CN115329657A - 钻井参数优化方法及装置 - Google Patents

钻井参数优化方法及装置 Download PDF

Info

Publication number
CN115329657A
CN115329657A CN202210788889.9A CN202210788889A CN115329657A CN 115329657 A CN115329657 A CN 115329657A CN 202210788889 A CN202210788889 A CN 202210788889A CN 115329657 A CN115329657 A CN 115329657A
Authority
CN
China
Prior art keywords
drilling
training data
data set
test
prediction model
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
Application number
CN202210788889.9A
Other languages
English (en)
Other versions
CN115329657B (zh
Inventor
路保平
胡群爱
张洪宝
周非
杨顺辉
孙连忠
柏侃侃
张文平
陶新港
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
China University of Petroleum Beijing
Sinopec Petroleum Engineering Technology Research Institute Co Ltd
Original Assignee
China Petroleum and Chemical Corp
China University of Petroleum Beijing
Sinopec Research Institute of Petroleum Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, China University of Petroleum Beijing, Sinopec Research Institute of Petroleum Engineering filed Critical China Petroleum and Chemical Corp
Priority to CN202210788889.9A priority Critical patent/CN115329657B/zh
Publication of CN115329657A publication Critical patent/CN115329657A/zh
Application granted granted Critical
Publication of CN115329657B publication Critical patent/CN115329657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Earth Drilling (AREA)

Abstract

本说明书提供了一种钻井参数优化方法及装置。该方法包括：获取已钻井段的第一钻井参数和第一机械钻速预测模型；构建钻井参数组合空间；利用第一机械钻速预测模型和钻井参数组合空间，获取符合要求的测试钻井参数组合；控制钻机基于测试钻井参数组合进行测试钻进并采集测试机械钻速；组合测试钻井参数组合和测试机械钻速，得到扩充训练数据集；利用归一化后的第一训练数据集和扩充训练数据集，训练第一机械钻速预测模型，得到第二机械钻速预测模型；根据第二机械钻速预测模型，控制钻井在目标井段钻进。基于上述方法能够解决现有方法中存在的外推能力差问题，实现机械钻速的精准预测和钻井参数的合理选取，以便能够精准地控制钻机在目标井段钻进。

Description

钻井参数优化方法及装置
技术领域
本说明书属于石油天然气勘探开发技术领域，尤其涉及一种钻井参数优化方法及装置。
背景技术
在石油钻井作业中，如何准确基于机械钻速预测来选取钻井参数对钻井工程优化至关重要。钻井过程中，在井身结构、钻具组合和井眼轨迹确定的情况下，机械钻速的主要影响因素为钻井参数(钻压、地面转速、排量等)和地层特性(岩性、岩石强度、可钻性、研磨性等)。
在现有技术中，通常利用上述多种影响因素和机械钻速之间的关系构建机器学习模型，从而实现机械钻速的预测，再基于机械钻速预测结果实现钻井参数优化。但是，在现场应用的过程中，存在实测数据分布和机器学习模型训练集差异较大的参数组合场景，此时机器学习技术就体现出外推能力差的缺点。
因此，目前亟需一种解决外推能力差问题的钻井参数优化方法。
发明内容
本说明书提供一种钻井参数优化方法，能够解决现有方法中存在的外推能力差的技术问题，实现机械钻速的精准预测和钻井参数的合理选取，以便能够精准地控制钻机在目标井段钻进。
本说明书实施例的目的是提供一种钻井参数优化方法，包括：
获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到；
基于钻井参数的可行范围构建钻井参数组合空间；利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合；其中，所述测试钻井参数组合包括：测试钻压、测试地面转速、测试排量；
控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速；
组合所述测试钻井参数组合和所述测试机械钻速，得到针对目标井段的扩充训练数据集；
利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型；
根据所述第二机械钻速预测模型，控制钻机在目标井段钻进。
进一步地，所述方法的另一个实施例中，所述在获取已钻井段的第一钻井参数和第一机械钻速预测模型之前，所述方法还包括：
检测待钻进的目标井段与已钻井段是否发生变化，和/或，钻具组合是否发生变化；
在确定待钻进的目标井段与已钻井段发生变化，或，钻具组合发生变化的情况下，确定获取已钻井段的第一钻井参数和第一机械钻速预测模型；
检测待钻进的目标井段与已钻井段是否发生变化，包括以下至少之一：判断地层是否发生变化；判断岩性是否发生变化；判断井眼尺寸是否发生变化。
进一步地，所述方法的另一个实施例中，所述获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到，包括：
获取已钻井段的第一钻井参数，并基于第一预设区间，确定第一训练数据集；
对第一训练数据集进行归一化操作，得到归一化后的第一训练数据集；
利用归一化后的第一训练数据集，训练得到第一机械钻速预测模型。
进一步地，所述方法的另一个实施例中，所述基于钻井参数的可行范围构建钻井参数组合空间，包括：
基于钻井参数的可行范围获得钻压的可行序列空间、地面转速的可行序列空间、排量的可行序列空间；其中，所述钻井参数包括钻压、地面转速、排量；
依据所述钻压的可行序列空间、所述地面转速的可行序列空间、所述排量的可行序列空间，构建钻井参数组合空间。
进一步地，所述方法的另一个实施例中，所述利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合，包括：
利用所述第一机械钻速预测模型处理所述钻井参数组合空间，得到对应的第一预测结果；
根据所述第一预测结果，确定出符合要求的测试钻井参数组合；其中，所述符合要求的测试钻井参数组合包括方差不确定性符合要求的参数组合，和/或，期望机械钻速符合要求的参数组合，和/或，代表性符合要求的参数组合。
进一步地，所述方法的另一个实施例中，所述根据所述第一预测结果，确定出符合要求的测试钻井参数组合，包括：
基于所述第一预测结果，计算所述钻井参数组合空间的方差不确定性参数；
基于所述第一预测结果，计算所述钻井参数组合空间的期望机械钻速不确定性参数；
基于所述第一预测结果，计算所述钻井参数组合空间的代表性参数；
根据所述钻井参数组合空间的方差不确定性参数、所述期望机械钻速不确定性参数、所述钻井参数组合空间的代表性参数，计算钻井参数组合空间的综合重要性参数；
根据所述钻井参数组合空间的综合重要性参数，从所述钻井参数组合空间中筛选出符合要求的多个第一钻井参数组合；并从所筛选出的符合要求的多个第一钻井参数组合中提取出测试钻压、测试地面转速、测试排量，以构建得到符合要求的测试钻井参数组合。
进一步地，所述方法的另一个实施例中，所述基于所述第一预测结果，计算所述钻井参数组合空间的代表性参数，包括：
随机初始化第一预设个数个中心点，作为第一中心点；根据第一训练数据集，计算第一训练数据集各个样本点分别与各个第一中心点的距离；
根据第一训练数据集各个样本点分别与各个第一中心点的距离，将第一训练数据集各个样本点分别划分进与该样本点的距离最小的第一中心点所对应的类别组中；
根据分类后的第一训练数据集，重新选取第一预设个数个中心点，作为第二中心点；计算第一训练数据集各个样本点与各个第二中心点的距离；
判断中心点的距离变化量是否小于第一预设差异值；
如果中心点的距离变化量小于第一预设差异值，根据第二中心点计算第一预测结果各个样本点到第二中心点的综合距离；
对第一预测结果各个样本点到第二中心点的综合距离进行归一化操作，得到钻井参数组合空间的代表性参数；
如果中心点的距离变化量大于等于第一预设差异值，根据分类后的第一训练数据集，重新选取第一预设个数个中心点，作为第三中心点。
进一步地，所述方法的另一个实施例中，所述根据第二机械钻速预测模型，控制钻机在目标井段钻进，包括：
利用第二机械钻速预测模型处理归一化后的第一训练数据集和扩充训练数据集，得到多个第二预测结果；
根据多个第二预测结果，从归一化后的第一训练数据集和扩充训练数据集中筛选出目标训练数据；
从所述目标训练数据中提取出目标钻压、目标地面转速、目标排量，以构建得到目标钻井参数组合；
根据所述目标钻井参数组合，控制钻机在目标井段钻进。
另一方面，本申请提供了一种钻井参数优化装置，包括：
第一训练模块，用于获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到；
获取模块，用于基于钻井参数的可行范围构建钻井参数组合空间；利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合；其中，所述测试钻井参数组合包括：测试钻压、测试地面转速、测试排量；
第一钻进模块，用于控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速；
扩充模块，用于组合所述测试钻井参数组合和所述测试机械钻速，得到针对目标井段的扩充训练数据集；
第二训练模块，用于利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型；
第二钻进模块，用于根据所述第二机械钻速预测模型，控制钻机在目标井段钻进。
再一方面，本申请还一种计算机可读存储介质，其上存储有计算机指令，所述计算机可读存储介质执行所述指令时实现上述钻井参数优化方法。
本说明书提供的一种钻井参数优化方法，获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到；基于钻井参数的可行范围构建钻井参数组合空间；利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合；其中，所述测试钻井参数组合包括：测试钻压、测试地面转速、测试排量；控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速；组合所述测试钻井参数组合和所述测试机械钻速，得到针对目标井段的扩充训练数据集；利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型；根据所述第二机械钻速预测模型，控制钻机在目标井段钻进。依据本说明书提供的方法，能够解决现有方法中存在的外推性差的技术问题，实现机械钻速的精准预测和钻井参数的合理选取，以便能够精准地控制钻机在目标井段钻进，为钻井工程提供理论指导。
并且，在获取已钻井段的第一钻井参数和第一机械钻速预测模型时，获取已钻井段的第一钻井参数，并基于第一预设区间，确定第一训练数据集；对第一训练数据集进行归一化操作，得到归一化后的第一训练数据集；利用归一化后的第一训练数据集，训练得到第一机械钻速预测模型。
进一步，在利用第一机械钻速预测模型和钻井参数组合空间，获取符合要求的测试钻井参数组合时，利用所述第一机械钻速预测模型处理所述钻井参数组合空间，得到对应的第一预测结果；基于所述第一预测结果，计算所述钻井参数组合空间的方差不确定性参数；基于所述第一预测结果，计算所述钻井参数组合空间的期望机械钻速不确定性参数；基于所述第一预测结果，计算所述钻井参数组合空间的代表性参数；根据所述钻井参数组合空间的方差不确定性参数、所述期望机械钻速不确定性参数、所述钻井参数组合空间的代表性参数，计算钻井参数组合空间的综合重要性参数；根据所述钻井参数组合空间的综合重要性参数，从所述钻井参数组合空间中筛选出符合要求的多个第一钻井参数组合；并从所筛选出的符合要求的多个第一钻井参数组合中提取出测试钻压、测试地面转速、测试排量，以构建得到符合要求的测试钻井参数组合。
此外，在根据第二机械钻速预测模型，控制钻机在目标井段钻进时，利用第二机械钻速预测模型处理归一化后的第一训练数据集和扩充训练数据集，得到多个第二预测结果；根据多个第二预测结果，从归一化后的第一训练数据集和扩充训练数据集中筛选出目标训练数据；从所述目标训练数据中提取出目标钻压、目标地面转速、目标排量，以构建得到目标钻井参数组合；根据所述目标钻井参数组合，控制钻机在目标井段钻进，从而实现咨询模式或自动控制模式下的钻井参数自动优化，并且依据优化的钻井参数，控制钻机在目标井段精准钻进。
附图说明
为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，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是本说明书提供的一种钻井参数优化方法一个实施例的流程示意图；
图2是本说明书一个实施例中的符合要求的测试钻井参数组合选择标记过程示意图；
图3是本说明书一个实施例中的机械钻速预测结果示意图；
图4是本说明书提供的一种钻井参数优化装置一个实施例的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
考虑到现有的钻井参数优化方法，通常根据钻井参数、地层特性和机械钻速之间的关系构建机器学习模型，从而根据机械钻速预测结果实现钻井参数优化。常规机器学习理论遵循独立同分布假设，应用场景的数据分布同模型训练集分布越相似，则预测精度越高。因此，在实际钻井的过程中，如果实测数据分布和机器学习模型的训练集存在着较大的差异，机器学习模型预测输出结果的精度就会降低，此时机器学习技术体现出外推能力差、稳定性差的缺点。
针对现有方法存在的上述问题以及产生上述问题的具体原因，本申请考虑可以主动扩充机器学习模型的训练集，使用更新后的训练集训练机器学习模型，得到更新后的机械钻速预测模型，再利用更新后的机械钻速预测模型得到高精度的机械钻速预测结果，并基于高精度的机械钻速预测结果进行钻井参数优化，以便能够精准地控制钻机在目标井段钻进。
基于上述思路，本说明书提供一种钻井参数优化方法。首先，获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到；然后，基于钻井参数的可行范围构建钻井参数组合空间；利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合；其中，所述测试钻井参数组合包括：测试钻压、测试地面转速、测试排量；控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速；组合所述测试钻井参数组合和所述测试机械钻速，得到针对目标井段的扩充训练数据集；最后，利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型；根据所述第二机械钻速预测模型，控制钻机在目标井段钻进。
参阅图1所示，本说明书实施例提供了一种钻井参数优化方法。具体实施时，该方法可以包括以下内容。
S101：获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到。
在一些实施例中，上述已钻井段的第一钻井参数具体可以包括：深度、钻压、地面转速、排量，机械钻速。
在一些实施例中，获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到，具体实施时，可以包括：
S1：获取已钻井段的第一钻井参数，并基于第一预设区间，确定第一训练数据集；
S2：对第一训练数据集进行归一化操作，得到归一化后的第一训练数据集；
S3：利用归一化后的第一训练数据集，训练得到第一机械钻速预测模型。
在一些实施例中，上述第一预设区间的区间上限可以记为nmax，上述第一预设区间的区间下限可以记为nmin，上述第一预设区间可以记为[nmin,nmax]。
在一些实施例中，上述第一预设区间的区间上限、第一预设区间的区间下限可以根据实际情况基于计算能力和钻井效果通过专家经验确定；具体的，第一预设区间的区间下限通常取大于5的常数。
在一些实施例中，上述基于第一预设区间，确定第一训练数据集，具体实施时，可以包括：
S1：获取已钻井段的第一钻井参数的样本数；
S2：判断已钻井段的第一钻井参数的样本数是否大于第一预设区间的区间上限；并判断已钻井段的第一钻井参数的样本数是否小于第一预设区间的区间下限；
S3：如果已钻井段的第一钻井参数的样本数大于第一预设区间的区间上限，则将样本数按照深度降序排序，获取前nmax个样本，提取其中的钻压、地面转速、排量、机械钻速，作为第一训练数据集；
S4：如果已钻井段的第一钻井参数的样本数小于第一预设区间的区间下限，则钻机继续钻井，采集新的钻井参数加入到第一钻井参数中，直到已钻井段的第一钻井参数的样本数等于第一预设区间的区间下限，将所有已钻井段的第一钻井参数作为扩充后的第一钻井参数；从扩充后的第一钻井参数中提取钻压、地面转速、排量、机械钻速，作为第一训练数据集；
S5：如果已钻井段的第一钻井参数的样本数小于等于第一预设区间的区间上限，并且已钻井段的第一钻井参数的样本数大于等于第一预设区间的区间下限，从第一钻井参数中提取钻压、地面转速、排量、机械钻速，作为第一训练数据集。
在一些实施例中，上述对第一训练数据集进行归一化操作，得到归一化后的第一训练数据集，具体实施时，可以包括：
S1：对第一训练数据集中的钻压进行归一化操作，得到归一化后的钻压；
S2：对第一训练数据集中的地面转速进行归一化操作，得到归一化后的地面转速；
S3：对第一训练数据集中的排量进行归一化操作，得到归一化后的排量；
S4：基于归一化后的钻压、归一化后的地面转速、归一化后的排量，得到归一化后的第一训练数据集。
在一些实施例中，上述对第一训练数据集中的钻压进行归一化操作，得到归一化后的钻压，具体实施时，可以包括：
按照以下算式计算归一化后的钻压：
Figure BDA0003732551430000081
其中，Wi为第一训练数据集中的第i个钻压，Wmin为钻压的最小值，Wmax为钻压的最大值，W′i为第i个归一化后的钻压。
在一些实施例中，上述对第一训练数据集中的地面转速进行归一化操作，得到归一化后的地面转速，具体实施时，可以包括：
按照以下算式计算归一化后的地面转速：
Figure BDA0003732551430000082
其中，Ni为第一训练数据集中的第i个地面转速，Nmin为地面转速的最小值，Nmax为地面转速的最大值，N′i为第i个归一化后的地面转速。
在一些实施例中，上述对第一训练数据集中的排量进行归一化操作，得到归一化后的排量，具体实施时，可以包括：
按照以下算式计算归一化后的排量：
Figure BDA0003732551430000083
其中，Qi为第一训练数据集中的第i个排量，Qmin为排量的最小值，Qmax为排量的最大值，Q′i为第i个归一化后的排量。
在一些实施例中，上述利用归一化后的第一训练数据集，训练得到第一机械钻速预测模型，具体实施时，可以包括：利用归一化后的第一训练数据集，训练预设的高斯过程回归模型，得到第一机械钻速预测模型。
在一些实施例中，上述利用归一化后的第一训练数据集，训练预设的高斯过程回归模型，得到第一机械钻速预测模型，具体实施时，可以包括：
按照以下算式得到第一机械钻速预测模型：
rop～GP[m(x),K(x,x*)+σn 2I] (4)
其中，rop为机械钻速预测值；GP表示高斯分布；x表示归一化后的第一训练数据集中的输入数据，x＝{xi}＝{W′i,N′i,Q′i}；x*表示测试集中的输入数据，其中所述测试集基于已钻井段的第一钻井参数得到；m(x)表示第一机械钻速预测模型在输入x处的期望；K(x,x*)表示协方差函数，可表征表示不同的输入序列x和x*之间的依赖关系；σn表示高斯白噪声方差，是高斯回归过程中的第一超参数；σn 2I表示高斯随机噪声矩阵。
在一些实施例中，可以按照以下算式采用径向基核函数作为协方差函数：
Figure BDA0003732551430000091
其中，σ为信号方差，是高斯回归过程中的第二超参数。
在一些实施例中，上述超参数是是在开始学习过程之前设置值的参数，在训练的过程中，需要对超参数进行优化，最终得到一组最优超参数，以提高学习的性能和效果。
在一些实施例中，上述利用归一化后的第一训练数据集，训练预设的高斯过程回归模型，得到第一机械钻速预测模型，具体实施时，还包括下述方法：
按照以下算式获取归一化后的第一训练数据集和预测值的高斯分布特征：
Figure BDA0003732551430000092
其中，y表示归一化后的第一训练数据集中的机械钻速，rop*表示通过第一机械钻速预测模型预测得到的机械钻速，K(X,X)表示归一化后的第一训练数据集的协方差矩阵，K(x*,x*)表示测试集的协方差矩阵，K(X,x*)、K(x*,X)表示归一化后的第一训练数据集与测试集之间的协方差矩阵，X表示归一化后的第一训练数据集中的x组成的集合。
按照以下算式获取预测机械钻速的均值：
Figure BDA0003732551430000093
其中，
Figure BDA0003732551430000094
表示通过第一机械钻速预测模型预测得到的机械钻速的平均值。
按照以下算式获取预测机械钻速的置信区间：
cov(rop*)＝K(x*,x*)-K(x*,X)[K(X,X)+σn 2I]-1K(X,x*) (8)
其中，cov(rop*)表示通过第一机械钻速预测模型预测得到的机械钻速的置信区间。
在一些实施例中，上述超参数可以记为θ＝{σ,σn}。
在一些实施例中，求取上述超参数的方法具体可以包括：共轭梯度算法、粒子群优化算法、遗传算法。
在一些实施例中，所述在获取已钻井段的第一钻井参数和第一机械钻速预测模型之前，所述方法还包括：
检测待钻进的目标井段与已钻井段是否发生变化，和/或，钻具组合是否发生变化；
在确定待钻进的目标井段与已钻井段发生变化，或，钻具组合发生变化的情况下，确定获取已钻井段的第一钻井参数和第一机械钻速预测模型；
检测待钻进的目标井段与已钻井段是否发生变化，包括以下至少之一：判断地层是否发生变化；判断岩性是否发生变化；判断井眼尺寸是否发生变化。
在一些实施例中，上述判断地层和/或岩性发生变化的具体方法可以包括：通过岩屑录井手段得到待钻井段的岩性数据，基于岩性数据判断岩性是否发生变化；对岩性数据进行地质监督，根据地质监督的结果判断地层是否发生变化。
在一些实施例中，在待钻进的目标井段与已钻井段没有发生变化，并且钻具组合没有发生变化的情况下，基于上一个已钻井段所对应的机械钻速预测模型对目标井段的机械钻速进行预测，并且，将实时获取到的钻井参数加入到上一个已钻井段所对应的机械钻速预测模型数据训练集中，得到扩充后的数据训练集；基于扩充后的数据训练集对机械钻速预测模型进行训练，得到训练后的机械钻速预测模型；基于训练后的机械钻速预测模型对目标井段的机械钻速进行预测。
S102：基于钻井参数的可行范围构建钻井参数组合空间；利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合；其中，所述测试钻井参数组合包括：测试钻压、测试地面转速、测试排量；
在一些实施例中，上述基于钻井参数的可行范围构建钻井参数组合空间，具体实施时，可以包括：
S1：基于钻井参数的可行范围获得钻压的可行序列空间、地面转速的可行序列空间、排量的可行序列空间；其中，所述钻井参数包括钻压、地面转速、排量；
S2：依据所述钻压的可行序列空间、所述地面转速的可行序列空间、所述排量的可行序列空间，构建钻井参数组合空间。
在一些实施例中，上述获得钻井参数的可行范围的方法，具体可以包括：根据钻头、螺杆钻具手册、钻井工程设计结合专家经验确定钻压的可行范围、地面转速的可行范围、排量的可行范围。
在一些实施例中，上述钻压的可行范围可以记为[Ws-min,Ws-max]，上述地面转速的可行范围可以记为[Ns-min,Ns-max]，上述排量的可行范围可以记为[Qs-min,Qs-max]。
在一些实施例中，上述基于钻井参数的可行范围获得钻压的可行序列空间、地面转速的可行序列空间、排量的可行序列空间，具体实施时，可以包括：
按照以下算式计算钻压的可行序列空间：
W∈{Ws-min,Ws-min+dW,Ws-min+2×dW,......,Ws-min+NW×dW} (9)
Figure BDA0003732551430000111
其中，dW表示钻压等间距切分的步长，NW表示表示钻压等间距切分的步数，W表示钻压的可行序列空间，Ws-min表示钻压的可行范围下限，Ws-max表示表示钻压的可行范围上限。
按照以下算式计算地面转速的可行序列空间：
N∈{Ns-min,Ns-min+dN,Ns-min+2×dN,......,Ns-min+NN×dN} (11)
Figure BDA0003732551430000112
其中，dN表示地面转速等间距切分的步长，NN表示表示地面转速等间距切分的步数，N表示地面转速的可行序列空间，Ns-min表示地面转速的可行范围下限，Ns-max表示表示地面转速的可行范围上限。
按照以下算式计算排量的可行序列空间：
Q∈{Qs-min,Qs-min+dQ,Qs-min+2×dQ,......,Qs-min+NQ×dQ} (13)
Figure BDA0003732551430000113
其中，dQ表示排量等间距切分的步长，NQ表示表示排量等间距切分的步数，Q表示排量的可行序列空间，Qs-min表示排量的可行范围下限，Qs-max表示表示排量的可行范围上限。
在一些实施例中，上述依据所述钻压的可行序列空间、所述地面转速的可行序列空间、所述排量的可行序列空间，构建钻井参数组合空间，具体实施时，可以包括：将钻压的可行序列空间中的钻压值、地面转速的可行序列空间中的地面转速值、排量的可行序列空间中的排量值分别进行组合，构建钻井参数组合空间；其中，钻井参数组合空间可以表示一个NW×NN×NQ的三维矩阵。
在一些实施例中，上述利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合，具体实施时，可以包括：
S1：利用所述第一机械钻速预测模型处理所述钻井参数组合空间，得到对应的第一预测结果；
S2：根据所述第一预测结果，确定出符合要求的测试钻井参数组合；其中，所述符合要求的测试钻井参数组合包括方差不确定性符合要求的参数组合，和/或，期望机械钻速符合要求的参数组合，和/或，代表性符合要求的参数组合。
在一些实施例中，上述利用所述第一机械钻速预测模型处理所述钻井参数组合空间，得到对应的第一预测结果，具体实施时，可以包括：将钻井参数组合空间作为输入数据，输入到第一机械钻速预测模型中，将得到的预测结果作为第一预测结果。
在一些实施例中，上述根据所述第一预测结果，确定出符合要求的测试钻井参数组合；其中，所述符合要求的测试钻井参数组合包括方差不确定性符合要求的参数组合，和/或，期望机械钻速符合要求的参数组合，和/或，代表性符合要求的参数组合，具体实施时，可以包括：
S1：基于所述第一预测结果，计算所述钻井参数组合空间的方差不确定性参数；
S2：基于所述第一预测结果，计算所述钻井参数组合空间的期望机械钻速不确定性参数；
S3：基于所述第一预测结果，计算所述钻井参数组合空间的代表性参数；
S4：根据所述钻井参数组合空间的方差不确定性参数、所述期望机械钻速不确定性参数、所述钻井参数组合空间的代表性参数，计算钻井参数组合空间的综合重要性参数；
S5：根据所述钻井参数组合空间的综合重要性参数，从所述钻井参数组合空间中筛选出符合要求的多个第一钻井参数组合；并从所筛选出的符合要求的多个第一钻井参数组合中提取出测试钻压、测试地面转速、测试排量，以构建得到符合要求的测试钻井参数组合。
在一些实施例中，上述基于所述第一预测结果，计算所述钻井参数组合空间的方差不确定性参数，具体实施时，可以包括：
按照以下算式计算方差不确定性参数：
Figure BDA0003732551430000121
其中，Scorecov,m为第m个第一预测结果中的方差不确定性参数，covm为第m个方差，covmin为方差的最小值，covmax为方差的最大值；covm、covmin、covmax均根据第一预测结果计算得到。
按照以下算式计算期望机械钻速不确定性参数：
Figure BDA0003732551430000122
其中，ScoreROP,m为第m个期望机械钻速不确定性参数，ROPm为第m个机械钻速期望值，ROPmin为机械钻速期望的最小值，ROPmax为机械钻速期望的最大值；ROPm、ROPmin、ROPmax均根据第一预测结果计算得到。
在一些实施例中，上述基于所述第一预测结果，计算所述钻井参数组合空间的代表性参数，具体实施时，可以包括：
随机初始化第一预设个数个中心点，作为第一中心点；根据第一训练数据集，计算第一训练数据集各个样本点分别与各个第一中心点的距离；
根据第一训练数据集各个样本点分别与各个第一中心点的距离，将第一训练数据集各个样本点分别划分进与该样本点的距离最小的第一中心点所对应的类别组中；
根据分类后的第一训练数据集，重新选取第一预设个数个中心点，作为第二中心点；计算第一训练数据集各个样本点与各个第二中心点的距离；
判断中心点的距离变化量是否小于第一预设差异值；
如果中心点的距离变化量小于第一预设差异值，根据第二中心点计算第一预测结果各个样本点到第二中心点的综合距离；
对第一预测结果各个样本点到第二中心点的综合距离进行归一化操作，得到钻井参数组合空间的代表性参数；
如果中心点的距离变化量大于等于第一预设差异值，根据分类后的第一训练数据集，重新选取第一预设个数个中心点，作为第三中心点。
在一些实施例中，上述根据第二中心点计算第一预测结果各个样本点到第二中心点的综合距离，具体实施时，可以包括：
按照以下算式计算综合距离：
Figure BDA0003732551430000131
其中，k表示第一预设个数，Dm表示第一预测结果中第m个结果所对应的钻井参数组合到所有第二中心点的综合距离，Wm为第一预测结果中第m个结果所对应的钻压，Nm为第一预测结果中第m个结果所对应的地面转速，Qm为第一预测结果中第m个结果所对应的排量，Wi为第二中心点中的第i个中心点对应的钻压，Ni为第二中心点中的第i个中心点对应的地面转速，Qi为第二中心点中的第i个中心点对应的排量。
在一些实施例中，上述对第一预测结果各个样本点到第二中心点的综合距离进行归一化操作，得到钻井参数组合空间的代表性参数，具体实施时，可以包括：
按照以下算式计算钻井参数组合空间的代表性参数：
Figure BDA0003732551430000132
其中，Scored,m为第m个钻井参数组合的代表性参数，Dmin为综合距离最小值，Dmax为综合距离最大值。
在一些实施例中，上述根据所述钻井参数组合空间的方差不确定性参数、所述期望机械钻速不确定性参数、所述钻井参数组合空间的代表性参数，计算钻井参数组合空间的综合重要性参数，具体实施时，可以包括：
按照以下算式计算综合重要性参数：
Scorem＝wcov×Scorecov,m+wROP×ScoreROP,m+wd×Scored,m (19)
其中，Scorem表示第m个钻井参数组合的综合重要性参数，wcov表示方差不确定性参数所占的权重，wROP表示期望机械钻速不确定性参数所占的权重，wd表示代表性参数所占的权重；wcov、wROP、wd可以根据实际钻井需求确定。
在一些实施例中，上述根据所述钻井参数组合空间的综合重要性参数，从所述钻井参数组合空间中筛选出符合要求的多个第一钻井参数组合；并从所筛选出的符合要求的多个第一钻井参数组合中提取出测试钻压、测试地面转速、测试排量，以构建得到符合要求的测试钻井参数组合，具体实施时，可以包括：
S1：对所有钻井参数组合空间的综合重要性参数进行降序排列；
S2：从所有钻井参数组合空间的综合重要性参数的降序排列中，提取前第二预设个数个数据所对应的钻井参数组合，作为符合要求的多个第一钻井参数组合；
S3：从符合要求的多个第一钻井参数组合中提取出测试钻压、测试地面转速、测试排量，以构建得到符合要求的测试钻井参数组合。
在一些实施例中，在计算机的软件交互页面可以针对上述所有钻井参数组合空间及其对应的机械钻速进行可视化显示。
通过上述实施例，同时从方差、机械钻速、综合距离三个方面进行判断，并最终依据所有钻井参数组合空间的综合重要性参数，筛选出符合要求的多个第一钻井参数组合，为后续第一训练数据集的扩充提供了数据基础。
S103：控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速。
在一些实施例中，上述控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速，具体实施时，可以包括：向钻机发送测试钻井参数组合，并控制钻机基于测试钻井参数组合，再按照时间和/或距离的控制，依次执行测试钻井参数组合中的钻井参数，在目标井段进行测试钻进，采集相应的测试机械钻速。
在一些实施例中，上述时间可以设置为10min；上述距离可以设置为0.2m。
在一些实施例中，通过设置确定的时间和/或距离可以对测试钻进过程进行控制，防止测试钻进对正常钻井作业造成影响。
S104：组合所述测试钻井参数组合和所述测试机械钻速，得到针对目标井段的扩充训练数据集。
在一些实施例中，上述扩充训练数据集具有更好的代表性，适用于实际钻井过程中的复杂、多样的地层情况，可以用于第一机械钻速预测模型的再次训练，提升机械钻速预测模型的外推能力和稳定性。
S105：利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型。
在一些实施例中，上述利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型，具体实施时，可以包括：对扩充训练数据集进行归一化操作，得到归一化后的扩充训练数据集；将归一化后的扩充训练数据集和归一化后的第一训练数据集合并起来作为新的训练集，训练第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型。
S106：根据所述第二机械钻速预测模型，控制钻机在目标井段钻进。
在一些实施例中，上述根据所述第二机械钻速预测模型，控制钻机在目标井段钻进，具体实施时，可以包括：
S1：利用第二机械钻速预测模型处理归一化后的第一训练数据集和扩充训练数据集，得到多个第二预测结果；
S2：根据多个第二预测结果，从归一化后的第一训练数据集和扩充训练数据集中筛选出目标训练数据；
S3：从所述目标训练数据中提取出目标钻压、目标地面转速、目标排量，以构建得到目标钻井参数组合；
S4：根据所述目标钻井参数组合，控制钻机在目标井段钻进。
在一些实施例中，上述根据多个第二预测结果，从归一化后的第一训练数据集和扩充训练数据集中筛选出目标训练数据，具体实施时，可以包括：
S1：根据多个第二预测结果，计算所对应的机械钻速期望值、方差值；
S2：筛选出方差值小于等于第二预设差异值的第二预测结果，作为第三预测结果；
S3：比较第三预测结果中每个数据的机械钻速期望值，选择其中机械钻速期望值最大的数据，将其对应的钻井参数组合作为目标训练数据。
通过上述实施例，可以实现钻井参数的优化，以指导钻机在目标井段更加精准的钻进。
在一个具体的场景示例中，可以应用本说明书提供的钻井参数优化方法实现钻井参数的优化。其中，符合要求的测试钻井参数组合选择标记过程如图2所示，在排量为一确定值的情况下，白色圆点表示钻井参数组合空间中的未标记样本数据，灰色圆点表示已钻井段的第一钻井参数样本数据，斜线阴影圆点表示符合要求的测试钻井参数组合样本数据，它在筛选符合要求的测试钻井参数组合过程中被标记出来；由于常规机器学习理论遵循独立同分布假设，越靠近地面转速上下限、钻压上下限的样本数据代表性越差，因此，通过本说明书提供的钻井参数优化方法，可以筛选出代表性较好的数据样本作为选择标记样本，为后续第二机械钻速预测模型的训练提供数据基础；本说明书一个实施例中的机械钻速预测结果如图3所示，在排量设置为25L/s的情况下，基于不同的地面转速和钻压，预测得到了多种可能的机械钻速数值。
基于上述钻井参数优化方法，本说明书还提出一种钻井参数优化装置的实施例。参阅图4所示，所述钻井参数优化装置具体包括以下模块：
第一训练模块401，用于获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到；
获取模块402，用于基于钻井参数的可行范围构建钻井参数组合空间；利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合；其中，所述测试钻井参数组合包括：测试钻压、测试地面转速、测试排量；
第一钻进模块403，用于控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速；
扩充模块404，用于组合所述测试钻井参数组合和所述测试机械钻速，得到针对目标井段的扩充训练数据集；
第二训练模块405，用于利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型；
第二钻进模块406，用于根据所述第二机械钻速预测模型，控制钻机在目标井段钻进。
在一些实施例中，上述第一训练模块401具体可以用于获取已钻井段的第一钻井参数，并基于第一预设区间，确定第一训练数据集；对第一训练数据集进行归一化操作，得到归一化后的第一训练数据集；利用归一化后的第一训练数据集，训练得到第一机械钻速预测模型。
在一些实施例中，上述获取模块402具体可以用于基于钻井参数的可行范围获得钻压的可行序列空间、地面转速的可行序列空间、排量的可行序列空间；其中，所述钻井参数包括钻压、地面转速、排量；依据所述钻压的可行序列空间、所述地面转速的可行序列空间、所述排量的可行序列空间，构建钻井参数组合空间；利用所述第一机械钻速预测模型处理所述钻井参数组合空间，得到对应的第一预测结果；根据所述第一预测结果，确定出符合要求的测试钻井参数组合；其中，所述符合要求的测试钻井参数组合包括方差不确定性符合要求的参数组合，和/或，期望机械钻速符合要求的参数组合，和/或，代表性符合要求的参数组合。
在一些实施例中，上述第一钻进模块403具体可以用于向钻机发送测试钻井参数组合，并控制钻机基于测试钻井参数组合，再按照时间和/或距离的控制，依次执行测试钻井参数组合中的钻井参数，在目标井段进行测试钻进，采集相应的测试机械钻速。
在一些实施例中，上述第二训练模块405具体可以用于对扩充训练数据集进行归一化操作，得到归一化后的扩充训练数据集；将归一化后的扩充训练数据集和归一化后的第一训练数据集合并起来作为新的训练集，训练第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型。
在一些实施例中，上述第二钻进模块406具体可以用于利用第二机械钻速预测模型处理归一化后的第一训练数据集和扩充训练数据集，得到多个第二预测结果；根据多个第二预测结果，从归一化后的第一训练数据集和扩充训练数据集中筛选出目标训练数据；从所述目标训练数据中提取出目标钻压、目标地面转速、目标排量，以构建得到目标钻井参数组合；根据所述目标钻井参数组合，控制钻机在目标井段钻进。
本说明书实施例还提供了一种钻井参数优化方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现：获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到；基于钻井参数的可行范围构建钻井参数组合空间；利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合；其中，所述测试钻井参数组合包括：测试钻压、测试地面转速、测试排量；控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速；组合所述测试钻井参数组合和所述测试机械钻速，得到针对目标井段的扩充训练数据集；利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型；根据所述第二机械钻速预测模型，控制钻机在目标井段钻进。
在本实施例中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
在本实施例中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施例的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

Claims (10)

1.一种钻井参数优化方法，其特征在于，包括：
获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到；
基于钻井参数的可行范围构建钻井参数组合空间；利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合；其中，所述测试钻井参数组合包括：测试钻压、测试地面转速、测试排量；
控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速；
组合所述测试钻井参数组合和所述测试机械钻速，得到针对目标井段的扩充训练数据集；
利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型；
根据所述第二机械钻速预测模型，控制钻机在目标井段钻进。
2.根据权利要求1所述的方法，其特征在于，在获取已钻井段的第一钻井参数和第一机械钻速预测模型之前，所述方法还包括：
检测待钻进的目标井段与已钻井段是否发生变化，和/或，钻具组合是否发生变化；
在确定待钻进的目标井段与已钻井段发生变化，或，钻具组合发生变化的情况下，确定获取已钻井段的第一钻井参数和第一机械钻速预测模型；
检测待钻进的目标井段与已钻井段是否发生变化，包括以下至少之一：判断地层是否发生变化；判断岩性是否发生变化；判断井眼尺寸是否发生变化。
3.根据权利要求1所述的方法，其特征在于，获取已钻井段的第一钻井参数和第一机械钻速预测模型，包括：
获取已钻井段的第一钻井参数，并基于第一预设区间，确定第一训练数据集；
对第一训练数据集进行归一化操作，得到归一化后的第一训练数据集；
利用归一化后的第一训练数据集，训练得到第一机械钻速预测模型。
4.根据权利要求1所述的方法，其特征在于，基于钻井参数的可行范围构建钻井参数组合空间，包括：
基于钻井参数的可行范围获得钻压的可行序列空间、地面转速的可行序列空间、排量的可行序列空间；其中，所述钻井参数包括钻压、地面转速、排量；
依据所述钻压的可行序列空间、所述地面转速的可行序列空间、所述排量的可行序列空间，构建钻井参数组合空间。
5.根据权利要求1所述的方法，其特征在于，利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合，包括：
利用所述第一机械钻速预测模型处理所述钻井参数组合空间，得到对应的第一预测结果；
根据所述第一预测结果，确定出符合要求的测试钻井参数组合；其中，所述符合要求的测试钻井参数组合包括方差不确定性符合要求的参数组合，和/或，期望机械钻速符合要求的参数组合，和/或，代表性符合要求的参数组合。
6.根据权利要求5所述的方法，其特征在于，根据所述第一预测结果，确定出符合要求的测试钻井参数组合，包括：
基于所述第一预测结果，计算所述钻井参数组合空间的方差不确定性参数；
基于所述第一预测结果，计算所述钻井参数组合空间的期望机械钻速不确定性参数；
基于所述第一预测结果，计算所述钻井参数组合空间的代表性参数；
根据所述钻井参数组合空间的方差不确定性参数、所述期望机械钻速不确定性参数、所述钻井参数组合空间的代表性参数，计算钻井参数组合空间的综合重要性参数；
根据所述钻井参数组合空间的综合重要性参数，从所述钻井参数组合空间中筛选出符合要求的多个第一钻井参数组合；并从所筛选出的符合要求的多个第一钻井参数组合中提取出测试钻压、测试地面转速、测试排量，以构建得到符合要求的测试钻井参数组合。
7.根据权利要求6所述的方法，其特征在于，基于所述第一预测结果，计算所述钻井参数组合空间的代表性参数，包括：
随机初始化第一预设个数个中心点，作为第一中心点；根据第一训练数据集，计算第一训练数据集各个样本点分别与各个第一中心点的距离；
根据第一训练数据集各个样本点分别与各个第一中心点的距离，将第一训练数据集各个样本点分别划分进与该样本点的距离最小的第一中心点所对应的类别组中；
根据分类后的第一训练数据集，重新选取第一预设个数个中心点，作为第二中心点；计算第一训练数据集各个样本点与各个第二中心点的距离；
判断中心点的距离变化量是否小于第一预设差异值；
如果中心点的距离变化量小于第一预设差异值，根据第二中心点计算第一预测结果各个样本点到第二中心点的综合距离；
对第一预测结果各个样本点到第二中心点的综合距离进行归一化操作，得到钻井参数组合空间的代表性参数；
如果中心点的距离变化量大于等于第一预设差异值，根据分类后的第一训练数据集，重新选取第一预设个数个中心点，作为第三中心点。
8.根据权利要求1所述的方法，其特征在于，根据第二机械钻速预测模型，控制钻机在目标井段钻进，包括：
利用第二机械钻速预测模型处理归一化后的第一训练数据集和扩充训练数据集，得到多个第二预测结果；
根据多个第二预测结果，从归一化后的第一训练数据集和扩充训练数据集中筛选出目标训练数据；
从所述目标训练数据中提取出目标钻压、目标地面转速、目标排量，以构建得到目标钻井参数组合；
根据所述目标钻井参数组合，控制钻机在目标井段钻进。
9.一种钻井参数优化装置，其特征在于，包括：
第一训练模块，用于获取已钻井段的第一钻井参数和第一机械钻速预测模型；其中，所述第一机械钻速预测模型利用第一训练数据集训练得到；
获取模块，用于基于钻井参数的可行范围构建钻井参数组合空间；利用所述第一机械钻速预测模型和所述钻井参数组合空间，获取符合要求的测试钻井参数组合；其中，所述测试钻井参数组合包括：测试钻压、测试地面转速、测试排量；
第一钻进模块，用于控制钻机基于所述测试钻井参数组合在目标井段进行测试钻进，并采集相应的测试机械钻速；
扩充模块，用于组合所述测试钻井参数组合和所述测试机械钻速，得到针对目标井段的扩充训练数据集；
第二训练模块，用于利用归一化后的第一训练数据集和所述扩充训练数据集，训练所述第一机械钻速预测模型，得到针对目标井段的第二机械钻速预测模型；
第二钻进模块，用于根据所述第二机械钻速预测模型，控制钻机在目标井段钻进。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
CN202210788889.9A 2022-07-06 2022-07-06 钻井参数优化方法及装置 Active CN115329657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210788889.9A CN115329657B (zh) 2022-07-06 2022-07-06 钻井参数优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210788889.9A CN115329657B (zh) 2022-07-06 2022-07-06 钻井参数优化方法及装置

Publications (2)

Publication Number Publication Date
CN115329657A true CN115329657A (zh) 2022-11-11
CN115329657B CN115329657B (zh) 2023-06-09

Family

ID=83916693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210788889.9A Active CN115329657B (zh) 2022-07-06 2022-07-06 钻井参数优化方法及装置

Country Status (1)

Country Link
CN (1) CN115329657B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115935816A (zh) * 2022-12-02 2023-04-07 昆仑数智科技有限责任公司 钻井参数确定方法、装置、设备及存储介质
CN117328850A (zh) * 2023-09-22 2024-01-02 安百拓(张家口)建筑矿山设备有限公司 钻机控制方法、装置、终端及存储介质
CN117703344A (zh) * 2024-02-01 2024-03-15 成都三一能源环保技术有限公司 一种基于数据分析的钻井参数调节方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799902A (zh) * 2012-08-13 2012-11-28 南京师范大学 一种基于代表性样本的增强型关系分类器
CN103699678A (zh) * 2013-12-31 2014-04-02 苏州大学 一种基于多阶段分层采样的层次聚类方法和***
CN111476256A (zh) * 2019-01-24 2020-07-31 北京京东尚科信息技术有限公司 基于半监督学习的模型训练方法、装置及电子设备
CN111860863A (zh) * 2020-07-17 2020-10-30 江南大学 一种基于协方差矩阵的主动学习方法
WO2021022572A1 (zh) * 2019-08-07 2021-02-11 南京智谷人工智能研究院有限公司 一种基于元学习的主动采样方法
CN112766388A (zh) * 2021-01-25 2021-05-07 深圳中兴网信科技有限公司 模型获取方法、电子设备和可读存储介质
CN113689055A (zh) * 2021-10-22 2021-11-23 西南石油大学 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
CN113720639A (zh) * 2021-08-31 2021-11-30 湘潭大学 一种污染场地调查补充采样的方法
CN113780466A (zh) * 2021-09-27 2021-12-10 重庆紫光华山智安科技有限公司 模型迭代优化方法、装置、电子设备和可读存储介质
CN114427430A (zh) * 2020-09-21 2022-05-03 中国石油化工股份有限公司 一种多井实时协同的钻井参数优化方法与***
CN114492757A (zh) * 2022-01-29 2022-05-13 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
US20220188648A1 (en) * 2020-12-10 2022-06-16 Southwest Petroleum University Method for predicting and optimizing penetration rate in oil and gas drilling based on cart algorithm

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799902A (zh) * 2012-08-13 2012-11-28 南京师范大学 一种基于代表性样本的增强型关系分类器
CN103699678A (zh) * 2013-12-31 2014-04-02 苏州大学 一种基于多阶段分层采样的层次聚类方法和***
CN111476256A (zh) * 2019-01-24 2020-07-31 北京京东尚科信息技术有限公司 基于半监督学习的模型训练方法、装置及电子设备
WO2021022572A1 (zh) * 2019-08-07 2021-02-11 南京智谷人工智能研究院有限公司 一种基于元学习的主动采样方法
CN111860863A (zh) * 2020-07-17 2020-10-30 江南大学 一种基于协方差矩阵的主动学习方法
CN114427430A (zh) * 2020-09-21 2022-05-03 中国石油化工股份有限公司 一种多井实时协同的钻井参数优化方法与***
US20220188648A1 (en) * 2020-12-10 2022-06-16 Southwest Petroleum University Method for predicting and optimizing penetration rate in oil and gas drilling based on cart algorithm
CN112766388A (zh) * 2021-01-25 2021-05-07 深圳中兴网信科技有限公司 模型获取方法、电子设备和可读存储介质
CN113720639A (zh) * 2021-08-31 2021-11-30 湘潭大学 一种污染场地调查补充采样的方法
CN113780466A (zh) * 2021-09-27 2021-12-10 重庆紫光华山智安科技有限公司 模型迭代优化方法、装置、电子设备和可读存储介质
CN113689055A (zh) * 2021-10-22 2021-11-23 西南石油大学 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
CN114492757A (zh) * 2022-01-29 2022-05-13 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谭侃 等: "基于双层采样主动学习的社交网络虚假用户检测方法" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115935816A (zh) * 2022-12-02 2023-04-07 昆仑数智科技有限责任公司 钻井参数确定方法、装置、设备及存储介质
CN117328850A (zh) * 2023-09-22 2024-01-02 安百拓(张家口)建筑矿山设备有限公司 钻机控制方法、装置、终端及存储介质
CN117328850B (zh) * 2023-09-22 2024-05-14 安百拓(张家口)建筑矿山设备有限公司 钻机控制方法、装置、终端及存储介质
CN117703344A (zh) * 2024-02-01 2024-03-15 成都三一能源环保技术有限公司 一种基于数据分析的钻井参数调节方法
CN117703344B (zh) * 2024-02-01 2024-04-30 成都三一能源环保技术有限公司 一种基于数据分析的钻井参数调节方法

Also Published As

Publication number Publication date
CN115329657B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN115329657A (zh) 钻井参数优化方法及装置
US8145462B2 (en) Field synthesis system and method for optimizing drilling operations
CN103548032B (zh) 使用微震事件数据的水力裂缝表征的***和方法
CN111520123B (zh) 一种机械钻速预测方法、装置及设备
Abbas et al. Modeling rate of penetration for deviated wells using artificial neural network
US20160076357A1 (en) Methods for selecting and optimizing drilling systems
CN111749686A (zh) 一种基于地层抗钻参数的钻头快速优选方法
WO2008085424A2 (en) Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity
CN113792936A (zh) 一种随钻岩性智能识别方法、***、设备和存储介质
CA2525221A1 (en) Performance forecasting and bit selection tool for drill bits
Abbas et al. Wellbore trajectory optimization using rate of penetration and wellbore stability analysis
CN109542884B (zh) 采用大数据耦合参数以优化破岩效率的方法和***
Abbas et al. Drill bit selection optimization based on rate of penetration: application of artificial neural networks and genetic algorithms
Akin et al. Estimating drilling parameters for diamond bit drilling operations using artificial neural networks
CN109973072A (zh) 一种摩阻预测方法及装置
CN115586086A (zh) 一种基于大数据的井壁失稳分析方法
CN110568495A (zh) 基于广义目标函数的瑞雷波多模式频散曲线反演方法
CN113323676A (zh) 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法
CN116432855A (zh) 一种基于掘进数据的隧道塌方情况的预测方法
US20240060419A1 (en) Method and system for automated rock recognition
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
US11216700B2 (en) Automated material classification by structural features
CN113946931A (zh) 一种测井遇阻遇卡的主导因素确定方法及装置
Serapião et al. Artificial immune systems for classification of petroleum well drilling operations
Beattie Monitoring-while-drilling for open-pit mining in a hard rock environment: An investigation of pattern recognition techniques applied to rock identification

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240402

Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Patentee after: CHINA PETROLEUM & CHEMICAL Corp.

Country or region after: China

Patentee after: Sinopec Petroleum Engineering Technology Research Institute Co.,Ltd.

Patentee after: China University of Petroleum (Beijing)

Address before: 100027 Chaoyangmen North Street, Chaoyang District, Chaoyang District, Beijing

Patentee before: CHINA PETROLEUM & CHEMICAL Corp.

Country or region before: China

Patentee before: SINOPEC Research Institute OF PETROLEUM ENGINEERING

Patentee before: China University of Petroleum (Beijing)