利用智能钻头实时识别井下粘滑振动的方法及装置制造方法及图纸

本发明专利技术公开了一种利用智能钻头实时识别井下粘滑振动的方法及装置。其中，该方法包括：利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据；基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型，识别所述智能钻头处的粘滑振动。本发明专利技术解决了相关技术中无法识别井下粘滑振动情况的技术问题。技术中无法识别井下粘滑振动情况的技术问题。技术中无法识别井下粘滑振动情况的技术问题。

【技术实现步骤摘要】
利用智能钻头实时识别井下粘滑振动的方法及装置


[0001]本专利技术涉及石油工程领域，具体而言，涉及一种利用智能钻头实时识别井下粘滑振动的方法及装置。

技术介绍

[0002]随着油气勘探开发的进行，钻井工程所面临的地质情况日益复杂，复杂地质条件下，钻井效率低下，井下钻头动态不明，钻井参数选择次优，为安全钻井埋下一定的风险隐患。
[0003]近年来，随着各类钻头在钻井中的研究不断加深，利用井下数据评价水平井及定向井钻头反扭距情况、评价钻头及钻具组合优化情况，井下复杂工况识别的研究变得日益重要。
[0004]在复杂地层段，凭借经验钻井往往事故不断，造成资金和时间的巨大浪费，随着钻井深度的增加，钻井事故以及复杂工况发生的概率会越来越高，会不同程度的发生粘滑、卡钻、跳钻等钻井事故。
[0005]因此井下近钻头工程测量数据的应用对井下故障的诊断、预测和评价研究具有重要的工程价值。然而目前国内对于井下复杂工况的识别多数都基于地面数据，地面数据与井下数据差异大，难以进行更加精细的分析。
[0006]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0007]本专利技术实施例提供了一种利用智能钻头实时识别井下粘滑振动的方法及装置，以至少解决相关技术中无法识别井下粘滑振动情况的技术问题。
[0008]根据本专利技术实施例的一个方面，提供了一种利用智能钻头实时识别井下粘滑振动的方法，包括：利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据；基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型，识别所述智能钻头处的粘滑振动。
[0009]在一个示例中，所述工程测量数据包括以下至少之一：所述智能钻头工作时钻头本体的轴向振动、法向振动、所述智能钻头的钻压、扭矩、转速、温度、环空压力和内部压力。
[0010]在一个示例中，所述粘滑振动识别模型是通过以下方法构建并训练的：获取历史工程测量数据，对所述历史工程测量数据进行数据预处理，提取数据特征值；利用遗传算法对处理后的所述历史工程测量数据进行数据优化；利用优化后的数据构建并训练所述粘滑振动识别模型。
[0011]在一个示例中，对所述历史工程测量数据进行数据预处理，提取数据特征值，包括：整合同一口井的不同深度、不同井次的所述历史工程测量数据，并将所述历史工程测量数据整合为一段接近所述智能钻头的测量数据集；将所述测量数据集中由传感器自身误差造成的测量异常数据进行数据清洗，所述数据清洗包括检测异常数据、剔除异常数据和补
充缺失数据；对所述测量数据集中的数据进行时域及频域分析，确定井下正常钻进时与粘滑振动发生时，所述工程测量数据所包含时域及频域数据的异同，并提取数据特征值。
[0012]在一个示例中，利用遗传算法对处理后的所述历史工程测量数据进行数据优化，包括：对处理后的所述历史工程测量数据进行数据优化，并采用随机编码生成初始种群，其中，各个种群染色体的变量数各不相同；计算目标函数，对个体适应度进行评估，基于个体适应度的评估结果，对每个种群进行选择、交叉、变异生成新种群，并重新进行适应度评估，得到神经网络的初始化权值和阈值。
[0013]在一个示例中，所述粘滑振动识别模型包括输入层、多个隐含层、输出层，其中，多个所述隐含层的节点数是基于输入层节点数、输出层节点数以及校正因子计算得到的。
[0014]在一个示例中，将所述粘滑振动识别模型识别的结果通过电磁波或利用井下脉冲发射装置传送至地面，以用于地面人员判断所述智能钻头的状态。
[0015]根据本专利技术实施例的另一方面，还提供了一种利用智能钻头实时识别井下粘滑振动的装置，包括：测量模块，被配置为利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据；识别模块，被配置为基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型，识别所述智能钻头处的粘滑振动。
[0016]根据本专利技术实施例的另一方面，还提供了一种智能钻头，包括钻头本体和如上所述的利用智能钻头实时识别井下粘滑振动的装置，设置在所述钻头本体上。
[0017]根据本专利技术实施例的另一方面，还提供了一种计算机可读存储介质，其上存储有程序，在所述程序运行时，使得计算机执行如上所述的方法。
[0018]在本专利技术实施例中，智能钻头获取井下近钻头工程测量数据；对获取的近钻头工程测量数据预处理、数据优化、建立粘滑振动识别模型，粘滑振动识别模型在井下智能钻头钻进时可以实时判断井下钻头是否发生粘滑振动，其结果可以通过电磁波或利用井下脉冲发射装置传送至地面，供地面工作人员分析判断，以此来提高井下钻井效率，进而解决了相关技术中无法识别井下粘滑振动情况的技术问题。
附图说明
[0019]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0020]图1是根据本申请实施例的一种利用智能钻头实时识别井下粘滑振动的方法的流程图；
[0021]图2是根据本申请实施例的另一种利用智能钻头实时识别井下粘滑振动的方法的流程图；
[0022]图3是根据本申请实施例的智能钻头的结构示意图；
[0023]图4是根据本申请实施例的基于神经网络构建粘滑振动识别模型的方法的流程图；
[0024]图5是根据本申请实施例的又一种利用智能钻头实时识别井下粘滑振动的方法的流程图；
[0025]图6是根据本申请实施例的一种利用智能钻头实时识别井下粘滑振动的装置的结构示意图。
具体实施方式
[0026]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0027]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0028]实施例1
[0029]根据本专利技术实施例，提供了一种利用智能钻头实时识别井下粘滑振动的方法，如图1所示，该方法包括：
[0030]步骤S102，利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据；
[0031]步骤S104，基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型，识别所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用智能钻头实时识别井下粘滑振动的方法，其特征在于，包括：利用所述智能钻头获取井下现场所述智能钻头处的工程测量数据；基于所述工程测量数据和预先基于神经网络建立的粘滑振动识别模型，识别所述智能钻头处的粘滑振动。2.根据权利要求1所述的方法，其特征在于，所述工程测量数据包括以下至少之一：所述智能钻头工作时钻头本体的轴向振动、法向振动、所述智能钻头的钻压、扭矩、转速、温度、环空压力和内部压力。3.根据权利要求1所述的方法，其特征在于，所述粘滑振动识别模型是通过以下方法构建并训练的：获取历史工程测量数据，对所述历史工程测量数据进行数据预处理，提取数据特征值；利用遗传算法对处理后的所述历史工程测量数据进行数据优化；利用优化后的数据构建并训练所述粘滑振动识别模型。4.根据权利要求3所述的方法，其特征在于，对所述历史工程测量数据进行数据预处理，提取数据特征值，包括：整合同一口井的不同深度、不同井次的所述历史工程测量数据，并将所述历史工程测量数据整合为一段接近所述智能钻头的测量数据集；将所述测量数据集中由传感器自身误差造成的测量异常数据进行数据清洗，所述数据清洗包括检测异常数据、剔除异常数据和补充缺失数据；对所述测量数据集中的数据进行时域及频域分析，确定井下正常钻进时与粘滑振动发生时，所述工程测量数据所包含时域及频域数据的异同，并提取数据特征值。5.根据权利要求3所述的方法，其特征在于...

【专利技术属性】
技术研发人员：张涛，李玉梅，张鑫，柳贡慧，李军，汪伟，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：