基于支持向量機的鉆井工況實時智能識別方法

孫挺 趙穎 楊進 殷啟帥 汪文星 陳緣

引用本文:

基于支持向量機的鉆井工況實時智能識別方法

    作者簡介: 孫挺(1981—),男,遼寧錦州人,2005年畢業于中國石油大學(華東)油氣儲運專業,2013年獲路易斯安那州立大學石油工程專業博士學位,副教授,主要從事海洋鉆完井工程、海底淺層地質災害預測及石油鉆完井大數據應用方面的研究工作。E-mail:[email protected]
  • 基金項目:

    國家重點基礎研究發展計劃(“973”計劃)項目“海洋深水油氣安全高效鉆完井基礎研究”(編號:2015CB251202)、中國石油大學(北京)引進人才科研啟動基金“頁巖氣藏單井最終可采儲量計算”(編號:2462017YJRC034)聯合資助

  • 中圖分類號: TE28

Real-Time Intelligent Identification Method under Drilling Conditions Based on Support Vector Machine

  • CLC number: TE28

  • 摘要: 鉆井時效分析通常是依靠人工進行事后分析,具有主觀性和隨意性,不能及時準確地反映真實的現場情況。為了實時準確地對鉆井工況進行自動判別,提高鉆井效率,提出了一種基于支持向量機(SVM)的用數據驅動的鉆井工況實時識別方法,建立了多個智能識別模型,并對其中的核函數進行分析比較,得出了模型參數的最優值。采用4口井的錄井數據驗證了模型的準確性,識別結果與實際工況基本一致,6種工況的識別正確率均達到95%以上。鉆井時效分析與應用表明,鉆井過程中應用工況識別結果,減少了不可見非生產時間。支持向量機實現了鉆井工況的實時智能識別,提高了鉆井時效,符合油田數字化和智能化發展的要求。
  • 圖 1  支持向量機原理示意

    Figure 1.  Principle schematic diagram of support vector machine

    圖 2  核函數作用示意

    Figure 2.  Functional schematic diagram of the kernel function

    圖 3  支持向量機的識別結構示意

    Figure 3.  Recognition structure of support vector machine

    圖 4  線性核函數的識別結果

    Figure 4.  Identification results of linear kernel function

    圖 5  多項式核函數的識別結果

    Figure 5.  Identification results of polynomial kernel function

    圖 6  徑向基核函數的識別結果

    Figure 6.  Identification results of radial basis kernel functions

    圖 7  兩層感知器核函數的識別結果

    Figure 7.  Identification results of kernel functions by two-layer perceptron

    圖 8  交叉驗證結果

    Figure 8.  Cross validation results

    圖 9  最終的工況識別結果

    Figure 9.  Final identification results of working condition

    圖 10  接立柱做作業完成時間分布

    Figure 10.  Completion time distribution to pick up stands

    圖 11  接立柱作業平均完成時間的變化情況

    Figure 11.  Average completion time variation to pick up stands

    表 1  不同核函數計算結果對比

    Table 1.  Comparisons of calculation results with different kernel functions

    核函數樣本
    數量
    準確識別
    數量
    準確
    率,%
    計算用時/s
    線性核函數60056894.670.511 966
    多項式核函數60056494.000.670 709
    徑向基核函數60058196.830.581 977
    兩層感知器核函數60024240.332.917 935
    下載: 導出CSV

    表 2  不同層位接立柱時間統計

    Table 2.  Time statistics for making up a stand of drill pip

    立柱序號前期平均接
    立柱時間/min
    SVM實時判斷新井接
    立柱時間/min
    現場決策
    1—122.52.7有待提高
    13—242.6有待提高
    25—362.4有所提高
    37至最后2.2顯著提高
    下載: 導出CSV
    南国七星彩高手论坛
  • [1] ALSALAMA A M, CANLAS J P, GHARBI S H. An integrated system for drilling real time data analytics[R]. SPE 181001, 2016.
    [2] BALAJI K, RABIEI M, SUICMEZ V, et al. Status of data-driven methods and their applications in oil and gas industry[R]. SPE 190812, 2018.
    [3] 劉剛.鉆井復雜自適應智能預警模型及應用研究[D].西安: 西安石油大學, 2018.LIU Gang. Drilling complex adaptive intelligent early warning model[D]. Xi'an: Xi'an Shiyou University, 2018.
    [4] 袁野.井眼軌跡預測及井眼軌跡三維可視化研究[D].大慶: 東北石油大學, 2017.YUAN Ye. Well trajectory prediction and 3D visualization study of well trajectory[D]. Daqing: Northeastern University of Petroleum, 2017.
    [5] 孫萬海.基于SVM和PSO的鉆井事故智能預警系統研究[D].西安: 西安石油大學, 2014.SUN Wanhai. An intelligent early warning system for drilling accidents based on SVM and PSO[D]. Xi'an: Xi'an Shiyou University, 2014.
    [6] 王江萍,孟祥芹,鮑澤富. 應用神經網絡技術診斷鉆井事故[J]. 西安石油大學學報(自然科學版), 2008, 23(2): 99–102. doi: 10.3969/j.issn.1673-064X.2008.02.024WANG Jiangping, MENG Xiangqin, BAO Zefu. Diagnosis of drilling faults using neural network technology[J]. Xi'an University of Petroleum(Natural Science Edition), 2008, 23(2): 99–102. doi: 10.3969/j.issn.1673-064X.2008.02.024
    [7] YIN Qishuai, YANG Jin, ZHOU Bo, et al. Improve the drilling operations efficiency by the big data mining of real-time logging[R]. SPE 189330, 2018.
    [8] 王小川.MATLAB神經網絡43個案例分析[M].北京: 北京航空航天大學出版社, 2013: 102-108.WANG Xiaochuan. 43 case analysis of MATLAB neural net-work[M]. Beijing: Beihang University Press, 2013:102-108.
    [9] 狄勤豐,吳志浩,王文昌,等. 基于SVM的套管最大von Mises應力預測方法[J]. 石油鉆探技術, 2019, 47(3): 62–67.DI Qinfeng, WU Zhihao, WANG Wenchang, et al. An prediction method for determining the maximum von Mises stress in casing based on SVM[J]. Petroleum Drilling Techniques, 2019, 47(3): 62–67.
    [10] 彭成勇,呂欣潤,馬新仿,等. 海上低滲氣田綜合多因素壓裂選井選層方法[J]. 斷塊油氣田, 2015, 22(4): 508–513.PENG Chengyong, LYU Xinrun, MA Xinfang, et al. Fractured well and layer selection by multi-factor optimization for low permeability offshore gas field[J]. Fault-Block Oil & Gas Field, 2015, 22(4): 508–513.
    [11] 徐生江,李杰,吳繼偉,等. 基于支持向量機的鉆井液高溫高壓靜態密度預測模型[J]. 鉆井液與完井液, 2014, 31(3): 28–31.XU Shengjiang, LI Jie, WU Jiwei, et al. HTHP static mud density prediction model based on support vector machine[J]. Drilling Fluid & Completion Fluid, 2014, 31(3): 28–31.
    [12] 陳沖,張仕民,彭鶴,等. 基于支持向量機的鉆柱黏滑振動等級評估方法[J]. 石油機械, 2019, 47(1): 20–26.CHEN Chong, ZHANG Shimin, PENG He, et al. Research on stick-slip vibration level estimation of drillstring based on SVM[J]. China Petroleum Machinery, 2019, 47(1): 20–26.
    [13] 王杰祥,陳征,靖偉,等. 基于支持向量機的二氧化碳非混相驅效果預測[J]. 石油鉆探技術, 2015, 43(2): 84–89.WANG Jiexiang, CHEN Zheng, JING Wei, et al. Prediction of the effect CO2 immiscible flooding based on support vector machine[J]. Petroleum Drilling Techniques, 2015, 43(2): 84–89.
    [14] 陳民鋒,白曉虎,鄭偉,等. 基于支持向量機的早期聚合物驅動態預測研究[J]. 斷塊油氣田, 2012, 19(2): 199–202.CHEN Minfeng, BAI Xiaohu, ZHENG Wei, et al. Development index prediction of early polymer flooding based on support vector machine[J]. Fault-Block Oil & Gas Field, 2012, 19(2): 199–202.
    [15] 趙廷峰,趙春艷,何帆,等. 抽油桿柱磨損分析與安全性評價[J]. 石油機械, 2017, 45(8): 65–70.ZHAO Tingfeng, ZHAO Chunyan, HE Fan, et al. Wear analysis and safety assessment of sucker rod[J]. China Petroleum Machinery, 2017, 45(8): 65–70.
    [16] BOSER B E, GUYON I M, VAPNIK V N. A training algorithm for optimal margin classifiers[C]// Proceedings of the 5th Annual Workshop on Computational Learning Theory (COLT'92). Pittsburgh: ACM Press, 1992: 144-152.
    [17] JIN Chi, WANG Liwei. Dimensionality dependent PAC-Bayes margin bound[C]// NIPS′12 Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe: Curran Associates Inc, 2012(1): 1034-1042.
  • [1] 王杰祥陳征靖偉陸國琛牛志偉 . 基于支持向量機的二氧化碳非混相驅效果預測. 石油鉆探技術, 2015, 43(2): 84-89. doi: 10.11911/syztjs.201502015
    [2] 狄勤豐吳志浩王文昌覃光煦陳鋒 . 基于SVM的套管最大von Mises應力預測方法. 石油鉆探技術, 2019, 47(3): 62-67. doi: 10.11911/syztjs.2019065
    [3] 魏茂安馬 海孫正義王延江 . 基于支持向量機的虛擬測井聲波速度重構技術研究. 石油鉆探技術, 2006, 34(6): 83-87.
    [4] 席鵬飛楊明合郭王恒石建剛 . 基于聲波時差數據波動性識別異常壓實地層的方法. 石油鉆探技術, 2019, 47(6): 1-5. doi: 10.11911/syztjs.2019136
    [5] 練章華劉洋林鐵軍羅澤利牟易升 . 復雜工況下4(2)/1 REG渦輪軸連接螺紋斷裂分析. 石油鉆探技術, 2018, 46(3): 53-58. doi: 10.11911/syztjs.2018051
    [6] 段友祥張洋弘李洪強孫歧峰 . 基于可信度分析的鉆井液脈沖信號識別方法. 石油鉆探技術, 2018, 46(3): 120-126. doi: 10.11911/syztjs.2018047
    [7] 孟曉平袁園龔彥王彪王作文李一嵐 . 基于三坐標測量機的渦輪鉆具葉型測量與分析. 石油鉆探技術, 2014, 42(2): 107-111. doi: 10.3969/j.issn.1001-0890.2014.02.021
    [8] 劉啟國劉振平王宏玉陳星蔡儒帥秦柯 . 利用生產數據計算氣井控制儲量和水侵量. 石油鉆探技術, 2015, 43(1): 96-99. doi: 10.11911/syztjs.201501016
    [9] 馬廣軍王甲昌張海平 . 螺桿驅動旋沖鉆井工具設計及試驗研究. 石油鉆探技術, 2016, 44(3): 50-54. doi: 10.11911/syztjs.201603009
    [10] 董懷榮王聯合李海營張吉平王平 . 交流變頻電驅動鉆機起升系統的模擬. 石油鉆探技術, 2009, 37(3): 69-73.
    [11] 趙文民趙瑩瑩陳德春王學磊龐偉 . 地面驅動螺桿泵井系統效率控制圖模型研究. 石油鉆探技術, 2009, 37(4): 96-98.
    [12] 涂玉林楊紅歧胡彥峰陶興華劉曉丹 . 膨脹波紋管在小井眼的安全應用工況模擬試驗研究. 石油鉆探技術, 2018, 46(2): 69-74. doi: 10.11911/syztjs.2018034
    [13] 胡亮肖莉趙建軍尹慧博 . 井下射頻電磁識別影響因素研究. 石油鉆探技術, 2018, 46(2): 63-68. doi: 10.11911/syztjs.2018015
    [14] 馬海肖紅兵楊錦舟李勇華 . 基于Akima插值的隨鉆測井數據實時處理方法. 石油鉆探技術, 2015, 43(3): 82-86. doi: 10.11911/syztjs.201503016
    [15] 紀榮藝樊洪海楊皆平楊雄文 . 井場實時數據采集的組件化軟件設計. 石油鉆探技術, 2007, 35(3): 58-62.
    [16] 李 林 . 隨鉆測量數據的井下短距離無線傳輸技術研究. 石油鉆探技術, 2007, 35(1): 45-48.
    [17] 李洪強丁景麗林 楠蘇向東 . 隨鉆伽馬測量數據處理方法的研究及應用. 石油鉆探技術, 2008, 36(4): 12-14.
    [18] 王鵬 葛洪魁 陸斌 楊微 . 隨鉆地震波場傳播與數據處理方法的數值實驗. 石油鉆探技術, 2009, 37(2): 5-9.
    [19] 倪衛寧劉建華張衛吳春萍吳非 . 基于無線射頻識別的井下工具控制技術. 石油鉆探技術, 2014, 42(6): 102-105. doi: 10.11911/syztjs.201406020
    [20] 鄭強劉慧卿李芳張杰張波 . 油藏注水開發后期竄流通道定量識別方法. 石油鉆探技術, 2012, 40(4): 92-95. doi: 10.3969/j.issn.1001-0890.2012.04.018
  • 加載中
圖(11)表(2)
計量
  • 文章訪問數:  500
  • HTML全文瀏覽量:  515
  • PDF下載量:  24
  • 被引次數: 0
出版歷程
  • 收稿日期:  2018-11-27
  • 錄用日期:  2019-07-06
  • 網絡出版日期:  2019-07-27
  • 刊出日期:  2019-09-01

基于支持向量機的鉆井工況實時智能識別方法

    作者簡介: 孫挺(1981—),男,遼寧錦州人,2005年畢業于中國石油大學(華東)油氣儲運專業,2013年獲路易斯安那州立大學石油工程專業博士學位,副教授,主要從事海洋鉆完井工程、海底淺層地質災害預測及石油鉆完井大數據應用方面的研究工作。E-mail:[email protected]
  • 中國石油大學(北京)安全與海洋工程學院,北京 102249
基金項目:  國家重點基礎研究發展計劃(“973”計劃)項目“海洋深水油氣安全高效鉆完井基礎研究”(編號:2015CB251202)、中國石油大學(北京)引進人才科研啟動基金“頁巖氣藏單井最終可采儲量計算”(編號:2462017YJRC034)聯合資助

摘要: 鉆井時效分析通常是依靠人工進行事后分析,具有主觀性和隨意性,不能及時準確地反映真實的現場情況。為了實時準確地對鉆井工況進行自動判別,提高鉆井效率,提出了一種基于支持向量機(SVM)的用數據驅動的鉆井工況實時識別方法,建立了多個智能識別模型,并對其中的核函數進行分析比較,得出了模型參數的最優值。采用4口井的錄井數據驗證了模型的準確性,識別結果與實際工況基本一致,6種工況的識別正確率均達到95%以上。鉆井時效分析與應用表明,鉆井過程中應用工況識別結果,減少了不可見非生產時間。支持向量機實現了鉆井工況的實時智能識別,提高了鉆井時效,符合油田數字化和智能化發展的要求。

English Abstract

  • 提高鉆井時效是降本增效的重要手段,但目前通常對鉆井時效進行事后人工分析,具有主觀性和滯后性。隨著機器學習和大數據技術的迅速發展,國內外很多學者開展了大數據和人工智能方法在石油工程中的應用研究,A. M. Alsalama等人[1]提出了一個包含所需數據挖掘和分析工具的集成系統,大大縮短了傳統方法進行預警的時間;K. Balaji等人[2]從基礎、理論和應用方面總結了數據驅動方法在石油天然氣工程中的發展;劉剛[3]建立了基于多源信息的SVM自適應鉆井井下故障預警模型;袁野[4]提出了基于SVM的井眼軌跡智能預測方法,建立了井眼的三維可視圖,可以有效地控制井眼軌跡;孫萬海[5]提出了一種基于PSO-SVM的鉆井故障智能預警系統,提高了鉆井質量;王江萍等人[6]提出應用神經網絡技術對井漏、井塌、井涌及井噴等井下故障進行診斷。可見,目前國內外主要是運用大數據和機器學習對鉆井故障進行預測及預防或研究相關理論問題,對工況識別的研究較少,且存在數據量小和缺乏現場實例驗證等問題。YIN Qishuai等人[7]提出了一種基于程序的工況識別方法,很好地消除了人員對鉆井工況識別的影響,但該方法基于編程語言,沒有考慮前后數據之間的聯系和鉆井數據可能存在波動等問題。為此,筆者提出了一種普遍適用的純數據驅動方法,利用支持向量機(support?vector?machine,SVM)識別鉆井工況,減少不可見非生產時間,提高鉆井作業效率;采用訓練–測試的方式,訓練數據為綜合錄井提供的實時數據,解決了傳統方法對人員依賴大的缺點;在鉆井工況識別中應用機器學習與數據驅動方法,同時允許數據存在一定的波動,克服了編程語言識別帶來的問題。

    • 支持向量機是一種監督式學習模型,可以用于模式識別、分類和回歸問題的分析。該模型是基于統計學習理論和結構風險最小化原則建立的,主要思想是建立一個線性分離超平面,將非線性輸入映射到高維特征空間中,使正例和反例之間的隔離邊緣被最大化[815]。支持向量機的原理如圖1所示。圖1中,x1x2代表輸入參數特征,w為核函數,b為偏置,l2代表數據分類的最佳方案。模型的輸入為鉆頭位置、大鉤載荷、機械鉆速、鉆壓、大鉤載荷、轉速、扭矩、出口排量和立管壓力等9種參數,輸出包括倒劃眼、接立柱、下套管、下鉆及旋轉鉆進5種正常工況和鉆塞等復雜工況。根據9種輸入參數的特征,采用SVM將它們分為6種輸出結果。

      圖  1  支持向量機原理示意

      Figure 1.  Principle schematic diagram of support vector machine

      針對非線性分類問題,B. E. Boser等人[16]提出了將核技巧應用于最大邊界超平面,從而創建非線性分類器的方法。經過不斷發展,應用于SVM的核函數主要包括以下幾種類型[17]

      線性核函數:

      $ k( {{{{x}}_i},{{{x}}_j}} ) = ( {{{{x}}_i} \cdot {{{x}}_j}} ) $

      多項式核函數:

      $k( {{{{x}}_i},{{{x}}_j}} ) = {( {{{{x}}_i} \cdot {{{x}}_j} + 1} )^d}$

      徑向基核函數:

      $k( {{{{x}}_i},{{{x}}_j}} ) = {\rm{exp}}( { - \gamma \left\| {{{{x}}_i} - {{{x}}_j}} \right\| ^2} )\;{\rm{\gamma }} > 0$

      兩層感知器核函數:

      $k( {{{{x}}_i},{{{x}}_j}} ) = {\rm{tanh}}( {\kappa {{{x}}_i} \cdot {{{x}}_j} + c} )$

      式中:${{{x}}_i},{{{x}}_j}$為空間中的2個向量;k為核函數;$d,{\gamma },{\kappa },c$為系數。

      通過核函數處理,將非線性問題轉化為線性問題,如圖2所示。

      圖  2  核函數作用示意

      Figure 2.  Functional schematic diagram of the kernel function

      筆者在研究中,利用SVM進行6個鉆井工況的識別,識別結構如圖3所示。收集現場22種鉆井工況的錄井數據,選擇具有代表性的倒劃眼、接立柱、下套管、下鉆及旋轉鉆進等5種正常工況和鉆塞等復雜工況共6種工況進行分析。結合研究中數據的使用情況,選取的參數包括鉆頭位置、大鉤載荷、機械鉆速、鉆壓、大鉤高度、轉速、扭矩、出口排量和立管壓力。

      圖  3  支持向量機的識別結構示意

      Figure 3.  Recognition structure of support vector machine

    • 為了提高工況識別的準確率,首先對數據進行[0,1]歸一化處理,然后優選SVM核函數類型,并進行交叉驗證,優化模型。

    • 應用SVM時,關鍵是選擇核函數,不同的核函數適用于不同的問題,對準確率有很大的影響。采用不同的核函數,對不同工況進行歸一化處理,輸出的結果如圖4圖7所示。

      圖  4  線性核函數的識別結果

      Figure 4.  Identification results of linear kernel function

      圖  5  多項式核函數的識別結果

      Figure 5.  Identification results of polynomial kernel function

      圖  6  徑向基核函數的識別結果

      Figure 6.  Identification results of radial basis kernel functions

      圖  7  兩層感知器核函數的識別結果

      Figure 7.  Identification results of kernel functions by two-layer perceptron

      4種核函數的識別準確率和計算時間的對比情況見表1

      核函數樣本
      數量
      準確識別
      數量
      準確
      率,%
      計算用時/s
      線性核函數60056894.670.511 966
      多項式核函數60056494.000.670 709
      徑向基核函數60058196.830.581 977
      兩層感知器核函數60024240.332.917 935

      表 1  不同核函數計算結果對比

      Table 1.  Comparisons of calculation results with different kernel functions

      表1可知,兩層感知器核函數的識別準確率最低,且耗費時間最長;徑向基核函數的識別準確率較高。

    • 利用SVM進行鉆井工況識別時,得到的模型需要具有高的準確率和魯棒性,采用交叉驗證的方法,將原始數據分成K組,隨機選取一組子集做驗證集,其余K–1組子集做訓練集,得到K個模型,最后選擇準確率最高模型的性能指標[16]作為最終SVM的參數。

      通過交叉驗證可以選出最佳的懲罰函數c和核函數參數g,交叉驗證的結果如圖8所示(圖8中,不同等高線表示cg不同取值對應的準確率)。

      圖  8  交叉驗證結果

      Figure 8.  Cross validation results

      圖8可知,$c > {2^{ - 1.5}}$${2^{ - 1}} < g < {2^2}$時,準確率可達到97%以上,此時選取c最小的那組數據(這是因為,c值過高會出現過學習現象,即訓練集的準確率滿足一定的要求,但測試集準確率很低),即c=0.353 6,g=1.534 0(見圖8中點A)。準確識別鉆井工況后,就可以對鉆井作業進行事后分析,識別不可見非生產時間,提高鉆井效率,從而提高鉆井的安全性和經濟性。

    • 選取4口井進行模型驗證,以其中2口井的錄井數據為訓練集,其他2口井的錄井數據為測試集,訓練集和測試集SVM的識別結果如圖9所示。從圖9可以看出,訓練集的識別準確率高于測試集,測試集中接立柱和旋轉鉆進的識別準確率最高,達到了97%,工況識別準確率總體達到95%以上,說明該方法在新樣本中有很好的泛化性。

      圖  9  最終的工況識別結果

      Figure 9.  Final identification results of working condition

    • 海上導管架平臺因作業空間受限,通常在一個導管架平臺上布置數十口井,這種井槽集中在一個區域的布井方式,形成了“批鉆(一次性完成同一開次鉆井作業)”作業模式。由于這些井的地層情況、鉆井設計方案、鉆井設備、施工隊伍相似,所以在“批鉆”模式下,同一井段的時效具有可比性。因此,采用基于支持向量機的鉆井工況實時智能識別方法,進行工況識別、時效分析和時效輔助決策,實現提質增效。以南海某平臺批鉆作業為例,首先對一口井的三開錄井數據進行學習,訓練得到工況識別模型;然后根據其余14口已鉆井的三開錄井數據識別接立柱工況和分析鉆井時效,從而指導待鉆井的施工,提高接立柱的效率。具體應用步驟如下:

      1)工況識別。利用B1井的三開錄井數據,訓練得到最優模型,然后使用該模型對其余14口已鉆井的三開工況進行識別,并統計接立柱作業時間。

      2)時效分析。為了得到三開中接立柱的平均時間,統計了前15口已鉆井的三開接立柱時間(見圖10)。由圖10可知,10%的接立柱作業可在1.3 min內完成,50%的接立柱作業可在2.1 min內完成,90%的接立柱作業可在4.9 min內完成,接立柱作業的平均完成時間為2.5 min。

      圖  10  接立柱做作業完成時間分布

      Figure 10.  Completion time distribution to pick up stands

      3)輔助決策。按照三開接立柱順序分為4個階段,第1階段為第1—12根立柱,第2階段為第13—24根立柱,第3階段為第25—36根立柱,第4階段為第37至最后所有的立柱,前15口井三開4個階段的平均接立柱時間為2.5 min。

      將得到的模型應用到新井中,實時判斷得到第1—12根立柱的平均作業時間為2.7 min,大于前15口井的時間2.5 min,此時實時監測中心向平臺發送“作業效率有待提高”的指令,指導下一階段(第13—24根立柱)作業,并以此類推,完成全井段的時效分析,保證作業效率(見表2)。

      立柱序號前期平均接
      立柱時間/min
      SVM實時判斷新井接
      立柱時間/min
      現場決策
      1—122.52.7有待提高
      13—242.6有待提高
      25—362.4有所提高
      37至最后2.2顯著提高

      表 2  不同層位接立柱時間統計

      Table 2.  Time statistics for making up a stand of drill pip

      4)現場施工應用。將該方法應用到6口新鉆井的鉆井施工中(包含上面提到的新鉆井),各井三開接立柱作業的平均完成時間的變化如圖11所示。由圖11可以看出,每口新鉆井的平均接立柱時間穩步下降,效率穩步提高,實現了提質增效。

      圖  11  接立柱作業平均完成時間的變化情況

      Figure 11.  Average completion time variation to pick up stands

    • 1)將機器學習的SVM方法應用于石油工程的鉆井工況識別中,以提高鉆井效率。

      2)提出一種純數據驅動的方法,并充分利用油田現場數據,減少了傳統方法對人員經驗的依賴,提高了識別準確率,縮短了工況識別所需時間。

      3)利用SVM對6種鉆井工況進行識別,通過優選核函數類型、進行交叉驗證,逐步優化智能識別模型,不斷提高模型識別的準確率,最終將識別準確率提高到了95%。

參考文獻 (17)

目錄

    /

    返回文章
    返回