一种基于机器学习的卡钻预警方法及系统技术方案

本发明专利技术公开了一种基于机器学习的卡钻预警方法及系统，属于卡钻预警技术领域，所述方法包括如下步骤：获取沿井眼轨迹分布的岩屑数据，并构建实时岩屑运移模型；基于实时岩屑运移模型得到岩屑床在井眼中的实时动态分布；构建钻杆于井眼中旋转时的摩阻扭矩平衡模型；基于岩屑床在井眼中的实时动态分布和摩阻扭矩平衡模型，得到钻杆上的摩阻扭矩值；基于钻杆上的摩阻扭矩值，利用贝叶斯优化算法和纳什效率系数优化摩阻扭矩平衡模型；基于优化后的摩阻扭矩平衡模型利用时序数据分析法进行实时卡钻预警；本发明专利技术解决了针对不同工况条件时难以实时准确快速预测卡钻风险的问题。以实时准确快速预测卡钻风险的问题。以实时准确快速预测卡钻风险的问题。

【技术实现步骤摘要】
一种基于机器学习的卡钻预警方法及系统


[0001]本专利技术属于卡钻预警
，尤其涉及一种基于机器学习的卡钻预警方法及系统。

技术介绍

[0002]钻井过程的时间损失大多由钻具阻卡造成；若钻井过程中不能及时发现导致卡钻，往往需要停钻处理，需要花费大量时间及成本处理，并有可能引起更为严重的次生危害。
[0003]目前卡钻预警方法多以大数据统计分析和构建钻井模型分析为主，前者主要分为判别分析法和模式识别法，该方法以收集大量有效数据为前提，通过对卡钻发生原因、卡钻时的作业状况等进行分析，利用神经网络多元统计分析、模糊逻辑和层次分析法等方法建立模型判断是否发生卡钻；卡钻发生时会导致钻井参数发生异常变化，但传统物理模型所需计算量大且难以完全反应卡钻发生时的变化规律，在实际应用中误报率高、准确率低、实时性较差，且难以对发生的卡钻进行分类。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于机器学习的卡钻预警方法及系统能够不断自动调整适应实时变化的工况条件，解决了针对不同工况条件时难以实时准确快速预测卡钻风险的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：本专利技术提供一种基于机器学习的卡钻预警方法，包括如下步骤：S1、获取沿井眼轨迹分布的岩屑数据，并构建实时岩屑运移模型；S2、基于实时岩屑运移模型得到岩屑床在井眼中的实时动态分布；S3、基于空间直角坐标系、弗莱纳坐标系、井眼轨迹、钻杆受力和岩屑运移模型构建钻杆于井眼中旋转时的摩阻扭矩平衡模型；S4、基于岩屑床在井眼中的实时动态分布和摩阻扭矩平衡模型，得到钻杆上的摩阻扭矩值；S5、基于钻杆上的摩阻扭矩值，利用贝叶斯优化算法和纳什效率系数优化摩阻扭矩平衡模型；S6、基于优化后的摩阻扭矩平衡模型利用时序数据分析法进行实时卡钻预警。
[0006]本专利技术的有益效果为：本专利技术提供的一种基于机器学习的卡钻预警方法，将实时岩屑运移模型、摩阻扭矩平衡模型和机器模型相结合，实现基于实时钻井数据的卡钻风险监测及预警，通过实时岩屑运移模型对钻井岩屑床分布和井眼清洁进行实时监测，并基于实时岩屑运移模型构建钻杆于井眼中旋转时的摩阻扭矩平衡模型，利用贝叶斯优化训练摩阻扭矩平衡模型，以适应不同的工况条件，即使改变井况或井型，也能不断提高模型精度，且模型训练速度快，仅需当前井的实时录井数据即可完成训练，通过分析对比混合模型实
时预测结果和实测数据，并进行时序数据分析，得到卡钻风险指数，实现钻井卡钻实时预警。
[0007]进一步地，所述步骤S1中的实时岩屑运移模型的计算表达式如下：其中，t表示时间，表示对时间求偏导，表示岩屑层的横截面积，表示岩屑层的岩屑浓度，表示岩屑层的岩屑流速，表示对岩屑层厚度求偏导，表示不同岩屑层之间的岩屑体积交换率，表示岩屑层的平均密度，表示流动压力，g表示重力加速度，表示与重力方向夹角，表示岩屑层的切应力，表示岩屑层的周长，表示由岩屑层向岩屑层的切应力，表示岩屑层到岩屑层的距离，n表示岩屑运移模型的总层数，表示岩屑运移模型的平均密度，表示岩屑运移模型的平均流速。
[0008]采用上述进一步方案的有益效果为：提供实时岩屑运移模型对钻井岩屑床分布和井眼清洁进行实时监测，为构建钻杆于井眼中旋转时的摩阻扭矩平衡模型提供基础。
[0009]进一步地，所述步骤S3中的摩阻扭矩平衡模型的计算表达式如下：其中，表示钻杆轴向力，s表示钻杆浸入钻井液的长度，表示单位钻杆在钻井液中重量，表示钻井井斜角，表示钻杆z方向上单位切向向量，k表示钻杆轴向力系数，表示钻杆z方向上单位法向向量，表示接触力，表示接触平面法线与接触力间的夹角，表示摩阻系数，表示钻杆上的附加力，表示单位钻杆在钻井液中的重量，表示钻杆z方向上单位副法向向量，表示钻杆旋转所需的轴向扭矩，表示钻杆半径，表示曲率。
[0010]采用上述进一步方案的有益效果为：提供摩阻扭矩平衡模型的计算方法，为得到对应的钻杆上的摩阻扭矩值，实现实时卡钻预警提供基础。
[0011]进一步地，所述步骤S4包括如下步骤：
S41、基于岩屑床在井眼中的实时动态分布和力矩平衡模型，标准化处理岩屑床高和岩屑床高对扭矩变化率，得到标准化岩屑床高度和标准化岩屑床高下的扭矩测量值：和岩屑床高对扭矩变化率，得到标准化岩屑床高度和标准化岩屑床高下的扭矩测量值：其中，表示标准化岩屑床高度，表示岩屑床高度，D表示井眼直径，表示由岩屑引起的扭矩变化率，表示标准化岩屑床高下的扭矩测量值，表示相同井眼结构下的扭矩计算值；S42、基于标准化岩屑床高度和标准化岩屑床高下的扭矩测量值，构建岩屑床高度与扭矩指数模型：其中，表示第一指数模型参数，表示第二指数模型参数；S43、基于岩屑床高度与扭矩指数模型，计算得到摩阻系数变化率：其中，表示摩阻系数变化率，表示标准化岩屑床高下的摩阻系数，表示没有岩屑时的摩阻系数；S44、基于摩阻系数变化率得到摩阻扭矩值。
[0012]采用上述进一步方案的有益效果为：提供基于岩屑床在井眼中的实时动态分布和摩阻扭矩平衡模型，得到钻杆上的摩阻扭矩值的方法，为摩阻扭矩平衡模型的优化提供基础。
[0013]进一步地，所述步骤S5包括如下步骤：S51、获取历史钻井数据中摩擦扭矩实测数据；S52、将历史钻井数据中岩屑床在井眼中的实时动态分布数据输入摩阻扭矩平衡模型进行模拟，得到对应的钻杆上的摩阻扭矩值；S53、基于摩擦扭矩实测数据和钻杆上的摩阻扭矩值，构建纳什效率系数优化函数：其中，表示纳什效率系数，表示时间步为i时的摩擦扭矩实测值，表示时间步为i时的钻杆上的摩阻扭矩值，表示钻杆上的摩阻扭矩值的平均值，n表示
时间步总数；S54、基于纳什效率优化函数利于贝叶斯优化算法优化摩阻扭矩平衡模型；S55、基于优化结果判断纳什效率系数是否大于预设阈值，若是则进入步骤S57，否则进入步骤S56；S56、更新历史钻井数据，并返回步骤S51；S57、完成摩阻扭矩平衡模型的优化，并进入步骤S6。
[0014]采用上述进一步方案的有益效果为：提供基于钻杆上的摩阻扭矩值，利用贝叶斯优化算法和纳什效率系数优化摩阻扭矩平衡模型，为利用优化后的摩阻扭矩平衡模型进行实时卡钻预警提供基础。
[0015]进一步地，所述步骤S6包括如下步骤：S61、获取实时实测摩阻扭矩值；S62、根据实测钻井数据，并基于优化后的摩阻扭矩平衡模型得到钻杆上的摩阻扭矩预测值；S63、根据实时实测摩阻扭矩值和钻杆上的摩阻扭矩预测值，并利用时序数据分析法计算得到摩阻扭矩相对偏差：其中，表示钻杆上的摩阻扭矩预测值的相对偏差，表示考虑岩屑影响的钻杆上的摩阻扭矩预测值，表示不考虑岩屑影响的钻杆上的摩阻扭矩预测值，表示实时实测摩阻扭矩值与考虑岩屑影响的钻杆上的摩阻扭矩预测值的相对偏差，表示离底自由旋转扭矩的测量值；S64、基于摩阻扭矩相对偏差计算实时卡钻风险指数，并基于卡钻风险指数进行实时卡钻预警：其中，表示岩屑清洁不充分导致卡钻风险指数，表示非岩屑清洁不充分导致卡钻风险指数，表示相对偏差值的加权因子，表示移动平均偏差值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的卡钻预警方法，其特征在于，包括如下步骤：S1、获取沿井眼轨迹分布的岩屑数据，并构建实时岩屑运移模型；S2、基于实时岩屑运移模型得到岩屑床在井眼中的实时动态分布；S3、基于空间直角坐标系、弗莱纳坐标系、井眼轨迹、钻杆受力和岩屑运移模型构建钻杆于井眼中旋转时的摩阻扭矩平衡模型；S4、基于岩屑床在井眼中的实时动态分布和摩阻扭矩平衡模型，得到钻杆上的摩阻扭矩值；S5、基于钻杆上的摩阻扭矩值，利用贝叶斯优化算法和纳什效率系数优化摩阻扭矩平衡模型；S6、基于优化后的摩阻扭矩平衡模型利用时序数据分析法进行实时卡钻预警。2.根据权利要求1所述的基于机器学习的卡钻预警方法，其特征在于，所述步骤S1中的实时岩屑运移模型的计算表达式如下：其中，t表示时间，表示对时间求偏导，表示岩屑层的横截面积，表示岩屑层的岩屑浓度，表示岩屑层的岩屑流速，表示对岩屑层厚度求偏导，表示不同岩屑层之间的岩屑体积交换率，表示岩屑层的平均密度，表示流动压力，g表示重力加速度，表示与重力方向夹角，表示岩屑层的切应力，表示岩屑层的周长，表示由岩屑层向岩屑层的切应力，表示岩屑层到岩屑层的距离，n表示岩屑运移模型的总层数，表示岩屑运移模型的平均密度，表示岩屑运移模型的平均流速。3.根据权利要求1所述的基于机器学习的卡钻预警方法，其特征在于，所述步骤S3中的摩阻扭矩平衡模型的计算表达式如下：其中，表示钻杆轴向力，s表示钻杆浸入钻井液的长度，表示单位钻杆在钻井液中重量，表示钻井井斜角，表示钻杆z方向上单位切向向量，k表示钻杆轴向力系数，
表示钻杆z方向上单位法向向量，表示接触力，表示接触平面法线与接触力间的夹角，表示摩阻系数，表示钻杆上的附加力，表示单位钻杆在钻井液中的重量，表示钻杆z方向上单位副法向向量，表示钻杆旋转所需的轴向扭矩，表示钻杆半径，表示曲率。4.根据权利要求1所述的基于机器学习的卡钻预警方法，其特征在于，所述步骤S4包括如下步骤：S41、基于岩屑床在井眼中的实时动态分布和力矩平衡模型，标准化处理岩屑床高和岩屑床高对扭矩变化率，得到标准化岩屑床高度和标准化岩屑床高下的扭矩测量值：率，得到标准化岩屑床高度和标准化岩屑床高下的扭矩测量值：其中，表示标准化岩屑床高度，表示岩屑床高度，D表示井眼直径，表示由岩屑引起的扭矩变化率，表示标准化岩屑床高下的扭矩测量值，表示相同井眼结构下的扭矩计算值；S42、基于标准化岩屑床高度和标准化岩屑床高下的扭矩测量值，构建岩屑床高度与扭矩指数模型：其中，表示第一指数模型参数，表示第二指数模型参数；S43、基于岩屑床高度与扭矩指数模型，计算得到摩阻系数变化率：其中，表示摩阻系数变化率，表示标准化岩屑床高下的摩阻系数，表示没有岩屑时的摩阻系数；S44、基于摩阻系数变化率得到摩...

【专利技术属性】
技术研发人员：贺燕冰，黄君，张晓丹，于峻石，付浩，孙国飞，王文文，廖秀明，冯馨平，魏勇，
申请(专利权)人：成都捷科思石油天然气技术发展有限公司，
类型：发明
国别省市：