CN114077861A - 一种钻井过程中实时识别岩性的方法和*** - Google Patents
一种钻井过程中实时识别岩性的方法和*** Download PDFInfo
- Publication number
- CN114077861A CN114077861A CN202010835104.XA CN202010835104A CN114077861A CN 114077861 A CN114077861 A CN 114077861A CN 202010835104 A CN202010835104 A CN 202010835104A CN 114077861 A CN114077861 A CN 114077861A
- Authority
- CN
- China
- Prior art keywords
- lithology
- drilling
- model
- basic model
- real
- 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 103
- 238000000034 method Methods 0.000 title claims abstract description 98
- 230000008569 process Effects 0.000 title claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 5
- 238000005299 abrasion Methods 0.000 abstract description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 4
- 239000003345 natural gas Substances 0.000 abstract description 2
- 239000003209 petroleum derivative Substances 0.000 abstract description 2
- 239000011435 rock Substances 0.000 description 18
- 230000006872 improvement Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 235000019738 Limestone Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000006028 limestone Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- -1 conglomerate Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000010433 feldspar Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供了一种钻井过程中实时识别岩性的方法和***，属于石油天然气勘探开发技术领域。该方法包括：(1)收集邻井数据；(2)构建特征集和标签集：利用邻井数据构建特征集和标签集；(3)训练岩性识别基础模型：利用特征集和标签集训练岩性识别基础模型；(4)实时校正岩性识别基础模型；(5)岩性实时识别：利用校正后的岩性识别基础模型进行岩性实时识别，得到岩性的类别。本发明基于已钻邻井的资料，利用随机森林方法建立岩性识别基础模型，利用概率模型校正基础模型，避免了模型在新井部署中由于地质和工程条件差异导致的预测误差，极大提高了岩性识别的准确性和时效性，为提高钻井速度、降低钻头磨损和提高井下工具寿命提供依据。
Description
技术领域
本发明属于石油天然气勘探开发技术领域，具体涉及一种钻井过程中实时识别岩性的方法和***。
背景技术
石油钻井过程中，对钻井参数的调整主要依据对井下岩性的判断，对于岩性变化剧烈的地层，及时调整钻井参数对于提高钻井速度、降低钻头磨损和提高井下工具寿命具有重要意义。
中国专利公开文献CN105888657B公开了一种利用元素录井进行沉积岩的岩性识别方法，其根据元素录井测量数据作为参数，通过分析各种岩性的化学成分和成岩原理建立一套岩性识别模型，解决了元素录井的岩性随钻判别的问题。该方法通过对岩屑的化学成分分析确定岩石岩性，但是依赖钻井过程中从井口返出岩屑，受迟到时间影响，时效性降低，深井和超深井中尤为明显。中国专利公开文献CN107489417A公开了一种基于XRF录井的岩矿组成反演法砂泥岩岩性识别方法，其主要步骤包括：首先,建立砂泥岩岩矿组成成分反演的理论基础和解释原则,然后计算岩性特征量参数、岩性特征量指数及衍生解释比值参数,建立砂泥岩岩性识别的评价标准与参数组合,建立砂泥岩岩性识别解释评价模型及流程。极大消除了人为主观判断因素影响,实现快速、定量化的岩性识别评价。中国专利公开文献CN111007064A公开了一种基于图像识别的录井岩性智能识别方法，其中包括以下步骤：步骤一：构建基于神经网络的矿物类别智能识别方法；步骤二：应用上述智能识别方法识别石英、长石、岩屑一类矿物类别；步骤三：智能识别神经网络的强化学习与更新,根据诊断结果更新神经网络方法；步骤四：识别岩石颗粒边缘；步骤五：利用神经网络方法识别每个颗粒内部矿物类型；步骤六：根据岩石名称命名方法对每一个颗粒进行命名。
目前，钻井过程中对井下岩性的判断方法主要有五种：
1)电缆测井：在完成某段井眼之后，下入电缆测井工具，如自然伽马、中子孔隙度等，下载电测数据之后，通过专业软件和算法对岩性进行解释，该方法必须待井段完成之后才能获取井下岩性结果，不具备时效性，对实钻过程指导意义不大；
2)随钻测井：在近钻头处安装随钻测量短节，可实时探测井下岩性等信息，但是由于测量短节同钻头之间有一段距离，无法反应钻头处的岩性信息，且费用高昂，难以进行大范围推广应用；
3)地质录井直观判断：钻井现场对岩性的判断主要通过井口返出岩屑判断，但是由于岩屑从井底钻头处运移至井口需要一定时间，且随着井深增加，迟到时间增加，该方法时效性差；
4)经验判断：根据录井参数(钻压、转速、排量、泵压、扭矩、钻时)综合判断井下岩性，对工程师经验要求较高，且难以实现定量评价。
5)数据科学方法：通过模糊数学、多元回归或神经网络等方法建立录井参数同岩性之间的关系，该类方法在一定应用范围内可以取得较高的精度，但是忽略了井间工程和地质环境的差异，在新井模型部署过程中容易产生较大偏差。
发明内容
本发明的目的在于解决上述现有技术中存在的难题，提供一种钻井过程中实时识别岩性的方法和***，解决钻井过程中井下岩性信息实时获取困难的问题。
本发明是通过以下技术方案实现的：
本发明的第一个发明，提供了一种钻井过程中实时识别岩性的方法，所述方法包括：
(1)收集邻井数据；
(2)构建特征集和标签集：利用邻井数据构建特征集和标签集；
(3)训练岩性识别基础模型：利用特征集和标签集训练岩性识别基础模型；
(4)实时校正岩性识别基础模型；
(5)岩性实时识别：利用校正后的岩性识别基础模型进行岩性实时识别，得到岩性的类别。
本发明的进一步改进在于，所述步骤(1)的操作包括：
收集待钻井的邻井的时间序列录井资料和钻井资料，包括：垂深、斜深、排量、钻压、转速、大钩载荷、入口流量、钻井液密度、机械钻速、转盘扭矩、钻头尺寸和钻头型号。
本发明的进一步改进在于，所述步骤(2)的操作包括：
(21)根据录井资料中的斜深、排量、转速和钻压，筛选属于钻进工况的数据；
(22)根据转盘扭矩计算扭矩变异系数，并增加扭矩变异系数特征项后构成原特征集；
(23)对原特征集进行处理，构建新特征集和标签集；
(24)将所有邻井的新特征集和标签集分别拼接成特征集和标签集；
(25)将特征集中的钻头型号的数据和标签集中的岩性的数据均转换成数字，得到最终的特征集和最终的标签集。
本发明的进一步改进在于，所述步骤(21)的操作包括：
从录井资料中筛选出满足下列条件的录井资料；
Qi>1L/s且MDi>MDi-1且RPMi>1rpm且WOBi>1kN
其中，Qi为某点对应的排量；MDi为某点对应的斜深；MDi-1为某点的上一个点对应的斜深；RPMi为某点对应的转速；WOBi为某点对应的钻压。
本发明的进一步改进在于，所述步骤(22)的操作包括：
设定斜深的步长W，以W为滑动窗口，利用下式计算每个井的每个井段内的扭矩变异系数：
每个井段的长度是W米；
式中，VT为转盘扭矩在该井段内的扭矩变异系数；σT为转盘扭矩在该井段内的均方根，单位为kN.m；
为转盘扭矩在该井段内的平均值，单位为kN.m；
然后将计算得到的扭矩变异系数赋值给该井段内的每个点；
最后在每个井的特征集中增加一列特征项构成原特征集，该特征项的值是该井的各个点的扭矩变异系数。
本发明的进一步改进在于，所述步骤(23)的操作包括：
将斜深以S为步长重新插值为等差序列；
以S为窗口，在每个窗口内对原特征集中的每个特征项的值取平均得到每个特征项的平均值，并将该平均值作为该窗口内的该特征项的值，填充到特征集中形成新特征集；
将岩性作为标签集。
本发明的进一步改进在于，所述步骤(24)的操作包括：
将所有邻井的新特征集和标签集，按照斜深打乱顺序；
将打乱顺序后的所有邻井的特征集拼接成特征集，将打乱顺序后的所有邻井的标签集拼接成标签集。
本发明的进一步改进在于，所述步骤(25)的操作包括：
在步骤(24)得到特征集中，对钻头型号的数据进行One-Hot编码，将钻头型号的数据转换成对应的One-Hot编码，并将特征集中的钻头型号的数据逐行替换为对应的One-Hot编码，得到最终的特征集；
在步骤(24)得到标签集中，对岩性的数据进行One-Hot编码，将岩性的数据转换成对应的One-Hot编码，并将标签集中的岩性的数据逐行替换为对应的One-Hot编码，得到最终的标签集。
本发明的进一步改进在于，所述步骤(3)的操作包括：
利用随机森林预测模型构建岩性识别基础模型，并将步骤(2)得到的最终的特征集作为自变量、将最终的标签集作为因变量，对岩性识别基础模型进行训练得到训练后的岩性识别基础模型。
本发明的进一步改进在于，所述步骤(4)的操作包括：
随钻过程中，实时采用与步骤(2)中相同的方法对待钻井的实时录井资料和钻井资料进行处理获得待钻井的最终的特征集；将待钻井的最终的特征集输入到步骤(3)得到的岩性识别基础模型中，岩性识别基础模型实时输出岩性预测结果；
随钻过程中，收集待钻井的已钻井段的岩性分析结果和对应的录井资料和钻井资料，将收集到的岩性分析结果作为岩性实测结果；
每隔一段时间或者每钻进一定深度，利用岩性预测结果和与其对应的岩性实测结果建立概率校正模型，并确定概率校正模型的系数，完成岩性识别模型的校正。
本发明的进一步改进在于，所述概率校正模型如下：
假设待预测岩性共有m种类型，岩性识别基础模型输出的是每种岩性的概率p1,p2,p3,…，pm，而实测某一深度的岩性实测结果对应的岩性概率为y1,y2,y3,…,ym；
所述概率校正模型如下：
其中，P(y＝1|p)为校正之后的概率，p为校正之前的概率，A和B分别为概率校正模型的系数。
本发明的进一步改进在于，所述步骤(5)的操作包括：
将岩性预测结果作为校正之前的概率代入到步骤(4)得到的所述概率校正模型中，计算得到校正之后的概率；
找到校正之后的概率中的最大概率，该最大概率对应的类别即为识别出的岩性的类别，此时实现了岩性实时识别。
本发明的第二个方面，提供了一种岩性识别***，所述岩性识别***包括：历史数据处理单元、基础模型建立单元、实时数据处理单元、模型校正和岩性识别单元、结果输出单元。
所述历史数据处理单元用于采集和存储邻井的录井资料和钻井资料，并利用录井资料和钻井资料构建特征集和标签集；
所述基础模型建立单元与所述历史数据处理单元连接，利用所述历史数据处理单元构建的特征集和标签集训练岩性识别基础模型；
所述实时数据处理单元实时采集待钻井的录井资料和钻井资料，并利用录井资料和钻井资料构建特征集；并实时收集待钻井的已钻井段的岩性分析结果和对应的录井资料和钻井资料；
所述模型校正和岩性识别单元分别与所述实时数据处理单元、所述基础模型建立单元连接，利用所述实时数据处理单元采集的待钻井的已钻井段的岩性分析结果实时对所述基础模型建立单元建立的岩性识别基础模型进行校正，并利用校正后的岩性识别基础模型实时获得岩性的类别；
所述结果输出单元与所述模型校正和岩性识别单元连接，将模型校正和岩性识别单元获得的岩性的类别进行输出，例如可以以文本形式进行可视化展示。
与现有技术相比，本发明的有益效果是：本发明基于已钻邻井的资料，利用随机森林方法基于录井资料和钻井资料建立岩性识别基础模型，利用概率模型校正基础模型，避免了模型在新井部署中由于地质和工程条件差异导致的预测误差，极大提高了岩性识别的准确性和时效性，为提高钻井速度、降低钻头磨损和提高井下工具寿命提供依据。
附图说明
图1为本发明方法的步骤框图。
图2为岩性、钻头One-Hot编码方式示意图。
图3为基于实时录井参数进行钻进工况识别示意图。
图4为某已钻邻井特征数据集和标签集。
图5为某井段识别岩性同实测岩性对比表。
图6为本发明***的结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
由于岩性数据为离散型不连续数据，如砂岩、泥岩、泥质灰岩、砾岩、花岗岩等，且钻井参数与井下岩性响应规律具有高度非线性，因此难以利用数学方法建立钻井参数及响应参数同岩性的理论关系。机器学习分类技术具有进行离散数据分类的能力，且具有强大的高维度非线性问题的映射能力。
本发明设计了一种基于随机森林分类和概率模型校正的岩性实时判别方法和***，能够实现钻井过程中钻头处岩性的实时判别，有效提高钻井井场对井下状况的响应速度，有助于提高钻井速度和效率，提高钻头寿命。
为了解决钻井过程中井下岩性信息实时获取困难的问题，本发明提出了一种基于随机森林的随钻岩性识别方法和***，本发明基于已钻邻井或井段录井资料，利用随机森林算法和概率模型校正方法建立随钻岩性识别模型，考虑了多种特征同正钻岩性之间的响应关系，包括深度、钻压、转速、钩载、排量、钻井液密度、机械钻速、转盘扭矩、转盘扭矩变异系数、钻头尺寸、钻头型号。尤其考虑了新钻井工程和地质条件差异引起的识别偏差，有效提高了钻井过程对井下岩性实时判断的响应速度和准确性，通过及时调整钻井参数以优化钻井速度、降低钻头磨损和提高井下工具寿命。
具体的，如图1所示，本发明方法的实施例如下
【实施例一】
所述方法包括：
(1)收集邻井数据：收集待钻井的邻井的时间序列录井资料和钻井资料。
所述时间序列录井资料和钻井资料包括：垂深、斜深、排量、钻压、转速、大钩载荷、入口流量、钻井液密度、机械钻速、转盘扭矩、钻头尺寸和钻头型号。
(2)构建特征集和标签集：利用所述邻井的时间序列录井资料和钻井资料构建特征集和标签集，具体包括：
(21)根据录井资料中的斜深、排量、转速和钻压，筛选属于钻进工况的数据：从录井资料中筛选出满足下列条件的录井资料，后面所用的数据即该步骤筛选出的录井资料和与其对应的钻井资料；
Qi>1L/s且MDi>MDi-1且RPMi>1rpm且WOBi>1kN
其中，Qi为某点对应的排量，单位为L/s；MDi为某点对应的斜深，单位为m；MDi-1为某点的上一个点对应的斜深，单位为m；RPMi为某点对应的转速，单位为rpm；WOBi为某点对应的钻压，单位为kN。图3为对录井数据进行筛选，提取属于钻进工况的数据。
(22)根据转盘扭矩数据计算扭矩变异系数；
采用滑动窗口方式计算：设定斜深序列数据集的步长W，以W为滑动窗口，逐井计算滑动窗口内的扭矩变异系数：
式中，VT为转盘扭矩在该井段内的扭矩变异系数；σT为转盘扭矩在该井段内的均方根，单位为kN.m；
为转盘扭矩在该井段内的平均值，单位为kN.m。
针对每个邻井，在每个邻井中计算多个井段的扭矩变异系数，每个井段的长度是W米，即对每一口邻井中的每一个井段依次进行计算。
由于采集到的数据量巨大，所以采用滑动窗口来划分井段，计算每个井段的扭矩变异系数，进而减少数据量，然后将计算得出的扭矩变异系数赋值给该滑动窗口内所有数据，例如：假定滑动窗口W为10m，则每隔10m计算一个扭矩变异系数，假设该滑动窗口内共10个点，则将计算出来的扭矩变异系数赋值到这10个点对应的数值项VT上。然后在每个井的特征集中增加一列特征项构成原特征集，该特征项的值就是该井的各个点的扭矩变异系数。
(23)对原特征集进行处理，构建新特征集和标签集。
将斜深以S为步长重新插值为等差序列(即斜深按照0、S、2S、3S排列)，并以S为窗口，在每个窗口内对原特征集中的每个特征项的值取平均得到每个特征项的平均值，并将该平均值对应填充到新特征集内，即分别将每个特征项位于同一个S内的所有值取平均值，将该平均值作为该窗口内的该特征项的值，填充到特征集中形成新特征集。
将岩性作为标签集，即新特征集中是每个S对应一行特征项，标签集中每个S对应一个岩性。
新特征集中的特征项包括：垂深、斜深、排列、钻压、转速、大钩载荷、入口流量、钻井液密度、机械钻速、转盘扭矩、钻头尺寸、钻头型号和扭矩变异系数，称之为新特征集的原因是斜深由于插值发生了变化；
(24)将所有邻井的新特征集和标签集，按照斜深打乱顺序(例如：原始的斜深是增序的，如1 2 3 4 5，按照斜深打乱顺序之后可能为：4 1 3 2 5)，并将打乱顺序后的所有邻井的特征集拼接成特征集，将打乱顺序后的所有邻井的标签集拼接成标签集。
(25)将钻头型号的数据和岩性的数据均转换成数字，得到最终的特征集和最终的标签集：
如图2所示，在步骤(24)得到特征集中，对钻头型号的数据进行One-Hot编码，将特征集中的钻头型号的数据转换成对应的One-Hot编码，得到最终的特征集，具体的，将钻头型号的数据转化成编码后的数字，例如将“ST915”这种钻头型号转换成【1，0，0，0，0】编码，并将特征集中的特征项中的“ST915”对应的值逐行替换为1，0，0，0，0，形成最终的特征集。
在步骤(24)得到标签集中，对岩性的数据进行One-Hot编码，将岩性的数据转换成数字，并将标签集中的岩性的数据逐行替换成对应的One-Hot编码，得到最终的标签集，具体的，将岩性的数据转化成编码后的数字，例如将“灰岩”这种岩性数据转换成【0，0，0，1，0】编码，并将标签集中的特征项中的“灰岩”对应的值逐行替换为0，0，0，1，0。形成最终的标签集。
(3)训练岩性识别基础模型：
利用随机森林预测模型构建岩性识别基础模型，并将步骤(2)得到的最终的特征集作为自变量、将最终的标签集作为因变量，对岩性识别基础模型进行训练得到训练后的岩性识别基础模型。
具体的，随机森林预测模型是和神经网络并列的一种机器学习方法，对其原理简介如下：输入特征集，用标签集对随机森林进行训练，训练好后，输入特征集，随机森林预测模型输出岩性预测结果，这些均是采用现有方法实现，在此不再赘述。
所述随机森林模型具有样本量适应能力强、不需要特征归一化、超参数少易于调参等优点，采用超参数搜索和K折交叉验证方法确定随机森林超参数，并对超参数进行优化获得优化后的随机森林超参数。超参数优化方法可采用网格搜索、随机搜索和贝叶斯优化方法(这些均是采用现有方法实现，在此不再赘述)。
采用优化后的随机森林超参数，利用步骤(2)得到的最终的特征集和最终的标签集训练随机森林模型得到岩性识别基础模型。利用特征集、标签集和随机森林预测模型训练得到岩性识别基础模型的方法采用随机森林方法即可实现，在此不再赘述。图4为用于建立岩性识别基础模型的样本数据。
(4)实时校正岩性识别模型：
随钻过程中，实时采用与步骤(2)中相同的方法对待钻井的实时录井资料和钻井资料进行处理获得待钻井的最终的特征集；将待钻井的最终的特征集输入到步骤(3)得到的岩性识别基础模型中，岩性识别基础模型实时输出岩性预测结果；
随钻过程中，收集待钻井的已钻井段的岩性分析结果和对应的录井资料和钻井资料，将收集到的岩性分析结果作为岩性实测结果；
每隔一段时间或者每钻进一定深度，利用岩性预测结果和与其对应的岩性实测结果(即相同的录井资料、钻井资料对应的预测结果和岩性实测结果)建立概率校正模型，并通过迭代算法确定概率校正模型的系数，完成岩性识别模型的校正。
具体的，所述概率校正模型如下：
假设待预测岩性共有m种类型，岩性识别基础模型输出的是每种岩性的概率p1,p2,p3,…，pm，而实测某一深度的岩性实测结果对应的岩性概率为y1,y2,y3,…,ym。
岩性识别基础模型输出的是概率，yi对应的是该深度的岩性为岩性i的概率，例如：岩性识别基础模型输出的概率为0.1,0.2,0.5,0.2，表示岩性为砂岩，泥岩，粉砂岩，灰岩的概率分别为0.1,0.2,0.5,0.2，岩性实测结果为某种岩性，需要将岩性实测结果转换成概率形式，例如岩性实测结果为泥岩，则将其转换成砂岩，泥岩，粉砂岩，灰岩的概率分别为0,1,0,0，概率分量的和等于1。
通过岩性实测数据和岩性预测数据，利用下式对岩性识别基础模型输出的概率进行校正：
上式即为概率校正模型。
其中，P(y＝1|p)为校正之后的概率，p为校正之前的概率(即岩性识别基础模型输出的概率)，A和B分别为概率校正模型的系数。
将岩性实测数据作为校正之后的概率，将与岩性实测数据对应的岩性预测数据作为校正之前的概率，将最小化交叉熵作为损失函数，采用迭代算法优化确定概率校正模型的系数A和B，这些均是现有技术，在此不再赘述。
(5)岩性实时识别：
将岩性预测结果作为校正之前的概率代入到步骤(4)得到的所述概率校正模型中，计算得到校正之后的概率；
找到校正之后的概率中的最大概率，该最大概率对应的类别即为识别出的岩性类型，此时实现了岩性实时识别。
在随钻过程中，钻井液会不断地将钻头处的岩屑携带至地面，对岩屑进行处理分析(采用现有方法即可，在此不再赘述。)后获得其岩性，即待钻井的已钻井段的岩性分析结果，将其作为岩性实测结果。由于将岩屑从井下携带至地面需要一段时间，而且对岩屑进行处理分析也需要一段时间，但钻进过程是不停止的，因此当得到岩性实测结果时，钻头已经又钻进了一段距离，而新钻进的这段距离的岩性实测结果是无法立刻获得的，此时利用岩性识别基础模型实时获得新钻进的这段距离的岩性预测结果即实现了对岩性的实时识别。
为了使预测结果更加准确，、本发明根据已经得到的岩性实测结果对岩性识别基础模型进行不断地校正，具体的，本发明每隔一段时间或者每钻进一定深度进行一次校正，即每隔一段时间(例如24小时)或者每钻进一定深度(例如H米)利用新获得的岩性实测结果重新计算获得概率校正模型中的参数A和B的值，然后将新的A和B的值代入概率校正模型中得到更新后的概率校正模型，在后续的预测过程中，使用该更新后的概率校正模型对岩性识别基础模型输出的概率进行校正，获得校正之后的概率。一直利用该更新后的概率校正模型进行校正，直到下一次重新计算得到新的A和B的值，即得到再一次更新后的概率校正模型为止。校正所用到的岩性实测结果的数量可以根据实际需要进行设计，例如最新的100组岩性实测结果，下一次校正又用新得到的100组岩性实测结果。
例如每50米校正一次，在钻进过程中，利用岩性识别基础模型实时获得岩性预测结果，同时利用已经获得的岩性实测结果与该钻进部分对应的预测结果获得概率校正模型中参数A、B，即将岩性实测结果作为概率校正模型中的校正后的概率，将岩性预测结果作为概率校正模型中的校正前的概率，将两者代入到概率校正模型中获得参数A、B的值。该50米内的校正均采用该A、B的值，直到下一个50米重新获得新的A、B的值为止。
图5为模型识别结果和时间延迟之后的捞砂解释结果对比，从图5可知本发明方法能够取得较高的识别精度。
本发明提供的岩性实时识别***的实施例如下：
【实施例二】
如图6所示，本发明的第二个方面，提供了一种岩性识别***，所述岩性识别***包括：历史数据处理单元10、基础模型建立单元20、实时数据处理单元30、模型校正和岩性识别单元40、结果输出单元50。
所述历史数据处理单元10用于采集和存储邻井的录井资料和钻井资料，并利用录井资料和钻井资料构建特征集和标签集；具体的，采用上述方法中的步骤(2)构建特征集和标签集；
所述基础模型建立单元20与所述历史数据处理单元10连接，利用所述历史数据处理单元10构建的特征集和标签集训练岩性识别基础模型；具体的，采用上述方法中的步骤(3)训练岩性识别基础模型；
所述实时数据处理单元30实时采集待钻井的录井资料和钻井资料，并利用录井资料和钻井资料构建特征集；并实时收集待钻井的已钻井段的岩性分析结果和对应的录井资料和钻井资料；具体的，采用上述方法中的步骤(2)构建特征集。
所述模型校正和岩性识别单元40分别与所述实时数据处理单元30、所述基础模型建立单元20连接，利用所述实时数据处理单元30采集的待钻井的已钻井段的岩性分析结果实时对所述基础模型建立单元20建立的岩性识别基础模型进行校正，并利用校正后的岩性识别基础模型实时获得岩性的类型。具体的，采用上述方法中的步骤(4)实时对所述基础模型建立单元20建立的岩性识别基础模型进行校正，采用上述方法中的步骤(5)实时获得岩性的类别。
所述结果输出单元50与所述模型校正和岩性识别单元40连接，将模型校正和岩性识别单元40获得的岩性类别进行输出，例如可以以文本形式进行可视化展示。
本发明有效提高了钻井过程对井下岩性实时判断的响应速度和准确性。考虑了多种特征同正钻岩性之间的响应关系，包括深度、钻压、转速、钩载、排量、钻井液密度、机械钻速、转盘扭矩、转盘扭矩变异系数、钻头尺寸、钻头型号。利用邻井数据基于随机森林算法建立岩性识别基础模型，利用正钻井已标记井段数据校正基础模型，接入实时录井和钻头信息实现正钻岩石岩性识别。
最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
Claims (13)
1.一种钻井过程中实时识别岩性的方法，其特征在于：所述方法包括：
(1)收集邻井数据；
(2)构建特征集和标签集：利用邻井数据构建特征集和标签集；
(3)训练岩性识别基础模型：利用特征集和标签集训练岩性识别基础模型；
(4)实时校正岩性识别基础模型；
(5)岩性实时识别：利用校正后的岩性识别基础模型进行岩性实时识别，得到岩性的类别。
2.根据权利要求1所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(1)的操作包括：
收集待钻井的邻井的时间序列录井资料和钻井资料，包括：垂深、斜深、排量、钻压、转速、大钩载荷、入口流量、钻井液密度、机械钻速、转盘扭矩、钻头尺寸和钻头型号。
3.根据权利要求2所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(2)的操作包括：
(21)根据录井资料中的斜深、排量、转速和钻压，筛选属于钻进工况的数据；
(22)根据转盘扭矩计算扭矩变异系数，并增加扭矩变异系数特征项后构成原特征集；
(23)对原特征集进行处理，构建新特征集和标签集；
(24)将所有邻井的新特征集和标签集分别拼接成特征集和标签集；
(25)将特征集中的钻头型号的数据和标签集中的岩性的数据均转换成数字，得到最终的特征集和最终的标签集。
4.根据权利要求3所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(21)的操作包括：
从录井资料中筛选出满足下列条件的录井资料；
Qi>1L/s且MDi>MDi-1且RPMi>1rpm且WOBi>1kN
其中，Qi为某点对应的排量；MDi为某点对应的斜深；MDi-1为某点的上一个点对应的斜深；RPMi为某点对应的转速；WOBi为某点对应的钻压。
5.根据权利要求4所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(22)的操作包括：
设定斜深的步长W，以W为滑动窗口，利用下式计算每个井的每个井段内的扭矩变异系数：
每个井段的长度是W米；
式中，VT为转盘扭矩在该井段内的扭矩变异系数；σT为转盘扭矩在该井段内的均方根，单位为kN.m；
为转盘扭矩在该井段内的平均值，单位为kN.m；
然后将计算得到的扭矩变异系数赋值给该井段内的每个点；
最后在每个井的特征集中增加一列特征项构成原特征集，该特征项的值是该井的各个点的扭矩变异系数。
6.根据权利要求5所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(23)的操作包括：
将斜深以S为步长重新插值为等差序列；
以S为窗口，在每个窗口内对原特征集中的每个特征项的值取平均得到每个特征项的平均值，并将该平均值作为该窗口内的该特征项的值，填充到特征集中形成新特征集；
将岩性作为标签集。
7.根据权利要求6所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(24)的操作包括：
将所有邻井的新特征集和标签集，按照斜深打乱顺序；
将打乱顺序后的所有邻井的特征集拼接成特征集，将打乱顺序后的所有邻井的标签集拼接成标签集。
8.根据权利要求7所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(25)的操作包括：
在步骤(24)得到特征集中，对钻头型号的数据进行One-Hot编码，将钻头型号的数据转换成对应的One-Hot编码，并将特征集中的钻头型号的数据逐行替换为对应的One-Hot编码，得到最终的特征集；
在步骤(24)得到标签集中，对岩性的数据进行One-Hot编码，将岩性的数据转换成对应的One-Hot编码，并将标签集中的岩性的数据逐行替换为对应的One-Hot编码，得到最终的标签集。
9.根据权利要求8所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(3)的操作包括：
利用随机森林预测模型构建岩性识别基础模型，并将步骤(2)得到的最终的特征集作为自变量、将最终的标签集作为因变量，对岩性识别基础模型进行训练得到训练后的岩性识别基础模型。
10.根据权利要求9所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(4)的操作包括：
随钻过程中，实时采用与步骤(2)中相同的方法对待钻井的实时录井资料和钻井资料进行处理获得待钻井的最终的特征集；将待钻井的最终的特征集输入到步骤(3)得到的岩性识别基础模型中，岩性识别基础模型实时输出岩性预测结果；
随钻过程中，收集待钻井的已钻井段的岩性分析结果和对应的录井资料和钻井资料，将收集到的岩性分析结果作为岩性实测结果；
每隔一段时间或者每钻进一定深度，利用岩性预测结果和与其对应的岩性实测结果建立概率校正模型，并确定概率校正模型的系数，完成岩性识别模型的校正。
11.根据权利要求10所述的钻井过程中实时识别岩性的方法，其特征在于：所述概率校正模型如下：
假设待预测岩性共有m种类型，岩性识别基础模型输出的是每种岩性的概率p1,p2,p3,…，pm，而实测某一深度的岩性实测结果对应的岩性概率为y1,y2,y3,…,ym；
所述概率校正模型如下：
其中，P(y＝1|p)为校正之后的概率，p为校正之前的概率，A和B分别为概率校正模型的系数。
12.根据权利要求11所述的钻井过程中实时识别岩性的方法，其特征在于：所述步骤(5)的操作包括：
将岩性预测结果作为校正之前的概率代入到步骤(4)得到的所述概率校正模型中，计算得到校正之后的概率；
找到校正之后的概率中的最大概率，该最大概率对应的类别即为识别出的岩性的类别。
13.一种岩性识别***，其特征在于：所述岩性识别***包括：历史数据处理单元、基础模型建立单元、实时数据处理单元、模型校正和岩性识别单元、结果输出单元；
所述历史数据处理单元用于采集和存储邻井的录井资料和钻井资料，并利用录井资料和钻井资料构建特征集和标签集；
所述基础模型建立单元与所述历史数据处理单元连接，利用所述历史数据处理单元构建的特征集和标签集训练岩性识别基础模型；
所述实时数据处理单元实时采集待钻井的录井资料和钻井资料，并利用录井资料和钻井资料构建特征集；并实时收集待钻井的已钻井段的岩性分析结果和对应的录井资料和钻井资料；
所述模型校正和岩性识别单元分别与所述实时数据处理单元、所述基础模型建立单元连接，利用所述实时数据处理单元采集的待钻井的已钻井段的岩性分析结果实时对所述基础模型建立单元建立的岩性识别基础模型进行校正，并利用校正后的岩性识别基础模型实时获得岩性的类别；
所述结果输出单元与所述模型校正和岩性识别单元连接，将模型校正和岩性识别单元获得的岩性的类别进行输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010835104.XA CN114077861A (zh) | 2020-08-19 | 2020-08-19 | 一种钻井过程中实时识别岩性的方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010835104.XA CN114077861A (zh) | 2020-08-19 | 2020-08-19 | 一种钻井过程中实时识别岩性的方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114077861A true CN114077861A (zh) | 2022-02-22 |
Family
ID=80282002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010835104.XA Pending CN114077861A (zh) | 2020-08-19 | 2020-08-19 | 一种钻井过程中实时识别岩性的方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114077861A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896468A (zh) * | 2022-04-24 | 2022-08-12 | 北京月新时代科技股份有限公司 | 基于神经网络的文件类型匹配方法和数据智能录入方法 |
-
2020
- 2020-08-19 CN CN202010835104.XA patent/CN114077861A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896468A (zh) * | 2022-04-24 | 2022-08-12 | 北京月新时代科技股份有限公司 | 基于神经网络的文件类型匹配方法和数据智能录入方法 |
| CN114896468B (zh) * | 2022-04-24 | 2024-02-02 | 北京月新时代科技股份有限公司 | 基于神经网络的文件类型匹配方法和数据智能录入方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852018B (zh) | 基于神经网络的pso钻井参数优化方法 | |
| US8145462B2 (en) | Field synthesis system and method for optimizing drilling operations | |
| RU2723805C9 (ru) | Способ и компьютерная система управления бурением скважин | |
| 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 | |
| US20180238148A1 (en) | Method For Computing Lithofacies Probability Using Lithology Proximity Models | |
| CN106795748B (zh) | 基于与机械比能的变量相对应的钻探数据来确定完井设计的一个或多个参数 | |
| CN113553780B (zh) | 一种基于机器学习的地层孔隙压力预测方法 | |
| US11781416B2 (en) | Determination of elastic properties of a geological formation using machine learning applied to data acquired while drilling | |
| CN107895092B (zh) | 一种基于复杂非线性注采建模的井间连通定量评价方法 | |
| CN110805469A (zh) | 山岭隧道钻爆法施工掌子面稳定性分级方法 | |
| CN113094924B (zh) | 一种水力喷射压裂施工参数的优化方法及*** | |
| CN110852908A (zh) | 围岩分级方法 | |
| CN113689055A (zh) | 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法 | |
| CN104428492A (zh) | 使用矿物学确定压裂刺激点的布置的***、方法、和计算机程序产品 | |
| CN107861917A (zh) | 水平井中多元数据联合计算井眼到地层边界距离的方法 | |
| CN114117881A (zh) | 一种出砂风险预测方法及*** | |
| CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及*** | |
| Gowida et al. | Synthetic well-log generation: New approach to predict formation bulk density while drilling using neural networks and fuzzy logic | |
| NO20180859A1 (en) | Classification and regression tree analysis of formation realizations | |
| CN114077861A (zh) | 一种钻井过程中实时识别岩性的方法和*** | |
| CN115438090A (zh) | 基于掉块图像特征的井壁失稳类型分析及预测方法及*** | |
| US20230212937A1 (en) | Automated electric submersible pump (esp) failure analysis | |
| WO2022216302A1 (en) | Real time dull bit grading modeling and process technique | |
| CN116432855A (zh) | 一种基于掘进数据的隧道塌方情况的预测方法 | |
| CN115875029A (zh) | 一种基于随钻录井分形维数的潜山储层物性评价方法 |
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 |