一种钻井工具寿命大数据预测及分析方法与流程

1.本发明涉及石油、天然气完井技术领域，更具体地说涉及一种钻井工具寿命大数据预测及分析方法。


背景技术：

2.大数据具有规模性、高速性、多样性、而且无处不在的全新特点，具体地说，是指需要通过快速获取、处理、分析和提取有价值的、海量、多样化的交易数据、交互数据为基础，针对企业的运作模式提出有针对性的方案。通过对钻井工具运行过程中性能数据采集、分析，利用计算机软件系统检测、分析设备数据，最终确定设备运行状态模型，为设备采购、使用、维修、轮换做定量分析，通过连续性数据分析，合理确定设备使用寿命，科学合理地组织生产，指导企业更加科学、有效的作出判断，避免资源浪费。
3.预测技术的研究是进行科学研究的重要方面，它可以根据预测结果作出科学有效地决策。人工智能技术的发展带动了预测技术的研究，而数据驱动下的建模智能预测法更是引起了人们的广泛关注。作为预测技术的具体应用，寿命预测已经成为机电设备研究的热点，它根据被监测设备的数据构建寿命模型，并通过模型结果判断设备的状态以及寿命。


技术实现要素：

4.本发明克服了现有技术中的不足，提供了一种钻井工具寿命大数据预测及分析方法，本发明主要通过贝叶斯推算法、马可夫过程分析法以及人工神经网络算法(ann)对钻井工具寿命进行分析和预测，确保能够按时为钻井工程建设提供优质的、满足技术要求的工具；通过对钻井工具数据的收集整理，利用高级计算机算法进行分析，对钻井工具寿命进行预测分析，在提高系统效率的同时，降低工程成本，将钻井风险降到最低，提高钻井系统的可靠性和稳定性。
5.本发明的目的通过下述技术方案予以实现。
6.一种钻井工具寿命大数据预测及分析方法，按照下述步骤进行：
7.步骤1，利用现有的钻井报告建设数据库，使用完全互连的前馈隐藏层的网络，即反向传播学习规则，基于钻井参数建立钻井工具寿命大数据预测模型；
8.其中，模型建立过程：
9.首先，输入数据样本，便于卷积操作的应用。输入的尺寸为ntw
×
nft，其中ntw表示时间序列尺寸，nft为选定特征的数量。原始特征通常是从多个传感器测量中获得，接下来，在网络中堆叠4层卷积层以进行特征提取，这4层的配置与使用的fn滤波器相同，滤波器尺寸为fl
×
1，过滤器尺寸为3
×
1，然后，二维特征图被扁平，并与一个全连接的层连接，dropout是在上一个特征图上使用的，即扁平层，以缓解过度配合，最后，在该网络的末端附加了一个神经元来进行rul估计，所有的层都使用tanh作为激活函数，xavier正常初始化器用于权重初始化，为了进一步提高预后性能，采用的反向传播(bp)算法进行微调，更新了模型的参数，将训练误差最小到最低；
10.步骤2，利用步骤1建立得到的基于钻井参数建立钻井工具寿命大数据预测模型自动追踪钻井工具关注的参数，将现有的理论模型和现有的现场经验数据进行拟合，基于可靠的实际数据进行工具寿命预测；
11.步骤3，通过人工神经网络算法(ann)，自动检测钻井工具缺陷和异常情况，提供潜在故障的早期预警，根据风险制定检测计划，避免不必要的常规周期检测维修；
12.其中，预警评估过程为选择多条数据进行归一化，使用滑动窗口生成训练、测试数据。构建深度神经网络，并确定隐藏层数、卷积滤波器数和长度，cnn以标准化训练数据为输入，并将训练样本的标记rul值作为网络的目标输出，损失函数使用rmse，优化函数采用adam，对于从一开始的前200个，快速优化的学习率是0.001，然后用0.0001的学习率进行稳定收敛，最后，将测试数据样本输入到训练后的网络中进行rul估计，并得到预后精度。
13.在步骤1中，现有的钻井报告包括日常钻井报告(ddrs)、井段完钻报告(eors)和完井报告(eowr)。
14.在步骤1中，完全互连的前馈隐藏层的网络的数量为2-3个。
15.在步骤1中，钻井参数包括：钻压、转速、洗井净度、钻进速度。
16.在步骤2中，钻井工具关注的参数包括：外径、内径、扣型、长度、壁厚、规格、型号，钻井工具关注的参数能够人工进行调整。
17.在步骤2中，现有的现场经验数据包括钻铤外径磨损允许值和钻铤允许弯曲值。
18.钻铤外径磨损允许值如下：
[0019][0020]
钻铤允许弯曲值如下：
[0021][0022]
接头类型的识别：
[0023]
在钻井过程中，正确地选配和连接钻具是一项很重要的工作，若将接头配错，就会引起钻具事故。在实际工作中如何识别不同尺寸不同扣型的接头呢？一般是先看接头本体上的标记槽。正扣接头有一道标记槽，槽宽10毫米，槽深1—1.5毫米；反扣接头有两道标记槽,第一道槽宽10毫米、槽深1—1.5毫米，第二道槽宽5毫米，槽深1—1.5毫米。在标记槽内用钢字码打有“421”.“620”等字样，以供识别接头扣型用。api钻杆接头一般无标记槽，但也打有尺寸类型代号。有经验的工人还可以观察粗扣的扣尖宽度和锥度的大小来直接识别接头的尺寸和类型。
[0024]
常用api标准接头识别方法如下：
[0025][0026]
if-内平:fh-贯眼：reg-正规
[0027]
本发明的有益效果为：该方法能够提前预测钻井工具寿命，减少钻井过程中出现的工具故障，进而提高工作效率，实现产能高效；利用大数据进行信息预测，获得不同情况下工具的大致寿命，进而对进货与物资管理进行效率上的提升。
附图说明
[0028]
图1是钻井工具灰度特征值；
[0029]
图2是原数据的acf图与pacf图；
[0030]
图3是残差自相关图；
[0031]
图4是样本原数据与预测结果；
[0032]
对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据以上附图获得其他的相关附图。
具体实施方式
[0033]
下面通过具体的实施例对本发明的技术方案作进一步的说明。
[0034]
一种钻井工具寿命大数据预测及分析方法，按照下述步骤进行：
[0035]
步骤1，利用现有的钻井报告建设数据库，现有的钻井报告包括日常钻井报告(ddrs)、井段完钻报告(eors)和完井报告(eowr)，使用完全互连的前馈隐藏层的网络，完全互连的前馈隐藏层的网络的数量为2-3个，即反向传播学习规则，基于钻井参数建立钻井工具寿命大数据预测模型，钻井参数包括：钻压、转速、洗井净度、钻进速度；
[0036]
其中，模型建立过程：
[0037]
首先，输入数据样本，便于卷积操作的应用。输入的尺寸为ntw
×
nft，其中ntw表示时间序列尺寸，nft为选定特征的数量。原始特征通常是从多个传感器测量中获得，接下来，
在网络中堆叠4层卷积层以进行特征提取，这4层的配置与使用的fn滤波器相同，滤波器尺寸为fl
×
1，过滤器尺寸为3
×
1，然后，二维特征图被扁平，并与一个全连接的层连接，dropout是在上一个特征图上使用的，即扁平层，以缓解过度配合，最后，在该网络的末端附加了一个神经元来进行rul估计，所有的层都使用tanh作为激活函数，xavier正常初始化器用于权重初始化，为了进一步提高预后性能，采用的反向传播(bp)算法进行微调，更新了模型的参数，将训练误差最小到最低；
[0038]
步骤2，利用步骤1建立得到的基于钻井参数建立钻井工具寿命大数据预测模型自动追踪钻井工具关注的参数，钻井工具关注的参数包括：外径、内径、扣型、长度、壁厚、规格、型号，钻井工具关注的参数能够人工进行调整，将现有的理论模型和现有的现场经验数据进行拟合，现有的现场经验数据包括钻铤外径磨损允许值和钻铤允许弯曲值，基于可靠的实际数据进行工具寿命预测；
[0039]
步骤3，通过人工神经网络算法(ann)，自动检测钻井工具缺陷和异常情况，提供潜在故障的早期预警，根据风险制定检测计划，避免不必要的常规周期检测维修；
[0040]
其中，预警评估过程为选择多条数据进行归一化，使用滑动窗口生成训练、测试数据。构建深度神经网络，并确定隐藏层数、卷积滤波器数和长度，cnn以标准化训练数据为输入，并将训练样本的标记rul值作为网络的目标输出，损失函数使用rmse，优化函数采用adam，对于从一开始的前200个，快速优化的学习率是0.001，然后用0.0001的学习率进行稳定收敛，最后，将测试数据样本输入到训练后的网络中进行rul估计，并得到预后精度。
[0041]
数据挖掘方法中的自回归差分移动平均模型，首先使用了模型的预测原理，然后对它的预测过程进行了一番说明，并提出了针对预测模型评价的三个指标来描述模型的预测情况，使用预测模型进行了实例研究，通过实例计算得到模型的预测结果，并利用mape、mae和rmse对预测结果进行了评价，最后利用灰色关联分析，对预测结果做了寿命预测。
[0042]
分别对自回归差分移动平均(arima)模型、长短时记忆网络(lstm)和灰色预测模型(gm)三种预测模型做了研究，并利用油田数据做了实例分析，以及结果评价。利用两种特征值为预测变量，三类预测模型进行实例分析，为工程实际应用的选择提供了参考作用。
[0043]
对几个预测模型的预测结果做了对比分析。通过对几种预测结果误差的进行对比分析，发现以灰度特征和freeman链码特征值作为预测变量时基于lstm的预测精确度较高。
[0044]
为了易于说明，实施例中使用了诸如“上”、“下”、“左”、“右”等空间相对术语，用于说明图中示出的一个元件或特征相对于另一个元件或特征的关系。应该理解的是，除了图中示出的方位之外，空间术语意在于包括装置在使用或操作中的不同方位。例如，如果图中的装置被倒置，被叙述为位于其他元件或特征“下”的元件将定位在其他元件或特征“上”。因此，示例性术语“下”可以包含上和下方位两者。装置可以以其他方式定位(旋转90度或位于其他方位)，这里所用的空间相对说明可相应地解释。
[0045]
而且，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个与另一个具有相同名称的部件区分开来，而不一定要求或者暗示这些部件之间存在任何这种实际的关系或者顺序。
[0046]
以上对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。