【技术实现步骤摘要】
工具面状态的预测方法和系统、滑动定向钻井方法和系统
[0001]本专利技术涉及油气钻井工程
，具体来讲，涉及一种工具面状态的预测方法、工具面状态的预测系统、滑动定向钻井方法和滑动定向钻井系统。
技术介绍
[0002]工具面角度控制是滑动定向井眼轨迹控制的关键，人工滑动定向钻进过程中，工程师根据历史滑动定向参数与工具面角变化情况，经验性预测未来工具面变化趋势，从而采取对应的控制策略。但在自动滑动定向钻进时，由于缺乏对未来工具面进行有效预测的机制，导致控制策略缺乏预见性，工具面控制难以达到理想的效果。因此，形成一套滑动定向工具面预测方法，对于提高滑动定向轨迹控制效率具有重要意义。
[0003]例如，于2021年2月12日公开的名称为基于机器学习的滑动定向钻井工具面状态辨识方法、公开号为CN112360341A的专利文献记载了一种基于机器学习的滑动定向钻井工具面状态辨识方法，其提出了一种滑动定向钻井工具面的离散状态模型，在此基础上，对各种状态进行Onehot编码并构建BP神经网络，训练后得到工具面状态辨识网络，可对工具面错误数据、稳定状态、变化方向和变化速度等状态进行准确辨识，实现了工具面状态的实时监控，解决了工具面状态人工辨识难度大、准确率低等问题，从而辅助现场工程师进行滑动定向钻井作业。然而，该专利申请存在以下缺陷：仅能够实现工具面状态的实时监控和判断，不能提前预测和判定工具面运动状态；仅能够辅助工程师得到工具面的实时状态，而不能帮助工程师进一步给出对未来运动状态的控制参数。
技术实现思路
>[0004]本专利技术的目的在于解决现有技术存在的上述不足中的至少一项。例如，本专利技术的目的之一在于提供一种能够有效判断工具面未来运动状态的工具面状态的预测方法和系统。
[0005]为了实现上述目的，本专利技术一方面提供了一种工具面状态的预测方法，所述预测方法包括：步骤S1、采集滑动定向钻井作业的扭摆系统数据、随钻测量系统数据、录井系统数据和井身数据；步骤S2、选择扭摆系统数据、随钻测量系统数据、录井系统数据和井身数据中的至少一类作为数据特征，并按时间戳进行融合，形成时间序列数据集；步骤S3、使用时间序列数据集逐个训练LSTM神经网络模型，获得基于LSTM的工具面状态预测模型；步骤S4、滑动定向钻井作业过程中，以当前时刻和前4个时刻的实际工具面、目标工具面、正向扭矩和反向扭矩作为输入数据序列，获得未来3个时刻的工具面状态的预测结果。
[0006]在本专利技术的工具面状态的预测方法的一个示例性实施例中，所述扭摆系统数据可
包括正向扭矩、反向扭矩、正向转速、反向转速、正向保持时间和反向保持时间；所述随钻测量系统数据可包括目标工具面和实际工具面；所述录井系统数据包括钻压和排量；所述井身数据可包括井深、水平段长和井斜角。
[0007]在本专利技术的工具面状态的预测方法的一个示例性实施例中，所述扭摆系统数据的采集频率可为30s/次~1200s/次；所述随钻测量系统数据的采集频率可为20s/次~180s/次；所述录井系统数据的采集频率可为4s/次~5s/次。
[0008]在本专利技术的工具面状态的预测方法的一个示例性实施例中，步骤S2可包括：对时间序列数据集进行数据清洗，以去除无效数据和冗余数据。
[0009]在本专利技术的工具面状态的预测方法的一个示例性实施例中，所述无效数据和冗余数据可包括：扭摆定向过程中发生工况变化时所采集的数据、扭摆定向过程中操作失误时所采集的数据和扭摆定向过程中出现了与基本规律或预期不一致的情况所采集的数据。
[0010]在本专利技术的工具面状态的预测方法的一个示例性实施例中，步骤S2还可包括分井分时段处理：将清洗后的时间序列数据集按照每次定向钻井作业的时间段进行划分，形成若干子数据集，以作为LSTM神经网络模型的训练数据基础。
[0011]在本专利技术的工具面状态的预测方法的一个示例性实施例中，步骤S2还可包括数据预处理：将若干子数据集进行标准化，以避免不同量级的数据特征间相互干扰。
[0012]在本专利技术的工具面状态的预测方法的一个示例性实施例中，所述使用时间序列数据集逐个训练LSTM神经网络模型的具体方法可如下：搭建至少一层LSTM神经网络模型，后端拼接全连接神经网络，再使用数据集逐个训练LSTM神经网络模型，同时进行超参数调节、优化与评估，获得基于LSTM的工具面状态预测模型。
[0013]在本专利技术的工具面状态的预测方法的一个示例性实施例中，步骤S4还可包括：根据所述未来3个时刻的工具面状态的预测结果判断工具面未来的运动状态，获得扭摆系统的控制参数。
[0014]本专利技术另一方面提供了一种滑动定向钻井方法，所述滑动定向钻井方法采用未来3个时刻的工具面状态的预测结果来预测未来时刻扭摆系统的控制参数，并根据未来时刻扭摆系统的控制参数的预测结果来控制扭摆系统，其中，所述扭摆系统的控制参数包括正向扭矩和反向扭矩，所述未来3个时刻的工具面状态的预测结果采用如上所述的工具面状态的预测方法得到。
[0015]本专利技术再一方面提供了一种工具面运动状态的预测系统，所述预测系统可包括数据采集单元、时间序列数据集输出单元、神经网络训练单元和工具面状态预测单元，其中，数据采集单元被配置为能够采集滑动定向钻井作业的扭摆系统数据、随钻测量系统数据、录井系统数据和井身数据；时间序列数据集输出单元与数据采集单元连接，并被配置为能够选择扭摆系统数据、随钻测量系统数据、录井系统数据和井身数据中的至少一类作为数据特征，经融合后输出时间序列数据集；神经网络训练单元与时间序列数据集输出单元连接，并被配置为能够使用时间序列数据集逐个训练LSTM神经网络模型，获得基于LSTM的工具面状态预测模型；工具面状态预测单元与神经网络训练单元连接，并被配置为能够将当前时刻和前4个时刻的实际工具面、目标工具面、正向扭矩和反向扭矩作为输入数据序列输入至基于
LSTM的工具面状态预测模型，并输出未来3个时刻的工具面状态的预测结果。
[0016]本专利技术再一方面提供了一种滑动定向钻井系统，所述滑动定向钻井系统可包括：如上所述的工具面运动状态的预测系统；以及扭摆系统控制单元，扭摆系统控制单元与工具面状态预测单元连接，并被配置为能够根据未来3个时刻的工具面状态的预测结果调整未来时刻扭摆系统的控制参数。
[0017]与现有技术相比，本专利技术的有益效果可包括以下内容中的至少一项：（1）可判断工具面未来的运动状态，并给出相应控制参数作为工程师的参考；（2）实现了强化学习算法控制性能的提升，解决了目前强化学习算法存在的跨井适应性差的问题，跨井适应性好；（3）能够辅助现场工程师进行滑动定向钻井作业，提高作业效率。
附图说明
[0018]通过下面结合附图进行的描述，本专利技术的上述和其他目的和/或特点将会变得更加清楚，其中：图1示出了本专利技术的工具面状态的预测方法的一个示例性实施例的当前工具面和目标工具面之间的关系示意图。
[0019]图2示出了本专利技术的工具面状态的预测方法的一个示例性实施例的2层LST本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种工具面状态的预测方法，其特征在于，所述预测方法包括：步骤S1、采集滑动定向钻井作业的扭摆系统数据、随钻测量系统数据、录井系统数据和井身数据；步骤S2、选择扭摆系统数据、随钻测量系统数据、录井系统数据和井身数据中的至少一类作为数据特征，并按时间戳进行融合，形成时间序列数据集；步骤S3、使用时间序列数据集逐个训练LSTM神经网络模型，获得基于LSTM的工具面状态预测模型；步骤S4、滑动定向钻井作业过程中，以当前时刻和前4个时刻的实际工具面、目标工具面、正向扭矩和反向扭矩作为输入数据序列，获得未来3个时刻的工具面状态的预测结果。2.根据权利要求1所述的工具面状态的预测方法，其特征在于，所述扭摆系统数据包括正向扭矩、反向扭矩、正向转速、反向转速、正向保持时间和反向保持时间；所述随钻测量系统数据包括目标工具面和实际工具面；所述录井系统数据包括钻压和排量；所述井身数据包括井深、水平段长和井斜角。3.根据权利要求2所述的工具面状态的预测方法，其特征在于，所述扭摆系统数据的采集频率为30s/次~1200s/次；所述随钻测量系统数据的采集频率为20s/次~180s/次；所述录井系统数据的采集频率为4s/次~5s/次。4.根据权利要求1所述的工具面状态的预测方法，其特征在于，步骤S2包括：对时间序列数据集进行数据清洗，以去除无效数据和冗余数据。5.根据权利要求4所述的工具面状态的预测方法，其特征在于，所述无效数据和冗余数据包括：扭摆定向过程中发生工况变化时所采集的数据、扭摆定向过程中操作失误时所采集的数据和扭摆定向过程中出现了与基本规律或预期不一致的情况所采集的数据。6.根据权利要求4所述的工具面状态的预测方法，其特征在于，步骤S2还包括分井分时段处理：将清洗后的时间序列数据集按照每次定向钻井作业的时间段进行划分，形成若干子数据集，以作为LSTM神经网络模型的训练数据基础。7.根据权利要求6所述的工具面状态的预测方法，其特征在于，步骤S2还包括数据预处理：将若干子数据集进行标准化，以避免不同量级的数据特征间相互干扰。8.根据权利要求1所述的工具面状态的预测方法，其特征在于，所述使用时...
【专利技术属性】
技术研发人员：刘伟，陈东，冯思恒，连太炜，白璟，寇明，肖占朋，廖冲，曾敏偲，王平安，
申请(专利权)人：中国石油天然气集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。