CN102606151B - 一种野猫井岩石可钻性钻前预测方法和装置 - Google Patents

Abstract

本发明提供一种野猫井岩石可钻性钻前预测方法和装置，该方法包括：由待钻探野猫井岩石的地震速度谱拾取该野猫井岩石的不同地层的层速度；利用所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井具有相似岩石构造的某口已钻井；由选择的所述某口已钻井岩石的地震资料和岩心测试资料，训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型；利用训练好的所述前馈式反向传播神经网络，结合所述野猫井岩石的不同地层的层速度，预测野猫井岩石的可钻性。本发明可找出层速度与岩石可钻性之间的关系，可以为合理选择钻井方式、钻头类型和设计钻进参数，提供重要依据，对于提高钻井速度，降低钻井成本具有重要意义。

Description

一种野猫井岩石可钻性钻前预测方法和装置

技术领域

本发明涉及石油钻井技术领域，尤其涉及一种野猫井岩石可钻性钻前预测方法和装置。

背景技术

岩石可钻性是石油钻井中重要的地层钻井特性参数，是评价岩石破碎难易程度的综合指标，是决定钻进效率的基本因素。岩石可钻性参数是合理选择钻井方式、钻头类型和设计钻进参数的重要依据。正确地评估地层可钻性是实现优质高效钻井的重要基础之一，对于提高钻井速度，降低钻井成本具有十分重要的意义。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术还没有一种较正确地评估地层可钻性的技术方案。

发明内容

本发明实施例提供一种野猫井岩石可钻性钻前预测方法和装置，以较正确地评估地层可钻性。

一方面，本发明实施例提供了一种野猫井岩石可钻性钻前预测方法，所述野猫井岩石可钻性钻前预测方法包括如下步骤：

由待钻探野猫井岩石的地震速度谱拾取该野猫井岩石的不同地层的层速度；

利用所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井具有相似岩石构造的某口已钻井；

由选择的所述某口已钻井岩石的地震资料和岩心测试资料，训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型；

利用训练好的所述前馈式反向传播神经网络，结合所述野猫井岩石的不同地层的层速度，预测野猫井岩石的可钻性。

优选的，在本发明一实施例中，所述由待钻探野猫井岩石的地震速度谱拾取该野猫井岩石的不同地层的层速度，可以包括：由待钻探野猫井岩石的地震速度谱，根据如下公式求取平均速度：

其中：V_m为平均速度；X为震点至观测井的距离；H_i为从浮动基准面起算的深度；T_i为静校正后拾取的下行波初至时间；由所述平均速度，根据如下公式求取地层层速度：

参考钻井分层数据，按层段按该公式逐个观测点地移动，求出深度为(H_i+H_i+1)/2的层速度V_m，然后取深度(H_i+H_i+1)/2上下连续的5个V_m，用加权的方式拟合取得深度为H_i处的层速度V_ni。

优选的，在本发明一实施例中，所述利用所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井具有相似岩石构造的某口已钻井，包括：所述野猫井岩石的层速度为(h，vⁿ)_new，p个与所述野猫井具有相似岩石构造的某口已钻井的层速度为

根据如下公式计算互相关系数r^l(0＜l≤p)： $r^l=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}][{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}]}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}^2}},$ 其中，

为第l个构造的层速度平均值；

为所述野猫井岩石的层速度平均值；利用如下公式对比所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井岩石构造相似的已钻井：

$\left.\begin{array}{c}{r}^{l_0}=\max \{r^1,r^2,\·\·\·,r^p\}\\ r^{l_0}>0.75\end{array}\right\}.$

优选的，在本发明一实施例中，所述由选择的所述某口已钻井岩石的地震资料和岩心测试资料，训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型，包括：步骤31，对BP神经网络参数赋初值；步骤32，给定样本输入、输出参数归一化；步骤33，将样本点中的自变量赋予输入层相应的节点，依BP神经网络权值和激励函数的作用在输出节点算得网络输出值；步骤34，计算网络输出与样本期望输出之间的均方差E_p；步骤35，判断全部误差是否满足精度要求或学习次数是否大于规定值，如果是，转向步骤38；否则，转向步骤36，计算全局平均误差E，调节学习速率η；步骤37，进行反向误差传递，修正BP神经网络参数中的权值和阈值，转向步骤33；步骤38，存储修正后的BP神经网络参数以建立野猫井岩石可钻性钻前预测模型，结束。

优选的，在本发明一实施例中，所述BP神经网络参数包括权值和阈值，还可以包括：学习速率、冲量因子。

另一方面，本发明实施例提供了一种野猫井岩石可钻性钻前预测装置，所述野猫井岩石可钻性钻前预测装置包括：

层速度计算单元，用于由待钻探野猫井岩石的地震速度谱拾取该野猫井岩石的不同地层的层速度；

互相关分析单元，用于利用所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井具有相似岩石构造的某口已钻井；

神经网络训练单元，用于由选择的所述某口已钻井岩石的地震资料和岩心测试资料，训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型；

可钻性预测单元，用于利用训练好的所述前馈式反向传播神经网络，结合所述野猫井岩石的不同地层的层速度，预测野猫井岩石的可钻性。

优选的，在本发明一实施例中，所述层速度计算单元，具体用于：由待钻探野猫井岩石的地震速度谱，根据如下公式求取平均速度：

其中：V_m为平均速度；X为震点至观测井的距离；H_i为从浮动基准面起算的深度；T_i为静校正后拾取的下行波初至时间；由所述平均速度，根据如下公式求取地层层速度：参考钻井分层数据，按层段按该公式逐个观测点地移动，求出深度为(H_i+H_i+1)/2的层速度V_m，然后取深度(H_i+H_i+1)/2上下连续的5个V_m，用加权的方式拟合取得深度为H_i处的层速度V_ni。

优选的，在本发明一实施例中，所述互相关分析单元，具体用于：所述野猫井岩石的层速度为(h，vⁿ)_new，p个与所述野猫井具有相似岩石构造的某口已钻井的层速度为

根据如下公式计算互相关系数r^l(0＜l≤p)： $r^l=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}][{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}]}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}^2}},$ 其中，

为第l个构造的层速度平均值；

为所述野猫井岩石的层速度平均值；利用如下公式对比所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井岩石构造相似的已钻井：

$\left.\begin{array}{c}{r}^{l_0}=\max \{r^1,r^2,\·\·\·,r^p\}\\ r^{l_0}>0.75\end{array}\right\}.$

优选的，在本发明一实施例中，所述神经网络训练单元，具体用于由选择的所述某口已钻井岩石的地震资料和岩心测试资料，通过如下方法训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型，包括：步骤31，对BP神经网络参数赋初值；步骤32，给定样本输入、输出参数归一化；步骤33，将样本点中的自变量赋予输入层相应的节点，依BP神经网络权值和激励函数的作用在输出节点算得网络输出值；步骤34，计算网络输出与样本期望输出之间的均方差E_p；步骤35，判断全部误差是否满足精度要求或学习次数是否大于规定值，如果是，转向步骤38；否则，转向步骤36；步骤36，计算全局平均误差E，调节学习速率η；步骤37，进行反向误差传递，修正BP神经网络参数中的权值和阈值，转向步骤33；步骤38，存储修正后的BP神经网络参数以建立野猫井岩石可钻性钻前预测模型，结束。

优选的，在本发明一实施例中，所述BP神经网络参数包括权值和阈值，还可以包括：学习速率、冲量因子。

上述技术方案具有如下有益效果：提供了一种野猫井岩石可钻性钻前预测的方法，通过拾取地震速度谱中的不同层系地层层速度选择相似地层构造，并应用人工神经网络算法钻前预测探井(野猫井)岩石可钻性，从而找出层速度与岩石可钻性之间的关系，这样，可以为合理选择钻井方式、钻头类型和设计钻进参数，提供重要依据，对于提高钻井速度，降低钻井成本具有重要意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一种野猫井岩石可钻性钻前预测方法流程图；

图2为本发明实施例由选择的所述某口已钻井岩石的地震资料和岩心测试资料训练前馈式反向传播BP神经网络步骤流程图；

图3为本发明实施例一种野猫井岩石可钻性钻前预测装置结构示意图；

图4为本发明应用实例模型的训练误差随迭代次数的变化趋势图；

图5为本发明应用实例某井岩石可钻性预测结果与测井评价结果对比示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

如图1所示，为本发明实施例一种野猫井岩石可钻性钻前预测方法流程图，所述野猫井岩石可钻性钻前预测方法包括如下步骤：

步骤1、由待钻探野猫井岩石的地震速度谱拾取该野猫井岩石的不同地层的层速度；地震速度谱(速度谱，英文全称为velocity spectrum，其与频谱的概念类似，把地震波的能量相对于波速的变化关系的曲线称为速度谱)。

步骤2、利用所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井具有相似岩石构造的某口已钻井；

步骤3、由选择的所述某口已钻井岩石的地震资料和岩心测试资料，训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型；

步骤4、利用训练好的所述前馈式反向传播神经网络，结合所述野猫井岩石的不同地层的层速度，预测野猫井岩石的可钻性。

优选的，步骤1可以包括：

由待钻探野猫井岩石的地震速度谱，根据如下公式求取平均速度：

其中：V_m为平均速度；X为震点至观测井的距离；H_i为从浮动基准面起算的深度；T_i为静校正后拾取的下行波初至时间；

由所述平均速度，根据如下公式求取地层层速度：

参考钻井分层数据，按层段按该公式逐个观测点地移动，求出深度为(H_i+H_i+1)/2的层速度V_m，然后取深度(H_i+H_i+1)/2上下连续的5个V_m，用加权的方式拟合取得深度为H_i处的层速度V_ni。

优选的，步骤2可以包括：

所述野猫井岩石的层速度为(h，vⁿ)_new，p个与所述野猫井具有相似岩石构造的某口已钻井的层速度为

根据如下公式计算互相关系数r^l(0＜l≤p)： $r^l=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}][{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}]}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}^2}},$ 其中，

为第l个构造的层速度平均值；

为所述野猫井岩石的层速度平均值；

利用如下公式对比所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井岩石构造相似的已钻井： $\left.\begin{array}{c}{r}^{l_0}=\max \{r^1,r^2,\·\·\·,r^p\}\\ r^{l_0}>0.75\end{array}\right\}.$

优选的，如图2所示，为本发明实施例由选择的所述某口已钻井岩石的地震资料和岩心测试资料训练前馈式反向传播BP神经网络步骤流程图，即步骤3可以包括：

步骤31，对BP神经网络参数赋初值；优选的，所述BP神经网络参数包括权值和阈值，还可以包括：学习速率、冲量因子。

步骤32，给定样本输入、输出参数归一化；

步骤33，将样本点中的自变量赋予输入层相应的节点，依BP神经网络权值和激励函数的作用在输出节点算得网络输出值；

步骤34，计算网络输出与样本期望输出之间的均方差E_p；

步骤35，判断全部误差是否满足精度要求或学习次数是否大于规定值，如果是，转向步骤38；否则，转向步骤36；

步骤36，计算全局平均误差E，调节学习速率η；

步骤37，进行反向误差传递，修正BP神经网络参数中的权值和阈值，转向步骤33；

步骤38，存储修正后的BP神经网络参数以建立野猫井岩石可钻性钻前预测模型，结束。

对应于上述方法实施例，如图3所示，为本发明实施例一种野猫井岩石可钻性钻前预测装置结构示意图，所述野猫井岩石可钻性钻前预测装置包括：

层速度计算单元301，用于由待钻探野猫井岩石的地震速度谱拾取该野猫井岩石的不同地层的层速度；

互相关分析单元302，用于利用所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井具有相似岩石构造的某口已钻井；

神经网络训练单元303，用于由选择的所述某口已钻井岩石的地震资料和岩心测试资料，训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型；

可钻性预测单元304，用于利用训练好的所述前馈式反向传播神经网络，结合所述野猫井岩石的不同地层的层速度，预测野猫井岩石的可钻性。

优选的，在本发明一实施例中，所述层速度计算单元301，具体用于：由待钻探野猫井岩石的地震速度谱，根据如下公式求取平均速度：

其中：V_m为平均速度；X为震点至观测井的距离；H_i为从浮动基准面起算的深度；T_i为静校正后拾取的下行波初至时间；由所述平均速度，根据如下公式求取地层层速度：

参考钻井分层数据，按层段按该公式逐个观测点地移动，求出深度为(H_i+H_i+1)/2的层速度V_m，然后取深度(H_i+H_i+1)/2上下连续的5个V_m，用加权的方式拟合取得深度为H_i处的层速度V_ni。

优选的，在本发明一实施例中，所述互相关分析单元302，具体用于：所述野猫井岩石的层速度为(h，vⁿ)_new，p个与所述野猫井具有相似岩石构造的某口已钻井的层速度为

根据如下公式计算互相关系数r^l(0＜l≤p)： $r^l=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}][{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}]}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}^2}},$ 其中，

为第l个构造的层速度平均值；

为所述野猫井岩石的层速度平均值；利用如下公式对比所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井岩石构造相似的已钻井：

$\left.\begin{array}{c}{r}^{l_0}=\max \{r^1,r^2,\·\·\·,r^p\}\\ r^{l_0}>0.75\end{array}\right\}.$

优选的，在本发明一实施例中，所述神经网络训练单元303，具体用于由选择的所述某口已钻井岩石的地震资料和岩心测试资料，通过如下方法训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型，包括：步骤31，对BP神经网络参数赋初值；步骤32，给定样本输入、输出参数归一化；步骤33，将样本点中的自变量赋予输入层相应的节点，依BP神经网络权值和激励函数的作用在输出节点算得网络输出值；步骤34，计算网络输出与样本期望输出之间的均方差E_p；步骤35，全部误差满足精度要求或学习次数大于规定值，转向步骤38；否则，转向步骤36；步骤36，计算全局平均误差E，调节学习速率η；步骤37，进行反向误差传递，修正BP神经网络参数中的权值和阈值，转向步骤33；步骤38，存储修正后的BP神经网络参数以建立野猫井岩石可钻性钻前预测模型，结束。优选的，所述BP神经网络参数包括权值和阈值，还可以包括：学习速率、冲量因子。

下面举应用实例进行说明：

某油田某井位于新疆境内，是该探区第一口探井(野猫井)，为了进行钻头方案设计和钻进措施制定，对该井进行了岩石可钻性钻前预测研究。

研究发现，该井所在的岩石构造与某已钻井的岩石构造十分相似，相似程度为0.87。因此，本发明应用实例可以利用该已钻井的地震资料和岩心测试资料，训练前馈式反向传播神经网络(简称BP神经网络)，建立野猫井所在岩石可钻性的钻前预测模型。将该已钻井的可钻性作为神经网络的训练数据，网络模型结构为2-9-1，经过15500次迭代后，系统误差平方和为0.001，小于期望误差10^-2，学习结束。如图4所示，为本发明应用实例模型的训练误差随迭代次数的变化趋势图。

根据本发明应用实例所建立的预测模型对该井的岩石可钻性进行了钻前预测，预测结果与测井资料评价结果对比如图5所示，为本发明应用实例某井岩石可钻性预测结果与测井评价结果对比示意图。从图5可以看出，预测结果与测井评价结果的最大相对误差为15.4％，平均相对误差为9.8％，由此可见，本发明应用实例所提供方法的预测精度可以满足野猫井钻井工程的实际需要。

本发明实施例上述技术方案具有如下有益效果：提供了一种野猫井岩石可钻性钻前预测的方法，通过拾取地震速度谱中的不同层系地层层速度选择相似地层构造，并应用人工神经网络算法钻前预测探井(野猫井)岩石可钻性，从而找出层速度与岩石可钻性之间的关系，这样，可以为合理选择钻井方式、钻头类型和设计钻进参数，提供重要依据，对于提高钻井速度，降低钻井成本具有重要意义。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrativelogical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrativecomponents)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电脑、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种野猫井岩石可钻性钻前预测方法，其特征在于，所述野猫井岩石可钻性钻前预测方法包括如下步骤：

由待钻探野猫井岩石的地震速度谱拾取该野猫井岩石的不同地层的层速度，包括：

由待钻探野猫井岩石的地震速度谱，根据如下公式求取平均速度：

其中：V_m为平均速度；X为震点至观测井的距离；H_i为从浮动基准面起算的深度；T_i为静校正后拾取的下行波初至时间；

由所述平均速度，根据如下公式求取地层层速度：

参考钻井分层数据，按层段按该公式逐个观测点地移动，求出深度为(H_i+H_i+1)/2的层速度V_m，然后取深度(H_i+H_i+1)/2上下连续的5个V_m，用加权的方式拟合取得深度为H_i处的层速度V_ni；

利用所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井具有相似岩石构造的某口已钻井，包括：

所述野猫井岩石的层速度为(h,vⁿ)_new，p个与所述野猫井具有相似岩石构造的某口已钻井的层速度为根据如下公式计算互相关系数r^l（0＜l≤p）：

$r^l=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}][{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}]}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}^2}},$ 其中，

为第l个构造的层速度平均值；为所述野猫井岩石的层速度平均值；

利用如下公式对比所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井岩石构造相似的已钻井：

$\left.\begin{array}{c}{r}^{l_0}=\max \{r^1,r^2,...,r^p\}\\ r^{l_0}>0.75\end{array}\right\};$

由选择的所述某口已钻井岩石的地震资料和岩心测试资料，训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型，包括：

步骤31，对BP神经网络参数赋初值；所述BP神经网络参数包括权值和阈值，还包括：学习速率、冲量因子；

步骤32，给定样本输入、输出参数归一化；

步骤33，将样本点中的自变量赋予输入层相应的节点，依BP神经网络权值和激励函数的作用在输出节点算得网络输出值；

步骤34，计算网络输出与样本期望输出之间的均方差E_p；

步骤35，判断全部误差是否满足精度要求或学习次数是否大于规定值，如果是，转向步骤38；否则，转向步骤36；

步骤36，计算全局平均误差E，调节学习速率η；

步骤37，进行反向误差传递，修正BP神经网络参数中的权值和阈值，转向步骤33；

步骤38，存储修正后的BP神经网络参数以建立野猫井岩石可钻性钻前预测模型，结束；

利用训练好的所述前馈式反向传播神经网络，结合所述野猫井岩石的不同地层的层速度，预测野猫井岩石的可钻性。

2.一种野猫井岩石可钻性钻前预测装置，其特征在于，所述野猫井岩石可钻性钻前预测装置包括：

层速度计算单元，用于由待钻探野猫井岩石的地震速度谱拾取该野猫井岩石的不同地层的层速度，具体用于：

由待钻探野猫井岩石的地震速度谱，根据如下公式求取平均速度：

其中：V_m为平均速度；X为震点至观测井的距离；H_i为从浮动基准面起算的深度；T_i为静校正后拾取的下行波初至时间；

由所述平均速度，根据如下公式求取地层层速度：

参考钻井分层数据，按层段按该公式逐个观测点地移动，求出深度为(H_i+H_i+1)/2的层速度V_m，然后取深度(H_i+H_i+1)/2上下连续的5个V_m，用加权的方式拟合取得深度为H_i处的层速度V_ni；

互相关分析单元，用于利用所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井具有相似岩石构造的某口已钻井，具体用于：

所述野猫井岩石的层速度为(h,vⁿ)_new，p个与所述野猫井具有相似岩石构造的某口已钻井的层速度为

根据如下公式计算互相关系数r^l（0＜l≤p）：

$r^l=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}][{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{new}}^n\right)}_i-\stackrel{\‾}{v_{\mathrm{new}}^n}]}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[{\left(v_{\mathrm{old}}^n\right)}_i^l-\stackrel{\‾}{{\left(v_{\mathrm{old}}^n\right)}^l}]}^2}},$ 其中，为第l个构造的层速度平均值；

为所述野猫井岩石的层速度平均值；

利用如下公式对比所述野猫井与其它已钻井岩石的不同地层的层速度作互相关分析，选择与所述野猫井岩石构造相似的已钻井：

$\left.\begin{array}{c}{r}^{l_0}=\max \{r^1,r^2,...,r^p\}\\ r^{l_0}>0.75\end{array}\right\};$

神经网络训练单元，用于由选择的所述某口已钻井岩石的地震资料和岩心测试资料，训练前馈式反向传播BP神经网络，建立野猫井岩石可钻性钻前预测模型，包括：

步骤31，对BP神经网络参数赋初值；所述BP神经网络参数包括权值和阈值，还包括：学习速率、冲量因子；

步骤32，给定样本输入、输出参数归一化；

步骤33，将样本点中的自变量赋予输入层相应的节点，依BP神经网络权值和激励函数的作用在输出节点算得网络输出值；

步骤34，计算网络输出与样本期望输出之间的均方差E_p；

步骤35，判断全部误差是否满足精度要求或学习次数是否大于规定值，如果是，转向步骤38；否则，转向步骤36；

步骤36，计算全局平均误差E，调节学习速率η；

步骤37，进行反向误差传递，修正BP神经网络参数中的权值和阈值，转向步骤33；

步骤38，存储修正后的BP神经网络参数以建立野猫井岩石可钻性钻前预测模型，结束；

可钻性预测单元，用于利用训练好的所述前馈式反向传播神经网络，结合所述野猫井岩石的不同地层的层速度，预测野猫井岩石的可钻性。

Images