一种机械钻速预测方法、装置、存储介质以及设备

技术领域

本发明涉及勘探技术领域，尤其涉及一种机械钻速预测方法、装置、存储介质以及设备。

背景技术

随着油田勘探开发领域正在由常规油气资源向低渗透、深层、超深层、海洋深水、页岩油、页岩气等非常规油气资源拓展，面临着资源劣质化、勘探多元化、开发复杂化、环境恶劣化等挑战，钻井是油气资源发现、探明和开采的关键环节，随着钻遇地质环境越来越复杂、钻井条件越来越苛刻，亟需发展新一代变革性钻井技术。智能钻井是未来钻井工程领域一大发展趋势，智能钻井技术是融合了大数据、人工智能、信息工程、井下控制工程学等理论与技术的一项变革性钻井技术，通过应用地面自动化钻机、井下智能执行机构、智能监控与决策技术等，实现钻井作业的超前探测、闭环调控、精准制导和智能决策，能大幅度提高钻井效率和储层钻遇率，显著提高复杂油气藏单井产量和采收率，并降低钻井成本。

机械钻速预测是智能钻井领域的重要研究方向之一，作为钻井作业的重要技术指标，机械钻速的精准预测可以科学指导钻井参数设计和优化、钻井提速工具优选、钻井周期和成本预测、协助优化井眼轨迹和井身结构等。现有方法中有提出基于经典机械比能模型的理论钻速预测方法，该方法假设钻进时，钻头破岩是一个能量平衡的过程，通过检测机械比能、钻压、转速、扭矩等参数反算钻速，但，钻井过程是一个动态过程，影响钻速的因素众多，任何参数的细微变化都会影响机械钻速，该方法考虑的参数有限且模型维度较低，非线性映射能力弱，无法精确预测动态变化的钻速。

发明内容

本发明要解决的技术问题是：如何解决钻速预测难度大、精度低的问题，以实现精准预测机械钻速。

为解决上述技术问题，本发明提供了一种机械钻速预测方法，其包括：

获取目标井眼的特征数据和理论机械钻速，所述特征数据包括地层性质参数、钻井参数、流体参数和钻头参数；

基于预先构建的机器学习模型对所述特征数据进行处理，获取所述目标井眼的钻速比值；

基于所述理论机械钻速和所述钻速比值得到所述机械钻速的预测值。

在一些实施例中，所述机器学习模型通过以下步骤构建：

获取所述目标井眼的多组所述特征数据作为训练样本集；

基于所述训练样本集中的每一组样本数据，对所述机器学习模型进行训练；

当所述机器学习模型输出的钻速比值的精确度大于预设阈值时，得到训练好的所述机器学习模型。

在一些实施例中，所述地层性质参数包括：层位、岩性、伽马值、声波时差、弹性模量、泊松比、粘聚力、内摩擦角和抗压强度；所述钻井参数包括：大钩负荷、钻压、转速、排量和泵压；所述流体参数包括：钻井液密度、第一静切力、第二静切力、滤失量、总固相量、漏斗粘度、比水功率和射流冲击力；所述钻头参数包括钻头型号、钻头磨损量和钻头直径。

在一些实施例中，获取所述理论机械钻速，包括：

获取所述目标井眼的钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能；

基于所述钻进机械参数、所述螺杆作用参数、所述冲击器作用参数、所述钻头作用参数、所述水力作用参数和所述机械比能，利用机械比能模型确定所述理论机械钻速。

在一些实施例中，所述机械比能模型包括：

其中，E

在一些实施例中，获取所述目标井眼的机械比能包括：

获取所述目标井眼的抗压强度和破岩能量效率；

基于所述抗压强度和所述破岩能量效率确定所述目标井眼的所述机械比能。

在一些实施例中，基于K近邻算法、支持向量机、神经网络算法、随机森林算法或极端梯度提升算法构建所述机器学习模型。

本发明的另一方面，提供了一种机械钻速预测装置，其包括：

数据获取模块，所述数据获取模块用于获取目标井眼的特征数据和理论机械钻速，所述特征数据包括地层性质参数、钻井参数、流体参数和钻头参数；

比值确定模块，所述比值确定模块用于基于预先构建的机器学习模型对所述特征数据进行处理，获取所述目标井眼的钻速比值；

钻速预测模块，所述钻速预测模块用于基于所述理论机械钻速和所述钻速比值得到所述机械钻速的预测值。

本发明的另一方面，提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被执行时能够实现如上所述的机械钻速预测方法。

本发明的另一方面，提供了一种设备，其包括：存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时能够实现如上所述的机械钻速预测方法。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

应用本发明提供的机械钻速预测方法、装置、存储介质以及设备，通过获取目标井眼的特征数据和理论机械钻速，基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值，基于理论机械钻速和钻速比值得到机械钻速的预测值。该方法通过将理论机械钻速和机器学习模型进行融合，可以有效解决钻速预测难度大的问题，同时提高了机械钻速预测的精确度，有利于为决策者提供可靠的依据，实现钻井作业的实时优化。

附图说明

通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：

图1示出了本发明实施例提供的一种机械钻速预测方法流程示意图；

图2示出了本发明实施例提供的机器学习模型训练和进行机械钻速预测的流程示意图；

图3示出了本发明实施例提供的基于机器学习模型和理论机械钻速预测机械钻速的示意图；

图4示出了本发明实施例二提供的一种机械钻速预测方法流程示意图；

图5示出了基于改进的机械比能模型确定出的理论机械钻速和实测机械钻速的对比示意图；

图6示出了基于理论和机器学习模型深度融合的方法预测出的机械钻速与实测机械钻速的对比示意图；

图7示出了本发明具体实施例提供的岩石抗压强度示意图；

图8示出了本发明具体实施例提供的基于理论和机器学习模型深度融合的方法预测出的机械钻速示意图；

图9示出了本发明具体实施例提供钻井参数优化后的机械钻速与实测机械钻速的对比示意图；

图10示出了本发明实施例提供的一种机械钻速预测装置的结构示意图；

图11示出了本发明实施例提供的一种设备结构示意图。

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，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。

机械钻速预测是智能钻井领域的重要研究方向之一，作为钻井作业的重要技术指标，机械钻速的精准预测可以科学指导钻井参数设计和优化、钻井提速工具优选、钻井周期和成本预测、协助优化井眼轨迹和井身结构等。现有方法中有提出基于经典机械比能模型的理论钻速预测方法，该方法假设钻进时，钻头破岩是一个能量平衡的过程，通过检测机械比能、钻压、转速、扭矩等参数反算钻速，其中，经典机械比能模型可以表示如下：

E

但，钻井过程是一个动态过程，影响钻速的因素众多，任何参数的细微变化都会影响机械钻速，现有基于经典机械比能模型预测钻速的方法考虑的参数有限且模型维度较低，非线性映射能力弱，无法精确预测动态变化的钻速。

有鉴于此，本申请提供了一种机械钻速预测方法、装置、存储介质以及设备，通过获取目标井眼的特征数据和理论机械钻速，基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值，基于理论机械钻速和钻速比值得到机械钻速的预测值。该方法通过将理论机械钻速和机器学习模型进行融合，可以有效解决钻速预测难度大的问题，同时提高了机械钻速预测的精确度，有利于为决策者提供可靠的依据，实现钻井作业的实时优化。

参见图1所示，图1示出了本发明实施例提供的一种机械钻速预测方法流程示意图，其包括：

步骤S101：获取目标井眼的特征数据和理论机械钻速，特征数据包括地层性质参数、钻井参数、流体参数和钻头参数。

步骤S102：基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值。

步骤S103：基于理论机械钻速和钻速比值得到机械钻速的预测值。

在本发明实施例中，步骤S101可以具体为，采用本领域常规的技术手段获取目标井眼的特征数据。

其中，特征数据可以包括地层性质参数、钻井参数、流体参数和钻头参数；在某些实施例中，地层性质参数可以包括层位、岩性、伽马值、声波时差、弹性模量、泊松比、粘聚力、内摩擦角和抗压强度；钻井参数可以包括大钩负荷、钻压、转速、排量和泵压；流体参数可以包括：钻井液密度、第一静切力、第二静切力、滤失量、总固相量、漏斗粘度、比水功率和射流冲击力，其中，作为一具体示例，第一静切力可以为钻井过程中流体静置10秒的静切力，第二静切力可以为钻井过程中流体静置10分钟的静切力；钻头参数可以包括钻头型号、钻头磨损量和钻头直径。

在一些实施例中，获取理论机械钻速可以为：

获取钻井过程中的钻压WOB、转盘转速N、钻头扭矩T、钻头截面积A

根据上述获取的参数，利用经典的机械比能模型确定出理论机械钻速ROP，其中，经典的机械比能模型可以用以下表达式表示：

在其他实施例中，理论机械钻速还可以基于改进的机械比能模型确定，以提高机械钻速预测的精确度，具体可参见以下实施例二中的描述。

在本发明实施例中，机器学习模型可以通过以下步骤构建：

获取目标井眼的多组特征数据作为训练样本集；

基于训练样本集中的每一组样本数据，对机器学习模型进行训练；

当机器学习模型输出的钻速比值的精确度大于预设阈值时，得到训练好的机器学习模型。

其中，钻速比值是实测钻速与基于经典机械比能模型计算得到的理论机械钻速的比值，钻速比值可以将造成理论机械钻速和实测机械钻速差异的众多因素合并成通过一个值来体现，通过利用机器学习模型来训练钻速比值，在训练过程中逐渐学习实测机械钻速和理论机械钻速之间的差异。基于训练好的机器学习模型，再结合理论机械钻速得到理论与机器学习模型融合的机械钻速预测值。

作为具体示例，参见图2所示，图2示出了本发明实施例提供的机器学习模型训练和进行机械钻速预测的流程示意图。在钻井过程中，通过利用井口和井下传感器进行原始数据的采集，并将需要的参数作为数据源远程传输至人机交互端，通过对数据源进行清洗后存入机器学习训练数据库中，作为训练集数据源。训练集数据源可以包括多组特征数据，针对每一组特征数据，可以通过计算机读取并进行数据预处理，数据预处理过程可以包括清除含零数据，以满足机器学习模型的训练需求；对于预处理后的数据采用特征工程进行特征数据的提取，并将提取的特征数据输入机器学习模型进行模型训练、测试和分析等操作。其中，可以通过判断机器学习模型输出的钻速比值是否满足精确度要求来确定是否得到训练好的机器学习模型，精确度可以通过以下表达式确定：

另外，参见图3所示，图3示出了本发明实施例提供的基于机器学习模型和理论机械钻速预测机械钻速的示意图。在本发明实施例中可以基于经典的机械比能模型计算理论机械钻速，并基于理论机械钻速和钻速比值得到机械钻速的预测值即计算融合机械钻速。最后可以将机械钻速的预测值通过数据传输的方式发送给终端等，以基于机械钻速的预测值进一步优化钻井参数、达到实时优化钻井参数的效果。

在一些实施例中，可以基于K近邻算法、支持向量机、神经网络算法、随机森林算法或极端梯度提升算法构建所述机器学习模型。作为一优选的示例，可以基于极端梯度提升算法XGboost构建机器学习模型，以有效防止算法过拟合，同时保证机器学习模型的精度。

在本发明实施例中，步骤S103可以具体为基于理论机械钻速和钻速比值的乘积得到机械钻速的预测值。

以上为本发明实施例提供的一种机械钻速预测方法，通过获取目标井眼的特征数据和理论机械钻速，基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值，基于理论机械钻速和钻速比值得到机械钻速的预测值。该方法通过将理论机械钻速和机器学习模型进行融合，可以有效解决钻速预测难度大的问题，同时提高了机械钻速预测的精确度，有利于为决策者提供可靠的依据，实现钻井作业的实时优化。

为了提高机械钻速的预测精确度还可以提高获取理论机械钻速的精度，具体请参见实施例二中的描述。

参见图4所示，图4示出了本发明实施例二提供的一种机械钻速预测方法流程示意图，其包括：

步骤S401：获取目标井眼的特征数据，特征数据包括地层性质参数、钻井参数、流体参数和钻头参数。

步骤S402：基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值。

步骤S403：获取目标井眼的钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能。

步骤S404：基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能，利用机械比能模型确定理论机械钻速。

步骤S405：基于理论机械钻速和钻速比值得到机械钻速的预测值。

在本发明实施例中，步骤S401可以具体为，采用本领域常规的技术手段获取目标井眼的特征数据。

其中，特征数据可以包括地层性质参数、钻井参数、流体参数和钻头参数；在某些实施例中，地层性质参数可以包括层位、岩性、伽马值、声波时差、弹性模量、泊松比、粘聚力、内摩擦角和抗压强度；钻井参数可以包括大钩负荷、钻压、转速、排量和泵压；流体参数可以包括：钻井液密度、第一静切力、第二静切力、滤失量、总固相量、漏斗粘度、比水功率和射流冲击力，其中，作为一具体示例，第一静切力可以为钻井过程中流体静置10秒的静切力，第二静切力可以为钻井过程中流体静置10分钟的静切力；钻头参数可以包括钻头型号、钻头磨损量和钻头直径。

在步骤S402中，可以将利用传感器从目标井眼采集到的数据经过预处理和特征提取后作为机器学习模型的输入数据，基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值。

在本发明实施例中，机器学习模型可以通过以下步骤构建：

获取目标井眼的多组特征数据作为训练样本集；

基于训练样本集中的每一组样本数据，对机器学习模型进行训练；

当机器学习模型输出的钻速比值的精确度大于预设阈值时，得到训练好的机器学习模型。

其中，钻速比值是实测钻速与基于理论模型计算得到的机械钻速的比值，钻速比值可以将造成理论机械钻速和实测机械钻速差异的众多因素合并成通过一个值来体现，通过利用机器学习模型来训练钻速比值，在训练过程中逐渐学习实测机械钻速和理论机械钻速之间的差异。基于训练好的机器学习模型，再结合理论机械钻速得到理论与机器学习模型融合的机械钻速预测值。

在步骤S403中，可以采用本领域的常规技术手段获取目标井眼的钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能。其中，E

在一些实施例中，可以根据抗压强度和破岩能量效率确定机械比能：

获取目标井眼的抗压强度CCS，根据抗压强度CCS确定最小机械比能E

获取破岩能量效率EFF

其中，在不同岩性类型的地层中进行钻进时，最小机械比能可以约等于岩石的抗压强度CCS，即有

破岩能量效率可以表示为：

进一步的，机械比能可以表示为：EFF

在本发明实施例中，可以基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数和水力参数构建机械比能模型：

其中，钻进机械参数包括WOB钻压、门限钻压W

通过综合考虑了螺杆能量、水力破岩能量、冲击器冲击功等破岩能量，同时引入门限钻压和门限扭矩参数，构建的模型更加直观且稳定性较好，可以有效扩展机械比能模型的适用范围，提高确定机械钻速的精确度。

步骤S404可以具体为，基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数，根据机械比能和机械比能模型确定理论机械钻速。

具体的，结合式(1)和式(2)，可以得到理论机械转速的表达式为：

通过综合多种参数，可以极大的提高机械钻速预测的准确性和稳定性，并扩大了机械钻速预测方法的适用范围。

在本发明实施例中，步骤S405可以具体为基于理论机械钻速和钻速比值的乘积得到机械钻速的预测值。通过将基于改进后的比能模型获取的理论机械钻速和机器学习模型获取的钻速比值进行结合，在有效扩展比能模型的适用范围，提高钻速预测精确度的同时，可以有效克服机械比能模型维度低、非线性映射能力弱、细节反映能力弱的缺陷。

以上为本发明实施例二提供的一种机械钻速预测方法，通过获取目标井眼的特征数据，基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值；同时基于改进的机械比能模型确定理论机械钻速；再基于理论机械钻速和钻速比值得到机械钻速的预测值。该方法通过基于改进的机械比能模型获取理论机械钻速，可以有效扩展比能模型的适用范围，提高确定理论机械钻速的精确度，进而在将理论机械钻速和机器学习模型进行融合时，可以有效提高机械钻速预测的精确度，有利于为决策者提供可靠的依据，实现钻井作业的实时优化。

作为一具体实施例，以顺北5-4H井进行说明：

(1)收集中国西部某油田已钻400余口已钻井数据，直接采集数据包括：层位、岩性、大钩负荷、钻压、转速、排量、泵压、钻井液密度、静切力(10s)、静切力(10min)、滤失量、总固相量、漏斗粘度、钻头型号、钻头磨损量、钻头直径、伽马值、声波时差；同时利用直接采集数据计算间接数：比水功率、射流冲击力、弹性模量，泊松比，粘聚力，内摩擦角、抗压强度，基于以上数据构建训练数据集。

(2)以1米为间距，基于改进的机械比能模型计算理论机械钻速，同时根据理论机械钻速和实测机械钻速计算钻速比值。

(3)基于构建的训练数据集，对机器学习模型进行训练，在一些实施例中，可以采用XGboost算法构建机器学习模型，以精确获得融合算法下的钻速预测值。

(4)获取目标井眼的层位、岩性、大钩负荷、钻压、转速、排量、泵压、钻井液密度、静切力(10s)、静切力(10min)、滤失量、总固相量、漏斗粘度、钻头型号、钻头磨损量、钻头直径、伽马值、声波时差、比水功率、射流冲击力、弹性模量，泊松比，粘聚力，内摩擦角、抗压强度，作为特征数据。

采用改进的机械比能模型确定出的理论机械钻速，结果精度为86％，可参见图5所示，图5示出了基于改进的机械比能模型确定出的理论机械钻速和实测机械钻速的对比示意图。

(5)采用理论与机器学习模型深度融合的方法预测机械钻速，结果精度为93％，参见图6所示，图6示出了基于理论和机器学习模型深度融合的方法预测出的机械钻速和实测机械钻速的对比示意图，融合模型后得到的机械钻速预测值精度更高。

本发明实施例提供的机械钻速预测方法，通过将理论和机器学习模型结合进行机械钻速预测，实现了将动态物理模型和人工智能算法相结合，有利于提高预测的精确度。另外，通过从测录井实时监测数据中获取待钻地层机械钻速，可以提前预测下部地层机械钻速，从而能够科学指导钻井参数的设计和优化，优选钻井提速工具，降低钻井周期和成本，并可以协助优化井眼轨迹和井身结构等。具体可以参见以下具体示例的描述：

顺北5-12H井是在新疆顺托果勒低隆北缘的一口水平井开发井，该井设计井深8321.88m，完钻层位奥陶系中-下鹰山组，主要目的是评价顺北5号断裂带鹰山组下段的储层发育特征及含油气性。

岩石抗压强度是影响机械钻速的最重要因素，因此利用测井资料计算顺北5-12H井所钻地层岩石抗压强度，结果如图7所示，发现二开井段4700-5300米段岩石抗压强度变化幅度较大，钻遇二叠系阿恰群组火山岩、玄武岩，岩石强度高、研磨性强，如不采取提速措施，机械钻速可能偏低，造成钻头磨损，增加起下钻次数。

基于改进后的机械比能模型和机器学习模型融合预测该井段机械钻速，机械钻速预测结果如图8所示，基于机器学习模型融合理论机械钻速后得到的机械钻速预测值对应的曲线与实测机械钻速对应的曲线基本重合，融合预测结果较基于改进后的机械比能模型得到的理论机械钻速精确度更好，由81％提升到92％。同时，观察发现该段最高机械钻速15m/s,平均机械钻速4m/hr，其中4800-5200米机械钻速较低，对应图7中较高的岩石抗压强度井段。针对该段机械钻速较低的情况，推荐后续的井钻遇该段时使用“异型齿PDC钻头+旋冲螺杆+大尺寸钻具”进行提速。旋冲钻井技术能够提高硬地层的钻压传递效率，硬地层岩石在旋冲作用下更容易发生脆性破碎，能够改善钻齿的受力状态，更好地保护切削齿，提高钻井效率。旋冲螺杆钻具的冲程为3～13mm，冲击频率为马达转速的3～4倍，最大排量75L/S，作业寿命150h,能够满足大排量和长寿命的技术要求。同时，根据阿恰群组火山岩、玄武岩的岩石特性，推荐配套高效PDC钻头，设计具有深内锥结构的钻头，以提高钻进过程中的稳定性，减少井下横向和轴向震动对钻头的磨损；同时提高后倾角，提高钻头抗冲击能力，主刀翼采用双排切削结构，内锥、鼻部设计有环形减震带，进一步保护钻头，提高钻头抗冲击能力。通过对市场钻头的深入调研，推荐采用江钻KS1952DGR型5刀翼高效PDC钻头配有19mm主切削齿、16mm副切削齿复合片，推荐复合钻井参数为：钻压140KN，转速50rpm+螺杆,排量45L/S，优化前后参数见表1，表1示出了本发明具体实施例提供的钻井参数优化前后对比表格。优化后该段机械钻速显著提升33.1％，如图9所示。

表1钻井参数优化前后对比表

参见图10所示，图10提供了一种机械钻速预测装置的结构示意图，其包括：

数据获取模块10，数据获取模块10用于获取目标井眼的特征数据和理论机械钻速，特征数据包括地层性质参数、钻井参数、流体参数和钻头参数；

比值确定模块11，比值确定模块11用于基于预先构建的机器学习模型对特征数据进行处理，获取所述目标井眼的钻速比值；

钻速预测模块12，钻速预测模块12用于基于理论机械钻速和钻速比值得到机械钻速的预测值。

其中，特征数据可以包括地层性质参数、钻井参数、流体参数和钻头参数；在某些实施例中，地层性质参数可以包括层位、岩性、伽马值、声波时差、弹性模量、泊松比、粘聚力、内摩擦角和抗压强度；钻井参数可以包括大钩负荷、钻压、转速、排量和泵压；流体参数可以包括：钻井液密度、第一静切力、第二静切力、滤失量、总固相量、漏斗粘度、比水功率和射流冲击力，其中，作为一具体示例，第一静切力可以为钻井过程中流体静置10秒的静切力，第二静切力可以为钻井过程中流体静置10分钟的静切力；钻头参数可以包括钻头型号、钻头磨损量和钻头直径。

在一些实施例中，获取理论机械钻速可以为：

获取钻井过程中的钻压WOB、转盘转速N、钻头扭矩T、钻头截面积A

根据上述获取的参数，利用经典的机械比能模型确定出理论机械钻速ROP，其中，经典的机械比能模型可以用以下表达式表示：

在其他实施例中，理论机械钻速还可以基于改进的机械比能模型确定，以提高机械钻速预测的精确度。

在一些实施例中，基于改进的机械比能模型获取理论机械钻速可以为：

获取目标井眼的钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能；

基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能，利用机械比能模型确定理论机械钻速。

其中，可以采用本领域的常规技术手段获取目标井眼的钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能。E

在一些实施例中，可以根据抗压强度和破岩能量效率确定机械比能：

获取目标井眼的抗压强度CCS，根据抗压强度CCS确定最小机械比能E

获取破岩能量效率EFF

其中，在不同岩性类型的地层中进行钻进时，最小机械比能可以约等于岩石的抗压强度CCS，即有

破岩能量效率可以表示为：

进一步的，机械比能可以表示为：EFF

在本发明实施例中，可以基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数和水力参数构建机械比能模型：

其中，钻进机械参数包括WOB钻压、门限钻压W

通过综合考虑了螺杆能量、水力破岩能量、冲击器冲击功等破岩能量，同时引入门限钻压和门限扭矩参数，构建的模型更加直观且稳定性较好，可以有效扩展比能模型的适用范围，提高确定钻速的精确度。

基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数，根据机械比能和机械比能模型确定理论机械钻速。

具体的，结合式(1)和式(2)，可以得到理论机械转速的表达式为：

通过综合多种参数，可以极大的提高机械钻速预测的准确性和稳定性，并扩大了机械转速预测方法的适用范围。

比值确定模块11可以将利用传感器从目标井眼采集到的数据经过预处理和特征提取后作为机器学习模型的输入数据，基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值。

在本发明实施例中，机器学习模型可以通过以下步骤构建：

获取目标井眼的多组特征数据作为训练样本集；

基于训练样本集中的每一组样本数据，对机器学习模型进行训练；

当机器学习模型输出的钻速比值的精确度大于预设阈值时，得到训练好的机器学习模型。

其中，钻速比值是实测钻速和基于理论模型计算得到的理论机械钻速的比值，钻速比值可以将造成理论机械钻速和实测机械钻速差异的众多因素合并成通过一个值来体现，通过利用机器学习模型来训练钻速比值，在训练过程中逐渐学习实测机械钻速和理论机械钻速之间的差异。基于训练好的机器学习模型，再结合理论机械钻速得到理论与机器学习模型融合的机械钻速预测值。

在一些实施例中，可以基于K近邻算法、支持向量机、神经网络算法、随机森林算法或极端梯度提升算法构建所述机器学习模型。作为一优选的示例，可以基于极端梯度提升算法XGboost构建机器学习模型，以有效防止算法过拟合，同时保证机器学习模型的精度。

钻速预测模块12可以基于理论机械钻速和钻速比值的乘积得到机械钻速的预测值。

以上为本发明实施例提供的一种机械钻速预测装置，通过获取目标井眼的特征数据和理论机械钻速，基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值，基于理论机械钻速和钻速比值得到机械钻速的预测值。该装置通过将理论机械钻速和机器学习模型进行融合，可以有效解决钻速预测难度大的问题，同时提高了机械钻速预测的精确度，有利于为决策者提供可靠的依据，实现钻井作业的实时优化。

本申请的另一方面，还提供了一种存储介质，存储介质中存储有计算机程序，计算机程序被执行时能够实现如上实施例一的机械钻速预测方法：

获取目标井眼的特征数据和理论机械钻速，特征数据包括地层性质参数、钻井参数、流体参数和钻头参数。

基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值。

基于理论机械钻速和钻速比值得到机械钻速的预测值。

或者，计算机程序被执行时能够实现如上实施例二的机械钻速预测方法：

获取目标井眼的特征数据，特征数据包括地层性质参数、钻井参数、流体参数和钻头参数。

基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值。

获取目标井眼的钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能。

基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能，利用机械比能模型确定理论机械钻速。

基于理论机械钻速和钻速比值得到机械钻速的预测值。

其中，特征数据可以包括地层性质参数、钻井参数、流体参数和钻头参数；在某些实施例中，地层性质参数可以包括层位、岩性、伽马值、声波时差、弹性模量、泊松比、粘聚力、内摩擦角和抗压强度；钻井参数可以包括大钩负荷、钻压、转速、排量和泵压；流体参数可以包括：钻井液密度、第一静切力、第二静切力、滤失量、总固相量、漏斗粘度、比水功率和射流冲击力，其中，作为一具体示例，第一静切力可以为钻井过程中流体静置10秒的静切力，第二静切力可以为钻井过程中流体静置10分钟的静切力；钻头参数可以包括钻头型号、钻头磨损量和钻头直径。

在一些实施例中，获取理论机械钻速可以为：

获取钻井过程中的钻压WOB、转盘转速N、钻头扭矩T、钻头截面积A

根据上述获取的参数，利用经典的机械比能模型确定出理论机械钻速ROP，其中，经典的机械比能模型可以用以下表达式表示：

在另一些实施例中，获取理论机械钻速可以为：

获取目标井眼的抗压强度CCS，根据抗压强度CCS确定最小机械比能E

获取破岩能量效率EFF

其中，在不同岩性类型的地层中进行钻进时，最小机械比能可以约等于岩石的抗压强度CCS，即有

破岩能量效率可以表示为：

进一步的，机械比能可以表示为：EFF

在本发明实施例中，可以基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数和水力参数构建机械比能模型：

其中，钻进机械参数包括WOB钻压、门限钻压W

基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数，根据机械比能和机械比能模型确定理论机械钻速。

具体的，结合式(1)和式(2)，可以得到理论机械转速的表达式为：

通过综合多种参数，可以极大的提高机械钻速预测的准确性和稳定性，并扩大了机械转速预测方法的适用范围。

机器学习模型可以通过以下步骤构建：

获取目标井眼的多组特征数据作为训练样本集；

基于训练样本集中的每一组样本数据，对机器学习模型进行训练；

当机器学习模型输出的钻速比值的精确度大于预设阈值时，得到训练好的机器学习模型。

其中，钻速比值是实测钻速和基于理论模型计算得到的理论机械钻速的比值，钻速比值可以将造成理论机械钻速和实测机械钻速差异的众多因素合并成通过一个值来体现，通过利用机器学习模型来训练钻速比值，在训练过程中逐渐学习实测机械钻速和理论机械钻速之间的差异。基于训练好的机器学习模型，再结合理论机械钻速得到理论与机器学习模型融合的机械钻速。

在一些实施例中，可以基于K近邻算法、支持向量机、神经网络算法、随机森林算法或极端梯度提升算法构建所述机器学习模型。作为一优选的示例，可以基于极端梯度提升算法XGboost构建机器学习模型，以有效防止算法过拟合，同时保证机器学习模型的精度。

以上描述的处理、功能、方法和/或软件可被记录、存储或固定在一个或多个计算机可读存储介质中，计算机可读存储介质包括程序指令，程序指令将被计算机实现，以使处理器执行程序指令。介质还可单独包括程序指令、数据文件、数据结构等，或者包括其组合。介质或程序指令可被计算机软件领域的技术人员具体设计和理解，或介质或指令对计算机软件领域的技术人员而言可以是公知和可用的。计算机可读介质的示例包括：磁性介质，例如硬盘、软盘和磁带；光学介质，例如，CDROM盘和DVD；磁光介质，例如，光盘；和硬件装置，具体被配置以存储和执行程序指令，例如，只读存储器(ROM)、随机存取存储器(RAM)、闪存等。程序指令的示例包括机器代码(例如，由编译器产生的代码)和包含高级代码的文件，可由计算机通过使用解释器来执行所述高级代码。所描述的硬件装置可被配置为用作一个或多个软件模块，以执行以上描述的操作和方法，反之亦然。另外，计算机可读存储介质可分布在联网的计算机系统中，可以分散的方式存储和执行计算机可读代码或程序指令。

本申请的另一方面，提供了一种设备，参见图11所示，图11示出了本发明实施例提供的一种设备结构示意图，其包括：存储器20和处理器21，存储器20中存储有计算机程序，计算机程序被处理器21执行时能够实现如上实施例一的机械钻速预测方法：

获取目标井眼的特征数据和理论机械钻速，特征数据包括地层性质参数、钻井参数、流体参数和钻头参数。

基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值。

基于理论机械钻速和钻速比值得到机械钻速的预测值。

或者，计算机程序被执行时能够实现如上实施例二的机械钻速预测方法：

获取目标井眼的特征数据，特征数据包括地层性质参数、钻井参数、流体参数和钻头参数。

基于预先构建的机器学习模型对特征数据进行处理，获取目标井眼的钻速比值。

获取目标井眼的钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能。

基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数和机械比能，利用机械比能模型确定理论机械钻速。

基于理论机械钻速和钻速比值得到机械钻速的预测值。

其中，特征数据可以包括地层性质参数、钻井参数、流体参数和钻头参数；在某些实施例中，地层性质参数可以包括层位、岩性、伽马值、声波时差、弹性模量、泊松比、粘聚力、内摩擦角和抗压强度；钻井参数可以包括大钩负荷、钻压、转速、排量和泵压；流体参数可以包括：钻井液密度、第一静切力、第二静切力、滤失量、总固相量、漏斗粘度、比水功率和射流冲击力，其中，作为一具体示例，第一静切力可以为钻井过程中流体静置10秒的静切力，第二静切力可以为钻井过程中流体静置10分钟的静切力；钻头参数可以包括钻头型号、钻头磨损量和钻头直径。

在一些实施例中，获取理论机械钻速可以为：

获取钻井过程中的钻压WOB、转盘转速N、钻头扭矩T、钻头截面积A

根据上述获取的参数，利用经典的机械比能模型确定出理论机械钻速ROP，其中，经典的机械比能模型可以用以下表达式表示：

在另一些实施例中，获取理论机械钻速可以为：

获取目标井眼的抗压强度CCS，根据抗压强度CCS确定最小机械比能E

获取破岩能量效率EFF

其中，在不同岩性类型的地层中进行钻进时，最小机械比能可以约等于岩石的抗压强度CCS，即有

破岩能量效率可以表示为：

进一步的，机械比能可以表示为：EFF

在本发明实施例中，可以基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数和水力参数构建机械比能模型：

其中，钻进机械参数包括WOB钻压、门限钻压W

基于钻进机械参数、螺杆作用参数、冲击器作用参数、钻头作用参数、水力作用参数，根据机械比能和机械比能模型确定理论机械钻速。

具体的，结合式(1)和式(2)，可以得到理论机械转速的表达式为：

通过综合多种参数，可以极大的提高机械钻速预测的准确性和稳定性，并扩大了机械转速预测方法的适用范围。

机器学习模型可以通过以下步骤构建：

获取目标井眼的多组特征数据作为训练样本集；

基于训练样本集中的每一组样本数据，对机器学习模型进行训练；

当机器学习模型输出的钻速比值的精确度大于预设阈值时，得到训练好的机器学习模型。

其中，钻速比值是实测钻速和基于理论模型计算得到的理论机械钻速的比值，钻速比值可以将造成理论机械钻速和实测机械钻速差异的众多因素合并成通过一个值来体现，通过利用机器学习模型来训练钻速比值，在训练过程中逐渐学习实测机械钻速和理论机械钻速之间的差异。基于训练好的机器学习模型，再结合理论机械钻速得到理论与机器学习模型融合的机械钻速。

在一些实施例中，可以基于K近邻算法、支持向量机、神经网络算法、随机森林算法或极端梯度提升算法构建所述机器学习模型。作为一优选的示例，可以基于极端梯度提升算法XGboost构建机器学习模型，以有效防止算法过拟合，同时保证机器学习模型的精度。

需要说明的是，该设备可以包括一个或多个处理器21以及存储器20，处理器21和存储器20可以通过总线或者其他方式连接。存储器20作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器21通过运行存储在存储器20中的非易失性软件程序、指令以及模块，从而执行各种功能以及数据处理，即实现如上所述的机械钻速预测方法。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。