[发明专利]一种基于人工智能的井下井眼轨迹跟踪方法

说明书

本发明公开了一种基于人工智能的井下井眼轨迹跟踪方法。所述方法包括如下步骤：对目标区块进行钻井数据的相关采集，包括但不限于钻压、转速、扭矩、环空压力和地质信息；将所获得的钻井数据进行数据预处理，包括异常值剔除、数据标准化或归一化；将处理好的数据按一定比例分成训练集和测试集，并让人工智能算法或网络对训练集数据进行学习并输出训练好的模型；将测试集的数据输入到模型中并实时的得到井眼轨迹预计算的运行结果，再将得到的结果与数据流间隔时间相结合可得到井下井眼轨迹；将实时数据流导入到成熟的集成模型中；将成熟的集成模型输入至钻井设备的芯片中后，可实现对井下井眼轨迹的跟踪。

技术领域：

本发明涉及一种用于井下施工中能够实现井眼轨迹跟踪的方法。

背景技术：

油气田勘探和开发过程中，井眼轨迹测量非常重要，准确的井眼轨迹测量是地层对比、设计压裂等工作顺利进行的前提。当前石油天然气行业下井深度的测量方法主要是采用数钻杆的方式，但是在实际测量中由于钻杆在重力的作用下在井下会被拉长，所以我们很难获得比较准确的深度信息,造成误差。但由于影响因素错综复杂，无法全面考虑各种影响因素，同时由于技术与设备存在缺陷的原因，无法精确得到基本参数的数值，最终导致无法得到实时井眼轨迹。此外，现场所采用的测量方式得到的井深结果全部都在地面获得，不能在井下实时获取，这就导致在钻井及井眼调控过程效率低下，因此在井下获得实时的井眼轨迹在油田智能化趋势下已经变得极为重要。

发明内容：

为了解决背景技术中所提到的技术问题，本发明提出一种基于人工智能的井下井眼轨迹跟踪方法，该方法通过对目标区块进行钻井数据的相关采集及实时钻井数据等数据资料进行数据实时分析，对目标区块进行钻井数据的相关采集，将所获得的钻井数据进行数据预处理，将处理好的数据按一定比例分成训练集和测试集，并让人工智能算法或网络对训练集数据进行学习并输出训练好的模型；将测试集的数据输入到模型中并实时的得到井眼轨迹预计算的运行结果，再将得到的结果与数据流间隔时间相结合可得到井下井眼轨迹；再将实时数据流导入到成熟的集成模型中，之后将成熟的集成模型导入到井下设备的控制芯片中，控制芯片就可以对采集到的实时数据进行处理形成钻进过程中的井下井眼轨迹。

本发明的技术方案是：该种基于人工智能的井下井眼轨迹跟踪方法，其特征在于所述方法包括如下步骤：

第一步，对目标区块进行钻井数据采集，所述目标区块的钻井数据包括但不限于钻压、转速、扭矩、环空压力和地质信息；

第二步，对经由第一步所采集到的钻井数据进行数据预处理，所述数据预处理包括异常值剔除和数据标准化及归一化内容；

其中，所述异常值剔除按照如下路径进行：

对于钻井数据中的钻压、转速、扭矩、环空压力和地质信息，其中存在某组数据大于该列特征值的平均值的200％或者小于该列特征值的平均值的200％时，采用该特征的经验公式推导特征取值范围和人工删除该组数据的操作来进行异常值剔除；人工剔除异常值后，为防止对于钻井数据中的钻压、转速、扭矩、环空压力和地质信息中存在的干扰因素，采用异常值剔除算法DBSCAN进行剔除；

所述数据标准化及归一化按照如下路径进行：

(1)首先对钻井数据进行标准化，对钻井数据进行标准化所采用的函数为:

其中，X_i代表原始数据，代表平均值，σ代表标准差；

(2)对标准化后的钻井数据进行归一化操作，所采用的函数为：

其中，Y_i代表原始数据，Min代表数据最小值，Max代表数据最大值；

第三步，建立一个在井下实时预测井眼轨迹的模型，所述模型的建立按照如下路径进行：