基于钻井大数据的钻进参数优化和人工智能建模技术

以石油钻井系统数字化建设为基础，利用石油钻井系统的数据库、数据处理模型等，依据大数据技术和人工智能建模技术，构架具有全面感知、生产量化、科学指导决策、可视化钻井过程的钻进优化系统。通过统一的集中运行以及实时高效的科学化模拟、分析、预测与优化，对海量钻井数据进行分析处理，从而优化钻进过程，提高钻井效率，降低钻井成本，为实现智慧化钻井奠定基础。

石油钻井数据来源于钻井过程的各个环节，且种类繁多，数量巨大，因而存在海量钻井数据的存储及管理不一致的问题。且钻井过程中钻进参数及地下环境等的复杂性和多样性，以及钻井过程很多因素的不确定性，如：地下环境、地质参数等的不确定，使得钻井决策更多地依赖于专家经验，以至于决策的科学性差。为了提高决策的科学性，钻井工作人员和研究人员对钻井过程做了很多优化工作，提出了很多的优化模型和改进方法。但是，随着钻井行业数据量的不断增长，传统的数据处理模型对于非结构化数据的处理具有一定的局限性，因此如何利用先进的技术和管理手段，收集、整合、优化石油钻井各类数据对于提高钻井效率具有重要意义。

在石油钻井数字化建设的基础上，结合大数据技术和人工智能建模技术，对钻井勘探、开发、生产管理等领域的各项数据，进行统一存储、分析与优化，实现海量钻井大数据的共享化、一体化、钻井生产可视化和分析决策科学化，以优化钻井过程，达到降低钻井成本的目的。研究的主要内容包括：

（1）建立钻井大数据采集及存储平台

钻进参数是指钻进过程中可控制的参数，主要包括钻压、转速、钻井液性能、泵量、泵压、泵率及其他水力参数。钻进参数种类繁多，数据量巨大，将钻进参数统一采集存储到分布式数据库中，为钻井大数据的分析挖掘提供数据基础。

（2）海量钻井数据的预处理方法

常用的数据预处理方法包括数据降维和数据归一化等，它能在使用某种优化方法之前先将数据整理为适合该优化方法的格式，将数据维度互相统一、标准化，删除部分异常数据，以提高优化方法运算结果的准确度。

（3）钻进参数的算法优选、算法适用性分析

钻井数据的优化方法包括：神经网络、聚类、归纳学习等，每种方法都有其在处理数据上的特长，如果处理方法选择不当，则既不能发挥方法的长处，也不能达到处理信息的目的。只有选择正确的优化方法才能实现对海量数据进行分析，建立相应模型，优化钻进参数的目的。

（4）最终实现钻进参数优化和人工智能建模

根据算法，通过程序运行生成对应的模型，可以将地质参数、环境因素等信息进行综合分析处理，经过优化模型的分析，确定最优的钻进参数，确定优化的目标值，通过调整钻进过程中的参数等及时地对钻进过程采取优化控制，以降低钻井成本。

采用的技术路线：

作者：SuZ