一种基于物理约束的井筒压力智能控制方法及装置

1.本文涉及油气井钻井技术领域，尤其涉及一种基于物理约束的井筒压力智能控制方法及装置。


背景技术：

2.随着油气勘探开发的不断深入，油气勘探开发的重点向深层、超深层发展。但深部地层往往具有温度高、地层压力大、安全钻井液密度窗口窄的特点，若钻井工艺措施不当极易发生溢流、气侵等复杂井下情况，因此准确控制井筒压力并使其略高于地层压力是实现在深部高温高压地层中安全钻进的关键技术。
3.传统的井筒压力控制是基于pid控制器等算法实现的，该种井筒压力控制方法在复杂地层条件下存在控制精度低、稳定性差、可靠性低的问题，且由于其控制参数相对固定，无法自适应调整导致其鲁棒性不强，易产生超调现象，进而导致井漏风险大大增加。
4.近年来，人工智能技术在油气勘探开发领域的优势逐渐凸显，已广泛应用于工况诊断，参数优化等方面，并取得了良好的效果。但由于缺乏机理模型和传统经验知识的约束，导致其在稳定性和可靠性方面仍有欠缺。


技术实现要素：

5.本文用于解决现有人工智能应用于井筒压力控制时，未分析控压钻井数据中与节流阀开度相关的约束参数，也未建立约束条件，因此存在井筒压力控制稳定性和可靠性差的问题。
6.为了解决上述技术问题，本文的第一方面提供一种基于物理约束的井筒压力智能控制方法，包括：
7.获取在钻井的控压钻井数据；
8.根据所述在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量，其中，所述输入参数包括节流阀开度的约束参数及非约束参数，所述非约束参数至少包括目标井底压力及计算井底压力，所述节流阀开度调节模型利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练得到，所述约束条件由约束参数与节流阀开度的关联关系建立；
9.执行如下预测过程：将所述输入向量输入至节流阀开度调节模型中，得到预测节流阀开度；将所述预测节流阀开度输入至及井底压力计算模型中，得到预测计算井底压力；
10.判断所述预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新所述输入向量，继续执行所述预测过程，若是，则按照所述预测节流阀开度调节节流阀。
11.作为本文的进一步实施例中，所述节流阀开度调节模型的输入参数的确定过程包括：
12.获取所述完钻参考井的历史控压钻井数据及节流阀开度；
13.对历史控压钻井数据及节流阀开度进行异常值及缺失值处理；
14.根据处理后控压钻井数据及节流阀开度，计算控压钻井数据中各参数与节流阀开度之间的相关性；
15.筛选出相关性大于预定值的参数；
16.分析筛选出参数与节流阀开度的变化规律；
17.将变化规律为与井底压力跟随变化的参数作为约束参数，将变化规律为非跟随变化的参数作为非约束参数。
18.作为本文的进一步实施例中，所述节流阀开度调节模型训练过程包括：
19.根据所述完钻参考井的历史控压钻井数据，构建多组样本数据，每组样本数据包括输入参数值及对应调控后节流阀开度真实值；
20.将所述节流阀开度的约束参数及非约束参数作为输入，将调控后节流阀开度作为输出，建立神经网络模型；
21.根据样本数据及所述神经网络模型，构建误差损失函数；
22.根据节流阀开度的约束参数与节流阀开度的关联关系，建立约束条件；
23.根据所述误差损失函数及约束条件，求解所述神经网络模型中的参数。
24.作为本文的进一步实施例中，根据节流阀开度的约束参数与节流阀开度的关联关系建立约束条件包括：
25.基于井筒环空多相流动机理和/或节流阀开度的约束参数与节流阀开度的变化规律，确定各节流阀开度的约束参数与节流阀开度的关联关系；
26.利用所述神经网络模型的节流阀开度表达式，将各节流阀开度的约束参数与节流阀开度的关联关系转换为不等式约束条件。
27.作为本文的进一步实施例中，所述节流阀开度的约束参数包括：井底压力误差、钻井液流量及钻井液密度；
28.所述节流阀开度的非约束参数还包括：垂深及钻井液黏度。
29.作为本文的进一步实施例中，利用所述神经网络模型的节流阀开度的数学表达式，将各节流阀开度的约束参数与节流阀开度的关联关系转换为不等式约束条件包括：
30.利用如下公式建立不等式约束条件：
[0031][0032][0033][0034][0035]
其中，ai、bi、ci、di为各样本数据下的约束条件，u＝f(w1,...,wj,...,wm,b1,...,bj,...,bm)为神经网络模型输出的节流阀开度表达式，ρ为钻井液密度，m为神经网络模型的层数，w1,...,wj,...,wm为各神经网络模型中各层的权重，b1,...,bj,...,bm为各神经网络模型中各层的偏置，q为钻井液流量，e为井底压力误差。
[0036]
作为本文的进一步实施例中，根据所述误差损失函数及约束条件，求解所述神经网络模型中的参数包括：
[0037]
将误差损失函数及约束条件组成的方程组转换为无约束方程；
[0038]
利用智能优化算法，求解无约束方程以确定所述神经网络模型中的参数。
[0039]
本文的第二方面提供一种基于物理约束的井筒压力智能控制装置，包括：
[0040]
获取单元，用于获取在钻井的控压钻井数据；
[0041]
处理单元，用于根据所述在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量，其中，所述输入参数包括节流阀开度的约束参数及非约束参数，所述非约束参数至少包括目标井底压力及计算井底压力，所述节流阀开度调节模型利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练得到，所述约束条件由约束参数与节流阀开度的关联关系建立；
[0042]
预测单元，用于执行如下预测过程：将所述输入向量输入至节流阀开度调节模型中，得到预测节流阀开度；将所述预测节流阀开度输入至及井底压力计算模型中，得到预测计算井底压力；
[0043]
执行单元，用于判断所述预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新所述输入向量，由所述预测单元继续执行所述预测过程，若是，则按照所述预测节流阀开度调节节流阀。
[0044]
本文的第三方面提供一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行根据前述任一实施例所述方法的指令。
[0045]
本文的第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行根据前述任一实施例所述方法的指令。
[0046]
本文提供的基于物理约束的井筒压力智能控制方法及装置，通过对完钻参考井的历史控压钻井数据进行分析，确定出与节流阀开度相关的输入参数，能够降低输入数据的维度，减少不相关数据的输入，提高节流阀开度调节模型的训练效率。通过将输入参数划分为节流阀开度的约束参数及非约束参数，利用约束参数构建约束条件，利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练节流阀开度调节模型，使得节流阀开度调节模型具有一定的可解释性，有效提节流阀开度调节模型的稳定性和泛化能力。将节流阀开度调节模型应用于在钻井的井筒压力测试中，根据在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量；执行节流阀开度预测及井底压力预测过程；判断预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新输入向量，返回执行预测过程，若是，则利用预测节流阀开度调节节流阀，能够利用完钻参考井建立的节流阀开度调节模型准确预测得到节流阀开度，进而实现复杂地层条件下井筒压力的高效精准控制，对减少钻井风险，实现安全钻进具有重要指导意义。
[0047]
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0048]
为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有
技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，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，还可以根据这些附图获得其他的附图。
[0049]
图1示出了本文实施例基于物理约束的井筒压力智能控制系统的结构图；
[0050]
图2示出了本文实施例节流阀开度调节模型的确定方法的流程图；
[0051]
图3示出了本文实施例神经网络模型的结构图；
[0052]
图4示出了本文实施例神经网络模型参数求解过程的流程图；
[0053]
图5示出了本文实施例节流阀开度调节模型的输入参数的确定过程流程图；
[0054]
图6示出了本文实施例基于物理约束的井筒压力智能控制方法的流程图；
[0055]
图7示出了本文实施例基于物理约束的井筒压力智能控制装置的流程图；
[0056]
图8示出了本文实施例计算机设备的结构图。
[0057]
附图符号说明：
[0058]
100、第一计算设备；
[0059]
110、客户端；
[0060]
120、数据库；
[0061]
130、第二计算设备；
[0062]
310、输入层；
[0063]
320、第一隐藏层；
[0064]
330、第二隐藏层；
[0065]
340、输出层；
[0066]
710、获取单元；
[0067]
720、处理单元；
[0068]
730、预测单元；
[0069]
740、执行单元；
[0070]
802、计算机设备；
[0071]
804、处理器；
[0072]
806、存储器；
[0073]
808、驱动机构；
[0074]
810、输入/输出模块；
[0075]
812、输入设备；
[0076]
814、输出设备；
[0077]
816、呈现设备；
[0078]
818、图形用户接口；
[0079]
820、网络接口；
[0080]
822、通信链路；
[0081]
824、通信总线。
具体实施方式
[0082]
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地
描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
[0083]
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0084]
本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
[0085]
需要说明的是，本文所涉及的控压钻井数据，均为经用户授权或者经过各方充分授权的信息和数据。
[0086]
本文一实施例中，提供一种基于物理约束的井筒压力智能控制系统，如图1所示，基于物理约束的井筒压力智能控制系统包括：第一计算设备100、客户端110、数据库120及第二计算设备130。
[0087]
第一计算设备100用于对完钻参考井的历史控压钻井数据进行分析，确定出与节流阀开度相关的输入参数，其中，输入参数包括节流阀开度的约束参数及非约束参数，非约束参数至少包括目标井底压力及计算井底压力；根据完钻参考井的历史控压钻井数据，构建多组样本数据，每组样本数据包括输入参数值及对应调控后节流阀开度真实值；将节流阀开度的约束参数及非约束参数作为输入，将调控后节流阀开度作为输出，建立神经网络模型；利用网格搜索算法或随机搜索算法调整神经网络模型的结构；根据样本数据及神经网络模型构建误差损失函数；根据节流阀开度的约束参数与节流阀开度的关联关系建立约束条件；根据误差损失函数及约束条件，求解神经网络模型中的参数，具有固定参数值的神经网络模型即节流阀开度调节模型。
[0088]
其中，节流阀开度的约束参数指的是与节流阀开度存在一定响应规律的参数，例如包括井底压力误差(目标井底压力-计算井底压力)、钻井液流量及钻井液密度。节流阀开度的非约束参数指的是与节流阀开度存在相关性，但与节流阀开度之间的关联关系无规律性，例如包括目标井底压力、计算井底压力、垂深及钻井液黏度。
[0089]
约束参数与节流阀开度的关联关系为跟随关系，其中，跟随关系包括正比关系及反比关系。正比关系指的是约束参数增大，节流阀开度也随之增大，约束参数减小，节流阀开度也随之减小。反比关系指的是约束参数减小，节流阀开度反而增大，约束参数增大，节流阀开度反而减小。具体实施时，约束参数与节流阀开度的关联关系可由节流阀开度表达式对约束参数求偏导表示，节流阀开度表达式对约束参数求偏导大于0，说明约束参数与节流阀开度之间呈正比，节流阀开度表达式对约束参数求偏导小于0，说明约束参数与节流阀开度之间呈反比。
[0090]
客户端110用于获取在钻井的控压钻井数据，并将其发送至第二计算设备130。
[0091]
具体实施时，客户端110可以为现场专用设备或安装于智能终端中的软件程序，可由用户在客户端110中输入在钻井的控压钻井数据，或由客户端从存储控压钻井数据的数据库中自动获取在钻井控压钻井数据，本文对客户端110获取在钻井控压钻井数据的方式不做限定。
[0092]
控压钻井数据包括但不限于目标井底压力、计算井底压力、常规录井数据、随钻测量数据和钻井液性能参数等。其中，目标井底压力为地震真实压力，计算井底压力为将当前节流阀开度输入至井底压力计算模型后计算得到的井底压力，控压钻井数据可从钻井录井设备、随钻测量设备获取，具体如表1所示，表1所示控压钻井数据仅为部分数据，本文对控压钻井数据具体包括的参数不做限定。具体实施时，客户端110还可直接根据节流阀开度调度模型的输入向量获取参数并发送至第二计算设备130。
[0093]
表1
[0094][0095][0096]
数据库120中存储有节流阀开度调节模型及其参数，井底压力计算模型及其参数。
[0097]
其中，节流阀开度调节模型可采用现有神经网络模型的结构，本文对其具体网络结构不做限定。
[0098]
井底压力计算模型为环空多相流机理模型，具体参考现有技术，本文不再详述。
[0099]
第二计算设备130接收客户端110发送的在钻井的控压钻井数据；根据在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量；执行如下预测过程：从数据库120调用节流阀开度调节模型，将输入向量输入至节流阀开度调节模型中，得到预测节流阀开度；从数据库120中调用井底压力计算模型，将预测节流阀开度输入至及井底压力计算模型中，得到预测计算井底压力；判断预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新输入向量(即利用当前预测计算井底压力替换原计算井底压力，更新输入向量中与计算井底压力相关的参数，例如计算井底压力、井底压力误差)，返回执行预测过程，若是，则利用当前预测节流阀开度调节节流阀。
[0100]
具体实施时，第一计算设备100及第二计算设备130可以为同一设备，包括但不限于智能终端、平板电脑、台式计算机、服务器等。
[0101]
客户端110可以为台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备等。其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。当然，所述客户端并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软件。
[0102]
数据库120可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，数据库120还可以是至少一个位于远离前述计算设备的存储装置。
[0103]
本实施例通过对完钻参考井的历史控压钻井数据进行分析，确定出与节流阀开度相关的输入参数，能够降低输入数据的维度，减少不相关数据的输入，提高节流阀开度调节模型的训练效率。通过将输入参数划分为节流阀开度的约束参数及非约束参数，利用约束参数构建约束条件，利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练节流阀开度调节模型，使得节流阀开度调节模型具有一定的可解释性，有效提节流阀开度调节模型的稳定性和泛化能力。将节流阀开度调节模型应用于在钻井的井筒压力测试中，根据在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量；执行节流阀开度预测及井底压力预测过程；判断预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新输入向量，返回执行预测过程，若是，则利用预测节流阀开度调节节流阀，能够利用完钻参考井建立的节流阀开度调节模型准确预测得到节流阀开度，进而实现复杂地层条件下井筒压力的高效精准控制，对减少钻井风险，实现安全钻进具有重要指导意义。
[0104]
本文一实施例中，提供一种节流阀开度调节模型的确定方法，如图2所示，包括：
[0105]
步骤210，分析完钻参考井多个采样时刻的历史控压钻井数据，确定节流阀开度调节模型的输入参数。
[0106]
其中，输入参数包括节流阀开度相关的约束参数及非约束参数，非约束参数至少包括目标井底压力及计算井底压力。一具体实施方式中，节流阀开度的约束参数包括井底压力误差、钻井液流量及钻井液密度，节流阀开度的非约束参数还包括垂深及钻井液黏度。
[0107]
步骤220，根据完钻参考井的历史控压钻井数据，构建多组样本数据，每组样本数据包括输入参数值及对应调控后节流阀开度真实值。
[0108]
其中，完钻参考井为与待分析井具有相似地质条件的完钻井。历史控压钻井数据参考前述表1所示。每组样本数据中的调控后节流阀开度真实值为输入参数中计算井底压力调控至目标井底压力对应的节流阀开度，可根据历史调控确定。
[0109]
步骤230，将节流阀开度的约束参数及非约束参数作为输入，将调控后节流阀开度作为输出，建立神经网络模型。
[0110]
其中，神经网络模型可选用现有的cnn神经网络模型，其中，输入层的输入包括节流阀开度的约束参数及非约束参数，隐含层的层数可根据需求进行选择。具体实施时，可利用网格搜索算法或随机搜索算法调整神经网络模型的结构，网格搜索算法及随机搜索算法的具体实施过程可参考现有技术，此处不再详述。
[0111]
一实施方式中，如图3所示，建立的神经网络模型包括输入层310、第一隐藏层320、第二隐藏层330及输出层340，若每一层节点的激活函数可以相同，也可不同。假设每一层节点的激活函数均相同，都为f，则神经网络模型对应的是数学表达式为：
[0112]upred
＝f(w3×
f(w2×
f(w1×
x b1) b2) b3)；
[0113]
其中，u
pred
为预测的节流阀开度；f为激活函数；w1、w2、w3为各层之间的权重；b1、b2、b3为偏置。
[0114]
步骤240，根据样本数据及神经网络模型构建误差损失函数，如下式所示：
[0115][0116]
其中，mae为平均绝对误差；n为数据量；u
i,pred
为预测的第i个节流阀开度；u
i,true
为第i个真实的节流阀开度。
[0117]
步骤250，根据节流阀开度的约束参数与节流阀开度的关联关系建立约束条件。
[0118]
本步骤实施时，先基于井筒环空多相流动机理和/或节流阀开度的约束参数与节流阀开度的变化规律，确定各节流阀开度的约束参数与节流阀开度的关联关系；然后，利用神经网络模型的节流阀开度数学表达式，将各节流阀开度的约束参数与节流阀开度的关联关系转换为不等式约束条件。
[0119]
其中，井筒环空多相流动机理可参考现有技术，此处不再详述。节流阀开度的约束参数与节流阀开度的变化规律可通过拟合完钻参考井的历史节流阀开度的约束参数与节流阀开度的曲线确定变化规律。
[0120]
以约束参数包括井底压力误差、钻井液流量及钻井液密度为例，步骤250建立的约束条件包括如下公式表示的约束条件：
[0121][0122][0123][0124][0125]
其中，ai、bi、ci、di为各样本数据下的约束条件，ai表示当井底压力一定时，钻井液密度ρ增加则节流阀开度增加，bi表示井底压力一定时，钻井液流量q增加则节流阀开度增
加，ci表示井底压力误差e为负且绝对值增加则节流阀开度增加，di表示井底压力误差e为正且绝对值增加则节流阀开度减小。
[0126]
u＝f(w1,...,wj,...,wm,b1,...,bj,...,bm)为神经网络模型输出的节流阀开度表达式，m为神经网络模型的层数，w1,...,wj,...,wm为各神经网络模型中各层的权重，b1,...,bj,...,bm为各神经网络模型中各层的偏置，e为井底压力误差。
[0127]
步骤260，根据误差损失函数及约束条件，求解神经网络模型中的参数。
[0128]
具体的，如图4所示，本步骤实施过程包括：
[0129]
步骤410，将误差损失函数及约束条件组成的方程组转换为无约束方程，具体的，利用罚函数内点法，将误差损失函数及约束条件组成的方程组转换为如下公式表示的无约束方程：
[0130][0131]
其中，w,b,λ分别为神经网络模型中权重矩阵、偏置矩阵及约束项权重矩阵，n为样本数据量，u
i,pred
为预测的节流阀开度值，u
i,true
节流阀开度真实值，λ1、λ2、λ3及λ4为约束项权重矩阵中的权重，ai、bi、ci及di为第i个样本数据下的约束项，各约束项计算公式参考前述实施例。
[0132]
步骤420，利用智能优化算法，求解无约束方程以确定所述神经网络模型中的参数，其中，神经网络模型中的参数包括权重和偏置，即w,b。实施时，可选用遗传算法等智能优化算法确定神经网络模型中的参数。
[0133]
本实施例将有约束问题转换为无约束问题，能够降低求解的复杂性，提高求解效率。
[0134]
本文一实施例中，如图5所示，上述步骤210分析完钻参考井多个采样时刻的历史控压钻井数据，确定节流阀开度调节模型的输入参数包括：
[0135]
步骤510，获取完钻参考井的历史控压钻井数据及节流阀开度。
[0136]
其中，每一时刻的控压钻井数据均对应一个节流阀开度，即该时刻的节流阀开度。
[0137]
步骤520，对历史控压钻井数据及节流阀开度进行异常值及缺失值处理。
[0138]
其中，异常值处理例如为分析控压钻井数据中的每一参数是否存在异常值，若存在，则将相应值删除或将其限定在预定范围内。缺失值处理例如对缺失的参数值进行填充处理。
[0139]
步骤530，根据处理后控压钻井数据及节流阀开度，计算控压钻井数据中各参数与节流阀开度之间的相关性。
[0140]
实施时，可利用如下公式所示pearson相关系数计算控压钻井数据中各参数与节流阀开度之间的相关性：
[0141][0142]
其中，ρ
xy
为pearson相关系数；cov(x,y)为各参数与输出之间的协方差；d(x)、d(y)分别为节流阀开度调节模型的输入参数及输出的方差。
[0143]
步骤540，筛选出相关性大于预定值的参数。
[0144]
其中，预定值可根据实际情况进行选定，例如为0.5，本文对其具体取值不做限定。
[0145]
步骤550，分析筛选出参数与节流阀开度的变化规律。
[0146]
实施时，可另筛选出参数为横坐标，节流阀开度为纵坐标，绘制曲线，进而确定筛选出参数与节流阀开度间的变化规律。
[0147]
步骤560，将变化规律为与井底压力跟随变化的参数作为约束参数，将变化规律为非跟随变化的参数作为非约束参数。
[0148]
在节流阀开度调节模型训练阶段及应用阶段，其输入参数均为标准化及归一化后的数据，具体实施时，可按照如下标准化公式及归一化公式实现：
[0149]
标准化公式：
[0150][0151]
归一化公式：
[0152][0153]
式中，x
standardization
为标准化后的特征；xi为原始特征；μ为原始特征的均值；σ为原始特征的标准差；x
normalization
为归一化后的特征；x
min
为原始特征的最小值；x
max
为原始特征的最大值。
[0154]
本实施例能够降输入参数的维度，减少无用不相关数据的输入，提高节流阀开度调节模型的训练效率，首先进行相关性分析优选输入参数。为减少量纲单位和数量级对训练效果的影响，利用标准化或归一化对参数进行无量纲化处理。
[0155]
在建立节流阀开度调节模型的基础上，可用于基于物理约束的井筒压力智能控制，本文一实施例中，还提供一种基于物理约束的井筒压力智能控制方法，如图6所示，包括：
[0156]
步骤610，获取在钻井的控压钻井数据。
[0157]
其中，在钻井为与完钻参考井距离在一定范围内的在挖井，或与完钻参考井具有相似地质条件的在挖井。
[0158]
步骤620，根据在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量。
[0159]
其中，输入向量的排布顺序与节流阀开度调节模型训练时输入参数顺序相同。
[0160]
步骤630，执行如下预测过程：将输入向量输入至节流阀开度调节模型中，得到预测节流阀开度；将预测节流阀开度输入至及井底压力计算模型中，得到预测计算井底压力。
[0161]
步骤640，判断预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则执行步骤650，若是，则执行步骤660。
[0162]
步骤650，更新输入向量，返回执行所述预测过程。
[0163]
步骤660，利用最后得到的预测节流阀开度调节节流阀。
[0164]
其中，预设范围可根据控制精度进行确定，本文对其具体取值不做限定。
[0165]
以输入参数包括井底压力误差、计算井底压力、目标井底压力、钻井液流量、钻井液密度、垂深及钻井液黏度为例，更新输入向量即根据预测计算井底压力及目标井底压力
重新计算井底压力误差，并用重新计算得到的井底压力误差替换原井底压力误差，利用预测计算井底压力替换原井底压力误差。
[0166]
本实施例将控压钻井数据、控压钻井经验知识(转换为约束条件)以及人工智能算法相结合，可实现井筒压力的自适应精准调控，从而避免钻井风险的发生，减少非生产时间并降低钻井成本。
[0167]
基于同一发明构思，本文还提供一种基于物理约束的井筒压力智能控制装置，如下面的实施例所述。由于基于物理约束的井筒压力智能控制装置解决问题的原理与基于物理约束的井筒压力智能控制方法相似，因此，基于物理约束的井筒压力智能控制装置的实施可以参见基于物理约束的井筒压力智能控制方法，重复之处不再赘述。具体的，如图7所示，基于物理约束的井筒压力智能控制装置包括：
[0168]
获取单元710，用于获取在钻井的控压钻井数据；
[0169]
处理单元720，用于根据所述在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量，其中，所述输入参数包括节流阀开度的约束参数及非约束参数，所述非约束参数至少包括目标井底压力及计算井底压力，所述节流阀开度调节模型利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练得到，所述约束条件由约束参数与节流阀开度的关联关系建立；
[0170]
预测单元730，用于执行如下预测过程：将所述输入向量输入至节流阀开度调节模型中，得到预测节流阀开度；将预测节流阀开度输入至及井底压力计算模型中，得到预测计算井底压力；
[0171]
执行单元740，用于判断预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新所述输入向量，返回执行所述预测过程，若是，则按照最后得到的预测节流阀开度调节节流阀。
[0172]
本实施例通过对完钻参考井的历史控压钻井数据进行分析，确定出与节流阀开度相关的输入参数，能够降低输入数据的维度，减少不相关数据的输入，提高节流阀开度调节模型的训练效率。通过将输入参数划分为节流阀开度的约束参数及非约束参数，利用约束参数构建约束条件，利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练节流阀开度调节模型，使得节流阀开度调节模型具有一定的可解释性，有效提节流阀开度调节模型的稳定性和泛化能力。将节流阀开度调节模型应用于在钻井的井筒压力测试中，根据在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量；执行节流阀开度预测及井底压力预测过程；判断预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新输入向量，返回执行预测过程，若是，则利用预测节流阀开度调节节流阀，能够利用完钻参考井建立的节流阀开度调节模型准确预测得到节流阀开度，进而实现复杂地层条件下井筒压力的高效精准控制，对减少钻井风险，实现安全钻进具有重要指导意义。
[0173]
本文一实施例中，还提供一种计算机设备，如图8所示，计算机设备802可以包括一个或多个处理器804，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806，其用于存储前述任一实施例所述方法的代码及相关设置、数据等之类的信息。非限制性的，比如，存储器806可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性
或非易失性保留。进一步地，任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下，当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
[0174]
计算机设备802还可以包括输入/输出模块810(i/o)，其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814))。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口818(gui)。在其他实施例中，还可以不包括输入/输出模块810(i/o)、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
[0175]
通信链路822可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0176]
对应于图2、图5-图6中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0177]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图2、图5-图6所示的方法。
[0178]
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
[0179]
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0180]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
[0181]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0182]
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0183]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
[0184]
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0185]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0186]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。