使用在线贝叶斯线性回归的异常压力检测制造技术

提供了一种用于预测立管压力的方法和处理设备

【技术实现步骤摘要】
【国外来华专利技术】使用在线贝叶斯线性回归的异常压力检测
[0001]交叉引用段落
[0002]本申请要求
2021
年1月
15
日提交的题为“ABNORMAL PRESSURE DETECTION USING ONLINE BAYESIAN LINEAR REGRESSION”的美国临时申请号
63/199,663
号和
2021
年1月
15
日提交的题为“ABNORMAL PRESSURE DETECTION USING MACHINE LEARNING”的美国临时申请号
63/199,664
号的权益，其公开内容通过引用结合于此
。

技术介绍

[0003]在钻井过程中，可以计算立管压力并建立模型
。
作为示例，一些工作流可以提供压力预测模型，其可以区分旋转模式和滑动模式，在旋转模式中，钻柱旋转，在滑动模式中，钻柱的远端部分或钻头旋转，而不旋转钻柱的其余部分
。
然后，压力预测工作流可以将数据分配给相应的子模型，并预测立管压力
。
如果压力异常
(
过高或过低
)
，可能会触发警报
。
这样的工作流也可以校准模型
。
[0004]不同的模型以不平衡的方式被输入数据
。
在压力预测工作流中，无论是旋转模式还是滑动模式，都可以输入数据
。
因此，与主动钻井模式相关联的模型可以被更新，而另一个模型可以不被更新
。
这可能导致为一个模型提供更多的信息，并且比另一个模型更新更多的信息，这可能导致错误的警报
。
此外，校准可能不稳定且缓慢
。
作为示例，可能很难长时间或在钻井作业期间的不同点找到校准点
。
这导致现有工作流的功能障碍，因为很少或没有结果可以计算
。
第二，校准点为模型提供输入，但用于生成校准点的数据通常只占整个接收数据的一小部分
(
不到
10
％
)。
换句话说，至少
90
％的接收数据在没有被工作流利用的情况下被丢弃
。
[0005]高斯过程可用于在数据的后处理中检测现有的异常压力工作流，以生成图示立管压力与流量
、
扭矩和钻压之间的关系的图表
。
然而，利用高斯过程引入了不可解释性，并且可能导致一些基本的物理属性被破坏
。
[0006]用于压力预测的其他方法可以估计系数
。
作为示例，通过使用线性回归
(
或岭回归
)、
核回归或高斯过程，可以消耗数据，可以拟合模型
(
对于线性回归或岭回归
)
，并且可以获得预测值
。
但是，线性回归
(
或岭回归
)
和核回归可能不会产生带有不确定值的估计值
。
此外，使用核回归或高斯过程不能提供明确的模型
。
因此，可能很难从物理上解释这些结果
。
此外，这些方法可能会提供违反物理定律的结果
。
附图说明
[0007]并入本说明书并构成其一部分的附图示出了本教导的实施例，并与说明书一起用于解释本教导的原理
。
在附图中
:
[0008]图1示出了根据一实施例的系统的示例，该系统包括管理地质环境的各个方面的各种管理组件
。
[0009]图2示出了根据一实施例的用于预测立管压力的方法的流程图
。
[0010]图3示出了根据一实施例的该方法的实施例的更详细的流程图
。
[0011]图4示出了根据一实施例的异常压力检测的数学模型
。
[0012]图5示出了分组递归贝叶斯网络
(GRBN)
工作流的实施例的示意图
。
[0013]图6示出了消费流数据的递归贝叶斯网络
(RBN)
的实施例
。
[0014]图7示出了集成学习方法的一个实施例
。
[0015]图8示出了进化机制的实施例，其中有限数量的模型被保留为登记模型
。
[0016]图9示出了库尔贝克
‑
莱布勒
(Kullback
‑
Leibler)
散度，其可用于选择模型
。
[0017]图
10
示出了根据各种实施例对流数据进行操作的分组递归贝叶斯网络
(GRBN)
系统的一种方法
。
[0018]图
11
示出了在一实施例中，关于随着系统的发展，所登记的模型如何分组的方法
。
[0019]图
12、13
和
14
是说明各种实施例中关于
GRBN
的处理的流程图
。
[0020]图
15
示出了根据一实施例的计算系统的示意图
。
[0021]图
16
示出了根据一实施例的另一个计算系统的示意图
。

技术实现思路

[0022]本公开的实施例可以提供一种用于预测立管压力的方法
。
贝叶斯线性回归器被初始化
。
贝叶斯线性回归器的先验是基于使用相同井底组件的先前钻井操作来初始化的
。
实时接收与钻井相关的测量数据
。
使用模型的
QR(
其中
Q
是具有标准正交列的矩阵，
R
是上三角矩阵
)
分解来生成在线贝叶斯线性回归器更新
。
确定在线贝叶斯攻击者更新的系数是否违反物理规则
。
响应于确定至少一些系数违反物理规则，至少一些系数被设置为各自的默认值，该默认值为零或正值
。
基于在线贝叶斯线性回归器更新或至少一些系数的设置来更新系数和不确定性
。
然后模型被可视化
。
[0023]在一实施例中，该方法可以包括将无限脉冲响应滤波器应用于接收的测量数据，以对接收的测量数据进行去噪
。
[0024]在该方法的一实施例中，接收的测量数据包括立管压力
、
流量
、
钻头深度
、
表面钻压和扭矩
。
[0025]在该方法的一实施例中，
QR
分解从定位不当的矩阵中提取一列，以形成定位良好的子矩阵，该子矩阵用于求解具有数值稳定性的矩阵反演方程
。
[0026]在该方法的一实施例中，当相应系数的相应值落入相应的有效值范围内时，至少一些系数的相应系数符合物理规则
本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.
一种用于预测立管压力的方法，该方法包括
:
初始化贝叶斯线性回归器，其中贝叶斯线性回归器的先验是基于使用类似井底组件的先前钻井操作来初始化的；实时接收与钻井相关的测量数据；使用
QR
分解为模型生成在线贝叶斯线性回归器更新；验证所有系数满足物理规则，并基于在线贝叶斯线性回归器更新和至少一些系数的设置中的至少一个来输出系数的不确定性；和可视化该模型
。2.
根据权利要求1所述的方法，进一步包括
:
确定在线贝叶斯回归器更新的至少一些系数违反物理规则；响应于确定至少一些系数违反物理规则，将至少一些系数设置为各自的默认值，该默认值为零或正值；和至少基于在线贝叶斯线性回归器更新和至少一些系数的设置中的一个来更新系数和系数的不确定性
。3.
根据权利要求1所述的方法，进一步包括
:
通过对所接收的测量数据应用无限脉冲响应滤波器来对其进行去噪
。4.
根据权利要求1所述的方法，其中所接收的测量数据包括
:
立管压力
、
流量
、
钻头深度
、
表面钻压和扭矩
。5.
根据权利要求1所述的方法，其中所述
QR
分解使用子矩阵来求解矩阵求逆
。6.
根据权利要求2所述的方法，其中当相应系数的相应值落入相应的有效值范围内时，至少一些系数的相应系数符合物理规则
。7.
用于预测立管压力的至少一个处理设备，该至少一个处理设备中的每个包括
:
至少一个处理器；和与所述至少一个处理器连接的存储器，其中所述存储器包括用于所述至少一个处理器执行多个操作的指令，所述多个操作包括
:
初始化模型的系数值；用初始化的系数创建该模型作为登记模型；重复直到登记的模型的数量是预设数量
:
在下一个时间间隔期间接收测量数据；基于所接收的测量数据来更新所有候选模型；基于所接收的测量数据创建候选模型；当所述候选模型的至少一个系数违反物理规则时，丢弃所述候选模型；和在候选模型被学习
、
候选模型的所有系数都符合物理规则
、
当前登记模型的数量小于预设数量之后，将候选模型作为登记模型；通过将相应的权重应用于每个相应登记模型的预测立管压力来基于登记模型预测立管压力，以产生相应的加权预测立管压力，相应的权重基于相应时间间隔内相应登记模型的方差和标准差之一的倒数；将相应的加权预测立管压力相加，以产生加权压力之和；和将加权压力的总和除以权重的总和，以基于所登记模型的预设数量产生预测的立管压
力
。8.
根据权利要求7所述的至少一个处理设备，其中基于所接收的测量数据创建候选模型进一步包括
:
仅当从创建最后一个模型起已经过去了至少预设时间段时，才创建候选模型
。9.
根据权利要求8所述的至少一个处理设备，其中基于所接收的测量数据创建候选模型进一步包括
:
创建具有默认系数的候选模型
。10.
根据权利要求9所述的至少一个处理设备，其中所述默认系数具有零值
。11.
根据权利要求9所述的至少一个处理设备，其中所述默认系数具有的值等于最后学习的候选模型和一个或多个登记模型中的登记模型之一的系数值
。12.
根据权利要求7所述的至少一个处理设备，其中重复进一步包括
:
当候选模型优于一个或多个登记模型中的一登记模型，并且登记模型的当前数量等于预设数量时，使候选模型成为替换一个或多个登记模型中的登记模型的新登记模型
。13.
一种用于预测立管压力的处理设备，包括
:
至少一个处理器；和与所述至少一个处理器连接的存储器，其中所述存储器包括用于所述至少一个处理器执行多个操作的指令，所述多个操作包括
:
初始化贝叶斯线性回归器，其中贝叶斯线性回归器的先验是基于使用类似井底组件的先前钻井操作来初始化的；实时接收...

【专利技术属性】
技术研发人员：申弢，刘家序，F，
申请(专利权)人：地质探索系统公司，
类型：发明
国别省市：