[发明专利]基于多时间尺度特征和神经网络的钻进过程工况识别方法

说明书

本发明提供了基于多时间尺度特征和神经网络的钻进过程工况识别方法，进行钻进过程监测与钻进过程异常工况的识别。通过分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法将录井数据分为长时间尺度段数据和短时间尺度段数据；并分别采用最小二乘法和自适应阈值法提取长时缓变特征和短时突变特征；利用概率神经网络方法建立输入为当前时刻录井数据、长时缓变特征和短时突变特征，输出为井漏、钻具掉落、卡钻、超拉和正常五类钻进过程工况类型中的一种的钻进过程工况识别模型。本发明的有益效果是：减少钻进成本，提高钻进过程异常工况的识别速度和识别精度，为地质勘探钻进过程安全性监测与工况识别打下了良好的基础。

技术领域

本发明涉及地质勘探钻进过程智能控制领域，尤其涉及基于多时间尺度特征和神经网络的钻进过程工况识别方法。

背景技术

我国深部矿产资源丰富，然而深部地质勘探技术尚不成熟，要保证国家资源能源安全，就必须要推动深部地质钻探科技创新，建立符合复杂地质钻进需求的智能决策和钻进控制方法。钻进过程安全性监测与工况识别是实现复杂地质条件下高效、安全钻进的关键，如果井下发生了异常不及时处理，很容易导致钻进事故，不仅影响整个工程进度，还威胁到生命财产的安全。据统计，在钻进过程中因钻进事故导致的停产时间(NPT)约占钻进总时间的15％～20％。因此，建立钻进过程异常工况识别系统，是实现地质勘探钻进过程安全高效目标的重要基础。

20世纪末至21世纪初，许多学者从不同角度提出了钻进过程安全性监测与工况识别的方法，分析事故产生的内部机理及外部表现特征，进而实现早期的识别预报。国内外多家公司也致力于钻进过程安全监测技术的研究，如斯伦贝谢、贝克休斯、哈里伯顿等石油公司开发出的NDS系统、edrilling系统和copilot系统，从不同方面进行钻进风险预测和实时动态诊断。由于诸多历史原因，我国钻进系统安全监测水平远落后国外，相比于其他行业的智能化程度也较为落后，目前已成为制约我国发展深部地质资源开发的关键。

目前钻进过程工况识别问题仅通过分析单一时刻录井数据获得，且多未考虑录井时序数据变化关系。当钻进参数发生逐渐增加、减小或跳变时，司钻通过历史变化曲线判断钻进系统出现的异常。因此，钻进过程工况识别模型应考虑钻进数据的不同变化趋势特征，建立数据变化特征与异常工况类型的非线性动态关系。

发明内容

为了解决上述问题，本发明提供了基于多时间尺度特征和神经网络的钻进过程工况识别方法，基于多时间尺度特征和神经网络的钻进过程工况识别方法，主要包括以下步骤：

S1：基于钻进过程异常工况专家经验，分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法将录井数据分为长时间尺度段数据和短时间尺度段数据；所述钻进过程异常工况包括：井漏、钻具掉落、卡钻和超拉；

S2：采用渐变采样最小二乘法提取长时间尺度段数据的长时缓变特征，利用自适应阈值法提取短时间尺度段数据的短时突变特征；

S3：利用概率神经网络方法建立钻进过程工况识别模型；该模型的输入为当前时刻录井数据、长时缓变特征和短时突变特征，输出为井漏、钻具掉落、卡钻、超拉和正常五类钻进过程工况类型中的一种；

S4：将实际钻进过程中的某当前时刻录井数据、长时缓变特征和短时突变特征输入到所述钻进过程工况识别模型中，得到某当前的钻进过程工况类型。

进一步地，在步骤S1中，长时间尺度段数据用来分析录井数据的长时缓变特征，短时间尺度段数据用来分析录井数据的短时突变特征。

进一步地，在步骤S2中，短时突变特征的提取方法为：针对短时间尺度段数据，采用人工经验判断当前时刻录井数据与前一时刻录井数据的差值，若录井数据的相邻采样点间的差值大于当前时刻录井数据的40％，则判断当前时刻录井数据变化异常；采用自适应阈值的方法进行提取当前时刻录井数据的短时突变特征。