一种工况识别方法

本发明涉及石油与天然气工程，具体涉及钻井工程技术。

背景技术：

1、钻井在油气勘探开发中扮演着至关重要的角色，特别是在海上石油钻井领域。然而，这一过程具有高难度和高成本，整个过程中相关的辅助操作占用了很大一部分施工时间。

2、在钻井工况中，接单根使用经历的时长最多，例如在一开过渡至二开的阶段需要更换直径更小的钻头时，需要进行接单根工艺；更换底部钻具时需要进行接单根工艺。

3、现有技术中，只是针对接单根前、接单根中和接单根后对接单根工况进行区分，并实施对应的钻井工艺，上述方式对接单根工况的分解是基于时间实现的，而钻井工艺的实施也只能根据工程师针对钻井工程的实际经验进行，为实际的钻井工程埋下了隐患。

技术实现思路

1、本发明的目的在于提供一种工况识别方法，以解决现有技术为钻井工程的进行埋下隐患的问题。

2、为了实现上述目的，本发明采用的技术方案如下：

3、一种工况识别方法，

4、实时接收待识别的钻井工况数据，包括泵排量、井深、钻头位置、扭矩、钻头是否在井底、泵排量速度、流量、大钩高度、转速、大钩载荷、立管压力或者钻压至少之一；

5、根据待识别的钻井工况数据，识别当前的钻井工况，所述钻井工况为短起上提、短距下放、接单根准备、连接坐卡中、单根连接中或者单根连接完毕的工况；

6、针对所述钻井工况，实施对应的钻井工艺，具体的：

7、当所述钻井工况为短起上提时，进行关泵操作，关闭转盘转、停止钻进、停止钻头旋转操作，并将钻头提起到坐卡卡瓦位置的钻井工艺；

8、当所述钻井工况为短距下放时，进行开泵操作，开启转盘转、开启钻头旋转操作，将钻头从卡瓦位置下放到所钻位置的工艺；

9、当所述钻井工况为接单根准备时，进行关闭转盘转、停止钻井液循环或者洗井的钻井工艺；

10、当所述钻井工况为连接坐卡中时，进行需将钻柱放入卡瓦中、从保护接头处断开钻柱或者在保护接头上安装新的钻柱的钻井工艺；

11、当所述钻井工况为单根连接中时，移动大钩将钻杆吊起至井口位置，对接并固定钻杆，并检查连接的钻井工艺；

12、当所述钻井工况为单根连接完毕时，移除卡瓦，对井口进行清理，准备开钻的钻井工艺。

13、进一步，所述识别当前的钻井工况的方法在于：

14、将待识别的钻井工况数据输入分类模型中，输出钻井工况；

15、当待识别的钻井工况数据为关泵状态、钻头位置在井深方向上逐渐减小且泵排量速度大于0时，所述分类模型输出短起上提的钻井工况；

16、当待识别的钻井工况数据为关泵状态、钻头位置在井深方向上逐渐增大且泵排量大于0时，所述分类模型输出短距下放的钻井工况；

17、当待识别的钻井工况数据为关泵状态、井深不变且钻头在井底时，所述分类模型输出接单根准备的钻井工况；

18、当待识别的钻井工况数据为关泵状态、钻头位置不变、大钩载荷大于等于80kdan、钻头钻速小于等于120rpm时，所述分类模型输出连接坐卡中的钻井工况；

19、当待识别的钻井工况数据为关泵状态且钻头位置不变时，所述分类模型输出单根连接中的钻井工况；

20、当待识别的钻井工况数据为关泵状态、钻头位置不变、大钩载荷大于等于80kdan且钻头钻速大于等于150rpm时，所述分类模型输出连接完毕的钻井工况；

21、获取所述分类模型的方法为：

22、初始化分类模型；

23、获取训练钻井工况数据，将训练钻井工况数据分为训练集和测试集，训练并优化初始化的分类模型，所述训练钻井工况数据为时序数据；

24、进一步，建立第一分类器和第二分类器，采用所述训练集训练第一分类器和第二分类器，所述第一分类器和第二分类器均为机器学习模型，所述分类模型为第一分类器、第二分类器或者第两者相融合；

25、若第一分类器的预测准确率与第二分类器的预测准确率的差值小于预设差值，则根据所述第一分类器的预测值、第一分类器的权重值、第二分类器的预测值以及第二分类器的权重值计算得到所述分类模型的预测值。

26、进一步，所述第一分类器的权重值和第二分类器的权重值的计算方法为：

27、根据所述验证集，得到第一分类器的性能指标和第二分类器的性能指标；

28、根据第一分类器的性能指标和第二分类器的性能指标分别计算得到第一熵值和第二熵值；

29、根据第一熵值和第二熵值分别计算得到第一分类器的权重值和第二分类器的权重值。

30、进一步，所述第一分类器的建立方法为：

31、建立随机森林模型，选择随机森林模型的超参数；

32、在所述训练集中随机抽取训练数据，作为决策树的训练样本；

33、选择钻井工况数据的参数范围值作为特征值，所述参数范围值根据钻井工况所获得；

34、训练所述随机森林模型，得到所述第一分类器。

35、进一步，所述第二分类器的建立方法为：

36、建立卷积神经网络模型，选择卷积神经网络模型的超参数；

37、将训练集中每个参数值组中的参数值归一化，输入卷积神经网络模型中，令每个钻井工况所对应特征值相同，所述参数值组与钻井工况相对应，所述参数值组由若干个工况参数值组成。

38、进一步，所述随机森林的超参数的选择是基于贝叶斯优化算法所实现。

39、进一步，所述卷积神经网络模型的超参数的选择是基于灰狼优化算法所实现。

40、进一步，所述训练钻井工况数据的获得方法如下：

41、根据钻井工况的具体类型的发生时间以及持续时间，在录井数据中，找到对应的钻井工况数据，计算钻井工况数据之间的相关性，筛选相关性大于阈值的钻井工况数据的类型。

42、进一步，当待识别的钻井工况数据为开泵状态、井深变大且扭矩等于0，所述分类模型输出滑动钻进的钻井工况；

43、当待识别的钻井工况数据为开泵状态、井深变大且扭矩大于0，所述分类模型输出旋转钻进的钻井工况；

44、当待识别的钻井工况数据为开泵状态、井深不变且钻头位置不变，所述分类模型输出钻井液循环的钻井工况；

45、当待识别的钻井工况数据为开泵状态、井深不变且钻头钻头位置在井深方向上逐渐增大，所述分类模型输出划眼的钻井工况；

46、当待识别的钻井工况数据为开泵状态、井深不变且钻头钻头位置在井深方向上逐渐减小，所述分类模型输出倒划眼的钻井工况；

47、当待识别的钻井工况数据为关泵状态、钻头位置减小且泵排量速度为0，所述分类模型输出起钻的钻井工况；

48、当待识别的钻井工况数据为关泵状态、钻头位置增大且泵排量速度为0，所述分类模型输出下钻的钻井工况；

49、当待识别的钻井工况数据为关泵状态、入口流量不为0，钻速为0且大钩高度大于20m，所述分类模型输出测斜的钻井工况。

50、本发明的有益效果：

51、本发明基于钻井工况数据，将接单根工况分为六种子工况，并根据子工况的类型进行对应的钻井工艺，使得接单根过程中的钻井工艺的实施模块化，减少了对工程师经验的依赖，降低了钻井工程的风险；

52、本发明通过设置分类模型，实现了对短起上提、短距下放、接单根准备、连接坐卡中、单根连接中或者单根连接完毕钻井工况的识别，减少了整理和分析需要花费的时间、成本和人力资源，并提高了钻井工程的效率。