[发明专利]基于神经网络的PSO钻井参数优化方法

说明书

本发明属于钻井工程技术领域，尤其是涉及一种基于神经网络的PSO钻井参数优化方法，其特征在于包括如下步骤：(1)将当前设计参数输入钻井参数优化系统数据库；(2)查询是否存在当前井的邻井历史数据，数据传输至系统数据分析处理模块，预处理后的数据输入神经网络进行模型训练，输出钻前参数预测模型；(3)下钻后，同步获取当前随钻数据参数，计算当前机械钻速，模型更新，将模型中相同地层岩性和井眼尺寸下的机械钻速与当前机械钻速对比。本发明将原始参数信号采集，并通过软件处理，分析整个钻井过程信息数据，对重点数据进行后续优化，通过钻井参数优化全过程的多元技术融合，实现对参数实时、动态的智能优化及系统综合分析。

技术领域

本发明属于钻井工程技术领域，尤其是涉及一种基于神经网络的PSO钻井参数优化方法。

背景技术

钻井工程是油气开发领域中的关键环节，是勘探开发过程中经济投入最大、风险最高的环节之一。钻井过程的效率和成本直接反映出钻井水平的高低，对后续油气生产和作业具有重要意义。由于受到地质条件、钻机机械性能、钻井液特性、钻头类型等因素的综合影响，钻井过程呈现出极大的不确定性。一直以来，如何在复杂因素影响下设法提高钻井效率、缩短钻井周期、节省开发成本已经成为钻井工作的一个工程难点和热点。钻井参数优化是在大量钻井数据和理论分析的基础上，研究各项钻井参数对机械钻速所产生的影响和对应规律，通过对钻压、转速、排量等钻井参数的组合优选，最终达到优化钻井过程，降低钻井成本的目的。目前，钻井参数优化方法大多基于建立各种复杂的数学模型，通过繁琐的公式推导及计算来获得较优的钻井参数。然而，由于钻井过程的复杂性，钻井参数除了受多重因素的影响，各参数之间还存在关联耦合，呈现很大的不确定性、随机性和非线性，通过建立常规数学模型进行优化计算不仅计算过程异常复杂、而且模型常常忽略某些实际条件，导致模型不够精确，实用性及局限性较大。

发明内容

本发明的目的是提供一种基于神经网络的PSO钻井参数优化方法，利用神经网络的非线性拟合、大规模并行分布处理和自组织自学习能力，建立钻井过程的非线性映射模型，然后采用粒子群智能优化算法(PSO)优化钻井参数，为复杂因素影响的钻井参数优化提供了一种有效方法。

本发明的目的是通过下述技术方案来实现的：

本发明的基于神经网络的PSO钻井参数优化方法，其特征在于包括如下步骤：

(1)将当前井地层岩性、井眼尺寸、设计井深、井位、钻具组合等设计参数输入钻井参数优化系统数据库；

(2)从目标数据库查询是否存在当前井的邻井历史数据，若存在则提取后经远程数据传输至系统数据分析处理模块，对邻井数据进行预处理，处理后的数据输入神经网络进行模型训练，输出钻前参数预测模型；

(3)下钻后，同步获取当前随钻数据参数，计算当前机械钻速，同时将随钻数据参数输入神经网络进行模型更新，将模型中相同地层岩性和井眼尺寸下的机械钻速与当前机械钻速对比；若当前更优，则保持参数不变，判断是否进入优化算法；若预测值更优，将对应参数代替当前参数，判断是否进入优化算法；若人工选择进入优化算法，采用PSO算法对当前参数进行组合优化，得到当前状态下的最优参数匹配；若不进入优化算法，则继续以当前参数钻进，并保存数据至数据库，直至结束。

所述的钻井参数优化系统包括数据采集模块、数据传输模块、底层数据库、数据分析处理模块、神经网络预测模块、PSO参数优化模块、上位机显示与操作模块。

所述的数据采集模块包括井口检测传感器和井下随钻测量仪测量传感器。

所述的井口检测传感器包括转盘转速、泵冲、立压、池体积、电扭矩、钻井液密度和绞车传感器。

所述的井下随钻测量仪测量传感器包括钻压、扭矩、温度、内外环空压力、振动、井斜、方位和工具面传感器。

本发明的优点：