【技术实现步骤摘要】
本专利技术涉及粘滑振动强度评估，具体涉及一种底部钻具组合和钻头粘滑振动强度评估方法及装置。
技术介绍
1、在钻进水平井与深井时，由于井下钻具的长度很大，钻具的扭转刚度低，井底钻具的转速与地面转速不一致，钻具的扭矩可能难以克服与井壁之间的摩阻，很容易发生粘滑振动现象。此外，在钻进时如果钻头吃入岩石过深，钻头处的扭矩不能满足破岩的要求，导致钻头被卡住，也容易诱发粘滑振动现象。
2、钻具的粘滑振动包括粘滞和滑移2个阶段，在粘滞阶段，钻具的扭矩不足以克服与地层之间的摩阻，井底钻具转速降为零，但上部钻具仍在地面驱动下继续转动，使钻具扭曲并积蓄能量；而在滑移阶段，钻具克服与地层之间的摩阻被突然释放，井底钻具的转速可以达到地面转速的2～15倍。
3、当钻具发生粘滑振动时，高速转动的钻头与井底岩石或井壁发生强烈的撞击，会加速钻头的磨损，同时剧烈的周期性交变应力也会导致井下钻具过早的疲劳失效。此外，粘滑振动过程中井下钻具的扭矩通常波动较大，不仅会大幅度降低钻井效率，还会增大钻井系统的不稳定性和不可控性，增大钻井风险，准确评价钻头粘滑振动强度是缓解和消除粘滑振动的第一步。粘滑振动的强弱一般使用粘滑指数评价，其值等于(最大转速-最小转速)/平均转速，计算的粘滑指数越大说明粘滑振动越强烈，对钻具的危害越大。
4、目前对粘滑振动的监测主要有两种方式，一种是通过监测井口的转速、扭矩等参数进行识别，但这种方法存在一定的滞后，且由于钻具与井眼之间的摩阻，会导致井底粘滑振动传至地面后出现失真，对深部地层监测的精度较低。另一种方
技术实现思路
1、本专利技术的目的是为了克服现有技术中的问题，提供一种底部钻具组合和钻头粘滑振动强度评估方法及装置，本专利技术底部钻具组合和钻头粘滑振动强度评估方法只需要井底的加速度测量数据即可准确预测粘滑指数，并通过粘滑指数评估底部钻具组合和钻头粘滑振动强度。
2、本专利技术提供的底部钻具组合和钻头粘滑振动强度评估方法，包括以下步骤：
3、获取发生粘滑振动时底部钻具组合或钻头的径向加速度或切向加速度数据；
4、对获取的发生粘滑振动时底部钻具组合或钻头的径向加速度或切向加速度数据进行数据处理，获得发生粘滑振动时底部钻具组合或钻头的径向加速度或切向加速度的特征值；
5、以获取的发生粘滑振动时底部钻具组合或钻头的径向加速度或切向加速度的特征值作为预先训练好的粘滑指数预测神经网络模型的输入值，预测粘滑指数，依据预测的粘滑指数评估底部钻具组合或钻头的粘滑振动强度。
6、作为优选方式，所述粘滑指数预测神经网络模型的训练方法包括：
7、使用转子动力学模型模拟产生粘滑振动时底部钻具组合或钻头的径向加速度或切向加速度数据，为神经网络模型提供原始数据；
8、对原始数据进行数据处理，获得粘滑振动时底部钻具组合或钻头的径向加速度或切向加速度的特征值；使用模拟时的转速数据计算粘滑振动时底部钻具组合或钻头的粘滑指数；将通过转速数据计算获得的粘滑指数作为神经网络模型的输出值，将粘滑振动时底部钻具组合或钻头的径向加速度或切向加速度的特征值作为神经网络模型的输入值；
9、采用遗传算法优化神经网络模型，获得粘滑指数预测神经网络模型，训练粘滑指数预测神经网络模型，获得训练好的粘滑指数预测神经网络模型。
10、作为优选方式，对获取的底部钻具组合或钻头的径向加速度或切向加速度数据进行数据处理的方法如下：先去除径向加速度或切向加速度数据中明显的离群值，再使用移动平均值的方法对径向加速度或切向加速度数据进行平滑处理；最后对径向加速度或切向加速度进行归一化处理，将径向加速度或切向加速度数据限制到[0,1]的区间内。
11、作为优选方式，所述径向加速度或切向加速度的特征值为8个特征值，所述8个特征值分别为峰度、形状因子、偏度、标准差、四分位数、方差和两个自定义特征；其中第一个自定义特征定义为相对于样本点总数，落在平均值的1-n到1+n倍范围之外的样本点的比例，n<0.5；第二个自定义特征定义为两个连续加速度之差超过m的采样点的比例，m<0.1。
12、作为优选方式，在采用遗传算法优化粘滑指数预测神经网络模型之前设计神经网络结构，所述神经网络结构包含8个输入节点，采用1个隐含层，节点数为x，设定1个输出神经元，即网络结构为8-x-1；8个输入节点为径向加速度或切向加速度的8个特征值，1个输出神经元为预测的粘滑指数，隐含层节点数x取10-20；
13、改变隐含层节点数，且隐含层节点数每改变一次进行一次遗传算法优化。
14、作为优选方式，采用遗传算法优化粘滑指数预测神经网络模型包括：
15、对参数进行初始化，获得初始族群；
16、对于每一个个体，根据其权重与偏差训练神经网络，输入粘滑振动时发生粘滑振动时底部钻具组合或钻头的径向加速度或切向加速度的特征值，得到一组预测的粘滑指数；将计算预测的粘滑指数与实际计算的粘滑指数之间的均方根误差作为遗传算法的成本函数；
17、按照成本函数从小到大的顺序排序，选择成本函数最小的p*cr组个体作为父代，随机交叉组合，形成新的p组个体；
18、让父代交叉产生的p组个体进行变异，变异率为mr，经过变异后的p组个体作为新一代的族群，进入下一回合的优化；
19、每一回合计算完成本函数后，将该次得到的最小的成本函数的值与上一回合得到的最小值进行比较；如果这两次的最小值之间相差小于0.5％，此时成本函数值最小的个体对应的权重、偏差即为优化的结果；反之，如果这两次的最小值之间相差大于0.5％，需要进入下一回合继续优化；设置最高迭代次数，当种群迭代的次数达到最高迭代次数时，将此时成本函数的值最低的个体对应的权重、偏差组合作为最终的优化结果。
20、作为优选方式，训练粘滑指数预测神经网络模型是以模型的均方差mse作为判断模型训练是否停止的标准；设置一个阈值emin，当本次训练的mse与上次训练的mse的差值大于emin时，继续对模型进行训练；当本次训练的mse与上次训练的mse的差值小于emin时，停止训练，同时设置一个最高训练次数，模型在训练次数达到最大值时停止模型的训练，最后检测模型的准确性。
21、本专利技术还提供了基于上述底部钻具组合和钻头粘滑振动强度本文档来自技高网...
【技术保护点】
1.一种底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，包括以下步骤：
2.如权利要求1所述的底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，所述粘滑指数预测神经网络模型的训练方法包括：
3.如权利要求1或2所述的底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，对获取的底部钻具组合或钻头的径向加速度或切向加速度数据进行数据处理的方法如下：先去除径向加速度或切向加速度数据中明显的离群值，再使用移动平均值的方法对径向加速度或切向加速度数据进行平滑处理；最后对径向加速度或切向加速度进行归一化处理，将径向加速度或切向加速度数据限制到[0,1]的区间内。
4.如权利要求3所述的底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，所述径向加速度或切向加速度的特征值为8个特征值，所述8个特征值分别为峰度、形状因子、偏度、标准差、四分位数、方差和两个自定义特征；其中第一个自定义特征定义为相对于样本点总数，落在平均值的1-n到1+n倍范围之外的样本点的比例，n<0.5；第二个自定义特征定义为两个连续加速度之差超过m的采样点的比例，m<0.
5.如权利要求3所述的底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，在采用遗传算法优化粘滑指数预测神经网络模型之前设计神经网络结构，所述神经网络结构包含8个输入节点，采用1个隐含层，节点数为X，设定1个输出神经元，即网络结构为8-X-1；8个输入节点为径向加速度或切向加速度的8个特征值，1个输出神经元为预测的粘滑指数，隐含层节点数X取10-20；
6.如权利要求2所述的底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，采用遗传算法优化粘滑指数预测神经网络模型包括：
7.如权利要求2所述的底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，训练粘滑指数预测神经网络模型是以模型的均方差MSE作为判断模型训练是否停止的标准；设置一个阈值Emin，当本次训练的MSE与上次训练的MSE的差值大于Emin时，继续对模型进行训练；当本次训练的MSE与上次训练的MSE的差值小于Emin时，停止训练，同时设置一个最高训练次数，模型在训练次数达到最大值时停止模型的训练，最后检测模型的准确性。
8.一种底部钻具组合和钻头粘滑振动强度评估装置，其特征在于，包括：
...【技术特征摘要】
1.一种底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，包括以下步骤：
2.如权利要求1所述的底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，所述粘滑指数预测神经网络模型的训练方法包括：
3.如权利要求1或2所述的底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，对获取的底部钻具组合或钻头的径向加速度或切向加速度数据进行数据处理的方法如下：先去除径向加速度或切向加速度数据中明显的离群值，再使用移动平均值的方法对径向加速度或切向加速度数据进行平滑处理；最后对径向加速度或切向加速度进行归一化处理，将径向加速度或切向加速度数据限制到[0,1]的区间内。
4.如权利要求3所述的底部钻具组合和钻头粘滑振动强度评估方法，其特征在于，所述径向加速度或切向加速度的特征值为8个特征值，所述8个特征值分别为峰度、形状因子、偏度、标准差、四分位数、方差和两个自定义特征；其中第一个自定义特征定义为相对于样本点总数，落在平均值的1-n到1+n倍范围之外的样本点的比例，n<0.5；第二个自定义特征定义为两个连续加速度之差超过m的采样点的比例，m<0.1。
【专利技术属性】
技术研发人员：王学迎，张淙胜，张菲菲，严成杰，王雪瑶，黄文蕊，
申请(专利权)人：长江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。