用于預測鉆柱卡鉆事件的方法和系統技術方案

預測鉆柱卡鉆事件。至少一些說明性實施例是方法，包括：從鉆井作業接收多個鉆井參數；將多個鉆井參數應用到包括并行操作的至少三個機器學習算法的集合預測模型，每個機器學習算法基于多個鉆井參數中的至少一個預測未來卡鉆事件的發生概率，集合預測模型基于每個機器學習算法的未來卡鉆事件的發生概率建立組合概率；將未來卡鉆事件的可能性的指示提供給鉆井操作者，該指示基于該組合概率。

【技術實現步驟摘要】
【國外來華專利技術】用于預測鉆柱卡鉆事件的方法和系統相關申請的交叉引用本申請要求2011年11月2日提交的、名稱為“System and method forpredicting a drill string stuck pipe event (用于預測鉆柱卡鉆事件的方法和系統)”的第61/554，531號美國臨時申請的權益，該臨時申請通過引用合并于此，視為在下文中全文重述。
技術介紹
在鉆設井眼用于提取油氣時，有時用于建立井眼的鉆柱(例如，鉆頭，鉆鋌和鉆柱)在鉆井作業過程中可能被卡在井眼中，耗費鉆井公司的金錢和時間。成本會與移開鉆柱的時間相關，如果鉆柱折斷，則成本會與“打撈(fishing) ”操作相關，或者如果無法移開和/或取回鉆柱，則成本還會與丟失的設備相關。現有的軟件工具可以預測卡住設備的可能性；然而，現有的軟件在很大程度上基于人工預測并且不可靠。因此，能夠更可靠地預測卡住設備的可能性的方法將在市場上提供競爭優勢。【附圖說明】現在參照附圖詳細描述示例性實施例，在附圖中:圖1示出根據至少一些實施例的鉆井作業；圖2示出根據至少一些實施例的預測未來卡鉆事件的可能性的系統的框圖；圖3示出根據至少一些實施例的神經網絡的圖形表示；圖4示出根據至少一些實施例的決策樹的簡化示意圖；圖5示出根據至少一些實施例的支持向量機的高層級(high level)圖；圖6示出根據至少一些實施例的卡鉆事件預測軟件的操作的邏輯流圖的框圖；圖7示出根據至少一些實施例的描繪卡鉆事件的概率的用戶界面；圖8示出根據至少一些實施例的方法；圖9示出根據至少一些實施例的方法；以及圖10示出根據至少一些實施例的計算機系統。符號和術語在整個下面的說明書和權利要求書中使用一些術語指代特定的系統組件。如本領域技術人員將會理解的，不同的公司可用不同的名稱指代一個組件。本文并不打算區分名稱不同但功能相同的組件。在下面的討論和權利要求中，以開放的方式使用術語“包含(including) ”和“包括(comprising)”，并且因此應將其解釋為意指“包括，但不限于...”。此外，術語“耦接(couple)”或“耦接(couples)”意指間接或直接連接。因此，如果第一裝置耦接到第二裝置，則該連接可以是通過直接連接或者通過經由其它裝置和連接的間接連接。“實時”是指被指示為“實時”的事件需要在5分鐘或更短的時間內發生。“馬爾可夫模型”是指由有限數量的狀態限定的計算機模型，其中從當前狀態到下一狀態的轉換基于前一個狀態、當前狀態和另外的參數(例如，未來卡鉆事件的發生概率)“伽瑪”或“ Y射線”是指由特定的原子核釋放和/或建立的能量，并且無論這樣的能量被視為粒子(即伽瑪粒子)或波(即伽瑪射線或波)均應包括這種能量。“遠程”是指一公里或更遠。“鉆井參數”是指指示與鉆井作業相關的過程參數的狀態的數據。“機器學習算法”是指一種類型的機器學習算法，其需要經驗數據作為輸入以便識別模式，并基于所輸入的數據進行智能預測決策。“關系數據庫”是指被組織為可訪問數據的一組表的數據項的集合。【具體實施方式】下面的討論針對本專利技術的各種實施例。盡管這些實施例的一個或多個可能是優選的，但是所公開的實施例不應被解釋為或以其它方式用作限制本公開(包括權利要求書)的范圍。此外，本領域技術人員將理解，下面的描述具有廣泛的應用，并且任何實施例的討論僅僅意圖是以實施例為示例，并且無意暗示本公開(包括權利要求書)的范圍限于該實施例。各種實施例涉及預測在鉆井作業中在井眼中鉆柱卡住(即卡鉆事件)的發生概率的方法和系統，事先預測卡鉆事件使得可以采取預防措施。通過使用機器學習算法的集合作為預測模型(即集合預測模型(ensemble prediction model)),示例性實施例至少部分地解決了問題。集合預測模型預測未來卡鉆事件的發生概率并且為用戶(諸如鉆井作業中的鉆井者)提供概率。本說明書首先轉向鉆井作業的概述以引導讀者。圖1示出根據示例性系統的鉆井作業。具體地，圖1示出鉆井平臺100，其配備有支撐絞車104的井架102。在示例性情況中，通過由“工具”接頭(joints)將一系列鉆柱連接在一起以形成鉆柱106來實施鉆井。絞車104懸吊頂驅108，頂驅108用于旋轉鉆柱106，并通過井口 110降下鉆柱。連接到鉆柱106的下端的是鉆頭112。通過鉆頭112的旋轉來實現鉆井。鉆頭112的旋轉可以是借助于頂驅108來旋轉鉆柱106，或通過使用靠近鉆頭112的井下“泥漿(mud) ”電動機轉動鉆頭112，或者同時通過這兩種方法。鉆井液由泥漿泵114泵送，通過流動管線116、立管118、鵝頸120、頂驅108，并且以高壓和大容積向下穿過鉆柱106以穿過鉆頭112的噴嘴或噴射口排出。然后，鉆井液經由形成在鉆柱106和井眼壁124之間的環形空間122，向回行進到井眼上方，穿過防噴器(未具體示出)并進入地表上的泥漿池126。在地表上，鉆井液被清洗，然后通過泥漿泵114再次循環。鉆井液用于冷卻鉆頭112，將鉆屑從井眼的底部攜帶到地表，并且以平衡地層中的靜水壓力。根據示例性系統，鉆柱106可以包括隨鉆測井(“LWD”)工具128和隨鉆測量(“MWD”)工具130。在工業中，LWD和MWD的區別有時是模糊的，但對于本說明書和權利要求書而言，LWD工具測量周圍地層的性質(例如，孔隙度、滲透率、天然伽馬輻射)，而MWD工具測量與鉆眼相關聯的性質(例如，傾角、方向、鉆壓、鉆頭每分鐘轉速(“RPM”))。工具128和130可以耦接到用于將數據傳輸到地表的遙感模塊132。在一些實施例中，遙感模塊132將數據電磁地發送到地表。在其它一些情況下，遙感模塊132借助于嵌入構成鉆柱106的鉆桿中的電導體或光導體將數據發送到地表。在另一些其它情況下，遙感模塊132調制鉆井液在鉆柱內的流動阻力以產生壓力脈沖，該壓力脈沖以鉆井液的聲速傳播到地表。仍然參照圖1，在用傳播到地表的壓力脈沖對數據編碼的示意性情況中，一個或多個傳感器(例如傳感器134)將壓力信號轉換成電信號。電信號被耦接(例如，被數字-模擬轉換器數字化之后)到靠近鉆井現場的計算機系統136或一些其它形式的數據處理裝置。計算機系統136根據軟件來操作(其可以存儲在計算機可讀存儲介質上)以處理和解碼所接收的信號。從井下裝置發送到地表的數據可以用于預測卡鉆事件，如下文更詳細討論的。示例性計算機系統136還可以耦接各種基于地表的設備以在一些情況下控制各種基于地表的設備。示例性通信耦接用虛線示于圖1中以免使附圖過于復雜。例如，計算機系統136可通信地耦接到泥漿泵114。因此，計算機系統136能夠讀取與泥漿泵相關聯的各種參數，諸如泥漿泵運行速度和出口壓力。此外，計算機系統136可通信地耦接到用于控制絞車104的絞盤系統140。通過通信耦接，計算機系統136能夠讀取與絞車相關聯的各種參數，諸如鉤載荷(其可以指示鉆壓)。此外，計算機系統可通信地耦接到與頂驅108相關聯的傳感器。通過通信耦接到與頂驅108相關聯的傳感器，計算機系統136能夠讀取各種參數，諸如鉆柱106的RPM(在地表處)和由頂驅108施加給鉆柱的轉矩。為了不使附圖過于復雜，省略計算機系統136和各種鉆井系統組件之間額外的通信耦接。然而，可以由計算機系本文檔來自技高網...

【技術保護點】
一種方法，包括：在計算機系統處接收來自鉆井作業的多個鉆井參數；由所述計算機系統將所述多個鉆井參數應用到集合預測模型，所述集合預測模型包括至少三個并行操作的機器學習算法，每個機器學習算法基于所述多個鉆井參數中的至少一個來預測未來卡鉆事件的發生概率，所述集合預測模型基于每個機器學習算法的所述未來卡鉆事件的發生概率建立組合概率；以及將未來卡鉆事件的可能性的指示提供給鉆井操作者，所述指示基于所述組合概率。

【技術特征摘要】
【國外來華專利技術】2011.11.02 US 61/554,5311.一種方法，包括: 在計算機系統處接收來自鉆井作業的多個鉆井參數； 由所述計算機系統將所述多個鉆井參數應用到集合預測模型，所述集合預測模型包括至少三個并行操作的機器學習算法，每個機器學習算法基于所述多個鉆井參數中的至少一個來預測未來卡鉆事件的發生概率，所述集合預測模型基于每個機器學習算法的所述未來卡鉆事件的發生概率建立組合概率；以及 將未來卡鉆事件的可能性的指示提供給鉆井操作者，所述指示基于所述組合概率。2.根據權利要求1所述的方法，還包括: 基于未來卡鉆事件的可能性的所述指示改變鉆井控制。3.根據權利要求1所述的方法，其中將所述多個鉆井參數應用到所述集合預測模型還包括: 將所述多個鉆井參數中的至少一部分應用到第一機器學習算法，所述第一機器學習算法預測未來卡鉆事件發生的第一概率； 將所述多個鉆井參數中的至少一部分應用到與所述第一機器學習算法不同的第二機器學習算法，所述第二機器學習算法預測未來卡鉆事件發生的第二概率； 將所述多個鉆井參數中的至少一部分應用到與所述第一機器學習算法和所述第二機器學習算法不同的第三機器學習算法，所述第三機器學習算法預測未來卡鉆事件發生的第三概率； 由所述計算機系統組合所述第一概率、所述第二概率和所述第三概率，所述組合所述第一概率、所述第二概率和所述第三概率來建立組合概率。4.根據權利要求3所述的方法，其中所述組合所述第一概率、所述第二概率和所述第三概率還包括: 分配加權系數給所述第一概率、所述第二概率和所述第三概率中的每個；以及 基于所述加權系數和相應的所述第一概率、所述第二概率和所述第三概率建立組合概率。5.根據權利要求4所述的方法，其中分配加權系數還包括: 基于選自以下群組中的至少一個來分配加權系數:在應用到機器學習算法的鉆井參數中缺少的數據；以及用于所述鉆井作業的特定狀態的機器學習算法的精度。6.根據權利要求1所述的方法: 其中，在提供所述組合概率的指示之前，所述方法還包括: 將所述組合概率應用到馬爾可夫模型，所述馬爾可夫模型估計假的指示，并且所述馬爾可夫模型建立經修改的組合概率，以及 其中，提供所述組合概率的指示還包括基于所述經修改的組合概率提供所述指示。7.根據權利要求1所述的方法，其中應用還包括: 讀取所述多個鉆井參數的歷史數據，所述歷史數據跨越預定的時間段； 將所述歷史數據作為當前時間之前收集的數據提交到所述集合預測模型；以及 將所述歷史數據作為所述當前時間之后收集的數據提交。8.根據權利要求1所述的方法，其中接收來自鉆井作業的多個鉆井參數還包括在鉆井作業時實時地接收。9.根據權利要求1所述的方法，其中，在接收來自鉆井作業的多個鉆井參數、應用所述多個鉆井參數以及提供未來卡鉆事件的可能性的指示之前，所述方法還包括: 通過來自先前鉆井作業的、與至少一個實際卡鉆事件相關的多個歷史數據集合訓練所述集合預測模型。10.根據權利要求1的方法，其中從鉆井作業接收多個鉆井參數還包括: 接收選自以下群組中的至少一個:指示鉆壓的值；指示鉤載荷的值；指示滲透率的值；指示鉆桿的轉速的值；指示施加到鉆桿的轉矩的值；指示鉆井液泵壓力的值；指示發生自然伽馬的值；指示鉆柱的傾斜度的值；指示鉆柱的長度的值；隨鉆測量數據；隨鉆測井數據；以及指不鉆井液流率的值。11.根據權利要求1所述的方法，其中將所述多個鉆井參數應用到集合預測模型還包括: 將所述多個鉆孔參數中的至少一部分應用到神經網絡，所述神經網絡預測未來卡鉆事件發生的第一概率； 將所述多個鉆孔參數中的至少一部分應用到支持向量機，所述支持向量機預測未來卡鉆事件發生的第二概率； 將所述多個鉆孔參 數中的至少一部分應用到決策樹，所述決策樹預測未來卡鉆事件發生的第三概率； 將所述多個鉆孔參數中的至少一部分應用到貝葉斯方法，所述貝葉斯方法預測未來卡鉆事件發生的第四概率； 由所述計算機系統組合所述第一概率、所述第二概率、所述第三概率和所述第四概率，所述組合所述第一概率、所述第二概率、所述第三概率和所述第四概率建立組合概率。12.根據權利要求11所述的方法: 其中，在提供所述組合概率的指示之前，所述方法還包括: 將所述組合概率應用到馬爾可夫模型，所述馬爾可夫模型估計假的指示，并且所述馬爾可夫模型建立經修改的組合概率，以及 其中，提供所述組合概率的指示還包括基于所述經修改的組合概率提供所述指示。13.一種計算機系統，包括: 處理器； 耦接到所述處理器的存儲器； 其中所述存儲器存儲程序，當由所述處理器執行時，使所述程序: 接收來自鉆井作業的多個鉆井參數； 將所述多個鉆井參數中的至少一部分應用到第一機器學習算法，所述第一機器學習算法預測未來卡鉆事件發生的第一概率； 將所述多個鉆井參數中的至少一部分應用到與所述第一機器學習算法不同的第二機器學習算法，所述第二機器學習算法預測未來卡鉆事件發生的第二概率； 將所述多個鉆井參數中的至少一部分應用到與所述第一機器學習算法和所述第二機器學習算法不同的第三機器學習算法，所述第三機器學習算法預測未來卡鉆事件發生的第三概率； 由所述計算機系統組合所述第一概率、所述第二概率和所述第三概率，所述組合所述第一概率、所述第二概率和所述第三概率建立組合概率；以及 將未來卡鉆事件的可能性的指示提供給鉆井操作者，所述指示基于所述組合概率。14.根據權利要求13所述的計算機系統，其中，當所述處理器進行組合時，所述程序還使所述處理器: 分配加權系數給所述第一概率、所述第二概率和所述第三概率；以及 基于所述加權系數和相應的所述第一概率、所述第二概率和所...

【專利技術屬性】
技術研發人員：T·戈貝爾，R·V·莫利納，R·比拉爾塔，K·D·古卜達，
申請(專利權)人：蘭德馬克繪圖國際公司，
類型：發明
國別省市：美國;US