CN115234220A - 利用智能钻头实时识别井下粘滑振动的方法及装置 - Google Patents
利用智能钻头实时识别井下粘滑振动的方法及装置 Download PDFInfo
- Publication number
- CN115234220A CN115234220A CN202211047805.2A CN202211047805A CN115234220A CN 115234220 A CN115234220 A CN 115234220A CN 202211047805 A CN202211047805 A CN 202211047805A CN 115234220 A CN115234220 A CN 115234220A
- Authority
- CN
- China
- Prior art keywords
- drill bit
- stick
- data
- measurement data
- slip vibration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 109
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000005553 drilling Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000035772 mutation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material 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
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种利用智能钻头实时识别井下粘滑振动的方法及装置。其中,该方法包括:利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据;基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型,识别所述智能钻头处的粘滑振动。本发明解决了相关技术中无法识别井下粘滑振动情况的技术问题。
Description
技术领域
本发明涉及石油工程领域,具体而言,涉及一种利用智能钻头实时识别井下粘滑振动的方法及装置。
背景技术
随着油气勘探开发的进行,钻井工程所面临的地质情况日益复杂,复杂地质条件下,钻井效率低下,井下钻头动态不明,钻井参数选择次优,为安全钻井埋下一定的风险隐患。
近年来,随着各类钻头在钻井中的研究不断加深,利用井下数据评价水平井及定向井钻头反扭距情况、评价钻头及钻具组合优化情况,井下复杂工况识别的研究变得日益重要。
在复杂地层段,凭借经验钻井往往事故不断,造成资金和时间的巨大浪费,随着钻井深度的增加,钻井事故以及复杂工况发生的概率会越来越高,会不同程度的发生粘滑、卡钻、跳钻等钻井事故。
因此井下近钻头工程测量数据的应用对井下故障的诊断、预测和评价研究具有重要的工程价值。然而目前国内对于井下复杂工况的识别多数都基于地面数据,地面数据与井下数据差异大,难以进行更加精细的分析。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种利用智能钻头实时识别井下粘滑振动的方法及装置,以至少解决相关技术中无法识别井下粘滑振动情况的技术问题。
根据本发明实施例的一个方面,提供了一种利用智能钻头实时识别井下粘滑振动的方法,包括:利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据;基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型,识别所述智能钻头处的粘滑振动。
在一个示例中,所述工程测量数据包括以下至少之一:所述智能钻头工作时钻头本体的轴向振动、法向振动、所述智能钻头的钻压、扭矩、转速、温度、环空压力和内部压力。
在一个示例中,所述粘滑振动识别模型是通过以下方法构建并训练的:获取历史工程测量数据,对所述历史工程测量数据进行数据预处理,提取数据特征值;利用遗传算法对处理后的所述历史工程测量数据进行数据优化;利用优化后的数据构建并训练所述粘滑振动识别模型。
在一个示例中,对所述历史工程测量数据进行数据预处理,提取数据特征值,包括:整合同一口井的不同深度、不同井次的所述历史工程测量数据,并将所述历史工程测量数据整合为一段接近所述智能钻头的测量数据集;将所述测量数据集中由传感器自身误差造成的测量异常数据进行数据清洗,所述数据清洗包括检测异常数据、剔除异常数据和补充缺失数据;对所述测量数据集中的数据进行时域及频域分析,确定井下正常钻进时与粘滑振动发生时,所述工程测量数据所包含时域及频域数据的异同,并提取数据特征值。
在一个示例中,利用遗传算法对处理后的所述历史工程测量数据进行数据优化,包括:对处理后的所述历史工程测量数据进行数据优化,并采用随机编码生成初始种群,其中,各个种群染色体的变量数各不相同;计算目标函数,对个体适应度进行评估,基于个体适应度的评估结果,对每个种群进行选择、交叉、变异生成新种群,并重新进行适应度评估,得到神经网络的初始化权值和阈值。
在一个示例中,所述粘滑振动识别模型包括输入层、多个隐含层、输出层,其中,多个所述隐含层的节点数是基于输入层节点数、输出层节点数以及校正因子计算得到的。
在一个示例中,将所述粘滑振动识别模型识别的结果通过电磁波或利用井下脉冲发射装置传送至地面,以用于地面人员判断所述智能钻头的状态。
根据本发明实施例的另一方面,还提供了一种利用智能钻头实时识别井下粘滑振动的装置,包括:测量模块,被配置为利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据;识别模块,被配置为基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型,识别所述智能钻头处的粘滑振动。
根据本发明实施例的另一方面,还提供了一种智能钻头,包括钻头本体和如上所述的利用智能钻头实时识别井下粘滑振动的装置,设置在所述钻头本体上。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,其上存储有程序,在所述程序运行时,使得计算机执行如上所述的方法。
在本发明实施例中,智能钻头获取井下近钻头工程测量数据;对获取的近钻头工程测量数据预处理、数据优化、建立粘滑振动识别模型,粘滑振动识别模型在井下智能钻头钻进时可以实时判断井下钻头是否发生粘滑振动,其结果可以通过电磁波或利用井下脉冲发射装置传送至地面,供地面工作人员分析判断,以此来提高井下钻井效率,进而解决了相关技术中无法识别井下粘滑振动情况的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本申请实施例的一种利用智能钻头实时识别井下粘滑振动的方法的流程图;
图2是根据本申请实施例的另一种利用智能钻头实时识别井下粘滑振动的方法的流程图;
图3是根据本申请实施例的智能钻头的结构示意图;
图4是根据本申请实施例的基于神经网络构建粘滑振动识别模型的方法的流程图;
图5是根据本申请实施例的又一种利用智能钻头实时识别井下粘滑振动的方法的流程图;
图6是根据本申请实施例的一种利用智能钻头实时识别井下粘滑振动的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种利用智能钻头实时识别井下粘滑振动的方法,如图1所示,该方法包括:
步骤S102,利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据;
步骤S104,基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型,识别所述智能钻头处的粘滑振动。
在一个示例中,所述工程测量数据包括以下至少之一:所述智能钻头工作时钻头本体的轴向振动、法向振动、所述智能钻头的钻压、扭矩、转速、温度、环空压力和内部压力。
在一个示例中,所述粘滑振动识别模型是通过以下方法构建并训练的:获取历史工程测量数据,对所述历史工程测量数据进行数据预处理,提取数据特征值;利用遗传算法对处理后的所述历史工程测量数据进行数据优化;利用优化后的数据构建并训练所述粘滑振动识别模型。
在一个示例中,对所述历史工程测量数据进行数据预处理,提取数据特征值,包括:整合同一口井的不同深度、不同井次的所述历史工程测量数据,并将所述历史工程测量数据整合为一段接近所述智能钻头的测量数据集;将所述测量数据集中由传感器自身误差造成的测量异常数据进行数据清洗,所述数据清洗包括检测异常数据、剔除异常数据和补充缺失数据;对所述测量数据集中的数据进行时域及频域分析,确定井下正常钻进时与粘滑振动发生时,所述工程测量数据所包含时域及频域数据的异同,并提取数据特征值。
在一个示例中,利用遗传算法对处理后的所述历史工程测量数据进行数据优化,包括:对处理后的所述历史工程测量数据进行数据优化,并采用随机编码生成初始种群,其中,各个种群染色体的变量数各不相同;计算目标函数,对个体适应度进行评估,基于个体适应度的评估结果,对每个种群进行选择、交叉、变异生成新种群,并重新进行适应度评估,得到神经网络的初始化权值和阈值。
在一个示例中,所述粘滑振动识别模型包括输入层、多个隐含层、输出层,其中,多个所述隐含层的节点数是基于输入层节点数、输出层节点数以及校正因子计算得到的。
在一个示例中,将所述粘滑振动识别模型识别的结果通过电磁波或利用井下脉冲发射装置传送至地面,以用于地面人员判断所述智能钻头的状态。
井下近钻头工程测量数据的高效获取与应用是一直是急需解决的难题。为有效提高钻井效率,预防井下事故的发生,不仅要求工具能满足井下复杂的工作环境,测量精度要高,更要尽量靠近钻头,捕获钻头的真实工作状态。本实施例,收集近钻头处的工程测量数据,识别井下粘滑振动情况,可以快速制定和调整钻井参数,从而进一步优化钻井参数,有助于减少井下工具障碍,还可以提高井下作业的整体效率。
实施例2
根据本发明实施例,提供了一种利用智能钻头实时识别井下粘滑振动的方法。
图2是根据本发明实施例的利用智能钻头实时识别井下粘滑振动的方法的流程图,如图2所示,该方法包括:
步骤S202,获取井下智能钻头的工程测量数据。
智能钻头例如智能PDC钻头的测量工具测量得到钻头的轴向振动、法向振动、轴向振动;还可以测量钻头工作时的钻压、扭矩、转速、温度、环空压力和内部压力。
图3是根据本申请实施例的智能钻头整体结构示意图,如图3所示,智能钻头100包括:钻头主体101与钻头状态监测***102。钻头状态监测***102上开有三个凹槽,一个传感器安装孔240。第一凹槽210安装有钻头状态监测***,第二凹槽220与第三凹槽(未示出)安装有电池。钻头状态监测***102上的传感器安装孔240内安装有温压一体的传感器。
步骤S204,构建粘滑振动识别模型。
由于粘滑振动识别模型的构建过程需要处理大量的数据,因此为了节约时间,在训练模型时在地面采用具有较高计算性能的计算机去训练神经网络模型,在实际钻井中,粘滑振动识别模型仅在井下实时完成识别工作。
粘滑振动识别模型的构建及训练将在下面的实施例中详细描述,此处不再赘述。
步骤S206,将粘滑振动识别模型写入智能钻头的钻头状态监测***的微处理器。
在井下智能PDC钻头的钻头状态监测***的微处理器中写入的粘滑振动识别模型。
步骤S208,识别智能钻头处的粘滑振动。
智能钻头工作时,通过智能钻头的钻头状态监测***,实时获取井下近钻头的工程测量数据,将该工程测量数据输入到构建的粘滑振动识别模型中。用预先基于神经网络建立的粘滑振动识别模型,识别所述智能钻头处的粘滑振动,以对井下是否发生粘滑进行实时识别。
由于在步骤204中,粘滑振动识别模型无需在现场构建,降低了对井下钻头的钻头状态监测***102中微处理器的性能需求,因此在识别粘滑时数据的微处理器的处理能力弱于构建神经网络模型时的处理器的处理能力。
步骤S210,将识别结果发送回地面。
判断结果可以通过电磁波或利用井下脉冲发射装置传送回地面,供地面工作人员分析判断,以此来提高井下钻井效率,判断结果也可以存储在井下测量***内的存储器中,待钻头出井后进行钻后分析。
本申请实施例提供的方法可以最大限度的降低数据在传输过程中造成的误差,相较于传统的粘滑振动识别方式具有高效、准确、快捷的优势,本方法可以极大提高数据识别精度。
实施例3
根据本发明实施例,提供了一种构建及训练粘滑振动识别模型的方法。粘滑振动识别模型是利用历史工程测量数据通过BP神经网络算法建立的。如图4所示,构建及训练粘滑振动识别模型包括以下步骤:
步骤S402,采集历史工程测量数据。
获取智能钻头测量参数历史数据,即历史工程测量数据。智能钻头100下井工作,在进入井下后,钻头状态监测***102可以测量钻头工作时本体的轴向振动、法向振动、轴向振动;还可以测量钻头工作时的钻压、扭矩、转速、温度、环空压力和内部压力。并将其测量数据输入处理电路。处理电路通过信号调理单元将模拟电信号转化成数字信号,将测得的信号传输到井下微处理器。
步骤S404,数据预处理。
微处理器整合同一口井,不同深度,不同井次的历史工程测量数据,将历史工程测量数据整合为一段较为完整的近钻头工程测量数据测量数据集。
检测异常数据,剔除异常数据,补充缺失数据。这样处理的目的是减小由传感器自身测量误差造成的判断出错的概率。分析井下正常钻进时与粘滑振动发生时井下钻处的工程测量数据所包含时域及频域数据的异同。
步骤S406,提取特征值。
对钻压、扭矩、转速、轴向振动、法向振动、切向振动、温度、环空压力及内压等数据提取数据时域及频域特征值,并对其数据特征样本进行标准化:
x=(x-min)/(max-min)
其中,x表示数据集中将要归一化处理的数据,min表示数据集中最小值,max表示数据集中最大值。
步骤S408,计算适应度值。
利用上述参数构建GA-BP神经网络的粘滑振动识别模型。利用遗传算法,通过模拟自然进化过程来寻找最优解对数据集进行优化,可以很好的优化BP神经网络的初始化权值和阈值,克服局部最优解,提高网络收敛速度和稳定性。
具体地,利用遗传算法,通过模拟自然进化过程来寻找最优解对数据集进行优化,采用随机编码生成初始种群,各种群染色体的变量数各不相同。计算目标函数,对个体适应度进行评估,目标函数的计算公式为:
其中,n表示数据集中数据长度,Xk表示数据真实值,xk表示数据预测值。
目标函数实质为预测值与实际值的均方差,故目标函数越小,适应度越大。
步骤S410,选择、交叉、变异操作。
对每个种群进行选择、交叉、变异生成新种群,并重新进行适应度评估。采用实数交叉法进行计算,第i个染色体ai与第e个染色体ae在g位的交叉操作公式如下:
其中,b为0到1的随机数,aig表示第i个染色体g位,aeg表示第e个染色体g位。如果个体在迭代中被选为变异,变异公式如下:
其中,i表示种群中第i个个体,aij表示个体i的第j个基因,amax、amin分别为基因的上下限,b为0到1的随机数。
n为当前迭代次数,N为最大迭代次数。
在自适应遗传算法中,交叉率和变异率的表达式为:
fmax为每一代种群的最大适应度值,fm为每一代种群的平均适应度值,famax为要交叉的两个个体中较大适应度值,f为要变异个体的适应度值,Pcmax为最大交叉率,Pcmin为最小交叉率。Pmmax为最大变异率,Pmmin为最小变异率。在进化初期,群体中较优的个体基本不发生变化,导致进化缓慢从而又可能陷入局部最优的困境。
在本申请实施例中,改进自适应遗传算法后,个体之间的交叉概率和变异概率能够随着适应度进行动态调整,既保持了群体进化的多样性,加快了遗传算法的收敛速度,又提高了神经网络的训练速度。
改进后交叉操作中交叉率表达式为:
其中,n为当前迭代次数,N为最大迭代次数,σ为0到1内的随机因子,fmax为每一代种群的最大适应度值,fm为每一代种群的平均适应度值,famax为要交叉的两个个体中较大适应度值,f为要变异个体的适应度值,Pcmax为最大交叉率,Pcmin为最小交叉率。
变异操作中变异率表达式为:
其中,n为当前迭代次数,N为最大迭代次数,σ为0到1内的随机因子fmax为每一代种群的最大适应度值,fm为每一代种群的平均适应度值,f为要变异个体的适应度值,Pmmax为最大变异率,Pmmin为最小变异率。
本申请实施例,通过上述方案,不仅解决了种群进化初期个体进化停滞的问题,也避免了个体有相近适应度时带来的局部收敛问题。其思想尤其表现在进化初期,加入了随机变化因子,提高了优势群体的变化性,避免了陷入局部最优的困境,当种群中的大部分个体拥有相近的适应度且平均适应度与最大适应度接近时,大多数个体的交叉率和变异率被提高,从而使算法的稳定性显著提高。
步骤S412,重新计算适应度值。
步骤S414,判断是否满足约束条件。
判断是否满足BP神经网络优化条件,若满足,则优化过程结束。若不满足,执行步骤S410,重新计算适应度值。
步骤S416,BP神经网络。
BP神经网络是包含多个隐含层的网络,是一种强调网络采用误差反向传播的学习算法,属于多层前向神经网络,它由一个输入层、一个输出层和若干个隐含层构成。为了较合理选择隐藏层h的节点数,通常借助经验公式确定隐藏层h的节点数:
其中,input表示输入层节点数,output表示输出层节点数,α是校正因子,表示1到10的整数。
遗传算法可以很好的优化BP神经网络的初始化权值和阈值,克服局部最优解,提高网络收敛速度和稳定性。
实施例4
根据本发明实施例,提供了一种利用智能钻头实时识别井下粘滑振动的方法。如图5所示,该方法包括以下步骤:
步骤S502,采集历史工程测量数据。
智能钻头例如智能PDC钻头可以包括钻头部分及钻头状态监测***。
智能PDC钻头利用钻头状态监测***中的测量工具测量得到钻头处的工程测量数据。智能PDC钻头测量***可以测量钻头工作时本体的轴向振动、法向振动、切向振动;还可以测量钻头工作时的钻压、扭矩、转速、温度、环空压力和内部压力。测量***包括微处理器、温度、振动、转速传感器,存储器。测量工具可以在起钻后提取包含时间戳的记录数据。
步骤S504,数据预处理。
数据预处理主要包括数据整合、数据处理、数据分析、数据特征值提取。
数据整合主要整合同一口井的不同深度、不同井次数据,将数据整合为一段较为完整的近钻头工程测量数据的测量数据集。
数据处理是将由传感器自身误差造成的测量异常数据进行清洗,数据清洗包括检测异常数据,剔除异常数据,补充缺失数据。其目的是减小由传感器自身测量误差造成的判断出错的概率。
数据分析是对历史工程测量数据进行时域及频域分析,分析井下正常钻进时与粘滑振动发生时,井下钻处的工程测量数据所包含时域及频域数据的异同。
特征值提取是对钻压、扭矩、转速、轴向振动、法向振动、切向振动、温度、环空压力及内压等数据进行时域、频域分析,提取数据特征值。
步骤S506,数据优化。
数据优化主要利用遗传算法,通过模拟自然进化过程来寻找最优解对数据集进行优化,可以很好的优化BP神经网络的初始化权值和阈值,克服局部最优解,提高网络收敛速度和稳定性。
步骤S508,构建粘滑振动识别模型。
基于BP神经网络构建粘滑振动识别模型。基于BP神经网络的用于井下的粘滑振动识别模型是利用历史工程测量数据以及对应的粘滑振动工况构建的识别模型。
具体地,将智能钻头测量到的历史工程测量数据经过数据处理作为粘滑振动识别模型的输入,将正常钻进或粘滑工况作为粘滑振动识别模型的输出,通过训练BP神经网络分类识别模型,进而确定出合适的粘滑振动识别模型。
将构建好的粘滑振动识别模型写入井下智能PDC钻头的钻头状态测量***的微处理器中。钻头状态测量***主要两个作用:一、监测钻头运行状态,测量钻头处工程测量数据;二、在井下实时对工程测量数据进行处理,识别粘滑振动工况。
步骤S510,井下粘滑振动工况识别。
粘滑振动识别模型能够根据实时的测量数据识别井下工况。通过智能PDC钻头的钻头状态测量***,实时获取井下近钻头的工程测量数据,并利用粘滑振动识别模型对井下是否发生粘滑进行实时识别。粘滑振动识别模型在井下就可以实现实时判断钻头正常钻进及粘滑振动。
本申请实施例提供的方法,在井下就可以实现粘滑振动的实时识别,并不需要将测量数据上传到地面,这样,有助于提高钻井效率,节约钻井时间,有效监测井下异常振动。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例5
根据本发明实施例,还提供了一种利用智能钻头实时识别井下粘滑振动的装置,如图6所示,该装置包括:测量模块62和识别模块64。
测量模块62,被配置为利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据;所述工程测量数据包括以下至少之一:所述智能钻头工作时钻头本体的轴向振动、法向振动、所述智能钻头的钻压、扭矩、转速、温度、环空压力和内部压力。
识别模块64,被配置为基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型,识别所述智能钻头处的粘滑振动。
识别模块64的处理器中存储有粘滑振动识别模型。粘滑振动识别模型包括输入层、多个隐含层、输出层,其中,多个所述隐含层的节点数是基于输入层节点数、输出层节点数以及校正因子计算得到的。
所述粘滑振动识别模型是通过以下方法构建并训练的:获取历史工程测量数据,对所述历史工程测量数据进行数据预处理,提取数据特征值;利用遗传算法对处理后的所述历史工程测量数据进行数据优化;利用优化后的数据构建并训练所述粘滑振动识别模型。
例如,整合同一口井的不同深度、不同井次的所述历史工程测量数据,并将所述历史工程测量数据整合为一段接近所述智能钻头的测量数据集;将所述测量数据集中由传感器自身误差造成的测量异常数据进行数据清洗,所述数据清洗包括检测异常数据、剔除异常数据和补充缺失数据;对所述测量数据集中的数据进行时域及频域分析,确定井下正常钻进时与粘滑振动发生时,所述工程测量数据所包含时域及频域数据的异同,并提取数据特征值。
对处理后的所述历史工程测量数据进行数据优化,并采用随机编码生成初始种群,其中,各个种群染色体的变量数各不相同;计算目标函数,对个体适应度进行评估,基于个体适应度的评估结果,对每个种群进行选择、交叉、变异生成新种群,并重新进行适应度评估,得到神经网络的初始化权值和阈值。
识别模块64还用于将所述粘滑振动识别模型识别的结果通过电磁波或利用井下脉冲发射装置传送至地面,以用于地面人员判断所述智能钻头的状态。
本实施例中的利用智能钻头实时识别井下粘滑振动的装置能够实现上述实施例中的方法,此处不再赘述。
本实施例还提供了一种智能钻头,包括钻头本体和上述利用智能钻头实时识别井下粘滑振动的装置,该装置设置在所述钻头本体上。
实施例6
本发明的实施例还提供了一种存储介质,被设置为存储用于执行以下上述实施例中的方法的程序代码。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
采用以上技术方案,具有以下优点:
在井下实时识别粘滑振动,测量数据直接进入处理器,数据无需经过长距离传输,避免了数据在传输过程中的失真,降低了数据错误风险,有效避免了数据在传输过程中对识别结果造成的干扰,提升了识别可靠性。
测量数据能反映钻头真实运动状态,数据更加真实,粘滑振动识别模型准确率高,可靠性强。
识别井下粘滑振动工况结果可以通过电磁波或井下脉冲发射装置传送的地面,具有较好的实时性。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种利用智能钻头实时识别井下粘滑振动的方法,其特征在于,包括:
利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据;
基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型,识别所述智能钻头处的粘滑振动。
2.根据权利要求1所述的方法,其特征在于,所述工程测量数据包括以下至少之一:所述智能钻头工作时钻头本体的轴向振动、法向振动、所述智能钻头的钻压、扭矩、转速、温度、环空压力和内部压力。
3.根据权利要求1所述的方法,其特征在于,所述粘滑振动识别模型是通过以下方法构建并训练的:
获取历史工程测量数据,对所述历史工程测量数据进行数据预处理,提取数据特征值;
利用遗传算法对处理后的所述历史工程测量数据进行数据优化;
利用优化后的数据构建并训练所述粘滑振动识别模型。
4.根据权利要求3所述的方法,其特征在于,对所述历史工程测量数据进行数据预处理,提取数据特征值,包括:
整合同一口井的不同深度、不同井次的所述历史工程测量数据,并将所述历史工程测量数据整合为一段接近所述智能钻头的测量数据集;
将所述测量数据集中由传感器自身误差造成的测量异常数据进行数据清洗,所述数据清洗包括检测异常数据、剔除异常数据和补充缺失数据;
对所述测量数据集中的数据进行时域及频域分析,确定井下正常钻进时与粘滑振动发生时,所述工程测量数据所包含时域及频域数据的异同,并提取数据特征值。
5.根据权利要求3所述的方法,其特征在于,利用遗传算法对处理后的所述历史工程测量数据进行数据优化,包括:
对处理后的所述历史工程测量数据进行数据优化,并采用随机编码生成初始种群,其中,各个种群染色体的变量数各不相同;
计算目标函数,对个体适应度进行评估,基于个体适应度的评估结果,对每个种群进行选择、交叉、变异生成新种群,并重新进行适应度评估,得到神经网络的初始化权值和阈值。
6.根据权利要求3所述的方法,其特征在于,所述粘滑振动识别模型包括输入层、多个隐含层、输出层,其中,多个所述隐含层的节点数是基于输入层节点数、输出层节点数以及校正因子计算得到的。
7.根据权利要求1至6中任一项所述的方法,其特征在于,将所述粘滑振动识别模型识别的结果通过电磁波或利用井下脉冲发射装置传送至地面,以用于地面人员判断所述智能钻头的状态。
8.一种利用智能钻头实时识别井下粘滑振动的装置,其特征在于,
测量模块,被配置为利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据;
识别模块,被配置为基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型,识别所述智能钻头处的粘滑振动。
9.一种智能钻头,其特征在于,包括
钻头本体,
如权利要求8所述的利用智能钻头实时识别井下粘滑振动的装置,设置在所述钻头本体上。
10.一种计算机可读存储介质,其上存储有程序,其特征在于,在所述程序运行时,使得计算机执行如权利要求1至7中任一项方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211047805.2A CN115234220B (zh) | 2022-08-30 | 利用智能钻头实时识别井下粘滑振动的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211047805.2A CN115234220B (zh) | 2022-08-30 | 利用智能钻头实时识别井下粘滑振动的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115234220A true CN115234220A (zh) | 2022-10-25 |
CN115234220B CN115234220B (zh) | 2024-07-16 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230131106A1 (en) * | 2021-10-27 | 2023-04-27 | Halliburton Energy Services, Inc. | Design of service improvements using adaptive models derived from classified vibration mechanisms |
CN117910538A (zh) * | 2024-03-19 | 2024-04-19 | 成都三一能源环保技术有限公司 | 基于机器学习的井下钻井仪器运行状态监测*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104781494A (zh) * | 2012-11-13 | 2015-07-15 | 埃克森美孚上游研究公司 | 检测钻探功能异常的方法 |
US20220195862A1 (en) * | 2020-12-22 | 2022-06-23 | Halliburton Energy Services, Inc. | Classification and control of detected drilling vibrations using machine learning |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104781494A (zh) * | 2012-11-13 | 2015-07-15 | 埃克森美孚上游研究公司 | 检测钻探功能异常的方法 |
US20220195862A1 (en) * | 2020-12-22 | 2022-06-23 | Halliburton Energy Services, Inc. | Classification and control of detected drilling vibrations using machine learning |
Non-Patent Citations (2)
Title |
---|
孙忠华等: "基于GA的神经网络在火工药剂辨识中的应用", 重庆邮电学院学报(自然科学版), vol. 16, no. 01, 29 February 2004 (2004-02-29), pages 75 - 78 * |
王超等: "近钻头井下钻具运动特征及异常状态分析方法", 石油钻探技术, vol. 46, no. 2, 6 February 2018 (2018-02-06), pages 50 - 57 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230131106A1 (en) * | 2021-10-27 | 2023-04-27 | Halliburton Energy Services, Inc. | Design of service improvements using adaptive models derived from classified vibration mechanisms |
CN117910538A (zh) * | 2024-03-19 | 2024-04-19 | 成都三一能源环保技术有限公司 | 基于机器学习的井下钻井仪器运行状态监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852018B (zh) | 基于神经网络的pso钻井参数优化方法 | |
CN109989740B (zh) | 基于多源信息融合的煤系地层钻进智能识别***及其方法 | |
CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
CN113062731B (zh) | 一种钻井井下复杂工况智能识别方法 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN103914558A (zh) | 一种基于时空统计的气象要素时空聚集模式挖掘方法 | |
CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及*** | |
CN114523337A (zh) | 一种刀具磨损状态识别方法、装置、电子设备及存储介质 | |
CN117252236A (zh) | 一种基于dbn-lstm-bwoa的隧道***振动峰值预测方法、***、设备及介质 | |
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*** | |
CN113537706A (zh) | 一种基于智能集成的油田增产措施优选方法 | |
CN115234220B (zh) | 利用智能钻头实时识别井下粘滑振动的方法及装置 | |
CN115234220A (zh) | 利用智能钻头实时识别井下粘滑振动的方法及装置 | |
CN115374827A (zh) | 基于pca-lstm的粘滑振动水平评估方法及装置 | |
CN111598366A (zh) | 一种实时钻井辅助决策方法及*** | |
CN111946258B (zh) | 一种基于gru的滑动定向智能控制方法 | |
CN113431557A (zh) | 一种基于人工智能的井下井眼轨迹跟踪方法 | |
CN110593847B (zh) | 一种基于LabVIEW智能化钻井***及其应用 | |
CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及*** | |
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 | |
CN115576028B (zh) | 基于支持向量机的地质特征层预测方法及*** | |
CN116861204B (zh) | 基于数字孪生的智能制造设备数据管理*** | |
CN116429240A (zh) | 一种基于深度玻耳兹曼机的旋转设备振动信号预测*** |
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 |