基于贝叶斯算法的钻井溢流预警方法、系统及存储介质

技术领域

本发明涉及一种基于贝叶斯数据挖掘算法的钻井溢流预警方法、预警系统及存储介质，属于人工智能数据挖掘工程应用领域。

背景技术

钻井工程中，若出现溢流未能及时发现并关井处理，可能使溢流事件演变为井涌甚至井喷事故，造成人员和设备损失。

目前，现有溢流判别方法大多是基于钻井过程中现场作业人员对地面现象的肉眼识别，例如出入口流量不均衡，返出量异常高，或者活动池液面增加，则判断井下发生溢流。但是当人员已经观测到上述现象时，井下溢流早已发生一段时间，大量流体已进入井筒。

发明内容

针对上述问题，本发明的目的是提供一种基于贝叶斯数据挖掘算法的钻井溢流预警方法、系统及存储介质，该方法预警结果实时性强，可避免现场观察法发现溢流的滞后性缺陷。

为实现上述目的，本发明采用以下技术方案：

第一方面，本发明提供一种基于贝叶斯算法的钻井溢流预警方法，包括以下步骤：

1)根据已钻井历史数据建立数据样本

每一样本表示为：

X＝{X

式中，X

2)分类样本中的属性

根据需判断溢流与否的目标井的工程参数x

3)计算溢流发生和未发生的先验概率；

4)计算离散型属性和连续型属性的条件概率；

5)根据贝叶斯数据挖掘算法，基于步骤3)所得先验概率、步骤4)所得的离散型属性和连续型属性的条件概率，计算溢流发生的后验概率和溢流未发生的后验概率；

6)比较步骤5)中溢流发生和溢流未发生的后验概率的大小，若前者大于后者，则判断为发生溢流，否则判断为未溢流。

所述的基于贝叶斯算法的钻井溢流预警方法，优选地，在上述步骤3)中，溢流发生的先验概率为溢流值为“是”的样本数量占总样本数量的百分比，公式如下：

式中，S

溢流未发生的先验概率为溢流值为“否”的样本数量占总样本数量的百分比，公式如下：

式中，S

所述的基于贝叶斯算法的钻井溢流预警方法，优选地，在上述步骤4)中，每一离散型属性的条件概率分溢流值为“是”和“否”两种条件；

在溢流值为“是”的所有样本中，离散型属性所占的数量百分比即为其溢流值为“是”的条件概率，表达式如下：

其中，S

在溢流值为“否”的所有样本中，离散型属性所占的数量百分比即为其溢流值为“否”的条件概率，表达式如下：

其中，S

假设每个连续型属性的条件概率均符合高斯分布，每一连续型属性的条件概率分溢流值为“是”和“否”两种条件；

在溢流值为“是”的所有样本中，每一连续型属性的条件概率为：

式中，μ

在溢流值为“否”的所有样本中，每一连续型属性的条件概率为：

式中，μ

所述的基于贝叶斯算法的钻井溢流预警方法，优选地，在上述步骤5)中，井下发生溢流的后验概率P(溢流后验)计算公式为：

P(溢流后验)＝P(溢流＝是)×P(X

×…P(X

溢流未发生的后验概率P(未溢流后验)计算公式为：

P(未溢流后验)＝P(溢流＝否)×P(X

所述的基于贝叶斯算法的钻井溢流预警方法，优选地，每一样本表示为：

X＝{X

式中，X

所述的基于贝叶斯算法的钻井溢流预警方法，优选地，在上述步骤6)中，P(溢流后验)大于10倍的P(未溢流后验)，判断为发生溢流，否则判断为未溢流。

第二方面，本发明还提供一种基于贝叶斯算法的钻井溢流预警系统，包括：

样本建立模块，被配置为根据已钻井历史数据建立数据样本；

属性分类模块，被配置为根据需判断溢流与否的钻井的工程参数分类样本中的属性；

先验概率计算模块，被配置为计算溢流发生和未发生的先验概率；

条件概率计算模块，被配置为计算不同分类的属性的条件概率；

后验概率计算模块，被配置为基于贝叶斯数据挖掘算法、溢流发生和未发生的先验概率以及不同分类的属性的条件概率，计算溢流发生的后验概率和溢流未发生的后验概率；

结果输出模块，被配置为根据溢流后验概率和未溢流后验概率输出预警结果。

第三方面，本发明还提供一种处理设备，包括存储器、处理器以及存储在所述存储器中计算机程序，所述处理器执行所述计算机程序时实现根据第一方面所述的基于贝叶斯算法的钻井溢流预警方法。

第四方面，本发明还提供一种存储介质，存储介质上存储计算机程序，该程序被处理器执行时实现根据第一方面所述的基于贝叶斯算法的钻井溢流预警方法。

本发明采用以上技术方案，其具有如下优点：本发明基于贝叶斯数据挖掘算法，根据目标井的反映井底情况的工程参数和根据已钻井历史数据建立数据样本，计算溢流发生和溢流未发生的后验概率，并根据溢流发生和溢流未发生的后验概率的大小判断目标井发生溢流与否，实现溢流迅速预警，弥补现有方法的滞后性缺陷。工程参数包括扭矩、泵压、机械钻速数据，可获得性强，一旦发生溢流，扭矩、泵压和机械钻速的反馈速度远远快于活动池液面等现象的反馈速度，提高预警结果实时性，克服现场观察法发现溢流的滞后性缺陷。

附图说明

图1是本发明的流程框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”“内”、“外”、“横”、“竖”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，使用术语“第一”、“第二”等词语来限定零部件，仅仅是为了便于对上述零部件进行区别，如没有另行声明，上述词语并没有特殊含义，不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本公开实施例提供的一种基于贝叶斯算法的钻井溢流预警方法、系统及存储介质。该预警方法包括以下步骤：1)根据已钻井历史数据建立数据样本；2)分类样本中的属性；3)计算溢流发生和未发生的先验概率；4)计算离散型属性和连续型属性的条件概率；5)根据贝叶斯数据挖掘算法，基于步骤3)所得先验概率、步骤4)所得的离散型属性和连续型属性的条件概率，计算溢流发生的后验概率和溢流未发生的后验概率；6)比较步骤5)中溢流发生和溢流未发生的后验概率的大小，若前者大于后者，则判断为发生溢流，否则判断为未溢流。该预警方法基于目标井的反映井底情况的工程参数，综合进行井下溢流工况判断，实现溢流迅速预警，弥补现有方法的滞后性缺陷。工程参数包括油气田、地层、岩性、扭矩、泵压和机械钻速，工程参数可获得性强，扭矩、泵压、机械钻速数据是反映井底情况最迅速、最直接的工程参数，一旦发生溢流，扭矩、泵压和机械钻速的反馈速度远远快于活动池液面等现象的反馈速度，从而提高预警结果的实时性，克服现场观察法发现溢流的滞后性缺陷。

实施例1

本公开实施例提供一种基于贝叶斯算法的钻井溢流预警方法，

1)根据已钻井历史数据建立数据样本

每一样本表示为：

X＝{X

式中，X

2)分类样本中的属性

根据需判断溢流与否的目标井的工程参数x

3)计算溢流发生和未发生的先验概率

具体地，溢流发生的先验概率为溢流值为“是”的样本数量占总样本数量的百分比，公式如下：

式中，S

溢流未发生的先验概率为溢流值为“否”的样本数量占总样本数量的百分比，公式如下：

式中，S

4)计算离散型属性的条件概率

具体地，每一离散型属性的条件概率分溢流值为“是”和“否”两种条件；

在溢流值为“是”的所有样本中，离散型属性所占的数量百分比即为其溢流值为“是”的条件概率，表达式如下：

其中，S

在溢流值为“否”的所有样本中，离散型属性所占的数量百分比即为其溢流值为“否”的条件概率，表达式如下：

其中，S

5)计算连续型属性的条件概率

具体地，计算过程中假设每个连续型属性的条件概率均符合高斯分布，每一连续型属性的条件概率分溢流值为“是”和“否”两种条件；

在溢流值为“是”的所有样本中，每一连续型属性的条件概率为：

式中，μ

在溢流值为“否”的所有样本中，每一连续型属性的条件概率为：

式中，μ

6)根据贝叶斯数据挖掘算法，基于步骤3)所得先验概率、步骤4)所得的离散型属性的条件概率、步骤5)所得的连续型属性的条件概率，计算溢流发生的后验概率和溢流未发生的后验概率；

具体地，井下发生溢流的后验概率P(溢流后验)计算公式为：

P(溢流后验)＝P(溢流＝是)×P(X

溢流未发生的后验概率P(未溢流后验)计算公式为：

P(未溢流后验)＝P(溢流＝否)×P(X

7)比较步骤6)中溢流发生和溢流未发生的后验概率的大小，若前者大于后者，则判断为发生溢流，否则判断为未溢流。

如图1所示，下面以具体实例对本实施例提供的一种基于贝叶斯算法的钻井溢流预警方法进行说明，包括以下步骤：

1)根据已钻井历史数据统计得到m行大数据样本(如表1所示)，每个样本表示如下：

X＝{X

式中，X

表1 m行大数据样本

2)根据要判断“在南部气田的侏罗纪的砂岩地层，钻井扭矩为15kN·m，泵压为13MPa，机械钻速8m/h时”，井下是否发生了溢流，将样本的前6个元素属性进行分类，其中X

3)计算溢流发生和未发生的先验概率，即溢流值为“是”的样本数量占总样本数量m的百分比，及溢流值为“否”的样本数量占总样本数量m的百分比。(由于大数据的数据量众多，表格无法全部呈现，假设总样本数量m＝1000，溢流值为“是”的有100行，“否”为900行)

4)分别计算离散型属性X

在溢流值为“是”的100个样本中，X

在溢流值为“否”的900个样本中，X

5)计算每个连续型属性的条件概率。假设连续型属性的条件概率符合高斯分布，则在溢流值为“是”的100个样本中，X

式中，μ

在溢流值为“否”的900个样本中，X

式中，μ

6)根据贝叶斯原理，利用步骤3所得先验概率、步骤4所得离散型属性的条件概率、步骤5所得连续型属性的条件概率，计算溢流发生的后验概率P(溢流后验)和P(未溢流后验)，其值为：

P(溢流后验)＝10％×30％×50％×80％×5％×12％×17％＝0.0138

P(未溢流后验)＝90％×22％×16％×11％×9％×6％×6％＝0.00141

7)比较溢流后验概率和未溢流后验概率的大小，P(溢流后验)大于P(未溢流后验)的10倍，判断目标井在南部气田侏罗纪砂岩地层，钻井扭矩为15kN·m，泵压为13MPa，机械钻速8m/h的条件下，井底发生溢流，否则，判断为未发生溢流。

实施例2

上述实施例1提供了基于贝叶斯算法的钻井溢流预警方法，与之相对应地，本实施例提供一种预警系统。本实施例提供的预警系统可以实施实施例1的基于贝叶斯算法的钻井溢流预警方法，该系统可以通过软件、硬件或软硬结合的方式来实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的预警系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例1的部分说明即可，本实施例的评价系统仅仅是示意性的。

本实施例提供的一种基于贝叶斯算法的钻井溢流预警系统，包括：

样本建立模块，被配置为根据已钻井历史数据建立数据样本；

属性分类模块，被配置为根据需判断溢流与否的目标井的工程参数分类样本中的属性；

先验概率计算模块，被配置为计算溢流发生和未发生的先验概率；

条件概率计算模块，被配置为计算不同分类的属性的条件概率；

后验概率计算模块，被配置为基于贝叶斯数据挖掘算法、溢流发生和未发生的先验概率以及不同分类的属性的条件概率，计算溢流发生的后验概率和溢流未发生的后验概率；

结果输出模块，被配置为根据溢流后验概率和未溢流后验概率输出预警结果。

实施例3

本实施例提供一种实现本实施例1所提供的基于贝叶斯算法的钻井溢流预警方法的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的预警方法。

所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的基于贝叶斯算法的钻井溢流预警方法。

优选地，存储器可以是高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

优选地，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。

实施例4

本实施例1的基于贝叶斯算法的钻井溢流预警方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的预警方法的计算机可读程序指令。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。