基于多时间尺度特征和神经网络的钻进过程工况识别方法技术

本发明专利技术提供了基于多时间尺度特征和神经网络的钻进过程工况识别方法，进行钻进过程监测与钻进过程异常工况的识别。通过分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法将录井数据分为长时间尺度段数据和短时间尺度段数据；并分别采用最小二乘法和自适应阈值法提取长时缓变特征和短时突变特征；利用概率神经网络方法建立输入为当前时刻录井数据、长时缓变特征和短时突变特征，输出为井漏、钻具掉落、卡钻、超拉和正常五类钻进过程工况类型中的一种的钻进过程工况识别模型。本发明专利技术的有益效果是：减少钻进成本，提高钻进过程异常工况的识别速度和识别精度，为地质勘探钻进过程安全性监测与工况识别打下了良好的基础。

Recognition Method of Drilling Process Conditions Based on Multi-time Scale Features and Neural Network

【技术实现步骤摘要】
基于多时间尺度特征和神经网络的钻进过程工况识别方法
本专利技术涉及地质勘探钻进过程智能控制领域，尤其涉及基于多时间尺度特征和神经网络的钻进过程工况识别方法。
技术介绍
我国深部矿产资源丰富，然而深部地质勘探技术尚不成熟，要保证国家资源能源安全，就必须要推动深部地质钻探科技创新，建立符合复杂地质钻进需求的智能决策和钻进控制方法。钻进过程安全性监测与工况识别是实现复杂地质条件下高效、安全钻进的关键，如果井下发生了异常不及时处理，很容易导致钻进事故，不仅影响整个工程进度，还威胁到生命财产的安全。据统计，在钻进过程中因钻进事故导致的停产时间(NPT)约占钻进总时间的15％～20％。因此，建立钻进过程异常工况识别系统，是实现地质勘探钻进过程安全高效目标的重要基础。20世纪末至21世纪初，许多学者从不同角度提出了钻进过程安全性监测与工况识别的方法，分析事故产生的内部机理及外部表现特征，进而实现早期的识别预报。国内外多家公司也致力于钻进过程安全监测技术的研究，如斯伦贝谢、贝克休斯、哈里伯顿等石油公司开发出的NDS系统、edrilling系统和copilot系统，从不同方面进行钻进风险预测和实时动态诊断。由于诸多历史原因，我国钻进系统安全监测水平远落后国外，相比于其他行业的智能化程度也较为落后，目前已成为制约我国发展深部地质资源开发的关键。目前钻进过程工况识别问题仅通过分析单一时刻录井数据获得，且多未考虑录井时序数据变化关系。当钻进参数发生逐渐增加、减小或跳变时，司钻通过历史变化曲线判断钻进系统出现的异常。因此，钻进过程工况识别模型应考虑钻进数据的不同变化趋势特征，建立数据变化特征与异常工况类型的非线性动态关系。
技术实现思路
为了解决上述问题，本专利技术提供了基于多时间尺度特征和神经网络的钻进过程工况识别方法，基于多时间尺度特征和神经网络的钻进过程工况识别方法，主要包括以下步骤：S1：基于钻进过程异常工况专家经验，分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法将录井数据分为长时间尺度段数据和短时间尺度段数据；所述钻进过程异常工况包括：井漏、钻具掉落、卡钻和超拉；S2：采用渐变采样最小二乘法提取长时间尺度段数据的长时缓变特征，利用自适应阈值法提取短时间尺度段数据的短时突变特征；S3：利用概率神经网络方法建立钻进过程工况识别模型；该模型的输入为当前时刻录井数据、长时缓变特征和短时突变特征，输出为井漏、钻具掉落、卡钻、超拉和正常五类钻进过程工况类型中的一种；S4：将实际钻进过程中的某当前时刻录井数据、长时缓变特征和短时突变特征输入到所述钻进过程工况识别模型中，得到某当前的钻进过程工况类型。进一步地，在步骤S1中，长时间尺度段数据用来分析录井数据的长时缓变特征，短时间尺度段数据用来分析录井数据的短时突变特征。进一步地，在步骤S2中，短时突变特征的提取方法为：针对短时间尺度段数据，采用人工经验判断当前时刻录井数据与前一时刻录井数据的差值，若录井数据的相邻采样点间的差值大于当前时刻录井数据的40％，则判断当前时刻录井数据变化异常；采用自适应阈值的方法进行提取当前时刻录井数据的短时突变特征。进一步地，在步骤S2中，针对长时间尺度段数据，采用最小二乘拟合方法进行长时缓变特征提取：若时间序列t1-tq这段时间内，的线性拟合函数为F(tp)＝atp+e，斜率a即为时间序列的趋势特征，斜率a和参数e满足条件：其中，J为拟合误差，用来对时间序列的拟合程度进行度量；1≤p≤q，q为大于等于2的正整数，tp为当前采样点；将长时间尺度段数据按照上述时间序列进行分段处理，分别得到相应拟合函数的斜率，即提取得到关于当前时刻录井数据的长时间尺度段数据的长时缓变特征。进一步地，在步骤S4中，概率神经网络为一种前馈四层概率神经网络，包括输入层、模式层、求和层和输出层。进一步地，在步骤S4中，概率神经网络的输入层接收输入的数据向量，将数据向量中的每一个录井数据传输至模式层的每个神经元；模式层将每个神经元上的录井数据乘以对应的权重系数得到每个神经元的输出；求和层的神经元通过计算属于同一类工况的所有神经元的输出，输出层将最大概率密度的一类工况作为概率神经网络的最终输出，也即得到钻进工况识别模型的输出。本专利技术提供的技术方案带来的有益效果是：减少钻进成本，提高钻进过程异常工况的识别速度和识别精度，为地质勘探钻进过程安全性监测与工况识别打下了良好的基础。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例中基于多时间尺度特征和神经网络的钻进过程工况识别方法的流程图；图2是本专利技术实施例中钻进过程工况识别的结构图；图3是本专利技术实施例中概率神经网络结构图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。本专利技术的实施例提供了基于多时间尺度特征和神经网络的钻进过程工况识别方法。请参考图1，图1是本专利技术实施例中基于多时间尺度特征和神经网络的钻进过程工况识别方法的流程图，具体包括如下步骤：S1：基于钻进过程异常工况专家经验，分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法对录井数据进行分段，将录井数据分为长时间尺度段数据和短时间尺度段数据；所述钻进过程异常工况包括：井漏、钻具掉落、卡钻和超拉；长时间尺度段数据用来分析数据缓变特征，短时间尺度段数据用来分析数据突变特征；请参考图2，图2是本专利技术实施例中钻进过程工况识别的结构图，首先根据限幅滤波算法对录井数据进行滤波和归一化处理，通过将两次相邻的录井数据相减，求出其差值增量的绝对值，与预设的最大差值阈值进行比较；如果小于或等于预设的最大差值阈值，则当前时刻录井数据有效；否则取前一时刻录井数据作为当前时刻的样本；预设的最大差值阈值的大小由不同类型录井数据的特点确定。然后利用多尺度方法将处理过的录井数据分为短时间尺寸分段数据和长时间尺度分段数据；突变特征为时间尺度较短，钻进状态和录井数据变化快速；针对钻压、扭矩和立压等突变变量，为了及时并准确地提取突变特征，采用相邻时刻点间的差值判断录井数据突变情况；缓变特征为时间尺度较长，钻进状态和录井数据变化缓慢；针对立管压力、出口流量、总池体积等缓变变量，为了反映整体的录井数据变化趋势，即录井数据曲线的长期变化情况，将当前录井数据及前三个采样点的录井数据作为长时间尺度段数据，利用滑动窗口对该时间段内的录井数据进行分析，提取录井数据的变化趋势特征作为判断当前录井数据对应的工况的依据；所述趋势特征包括短时突变特征和长时缓变特征。步骤S1的具体步骤如下：S1-1：通过分析钻进过程异常工况的录井数据随时间变化的特点，确定出随着时间推移录井数据的突变和缓变情况，缓变情况包括录井数据缓慢增加和降低，突变情况表现为录井数据跳变；S1-2：通过分析异常工况时的历史突变及缓变录井数据，利用多时间尺度方法，将不同变化类型的录井数据分为长时间尺度段数据和短时间尺度段数据，长时间尺度段数据用来分析数据缓变特征，短时间尺度段数据用来分析数据突变特征；S2：采用渐变采样最小二乘法提取长时间尺度段数据的长时缓变特征，利用自适应阈值法提取短时间尺度段数据的短时突变特征；对缓变特征的分析，适合采用较长本文档来自技高网...

【技术保护点】
1.基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：包括以下步骤：S1：基于钻进过程异常工况专家经验，分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法将录井数据分为长时间尺度段数据和短时间尺度段数据；所述钻进过程异常工况包括：井漏、钻具掉落、卡钻和超拉；S2：采用渐变采样最小二乘法提取长时间尺度段数据的长时缓变特征，利用自适应阈值法提取短时间尺度段数据的短时突变特征；S3：利用概率神经网络方法建立钻进过程工况识别模型；该模型的输入为当前时刻录井数据、长时缓变特征和短时突变特征，输出为井漏、钻具掉落、卡钻、超拉和正常五类钻进过程工况类型中的一种；S4：将实际钻进过程中的某当前时刻录井数据、长时缓变特征和短时突变特征输入到所述钻进过程工况识别模型中，得到某当前的钻进过程工况类型。

【技术特征摘要】
1.基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：包括以下步骤：S1：基于钻进过程异常工况专家经验，分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法将录井数据分为长时间尺度段数据和短时间尺度段数据；所述钻进过程异常工况包括：井漏、钻具掉落、卡钻和超拉；S2：采用渐变采样最小二乘法提取长时间尺度段数据的长时缓变特征，利用自适应阈值法提取短时间尺度段数据的短时突变特征；S3：利用概率神经网络方法建立钻进过程工况识别模型；该模型的输入为当前时刻录井数据、长时缓变特征和短时突变特征，输出为井漏、钻具掉落、卡钻、超拉和正常五类钻进过程工况类型中的一种；S4：将实际钻进过程中的某当前时刻录井数据、长时缓变特征和短时突变特征输入到所述钻进过程工况识别模型中，得到某当前的钻进过程工况类型。2.如权利要求1所述的基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：在步骤S1中，长时间尺度段数据用来分析录井数据的长时缓变特征，短时间尺度段数据用来分析录井数据的短时突变特征。3.如权利要求1所述的基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：在步骤S2中，短时突变特征的提取方法为：针对短时间尺度段数据，采用人工经验判断当前时刻录井数据与前一时刻录井数据的差值，若录井数据的相邻采样点间的差值大于当前时刻录井数据的40％，则判断当前时刻...

【专利技术属性】
技术研发人员：曹卫华，黎育朋，吴敏，陈鑫，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42