买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：廊坊师范学院;东北石油大学

摘要：本发明公开了基于机器学习的深水钻井井口安全检测方法、装置，涉及油气开采技术领域，该方法包括：梳理钻井井口安全信号系统中目标井口安全隐患点的监测参数；获取目标井口安全隐患点监测参数的历史数据；基于目标井口安全隐患点监测参数的历史数据，通过机器学习算法进行训练和预测，得到井口安全预警关键参数预测值；基于井口安全预警关键参数预测值，当钻井实时数据超出上述参数预测值，则发布预警和应急响应建议，并搭配该装置的采集模块、第一确定模块、第二确定模块，安全信号模块，提升钻井井口安全评估和应急响应的智能化能力，可以防止井口安全预警系统发生故障，从而降低井口安全预警系统故障率，提升井口安全预警系统的可靠性。

主权项：1.基于机器学习的深水钻井井口安全检测方法，其特征在于：包括以下步骤：S101、梳理钻井井口安全信号系统中目标井口安全隐患点的监测参数；S102、获取目标井口安全隐患点监测参数的历史数据；S103、把所有监测参数分成第一类监测参数与第二类监测参数，所述第一类监测参数为井口失稳发生的诱发因素，所述第二类监测参数为表征目标井口安全隐患点稳定状态的关键因素；S104、基于目标井口安全隐患点监测参数的历史数据创建用于机器学习的数据集，将第一类监测参数的历史数据或实时数据作为输入，将第二类监测参数的实时数据作为输出，通过机器学习算法进行训练和预测，得到井口安全预警关键参数预测值；S105、基于井口安全预警关键参数预测值，当钻井实时数据超出上述参数预测值，则发布预警提醒信号，同时显示触发预警的参数名称、超出数值、建议的应急响应措施；所述S102步骤中，对获取的目标井口安全隐患点监测参数的历史数据进行预处理、归一化处理；所述S103步骤中，第一类监测参数用IFi表示，包括：实时地层压力、温度、钻井液注液压力、钻井液的密度、钻井液流量、钻井液钻柱内流速、表层导管的端部阻力喷射流速度、表层导管的侧向摩阻力；所述第二类监测参数用CFj表示，包括：井口载荷位移量、井口直径；选取一个或多个第一类监测参数IFi与第二类监测参数CF构建x个数据组合，表示为Gx{IFi，CF}，x表示第x个数据组合；所述S104步骤中，基于所述监测参数数据集，确定输入数据和输出数据，通过机器学习算法对IFi和CFj的相关性进行分析和校验，并选择与CFj具有较强相关性的IFi作为机器学习算法中的输入数据；将所述输入数据和或输出数据运用机器学习算法对模型进行训练，根据模型评估损失函数最小，挑选出参数最优的模型准则，构建用于预测井口安全预警关键参数值的井口安全预测模型；所述S105步骤中，将钻井实时数据输入井口安全预测模型，输出实时预测结果，当所述预测结果超出安全预警关键参数预测值时，发布包括警报声、警报灯，同时在可视化显示器上显示触发预警的监测参数名称、超出数值大小和程度，并给出建议的应急响应措施，所述应急响应措施包括：调整侧向摩阻力恢复和静置等候时间、使用吸力桩井口提高承载力大小、导管下入深度及井口直径大小、调节钻井注液；所述S104步骤中，通过机器学习算法对IFi和CFj的相关性进行分析和校验，并选择与CFj具有较强相关性的IFi作为机器学习算法中的输入数据，包括：对于任意一个数据组合Gx{IFi，CF}，将IFi作为自变量，CF作为因变量，建立线性或非线性回归模型，并计算回归模型的相关系数和残差平方和；对比x个数据组合Gx{IFi，CF}回归模型的相关系数和残差平方和，选取相关系数最大且残差平方和最小的数据组合GCF{IFi，CF}作为最优数据组合，最优数据组合中的IFi即为与第二类监测参数CF相关性最强的一个或多个独立监测参数，将IFi作为机器学习算法中第二类监测参数CF的作为输出数据时的输入数据；对于第j个第二类监测参数CFj，重复上述步骤，得到第二类监测参数CFj的最优数据组合GCFj{IFi，CF}；将所述输入数据和或输出数据运用机器学习算法对模型进行训练，包括：对于某一个特定的第二类监测参数CF，以最优数据组合GCF{IFi，CF}中的第一类监测参数IFi作为机器学习算法输入数据，第二类监测参数CF作为输出数据，构建机器学习模型MCF对数据进行训练；优化机器学习模型MCF中的参数；得到训练好的机器学习模型MCF；对于第j个第二类监测参数CFj，重复上述步骤，得到第二类监测参数CFj的机器学习模型MCFj；所述机器学习算法进行预测，包括：利用已经训练好的机器学习模型MCFj对第二类监测参数CFj的实时数据CFjrt进行预测，对某一特定的第二类监测参数CF，基于获得的最优数据组合GCF{IFi，CF}创建用于预测第二类关键参数CF实时数据的输入数据集合{IFirt}，IFirt表示第i个用于预测第二监测参数CF实时数据的独立监测参数；将数据集合{IFirt}输入训练好的机器学习模型MCF；返回第二监测参数CF的实时预测结果CFrt；对于第j个第二监测参数CFj，重复上述步骤，得到第二关键参数CFj的实时预测结果CFjrt；RMSE是预测值CFjrt围绕实际值CFj分布的度量，RMSE值越小，预测精度越高，RMSE表示为： （公式一）；井口载荷主要是由表层导管自上而下的侧向摩阻力Ff和端部阻力Fb来承担，保证井口稳定不下沉，需满足： （公式二）式中，Fm为井口载荷N，Ffs为不含水合物地层和表层导管的侧向摩阻力N，Ffh为水合物层和表层导管的侧向摩阻力N，Fb为表层导管的端部阻力N，D为表层导管周长m，α为黏着系数，τz为不含水合物地层的不排水抗剪强度Pa，Fhz为水合物分解前地层和表层导管单位面积侧向摩阻力分布Pa，K为水合物分解后的侧向摩阻力折减系数，d1为表层导管的下深m，d2为钻杆的下深m；当时，发布预警提醒信号，同时显示触发预警的信息如下：预警参数--井口载荷，井口载荷数值，建议减少井口载荷；减少井口载荷，根据公式二，通过调整第一类监测参数实现，包括：调整表层导管和含水合物地层的单位面积侧向摩阻力FS （公式三）式中，F0为射流压力Pa，H为表层导管下入深度，表层导管和含水合物地层的单位面积侧向摩阻力FS、表层导管周长D均为第一类监测参数IF，表层导管周长D与表层导管和含水合物地层的单位面积侧向摩阻力FS为反比例关系，通过调整表层导管周长D，即调整井口直径，减少井口载荷；侧向摩阻力恢复和静置等候时间t的拟合数学模型为： （公式四）式中，t为侧向摩阻力恢复和静置等候时间，侧向摩阻力恢复和静置等候时间t为第一类监测参数IF，结合公式二--公式四，通过计算获得减少井口荷载所需要的侧向摩阻力恢复和静置等候时间t；调整钻井液流变性来平衡表层导管剪切应力，最小二乘法拟合流变数学模型为公式五，广义流性指数N与钻井液流量Q的关系式为公式六： （公式五） （公式六）式中，压差测量段长度L、压差△P、圆管内径d、钻井液流量Q为第一类监测参数IF，a,b为常数，管的壁剪切速率γw，广义流性指数N≤1，结合公式五和公式六，通过计算获得减少井口荷载所需要的钻井液流量Q；所述安全检测方法的检测装置包括：采集模块，用于采集监测参数的历史和实时数据；第一确定模块，用于基于所述监测参数的历史和实时数据，确定第一类监测参数与第二类监测参数，所述第一类监测参数为井口失稳发生的诱发因素，所述第二类监测参数为表征目标井口安全隐患点稳定状态的关键因素，基于所述第一类监测参数与所述第二类监测参数，确定用于机器学习的数据集，将所述第一类监测参数的历史数据确定为输入，将所述第二类监测参数的实时数据确定为输出，基于所述机器学习的数据集，通过机器学习算法进行训练，基于所述机器学习算法训练，确定井口安全预测模型，基于所述井口安全预测模型，确定井口安全预警关键参数预测阈值；第二确定模块，用于基于所述井口安全预警关键参数预测阈值，确定实施钻井过程中井口安全状态情况，所述钻井实时数据超出上述井口安全预警关键参数预测阈值，则确定为井口不安全状态；安全信号模块，用于基于所述实施钻井过程中井口安全状态情况，对确定为井口不安全状态的，发布安全预警信号，同时显示触发预警的参数名称、超出数值、建议的应急响应措施。

全文数据：

权利要求：

百度查询： 廊坊师范学院 东北石油大学 基于机器学习的深水钻井井口安全检测方法、装置