一种钻速预测方法及系统技术方案

本发明专利技术涉及一种钻速预测方法及系统，其特征在于，该方法包括：基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型；获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值，本发明专利技术将XGBOOST算法与石油钻井工程相结合，深度挖掘钻井过程中各因素与钻速之间的关系，可以广泛应用于海洋油气开发及大数据应用领域中。开发及大数据应用领域中。开发及大数据应用领域中。

【技术实现步骤摘要】
一种钻速预测方法及系统


[0001]本专利技术是关于一种钻速预测方法及系统，属于海洋油气开发及大数据应用领域。

技术介绍

[0002]在深水油气钻井过程中，由于环境和地质的复杂性，往往会造成较大的风险性和不确定性。而近20年来，钻井的信息化、智能化和自动化方面不断前进和突破，人们越来越认识到钻井的发展必须结合人工智能。
[0003]钻速预测是石油钻井过程中非常重要的一步，对于钻速的预测最困难的就是影响因素众多，不能仅仅考虑一个方面，需要结合各种影响因素，综合考虑。然而，传统的钻速预测方法很难考虑各种影响因素，且通常有容错性低、精度较差和计算复杂等缺点。

技术实现思路

[0004]针对上述问题，本专利技术的目的是提供一种容错性高、精度高且计算简单的钻速预测方法及系统。
[0005]为实现上述目的，本专利技术采取以下技术方案：一种钻速预测方法，包括：
[0006]基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型；
[0007]获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值。
[0008]进一步地，所述基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型，包括：
[0009]获取各深水钻井的数据集；
[0010]基于网格搜索和交叉验证方法，根据各深水钻井的数据集，建立最优的XGBOOST模型。
[0011]进一步地，所述获取各深水钻井的数据集，包括：
[0012]获取各深水钻井的数据集，其中，数据集为原始钻井数据集，包括静态钻井数据和动态钻井数据；
[0013]对数据集进行划分，得到训练集和验证集。
[0014]进一步地，所述基于网格搜索和交叉验证方法，根据各深水钻井的数据集，建立最优的XGBOOST模型，包括：
[0015]将训练集输入至XGBOOST模型中进行训练，并通过计算增益，得到特征重要度；
[0016]通过验证集，对训练后的XGBOOST模型进行验证；
[0017]根据得到的特征重要度，对各深水钻井的数据集中的特征进行筛选；
[0018]采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型参数值；
[0019]根据最优的模型参数值，确定最优的XGBOOST模型。
[0020]进一步地，所述采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型参数值，包括：
[0021]分别设定模型参数的若干预设值；
[0022]采用网格搜索方法，构建若干模型参数的预设值组合；
[0023]循环遍历模型参数的所有预设值组合，尝试每一预设值组合的可能性，对每一预设值组合进行交叉验证，确定最优的模型参数值。
[0024]进一步地，所述模型参数包括树的最大深度、子节点中最小的样本权重和、学习率以及XGBOOST模型中每棵树随机采样整个样本集合的比例。
[0025]进一步地，所述获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值，包括：
[0026]获取待预测钻井的数据集中筛选后的特征；
[0027]将筛选后的特征输入至最优的XGBOOST模型中，得到待预测钻井的钻速预测值。
[0028]一种钻速预测系统，包括：
[0029]模型建立模块，用于基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型；
[0030]钻速预测模块，用于获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值。
[0031]一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述钻速预测方法对应的步骤。
[0032]一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述钻速预测方法对应的步骤。
[0033]本专利技术由于采取以上技术方案，其具有以下优点：本专利技术将XGBOOST算法与石油钻井工程相结合，深度挖掘钻井过程中各因素与钻速之间的关系，并在训练过程中采用网格搜索和交叉验证方法对模型参数进行调整，最终实现精准的钻速预测，进而为深水石油钻井过程中的钻速优化等需求提供帮助，可以广泛应用于海洋油气开发及大数据应用领域中。
附图说明
[0034]图1是本专利技术一实施例提供的方法流程图；
[0035]图2是本专利技术一实施例提供的特征重要度排序示意图；
[0036]图3是本专利技术一实施例提供的网格搜索部分过程示意图；
[0037]图4是本专利技术一实施例提供的交叉验证部分过程示意图；
[0038]图5是本专利技术一实施例提供的采用本专利技术方法的钻速预测效果图。
具体实施方式
[0039]下面将参照附图更详细地描述本专利技术的示例性实施方式。虽然附图中显示了本专利技术的示例性实施方式，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。
[0040]应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
[0041]本专利技术实施例提供的钻速预测方法及系统采用XGBOOST方法对海上石油钻井的钻速进行预测，能够得到效果最好的XGBOOST模型，进而得到精度高的钻速预测值。
[0042]实施例1
[0043]如图1所示，本实施例提供一种钻速预测方法，包括以下步骤：
[0044]1)获取各深水钻井的数据集，并对数据集进行划分，得到训练集和验证集，其中，数据集为原始钻井数据集，包括动态钻井数据和静态钻井数据，动态钻井数据包括机械钻速、迟到深度、泥浆池体积、钻压、扭矩、泥浆入口流量、泥浆池变化量、垂深、立管压力、泥浆出口流量、钻时、提升系统速度、大钩载荷、迟到时间、返出泥浆温度、转速和测深等，静态钻井数据包括钻头进尺、钻头类型和井眼段直径等。
[0045]2)将训练集输入至XGBOOST(eXtreme Gradient Boosting，极端梯度提升)模型中进行训练，并通过计算增益，得到特征重要度。其中，XGBOOST模型的输入为原始钻井数据集中的特征即深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钻速预测方法，其特征在于，包括：基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型；获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值。2.如权利要求1所述的一种钻速预测方法，其特征在于，所述基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型，包括：获取各深水钻井的数据集；基于网格搜索和交叉验证方法，根据各深水钻井的数据集，建立最优的XGBOOST模型。3.如权利要求2所述的一种钻速预测方法，其特征在于，所述获取各深水钻井的数据集，包括：获取各深水钻井的数据集，其中，数据集为原始钻井数据集，包括静态钻井数据和动态钻井数据；对数据集进行划分，得到训练集和验证集。4.如权利要求3所述的一种钻速预测方法，其特征在于，所述基于网格搜索和交叉验证方法，根据各深水钻井的数据集，建立最优的XGBOOST模型，包括：将训练集输入至XGBOOST模型中进行训练，并通过计算增益，得到特征重要度；通过验证集，对训练后的XGBOOST模型进行验证；根据得到的特征重要度，对各深水钻井的数据集中的特征进行筛选；采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型参数值；根据最优的模型参数值，确定最优的XGBOOST模型。5.如权利要求4所述的一种钻速预测方法，其特征在于，所述采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型...

【专利技术属性】
技术研发人员：李中，殷志明，李梦博，刘兆年，罗洪斌，袁俊亮，王宁，张天玮，赵以鹏，李永华，赵瑞东，
申请(专利权)人：中海石油中国有限公司北京研究中心，
类型：发明
国别省市：