RU2595277C1 - Система и способ для моделирования скважинных событий с использованием кластеров аномальных данных ("rimlier") - Google Patents
Система и способ для моделирования скважинных событий с использованием кластеров аномальных данных ("rimlier") Download PDFInfo
- Publication number
- RU2595277C1 RU2595277C1 RU2015116750/03A RU2015116750A RU2595277C1 RU 2595277 C1 RU2595277 C1 RU 2595277C1 RU 2015116750/03 A RU2015116750/03 A RU 2015116750/03A RU 2015116750 A RU2015116750 A RU 2015116750A RU 2595277 C1 RU2595277 C1 RU 2595277C1
- Authority
- RU
- Russia
- Prior art keywords
- data
- clusters
- cluster
- anomalous
- well
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 45
- 238000004088 simulation Methods 0.000 title claims description 4
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000002547 anomalous effect Effects 0.000 claims description 138
- 238000012545 processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 16
- 238000005553 drilling Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000006378 damage Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 239000004606 Fillers/Extenders Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004452 microanalysis Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/02818—Density, viscosity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
- G06F16/24565—Triggers; Constraints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
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)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Geology (AREA)
- Probability & Statistics with Applications (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Complex Calculations (AREA)
Abstract
Изобретение относится к средствам анализа данных. Техническим результатом является увеличение точности прогнозирования событий в скважине. Предложен способ моделирования скважинных событий, согласно которому осуществляют следующие этапы: извлекают из базы данных набор данных, содержащий нормальные данные скважины и аномальные данные скважины; кластеризуют множество аномальных данных в множество кластеров, разделяют множество кластеров на кластер высокой плотности и кластер низкой плотности, причем кластеры высокой плотности используют в качестве кластера аномальных данных; анализируют кластер аномальных данных для определения переменных данных в пределах кластера аномальных данных, которые указывают на скважинное событие, и моделируют скважинное событие на основании анализа кластера аномальных данных. 2 н. и 10 з.п. ф-лы, 8 ил.
Description
ОБЛАСТЬ ТЕХНИКИ
Настоящее изобретение в общем относится к сбору и анализу данных и, в частности, к системе, которая анализирует один или большее количество кластеров аномальных данных о скважине или "rimliers" для моделирования скважинных событий.
УРОВЕНЬ ТЕХНИКИ
В прошлом было предложено осуществлять сбор данных для предсказывания скважинных событий. Обычно после извлечения данных аномальные данные удаляют для придания данным однородности, поскольку при выполнении вычислений, необходимых для моделирования данных, система имплицитно предполагает, что данные являются однородными и качественными. Таким образом, если аномальные данные не будут удалены, известные модели временного ряда, такие как программный движок на основе авторегрессионного интегрированного скользящего среднего (Arima) метода опорных векторов и т.п., могут потерпеть неудачу в области прогнозирования бурения, поскольку эти модели не смогут обработать аномальные данные, которые можно рассматривать как нежелательный шум, искажающий статистические результаты. После удаления аномальных данных очищенный набор данных используют для предсказания событий на основании шаблона или тенденции.
Однако традиционный способ имеет недостатки. Во-первых, удаленные аномальные данные могут дать более глубокое понимание прошлых, настоящих или будущих скважинных событий, таких как, например, разрушение коронки, разрушение инструмента из-за вибрации, и т.п. Вместо представления шума, удаленные аномальные данные фактически могут представлять микрособытия, случающиеся с уменьшенной частотой. Кроме того, при удалении аномальных данных могут быть пропущены критические данные, дающие понимание скважинных событий.
Соответственно, в уровне техники существует потребность в системе, которая использует аномальные данные для обнаружения и предсказания скважинных событий и, таким образом, использует все доступные данные о скважине.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
На фиг. 1 показана функциональная схема системы для анализа кластера аномальных данных ("rimlier") согласно одному приведенному в качестве примера варианту реализации настоящего изобретения;
на фиг. 2А показана блок-схема способа, реализуемого системой для анализа кластеров аномальных данных согласно приведенной в качестве примера методики настоящего изобретения;
на фиг. 2В показан приведенный в качестве примера кластер аномальных данных низкой плотности в графической форме вдоль временной последовательности;
на фиг. 2С показан приведенный в качестве примера кластер аномальных данных высокой плотности в графической форме вдоль временной последовательности;
на фиг. 2D показано распределение данных для нормальных данных, аномальных данных низкой плотности и кластеров аномальных данных согласно одному приведенному в качестве примера варианту реализации настоящего изобретения;
на фиг. 2Е показаны распределение данных для нормальных и аномальных кластеров аномальных данных высокой плотности согласно одному приведенному в качестве примера варианту реализации настоящего изобретения;
на фиг. 2F показано распределение типа "голова - кластер аномальных значений - хвост" в графической форме вдоль временной последовательности согласно одному приведенному в качестве примера варианту реализации настоящего изобретения; и
на фиг. 3 показаны измеренные во время бурения переменные и их влияние в зависимости от времени согласно одному приведенному в качестве примера варианту реализации настоящего изобретения.
ОПИСАНИЕ ПОКАЗАННЫХ НА ЧЕРТЕЖАХ ВАРИАНТОВ РЕАЛИЗАЦИИ
Ниже описаны показанные на чертежах варианты реализации и соответствующие способы согласно настоящему изобретению, которые могут быть применены в системе для моделирования скважинных событий с использованием кластеров аномальных данных. Используемый в настоящей заявке термин "моделирование" скважинных событий относится к обнаружению и/или предсказанию скважинных событий. С целью ясности не все признаки фактического осуществления или способов описаны в настоящей спецификации. Разумеется, следует понимать, что при усовершенствовании любого такого фактического варианта реализации должны быть приняты многочисленные решения конкретного осуществления для достижения конкретных целей разработчиков, такие как совместимость с системными и экономическими ограничениями, которые изменятся от одного случая применения к другому. Кроме того, понятно, что попытки такого усовершенствования могут быть сложными и времязатратными, но, однако тем не менее настоящее описание может быть руководством к действию для специалистов, для которых очевидны преимущества настоящего изобретения. Дополнительные аспекты и преимущества различных вариантов реализации и соответствующих способов согласно настоящему изобретению станут очевидными после ознакомления с приведенным ниже описанием и сопроводительными чертежами.
На фиг. 1 показана функциональная схема системы 100 для анализа кластеров аномальных данных согласно одному варианту реализации настоящего изобретения. Как описано ниже в настоящей заявке, система 100 для анализа кластеров аномальных данных анализирует группу аномальных данных, которая в настоящей заявке также может быть названа кластером аномальных данных или выбросов, демонстрирующих ненормальное поведение, которые в настоящей заявке названы "rimliers". После идентифицирования данных система 100 для анализа кластеров аномальных данных анализирует кластеры аномальных значений для определения тех переменных данных среди кластеров аномальных данных, которые указывают на возникновение скважинного события. Затем, на основании этого анализа система 100 моделирует (т.е. обнаруживает и/или предсказывает) скважинные события, такие как события, обычно характеризуемые переходным неустойчивым поведением, например, события, вызванные вибрациями инструмента, например, разрушение подшипников в случае зажимания долота шарошечного типа, зажим или повреждение зубьев коронки у расширителя ствола скважины, увеличение слоя выбуренной породы, крутильные колебания забойной компоновки, и т.п.
Данные, проанализированные системой 100 для анализа кластеров аномальных данных, могут быть данными режима реального времени или сохраненными в локальной/дистанционной базе данных. База данных может включать, например, общую информацию о скважине и операциях, сводные данные об уровне операций, данные об отдельных рабочих этапах графика закачивания или другие данные, обычно присутствующие в ежедневных отчетах об операциях для регистрации хода работ и общего состояния скважины. Такие данные могут включать, например, сведения о компонентах эксплуатационной обсадной колонны и глубине их расположения в скважине, продвижении бурильной колонны, буровой компоновке забоя и буровой коронке, используемой для бурения скважины, и ее размере, и т.п. Примеры вариантов реализации согласно настоящему изобретению включают доступ к базе данных для извлечения одного или большего количества необходимых наборов данных. Затем система анализирует набор данных для переменных, указывающих шаблоны или тенденции, и, таким образом, определяет нормальные конкретные значения данных, а также значения данных, отклоняющихся от нормальных конкретных значений данных, также известных как аномальные значения или выбросы.
После этого система 100 для анализа кластеров аномальных данных группирует аномальные значения с использованием известных статистических способов извлечения информации и разделяет их на кластеры аномальных данных низкой плотности и кластеры аномальных данных высокой плотности. Используемый в настоящей заявке термин "кластеризация" относится не только к традиционным способам кластеризации, таким как, например, ядерная кластеризация методом k-средних, но также и к другим способам группирования, таким как, например, ручная визуальная идентификация и более усовершенствованные вычислительные способы, понятные для специалистов, использующих преимущества настоящего изобретения. Кластерами аномальных данных низкой плотности являются кластеры, содержащие небольшое количество конкретных значений данных, в то время как кластерами аномальных данных высокой плотности являются кластеры, которые содержат большое количество конкретных значений данных. Для специалистов, использующих преимущества настоящего изобретения, понятно, что определение того, какой кластер считается имеющим высокую плотность, а какой низкую плотность, зависит от общего количества конкретных значений данных в конкретном наборе данных аномальных данных. Например, в некоторых случаях кластер, содержащий 100 аномальных конкретных значений данных, не может отражать фактическую проблему скважины; но вместо этого может отражать электрический выброс сигнала. В другом примере кластер, содержащий 10 аномальных конкретных значений данных, может отражать фактическую проблему скважины и, таким образом, может считаться кластером высокой плотности. Тем не менее, как описано ниже в настоящей заявке, система 100 для анализа кластеров аномальных данных затем анализирует кластер аномальных данных высокой плотности, или "rimlier, для моделирования скважинных событий.
Как показано на фиг. 1, система 100 для анализа кластеров аномальных данных содержит по меньшей мере один процессор 102, энергонезависимое машиночитаемое и запоминающее устройство 104, приемопередатчик/сетевой коммуникационный блок 105, дополнительные устройства 106 ввода/вывода и дополнительное отображающее устройство 108 (например, пользовательский интерфейс), причем все указанные устройства соединены посредством системной шины 109. Инструкции программного обеспечения, исполняемые процессором 102 для реализации инструкций программного обеспечения, сохраненные внутри программного движка 110 для анализа кластеров аномальных данных согласно приведенным в качестве примеров вариантам реализации, описанным в настоящей заявке, могут быть сохранены в запоминающем устройстве 104 или некотором другом машиночитаемом носителе.
Несмотря на то что это не показано на фиг. 1, следует понимать, что система 100 для анализа кластеров аномальных данных может быть соединена с одной или большим количеством общественных и/или частных сетей посредством одного или большего количества соответствующих сетевых соединений. Также следует понимать, что инструкции программного обеспечения, реализующие программный движок 110 для анализа кластеров аномальных данных, также могут быть загружены в запоминающее устройство 104 из компакт-диска (CD-ROM) или другого соответствующего накопительного устройства посредством проводной или беспроводной связи.
Кроме того, специалистам понятно, что настоящее изобретение может быть осуществлено с использованием различных конфигураций компьютерных систем, включая переносные устройства, мультипроцессорные системы, системы на основе микропроцессоров или программируемых пользователем электронных средств, мини ЭВМ, универсальных ЭВМ, и т.п. С настоящим изобретением могут быть использованы любое число компьютерных систем и компьютерных сетей. Настоящее изобретение может быть осуществлено в форме распределенной вычислительной среды, в которой задачи выполняются дистанционными обрабатывающими устройствами, связанными посредством коммуникационной сети. В распределенной вычислительной среде программные модули могут быть размещены как в локальном, так и в дистанционном компьютерном накопительном устройстве, включая накопительные запоминающие устройства. Таким образом, настоящее изобретение может быть реализовано в соединении с различными аппаратными средствами программным обеспечением или комбинацией вышеперечисленного в компьютерной системе или другой обрабатывающей системе.
Также со ссылкой на фиг. 1, согласно некоторым вариантам реализации программный движок 110 для анализа кластеров аномальных данных содержит блок 112 для извлечения данных и блок 114 для анализа данных. Программный движок 110 для анализа кластеров аномальных данных представляет собой техническую платформу для технологического процесса, которая включает различные системные компоненты таким образом, что выходной сигнал одного компонента является входным сигналом для следующего компонента. Согласно одному приведенному в качестве примера варианту реализации программный движок 110 для извлечения и анализа данных может быть, например, программной платформой AssetConnet™, коммерчески доступной от компании Halliburton Energy Services Inc., г. Хьюстон, штат Техас. Специалистам, использующим преимущество настоящего изобретения, понятно, что программный движок 110 для извлечения и анализа данных обеспечивает интегрированную многопользовательскую производственную инжиниринговую среду для облегчения оптимизированного поточного практического осуществления с надлежащей инженерной проработкой и быстрым принятием решений. При этом программный движок 110 для анализа кластеров аномальных данных упрощает создание многодоменных технологических процессов и обеспечивает возможность интеграции любых разнообразных случаев технического применения в единый технологический процесс. Специалистам понятно, что с настоящим изобретением могут быть использованы другие подобные технологические платформы.
Блок 112 для извлечения данных, который служит в качестве компонента базы данных в программном движке 110 для анализа кластеров аномальных данных, используется процессором 102 для извлечения необходимых для вычисления относящихся к данной скважине наборов данных из базы данных сервера (не показан) или из данных скважины, полученных в режиме реального времени. Согласно некоторым вариантам реализации база данных сервера может представлять собой, например, локальный или дистанционный сервер SQL, который содержит переменные данные, относящиеся к подробностям скважинных операций, данные о геометрии скважины, поэтапные данные графика закачиваний, послеоперационные сводки, информацию о забое, и т.п. Согласно другому приведенному в качестве примера варианту реализации блок 112 для извлечения данных принимает данные в режиме реального времени от источников в скважине с использованием известных способов. Как описано ниже в настоящей заявке, в различных вариантах реализации настоящего изобретения блок 112 используется для извлечения ключевых переменных из базы данных или расположенного в скважине источника данных, соответствующего различным идентификаторам операций, с использованием серверных запросов. После извлечения или приема данных программный движок 110 для анализа кластеров аномальных данных передает полученный набор данных блоку 114 для анализа данных.
Блок 114 для анализа данных используется процессором 102 для анализирования данных, извлеченных блоком 112. Примером платформы для анализа данных может служить, например, прикладной пакет Matlab®, известный специалистам, использующим преимущество настоящего изобретения. Как описано в настоящей заявке, система 100 для анализа кластеров аномальных данных анализирует посредством блока 114 набор данных для идентификации кластеров аномальных данных, которые используются для моделирования скважинных событий.
Ниже описан со ссылкой на фиг. 2А пример способа 200 согласно настоящему изобретению. Согласно этому приведенному в качестве примера способу система 100 для анализа кластеров аномальных данных анализирует один или большее количество кластеров данных аномального значения, или "rimliers", для идентификации тех переменных данных, которые указывают на одно или большее количество скважинных событий, и после этого моделирует эти скважинные события. Например, система 100 может быть использована для обнаружения и/или предсказания, испытала ли или только испытает конкретная операция выпадение расклинивающего агента, вызванное вибрацией повреждение, разрушение коронки и т.п. Кроме того, описанный ниже способ включает этапы, согласно которым система 100 для анализа кластеров аномальных данных извлекает и анализирует данные для моделирования указанных скважинных событий.
На этапе 202 система 100 для анализа кластеров аномальных данных инициализирует и отображает посредством отображающего устройства 108 графический пользовательский интерфейс, создание которого является легко понятным для специалистов, использующих преимущество настоящего изобретения. В настоящей заявке система 100 для анализа кластеров аномальных данных находится в ожидании поступления запросов, отражающих извлечение набора данных. Согласно одному варианту реализации запросы SQL могут быть использованы для определения данных, которые будут извлечены из базы данных, в то время как запросы на извлечение данных каротажа используются для загрузки данных из источников в режиме реального времени. Такие запросы могут включать, например, местоположение месторождения, название пласта, название переменных, дополнительные вычисления, необходимые для новых переменных, и т.п. На этапе 204 система 100 для анализа кластеров аномальных данных обнаруживает запросы, и на этапе 206 процессор 102 передает команду блоку 112 на извлечение соответствующего набора или наборов данных из источника режима реального времени или базы данных. Примеры переменных набора данных могут включать, например, конкретные значения данных, относящихся к весам, давлениям, температурам, вертикальной скорости или скорости вращения, объему шлама, массе проппанта и т.п. для конкретной скважины. Согласно различным вариантам реализации шумовой сигнал может быть устранен путем использования двойных датчиков, которые передают дополняющие друг друга данные, как известно специалистам, использующим преимущество настоящего изобретения.
На этапе 208 программный движок 110 для анализа кластеров аномальных данных анализирует извлеченный набор данных для определения аномальных данных. Для этого программный движок 110 анализирует данные на основании заданного порога. Согласно некоторым вариантам реализации переменным может быть назначено состояние аномального значения, если они характеризуются как значения, которые более чем в три раза превышают стандартное отклонение, несмотря на то, что могут быть использованы другие коэффициенты качества. Эти переменные, находящиеся в пределах заданного порога, считаются нормальными, в то время как конкретные значения данных, находящиеся за пределами заданного порога, считаются аномальными значениями. Например, если извлеченный набор данных относится к давлениям в скважине, давления внутри некоторого диапазона могут считаться нормальными, в то время как давления за пределами этого диапазона могут рассматриваться как аномальные значения. После определения аномальных данных программный движок 110 группирует аномальные значения с использованием способа кластеризации, такого как, например, ядерная кластеризация методом k-средних. Однако могут быть использованы другие способы кластеризации, известные специалистам, использующим преимущество настоящего изобретения.
Согласно некоторым вариантам реализации программный движок 110 для анализа кластеров аномальных данных может предварительно обрабатывать извлеченные данные перед определением аномальных данных для удаления искаженных данных. Время от времени, данные, поступающие в базу данных, могут содержать неполные или несопоставимые данные. Неполные данные могут включать нечисловые (NAN) или пустые (NULL) данные, или данные, полученные в результате неосторожного ввода. Шумовые данные могут включать данные, следующие из неправильного сбора или человеческой ошибки. Несопоставимые данные могут включать данные, имеющие различные форматы или несопоставимые названия.
На этапе 210 программный движок 110 для анализа кластеров аномальных данных анализируют кластеры для определения наличия кластеров высокой плотности. Как описано выше, специалистам, использующим преимущество настоящего изобретения, понятно, что определение, какие кластеры следует считать имеющими высокую плотность и низкую плотность, зависит от общего количества переменных данных в конкретном наборе данных с аномальными значениями. Например, 2 конкретных значения данных можно считать имеющими высокую плотность для кластера аномальных данных, содержащего 10 общих переменных, в то время как 200 конкретных значений можно считать имеющими низкую плотность для кластера аномальных данных, содержащего 1000 переменных. Таким образом, согласно некоторым вариантам реализации программный движок 110 для анализа кластеров аномальных данных может выполнять такое определение, например, на основании заданного порога или порога, введенного в динамическом режиме посредством пользовательского интерфейса.
Если на этапе 210 программный движок 110 логически определяет "Нет", алгоритм возвращается назад к этапу 204 и начинается снова. Однако, если на этом этапе программный движок 110 определяет "Да" (т.е. имеются кластеры аномальных данных высокой плотности), эти кластеры высокой плотности на этапе 212 будут маркированы как кластеры аномальных значений. Для разъяснения этой операции на фиг. 2В показан пример распределения Т0…Tn временной последовательности кластера низкой плотности, имеющего только несколько выбросов данных (аномальных данных), соответствующих одному или большему количеству измерений D0…Dn в забое скважины в режиме реального времени (например, давления на стояке, крутящего момента, веса на коронке, скорости вращения коронки, и т.п.), в то время как на фиг. 2С показано подобное распределение кластера высокой плотности, имеющего различные выбросы данных (аномальные данные), в противоположность нормальным конкретным значениям данных. На фиг. 2D показан пример распределения аномальных данных низкой и высокой плотности вдоль плоскостей X, Y. Здесь нормальные и аномальные конкретные значения данных кластеризованы и начерчены с использованием программного движка 110 для анализа кластеров аномальных данных. Таким образом, выяснено, что извлеченный набор данных содержал аномальные данные 1 и 2 низкой плотности, а также кластеры аномальных данных высокой плотности, или "rimliers", 1 и 2. Соответственно, на этапе 212 программный движок 110 для анализа кластеров аномальных данных маркирует аномальные значения 1 и 2 высокой плотности как кластеры аномальных значений ("rimliers") 1 и 2.
На этапе 214 программный движок 110 с использованием блока 114 для анализа данных анализирует кластеры аномальных значений ("rimliers") для идентификации переменных, которые могут быть использованы для моделирования скважинных событий. Для этого программный движок 110 может использовать различные способы многомерной статистики, такие как, например, регрессия методом наименьших квадратов, нейронные сети, способ нечетких или гибридных нейро-нечетких сетей, алгоритмы на основе правил, алгоритмы на основе прецедентов или способ на основе дерева решений. Специалистам, использующим преимущество настоящего изобретения, понятно, что с использованием указанных способов настоящее изобретение на основании физических законов интерполирует существующие статистические модели, данные за прошлое время и недавнее поведение для определения вероятных последствий или предсказания будущего скважины и ее компонентов на основании присутствия кластеров аномальных данных ("rimliers"). Как описано выше, присутствие кластеров аномальных данных ("rimliers") может указывать, например, на возможное ухудшение рабочих характеристик коронки вследствие износа, которое может привести к разрушению твердосплавных вставок или возможным дорогостоящим ремонтным операциям.
Согласно первому приведенному в качестве примера варианту реализации способа программный движок 110 для анализа кластеров аномальных данных на этапе 214(a) выполняет микроанализ одиночного кластера аномальных значений ("rimlier"). Как показано на фиг. 2Е, программный движок 110 дополнительно кластеризует одиночный кластер аномальных значение в нормальный кластер данных высокой плотности и аномальный кластер данных высокой плотности. Затем, программный движок 110 анализирует аномальный кластер данных высокой плотности для определения возможности дальнейшей микрокластеризации, в то время как нормальные аномальные данные 1 высокой плотности устраняют (поскольку, в действительности они не является существенным кластером аномальных данных). Если данный микрокластер отстоит далеко от других кластеров на графике, это может указывать на то, что внутри кластера аномальных данных имеются аномальные значения. Например, могут наблюдаться различные отрицательные скорости вращения, которые превышают механический порог для бурильной колонны. Кроме того, программный движок 110 может продолжать микрокластеризацию последующих кластеров аномальных данных до получения последующих кластеров аномальных данных, пока эти кластеры, которые являются конкретными характеристиками возможного нежелательного события, не будут изолированы и идентифицированы. Таким образом, эта возможность позволяет программному движку 110 для анализа кластеров аномальных данных устранять ненужные аномальные значения внутри кластера аномальных данных или идентифицировать дополнительные кластеры, подходящие для предсказания и обнаружения события. Этот алгоритм итерационно продолжают до тех пор, пока в конечном счете на этапе 216 программный движок 110 для анализа кластеров аномальных данных не завершит моделирование скважинных событий.
Согласно второму приведенному в качестве примера варианту реализации способа программный движок 110 для анализа кластеров аномальных данных может выполнять на этапе 214(b) макроанализ различных кластеров аномальных данных. Помимо прочего, макроанализ может быть использован для исследования шаблона кластеров аномальных данных таким образом, чтобы могли быть предсказаны события. Кроме того, программный движок 110 также может анализировать кластеры аномальных данных для идентификации шаблонов, отклонений, тенденций, классов, различных ответов, и т.п., как очевидно для специалистов, использующих преимущество настоящего изобретения. Способы энтропии, известные специалистам, использующим преимущество настоящего изобретения, могут быть применены для предсказания, например, отказа инструментов, боковой или радиальной вибрации и т.п. Кроме того, программный движок 110 может использовать энтропию для исследования однородности кластеров аномальных данных, в результате чего могут быть получены кластеры аномальных данных, содержащие однородные данные в пределах заданного периода времени. Энтропия однородных данных равна нулю, в то время как энтропия кластеров аномальных данных должна быть вычислена.
На фиг. 2F в графической форме показано распределение временного ряда типа "голова - кластер аномальных данных ("rimlier") - хвост" для дополнительного объяснения предложенного способа. Для выполнения энтропийного анализа программный движок 110 должен определить относительную энтропию между "головными" данными и кластерами аномальных данных, а также "хвостовыми" данными и кластерами аномальных данных, с использованием следующей формулы:
где р(х) - вероятность х.
В настоящей заявке программный движок 110, во-первых, использует способ кластеризации для обнаружения и добавления кластеров аномальных данных, как описанные выше. В дополнение к кластеризации для обнаружения и добавления кластеров аномальных данных могут быть использованы другие способы, такие как, например, алгоритм на основе правил, алгоритм на основе плотности, метод декомпозиции, метод опорных векторов (SVM), нейронная сеть и т.п., известные специалистам, использующим преимущество настоящего изобретения. Во-вторых, программный движок 110 вычисляет множители "Головы" и "Хвоста" для кластеров аномальных данных. Головной множитель для кластеров аномальных данных определяется как отношение энтропии "головы" к кластерам аномальных данных, как показано ниже:
Хвостовой множитель для кластеров аномальных данных определяется как отношение энтропии "хвоста" к кластерам аномальных данных и вычисляется программным движком 110 следующим образом:
После вычисления программным движком 110 указанных отношений (т.е. головного и хвостового множителей для кластеров аномальных данных), эти отношения на этапе 216 используются программным движком 110 для количественного определения и предсказания или моделирования скважинных событий. Например, увеличение отношения или плотности кластера аномальных данных за пределы заданного порога и, таким образом, увеличение веса и значения, указывает на наступившее или приближающееся скважинное событие. Однако если отношение кластера аномальных данных уменьшается, проблема исчезает. Согласно другому варианту реализации программный движок 110 для анализа кластеров аномальных данных может использовать это отношение для множества кластеров. Опять же, если отношение начинает уменьшаться, это указывает, что проблем в скважине не имеется. Однако, если это отношение начинает увеличиваться, это может привести к катастрофическому разрушению. В таких сценариях на этапе 216 программный движок 110 может передавать аварийный сигнал посредством пользовательского интерфейса для предупреждения пользователя на основании заданного пользователем порога.
Согласно другим вариантам реализации программный движок 110 для анализа кластеров аномальных данных также может сравнивать это отношение с механической или гидромеханической конкретной энергией для определения или предсказания проблем в скважине. Путем выполнения этого сравнения программный движок 110 может определить, как расходуется энергия в скважинном оборудовании (т.е. увеличивается или уменьшается эффективность системы). Например, уменьшение эффективности системы указывает на присутствующее или будущее скважинное событие, в то время как увеличение эффективности системы указывает, что скважине ничто не угрожает. Соответственно, на этапе 216 программный движок 110 моделирует такие события, в результате чего указанные события могут быть предсказаны и/или обнаружены.
Согласно некоторым вариантам реализации программный движок 110 для анализа кластеров аномальных данных также может использовать энтропию для определения взаимной корреляции с другими данными, такими как, например, данными подобных инструментов, расположенных на различных глубинах, а также данными о гамма-излучении, удельном сопротивлении и другими измеренными данными, принятыми от других инструментов в бурильной колонне. Такие данные от других инструментов могут приниматься в режиме реального времени или могут быть извлечены из базы данных в запоминающем устройстве. Посредством взаимной корреляции этих данных программный движок 110 для анализа кластеров аномальных данных может сопоставлять, устранять или подтверждать результаты. Например, неустойчивое изменение крутящего момента коронки может быть вызвано по причине изменений в пласте, наблюдаемых путем гамма-каротажа, но не из-за повреждения зубьев коронки. Согласно данному варианту реализации кластеры аномальных данных лежат внутри многомерного пространства с несколькими переменными, которые взаимно коррелируют с результатами гамма-каротажа и других способов каротажа для определения, вызваны ли некоторые события изменяемыми переменными (например, расходом), которые могут быть отрегулированы или устранены, или вызваны неизменными переменными (например, состоянием пласта). После этого на этапе 216 в дополнение к предсказанию и/или обнаружению событий программный движок 110 также может определить возможность избежания некоторых событий.
Соответственно, на основании приведенного выше анализа программный движок 110 моделирует события скважины. В дополнение к некоторым стабильным конкретным значениям данных, указывающим на скважинные события, для указания событий также могут быть использованы, например, различные тенденции. Например, анализ кластеров аномальных данных может указывать, что трение колонны о стенки скважин увеличивается на поверхности; однако данные также могут отражать тенденцию к увеличению энтропии, указывающую на возможное событие заклинивания трубы. Подобным образом, также могут быть обнаружены, например, разрушение колонны и зубьев коронки.
Программный движок 110 для анализа кластеров аномальных данных может предоставлять результаты в различных формах, таких как, например, модель земных недр, в графической форме, в форме плоского или объемного изображения, и т.п., известных специалистам, использующим преимущество настоящего изобретения. В этом отношении, визуализация данных является важным аспектом любого анализа извлеченных данных. Если размерность пространства данных равна 3 или выше, визуализация данных для человека становится весьма затруднительной. Кроме того, в некоторых вариантах реализации настоящего изобретения на этапе 216 используется многомерное шкалирование ("MDS") для улучшения анализа с использованием системы 100 WDMA (множественного доступа с разделением частот) при визуализации данных, поскольку этот способ уменьшает размерность данных для целей визуализации, как известно специалистам, использующим преимущество настоящего изобретения.
Как показано на фиг. 3, в некоторых вариантах реализации настоящего изобретения также могут быть использованы различные виды анализа распределения или спектрального анализа для анализирования кластеров аномальных данных таким образом, чтобы для данного события могли быть определены параметры влияния. Такой анализ распределения может быть использован для исследования данных в частотной области и является известным в уровне техники. В примере, показанном на фиг. 3, кластеры аномальных данных А, В и С показаны в графической форме для представления измеренной переменной D0…Dn бурения и ее влияния на кластеры аномальных данных А, В, и С относительно времени Т0…Tn. Согласно другому варианту реализации распределение или спектральный анализ могут быть основаны на некоторой другой переменной, такой как, например, глубина. Согласно другому варианту реализации также могут быть отображены тепловые карты (не показаны) переменных для указания опасных событий и их растущее присутствие. Согласно другому варианту реализации программный движок 110 может использовать предсказанные события разрушения для определения или оценки непроизводительных затрат времени путем соответствующего переноса таких событий, как должно быть известно специалистам, использующим преимущество настоящего изобретения.
Согласно другому варианту реализации система 100 для анализа кластеров аномальных данных может предсказывать скорость бурения или срок службы коронки с использованием данных, полученных от одиночной скважины или от множества скважин. Путем использования одного или большего количества способов анализа, описанных выше, программный движок 110 для анализа кластеров аномальных данных вычисляет поправочные коэффициенты между фактическими и смоделированными значениями кластеров аномальных данных, связанных с бурением. Вычисление таких поправочных коэффициентов может быть выполнено, например, итерационным или алгоритмическим способом для соответствия фактическим данным, как должно быть понятно специалистам, использующим преимущество настоящего изобретения. Например, расчетное значение 100 и фактическое значение 110 имеют поправочный коэффициент 1,1.
Тем не менее, после вычисления поправочных коэффициентов программный движок 110 может определить тенденцию и назначить корреляционный весовой коэффициент для выполнения опережающего моделирования. Например, сравнение результатов вычислений конкретной энергии с результатами вычислений прочности горной породы, имеющей неограниченную или ограниченную прочность, обеспечивает непрерывную оценку рабочих характеристик бурения для идентификации ограничивающих факторов, таких как, например, затруднительные положения в буровой системе, связанные с изношенными зубьями или начинающей разрушаться коронкой. Таким образом, на основании сравнения программный движок 110 определяет энергию, необходимую для проходки пласта коронкой, и, таким образом, обеспечивает эффективное использование рабочего ресурса коронки.
Соответственно, согласно некоторым вариантам реализации программный движок 110 может рекомендовать параметры режима бурения для достижения оптимальной эффективности бурения и увеличения срока службы коронки. Поскольку инструменты для оценки пласта скважины обновляются и корректируются вслед за изменениями структуры пласта, что приводит к изменению прочности пласта, программный движок 110 может повторно вычислить износ коронки и изменение срока ее службы, соответственно. В таких вариантах реализации система 100 для анализа кластеров аномальных данных принимает в режиме реального времени данные от датчиков скважины, как должно быть известно специалистам, использующим преимущество настоящего изобретения.
Описанные в настоящей заявке варианты реализации настоящего изобретения обеспечивают системы для извлечения данных и идентификации кластеров аномальных данных для обнаружения и/или предотвращения скважинных событий и, таким образом, обеспечения ценной информации о буровых работах в целях повышения производительности и интенсификации использования скважины/эксплуатационного оборудования. Согласно некоторым вариантам реализации настоящего изобретения анализируются только кластеры аномальных данных, в результате чего разработан быстрый и эффективный статистический способ, которому требуется уменьшенных объемов запоминающих устройств и вычислительных мощностей, чем при использовании известных систем.
Кроме того, обеспеченная согласно настоящему изобретению возможность кластеризации данных скважины в соединении с анализом только кластеров аномальных данных обеспечивает дополнительную возможность понимания сути произошедших или предсказанных событий. Как описано в настоящей заявке, кластеризация кластеров аномальных данных высокой плотности позволяет обнаруживать и/или предсказывать события, такие как, например, разрушение коронки, поломка инструмента из-за вибрации, и т.п. Кроме того, настоящее изобретение также позволяет определить возможность изменения некоторых предсказанных или обнаруженных событий. Кроме того, настоящее изобретение также обеспечивает возможность представления результатов в простом, интуитивном и легко понимаемом формате, что превращает его в чрезвычайно эффективный инструмент для предсказания и/или обнаружения скважинных событий.
Описанные выше способы и системы согласно настоящему изобретению, в частности, подходят для использования в планировании, изменении и/или бурении скважин. Как описано выше, система анализирует один или большее количество кластеров аномальных данных для идентификации характеристик, которые могут быть использованы для предсказания и/или обнаружения скважинных событий. Обнаруженные/предсказанные события после их идентификации могут быть представлены визуально посредством пользовательского интерфейса. Затем, эти данные могут быть использованы для идентификации скважинного оборудования и разработки плана эксплуатации или стимуляции скважины. После этого скважину бурят, стимулируют, изменяется и/или заканчивают в соответствии с характеристиками, идентифицированными с использованием настоящего изобретения.
Специалистам понятно, что способы согласно настоящему изобретению также могут быть реализованы в динамическом режиме. Таким образом, план размещения или стимуляции скважины может быть обновлен в режиме реального времени на основании результатов анализа, полученных согласно настоящему изобретению. Кроме того, после реализации плана размещения или стимуляции скважины система согласно настоящему изобретению может быть использована во время эксплуатации оборудования в процессе работы или итерационно для определения оптимальных траекторий скважины, точек инициирования трещин и/или стимуляционной конструкции при изменении, уточнении или регулировании параметров скважины. В любом случае результаты динамических вычислений могут быть использованы для изменения ранее разработанного плана размещения или стимуляции скважин.
Согласно настоящему изобретению предложен реализуемый компьютером способ моделирования скважинных событий, включающий этапы, согласно которым извлекают из базы данных набор данных, содержащий нормальные данные скважины и аномальные данные скважины, кластеризуют множество аномальных данных для формирования кластера аномальных данных, анализируют кластер аномальных данных для определения переменных данных в пределах кластера аномальных данных, которые указывают на скважинное событие, и моделируют скважинное событие на основании анализа кластера аномальных данных. Согласно другому варианту реализации способа указанная кластеризация множества аномальных данных для формирования кластера аномальных данных дополнительно включает этапы, согласно которым кластеризуют множество данных с аномальными значениями в множество кластеров, разделяют множество кластеров на кластер высокой плотности и кластер низкой плотности и маркируют эти кластеры высокой плотности как кластера аномальных значений ("rimlier"). Еще один способ дополнительно включает удаление искаженных данных из извлеченного набора данных.
Согласно другому варианту реализации способа анализирование кластера аномальных данных ("rimlier") дополнительно включает этапы, согласно которым разделяют кластер аномальных данных на нормальный кластер данных высокой плотности и аномальный кластер аномальных данных высокой плотности, после чего анализируют аномальный кластер данных высокой плотности для определения переменных данных, которые указывают на скважинное событие. Согласно другому варианту реализации кластеризация множества данных с аномальным значением для формирования кластера аномальных данных дополнительно включает формирование множества кластеров аномальных данных. Согласно другому варианту реализации моделирование скважинного события дополнительно включает моделирование энергетической эффективности скважинного оборудования. Еще один способ дополнительно включает определение возможности избежания моделируемого скважинного события. Другой способ дополнительно включает генерацию аварийного сигнала, соответствующего моделируемому скважинному событию. Еще один способ дополнительно включает отображение моделируемого скважинного события в форме дерева или модели земных недр. Согласно другому варианту реализации скважину бурят, заканчивают или стимулируют в соответствии с моделируемыми скважинными событиями.
Согласно другому варианту реализации в настоящем изобретении предложена система, содержащая обрабатывающую схему для осуществления способов, описанных в настоящей заявке. Согласно другому варианту реализации настоящего изобретения предложен компьютерный программный продукт, содержащий инструкции, которые при их исполнении по меньшей мере одним процессором вызывают осуществление процессором способов, описанных в настоящей заявке.
Несмотря на то, что выше показаны и описаны различные конкретные варианты реализации и способы, настоящее изобретение не ограничивается этими вариантами реализации и способами и, как должно быть понято, охватывает все модификации и изменения, которые могут быть очевидными для специалиста. Например, несмотря на то, что в настоящей заявке описано использование кластеров аномальных данных, согласно различным вариантам реализации настоящего изобретения также могут быть использованы нормальные данные в соединении с кластерами аномальных данных для обнаружения или моделирования скважинных событий. Таким образом, следует понимать, что настоящее изобретение не ограничивается конкретными описанными вариантами реализации. Напротив, настоящее изобретение охватывает все модификации, эквиваленты и альтернативы, находящиеся в пределах принципа и объема защиты настоящего изобретения, определенного в пунктах приложенной формулы.
Claims (12)
1. Реализуемый с использованием компьютера способ моделирования скважинных событий, согласно которому:
извлекают из базы данных набор данных, содержащий нормальные данные скважины и аномальные данные скважины,
кластеризуют множество аномальных данных в множество кластеров, разделяют множество кластеров на кластер высокой плотности и кластер низкой плотности, причем кластеры высокой плотности используют в качестве кластера аномальных данных ("rimlier"),
анализируют кластер аномальных данных ("rimlier") для определения переменных данных в пределах кластера аномальных данных ("rimlier"), которые указывают на скважинное событие, и
моделируют скважинное событие на основании анализа кластера аномальных данных ("rimlier").
извлекают из базы данных набор данных, содержащий нормальные данные скважины и аномальные данные скважины,
кластеризуют множество аномальных данных в множество кластеров, разделяют множество кластеров на кластер высокой плотности и кластер низкой плотности, причем кластеры высокой плотности используют в качестве кластера аномальных данных ("rimlier"),
анализируют кластер аномальных данных ("rimlier") для определения переменных данных в пределах кластера аномальных данных ("rimlier"), которые указывают на скважинное событие, и
моделируют скважинное событие на основании анализа кластера аномальных данных ("rimlier").
2. Реализуемый с использованием компьютера способ по п. 1, согласно которому анализирование кластера аномальных данных ("rimlier") дополнительно включает этапы, согласно которым:
определяют головной множитель для кластеров аномальных данных ("Head Rimlier Factor") как:
, и
определяют хвостовой множитель для кластеров аномальных данных ("Head Rimlier Factor") как:
, причем головной множитель для кластеров аномальных данных ("rimlier") и хвостовой множитель для кластеров аномальных данных ("rimlier") используют для определения тех переменных данных, которые указывают на скважинное событие.
определяют головной множитель для кластеров аномальных данных ("Head Rimlier Factor") как:
, и
определяют хвостовой множитель для кластеров аномальных данных ("Head Rimlier Factor") как:
, причем головной множитель для кластеров аномальных данных ("rimlier") и хвостовой множитель для кластеров аномальных данных ("rimlier") используют для определения тех переменных данных, которые указывают на скважинное событие.
3. Реализуемый с использованием компьютера способ по п. 1, дополнительно включающий удаление искаженных данных из извлеченного набора данных.
4. Реализуемый с использованием компьютера способ по п. 1, согласно которому анализирование кластера аномальных данных ("rimlier") дополнительно включает этапы, согласно которым:
разделяют кластер аномальных данных ("rimlier") на нормальный кластер аномальных данных ("rimlier") высокой плотности и аномальный кластер аномальных данных ("rimlier") высокой плотности и
анализируют аномальный кластер аномальных данных ("rimlier") высокой плотности для определения переменных данных, которые указывают на скважинное событие.
разделяют кластер аномальных данных ("rimlier") на нормальный кластер аномальных данных ("rimlier") высокой плотности и аномальный кластер аномальных данных ("rimlier") высокой плотности и
анализируют аномальный кластер аномальных данных ("rimlier") высокой плотности для определения переменных данных, которые указывают на скважинное событие.
5. Реализуемый с использованием компьютера способ по п. 1, согласно которому кластеризация множества аномальных данных дополнительно включает формирование множества кластеров аномальных данных ("rimliers").
6. Реализуемый с использованием компьютера способ по п. 5, согласно которому моделирование скважинного события дополнительно включает моделирование энергетической эффективности скважинного оборудования.
7. Реализуемый с использованием компьютера способ по п. 1, дополнительно включающий определение, возможно ли избежать моделируемое скважинное событие.
8. Реализуемый с использованием компьютера способ по п. 1, дополнительно включающий генерирование аварийного сигнала, соответствующего моделируемому скважинному событию.
9. Реализуемый с использованием компьютера способ по п. 1, дополнительно включающий отображение моделируемого скважинного события в форме дерева или модели земных недр.
10. Реализуемый с использованием компьютера способ по п. 1, согласно которому скважину бурят, заканчивают или стимулируют в соответствии с моделируемыми скважинными событиями.
11. Реализуемый с использованием компьютера способ по п. 5, согласно которому анализирование множества кластеров аномальных данных ("rimliers") дополнительно включает определение шаблона по всему множеству кластеров аномальных данных ("rimliers"), причем скважинные события моделируют на основании указанных определенных шаблонов.
12. Система, содержащая обрабатывающую схему для реализации любого из способов по пп. 1-11.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2012/063555 WO2014070207A1 (en) | 2012-11-05 | 2012-11-05 | System, method and computer program product for wellbore event modeling using rimlier data |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2595277C1 true RU2595277C1 (ru) | 2016-08-27 |
Family
ID=50627892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2015116750/03A RU2595277C1 (ru) | 2012-11-05 | 2012-11-05 | Система и способ для моделирования скважинных событий с использованием кластеров аномальных данных ("rimlier") |
Country Status (10)
Country | Link |
---|---|
US (1) | US10242130B2 (ru) |
EP (1) | EP2900913B1 (ru) |
CN (1) | CN105102760A (ru) |
AU (1) | AU2012393514B2 (ru) |
CA (1) | CA2889382C (ru) |
MX (1) | MX2015005629A (ru) |
NO (1) | NO2900913T3 (ru) |
RU (1) | RU2595277C1 (ru) |
SG (1) | SG11201502913PA (ru) |
WO (1) | WO2014070207A1 (ru) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372041A1 (en) * | 2013-06-14 | 2014-12-18 | Baker Hughes Incorporated | Validation of physical and mechanical rock properties for geomechanical analysis |
US10415362B1 (en) * | 2015-06-08 | 2019-09-17 | DataInfoCom USA Inc. | Systems and methods for analyzing resource production |
US10724359B2 (en) | 2015-06-19 | 2020-07-28 | Conocophillips Company | System and method for event detection using streaming signals |
EP3311237B1 (en) * | 2015-06-19 | 2022-08-03 | ConocoPhillips Company | System and method for event detection using streaming signals |
CN116051535A (zh) * | 2016-03-03 | 2023-05-02 | 斯特拉克斯私人有限公司 | 用于识别和量化异常的方法与设备 |
WO2017206182A1 (en) | 2016-06-03 | 2017-12-07 | Schlumberger Technology Corporation | Detecting events in well reports |
CN107784314A (zh) * | 2016-08-26 | 2018-03-09 | 北京协同创新智能电网技术有限公司 | 一种多变量报警***的正常异常数据划分方法及*** |
CN106599487B (zh) * | 2016-12-16 | 2019-10-25 | 天津大学 | 基于arima模型和用户调控的动态方差实时报警方法 |
WO2018194598A1 (en) * | 2017-04-19 | 2018-10-25 | Halliburton Energy Services, Inc. | Statistics and physics-based modeling of wellbore treatment operations |
US10866962B2 (en) | 2017-09-28 | 2020-12-15 | DatalnfoCom USA, Inc. | Database management system for merging data into a database |
US11403161B2 (en) | 2018-08-29 | 2022-08-02 | Walmart Apollo, Llc | Method and apparatus for identifying errors in a data store |
US11113588B2 (en) | 2019-10-02 | 2021-09-07 | United States Of America As Represented By The Secretry Of The Navy | Randomization-based hierarchical and associatively assisted vector learning for machine vision |
US11423211B2 (en) | 2019-10-28 | 2022-08-23 | United States Of America As Represented By The Secretary Of The Navy | Transformational randomization for enhanced artificial intelligence capabilities and diagnostic tutoring |
CN110905478B (zh) * | 2019-11-07 | 2023-04-11 | 中法渤海地质服务有限公司 | 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 |
CN111667392B (zh) * | 2020-06-12 | 2023-06-16 | 成都国铁电气设备有限公司 | 一种基于时空聚类的铁路接触网缺陷热点区域预警方法 |
CN117436022B (zh) * | 2023-12-11 | 2024-02-13 | 南城云趣(北京)信息技术有限公司 | 一种煤矿井下安全综合管理方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040186833A1 (en) * | 2003-03-19 | 2004-09-23 | The United States Of America As Represented By The Secretary Of The Army | Requirements -based knowledge discovery for technology management |
US20090260883A1 (en) * | 2008-04-16 | 2009-10-22 | Terratek Inc. | Continuous measurement of heterogeneity of geomaterials |
US20110066390A1 (en) * | 2008-07-14 | 2011-03-17 | Macleod Gordon | Systems and Methods For Determining Geologic Properties Using Acoustic Analysis |
US20110091078A1 (en) * | 2007-08-31 | 2011-04-21 | Josselin Kherroubi | Identifying geological features in an image of an underground formation surrounding a borehole |
US20120118637A1 (en) * | 2009-08-07 | 2012-05-17 | Jingbo Wang | Drilling Advisory Systems And Methods Utilizing Objective Functions |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5444619A (en) | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
US6392409B1 (en) | 2000-01-14 | 2002-05-21 | Baker Hughes Incorporated | Determination of T1 relaxation time from multiple wait time NMR logs acquired in the same or different logging passes |
US6801197B2 (en) * | 2000-09-08 | 2004-10-05 | Landmark Graphics Corporation | System and method for attaching drilling information to three-dimensional visualizations of earth models |
US6614716B2 (en) * | 2000-12-19 | 2003-09-02 | Schlumberger Technology Corporation | Sonic well logging for characterizing earth formations |
US20060081412A1 (en) | 2004-03-16 | 2006-04-20 | Pinnacle Technologies, Inc. | System and method for combined microseismic and tiltmeter analysis |
US7394943B2 (en) * | 2004-06-30 | 2008-07-01 | Applera Corporation | Methods, software, and apparatus for focusing an optical system using computer image analysis |
US7243735B2 (en) | 2005-01-26 | 2007-07-17 | Varco I/P, Inc. | Wellbore operations monitoring and control systems and methods |
US20060230018A1 (en) | 2005-04-08 | 2006-10-12 | Caterpillar Inc. | Mahalanobis distance genetic algorithm (MDGA) method and system |
US7983885B2 (en) | 2006-12-29 | 2011-07-19 | Terratek, Inc. | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity |
US8312320B2 (en) * | 2008-08-25 | 2012-11-13 | Saudi Arabian Oil Company | Intelligent field oil and gas field data acquisition, delivery, control, and retention based apparatus, program product and related methods |
CN101586458B (zh) * | 2009-05-27 | 2014-02-12 | 杨厚荣 | 一种节能增效*** |
MY157452A (en) * | 2009-08-07 | 2016-06-15 | Exxonmobil Upstream Res Co | Methods to estimate downhole drilling vibration amplitude from surface measurement |
-
2012
- 2012-11-05 CA CA2889382A patent/CA2889382C/en not_active Expired - Fee Related
- 2012-11-05 EP EP12887689.3A patent/EP2900913B1/en not_active Not-in-force
- 2012-11-05 CN CN201280076859.XA patent/CN105102760A/zh active Pending
- 2012-11-05 SG SG11201502913PA patent/SG11201502913PA/en unknown
- 2012-11-05 RU RU2015116750/03A patent/RU2595277C1/ru not_active IP Right Cessation
- 2012-11-05 AU AU2012393514A patent/AU2012393514B2/en not_active Ceased
- 2012-11-05 NO NO12887689A patent/NO2900913T3/no unknown
- 2012-11-05 US US14/435,404 patent/US10242130B2/en not_active Expired - Fee Related
- 2012-11-05 MX MX2015005629A patent/MX2015005629A/es unknown
- 2012-11-05 WO PCT/US2012/063555 patent/WO2014070207A1/en active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040186833A1 (en) * | 2003-03-19 | 2004-09-23 | The United States Of America As Represented By The Secretary Of The Army | Requirements -based knowledge discovery for technology management |
US20110091078A1 (en) * | 2007-08-31 | 2011-04-21 | Josselin Kherroubi | Identifying geological features in an image of an underground formation surrounding a borehole |
US20090260883A1 (en) * | 2008-04-16 | 2009-10-22 | Terratek Inc. | Continuous measurement of heterogeneity of geomaterials |
US20110066390A1 (en) * | 2008-07-14 | 2011-03-17 | Macleod Gordon | Systems and Methods For Determining Geologic Properties Using Acoustic Analysis |
US20120118637A1 (en) * | 2009-08-07 | 2012-05-17 | Jingbo Wang | Drilling Advisory Systems And Methods Utilizing Objective Functions |
Non-Patent Citations (1)
Title |
---|
ДЖ.-О. КИМ и др., под редакцией И.С. Енюкова, Факторный, дискриминантный и кластерный анализ. - М.: Финансы и статистика, 1989г., 165-211. * |
Also Published As
Publication number | Publication date |
---|---|
NO2900913T3 (ru) | 2018-01-06 |
US20150234954A1 (en) | 2015-08-20 |
MX2015005629A (es) | 2015-11-16 |
CA2889382A1 (en) | 2014-05-08 |
CA2889382C (en) | 2019-01-22 |
US10242130B2 (en) | 2019-03-26 |
CN105102760A (zh) | 2015-11-25 |
AU2012393514A1 (en) | 2015-04-30 |
EP2900913A1 (en) | 2015-08-05 |
AU2012393514B2 (en) | 2016-10-27 |
SG11201502913PA (en) | 2015-05-28 |
EP2900913A4 (en) | 2016-06-22 |
EP2900913B1 (en) | 2017-08-09 |
WO2014070207A1 (en) | 2014-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2595277C1 (ru) | Система и способ для моделирования скважинных событий с использованием кластеров аномальных данных ("rimlier") | |
AU2011283109B2 (en) | Systems and methods for predicting well performance | |
US8229880B2 (en) | Evaluation of acid fracturing treatments in an oilfield | |
US20240013073A1 (en) | System and method for oil and gas predictive analytics | |
US20160187533A1 (en) | Creating Virtual Production Logging Tool Profiles For Improved History Matching | |
US20180052903A1 (en) | Transforming historical well production data for predictive modeling | |
US20220195861A1 (en) | Identifying operation anomalies of subterranean drilling equipment | |
US11573352B2 (en) | Facilitating hydrocarbon exploration by applying a machine-learning model to basin data | |
EP2909656B1 (en) | System, method and computer program product for multivariate statistical validation of well treatment and stimulation data | |
US11704557B2 (en) | System and method for well interference detection and prediction | |
US20240102371A1 (en) | Estimating productivity and estimated ultimate recovery (eur) of unconventional wells through spatial-performance relationship using machine learning | |
Wei et al. | A symbolic tree model for oil and gas production prediction using time-series production data | |
Rezaei et al. | Utilizing a Global Sensitivity Analysis and Data Science to Identify Dominant Parameters Affecting the Production of Wells and Development of a Reduced Order Model for the Eagle Ford Shale | |
US20240060405A1 (en) | Method and system for generating predictive logic and query reasoning in knowledge graphs for petroleum systems | |
WO2024064009A1 (en) | Machine learning training for characterizing water injection and seismic prediction | |
WO2023081497A1 (en) | Systems and methods of predictive decline modeling for a well | |
WO2024123373A1 (en) | Periodic predictive drilling based on active and historic data | |
Sajjadian et al. | Integrated Uncertainty Quantification by Probabilistic Forecasting Approach in the Field Development Project |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20171106 |