采用大数据耦合参数以优化破岩效率的方法和系统技术方案

本发明专利技术揭示了一种采用大数据耦合参数以优化破岩效率的方法和系统。所述方法包括：获取邻近井所对应的静态地质数据、工程数据范围和工具参数进行预处理、聚类分析并建立大数据模型，根据静态地质数据、工程数据范围和工具参数以准确预测钻井目标参数破岩效率；根据新井的破岩效率预测特征，优选新井的工具参数以最大化预测的破岩效率。对所即将进行的钻井，借助于邻近井所对应的静态地质数据和工程数据范围，结合聚类分析实现所适应破岩环境的破岩效率预测，保证了所进行破岩效率运算的全面和可靠，并通过不同的工具参数组合预测出的破岩效率，以优选工具参数组合获得预测的高效破岩来降低钻井成本，真正满足钻井的工程需要，适用于工程上的实时快速决策需要。

【技术实现步骤摘要】
采用大数据耦合参数以优化破岩效率的方法和系统
本专利技术涉及计算机应用
，特别涉及一种采用大数据耦合参数以优化破岩效率的方法和系统。
技术介绍
钻井的进行，往往存在着不同的破岩效率，其破岩效率受限于各种状况而时高时低，在所进行的钻井中并无法保证高效破岩，甚至于难以提高破岩效率，使得钻井成本等不可控。具体而言，在所进行的钻井过程当中，经常遇到复杂的井下情况。钻井面临着复杂的井下情况，而在此钻井过程中仅限于人为经验给予控制，无法预知所能够获得的破岩效率，进而难以有效改善钻井过程，使得真正进行的钻井过程能够得到优化，高效破岩。应当理解，钻井过程是针对于一地质结构所执行的工程，影响钻井过程中的钻井速度，进而直接影响着破岩效率的因素众多，例如，地质结构自身的特性，工程执行所相关的因素等，并无法根据影响破岩效率的众多因素而直接对当前进行钻井的地质结构下即将执行的钻井过程预测所能够获得的破岩效率，从而以此为依据确定是否执行此钻井过程。因此，亟待为所进行的钻井实现准确有效的破岩效率预测，破岩效率的准确有效预测方能够真正的保证钻井这一工程的可控性。
技术实现思路
为了解决相关技术中钻井的破岩效率无法得到准确有效预测的技术问题，本专利技术提供了一种采用大数据耦合参数以优化破岩效率的方法、系统和机器设备。一种采用大数据耦合参数以优化破岩效率的方法，所述方法包括：获取钻井所对应的静态地质数据、工程数据范围和工具参数组合；预处理所述静态地质数据、工程数据范围和工具参数；结合聚类分析建立的机器学习模型，根据预处理的所述静态地质数据、工程数据范围和工具参数预测新井的目标参数破岩效率；根据新井的破岩效率预测特征以及邻近井的地质特征、工程数据范围，优选对新井所设定的工具参数组合，以基于所述目标参数破岩效率最大化所预测的破岩效率。在一个示例性实施例中，所述获取钻井所对应的静态地质数据、工程数据范围和工具参数，包括：获取描述邻近井所对应地质状况的地质参数为钻井所对应的静态地质数据，且获取为所述邻近井动态配置的工程数据范围。在一个示例性实施例中，所述预处理所述静态地质数据、工程数据范围以及工具参数，包括：进行所述静态地质数据、工程数据和工具参数的清洗以及数值映射；对清洗和数值映射的静态地质数据、工程数据和工具参数进行降噪和归一化处理。在一个示例性实施例中，所述结合聚类分析建立的机器学习模型，根据预处理的所述静态地质数据、工程数据和工具参数预测新井的目标参数破岩效率，包括：对预处理之后的静态地质数据、工程数据范围和工具参数进行特征选择，处理相互之间关联性高的参数，且去除相对所述破岩效率关联性低的参数，获得进行所述新井的破岩效率预测特征，所述新井的破岩效率预测特征用于新井在所述机器学习模型的目标参数破岩效率预测。在一个示例性实施例中，所述方法还包括：获取可供进行机器学习模型训练的历史数据，所述历史数据包括标注了所对应真实破岩效率的破岩效率预测特征；进行所述历史数据的破岩环境聚类，获得所聚类得到的破岩环境，且以所述历史数据中标注的真实破岩效率作为所获得破岩环境对应的真实破岩效率；通过所述历史数据以所适应破岩环境对应的真实破岩效率为目标进行迭代训练，获得机器学习模型。在一个示例性实施例中，所述根据新井的破岩效率预测特征以及邻近井的地质特征和工程数据范围，优选对新井所设定的工具参数组合，以基于所述目标参数破岩效率最大化所预测的破岩效率，包括：根据所述目标参数破岩效率优选对新井所设定的工具参数组合；通过训练得到的所述机器学习模型对新井的破岩效率预测特征，在所述工具参数组合中所优选工具参数下适应于所述邻近井地质特征所指示的破岩环境最大化预测破岩效率。在一个示例性实施例中，所述获取可供进行机器学习模型训练的历史数据，包括：以单位米为历史数据的样本覆盖区域，获取可供进行机器学习模型训练的历史数据，所述单位米将对应于新钻井区域下的破岩效率预测特征。一种采用大数据耦合参数以优化破岩效率的系统，所述系统包括：数据获取模块，用于获取邻近井所对应的静态地质数据以及工程数据范围和工具参数；预处理模块，用于预处理所述静态地质数据、工程数据范围和工具参数；运算模块，用于结合聚类分析建立的机器学习模型，根据预处理的静态地质数据、工程数据范围和工具参数预测进行钻井的目标参数破岩效率；优化模块，用于根据新井的破岩效率预测特征以及邻近井的地质特征和工程数据范围，优选新井设定的工具参数组合，以基于所述目标参数破岩效率最大化所预测的破岩效率。一种机器设备，包括：数据采集硬件，被配置为获取邻近井所对应的静态地质数据、工程数据范围和工具参数；以及计算机设备，被配置为对获得的所述静态地质数据、工程数据范围和工具参数执行如前所述方法中的步骤。本专利技术的实施例提供的技术方案可以包括以下有益效果：对所即将进行的钻井，即新井，将执行新井的破岩效率预测，即首先获取邻近井所对应的静态地质数据、工程数据范围和工具参数，预处理静态地质数据、工程数据范围和工具参数，然后进行聚类分析并建立大数据模型以精准预测破岩效率，最后根据钻井的目标参数破岩效率优选新井的工具参数组合，以获得最大化预测的破岩效率，由此，对所即将进行的钻井，借助于邻近井所对应的静态地质数据和工程数据范围，实现所适应破岩环境的破岩效率预测，以此来根据所预测得到的目标参数破岩效率优选工具参数组合，通过邻近井的静态地质数据和工程数据、工具参数控制保证了所进行破岩效率运算的全面和可靠，通过不同的工具参数组合预测出的破岩效率，进而能够优选工具参数在所执行钻井过程获得针对于新井所在地质结构和工程数据范围的最大破岩效率，准确有效的实现了新井的破岩效率预测，且使得所预测得到的目标参数破岩效率得到能够在钻井过程得到有效和充分和利用，使得钻井这一工程可控，进而得以通过高效破岩来降低钻井成本，真正满足钻井的工程需要，且适用于工程上的实时快速决策需要。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并于说明书一起用于解释本专利技术的原理。图1是根据一示例性实施例示出的对本专利技术所涉及的实施环境的示意简图；图2是根据一示例性实施例示出的一种采用大数据耦合参数以优化破岩效率的方法的流程图；图3是根据图2对应实施例示出示出的一种采用大数据耦合参数以优化破岩效率的方法在另一个示例性实施例的流程图；图4是根据图2对应实施例示出的对步骤230进行描述的流程图；图5是根据一示例性实施例示出的一种装置的框图；图6是一示例性实施例示出的一种采用大数据耦合参数以优化破岩效率的系统的框图；图7是根据图6对应实施例示出的对预处理模块进行描述的框图；图8是根据另一实施例示出的一种采用大数据耦合参数以优化破岩效率的系统的框图。具体实施方式这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。图1是根据一示例性实施例示出的对本专利技术所涉及的实施环境的示意简图本文档来自技高网...

【技术保护点】
1.一种采用大数据耦合参数以优化破岩效率的方法，其特征在于，所述方法包括：获取邻近井所对应的静态地质数据、工程数据范围和工具参数；预处理所述静态地质数据、工程数据范围和工具参数；结合聚类分析建立的机器学习模型，根据预处理的所述静态地质数据、工程数据范围和工具参数预测新井的目标参数破岩效率；根据新井的破岩效率预测特征以及邻近井的地质特征、工程数据范围，优选对新井所设定的工具参数组合，以基于所述目标参数破岩效率最大化所预测的破岩效率。

【技术特征摘要】
1.一种采用大数据耦合参数以优化破岩效率的方法，其特征在于，所述方法包括：获取邻近井所对应的静态地质数据、工程数据范围和工具参数；预处理所述静态地质数据、工程数据范围和工具参数；结合聚类分析建立的机器学习模型，根据预处理的所述静态地质数据、工程数据范围和工具参数预测新井的目标参数破岩效率；根据新井的破岩效率预测特征以及邻近井的地质特征、工程数据范围，优选对新井所设定的工具参数组合，以基于所述目标参数破岩效率最大化所预测的破岩效率。2.根据权利要求1所述的方法，其特征在于，所述获取邻近井所对应的静态地质数据、工程数据范围和工具参数，包括：获取描述邻近井所对应地质状况的地质参数为钻井所对应的静态地质数据，且获取为邻近井动态配置的工程数据范围和工具参数。3.根据权利要求1所述的方法，其特征在于，所述预处理所述静态地质数据、工程数据范围和工具参数，包括：进行所述静态地质数据、工程数据范围的清洗以及工具参数的数值映射；对清洗和数值映射的静态地质数据、工程数据范围以及工具参数进行降噪和归一化处理。4.根据权利要求3所述的方法，其特征在于，所述结合聚类分析建立的机器学习模型，根据预处理的所述静态地质数据、工程数据范围和工具参数预测新井的目标参数破岩效率，包括：对预处理之后的静态地质数据、工程数据范围和工具参数进行特征选择，处理相互之间关联性高的参数，且去除相对所述破岩效率关联性低的参数，获得新井的破岩效率预测特征，所述新井的破岩效率预测特征用于新井在所述机器学习模型的目标参数破岩效率预测。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取可供进行机器学习模型训练的历史数据，所述历史数据包括标注了所对应真实破岩效率的破岩效率预测特征；进行所述历史数据的破岩环境聚类，获得所聚类得到的破岩环境，且以所述...

【专利技术属性】
技术研发人员：龙威，昝成，孟惠婷，王琪，程浩然，黄瑞，
申请(专利权)人：清能艾科深圳能源技术有限公司，深圳清华大学研究院，
类型：发明
国别省市：广东,44