一种基于机器学习的井底钻井参数监控及优化方法技术

本发明专利技术提供了一种基于机器学习的井底钻井参数监控及优化方法，属于石油地质勘探钻井技术领域。本发明专利技术通过钻井工程的软杆模型来准确拟合井底钻头钻压及钻头扭矩，然后通过机器学习算法来自适应地判断井底机械比能是否出现真正的异常情况，并据此结合工程业务逻辑进行准确的井下异常状态识别及处理方法。本发明专利技术通过对kmeans、LDA和SOS多项判断算法进行综合评定实时钻井过程中是否出现能量耗散的异常情况，并完整的运用MSE决策树流程来进行钻井参数优化，实现将异常情况判断成功率提高到实际工程可信赖的程度。际工程可信赖的程度。际工程可信赖的程度。

【技术实现步骤摘要】
一种基于机器学习的井底钻井参数监控及优化方法


[0001]本专利技术涉及石油地质勘探钻井
，尤其涉及一种基于机器学习的井底钻井参数监控及优化方法。

技术介绍

[0002]钻井过程中由于地层变化、钻具组合选择不同、钻头类型不同、钻井参数不同等因素，导致钻井机械钻速差异较大，常存在井下震动过大，钻头磨损加快，钻具组合震动过大等问题，导致提前起钻，使得趟钻进尺低，机械钻速低。
[0003]现有技术采用地面综合录井参数计算得到机械比能MSE参数作为钻井能量耗散的指标，在中国专利申请文献CN109145322A中，提出了如何计算井底机械比能的算法，旨在通过使用井底机械比能MSE
DH
作为判断指标进行分析判断，优化钻井参数。由于钻井过程中所获取的参数均由综合录井服务所部署的地面传感器所采集到，常出现传感器采集异常，数据中断等问题。
[0004]如果采用异常门限值的方法来判断MSEDH的异常情况，则往往导致误报、漏报等情况的发生。近年来机器学习算法在大数据处理中得到广泛应用，尤其是对时序数据的异常监测这类问题得到广泛应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的井底钻井参数监控方法，其特征在于，包括如下步骤：针对每一组新收到的综合录井数据，通过钻机状态判断算法，计算当前的钻头钻压、钻头扭矩、钻头转速以及机械钻速，所述综合录井数据包括悬重、机械转速、入口流量、泥浆密度和立管压力；根据当前的钻头钻压、钻头扭矩、钻头转速以及机械钻速，获取当前时刻的井底机械比能MSE
DH
；将当前获得的MSE
DH
值存入分析数据池中，通过机器学习算法判断当前分析数据池中的MSE
DH
与地层岩石三轴抗压强度比值是否出现了偏离原始均线的情况；如果判断当前MSE
DH
出现偏差，则进行工程分析判断，结合工程判断参数，调用机器学习算法遍历各工程判断参数，判断各工程判断参数是否发生异常，可能发生对应的风险。2.根据权利要求1所述的基于机器学习的井底钻井参数监控方法，其特征在于，钻头钻压和钻头扭矩通过如下方法获取：钻头钻压＝正钻时的悬重
‑
提离井底稳定空转循环时的悬重；钻头扭矩＝正钻时的扭矩
‑
提离井底稳定空转循环时的扭矩。3.根据权利要求1所述的基于机器学习的井底钻井参数监控方法，其特征在于，钻头钻压和钻头扭矩通过如下方法获取：通过软杆模型进行迭代反算，直至使得软杆模型计算得到的地面钻压和地面扭矩与实测录井数据一致时，得到软杆模型校正后的钻头钻压和钻头扭矩。4.根据权利要求3所述的基于机器学习的井底钻井参数监控方法，其特征在于，通过软杆模型进行迭代反算，得到软杆模型校正后的钻头钻压和钻头扭矩，具体包括如下步骤：假设钻头钻压初始猜测值为0，钻头扭矩初始猜测值为0；重复如下过程，直到计算得到的地面钻压及地面扭矩与实测值收敛，此时所对应的钻头钻压和钻头扭矩为准确值：根据软杆模型反推计算得到地面钻压和地面扭矩；根据实际测得地面钻压和地面扭矩获得地面计算值之差，并将其附加至钻头钻压和钻头扭矩。5.根据权利要求4所述的基于机器学习的井底钻井参数监控方法，其特征在于，钻头转速通过如下方法...

【专利技术属性】
技术研发人员：吴宝成，田龙，路宗羽，徐生江，蒋振新，科迪丽娅，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：