一种钻井参数预测方法和系统技术方案

本发明专利技术涉及一种钻井参数预测方法和系统，其包括以下步骤：获取在钻井的历史数据；对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络的钻井参数预测模型；基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；在预设时间段内基于真实钻井场景获得测试集，将测试集输入到钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。本发明专利技术可以广泛应用于海洋油气开发及大数据应用领域。及大数据应用领域。及大数据应用领域。

【技术实现步骤摘要】
一种钻井参数预测方法和系统


[0001]本专利技术涉及一种钻井参数预测方法和系统，特别是涉及一种基于深水钻井参数时序数据对钻井参数预测方法和系统，属于海洋油气开发及大数据应用领域。

技术介绍

[0002]深水油气钻井过程中，钻井参数之间存在复杂的交互影响，每个钻井参数的变动不仅会影响当前时刻其他钻井参数的水平，而且可能直接对未来一段时间的参数变化产生深远影响。因此，每个钻井参数的变化都可能影响钻井现场专家的下一步决策，如果能够较早的发现钻井参数的非正常变化，将为保障钻井的安全性和节约钻井成本带来极大帮助。
[0003]然而，钻井数据监测指标众多且相关性较强，用传统的钻井参数分析方法难以有效构建每个参数的变化趋势模型，而且也无法将钻井数据之间的周期性变化规律考虑在内。

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钻井参数预测方法、系统、设备和存储介质，采用大数据挖掘及分析方法来构建钻井参数预测模型，同时采用时序模型来捕捉钻井参数在特定地质环境下的量级及周期性变动规律，为钻井参数的预测带来帮助。
[0005]为实现上述目的，本专利技术采取以下技术方案：
[0006]本专利技术的第一个方面，是提供一种钻井参数预测大数据挖掘方法，其包括以下步骤：
[0007]步骤1：获取在钻井的历史数据；
[0008]步骤2：对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络的钻井参数预测模型；
[0009]步骤3：基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；
[0010]步骤4：在预设时间段内基于真实钻井场景获得测试集，将测试集输入到步骤2中的钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。
[0011]优选的，所述步骤1中，获取的在钻井的历史数据包括机械钻速、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、测深和钻头进尺。
[0012]优选的，所述步骤2中，建立基于长短期记忆人工神经网络的钻井参数预测模型的方法，包括以下步骤：
[0013]步骤2.1：对历史数据进行分析，结合钻井阶段的特点选定合适的预测时间周期T。
[0014]步骤2.2：基于确定的预测时间周期T，建立基于长短期记忆人工神经网络的钻井参数预测模型。
[0015]优选的，所述步骤2.2中，所述钻井参数预测模型包括LSTM结构以及多层感知机网络或注意力机制网络；所述LSTM结构用于对个数为T的输入数据进行时序信息处理，并将提取到的有效信息发送到多层感知机网络或注意力机制网络；所述多层感知机网络或注意力机制网络用于对提取到的有效信息进一步处理，得到钻井参数预测结果。
[0016]优选的，所述步骤3中，基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型的方法，包括以下步骤：
[0017]步骤3.1：对获取的历史数据进行预处理，得到各钻井参数构成的数据集；
[0018]步骤3.2：对预处理后的数据集进行维度转化，将该数据集由二维转换为三维；
[0019]步骤3.3：将得到的三维数据集按照时序索引进行划分，得到训练集和验证集；
[0020]步骤3.4：利用得到的训练集和验证集对钻井参数预测模型进行训练，采用BP算法完成模型参数的更新，得到训练好的钻井参数预测模型。
[0021]优选的，所述步骤3.2中，采用数据维度转化方法对预处理后的数据集进行维度转换的方法，包括以下步骤：
[0022]步骤3.2.1：基于确定的预测时间周期长度T，将包含[t
‑
T,t]连续时间点的钻井数据作为t时刻第i个钻井参数p
ti
的训练数据，其中，i＝1,2,...,n；n为钻井参数总个数；
[0023]步骤3.2.2：采用与步3.2.1相同的方法，对所有钻井参数进行相应的维度转化，则对于t时刻，得到n*T的训练数据；
[0024]步骤3.2.3：对得到的训练数据进行质量检测，对无效数据进行剔除。
[0025]优选的，所述步骤3.2.3中，进行质量检测的方法为：对于每个大小为n*T的训练数据，若在T的时刻内存在非钻井阶段数据，则不符合训练的要求，对此条数据进行舍弃；若在T的时刻内的任意参数存在超出其设定阈值的数据或错误数据，则不符合训练的要求，对此条数据进行舍弃；当最终满足条件的参数数量不足以完成模型训练任务时，则舍弃。
[0026]本专利技术的第二个方面，是提供一种钻井参数预测系统，其包括：
[0027]数据源模块，用于获取在钻井的历史数据；
[0028]模型建立模块，用于对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络的钻井参数预测模型；
[0029]模型训练模块，用于基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；
[0030]模型测试模块，用于在预设时间段内基于真实钻井场景获得测试集，将测试集输入到训练好的钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。
[0031]本专利技术的第三个方面，是提供一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现所述钻井参数预测方法的步骤。
[0032]本专利技术的第四个方面，是提供一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述钻井参数预测方法的步骤。
[0033]本专利技术由于采取以上技术方案，其具有以下优点：
[0034]1、本专利技术通过构建基于长短期人工神经网络(LSTM)的钻井参数预测模型，考虑了钻井参数之间的关联影响及钻井工程时序性的特点，能够更加有效的完成钻井参数的预测。
[0035]2、本专利技术在钻井参数的筛选中，明确地将钻进阶段数据和非钻进阶段数据进行划分，明确了钻井参数预测模型的适用范围。
[0036]3、本专利技术将二维的钻井数据转化为三维的钻井数据，丰富了为模型提供的信息，增强了模型的预测能力。
[0037]4、本专利技术在模型训练的基础上增加了模型测试和评估的阶段，进一步保障了钻井参数预测模型的安全有效，为实际场景下的应用提供了技术保障。
[0038]因此，本专利技术可以广泛应用于海洋油气开发及大数据应用领域。
附图说明
[0039]图1是本专利技术实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钻井参数预测方法，其特征在于，包括以下步骤：步骤1：获取在钻井的历史数据；步骤2：对历史数据进行分析，结合钻井阶段的特点确定预测时间周期T，并建立基于长短期人工神经网络的钻井参数预测模型；步骤3：基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型；步骤4：在预设时间段内基于真实钻井场景获得测试集，将测试集输入到步骤2中的钻井参数预测模型进行模拟测试，并根据模拟测试结果对钻井参数预测模型进行调整，直至验证其符合现场应用的标准后，将其投入钻井现场的应用中，实现对钻井参数的预测。2.如权利要求1所述的一种钻井参数预测方法，其特征在于：所述步骤1中，获取的在钻井的历史数据包括机械钻速、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、测深和钻头进尺。3.如权利要求1所述的一种钻井参数预测方法，其特征在于：所述步骤2中，建立基于长短期记忆人工神经网络的钻井参数预测模型的方法，包括以下步骤：步骤2.1：对历史数据进行分析，结合钻井阶段的特点选定合适的预测时间周期T。步骤2.2：基于确定的预测时间周期T，建立基于长短期记忆人工神经网络的钻井参数预测模型。4.如权利要求1所述的一种钻井参数预测方法，其特征在于：所述步骤2.2中，所述钻井参数预测模型包括LSTM结构以及多层感知机网络或注意力机制网络；所述LSTM结构用于对个数为T的输入数据进行时序信息处理，并将提取到的有效信息发送到多层感知机网络或注意力机制网络；所述多层感知机网络或注意力机制网络用于对提取到的有效信息进一步处理，得到钻井参数预测结果。5.如权利要求1所述的一种钻井参数预测方法，其特征在于：所述步骤3中，基于历史数据获取训练集和验证集，基于训练集和验证集对建立的钻井参数预测模型进行训练，得到训练好的钻井参数预测模型的方法，包括以下步骤：步骤3.1：对获取的历史数据进行预处理，得到各钻井参数构成的数据集；步骤3.2：对预处理后的数据集进行维度转化，将该数据集由二维转换为三维；步骤3.3：将得到的三维数据集按照时序索引进行划分，得到训练集和验证集；步骤3.4：利用得到的训练集和验证集对钻井参数预测...

【专利技术属性】
技术研发人员：李梦博，殷志明，李中，许亮斌，刘兆年，袁俊亮，武治强，李永华，朱玥，
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：