[发明专利]一种刺钻具自动识别与报警方法

说明书

本发明公开了一种刺钻具自动识别与报警方法，包括以下步骤：S1、划定刺钻具关键特征参数；S2、获取待预测是否将会发生钻具刺漏的目标井临近井钻井数据；S3、得到预处理钻井序列数据；S4、将预处理钻井序列数据分割为训练集和验证集；S5、利用获得的历史数据创建并训练LSTM神经网络模型；S6、使用贝叶斯网络对模型超参数进行优化，利用训练出的模型预测出未来的钻井序列数据；S7、预测待预测目标井是否将会发生刺钻具。通过预处理剔除原始钻具刺漏序列数据中的具有显著规律的波动特征，便于LSTM神经网络模型进行训练和预测；通过采用贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，能够提高LSTM神经网络模型的收敛速度和预测效果。

技术领域

本发明涉及石油钻井技术领域，更具体地说是一种刺钻具自动识别与报警方法。

背景技术

石油钻井是石油天然气勘探开发的重要手段，随着石油勘探的快速发展和钻井新技术的迅速推广，钻具刺漏在钻井过程中出现的事故占比随之增大，在钻井施工中钻具刺漏会造成严重事故，造成经济损失甚至威胁到施工人员的生命安全。通常钻具刺漏是通过人为以工况参数变化和经验为依据来判断刺钻具，不准确、不及时。钻井过程是一个长期的、连续的过程，录井数据的细微变化往往是钻具刺漏发生的征兆，因此要确保钻具刺漏监测的可靠性就要求现场人员长时间、连续地关注钻井参数的变化。

张涛等提出钻井施工防止钻具事故的钻具刺漏检测分析系统，系统将检测和分析以及平衡气体为一体，准确快速的完成钻具刺漏工况分析；费洪明提出了一种基于范例推理的钻具失效诊断与预测方法，根据现场实际钻井资料，利用影响钻具失效因素的数据建立范例库，通过数据挖掘的技术获取相似范例，实现通过范例推理的方法诊断和预测可能发生的钻具失效。

现使用基于LSTM神经网络和贝叶斯算法的刺钻具识别与报警方法，能快速识别钻井过程中的钻具刺漏，从而避免造成更为严重的钻井事故，减少施工单位经济损失。

目前存在的一些问题：

目前钻井施工作业平均时效仅70％，现场无法大规模利用录井数据实时监测

钻井作业工况，钻井时效分析主要依赖于现场仪器的传输效率和作业人员的经验诊断，存在无法处理大量实时施工数据、决策反馈机制慢、预测精度低等问题。

无论是结合专家系统或者利用调整好的预测模型，大多为根据经验提前设置好钻具刺漏特征参数，相比模型自动学习更容易忽略参数间线性关系，导致最终拟合效果不好。

发明内容

为了克服现有技术的上述缺陷，本发明提供一种刺钻具自动识别与报警方法。应用于油田，使能够提前预测钻具刺漏工况。

为实现上述目的，本发明提供如下技术方案：

一种刺钻具自动识别与报警方法，包括以下步骤：

S1、划定刺钻具关键特征参数；

S2、获取待预测是否将会发生钻具刺漏的目标井临近井钻井数据；

S3、得到预处理钻井序列数据；

S4、将预处理钻井序列数据分割为训练集和验证集；

S5、利用获得的历史数据创建并训练LSTM神经网络模型；

S6、使用贝叶斯网络对模型超参数进行优化，利用训练出的模型预测出未来的钻井序列数据；

S7、使用朴素贝叶斯模型，结合预测的钻井序列数据，预测待预测目标井是否将会发生刺钻具。

进一步的，具体步骤如下：

步骤1：采集数据：获取待预测工况井的临近井历史数据，数据集包含钻进状态下的立管压力、钻井液入口流量、转盘扭矩、转盘转速、钻井液出口流量；