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...

【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