CN110500034A - 建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法 - Google Patents

Abstract

本发明提供了一种建立滑动定向钻井神经网络模型的方法、扭摆钻柱控制参数确定方法和定向钻井方法。建立模型方法包括：采集历史作业数据并建立数据库；基于数据库建立初始神经网络模型；训练初始神经网络模型；测试模型准确率，若准确率在预定值以上，则其为滑动定向钻井神经网络模型，若准确率小于预定值则继续训练。控制参数确定方法包括：采用上述方法建立神经网络模型，基于该模型确定钻井过程中扭摆钻柱控制参数。定向钻井方法包括在钻井过程中采用上述扭摆钻柱控制参数扭摆钻柱，改变或维持井下动力钻具工具面方向，控制井眼轨迹向目标方向延伸。本发明有益效果包括：方法简便；神经网络模型稳定可靠，有助于提高定向钻井技术的自动化水平。

Description

建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法

技术领域

本发明涉及油气钻井工程技术领域，特别地，涉及一种建立滑动定向钻井神经网络模型的方法、滑动定向钻井过程中扭摆钻柱控制参数的确定方法和滑动定向钻井的方法。

背景技术

在非常规油气藏的开发中，所面对的最棘手问题是钻井轨迹偏离，由于地层条件复杂，实际钻井轨迹通常会偏离预设的钻井方案。滑动钻井是经典定向井或水平井轨迹控制的主要方式，可改变井眼方向、增斜和降斜。整个滑动钻井系统可以划分为井上部分与井下部分；井上部分主要包括绞车、天车、游车、顶驱、泥浆泵等，天车和游车构成滑轮组，用于钻具上提下放，顶驱由电机驱动用以旋转钻柱进而控制工具面；井下部分为钻具组合BHA(Bottom hole assembly)，从上至下主要包括钻杆、加重钻杆、钻铤、稳定器、MWD(Measurement while drilling)、井下动力钻具、钻头等，其中MWD可测量井下动力钻具的工具面角，并将数据转化为脉冲信号通过泥浆液上传至地面进行解码。

常规滑动定向钻井过程中，钻柱本身不旋转运动，而是沿着井壁轴向滑动，在实践过程中，主要是通过改变或维持井下动力钻具工具面将井眼的井斜角与方位角改变，以达到控制井眼轨迹的目的，若实钻井眼轨迹与设计井眼出现偏离问题需要进行造斜或是方位扭转时，需要人工控制顶驱或转盘旋转钻柱一定角度的方式改变或维持井下动力钻具工具面，以实现调整井眼轨迹的要求。整个滑动钻进过程中由于钻具不旋转，静摩擦力随着水平段延长在钻柱上积累出现“托压”现象，钻压不能有效传递乃至钻柱发生屈曲，导致钻井速度慢、纯钻时效低、井下管柱、工具过早损坏等一系列问题，甚至诱发卡钻等复杂事故，钻井作业风险大，而且一旦出现突发情况，则必须将钻头提离井底，重新调整工具面角，待其稳定下来之后才能继续定向钻进，十分耗时，严重制约了水平段长度的增加与定向钻井速度的提高。

为了解决这些问题，近年发展起来的一种新的基于顶驱的地面顺时针、逆时针往复交替摇摆钻柱的控制系统，即钻柱扭摆系统。该系统通过控制顶驱对钻柱施加正反向的扭转，带动钻具顺时针逆时针交替旋转，释放钻柱摩阻和扭矩，缓解因钻柱不旋转导致的“托压”现象，从而提高机械钻速，突破了滑动钻井所面临的局限性。此处理方法存在以下不足：

①实际钻井地下工况十分复杂、各种参数充满不确定性，工具面角的响应受到地层岩性、钻压大小、钻进速度等多方面因素影响，给工具面角的动态控制带来很大干扰和不确定性，难以事先选定一组合适的控制参数以满足各种复杂的井下工况，往往需要依赖司钻和定向工程师的经验反复调整，效率较低，工具面的响应速度比较慢。

②井口扭摆钻柱的扭矩设定值、运动速度、保持时间等因素对钻柱扭矩传递的影响，尚无准确的数学公式或力学模型。钻柱扭摆系统还仅仅只是一个顶驱执行机构，还不具备自动化控制功能。

发明内容

针对现有技术中存在的不足，本发明的目的在于解决上述现有技术中存在的一个或多个问题。例如，本发明的目的之一在于提供一种建立滑动定向钻井神经网络模型的方法、滑动定向钻井过程中扭摆钻柱控制参数的确定方法和滑动定向钻井的方法，以提高定向钻井技术的自动化水平。

为了实现上述目的，本发明一方面提供了一种建立滑动定向钻井神经网络模型的方法，其特征在于，所述方法可包括以下步骤：采集已钻采油气井的作业数据并建立数据库，其中，所述作业数据包括地质参数和历史定向作业数据；基于数据库建立初始神经网络模型；对初始神经网络模型进行训练；测试训练后神经网络模型的准确率，若准确率在预定值以上，则训练后神经网络模型为滑动定向钻井神经网络模型，若准确率小于预定值，则继续训练神经网络模型直至准确率达到预定值以上。

在本发明的建立滑动定向钻井神经网络模型的方法的一个示例性实施例中，所述历史定向作业数据可包括历史扭摆钻柱控制参数、历史录井数据和历史随钻测量数据。

在本发明的建立滑动定向钻井神经网络模型的方法的一个示例性实施例中，所述历史定向作业数据还可包括人工经验数据，人工经验数据可包括钻具组合、钻井液性能参数和井眼轨迹中的至少一种。

在本发明的建立滑动定向钻井神经网络模型的方法的一个示例性实施例中，在建立数据库之后、建立初始神经网络模型之前，所述方法还可包括步骤：对数据库中的数据进行筛选以去除重复、错误和无效的数据。

在本发明的建立滑动定向钻井神经网络模型的方法的一个示例性实施例中，在建立数据库之后、建立初始神经网络模型之前，所述方法还包括步骤：提取历史定向作业数据特征。

在本发明的建立滑动定向钻井神经网络模型的方法的一个示例性实施例中，所述数据库可包括比例为5～8：1～3：1～2的训练集、验证集和测试集。

在本发明的建立滑动定向钻井神经网络模型的方法的一个示例性实施例中，所述初始神经网络模型的类型可包括人工神经神经网络模型。

在本发明的建立滑动定向钻井神经网络模型的方法的一个示例性实施例中，所述测试可包括模拟测试。

本发明另一方面提供了一种滑动定向钻井过程中扭摆钻柱控制参数的确定方法。所述方法可包括以下步骤：采集已钻采油气井的作业数据并建立数据库，其中，所述作业数据包括地质参数、历史扭摆钻柱控制参数、历史录井数据和历史随钻测量数据，或者所述作业数据包括地质参数、历史扭摆钻柱控制参数、历史录井数据、历史随钻测量数据和人工经验数据；基于数据库建立初始神经网络模型；对初始神经网络模型进行训练；测试训练后神经网络模型的准确率，若准确率在预定值以上，则训练后神经网络模型为选定的神经网络模型，若准确率小于预定值，则继续训练神经网络模型直至准确率达到预定值以上；在所述作业数据不包括人工经验数据的情况下，向选定的神经网络模型中代入现场滑动定向钻井过程中获取的地质参数、录井数据和随钻测量数据，得到扭摆钻柱控制参数；在所述作业数据包括人工经验数据的情况下，向选定的神经网络模型中代入现场滑动定向钻井过程中获取的地质参数、路径数据、随钻测量数据和人工经验数据，得到扭摆钻柱控制参数。

本发明再一方面提供了一种滑动定向钻井的方法，所述方法可包括：在定向钻井的过程中，采用如上所述的方法确定滑动定向钻井过程中的扭摆钻柱控制参数扭摆钻柱，改变或维持井下动力钻具工具面方向，控制井眼轨迹向目标方向延伸。

与现有技术相比，本发明的有益效果可包括：方法简便、易实现，建立的滑动定向钻探过程网络控制模型稳定可靠，能够得到最优的扭摆钻柱定向控制参数，有助于提高定向钻井技术的自动化水平。

附图说明

通过下面结合附图进行的描述，本发明的上述和其他目的和特点将会变得更加清楚，其中：

图1示出了本发明的建设滑动定向钻井神经网络模型方法的一个流程示意图；

图2确定了本发明示例中的一个流程示意图。

具体实施方式

在下文中，将结合附图和示例性实施例详细地描述本发明的滑动定向钻井神经网络模型(也称为网络控制模型)的方法和滑动定向钻井过程中扭摆钻柱控制参数的确定方法。

由于实际钻井地下工况复杂和不确定性，工具面角的动态控制受到很大干扰，难以事先选定的控制参数来满足各种复杂工况。由于井口扭摆钻柱运动扭矩设定值、扭摆钻柱运动速度、保持时间等因素对钻柱扭矩传递的影响尚无准确的数据支撑，滑动定向钻井的钻柱摇摆系统通常不具备自动化控制功能；而且，滑动导向钻井工具面的控制较为困难，其难点在于井下钻柱类似于大长细比的柔性梁，其与井壁之间存在大量接触和摩擦，不同钻头与岩石的相互作用也十分复杂。

为解决钻井地下工况复杂、各种参数不确定性对工具面角控制的影响，提高定向钻井技术的自动化水平和提升不同环境下的自适应能力，本发明提供了一种滑动定向钻井过程中扭摆钻柱控制参数的确定方法，该方法能够基于一种神经神经网络模型来实现。

本发明一方面提供了一种建立滑动定向钻井神经网络模型的方法。

在本发明的建立滑动定向钻井神经网络模型的方法的一个示例性实施例中，如图1所示，所述方法可包括以下步骤：

S01：采集已钻采油气井的作业数据，并基于采集的数据建立数据库。所述作业数据包括地质参数和历史定向作业数据。历史作业数据可包括扭摆钻柱、录井和随钻测量数据。其中，扭摆钻柱数据(即扭摆钻柱控制参数)可包括输入扭矩、输出扭矩、最大扭矩保持时间、扭摆钻柱运动速度和扭矩摆动范围中的至少一种；录井数据可包括地层压力、地层破裂压力、扭矩和机械钻速中的至少一种；随钻测量数据可包括井深、井斜、方位和工具面等。进一步地，历史作业数据还可包括在已钻采油气井作业中，钻井工作人员给出的经验作业数据，经验作业数据可包括选择的钻具组合、钻井液性能参数和井眼轨迹中的至少一种。

S02：基于数据库建立初始神经网络模型。其中，初始神经网络模型可包括人工神经神经网络模型，例如长短期记忆神经网络模型。人工神经网络利用特定的神经网络模型以及定向作业数据集，通过不断的更新迭代训练，能够将复杂的问题线性化，解决滑动定向数据维度高、非线性可分等问题，同时学习钻井专家定向数据的经验。长短期记忆神经网络模型通过改进循环神经网络结构，可避免普通循环神经网络在学习数据规律时产生的梯度消失问题，且模型收敛速度更快，泛化性更强。建立初始神经网络模型可包括：选择合适深度学习框架，搭建长短期记忆网络模块。搭建一定深度的长短期记忆网络层并拼接合适的全连接层，按照数据结构及网络特点初步拟定超参数并通过现有数据集进行训练调整。

S03：对初始神经网络模型进行训练。该步骤可依托于anaconda平台，通过命令行在计算机中进行神经网络模型的训练。其训练过程主要包括前向传播与反向传播，来调整合适的权值及偏置项，最终得到精确度最高的模型并保存。

S04：验证训练后的神经网络模型，验证方法可包括模拟测试，即利用测试集的扭摆钻柱、录井和随钻测量数据对训练好的模型进行模拟测试。在测试的准确率小于预定值的情况下，继续训练初始神经网络模型直至准确率达到预定值以上。若测试的准确率在预定值之上，则训练后的模型为通过测试，为合格的神经网络模型(即滑动定向钻井神经网络模型)。预定值可为99％。

在本实施例中，本发明的滑动定向钻井可具有顶驱的控制系统，即钻柱摇摆系统。

在本实施例中，步骤S02和S03可通过计算机进行，计算机的速度和准确率更高。

在本实施例中，所述方法还可包括步骤：在建立数据库之后，对数据库中的数据进行筛选。其中，所述筛选包括剔除数据库中的重复、错误和无效的数据，以减少这些数据对神经网络模型训练的干扰，提高神经网络模型训练的效率和准确性。

在本实施例中，在建立数据库之后，所述方法还可包括步骤：滑动定向钻井作业过程中数据特征的提取。

滑动定向钻井作业过程中数据包括扭摆钻柱系统、录井系统和随钻测量系统上的数据，提取数据特征的目的是为了建立动定向钻探过程的网络控制模型及智能决策算法，得到最优的扭摆钻柱定向控制参数，从而提高定向钻井技术的自动化水平。

在本实施例中，可将所述数据库中的数据分为试验集(也可称为训练集)、验证集和测试集，其中，训练集和验证集可应用在步骤S03中，测试集可应用在步骤S04中。其中，训练集可用来训练模型参数；验证集用来验证训练好的模型是否可用；测试集即为最后的用来测试模型准确度的数据。更加细致地说，训练集是用来训练模型的，通过尝试不同的方法和思路使用训练集来训练不同的模型，再通过验证集使用有效的验证方法来挑选最优的模型，通过不断的迭代来改善模型在验证集上的性能，最后再通过测试集来评估模型的性能。

将试验集、验证集和测试集视为一个整体10，三部分可按比例划分5～8：1～3：1～2，这样划分目的在于提供一个动态划分比例，用户可以根据经验和实际需要，选择一个合理比例，以达到充分训练、验证、评估模型的目的。按照上述比例划分数据集，可以提高模型的应用速度。如果划分的不好则会大大影响模型的应用部署，甚至可能会使得所做的工作功亏一篑。通过大量数据的训练和算法优化选择，不断地更新迭代神经神经网络模型，最后可得到稳定的控制算法，从而实现在不同环境下的自适应能力。

本发明建立的神经网络模型是通过大量数据的训练和算法优化选择，不断地更新迭代神经神经网络模型，具有在不同环境下的自适应能力。

本发明另一方面提供了一种滑动定向钻井过程中扭摆钻柱控制参数的确定方法。

所述确定方法可采用上述示例性实施中的方法建立滑动定向钻井神经网络模型，然后基于该模型并结合现场滑动定向钻井过程中获取的相关数据，来得到扭摆钻柱控制参数。

在本发明的滑动定向钻井过程中扭摆钻柱控制参数确定方法的一个示例性实施例中，所述滑动定向钻井过程中扭摆钻柱控制参数(也可称为扭摆钻柱定向控制参数)的确定方法可包括以下步骤：

与建立滑动定向钻井神经网络模型的方法的示例性实施例中相同的步骤S01～S04。

S05：基于建立的神经网络模型，以及现场滑动定向钻井过程中获取的基础数据，得到扭摆钻柱控制参数。即可向建立的模型中输入基础数据，然后即可获得扭矩控制参数。其中，基础数据可包括井眼轨迹、井深结构、钻具组合、摩擦系数、钻井液密度和其他施工参数等。基础数据是除扭摆钻柱数据之外的数据。扭矩控制参数也将影响到工具面的控制，如扭矩选择不合理，则会造成工具面稳定，进而导致定向钻井失败。

在步骤S01中采集的历史作业数据包括扭摆钻柱、录井和随钻测量数据的情况下，向建立的神经网络模型中输入现场滑动定向钻井过程中获取的地质参数、录井数据和随钻测量数据，得到扭摆钻柱控制参数。

在步骤S01中采集的历史作业数据包括扭摆钻柱、录井和随钻测量数据、以及钻井工作人员给出的经验作业数据的情况下，向建立的神经网络模型中输入现场滑动定向钻井过程中获取的地质参数、路径数据、随钻测量数据和钻井工作人员给出的经验作业数据，得到扭摆钻柱控制参数。

通过本发明的建立的神经网络模型，能够确定现场生产实时的扭摆钻柱控制参数，将本发建立的神经网络模型应用于定向钻井，能够提高定向钻井技术的自动化控制技术。

本发明还提供了一种基于人工智能的滑动定向钻井方法，该方法包括在钻井过程中采用上述第二个示例性实施例中的方法来确定滑动定向钻井过程中扭摆钻柱控制参数扭摆钻柱，改变或维持井下动力钻具工具面方向，控制井眼轨迹向目标方向延伸。

为了更好地理解本发明的上述示例性实施例，下面结合具体示例对其进行进一步说明。

如图2所示，一种基于人工智能的滑动定向钻井方法可包括以下步骤：

(1)采集数据并建立数据库；

(2)基于数据库建立神经网络模型；

(3)对神经网络模型进行训练；

(4)对神经网络模型进行验证并优化神经网络模型，得到智能决策算法，根据智能决策算法可得到最优的扭摆钻柱定向控制参数。

进一步地，在步骤(1)中，所述数据库中的数据来源于已钻采油气井，所述数据至少包括地质参数和历史定向作业数据，如井深、岩层特性等。

进一步地，所述历史定向作业数据至少包括位于扭摆钻柱系统、录井系统和随钻测量系统上的数据。如输入扭矩、输出扭矩、大钩载荷、泵压、钻速、钻压摩擦力、角度、最大扭矩保持时间等。

进一步地，所述历史定向作业数据至少包括在已钻采油气井作业中，钻井工程师给出的经验作业数据，如钻具选择和钻井液性能参数等。

进一步地，所述步骤(1)中采集数据后还包括对数据库中数据进行筛选操作及滑动定向钻井作业过程中数据特征的提取。通过对数据(错误、无效和重复数据)进行筛选减少无效数据对神经网络模型训练的干扰，提高神经网络模型训练的效率和准确性。

进一步地，按比例将所述数据库分为试验集、验证集和测试集。

进一步地，所述试验集、验证集和测试集的比例范围为5～8：1～3：1～2，优选为7：3：2。

进一步地，所述步骤(2)中神经网络模型至少包括人工神经神经网络模型和长短期记忆神经网络模型。

进一步地，所述步骤(4)中对神经网络模型进行验证至少包括模拟测试。

进一步地，若所述模拟测试准确率达到99％以上，则神经网络模型验证通过；若模拟测试准确率低于99％，则优化神经网络模型后再重复所述步骤(3)和步骤(4)。

综上所述，本发明的建立滑动定向钻井神经网络模型的方法、扭摆钻柱控制参数的确定方法和定向钻井方法的优点可包括：

(1)本发明的方法简便、易行、高效。

(2)本发明围绕定向作业过程数据清洗及特征提取建立网络控制模型及智能决策算法，建立滑动定向钻探过程网络控制模型，能够得到最优的扭摆钻柱定向控制参数，从而提高定向钻井技术的自动化水平。

(3)在常规定向钻井过程中，需事先选定一组合适的控制参数，但难以满足各种复杂的井下工况，且往往需要依赖司钻经验反复调整，存在效率低和工具面的响应速度慢的问题。而本发明能够通过网络控制模型的建立，能够解决上述问题，且能够提升不同环境下的自适应能力。

(4)本发明在神经网络模型训练过程中，按比例将数据库分为试验集、验证集和测试集，通过大量数据的训练和算法优化选择，不断地更新迭代神经神经网络模型，得到稳定可靠的控制算法，从而实现在不同环境下的自适应能力。

(5)本发明采取人工操作经验和深度学习方法相结合的策略，利用高水平计算机进行大数据处理与神经网络模型训练，能够实现控制参数智能决策、定向工具面自动控制。

(6)本发明能够实现油藏价值的最优化，不仅能够提高钻井效率，还有助于提高钻柱扭摆钻柱系统自动化控制水平，对于定向井钻井结果有着质的提升，极具发展前景。

尽管上面已经通过结合示例性实施例描述了本发明，但是本领域技术人员应该清楚，在不脱离权利要求所限定的精神和范围的情况下，可对本发明的示例性实施例进行各种修改和改变。

Claims (10)

1.一种建立滑动定向钻井神经网络模型的方法，其特征在于，所述方法包括以下步骤：

采集已钻采油气井的作业数据并建立数据库，其中，所述作业数据包括地质参数和历史定向作业数据；

基于数据库建立初始神经网络模型；

对初始神经网络模型进行训练；

测试训练后神经网络模型的准确率，若准确率在预定值以上，则训练后神经网络模型为滑动定向钻井神经网络模型，若准确率小于预定值，则继续训练神经网络模型直至准确率达到预定值以上。

2.根据权利要求1所述的建立滑动定向钻井神经网络模型的方法，其特征在于，所述历史定向作业数据包括历史扭摆钻柱控制参数、历史录井数据和历史随钻测量数据。

3.根据权利要求2所述的建立滑动定向钻井神经网络模型的方法，其特征在于，所述历史定向作业数据还包括人工经验数据，人工经验数据包括钻具组合、钻井液性能参数和井眼轨迹中的至少一种。

4.根据权利要求1所述的建立滑动定向钻井神经网络模型的方法，其特征在于，在建立数据库之后、建立初始神经网络模型之前，所述方法还包括步骤：

对数据库中的数据进行筛选以去除重复、错误和无效的数据。

5.根据权利要求1所述的建立滑动定向钻井神经网络模型的方法，其特征在于，在建立数据库之后、建立初始神经网络模型之前，所述方法还包括步骤：提取历史定向作业数据特征。

6.根据权利要求1所述的建立滑动定向钻井神经网络模型的方法，其特征在于，所述数据库包括比例为5～8：1～3：1～2的训练集、验证集和测试集。

7.根据权利要求1所述的建立滑动定向钻井神经网络模型的方法，其特征在于，所述初始神经网络模型的类型包括人工神经神经网络模型。

8.根据权利要求1所述的建立滑动定向钻井神经网络模型的方法，其特征在于，所述测试包括模拟测试。

9.一种滑动定向钻井过程中扭摆钻柱控制参数的确定方法，其特征在于，所述方法包括以下步骤：

采集已钻采油气井的作业数据并建立数据库，其中，所述作业数据包括地质参数、历史扭摆钻柱控制参数、历史录井数据和历史随钻测量数据，或者所述作业数据包括地质参数、历史扭摆钻柱控制参数、历史录井数据、历史随钻测量数据和人工经验数据；

基于数据库建立初始神经网络模型；

对初始神经网络模型进行训练；

测试训练后神经网络模型的准确率，若准确率在预定值以上，则训练后神经网络模型为选定的神经网络模型，若准确率小于预定值，则继续训练神经网络模型直至准确率达到预定值以上；

在所述作业数据不包括人工经验数据的情况下，向选定的神经网络模型中代入现场滑动定向钻井过程中获取的地质参数、录井数据和随钻测量数据，得到扭摆钻柱控制参数；在所述作业数据包括人工经验数据的情况下，向选定的神经网络模型中代入现场滑动定向钻井过程中获取的地质参数、路径数据、随钻测量数据和人工经验数据，得到扭摆钻柱控制参数。

10.一种滑动定向钻井的方法，其特征在于，所述方法包括：在滑动定向钻井的过程中，采用如权利要求9所述的方法确定扭摆钻柱控制参数扭摆钻柱，改变或维持井下动力钻具工具面方向，控制井眼轨迹向目标方向延伸。