf为大钩负荷预测正常值,Ma为大钩负荷实际测量值,Hf为大钩高度预测正常值,Ha为大钩高度实际测量值,Pf为套管压力预测正常值,Pa为套管压力实际测量值。
S04:根据融合偏差值ΔSTF,判断是否需要短起,判断是否需要短起,其关系如下:
不用短起,钻进安全;
需要调整环空流量,可继续钻进;
需要进行短起。
S05:将进行短起后的相关录井参数跟正常值比较,通过融合偏差程度评价短起效果,融合偏差程度跟短起效果关系如下:
短起效果极好;
短起效果较好;
短起效果较差。
综上所述:本实施例中,通过相关参数判断短起时机,而不是通过经验判断,与现有方式相比,短起时机更为准确。
本实施例中,基于森林优化算法的广义回归神经网络用来预测部分参数在异常情况下的正常值,且每次短起之后,删除异常值,保证预测正常值的准确性;
本实施例,通过对大钩负荷、大钩高度、套管压力这三个参数进行融合偏差值的加权相和的计算可以准确反映井底钻进状态,对融合偏差值求导,判断是否需要短起、对环空流量进行控制;最后通过融合偏差值求导判断短起的效果。与现有技术相比,本方案极大程度的减少了短起的次数,大大提高了短起的效率,极大降低了钻井成本,稳定性强,反应速度快
以上所述的仅是本发明的实施例,方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (6)
1.一种智能化判断钻井短起最佳时机的方法,其特征在于:包括以下步骤:
S01:获取跟钻屑堆积有关的录井相关参数
对各录井相关参数进行关联归一处理,获得相关实际参数测量值;
S02:建立相关录井参数正常值预测模型
利用模型获得相关录井参数正常值;
S03:计算录井参数的融合偏差值
将预测的部分录井参数正常值跟相关实际参数测量值进行对比,计算出融合偏差值ΔSTF;
S04:判断是否需要短起
根据融合偏差值ΔSTF,判断是否需要短起;
S05:评价短起效果
将进行短起后的部分录井参数跟预测模型正常值比较,通过融合偏差程度评价短起效果,并且在短起之后删除参数测量异常值。
2.根据权利要求1所述的智能化判断钻井短起最佳时机的方法,其特征在于:所述S01中,录井相关参数为大钩负荷、大钩高度、立管压力、测量井深、垂直井深、钻头测量深度、钻头垂直深度。
3.根据权利要求2所述的智能化判断钻井短起最佳时机的方法,其特征在于:所述S02中,所建立的模型为基于森林优化算法的广义回归神经网络模型,模型输入为测量井深、垂直井深、钻头测量深度、钻头垂直深度,模型输出为大钩负荷、大钩高度、立管压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144394.4A CN113868951A (zh) | 2021-09-28 | 2021-09-28 | 一种智能化判断钻井短起最佳时机的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144394.4A CN113868951A (zh) | 2021-09-28 | 2021-09-28 | 一种智能化判断钻井短起最佳时机的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113868951A true CN113868951A (zh) | 2021-12-31 |
Family
ID=78992027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111144394.4A Pending CN113868951A (zh) | 2021-09-28 | 2021-09-28 | 一种智能化判断钻井短起最佳时机的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113868951A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024072490A1 (en) * | 2022-09-26 | 2024-04-04 | Landmark Graphics Corporation | Pack off indicator for a wellbore operation |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104481398A (zh) * | 2014-12-10 | 2015-04-01 | 中国石油化工股份有限公司 | 一种三维水平井钻井施工方法 |
CN110857626A (zh) * | 2018-08-14 | 2020-03-03 | 中国石油天然气股份有限公司 | 基于综合录井参数的随钻压力预测方法、装置及存储介质 |
US20200386066A1 (en) * | 2019-06-06 | 2020-12-10 | Weatherford Technology Holdings, Llc | Drilling System and Method Using Calibrated Pressure Losses |
EP3833843A1 (de) * | 2019-05-08 | 2021-06-16 | Bentec GmbH Drilling & Oilfield Systems | Landbohranlage und verfahren zum bewegen eines topdrive in einem bohrmast einer landbohranlage |
-
2021
- 2021-09-28 CN CN202111144394.4A patent/CN113868951A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104481398A (zh) * | 2014-12-10 | 2015-04-01 | 中国石油化工股份有限公司 | 一种三维水平井钻井施工方法 |
CN110857626A (zh) * | 2018-08-14 | 2020-03-03 | 中国石油天然气股份有限公司 | 基于综合录井参数的随钻压力预测方法、装置及存储介质 |
EP3833843A1 (de) * | 2019-05-08 | 2021-06-16 | Bentec GmbH Drilling & Oilfield Systems | Landbohranlage und verfahren zum bewegen eines topdrive in einem bohrmast einer landbohranlage |
US20200386066A1 (en) * | 2019-06-06 | 2020-12-10 | Weatherford Technology Holdings, Llc | Drilling System and Method Using Calibrated Pressure Losses |
Non-Patent Citations (1)
Title |
---|
吴绪虎;袁俊;: "综合录井技术在安全钻井生产中的应用", 价值工程, no. 18, 28 June 2020 (2020-06-28) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024072490A1 (en) * | 2022-09-26 | 2024-04-04 | Landmark Graphics Corporation | Pack off indicator for a wellbore operation |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105089620B (zh) | 卡钻的监测***、方法及装置 | |
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 | |
CN113062731B (zh) | 一种钻井井下复杂工况智能识别方法 | |
US10802899B2 (en) | Drilling tubular identification | |
CN107292467A (zh) | 一种钻井风险预测方法 | |
CN103470202A (zh) | 油气井钻井过程中溢流在线综合监测与预警方法 | |
CN114352255B (zh) | 油气钻井井筒状态监测方法及装置 | |
RU2688652C2 (ru) | Способы эксплуатации скважинного бурового оборудования на основе условий в стволе скважины | |
CN113868951A (zh) | 一种智能化判断钻井短起最佳时机的方法 | |
CN107292754A (zh) | 一种钻井风险预测*** | |
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*** | |
CN113323653A (zh) | 一种深水钻井溢流早期预警方法和装置 | |
CN115234220A (zh) | 利用智能钻头实时识别井下粘滑振动的方法及装置 | |
CN114856540A (zh) | 一种基于在线学***井机械钻速随钻预测方法 | |
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 | |
CN110222352B (zh) | 一种预防沉砂卡钻的环空压力监测方法 | |
CN116522583A (zh) | 基于线性回归方法的水平井地层压力预测方法 | |
CN111625916A (zh) | 井壁稳定性值计算方法及*** | |
CN115640759A (zh) | 一种基于机器学习的卡钻预警方法及*** | |
CN117287188A (zh) | 基于井下压力数据流的钻井井漏监测方法 | |
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 | |
CN110032777B (zh) | 一种基于不确定性分析的钻井液密度安全窗口估计方法 | |
CN113536691A (zh) | 一种深水钻井参数优化方法及*** | |
CN116701952B (zh) | 一种基于知识图谱的井下复杂工况识别方法 |
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 |