摩阻确定方法、装置和设备与流程

本申请涉及地质勘探
技术领域：
，特别涉及一种摩阻确定方法、装置和设备。
背景技术：
：随着钻井技术的进步，大位移井、水平井等非直井井型更多的应用于现场，由于大斜度井段、长水平段的存在，钻柱在井下受到的摩阻和扭矩急剧增加，由此带来了钻井效率降低、钻井事故增多等一系列的钻井难题，因此，实时准确的分析井下管柱摩阻和扭矩是在钻井过程中是十分关键的。现有技术中，通常是利用管柱力学进行理论分析，建立管柱整体受力模型，从而计算得到摩阻。而由于钻井过程的复杂性，管柱整体受力模型很难准确描述井下管柱真实的受力状态，并且管柱力学模型中井底的实际钻压和扭矩难以准确确定，因此，采用现有技术中的技术方案无法准确地确定管柱的摩阻。针对上述问题，目前尚未提出有效的解决方案。技术实现要素：本申请实施例提供了一种摩阻确定方法、装置和设备，以解决现有技术中无法准确地确定管柱的摩阻的问题。本申请实施例提供了一种摩阻确定方法，包括：获取目标井的第一钻井数据集，其中，所述第一钻井数据集中的数据为钻井设计参数值；在所述目标井的钻进过程中获取第二钻井数据集，其中，所述第二钻井数据集中的数据为在所述目标井的钻进过程中产生的工况数据和机器状态数据；将所述第一钻井数据集和所述第二钻井数据集输入利用神经网络训练得到的预测模型中，得到所述目标井的井底钻压和井底扭矩；根据所述井底钻压和井底扭矩，利用管柱整体受力模型确定所述目标井中各管柱的摩阻。在一个实施例中，第一钻井数据集中包括：钻具组合、轨道类型、钻井液类型。在一个实施例中，第二钻井数据集中包括：井深、井斜、方位角、实测井底钻压、实测井底扭矩、大钩载荷、地面扭矩、泵压、转盘转速、泵冲、立管压力、套管压力、入口密度、出口密度。在一个实施例中，在将所述第一钻井数据集和所述第二钻井数据集输入利用神经网络训练得到的预测模型中之前，还包括：获取所述目标井的至少一个邻井的钻井数据集；对所述至少一个邻井的钻井数据集进行预处理，得到预处理后的钻井数据集；将所述预处理后的钻井数据集中的时序性数据按照预设时间步长转换为监督学习的格式，得到第一训练集；将所述预处理后的钻井数据集中的非时序性数据作为第二训练集；将所述第一训练集作为长短期记忆网络的训练数据，并将所述第二训练集作为多层前馈神经网络的训练数据进行训练得到所述预测模型。在一个实施例中，根据所述井底钻压和井底扭矩，利用管柱整体受力模型确定所述目标井中各管柱的摩阻，包括：将所述目标井的管柱按照预设间隔进行划分，得到多段管柱；获取所述多段管柱中各段管柱的特征参数；根据所述各段管柱的特征参数、所述井底钻压和井底扭矩，利用管柱整体受力模型确定所述各段管柱的管柱状态和摩阻。在一个实施例中，所述各段管柱的特征参数包括：管柱的曲率、挠率、抗弯刚度、内径、壁厚。在一个实施例中，在利用管柱整体受力模型确定所述目标井中各管柱的摩阻之后，还包括：在所述目标井起钻后，获取所述目标井中已钻井段的第二钻井数据集；根据所述已钻井段的第二钻井数据集对所述预测模型进行更新，得到目标预测模型；继续钻进时，利用所述目标预测模型确定所述目标井的井底钻压和井底扭矩。本申请实施例还提供了一种摩阻确定装置，包括：第一获取模块，用于获取目标井的第一钻井数据集，其中，所述第一钻井数据集中的数据为钻井设计参数值；第二获取模块，用于在所述目标井的钻进过程中获取第二钻井数据集，其中，所述第二钻井数据集中的数据为在所述目标井的钻进过程中产生的工况数据和机器状态数据；预测模块，用于将所述第一钻井数据集和所述第二钻井数据集输入利用神经网络训练得到的预测模型中，得到所述目标井的井底钻压和井底扭矩；确定模块，用于根据所述井底钻压和井底扭矩，利用管柱整体受力模型确定所述目标井中各管柱的摩阻。本申请实施例还提供了一种摩阻确定设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述摩阻确定方法的步骤。本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述摩阻确定方法的步骤。本申请实施例提供了一种摩阻确定方法，可以通过获取目标井的第一钻井数据集，其中，第一钻井数据集中的数据为钻井设计参数值，并在目标井的钻进过程中获取第二钻井数据集，其中，第二钻井数据集中的数据为在所述目标井的钻进过程中产生的工况数据和机器状态数据。进一步的，可以将第一钻井数据集和第二钻井数据集输入利用神经网络训练得到的预测模型中，从而可以实时预测得到目标井的井底钻压和井底扭矩。根据实时预测的井底钻压和井底扭矩，可以利用管柱整体受力模型确定目标井中每一段管柱的摩阻。对井底钻压和井底扭矩的实时监测可以更加准确地控制钻井过程，减少钻井风险。并且利用神经网络训练得到的预测模型可以更加准确、高效的预测得到目标井的井底钻压和井底扭矩，有效解决了井底钻压、扭矩难以准确确定的问题。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。在附图中：图1是根据本申请实施例提供的摩阻确定方法的步骤示意图；图2是根据本申请实施例提供的管柱分段结果的示意图；图3是根据本申请实施例提供的监督学习格式的数据的示意图；图4是根据本申请具体实施例提供的井底钻压的预测结果的示意图；图5是根据本申请具体实施例提供的井底扭矩的预测结果的示意图；图6是根据本申请具体实施例提供的摩阻的计算结果的示意图；图7是根据本申请实施例提供的摩阻确定装置的结构示意图；图8是根据本申请实施例提供的摩阻确定设备的结构示意图。具体实施方式下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本申请公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。本领域的技术人员知道，本申请的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本申请公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。虽然下文描述流程包括以特定顺序出现的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。请参阅图1，本实施方式可以提供一种摩阻确定方法。该摩阻确定方法可以用于在目标井的钻进过程中实时确定目标井中各管柱的摩阻。上述摩阻确定方法可以包括以下步骤。s101：获取目标井的第一钻井数据集，其中，第一钻井数据集中的数据为钻井设计参数值。在本实施方式中，可以在钻井前预先获取目标井的第一钻井数据集，其中，上述第一钻井数据集可以用于表征目标井的静态参数，上述第一钻井数据集中可以包括多个参数，具体的为钻井设计参数。对于目标井来说，无论目标井处于钻井的那个阶段，上述第一钻井数据集中的数据均可以是不变的。在一个实施方式中，上述第一钻井数据集中可以包括：钻具组合、轨道类型和钻井液类型，其中，上述钻具组合对应的参数值可以包括：增斜、降斜、稳斜等；上述轨道类型对应的参数值可以包括：三段式、五段式、双增式等；上述钻井液类型对应的参数值可以包括：水基、油基、气基等。可以理解的是，同一个井对应的第一钻井数据集中数据的值可以是相同的。在本实施方式中，上述第一钻井数据集包含的参数可以是在钻井直接就设计好的，因此，获取第一钻井数据集的方式可以包括：接收输入的第一钻井数据集，或者，可以按照预设路径查询得到。当然可以理解的是，还可以采用其它可能的方式获取上述样本数据集，例如，在数据库中按照一定的查找条件搜索第一钻井数据集，具体的可以根据实际情况确定，本申请对此不作限定。s102：在目标井的钻进过程中获取第二钻井数据集，其中，第二钻井数据集中的数据为在目标井的钻进过程中产生的工况数据和机器状态数据。在本实施方式中，可以在目标井的钻进过程中实时获取第二钻井数据集，第二钻井数据集中记录的数据可以为时序性数据，即第二钻井数据集中的数据为在目标井的钻进过程中产生的工况数据和机器状态数据，会根据目标井的钻进实时变化。其中，上述工况数据可以用于表征在钻进过程中目标井的状态，可以包括：井深、井斜、方位角、实测井底钻压、实测井底扭矩、大钩载荷、地面扭矩、立管压力、套管压力、入口密度、出口密度等。上述机器状态数据可以用于表征在钻进过程中机器的状态，可以包括：泵压、转盘转速、泵冲等。在本实施方式中，上述实测井底钻压、实测井底扭矩可以为利用传感器在钻进过程中实际测量的值。在本实施方式中，在钻进过程中可以根据不同的地层情况、钻进深度，选择合适的钻头类型，并使转速、钻压、排量和泥浆性能处于最佳组合状态，从而获得最快的钻进速度。随着正常钻进的继续进行，井眼会不断加深。因此，可以实时获取第二钻井数据集，上述第二钻井数据集中可以包括在当前钻进时刻和在当前钻进时刻之前连续的多个钻进时刻对应的多个钻井参数的值。在一个实施例中，上述钻井参数可以为钻井工程参数，上述第二钻井数据集中可以包括：井深、井斜、方位角、实测井底钻压、实测井底扭矩、大钩载荷、地面扭矩、泵压、转盘转速、泵冲、立管压力、套管压力、入口密度、出口密度等参数对应的值。在本实施方式中，可通过在地面设置的传感器实时测量获取上述第二钻井数据集，当然可以理解的是，还可以通过其它可能的方式获取上述第二钻井数据集，具体的可以根据实际情况确定，本申请对此不作限定。s103：将第一钻井数据集和第二钻井数据集输入利用神经网络训练得到的预测模型中，得到目标井的井底钻压和井底扭矩。在本实施方式中，由于在钻井过程中，不同时刻的井底钻压、井底扭矩、摩阻、管柱状态均会存在差异，因此，可以将上述第一钻井数据集和实时获取的第二钻井数据集输入利用神经网络训练得到的预测模型中，从而可以利用预测模型实时预测得到目标井的井底钻压和井底扭矩。其中，上述预测模型可以用于实时预测井底钻压和井底扭矩，上述目标井的井底钻压和井底扭矩为预测值。对井底钻压和井底扭矩的实时监测可以更加准确地控制钻井过程，减少钻井风险。而由于会受到井壁摩擦、井眼弯曲、钻柱屈曲等因素的影响，使得实际的井底钻压和井底扭矩往往与计算值有着较大的差距，因此，采用传统的管柱力学模型计算方法无法准确地确定井底钻压和井底扭矩。在本实施方式中，采用上述利用神经网络训练得到的预测模型可以更加准确、高效的预测得到目标井的井底钻压和井底扭矩。在本实施方式中，上述神经网络可以包括一下至少之一：bp(backpropagation，多层前馈神经网络)、svm(supportvectormachine，支持向量机)、lstm(longshort-termmemory，长短期记忆网络)、gru(gatedrecurrentunit，门控循环单元)等。在一个实施方式中，可以基于第一钻井数据集和第二钻井数据集中包含的数据的特征，从上述神经网络中选择至少一种神经网络构建上述预测模型。在一个优选的实施例中，由于上述第一钻井数据集中的数据为常量，实时获取的第二钻井数据集中的数据具有时序性的特征，因此，可以将lstm、bp这两种神经网络结合起来构建上述预测模型。当然，可以理解的是还可以采用其它神经网络构建预测模型，具体的可以根据实际情况确定，本申请对此不作限定。s104：根据井底钻压和井底扭矩，利用管柱整体受力模型确定目标井中各管柱的摩阻。在本实施方式中，由于目标井中不同段的管柱的状态会存在差异，因此，在确定目标井的井底钻压和井底扭矩之后，可以根据上述井底钻压和井底扭矩，利用管柱整体受力模型确定目标井中各管柱的摩阻。其中，上述管柱整体受力模型是以井下某一长度的管柱作为研究对象，探讨其轴向力和扭矩传递以及弯矩、接触力和屈曲状态的分布，上述管柱整体受力模型可以为计算公式。上述管柱在井眼中，可以包括：钻柱、套管柱、测试管柱、抽油杆管柱、连续油管等。在一个实施方式中，可以将目标井的管柱按照预设间隔进行划分，得到多段管柱，并获取多段管柱中各段管柱的特征参数。进一步的，由于管柱状态也会对钻井产生影响，因此，对管柱状态进行实时监控可以更加准确地控制钻井过程，减少钻井风险。在本实施方式中，可以根据各段管柱的特征参数、井底钻压和井底扭矩，利用管柱整体受力模型确定各段管柱的管柱状态和摩阻。在本实施方式中，上述预设间隔可以为大于0的数值，例如：10米、14.5米等，具体的可以根据实际情况确定，本申请对此不作限定。上述各段管柱的特征参数可以用于表征管柱的状态，可以包括：每一段管柱的曲率、挠率、抗弯刚度、内径、壁厚等。上述管柱状态可以用于表征管柱在井眼中的受力状态，可以分为在垂直井眼和在三维井眼中两种情况。其中，垂直井眼中的管柱状态可以包括：无屈曲、低阶螺旋屈曲、高阶螺旋屈曲等；三维井眼中的管柱状态可以包括：无屈曲、正弦屈曲、低阶螺旋屈曲、高阶螺旋屈曲等。在本实施方式中，在将目标井的管柱按照上述预设间隔intervals划分成n段后，从地面往下排序，即从地面至钻头每一段管柱序号为[0,1,2,3,…,i,i+1,…,n-1]，对应的各段的长度为[ds0,ds1,ds2,…,dsi,…dsn-1]。其中，若目标井的管柱刚好可以划分成n个等份，那么ds0＝ds1＝ds2＝…＝dsi＝…dsn-1＝intervals。否则，ds0＝l-(n-1)×intervals，ds1＝ds2＝…＝dsi＝…dsn-1＝intervals。进一步的，上述n个单元段两端(靠近地面的一端和靠近钻头的一端)对应的井深分别可以为：(0,ds0)、(ds0,1×intervals+ds0)、(1×intervals+ds0,2×intervals+ds0)、……、((i-1)×intervals+ds0,i×intervals+ds0)、……、((n-1-1)×intervals+ds0,(n-1)×intervals+ds0)，上述分段结果可以图2中所示，其中，每段管柱都对应有初始化参数parameter。在一个实施例中，在intervals＝10m，管柱长316m的情况下，可分成32段，对应的从地面至钻头的管柱段序号为[0,1,2,3,4,5…,31]，对应的第i个单元段的长度为[6,10,10,10…10]，对应的从地面至钻头的管柱段两端(靠近地面、钻头)的井深为[(0,6),(6,16),(16,26),(26,36),…(306,316)]。在一个实施方式中，上述管柱整体受力模型的传递方程可以如下式中所示，以压力为正：式中：fi为第i段管柱靠近井口的轴向力，n(牛)；fi+1为第i段管柱靠近钻头的轴向力，单位n；mti为第i段管柱靠近井口处的扭矩，n·m；mti+1为第i段管柱靠近钻头处的扭矩，n·m；eii为第i段管柱的抗弯刚度；为第i段管柱靠近井口处的井眼曲率，m-1；为第i段管柱靠近钻头处的井眼曲率，m-1；qi为第i段管柱的线重，n/m；nti为第i段管柱与井壁的接触力，n/m；δsi为第i段管柱对应的单元段的长度，m；dbi为第i段管柱的外径，m；μ1和μ2分别为当前管柱的轴向摩擦系数和周向摩擦系数。从以上的描述中，可以看出，本申请实施例实现了如下技术效果：可以通过获取目标井的第一钻井数据集，其中，第一钻井数据集中的数据为钻井设计参数值，并在目标井的钻进过程中获取第二钻井数据集，其中，第二钻井数据集中的数据为在所述目标井的钻进过程中产生的工况数据和机器状态数据。进一步的，可以将第一钻井数据集和第二钻井数据集输入利用神经网络训练得到的预测模型中，从而可以实时预测得到目标井的井底钻压和井底扭矩。根据实时预测的井底钻压和井底扭矩，可以利用管柱整体受力模型确定目标井中每一段管柱的摩阻。对井底钻压和井底扭矩的实时监测可以更加准确地控制钻井过程，减少钻井风险。并且利用神经网络训练得到的预测模型可以更加准确、高效的预测得到目标井的井底钻压和井底扭矩，有效解决了井底钻压、扭矩难以准确确定的问题。在一个实施方式中，在将第一钻井数据集和第二钻井数据集输入利用神经网络训练得到的预测模型中之前，可以按照以下方式训练得到上述预测模型。为了使得用于训练的数据能够较好的表征目标井，可以预先获取目标井的至少一个邻井的钻井数据集，并对至少一个邻井的钻井数据集进行预处理，得到预处理后的钻井数据集。进一步的，可以将上述预处理后的钻井数据集中的时序性数据按照预设时间步长转换为监督学习的格式，得到第一训练集，将预处理后的钻井数据集中的非时序性数据作为第二训练集，并将第一训练集作为长短期记忆网络的训练数据，并将第二训练集作为多层前馈神经网络的训练数据进行训练得到预测模型。在本实施方式中，对至少一个邻井的钻井数据集进行预处理可以包括：对至少一个邻井的钻井数据集进行数据清洗、特征提取等。上述数据清洗主要包括：缺失值处理、异常值处理等，以发现并纠正钻井数据集中可识别的错误。上述特征提取可以采用主成分分析方法提取特征，从而使得经过预处理的钻井数据集中的数据更适于进行模型训练。在本实施方式中，上述钻井数据集中可以包括钻井工程参数及钻井设计参数两类数据。其中，钻井工程数据为时序性数据，可以包括：井深、井斜、方位角、实测井底钻压、实测井底扭矩、大钩载荷、地面扭矩、泵压、转盘转速、泵冲、立管压力、套管压力、入口密度、出口密度等。上述钻井设计参数为非时序性数据，可以包括：钻具组合(增斜、降斜、稳斜)、轨道类型(三段式、五段式、双增式)、钻井液类型(水基、油基、气基)等。在本实施方式中，由于训练集分为时序性数据和非时序性数据两种，因此，可以将lstm、bp这两种神经网络结合起来构建上述预测模型，利用lstm训练时序性数据，利用bp神经网络训练非时序性数据。利用lstm、bp这两种神经网络构建得到的预测模型可以处理复杂的非线性、时序性问题，进而可以准确预测井底钻压、扭矩，有效解决了由于指重表读取的钻压受井斜、井壁摩擦、泥浆性能等的影响从而失真的问题。在本实施方式中，在训练模型之前，可以根据lstm的结构特点，将预处理后的钻井数据集中的时序性数据按照预设时间步长转换为监督学习的格式，得到第一训练集。其中，上述预设时间步长可以为任意大于0的数值，例如：可以选取预设时间步长timesteps＝5，即t-5、t-4、t-3、t-2、t-1时刻的时序数据作为预测t时刻井底钻压、井底扭矩的输入，按照预设时间步长为5的情况下转换得到的监督学习格式的数据可以如图3中所示。然而可以理解的是，上述预设时间步长的值可根据计算机算力、模型训练结果的优劣进行调整，具体的可以根据实际情况确定，本申请对此不作限定。在一个实施方式中，由于采用邻井的钻井数据集在一定程度上可以较好的表征目标井，但是在一些情况下还是会存在一些误差。因此，可以在起钻后根据已钻井段的钻井数据对上述预测模型进行更新，以提高预测准确度。在本实施方式中，可以在述目标井起钻后，获取目标井中已钻井段的第二钻井数据集，并根据已钻井段的第二钻井数据集对预测模型进行更新，得到目标预测模型。在继续钻进时，可以利用上述目标预测模型确定目标井的井底钻压和井底扭矩。在本实施方式中，上述起钻为：当钻头工作一段时间后便磨损不能再用，需要更换新钻头，此时需要将井中全部钻柱取出，可以称为起钻作业。在换完钻头后，可以将由钻头、钻铤、方钻杆组成的钻杆往下入井中，使钻头接触井底，准备继续钻进。在本实施方式中，在起钻后，可以直接获取目标井中已钻井段的第三钻井数据集，上述第三钻井数据集中可以包括钻井工程参数及钻井设计参数两类数据。上述钻井工程数据为时序性数据，可以包括：井深、井斜、方位角、实测井底钻压、实测井底扭矩、大钩载荷、地面扭矩、泵压、转盘转速、泵冲、立管压力、套管压力、入口密度、出口密度等。上述钻井设计参数为非时序性数据，可以包括：钻具组合(增斜、降斜、稳斜)、轨道类型(三段式、五段式、双增式)、钻井液类型(水基、油基、气基)等。其中，上述钻井设计参数可以与上述第一钻井数据集中的数据相同，因此，在本实施方式中也可以直接采用上述第一钻井数据集，无需再次获取。上述第三钻井数据集中的钻井工程参数为已钻井段对应的确切数据，因此与上述第二钻井数据集中的数据会存在差异，需要重新获取。在本实施方式中，在起钻后，利用目标井中已钻井段的钻井工程数据对预测模型进行再训练、更新，可以有效提高预测模型的泛化能力，进而可以有效提高井底钻压、扭矩的预测的精确度。下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。以英买322井为例，本申请具体实施提供了一种摩阻确定方法，可以包括：步骤1：获取训练数据集先计算所需的基本参数：井身结构设计参数、管柱结构及参数，计算结果如表1和表2中所示。表1井身结构设计参数开次井深/m井径(套管内径)/m一开3010.3397二开15000.2445三开33610.1778四开36490.1978表2管柱结构及参数管柱种类井深/m内径/m外径/m接头直径/m线重(kg/m)第一种钻杆27200.08829010160.111619.45第二种钻杆31700.069850.11430.124361.01第三种钻杆35400.097180.10160.111627.00第四种钻杆36490.065100.11430.124344.20进一步的，可以获取钻井设计参数，并根据上述表1和表2中数据获取钻井工程参数，其中，钻井设计参数为钻具组合(增斜、降斜、稳斜)、轨道类型(三段式、五段式、双增式)、钻井液类型(水基、油基、气基)。bp神经网络的输入包括钻具组合、轨道类型、钻井液类型，lstm网络的输入为井深、井斜、方位角、实测井底钻压、实测井底扭矩、大钩载荷、地面扭矩、泵压、转盘转速、泵冲、立管压力、套管压力、入口密度、出口密度。每类数据共有3355条数据样本，随机抽取70％的数据样本即2348条数据样本用于训练，30％的数据样本即1007条数据样本用于测试。步骤2：利用训练数据和测试数据训练利用bp神经网络和lstm网络构建得到的预测模型。步骤3：利用训练得到的预测模型预测目标井的井底钻压和井底扭矩。井底钻压的预测结果如图4中所示，其中，test_wob为真实的井底钻压，单位kn；pred_wob为利用预测模型预测得到的井底钻压，单位kn。井底扭矩的预测结果如图5中所示，其中，test_torque为真实的井底扭矩，单位kn·m；pred_torque为利用预测模型预测的井底扭矩，单位kn·m。步骤4：根据预测得到的井底钻压和井底扭矩，利用管柱整体受力模型从钻头逐段计算至地面，得到目标井中各管柱的摩阻。其中，摩阻的计算结果可以如图6中所示，其中，横坐标为摩阻(resistance，n)，纵坐标为井深(depth，m)。基于同一发明构思，本申请实施例中还提供了一种摩阻确定装置，如下面的实施例。由于摩阻确定装置解决问题的原理与摩阻确定方法相似，因此摩阻确定装置的实施可以参见摩阻确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图7是本申请实施例的摩阻确定装置的一种结构框图，如图7所示，可以包括：第一获取模块701、第二获取模块702、预测模块703和确定模块704，下面对该结构进行说明。第一获取模块701，可以用于获取目标井的第一钻井数据集，其中，第一钻井数据集中的数据为钻井设计参数值；第二获取模块702，可以用于在目标井的钻进过程中获取第二钻井数据集，其中，第二钻井数据集中的数据为在目标井的钻进过程中产生的工况数据和机器状态数据；预测模块703，可以用于将第一钻井数据集和第二钻井数据集输入利用神经网络训练得到的预测模型中，得到目标井的井底钻压和井底扭矩；确定模块704，可以用于根据井底钻压和井底扭矩，利用管柱整体受力模型确定目标井中各管柱的摩阻。本申请实施方式还提供了一种电子设备，具体可以参阅图8所示的基于本申请实施例提供的摩阻确定方法的电子设备组成结构示意图，电子设备具体可以包括输入设备81、处理器82、存储器83。其中，输入设备81具体可以用于输入第一钻井数据集、第二钻井数据集。处理器82具体可以用于获取目标井的第一钻井数据集，其中，第一钻井数据集中的数据为钻井设计参数值；在目标井的钻进过程中获取第二钻井数据集，其中，第二钻井数据集中的数据为在目标井的钻进过程中产生的工况数据和机器状态数据；将第一钻井数据集和第二钻井数据集输入利用神经网络训练得到的预测模型中，得到目标井的井底钻压和井底扭矩；根据井底钻压和井底扭矩，利用管柱整体受力模型确定目标井中各管柱的摩阻。存储器83具体可以用于存储目标井的井底钻压和井底扭矩、目标井中各管柱的摩阻等参数。在本实施方式中，输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。输入设备还可以获取接收其他模块、单元、设备传输过来的数据。处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。存储器具体可以是现代信息技术中用于保存信息的记忆设备。存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如ram、fifo等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、tf卡等。在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。本申请实施方式中还提供了一种基于摩阻确定方法的计算机存储介质，计算机存储介质存储有计算机程序指令，在计算机程序指令被执行时可以实现：获取目标井的第一钻井数据集，其中，第一钻井数据集中的数据为钻井设计参数值；在目标井的钻进过程中获取第二钻井数据集，其中，第二钻井数据集中的数据为在目标井的钻进过程中产生的工况数据和机器状态数据；将第一钻井数据集和第二钻井数据集输入利用神经网络训练得到的预测模型中，得到目标井的井底钻压和井底扭矩；根据井底钻压和井底扭矩，利用管柱整体受力模型确定目标井中各管柱的摩阻。在本实施方式中，上述存储介质包括但不限于随机存取存储器(randomaccessmemory,ram)、只读存储器(read-onlymemory,rom)、缓存(cache)、硬盘(harddiskdrive,hdd)或者存储卡(memorycard)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。显然，本领域的技术人员应该明白，上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请实施例不限制于任何特定的硬件和软件结合。虽然本申请提供了如上述实施例或流程图所述的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述的方法的在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本申请的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。当前第1页12