【技術實現步驟摘要】
本專利技術涉及石油鉆井工程，尤其涉及一種基于機器學習的壓差卡鉆預測方法、裝置、設備及介質。
技術介紹
1、壓差卡鉆是鉆井過程中最容易發生的卡鉆類型之一。此類事故的發生會嚴重影響現場鉆井作業的正常運行，降低鉆井效率，加長鉆井周期并造成嚴重的經濟損失。壓差卡鉆的處理不當，可能會誘發坍塌卡鉆，斷鉆具甚至是埋鉆具、鉆具報廢等事故。壓差卡鉆的預測和評估可以有效地規避鉆井風險的發生，降低鉆井工程風險發生的概率和頻度，縮短建井周期。因此壓差卡鉆的精準預測對于預防和減少鉆井過程中卡鉆事故的發生具有重要意義。
2、目前關于壓差卡鉆的預測方法較少，主要是依靠經驗方法，但是其即時性不足，并且依據經驗存在很大的主觀判斷性，其預測效果還有很大提升空間。
技術實現思路
1、為解決依靠經驗預測壓差卡鉆的方法存在即時性不足和其存在主觀判斷，預測效果精度較低的技術問題，本專利技術提出了一種基于機器學習的壓差卡鉆預測方法、裝置、設備及介質。
2、第一方面，本專利技術實施例提供一種基于機器學習的壓差卡鉆預測方法，包括：
3、獲取具有壓差卡鉆問題的歷史井的歷史數據和不具有壓差卡鉆問題的歷史井的歷史數據；
4、對具有壓差卡鉆問題的歷史井的歷史數據按照對應的壓差卡鉆問題進行歸類，所述壓差卡鉆問題的分類包括壓差卡鉆段、接近壓差卡鉆段和正常段；
5、對所述不具有壓差卡鉆問題的歷史井的歷史數據和具有壓差卡鉆問題的歷史井的歷史數據，進行數據預處理；
6、基于預處
7、根據現場井的實時數據通過所述機器學習模型進行預測，得到預測的鉤載曲線；
8、根據預測的鉤載曲線的數值趨勢和當前起下鉆工況預測壓差卡鉆問題；
9、根據預測得到的壓差卡鉆問題進行預警。
10、在一些實現方式中，所述根據預測的鉤載曲線的數值趨勢和當前起下鉆工況預測壓差卡鉆問題，包括：
11、在下鉆期間，連續設定次數下放立柱的過程中預測鉤載曲線中的最大鉤載值呈增大趨勢，且連續幾次中，每次增長率大于預設增長率閾值，或者在起鉆期間，連續設定次數下放立柱的過程中預測鉤載曲線中的最大鉤載值呈減小趨勢，且連續幾次中，每次下降率大于預設下降率閾值，則壓差卡鉆問題為壓差卡鉆段；
12、在下鉆期間，連續設定次數下放立柱的過程中預測鉤載曲線中的最大鉤載值呈增大趨勢，且連續幾次中，每次增長率小于預設增長率閾值，或者在起鉆期間，連續設定次數下放立柱的過程中預測鉤載曲線中的最大鉤載值呈減小趨勢，且連續幾次中，每次下降率小于預設下降率閾值，則壓差卡鉆問題為接近壓差卡鉆段；
13、在下鉆期間，連續設定次數下放立柱的過程中預測鉤載曲線中的最大鉤載值呈減小趨勢，或者在起鉆期間，連續設定次數下放立柱的過程中預測鉤載曲線中的最大鉤載值呈增大趨勢，則壓差卡鉆問題為正常段。
14、在一些實現方式中，所述基于預處理后的不具有壓差卡鉆問題的歷史井的歷史數據和預處理后的具有壓差卡鉆問題的歷史井的歷史數據，進行模型訓練，得到機器學習模型，包括：
15、基于預處理后的不具有壓差卡鉆問題的歷史井的歷史數據和預處理后的具有壓差卡鉆問題的歷史井的歷史數據，進行模型訓練和模型性能評估；
16、若評估結果未達到預設模型性能標準，則繼續進行模型訓練和模型性能評估，直到評估結果達到預設模型性能標準，得到機器學習模型。
17、在一些實現方式中，所述數據預處理包括：對所述不具有壓差卡鉆問題的歷史井的歷史數據和具有壓差卡鉆問題的歷史井的歷史數據進行數據清洗。
18、在一些實現方式中，所述不具有壓差卡鉆問題的歷史井的歷史數據和具有壓差卡鉆問題的歷史井的歷史數據包括對應歷史井的時間序列、大鉤載荷、鉆頭位置、立柱數和上提懸重。
19、在一些實現方式中，所述根據預測得到的壓差卡鉆問題進行預警，包括：
20、若預測得到的壓差卡鉆問題為壓差卡鉆段，則一級預警；
21、若預測得到的壓差卡鉆問題為接近壓差卡鉆段，則二級預警。
22、在一些實現方式中，所述基于預處理后的不具有壓差卡鉆問題的歷史井的歷史數據和預處理后的具有壓差卡鉆問題的歷史井的歷史數據，進行模型訓練和模型性能評估，包括：
23、將預處理后的不具有壓差卡鉆問題的歷史井的歷史數據和預處理后的具有壓差卡鉆問題的歷史井的歷史數據按預設比例劃分訓練集、驗證集和測試集；
24、對所述訓練集、驗證集和測試集中的數據進行歸一化處理；
25、基于歸一化處理后的訓練集進行模型訓練，并在模型訓練過程中基于歸一化處理后的驗證集進行模型性能評估并調整模型超參數；
26、基于歸一化處理后的測試集對完成訓練的模型的性能和泛化能力進行評估，得到評估結果。
27、第二方面，本專利技術實施例提供一種壓差卡鉆預測裝置，包括：
28、獲取模塊，用于獲取具有壓差卡鉆問題的歷史井的歷史數據和不具有壓差卡鉆問題的歷史井的歷史數據；
29、分類模塊，用于對具有壓差卡鉆問題的歷史井的歷史數據按照對應的壓差卡鉆問題進行歸類，所述壓差卡鉆問題的分類包括壓差卡鉆段、接近壓差卡鉆段和正常段；
30、處理模塊，用于對所述不具有壓差卡鉆問題的歷史井的歷史數據和具有壓差卡鉆問題的歷史井的歷史數據，進行數據預處理；
31、模型建立模塊，用于基于預處理后的不具有壓差卡鉆問題的歷史井的歷史數據和預處理后的具有壓差卡鉆問題的歷史井的歷史數據，進行模型訓練，得到機器學習模型；
32、預測模塊，用于根據現場井的實時數據通過所述機器學習模型進行預測，得到預測的鉤載曲線，并根據預測的鉤載曲線的數值趨勢和當前起下鉆工況預測壓差卡鉆問題；
33、預警模塊，用于根據預測得到的壓差卡鉆問題進行預警。
34、第三方面，本專利技術實施例提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被至少一個處理器執行時，實現如第一方面所述的方法。
35、第四方面，本專利技術實施例提供一種電子設備，包括存儲器和至少一個處理器，所述存儲器上存儲有計算機程序，所述計算機程序被所述至少一個處理器執行時實現如第一方面所述的方法。
36、本專利技術的一個或多個實施例至少帶來如下有益效果：
37、本專利技術通過將具有壓差卡鉆問題的歷史井的歷史數據按照壓差卡鉆段、接近壓差卡鉆段和正常段進行梳理歸類，以此基于不具有壓差卡鉆問題的歷史井的歷史數據和梳理歸類后的具有壓差卡鉆問題的歷史井的歷史數據來訓練機器學習模型。從而將現場井的實時數據傳入訓練好的機器學習模型中即可預測得到鉤載曲線，并基于鉤載曲線的數值趨勢和當前起下鉆工況預測得到壓差卡鉆問題為壓差卡鉆段、接近壓差卡鉆段還是正常段，并做出對應的本文檔來自技高網...
【技術保護點】
1.一種基于機器學習的壓差卡鉆預測方法，其特征在于，包括：
2.根據權利要求1所述的壓差卡鉆預測方法，其特征在于，所述根據預測的鉤載曲線的數值趨勢和當前起下鉆工況預測壓差卡鉆問題，包括：
3.根據權利要求1所述的壓差卡鉆預測方法，其特征在于，所述基于預處理后的不具有壓差卡鉆問題的歷史井的歷史數據和預處理后的具有壓差卡鉆問題的歷史井的歷史數據，進行模型訓練，得到機器學習模型，包括：
4.根據權利要求1所述的壓差卡鉆預測方法，其特征在于，所述數據預處理包括：對所述不具有壓差卡鉆問題的歷史井的歷史數據和具有壓差卡鉆問題的歷史井的歷史數據進行數據清洗。
5.根據權利要求1所述的壓差卡鉆預測方法，其特征在于，所述不具有壓差卡鉆問題的歷史井的歷史數據和具有壓差卡鉆問題的歷史井的歷史數據包括對應歷史井的時間序列、大鉤載荷、鉆頭位置、立柱數和上提懸重。
6.根據權利要求1所述的壓差卡鉆預測方法，其特征在于，所述根據預測得到的壓差卡鉆問題進行預警，包括：
7.根據權利要求3所述的壓差卡鉆預測方法，其特征在于，所述基于預處理后的
8.一種壓差卡鉆預測裝置，其特征在于，包括：
9.一種電子設備，其特征在于，包括存儲器和至少一個處理器，所述存儲器上存儲有計算機程序，所述計算機程序被所述至少一個處理器執行時實現如權利要求1至7中任一項所述的方法。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被至少一個處理器執行時，實現如權利要求1至7中任一項所述的方法。
...【技術特征摘要】
1.一種基于機器學習的壓差卡鉆預測方法，其特征在于，包括：
2.根據權利要求1所述的壓差卡鉆預測方法，其特征在于，所述根據預測的鉤載曲線的數值趨勢和當前起下鉆工況預測壓差卡鉆問題，包括：
3.根據權利要求1所述的壓差卡鉆預測方法，其特征在于，所述基于預處理后的不具有壓差卡鉆問題的歷史井的歷史數據和預處理后的具有壓差卡鉆問題的歷史井的歷史數據，進行模型訓練，得到機器學習模型，包括：
4.根據權利要求1所述的壓差卡鉆預測方法，其特征在于，所述數據預處理包括：對所述不具有壓差卡鉆問題的歷史井的歷史數據和具有壓差卡鉆問題的歷史井的歷史數據進行數據清洗。
5.根據權利要求1所述的壓差卡鉆預測方法，其特征在于，所述不具有壓差卡鉆問題的歷史井的歷史數據和具有壓差卡鉆問題的歷史井的歷史數據包括對應歷史井的時間序列、大鉤載荷...
【專利技術屬性】
技術研發人員：孫華凱，李昌盛，沈希為，
申請(專利權)人：中國石油化工股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。