[發明專利]一種基于深度學習的旋轉導向自動鉆井方法

在審

• 申請號: 202010801761.2
• 申請日: 2020-08-11
• 公開（公告）號: CN111810113A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 劉偉;白璟;張德軍;汪洋;陳東;韓烈祥;連太煒;高林;廖沖;鄭超華;肖占朋;張繼川
• 申請（專利權）人: 中國石油天然氣集團有限公司;中國石油集團川慶鉆探工程有限公司
• 主分類號: E21B44/00
• 分類號: E21B44/00;G06F30/20;E21B7/04;E21B47/022;E21B41/00
• 代理公司: 成都天嘉專利事務所(普通合伙) 51211
• 代理人: 毛光軍

1.一種基于深度學習的旋轉導向自動鉆井方法，其特征在于，包括如下步驟：

a）建立旋轉導向鉆井數據庫，錄入實鉆或者模擬鉆井數據；

b）通過對已鉆井數據或模擬井數據智能深度學習，初始化鉆井指導模型反饋單元；

c）在鉆井指導模型反饋單元中輸入作業井數據，給出本井鉆具組合建議，輸出本井鉆井指導模型；

d）實時測量井眼軌跡數據，評價工具狀態，識別井眼軌跡與設計匹配程度，規劃井眼控制方案，劃分最新控制指令鉆進井段，調整鉆井參數。

2.根據權利要求1所述的一種基于深度學習的旋轉導向自動鉆井方法，其特征在于：步驟a）中，包括在現場應用之前，建立以井基礎信息、井眼軌跡數據、鉆井指令、工具振動值、鉆具組合和鉆井參數的實際或模擬鉆井數據的數據庫，錄入歸一化處理數據。

3.根據權利要求2所述的一種基于深度學習的旋轉導向自動鉆井方法，其特征在于：步驟b）中，包括在現場應用之前，將井基礎信息、井眼軌跡數據、鉆井指令、工具振動值、鉆具組合和鉆井參數的歸一化數據通過深度學習，隨后將測試數據作為輸入，驗證輸出指令對應井眼軌跡變化效果是否一致，若成功率低于90%則在步驟a）中重新篩選或者歸一化數據；若成功率大于90%則初始化鉆井指導模型反饋單元成功。

4.根據權利要求3所述的一種基于深度學習的旋轉導向自動鉆井方法，其特征在于：步驟c）中，輸入即將作業井基礎數據、全部井眼軌跡設計數據后，根據鉆井模型優選本井下入的鉆具組合，或工程師人工輸入鉆具組合，設置鉆井參數中鉆壓、頂驅轉速和排量上限；根據井眼軌跡設計數據以及鉆具組合，模擬鉆進效能，將不同鉆井指令以及鉆井參數分配到井眼軌跡數據點中，形成以鉆井井眼軌跡為基礎、劃分鉆井指令井段和鉆井參數為主的鉆井模型。

5.根據權利要求4所述的一種基于深度學習的旋轉導向自動鉆井方法，其特征在于：步驟d）中，包括下鉆剛接觸井底時，測量井底井眼軌跡數據，按照初始井眼軌跡控制方案對應當前測深的井眼軌跡數據進行匹配程度分析，如果井眼軌跡存在偏差，那么從測量井深數據點開始，以目標靶區為最終實現點，重新規劃井眼軌跡控制方案，劃分最新指令控制節點。

6.根據權利要求5所述的一種基于深度學習的旋轉導向自動鉆井方法，其特征在于：步驟d）中，包括在鉆進過程中，每一個指令切換節點或者每分鐘測量3-10次的數據，根據兩個測量點或者節點之間井斜、網格方位、垂深和本段鉆進狗腿度來評價當前指令是否滿足井眼軌跡對應目標靶區要求，若不滿足則按照差異程度重新規劃鉆井指導模型；若滿足則配以機械鉆速和鉆井參數從而進一步評價鉆進效能。

7.根據權利要求6所述的一種基于深度學習的旋轉導向自動鉆井方法，其特征在于：步驟d）中，如果鉆進效能與鉆井模型存在負差距，則依次提升10%鉆壓和轉速直至上限。

8.根據權利要求7所述的一種基于深度學習的旋轉導向自動鉆井方法，其特征在于：步驟d）中，需要切換指令時，將鉆壓逐漸回零后、轉速不變，通過控制下傳分流裝置或者泥漿泵排量開關，按照指令編碼對應排量以及保持時間，下傳通訊井下工具接下來鉆進所需指令。

9.根據權利要求8所述的一種基于深度學習的旋轉導向自動鉆井方法，其特征在于：步驟e）中，通過步驟c）確定為復合鉆進方式時，按照鉆井模型通過控制絞車傳感器、泥漿泵傳感器和頂驅控制器來調整鉆井參數，實現以鉆具組合復合鉆效能進行鉆進。