一种融合分析多源数据的钻头优选方法与流程

1.本发明涉及油气勘探技术领域，尤其涉及一种融合分析多源数据的钻头优选方法。


背景技术：

2.油气井钻井过程中，钻头钻进地层时钻速高低取决于是否优选出了合理的钻头类型。通过钻头优选，选取出与地层性质相匹配的钻头类型，能够提高机械钻速，降低钻井施工的成本，同时可以减少井下事故的发生，保障安全钻井，满足油气田钻井施工的需要。
3.然而，现今钻井面临的地层情况复杂，地层岩性、岩石力学及抗钻特性变化频繁，井与井之间地层可对比性差，不利于优选出最合理的钻头类型。使用单一类型资料并采用常规方法开展钻头类型优选时，对资料的综合分析不足，无法全面分析出地层的地球物理性质，优选出的钻头类型无法适应地层特征，在钻井过程中则表现为钻速和进尺均比较低，钻进效果差，甚至引发一系列井下复杂事故。


技术实现要素：

4.本技术为了解决上述技术问题提供一种融合分析多源数据的钻头优选方法。
5.本技术通过下述技术方案实现：
6.一种融合分析多源数据的钻头优选方法，基于已钻井的地质资料、钻井资料、录井资料、测井资料以及实验测试资料等多源数据，从中提取出部分能反映地层性质的参数组成钻头选型指标数据。
7.为了合并相似指标，减少无用指标，降低神经网络复杂程度，提升神经网络运算速度和精度，使用主成分分析方法对以上钻头选型指标数据进行主成分分析，开展降维处理，提取出累计贡献率占85％以上并能表征以上多源钻头选型指标数据的彼此独立的综合指标，作为最终的钻头选型指标数据。
8.以提取出的综合指标作为神经网络的输入参数，以实际钻井过程中钻速和进尺均大于平均值的钻头类型作为标签数据，通过神经网络训练分析综合指标与钻头类型之间的内在联系，建立钻头选型的神经网络数学模型，从而实现邻井全井段钻头类型的优选。
9.与现有技术相比，本技术具有以下有益效果：
10.1，相比于使用单一类型资料开展钻头选型，本技术使用多源数据作为钻头选型指标，从多维度分析地层特性，弥补了单一类型资料存在的缺陷，能有效提高优选钻头与地层的配伍性，获取合理的全井段优选钻头类型。
11.2，本技术将主成分分析(pca)、神经网络等方法用于开展数据融合分析并建立钻头选型数学模型，能实现准确、快速的钻头优选。
附图说明
12.此处所说明的附图用来提供对本技术实施方式的进一步理解，构成本技术的一部
分，并不构成对本发明实施方式的限定。
13.图1是本发明神经网络的结构图；
14.图2是神经网络训练输出结果与实际结果对比图；
15.图3是神经网络训练输出结果与实际结果绝对误差图；图4是神经网络训练过程误差变化图；图5是神经网络测试输出结果与实际结果对比图；图6是神经网络测试输出结果与实际结果绝对误差图；图7是神经网络测试过程误差变化图；图8是全井段预测钻头类型剖面图。
具体实施方式
16.为使本技术的目的、技术方案和优点更加清楚，下面将结合实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。
17.需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
18.本发明公开的融合分析多源数据的钻头优选方法，包括以下步骤：
19.s1，收集区域地质资料、钻井资料、录井资料、测井资料、岩石力学及抗钻特性参数。
20.s2，从收集的钻井资料中提取出所有钻井时使用过的钻头类型，从中筛选出钻速和进尺均大于平均值的钻头类型作为钻头选型标签数据。根据iadc钻头国际编码规则对钻头所属大类进行划分，并使用不同的训练代号对不同钻头大类进行编号，如表1所示。
21.表1：不同钻头大类编号表
22.[0023][0024]
s3，提取出各种类型钻头所钻进层位的地层特征参数，此处的“各种类型”是指步骤s2中筛选出的钻速和进尺均大于平均值的钻头类型。
[0025]
地层特征参数包括地质资料中的地质分层dc；钻井资料中的钻速 zs、钻井液密度ρm、钻井液类型z
l
；录井资料中的岩性(归位后)y
x
；测井资料中的扩径率k、自然伽马gr、自然电位sp、声波时差ac、浅/深电阻率rs/r
t
；单轴抗压强度ucs、内聚力c、内摩擦角硬度hd、可钻性级值kd、研磨性gd。将提取的以上17个地层特征参数共同作为钻头选型指标数据，并将其中的文字性信息利用数字进行编码，如表2所示。
[0026]
表2：文字性信息编码表
[0027][0028]
s4，对以上17个地层特征参数组成的钻头选型指标数据进行主成分分析，提取出累计贡献率达预设比例并能表征所述钻头选型指标数据的前n项相互独立的主成分作为钻头选型综合指标。
[0029]
本实施例中提取出了累计贡献率占85.85％的前7项相互独立的主成分作为钻头选型综合指标。其中，第一项主成分可以表征硬度、单轴抗压强度、研磨性、可钻性级值、声波时差、内聚力；第二项主成分可以表征钻井液密度、地质分层、岩性和钻井液类型；第三项主成分可以表征浅电阻率；第四项主成分可以表征内摩擦角；第五项主成分可以表征深电阻率和自然伽马；第六项主成分可以表征扩径率和自然电位；第七项主成分可以表征钻速，具体如表3所示。
[0030]
表3：主成分分析结果表
井名 b井 b井 b井 b井 b井 b井 b井 b井 b井 b井 c井 c井 c井 钻头代号 3 3 2 3 3 3 3 3 3 3 3 3 3 回判数值 3 3 2 3 3 3 3 3 3 3 3 3 3 结果 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 no. 27 28 29 30 31 32 33 34 35 36 37 38 39 井名 c井 c井 c井 c井 c井 c井 c井 c井 d井 d井 d井 d井 d井 钻头代号 3 3 3 3 3 3 3 3 3 2 2 1 2 回判数值 3 3 3 3 3 3 3 3 3 2 2 1 2 结果 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 no. 40 41 42 43 44 45 46 47 48 49 50 51 52 井名 d井 d井 e井 e井 e井 e井 e井 e井 e井 e井 e井 e井 e井 钻头代号 3 3 5 5 1 3 3 3 3 3 3 3 3 回判数值 3 3 5 5 1 3 3 3 3 3 3 3 3 结果 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 正确 [0039] s9，向训练好的钻头选型神经网络模型中输入待预测钻头类型井的相关地层特征参数，通过融合分析多源数据结合神经网络方法能获取该井全井段预测钻头类型，如图3所示。
[0040]
本技术使用多源数据作为钻头选型指标，从多维度分析地层特性，能有效提高优选钻头与地层的配伍性，获取合理的全井段优选钻头类型。
[0041]
以上所述的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。