基于卷积神经网络的随钻安全风险智能识别方法技术

本发明专利技术公开了基于卷积神经网络的随钻安全风险智能识别方法，包括：步骤1：随钻安全风险参数特征及数据处理，利用Pearson系数相关性分析法对随钻监测参数建立相关性分析模型；步骤2：随钻安全监测数据处理，对样本时间跨度进行分析，构建训练样本数据和测试样本数据，并对样本进行预处理；步骤3：随钻安全风险识别网络结构设计；步骤4：通过训练好的安全风险识别网络对随钻安全风险进行识别。本发明专利技术在随钻监测工程的应用中，能大幅度提高钻井效率和储层钻遇率，降低钻井复杂事故率和成本，给钻井工作提供了强有力的安全保障，在一定程度上满足当前钻井降本增效的迫切需求，也为我国智能钻井技术的发展提供新的思路。钻井技术的发展提供新的思路。钻井技术的发展提供新的思路。

【技术实现步骤摘要】
基于卷积神经网络的随钻安全风险智能识别方法


[0001]本专利技术涉及井下随钻安全领域，尤其涉及基于卷积神经网络的随钻安全风险智能识别方法。

技术介绍

[0002]钻井是一项非常复杂的地下工程，地质条件、工程条件、人工操作等众多因素的影响给钻井工程的效率、安全、质量提出了重大挑战。因此，如何在复杂的现场条件下及时的识别出卡钻、产气、井壁失稳、钻具断裂等随钻安全风险并做出相应处理，预防大型事故的发生，是提升钻完井成功率、降低钻完井成本的关键一环。现阶段的钻井过程中，最常见的判断方式是依靠各类仪器的工作状况以及采集到的各类井下参数，由现场监测人员根据经验实时观察判断随钻安全风险。人工识别的方式对现场监测人员的专业知识水平有较高的要求，并使得判断结果具有较强的主观性和时间滞后性。同时，不同井由于地质条件、人工操作等因素，发生安全风险时的特征有所不同，进一步增加了现场人工监测的难度。
[0003]近年来，随着人工智能技术在全球范围内迅猛发展，油气勘探开发智能化成为全球油气行业发展的热点。我国油气行业也开始推进智能钻井发展步伐，结合大数据、人工智本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络的随钻安全风险智能识别方法，其特征在于，包括以下步骤：步骤1：随钻安全风险参数特征及数据处理，利用 Pearson 系数相关性分析法对随钻监测参数建立相关性分析模型；步骤2：随钻安全监测数据处理，对样本时间跨度进行分析，构建训练样本数据和测试样本数据，并对样本进行预处理；步骤3：随钻安全风险识别网络结构设计，并对网络模型进行训练；步骤4：通过训练好的安全风险识别网络对随钻安全风险进行识别。2.根据权利要求1所述的基于卷积神经网络的随钻安全风险智能识别方法，其特征在于，所述步骤1具体包括以下子步骤：步骤101：获取多口井随钻监测历史数据，初步筛选出能及时反应钻进过程工况变化的监测参数，并清理掉其中的无效或错误数据；步骤102：根据随钻监测过程中参数的重要性，进一步精选若干核心参数，降低后续数据处理量；步骤103：根据钻进过程不同阶段，将数据集按各阶段做进一步分类；步骤104：利用现有随钻安全风险理论模型，形成各类安全风险对应监测数据变化的宏观规律，再结合Pearson参数相关性分析结果，确定表征各安全风险工况最精炼的样本中各参数构成。3.根据权利要求1所述的基于卷积神经网络的随钻安全风险智能识别方法，其特征在于，所述步骤2具体包括以下子步骤：步骤201：对每一种随钻安全风险分别构建多种不同时间跨度的样本数据，并用多个网络同时进行随钻安全风险识别训练，通过对比实验确保网络既能包含随钻安全风险的大部分特征，也尽可能地降低了系统时延性；同时，对钻井监测数据离线分析，构建训练样本数据与测试样本数据；步骤202：使用少样本学习对样本数据进行预处理，利用数据增强中缩放、裁剪、插值以及 SMOTE 算法对样本进行处理，并使用迁移学习算法将已训练好的相似网络中的权重迁移至具备一定相关性的新网络进行训练；步骤203：对样本中数值大小差异太大的部分数据进行归一化处理。4. 根据权利要求3所述的基于卷积神经网络的随钻安全风险智能识别方法，其特征在于，所述利用数据增强中缩放、裁剪、插值以及 SMOTE 算法对样本进行处理具体为：对于部分上涨幅度大，变化特征明显的历...

【专利技术属性】
技术研发人员：夏文鹤，胡万俊，李皋，李永杰，蒋俊，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：