(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111137559.5 (22)申请日 2021.09.27 (71)申请人 中海油能源发展股份有限公司 地址 100010 北京市东城区东 直门外小街6 号 (72)发明人 郭家　韩雪银　张吉江　张宝平　 于忠涛　陈玉山　林昕　陈龙　 王雪飞　王赞　佟昕航　刘卓　 (74)专利代理 机构 天津创智天诚知识产权代理 事务所(普通 合伙) 12214 代理人 王秀奎 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/04(2020.01) (54)发明名称 一种适用 于机器学习的钻头磨损量化评价 方法 (57)摘要 本发明公开了一种适用于机器学习的钻头 磨损量化评价方法， 本发明是在统计 分析已完成 井实际施工数据的基础上完成的分析， 实际上是 一种统计分析， 分析历史井数据的变化特征和规 律， 其数据反应的特征和规律是实际工程的实际 反应； 本发 明通过将离散型的钻头磨损程度表示 转换为连续型数值变量， 解决用于机器学习理论 的数学困难。 采用数据驱动的方式建立钻头磨损 程度计算模型， 实现钻头磨损程度计算量化分 析； 本发明通过主要影响因素单变量分析， 可 以 实现1)确定 出对钻头磨损程度影响最大的因素， 优化钻井参数， 避免钻头出现严重磨损， 延长钻 头使用寿命； 2)定量分析钻头磨损程度， 为起下 钻更换钻头做决策参 考。 权利要求书1页 说明书4页 附图1页 CN 114021423 A 2022.02.08 CN 114021423 A 1.一种适用于 机器学习的钻头磨损量 化评价方法， 其特 征在于， 按照下述 步骤进行： 步骤1)收集区域钻井工程资料； 步骤2)制作适 合于机器学习的数据集； 步骤3)建立钻头磨损程度计算模型； 步骤4)单变量因素分析， 做出决策参 考。 2.根据权利要求1所述的一种适用于机器学习的钻头磨损量化评价方法， 其特征在于： 在步骤1)中， 所述区域钻井工程资料包括并不限于： 钻头尺 寸、 钻头类型、 钻压、 转速、 扭矩、 排量、 泵压、 钻井液密度、 钻井液粘度、 地层孔隙压力、 纯钻时间、 钻头进尺井眼轨迹的井斜 或方位和钻头磨损评价。 3.根据权利要求1所述的一种适用于机器学习的钻头磨损量化评价方法， 其特征在于： 在步骤2)中， 将步骤1)中所述工程数据集中的钻头磨损评价方法采用 《海洋石油钻井手册》 中IADC钻头磨损评价方法， 该方法用I ‑O‑D‑L‑B/S‑G‑O‑R八个参数描述钻头磨损程度和位 置信息， 其前两个参数分别描述内排齿和外排齿的磨损， 用数字0～8呈线性描述切削齿磨 损的情况， 0表 示无磨损或断尺， 即为新齿， 8表示全部磨损或折断， 将两个描述内、 外排齿磨 损的数值之和与16的相对值表示钻头的磨损程度， 实现钻头磨损程度的连续型数值表示， 将钻头磨损程度由0～8之间的数字映射到0～1之间， 数据集可以按照8： 2比例划分为训练 集和验证集。 4.根据权利要求1所述的一种适用于机器学习的钻头磨损量化评价方法， 其特征在于： 在步骤3)中， 采用入机器学习 领域的回归算法或者神经网络算法， 建立由工程参数到钻头 磨损程度的计算模型。 5.根据权利要求1所述的一种适用于机器学习的钻头磨损量化评价方法， 其特征在于： 在步骤4)中， 结合 实际钻井工程做单变量分析， 确定出对钻头磨损程度影响最大的因素， 优 化钻井参数， 避免钻头出现严重磨损， 延长钻头使用寿命； 或者用于定量分析钻头磨损程 度， 为起下钻更 换钻头做决策参 考。权　利　要　求　书 1/1 页 2 CN 114021423 A 2一种适用于机 器学习的钻头磨损量化评价 方法 技术领域 [0001]本发明属于钻井工程领域， 具体来说涉及 一种适用于机器学习的钻头磨损量化评 价方法。 背景技术 [0002]钻头的磨损程度一直是研究中的热点问题， 工程实践中掌握钻头的磨损程度往往 是下一步决策的关键点， 然而由于钻井工程隐蔽性的特点， 监测手段少， 钻头的实际磨损程 度不易掌握。 实践上以机械钻速为主要参考指标， 其他工程参数如钻压、 扭矩、 转速等参数 综合分析钻头磨损程度。 机械钻速是否正常往往由地区经验、 专家经验判别， 这种方式给工 程带来很多不确定因素。 基于机械比能(MS E)理论的钻头磨损监测， 既可以通过钻井参数计 算钻头机械比能定量分析或者通过画趋势线的方法定性分析钻头磨损趋势， 在实际应用 上， 钻头扭矩和滑动摩擦系 数这两个关键参数并很难通过直接测 量获得， 直接影响计算精 度。 [0003]使用传统的钻速方程评价钻头磨损程度也存在困难， 理论机械钻速不易获得， 没 有参考， 机械钻速方程所需要的钻头磨损系数、 地层可钻性系数、 井眼清洁系数等不易获 得， 这样造成其使用价值并不高。 采用测井资料计算岩石力学强度和岩石可钻性优选钻头 的方法存在滞后性， 特别是探井的情况， 很难通过实时测井数据直接分析岩石可钻性和钻 头磨损程度。 [0004]近年来机器学习和深度学习在钻井风险预测和模式识别应用广泛， 为解决上述方 法的应用困难或者滞后性提供了思路， 引入机器学习方法在对历史井的钻进情况进行综合 分析， 提出钻头磨损程度计算方法， 以此方法为基础研究各工程参数对钻头磨损程度的影 响， 优化钻井参数或者 为起下钻更 换钻头做参 考依据。 [0005]机器学习解决的问题可分为回归、 分类、 聚类问题， 但目前具备实用价值的大部分 算法都来自于监督学习， 即学习使用标注的训练样本{(x,y)}， x为输入特征向量， y为输出 目标。 通过训练已有的样本获得一个最优模型(误差函数最小或某个评价准则下最优)， 即 得到一个从x映射到y的函数。 这样给定模型一个输入， 将产生相应的输出， 也就具有了对数 据的分析能力。 [0006]机器学习的方法直接从已钻井的历史数据中找到工程参数和钻头使用情况中获 得模型， 采用优化算法对模 型参数进 行优化， 建立钻头磨损与工程参数之 间的映射关系， 随 后便可随时利用实际观测的工程参数分析钻头磨损程度， 以便及时调整参数。 建立以关键 参数为自变量、 以钻头磨损程度为因变量的分析函数。 对钻头磨损程度分析函数进行定量 研究， 分析钻头磨损程度的变化规律， 量化关键参数的影响程度， 实现结合 实际工程情况做 到有针对性控制、 调整关键影响因素， 做到兼顾钻井机械钻速和使用寿命的平衡， 或者为起 下钻更换钻头做参考。 应用统计学 的方法建立以关键参数为自变量、 以事故发生概率为因 变量的概 率预测函数， 具有重要的工程应用价 值。说　明　书 1/4 页 3 CN 114021423 A 3