[發(fā)明專利]一種卡鉆預警和類型診斷方法

在審

• 申請?zhí)枺?/td>: 201911014951.3
• 申請日: 2019-10-24
• 公開（公告）號: CN110778307A
• 公開（公告）日: 2020-02-11
• 發(fā)明（設計）人: 張金科;李黔
• 申請（專利權）人: 西南石油大學
• 主分類號: E21B47/00
• 分類號: E21B47/00;E21B44/00;G06F30/20;G06F111/10
• 代理公司: 11640 北京中索知識產權代理有限公司
• 代理人: 房立普

1.一種卡鉆預警和類型診斷方法，其特征在于，包括以下步驟：

S1、使用鄰井鉆井參數的歷史數據對PSO-SVM模型進行訓練；

S2、獲取實時鉆井參數，并將獲取的鉆進參數按獲取時間先后順序排列，得到時間序列；

S3、對鉆井參數時間序列進行平穩(wěn)化檢驗和平穩(wěn)化處理；

S4、建立鉆井參數的時間序列模型，并對模型參數及模型的有效性進行檢驗，對時間序列模型進行優(yōu)選；

S5、利用建立好的時間序列模型預測鉆井參數在后續(xù)時間段內的數據，將預測值輸入訓練好的PSO-SVM模型，得到卡鉆的預警信息及卡鉆類型診斷結果；

S6、利用后續(xù)時間段采集的鉆井參數數據更新時間序列模型，并基于本井卡鉆發(fā)生前后各鉆井參數序列，重新訓練PSO-SVM模型，采用最新模型實時更新卡鉆預警和卡鉆類型診斷結果。

2.根據權利要求1所述的一種卡鉆預警和類型診斷方法，其特征在于，所述鄰井鉆井參數包括卡鉆事故發(fā)生與否和發(fā)生的各種卡鉆類型。

3.根據權利要求1所述的一種卡鉆預警和類型診斷方法，其特征在于，步驟S1中，所述PSO-SVM模型的訓練步驟如下：

S11、初始化粒子群算法PSO參數：設置慣性權重、種群大小及迭代次數；

S12、計算粒子適應度值；

S13、判斷是否滿足終止迭代的條件：判斷迭代次數是否達到預設值，如果未達到則更新粒子速度和位置，轉到步驟S12；

S14、滿足終止條件時，得到最優(yōu)參數值懲罰因子C和核函數參數g，進行最終的SVM訓練。

4.根據權利要求3所述的一種卡鉆預警和類型診斷方法，其特征在于，步驟S13中，所述粒子速度和位置的更新按照下式進行：

V_i＝ωV_i+c₁r₁(p_besti-x_i)+c₂r₂(g_besti-x_i) (1)

x_i＝x_i+V_i (2)

式中，p_besti為個體極值；g_besti為全局極值；V_i為粒子速度；x_i為粒子位置；ω為慣性權重；c₁和c₂為學習因子，通常設為2；r₁、r₂是[0,1]內的隨機數。

5.根據權利要求1所述的一種卡鉆預警和類型診斷方法，其特征在于，步驟S2中，所述鉆井參數包括泵壓、立管壓力、轉盤扭矩及懸重。

6.根據權利要求1所述的一種卡鉆預警和類型診斷方法，其特征在于，步驟S3中，所述采用差分法對時間序列數據進行平穩(wěn)化處理，按照下式進行差分處理：

二階差分為兩個相鄰的一階差分值之間相減，x_t的二階差分為：

同理，x_t的d階差分為：

式中，分別是一階、二階、d階差分后的時間序列，x_t，x_t-1為當前時刻和前一時刻的參數值，測量參數時間序列為X＝[x_t,t＝1,2,…,N]，其中x表示測量參數時間序列，x_t表示在當前時刻的時間序列中每隔10秒所測量的參數值，t表示每個測量值的時間序號，N表示采樣點的個數，d表示差分階數。