一种基于神经网络的钻井液含砂量的测量方法和设备技术

本发明专利技术提供了一种基于人工神经网络的钻井液含砂量的测量方法，采集多组不同含砂量的泥浆的性能参数；筛选分析泥浆的性能参数，根据筛选分析后的性能参数计算获得赫谢尔

【技术实现步骤摘要】
一种基于神经网络的钻井液含砂量的测量方法和设备


[0001]本专利技术涉及神经网络
，具体涉及一种基于神经网络的钻井液含砂量的测量方法和设备。

技术介绍

[0002]钻井液的主要功用是悬排钻渣、保护井壁、冷却钻头和润滑钻具，钻井液性能的变化会直接影响机械钻速、钻头寿命、孔壁稳定、孔内净化等，钻井液中的无用固相含量过高会使钻井液的流变特性变坏，流态变差，引起上下钻阻卡，压力激动等事故的发生。此外，对管材、钻头、水泵缸套、活塞拉杆的磨损也会变大，缩短使用寿命。因此实现现场钻井液含砂量的在线检测，按需实时优化钻井液性能至关重要。
[0003]现阶段钻井液密度、粘度等参数的检测都已经有了成熟的在线检测设备，国外现有的钻井液流变性能的在线检测装置主要分为两类，一种是由Saasen A等人对原有的六速粘度计进行改造设计的在线六速粘度计，另一种是由Vajargah A K等人设计的可以测量钻井液流变指数的管道流变仪。但对于钻井液中的含砂量的自动检测依旧停留在手动检测的阶段，耗时长，实时性差且精度不高。

技术实现思路
<br/>[0004]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的钻井液含砂量的测量方法，其特征在于，包括：采集泥浆的性能参数；筛选所述性能参数，根据筛选后的所述性能参数计算获得赫谢尔
‑
巴尔克莱三参数，将所述筛选后的性能参数和赫谢尔
‑
巴尔克莱三参数作为输入参数；对所述输入参数进行数据扩展和划分，得到训练集、验证集和测试集；构建ANN神经网络模型，利用训练集和验证集迭代训练并验证所述ANN神经网络模型；利用测试集评估训练后的所述ANN神经网络模型的预测效果，利用满足预设预测效果的所述ANN神经网络模型测量钻井液的含砂量。2.如权利要求1所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，筛选所述泥浆的性能参数，获得输入参数包括：采集多组不同含砂量的泥浆的密度、马氏漏斗粘度、旋转粘度和含砂量；剔除所述密度、所述马氏漏斗粘度、所述旋转粘度、和所述含砂量中的异常数据；利用剔除异常数据后的所述旋转粘度计算赫谢尔
‑
巴尔克莱三参数、表观粘度和塑性粘度；将剔除异常数据后的所述密度、所述马氏漏斗粘度、所述旋转粘度、所述赫谢尔
‑
巴尔克莱三参数、所述表观粘度和所述塑性粘度作为所述ANN神经网络模型的输入参数，将剔除异常数据后的所述含砂量作为所述ANN神经网络模型的输出参数。3.如权利要求2所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，对所述输入参数进行数据扩展和划分，得到训练集、验证集和测试集包括：对剔除异常数据后的所述密度、马氏漏斗粘度、旋转粘度、含砂量和赫谢尔
‑
巴尔克莱三参数分别利用三次样条法进行插值扩展，获得对应的扩展数据；将对应的所述扩展数据分别划分为训练集、验证集和测试集。4.如权利要求2所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，利用剔除异常数据后的旋转粘度计算赫谢尔
‑
巴尔克莱三参数包括步骤：基于剔除异常数据后的旋转粘度，利用公式一计算赫谢尔
‑
巴尔克莱三参数流变模型的动切力τ
y
，公式一为：τ
y
＝0.511θ3其中，θ3为旋转粘度计3r/min时测得的刻度盘读数；基于剔除异常数据后的旋转粘度，利用公式二计算赫谢尔
‑
巴尔克莱三参数流变模型的流体行为指数n，公式二为:n＝3.322lg[(θ
600
‑
θ3)/(θ
300
‑
θ3)]其中，θ
600

【专利技术属性】
技术研发人员：张棣，段隆臣，高辉，赵振，刘乃鹏，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：