[发明专利]基于机器学习的钻井参数优化方法

说明书

本发明公开了一种基于机器学习的钻井参数优化方法，包括：采集钻井所在区域的地层特征参数，并对地层特征参数进行预处理；对预处理的地层特征参数进行地层特征聚类；结合聚类后的地层特征和钻井参数，并利用BP神经网络或循环神经网络进行机械钻速预测，并构建获得钻井参数优化模型。通过上述方案，本发明具有逻辑简单、准确可靠等优点，在钻井技术领域具有很高的实用价值和推广价值。

技术领域

本发明涉及钻井技术领域，尤其是基于机器学习的钻井参数优化方法。

背景技术

钻井过程是一个受众多参数影响的复杂过程，机械钻速在此过程中受诸多因素影响，而根据因素的性质可以分为可控因素和不可控因素两大类。其中，可控因素是指可以受人为调控影响的因素，如机械参数(钻压、转速等)、水力参数(排量、立管压力等)以及钻井液参数(钻井液密度、粘度等)；不可控因素则是指不受人为调控影响的客观因素，主要包括所钻地层的岩性特征。

在钻井过程中，钻井参数的优化是建立在钻井参数与地层岩性特性匹配关系的基础上的，匹配程度越高，在实际钻进时机械钻速更高，所消耗的能量也更少，同时可以缩短钻井周期，节约钻井成本。因此，建立钻井参数与地层特征之间的匹配关系对优化钻井参数，提高机械钻速具有重要意义。

在实际工程作业过程中主要是按地层层系分类进行钻井参数优化，但是地层层系厚度往往是几百甚至一千多米，同一地层层系的地层特征也有差别。一般来说，对于特征相似的地层环境，钻井参数对机械钻速的影响也具有相似性。

目前，现有技术中也有关于钻井参数的优化方面的研究，例如，专利申请号为“201911075820.6”、名字为“一种基于BP神经网络的钻速预测方法和基于BP神经网络以及粒子群算法的钻速优化方法”的中国发明专利，其采集钻井工具的扭矩、钻压、泵压和排量，并基于BP神经网络预测钻速，具体包括步骤1：按照采样周期，通过传感器测量钻井工具的扭矩Nm、钻压Pm、泵压Pb和排量Qm参数；步骤2：依次将参数进行规格化，确定三层BP神经网络的输入层向量x＝{x1,x2,x3,x4}；其中x1为钻井工具的扭矩系数、x2为钻压系数、x3为泵压系数、x4为排量系数；步骤3：所述输入层向量映射到中间层；步骤4：得到输出层向量o＝{o1}；o1为钻速预测系数；步骤5：预测钻井工具的钻速为：其中，为第i次采样周期输出层向量的钻速预测系数，ωm_max为钻井工具的最大钻速，ωm(i+1)为第i+1个采样周期时钻井工具的预测钻速。该技术站在钻机的角度进行优化，并未结合实际场所的情况，其优化过于理论化，其无法运用于的复杂多样的场景。

因此，急需要提出一种逻辑简单、准确可靠的基于机器学习的钻井参数优化方法。

发明内容

针对上述问题，本发明的目的在于提供一种基于机器学习的钻井参数优化方法，本发明采用的技术方案如下：

基于机器学习的钻井参数优化方法，其包括以下步骤：

采集钻井所在区域的地层特征参数，并对地层特征参数进行预处理；

对预处理的地层特征参数进行地层特征聚类；

结合聚类后的地层特征和钻井参数，并利用BP神经网络或循环神经网络进行机械钻速预测，并构建获得钻井参数优化模型。

优选地，所述地层特征参数包括地层岩性参数、泥质含量、抗压强度、抗剪强度、内摩擦角、内摩擦力、岩石硬度、可钻性极值和岩石研磨性参数。

优选地，对地层特征参数进行预处理，包括数据清理、离散处理、归一化和数据降维。

进一步地，采用K-means算法、MeanShif算法、BDSCAN算法、模糊聚类、基于高斯混合模型的期望最大化聚类其中之一对地层特征参数进行地层特征聚类。

进一步地，还包括对聚类前后的地层特征进行地层岩石力学标准差和变异系数对比，以获得同一类别的地层特征对应的数据。