一种钻井风险预测系统技术方案

一种钻井风险预测系统，其包括：原始数据获取模块，其用于获取待分析钻井的实测数据；特征向量确定模块，其用于对原始数据获取模块传输来的实测数据进行处理，得到实测数据的特征向量；关联度系数确定模块，其与特征向量确定模块连接，用于根据实测数据的特征向量和预设钻井风险判断矩阵，分别计算实测数据的特征向量的各个元素与各个故障类型的关联度系数；风险预测模块，其与关联系统确定模块连接，用于根据关联度系数计算实测数据与各个故障类型的关联度，并根据关联度判断待分析钻井是否存在风险。该系统能够在随钻过程中对全井段任何位置进行钻井风险的预测，实时识别钻井风险并预警，帮助施工技术人员控制钻井风险。

A drilling risk prediction system

A drilling risk prediction system, which includes: the original data acquisition module for acquiring data for drilling analysis; feature vector determination module, which is used for processing the measured data transmission module to the original data acquisition, feature vector data module; determine the degree of correlation coefficient, and the feature vector determination module according to the feature vector for connection, measured data and preset drilling risk judgment matrix, each element associated with each fault type coefficient were calculated for feature vector data; risk prediction module, and its associated system determines the connecting module, used to calculate the correlation degree of measured data and various fault types according to the correlation coefficient, and according to the correlation analysis to determine whether there is a risk of drilling. The system can predict the drilling risk in any position of the whole well while drilling, identify the drilling risk and warning in real time, and help the construction technicians to control the drilling risk.

【技术实现步骤摘要】
一种钻井风险预测系统
本专利技术涉及油气勘探开发
，具体地说，涉及一种钻井风险预测系统。
技术介绍
钻井风险预测是指依据钻井作业数据运用一定的方法对钻井作业中存在的风险进行预测，以达到预防和控制的目的。钻井作业具有十分复杂的流程，其过程中存在许多不确定性因素的影响。因此，对钻井过程中的影响因素进行风险预测就十分重要，有效的预测结果对于钻井现场作业具有重大的知道意义。目前进行钻井风险预测的方法主要包括神经网络法以及案例推理法等方法，这些方法的局限性在于需要大量的邻井资料。而对于新的区块的邻井资料较少，这也就使得这些方法在钻井风险预测上难以发挥作用。同时，即使在具备邻井案例样本的情况下，样本量的大小也决定了这些方法的钻井风险预测准确度。也就是说，在历史样本量较小的情况下，现有的这些钻井风险预测方法的准确度也交底，无法满足实际生产的要求。
技术实现思路
为解决上述问题，本专利技术提供了一种钻井风险预测系统，所述系统包括：原始数据获取模块，其用于获取待分析钻井的实测数据，所述实测数据包含多个影响参数的原始数据；特征向量确定模块，其与所述原始数据获取模块连接，用于对所述原始数据获取模块传输来的所述实测数据进行处理，得到所述实测数据的特征向量；关联度系数确定模块，其与所述特征向量确定模块连接，用于根据所述实测数据的特征向量和预设钻井风险判断矩阵，分别计算所述实测数据的特征向量的各个元素与各个故障类型的关联度系数；风险预测模块，其与所述关联系统确定模块连接，用于根据所述关联度系数计算所述实测数据与各个故障类型的关联度，并根据所述关联度判断所述待分析钻井是否存在风险。根据本专利技术的一个实施例，所述特征向量确定模块配置为首先根据所述实测数据，分别计算各影响参数的变化量，随后根据所述各影响参数的变化量，确定所述实测数据的特征向量。根据本专利技术的一个实施例，在计算各影响参数的变化量时，所述特征向量确定模块配置为首先计算各影响参数的平均值，随后根据所述各影响参数与其平均值的差值来确定所述各影响参数的变化量。根据本专利技术的一个实施例，影响参数的变化量包括：扭矩变化量、总池体积净变化量、流量差、钩载变化量、钻具裸眼静止时间、钻压变化量、机械比能值和井下循环当量密度。根据本专利技术的一个实施例，所述特征向量确定模块配置为在计算所述扭矩变化量时，首先将实时扭矩标准化为预设尺寸钻头在预设深度下的扭矩，从而得到标准扭矩，并根据所述标准扭矩计算所述扭矩变化量。根据本专利技术的一个实施例，所述关联度系数确定模块配置为首先分别计算所述实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值，随后根据所述最大误差值和最小误差值，计算所述实测数据的特征向量中各个元素与各个故障类型的关联度系数。根据本专利技术的一个实施例，所述关联度系数确定模块配置为根据如下表达式计算所述实测数据的特征向量中各个元素与各个故障类型的关联度系数：其中，ξij表示实测数据的特征向量中的第j个元素yj针对第i类故障的关联度系数，m表示故障类型的总数，n表示每种故障的特征向量所包含的元素个数，δmax和δmin分别表示实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值，ρ表示分辨系数，xij表示预设钻井风险判断标准矩阵中第i行第j列的元素。根据本专利技术的一个实施例，所述关联系数确定模块配置为根据如下表达式计算实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值：其中，δmax和δmin分别表示实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值，yj表示实测数据的特征向量中的第j个元素，xij表示预设钻井风险判断标准矩阵中第i行第j列的元素。根据本专利技术的一个实施例，所述风险预测模块配置为根据如下表达式计算所述各影响参数的钻井风险关联度：其中，ri表示实测数据与第i类故障的关联度，ωj表示实测数据的特征向量中的第j个元素针对第i类故障的权重，ξij表示实测数据的特征向量中的第j个元素针对第i类故障的关联度系数，m表示故障类型的总数，n表示每种故障的特征向量所包含的元素个数。本专利技术设计了一种基于改进灰色关联的钻井风险预测的新系统，该系统利用实时录井数据，结合钻柱尺寸、井眼尺寸、钻井液性能等参数，以一定的时间间隔计算沿井眼轨迹上每个点的风险关联度大小(其能够预测的风险包括：钻头失效，断钻具，井漏，井涌，遇阻遇卡以及溜钻等)，随钻过程中对全井段任何位置进行钻井风险的预测，实时识别钻井风险并预警，帮助施工技术人员控制钻井风险。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要的附图做简单的介绍：图1是根据本专利技术一个实施例的钻井风险预测系统的结构示意图；图2是根据本专利技术一个实施例的钻井风险预测的流程图；图3是根据本专利技术一个实施例的确定特征向量的流程图；图4是根据本专利技术一个实施例的确定关联度系数的流程图。具体实施方式以下将结合附图及实施例来详细说明本专利技术的实施方式，借此对本专利技术如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本专利技术中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本专利技术的保护范围之内。同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本专利技术实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本专利技术可以不用这里的具体细节或者所描述的特定方式来实施。另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。针对现有技术中存在的问题，本专利技术提供了一种基于灰色关联的钻井风险预测系统，该系统基于改进的灰色关联算法，对钻井过程中全井段进行风险预测，以此得到体现各类风险的关联度。通过该关联度，施工人员能够在钻井施工过程中及时识别各类钻井风险并采取对应措施，从而最大限度地避免钻井风险的发生。图1示出了本实施例所提供的钻井风险预测系统的结构示意图。如图1所示，本实施例所提供的钻井风险预测系统包括：原始数据获取模块101、特征向量确定模块102、关联度系数确定模块103以及风险预测模块104。其中，原始数据获取模块101用于获取待分析钻井的实测数据。本实施例中，原始数据获取模块101所获取到的实测数据包含多个影响参数的原始数据。特征向量确定模块102与原始数据获取模块101连接，其能够对原始数据获取模块101传输来的原始数据进行处理，从而得到实测数据的特征向量。在得到实测数据的特征向量后，特征向量确定模块102会将得到的特征向量传输给与之相连的关联度系数确定模块103，以由关联度系数确定模块103来根据实测数据的特征向量和预设钻井风险判断矩阵，分别计算实测数据的特征向量的各个元素与各个故障类型的关联度系数。风险预测模块104与关联系统确定模块103连接，用于根据关联度系数计算本文档来自技高网...

【技术保护点】
一种钻井风险预测系统，其特征在于，所述系统包括：原始数据获取模块，其用于获取待分析钻井的实测数据，所述实测数据包含多个影响参数的原始数据；特征向量确定模块，其与所述原始数据获取模块连接，用于对所述原始数据获取模块传输来的所述实测数据进行处理，得到所述实测数据的特征向量；关联度系数确定模块，其与所述特征向量确定模块连接，用于根据所述实测数据的特征向量和预设钻井风险判断矩阵，分别计算所述实测数据的特征向量的各个元素与各个故障类型的关联度系数；风险预测模块，其与所述关联系统确定模块连接，用于根据所述关联度系数计算所述实测数据与各个故障类型的关联度，并根据所述关联度判断所述待分析钻井是否存在风险。

【技术特征摘要】
1.一种钻井风险预测系统，其特征在于，所述系统包括：原始数据获取模块，其用于获取待分析钻井的实测数据，所述实测数据包含多个影响参数的原始数据；特征向量确定模块，其与所述原始数据获取模块连接，用于对所述原始数据获取模块传输来的所述实测数据进行处理，得到所述实测数据的特征向量；关联度系数确定模块，其与所述特征向量确定模块连接，用于根据所述实测数据的特征向量和预设钻井风险判断矩阵，分别计算所述实测数据的特征向量的各个元素与各个故障类型的关联度系数；风险预测模块，其与所述关联系统确定模块连接，用于根据所述关联度系数计算所述实测数据与各个故障类型的关联度，并根据所述关联度判断所述待分析钻井是否存在风险。2.如权利要求1所述的系统，其特征在于，所述特征向量确定模块配置为首先根据所述实测数据，分别计算各影响参数的变化量，随后根据所述各影响参数的变化量，确定所述实测数据的特征向量。3.如权利要求2所述的系统，其特征在于，在计算各影响参数的变化量时，所述特征向量确定模块配置为首先计算各影响参数的平均值，随后根据所述各影响参数与其平均值的差值来确定所述各影响参数的变化量。4.如权利要求2或3所述的系统，其特征在于，影响参数的变化量包括：扭矩变化量、总池体积净变化量、流量差、钩载变化量、钻具裸眼静止时间、钻压变化量、机械比能值和井下循环当量密度。5.如权利要求4所述的系统，其特征在于，所述特征向量确定模块配置为在计算所述扭矩变化量时，首先将实时扭矩标准化为预设尺寸钻头在预设深度下的扭矩，从而得到标准扭矩，并根据所述标准扭矩计算所述扭矩变化量。6.如权利要求1～5中任一项所述的系统，其特征在于，所述关联度系数确定模块配置为首先分别计算所述实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值，随后根据所述最大误差值和最小误差值，计算所述实测数据的特征向量中各个元素与各个故障类型的关联度系数。7.如权利要求6所述的系统，其特征在于，所述关联度系数确定模块配置为根据如下表达式计算...

【专利技术属性】
技术研发人员：徐术国，肖莉，孙旭，杨传书，何江，段继男，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司石油工程技术研究院，
类型：发明
国别省市：北京,11