CN106326624A - 一种预测地层破裂压力的方法 - Google Patents

Abstract

本发明公开了一种预测地层破裂压力的方法，包括以下步骤，根据影响地层破裂的地质因素选取样本数据，并对所述样本数据进行预处理；建立BP神经网络预测模型，并初始化BP神经网络预测模型的权值和阈值；基于遗传算法对所述BP神经网络预测模型的权值和阈值进行优化，并利用优化的结果对所述权值和阈值重新赋值；利用重新赋值的BP神经网络预测模型对所述样本数据进行训练，并利用训练结果对所述权值和阈值重新赋值；利用重新赋值的BP神经网络预测模型对地层破裂压力进行预测。该方法解决了现有预测方法预测精度不高的问题，不受地质构造条件的影响，且易于实施，具有很好的适用性和可靠性。

Description

一种预测地层破裂压力的方法

技术领域

本发明涉及石油勘探领域，尤其涉及一种预测地层破裂压力的方法。

背景技术

在石油勘探钻井作业中，地层产生水力裂缝时的井底流体压力称为地层破裂压力。地层破裂压力的预测在石油勘探中具有重要的意义。例如在钻井初期，就需要参考相关数据进行套管柱的设计，制定固井、压裂等方案。在钻井过程中，钻井液的选择与使用、井下测试与井下故障的控制等都需要对地层破裂压力进行准确地预测。预测上的误差将可能导致地层被压裂、钻井液漏失，进而造成成本浪费，甚至发生井涌、井喷等钻井事故。

目前，地层破裂压力的预测方法主要分为两种：一种是地层压裂试验的方法，该方法的主要问题在于一般只能用来测定套管鞋处的地层破裂压力，且仅限于某些特定的深度，难以获取连续地层破裂压力梯度剖面。另一种是利用测井数据获取连续的岩石力学参数剖面进而求得地层破裂压力的方法，这类方法目前比较常用的模型有Eaton法和黄荣樽法，但两种方法在实际应用中都存在一定程度的缺陷。其中，Eaton法考虑参数较少，适合用来构造运动较少的连续沉积盆地。而黄荣樽法则需要岩石三轴应力实验和现场地层破裂压力实验数据作为支撑才能达到理想效果。另外，这两种方法都是建立在某些特定的假设条件下，例如忽视了岩石抗张强度对破裂压力的影响。

综上，亟需一种更有效更准确的方法进行地层破裂压力的预测。

发明内容

本发明所要解决的技术问题之一是需要提供一种更有效更准确的方法进行地层破裂压力的预测。

为了解决上述技术问题，本申请的实施例首先提供了一种预测地层破裂压力的方法，包括，根据影响地层破裂的地质因素选取样本数据，并对所述样本数据进行预处理；建立BP神经网络预测模型，并初始化BP神经网络预测模型的权值和阈值；基于遗传算法对所述BP神经网络预测模型的权值和阈值进行优化，并利用优化的结果对所述权值和阈值重新赋值；利用重新赋值的BP神经网络预测模型对所述样本数据进行训练，并利用训练结果对所述权值和阈值重新赋值；利用重新赋值的BP神经网络预测模型对地层破裂压力进行预测。

优选地，BP神经网络预测模型的输入层包括地层深度、岩石密度以及地层孔隙压力这三个输入节点；所述BP神经网络预测模型的输出层包括地层破裂压力这个输出节点。

优选地，BP神经网络预测模型包括一个隐含层，所述隐含层具有7个隐含节点。

优选地，在基于遗传算法对所述BP神经网络预测模型的权值和阈值进行优化的步骤中具体包括：步骤一、对种群中的每个个体进行编码；步骤二、初始化种群的规模、选择概率、交叉概率以及变异概率；步骤三、计算种群中每个个体的适应度，并根据所述适应度与所述选择概率选取多个个体；步骤四、根据所述交叉概率以及变异概率对所述多个个体进行交叉以及变异，并将产生的新的个体加入种群；步骤五、重复执行步骤三与步骤四直至找到满意的个体。

优选地，根据BP神经网络预测模型的权值和阈值对所述原始种群中的个体进行编码。

优选地，采用二进制对所述原始种群中的个体进行编码，所述编码长度为29。

优选地，每个个体的选择概率根据如下表达式得到：

$p_i=\frac{f_i}{\underset{i=1}{\overset{N}{\Σ}}{f}_i}$

式中，p_i表示个体i的选择概率，N表示种群中个体的数目，f_i为种群中个体i的适应度。

优选地，适应度根据如下表达式得到：

$f_i=k\left(\underset{j=1}{\overset{n}{\Σ}}abs\right(y_j-o_j\left)\right)$

式中，n为BP神经网络的输出节点的个数，y_j为第j个输出节点的样本数据的实际值，o_j为利用BP神经网络得到的第j个输出节点的预测输出值，k为系数，abs为取绝对值。

优选地，在利用重新赋值的BP神经网络预测模型对所述样本数据进行训练的步骤中具体包括：步骤一、将样本数据输入到所述BP神经网络预测模型得到预测的输出值；步骤二、根据预测的输出值与期望的输出值得到全局误差；步骤三、基于所述全局误差调整所述BP神经网络预测模型的权值与阈值；步骤四、重复执行步骤一、二、三直至全局误差满足预设的精度指标。

优选地，全局误差根据如下表达式得到：

$E^{\′}=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{(y_j-o_j)}^2$

式中，E′表示全局误差，N表示种群中个体的数目，为n为BP神经网络的输出节点的个数，y_j为样本数据的实际值，o_j为利用BP神经网络得到的预测输出值。

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：

通过构造基于遗传算法的BP神经网络预测模型对地层破裂压力进行预测，解决了现有预测方法预测精度不高的问题，该方法不受地质构造条件的影响，且易于实施，具有很好的适用性和可靠性。

本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。

图1为本申请实施例的预测地层破裂压力的方法的流程示意图；

图2为本申请实施例所采集的样本数据的示意图；

图3为本申请实施例的BP神经网络预测模型的结构示意图；

图4为本申请实施例的利用遗传算法对权值和阈值进行优化的流程示意图；

图5为本申请实施例的利用BP神经网络预测模型对样本数据进行训练的流程示意图；

图6(a)-(b)为本申请一示例所采集的样本数据的示意图；

图7(a)-(c)为利用本申请实施例的方法进行预测与利用现有技术进行预测的结果的对比示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。

影响地层破裂压力的因素主要包括上覆岩层压力、地层孔隙压力、岩石抗拉强度、泊松比和构造应力等。其中，上覆岩层压力主要受岩石密度和地层深度的影响，泊松比代表了地下岩体的固有弹性，是地层岩石塑性的主要指标，一般情况下地层破裂压力随着泊松比的增大而增大，而岩石泊松比很大程度上也由岩石密度决定。岩石抗拉强度和构造应力对地层破裂压力的影响相比其它的因素更小，而且这两个参数实际上都很难获得。因此，综合考虑以上各影响因素，选取地层深度、地层孔隙压力和岩石密度作为样本数据，并基于数据挖掘技术对地层破裂压力进行预测。

具体的，利用BP神经网络建立地层破裂压力预测模型，并引入遗传算法优化BP神经网络节点的权值和阈值，本申请实施例的方法可以提高预测精度和学习效率，同时可以获得连续的沿井深方向的地层破裂压力曲线，达到有效指导钻井设计和施工、保证钻井安全的目的。

BP(Back Propagation)神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。BP神经网络具有非常强的非线性映射能力、泛化能力和容错能力。但同时BP神经网络也存在着一些缺陷，例如BP神经网络的初始连接的权值和阈值不易选择，若选择不合适则对网络训练的结果影响很大，因此大大限制了BP神经网络的应用范围，降低了BP神经网络的应用效果。因此，在本申请的实施例中，引入遗传算法对BP神经网络的初始连接的权值和阈值进行优化。遗传算法是一类由生物界的进化规律演化而来的搜索方法，具有不依赖于问题本身、不易陷入局部最优解等特点。具体的，基于遗传算法优化BP神经网络的方法预测地层破裂压力的流程的示意图如图1所示，该方法包括以下步骤：

步骤S110、根据影响地层破裂的地质因素选取样本数据，并对所述样本数据进行预处理。步骤S120、建立BP神经网络预测模型，并初始化BP神经网络预测模型的权值和阈值。步骤S130、基于遗传算法对所述BP神经网络预测模型的权值和阈值进行优化，并利用优化的结果对所述权值和阈值重新赋值。步骤S140、利用重新赋值的BP神经网络预测模型对所述样本数据进行训练，并利用训练结果对所述权值和阈值重新赋值。步骤S150、利用重新赋值的BP神经网络预测模型对地层破裂压力进行预测。

根据影响地层破裂的地质因素采集样本数据，并对采集到的样本数据进行预处理。样本数据的预处理主要包括剔除异常点以及将数据进行归一化等。举例而言，实际中待预测区域的主要地质情况为，地层包括阿图什组、帕卡布拉克组、安居安组和克孜洛依组等4个层位，岩性组成主要包括砂岩、泥岩和白云岩等。另外，待预测区域的压力系统复杂，多处层位易漏，复杂情况多。采用本申请实施例的预测模型对地层破裂压力进行预测时，所采集的样本数据的地层深度范围为750～3600m，如图2所示。样本数据中的岩石密度由密度测井得到，地层孔隙压力可以利用测井数据根据等效深度法和有效应力法计算得到。将所选择的样本数据进行多次现场验证，并与邻井数据进行比对，以保证样本数据具有较高的准确性。

剔除异常点指的是在进行数据预处理时把训练数据中的一些不符合事实规律的个别数据点移除，以保证整个数据系列的准确性和质量。由于不同数据项合理性的评价标准不同，因此移除的标准也不同。数据挖掘中常用的剔除异常点的方法包括莱因达准则、格拉布斯准则、狄克逊准则等，上述方法均是利用数据样本的统计规律性对数据进行筛选。在本申请的实施例中，还可以利用曲线图直接将异常点剔除。如图2所示，将明显偏离数据曲线的点作为异常点移除。

归一化处理指的是将具有一定含义的绝对值变成某种相对值关系，是一种无量纲处理，归一化处理可以缩小量值，简化计算，消除变量间的单位与数量级的不同，统一评价标准，从而归纳统一样本的统计分布性，加快训练网络的收敛性。在本申请的实施例中，根据以下表达式对样本数据进行归一化处理：

$y=\frac{x-x_{min}}{x_{\max }-x_{min}}---\left(1\right)$

式中，x_min和x_max分别为样本数据的最小值和最大值。

接下来，建立BP神经网络预测模型，并初始化BP神经网络预测模型的权值和阈值。根据前面的分析可知，BP神经网络的输入层需要具有3个输入节点，分别为地层深度、地层孔隙压力以及岩石密度，输出层需要具有1个输出节点，即地层破裂压力。进一步地，在输入层与输出层之间构建一层隐含层，包含7个隐含节点，如图3所示。一般性神经网络模型建立一层隐含层即可以满足训练要求，而没有必要多增加隐含层来增加计算的复杂性。在本申请的实施例中，隐含节点个数可以根据2*N_输入+1来确定，N_输入表示输入层的节点的个数。

图3为本申请实施例的BP神经网络预测模型的结构示意图。如图所示，w_ik表示输入层节点与隐含层节点之间的连接权值，w_kj表示隐含层节点与输出层节点之间的连接权值，b_k表示隐含层节点的阈值，b_j表示输出层节点的阈值，其中，i的取值范围为[1,3]，k的取值范围为[1,7]，j的取值为1。因此该神经网络预测模型具有21个权值和8个阈值。确定了各权值和阈值的值，再进一步确定BP神经网络各层的传递函数，就可以确定BP神经网络预测模型。BP神经网络的传递函数有多种，举例而言，log-sigmoid型函数的输入值可以取任意值，输出值在0和1之间。tan-sigmoid型函数的输入值可以取任意值，输出值在-1到+1之间。线性传递函数purelin的输入值和输出值均可以取任意值。其中后两种传递函数应用广泛。在本申请的实施例中，利用matlab语言的工具箱随机选取。

通常情况下，随机确定BP神经网络的权值和阈值，但这种随机取值的误差较大，难以得到理想的预测结果，因此，在本申请的实施例中，利用遗传算法进行优化。

图4为本申请实施例的利用遗传算法对权值和阈值进行优化的流程示意图，采用遗传算法对权值和阈值进行优化的具体步骤包括：步骤S410、步骤一、对种群中的每个个体进行编码。步骤S420、初始化种群的规模、选择概率、交叉概率以及变异概率。步骤S430、计算种群中每个个体的适应度，并根据所述适应度与所述选择概率选取多个个体。步骤S440、根据所述交叉概率以及变异概率对所述多个个体进行交叉以及变异，并将产生的新的个体加入种群。步骤S450、重复执行步骤S430与步骤S440直至找到满意的个体。

具体的，以权值和阈值组成的整体作为种群中的一个个体，并对个体进行编码。在本申请的实施例中，采用二进制编码，将每个权值和阈值计为一位，即将种群中的每个个体编码为长度为29的二进制数。

对原始种群进行初始化，使种群中的每个个体都具有上述的编码形式。种群的初始化包括初始化初始种群的规模、选择概率、交叉概率以及变异概率。其中，初始种群的规模一般根据函数随机确定。

常用的选择方式主要包括比例选择方式和联赛选择方式。在比例选择方式中，各个个体被选择的概率与个体的适应度值成比例，即个体的适应度值越大，其被选择的概率就越高。在联赛选择方式中，将上一代种群中的个体和本次遗传操作产生的所有新个体放到一起，按适应度值从大到小的顺序排队，然后取排在前面的多个个体组成新一代群体。

在本申请的实施例中，采用的是比例选择方式，每个个体被选择的概率如表达式(2)所示：

$p_i=\frac{f_i}{\underset{i=1}{\overset{N}{\Σ}}{f}_i}---\left(2\right)$

式中，N表示种群中个体的数目，f_i为种群中个体i的适应度，适应度用于评价个体的优劣程度，适应度越大个体越好，反之适应度越小则个体越差；根据适应度的大小对个体进行选择，以保证适应性能好的个体有更多的机会繁殖后代，使优良特性得以遗传。适应度f_i可以根据表达式(3)计算得到：

$f_i=k\left(\underset{j=1}{\overset{n}{\Σ}}abs\right(y_j-o_j\left)\right)---\left(3\right)$

式中，n为BP神经网络的输出节点的个数，y_j为第j个输出节点的样本数据的实际值，o_j为利用BP神经网络得到的第j个输出节点的预测输出值，k为系数，一般取0.1-0.9，abs为取绝对值。

可以使用集成工具随机选定上述各值，举例而言，初始种群的规模为50、选择概率在0.1-0.9任取、交叉概率P_c在0.9-0.97之间任取，变异概率P_m在0.1-0.001之间任取。

基于选择概率从种群中选择一定数量的个体进行交叉操作，其中适应度值较大的个体被选择的机会更大。对于选出的个体，以交叉概率P_c对个体G_i和G_i+1进行交叉操作，并将产生的新个体G′_i和G′_i+1插入到种群中。利用变异概率P_m使个体G_j突变成新的个体G′_j并插入到种群中。没有进行交叉操作的个体直接进行复制并插入到种群中。

对加入新个体后的种群再次计算适应度值，然后再重复上述的选择、交叉、变异等操作。当达到预设的次数后停止迭代或找到满意的个体后停止迭代。使经神经网络预测得到的输出值与期望的输出值之间的差值小于预设值的个体为满意的个体。将利用遗传算法优化得到的满意的个体作为优选的初始权值和阈值，带入已经建立的BP神经网络预测模型。再利用BP神经网络预测模型对样本数据进行训练，一边迭代一边继续优化权值和阈值，如图5所示。

图5为本申请实施例的利用BP神经网络预测模型对样本数据进行训练的流程示意图，主要包括以下步骤：步骤S510、将样本数据输入到所述BP神经网络预测模型得到预测的输出值；步骤S520、根据预测的输出值与期望的输出值得到全局误差；步骤S530、基于所述全局误差调整所述BP神经网络预测模型的权值与阈值；步骤S540、重复执行步骤S510、S520、S530直至全局误差满足预设的精度指标。

具体的，将一个样本数据带入到BP神经网络预测模型中，通过计算可以得到一个预测的输出值。需要注意的是，在上述样本数据向前传递的过程中，各层之间的连接权值保持相对的稳定，且每一层节点的状态仅影响与其相连接的下一层节点。接下来将预测的输出值与样本数据中的与该输入的样本数据对应的实际输出值，亦即期望的输出值相比较，根据表达式(4)得到训练误差：

$E=\frac{1}{2}\underset{j=1}{\overset{n}{\Σ}}{(y_j-o_j)}^2---\left(4\right)$

式中，n为BP神经网络的输出节点的个数，y_j为样本数据的实际值，o_j为利用BP神经网络得到的预测输出值。若上述计算结果不能满足预设的精度指标的要求，则基于训练误差调整BP神经网络预测模型的权值与阈值。具体的，沿训练误差下降最快的方向调整权值和阈值，使训练误差逐渐减小，在本申请的实施例中，采用累积误差调整权值的算法使全局误差变小。全局误差E′由表达式(5)来定义：

$E^{\′}=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{(y_j-o_j)}^2---\left(5\right)$

利用样本数据进行反复迭代，当全局误差小于预设的精度指标时，例如0.00001，停止迭代，此时获得了一个匹配度较高的BP神经网络预测模型。将样本数据重新带入上述模型，可以预测得到准确度较高的地层破裂压力。

举例而言，利用本申请实施例的方法对图6(a)和(b)所示的样本数据的地层破裂压力进行预测。具体的，图6(a)中的三组数据从左至右分别为帕卡布拉克组、安居安组以及克孜洛依组的地层孔隙压力数据，图6(b)中的三组数据从左至右分别为帕卡布拉克组、安居安组以及克孜洛依组的岩石密度数据。为了进一步保证预测模型的有效性，还可以将样本数据的90％用于神经网络的训练，剩余的10％用于预测模型的验证。例如以帕卡布拉克组、安居安组和克孜洛依组井段数据进行神经网络的训练，以阿图什组井段数据进行预测模型的验证。

图7(a)-(c)为采用本申请实施例的方法进行预测得到的结果与采用现有的Eaton法进行预测得到的结果的对比的示意图。其中，图7(a)为帕卡布拉克组的预测结果的对比图，图7(b)为安居安组的预测结果的对比图，图7(c)为克孜洛依组的预测结果的对比图。进一步地在图中，圆点表示的是采集到的实际的地层破裂压力值，三角形点表示的是采用本申请实施例的方法进行预测得到的地层破裂压力值，正方形点表示的是采用Eaton法进行预测得到的地层破裂压力值。

从图中可以看出，采用本申请实施例的方法进行预测的预测结果与实际地层破裂压力的符合性很高，预测误差为3.5％左右。而Eaton法的预测结果则相对偏高，预测误差10％左右。因此，本申请实施例的预测方法比常规预测方法更为准确，而且其结果不受地质构造条件的影响，且所用到的数据都很容易得到，适用性更为广泛。

虽然本发明所揭露的实施方式如上，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，在不脱离本发明所揭露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，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种预测地层破裂压力的方法，包括：

根据影响地层破裂的地质因素选取样本数据，并对所述样本数据进行预处理；

建立BP神经网络预测模型，并初始化BP神经网络预测模型的权值和阈值；

基于遗传算法对所述BP神经网络预测模型的权值和阈值进行优化，并利用优化的结果对所述权值和阈值重新赋值；

利用重新赋值的BP神经网络预测模型对所述样本数据进行训练，并利用训练结果对所述权值和阈值重新赋值；

利用重新赋值的BP神经网络预测模型对地层破裂压力进行预测。

2.根据权利要求1所述的方法，其特征在于，

所述BP神经网络预测模型的输入层包括地层深度、岩石密度以及地层孔隙压力这三个输入节点；

所述BP神经网络预测模型的输出层包括地层破裂压力这个输出节点。

3.根据权利要求2所述的方法，其特征在于，所述BP神经网络预测模型包括一个隐含层，所述隐含层具有7个隐含节点。

4.根据权利要求1所述的方法，其特征在于，在基于遗传算法对所述BP神经网络预测模型的权值和阈值进行优化的步骤中具体包括：

步骤一、对种群中的每个个体进行编码；

步骤二、初始化种群的规模、选择概率、交叉概率以及变异概率；

步骤三、计算种群中每个个体的适应度，并根据所述适应度与所述选择概率选取多个个体；

步骤四、根据所述交叉概率以及变异概率对所述多个个体进行交叉以及变异，并将产生的新的个体加入种群；

步骤五、重复执行步骤三与步骤四直至找到满意的个体。

5.根据权利要求4所述的方法，其特征在于，根据所述BP神经网络预测模型的权值和阈值对所述原始种群中的个体进行编码。

6.根据权利要求5所述的方法，其特征在于，采用二进制对所述原始种群中的个体进行编码，所述编码长度为29。

7.根据权利要求4所述的方法，其特征在于，每个个体的选择概率根据如下表达式得到：

$p_i=\frac{f_i}{\underset{i=1}{\overset{N}{\Σ}}{f}_i}$

式中，p_i表示个体i的选择概率，N表示种群中个体的数目，f_i为种群中个体i的适应度。

8.根据权利要求7所述的方法，其特征在于，所述适应度根据如下表达式得到：

$f=k\left(\underset{j=1}{\overset{n}{\Σ}}abs\right(y_j-o_j\left)\right)$

式中，n为BP神经网络的输出节点的个数，y_j为第j个输出节点的样本数据的实际值，o_j为利用BP神经网络得到的第j个输出节点的预测输出值，k为系数，abs为取绝对值。

9.根据权利要求1所述的方法，其特征在于，在利用重新赋值的BP神经网络预测模型对所述样本数据进行训练的步骤中具体包括：

步骤一、将样本数据输入到所述BP神经网络预测模型得到预测的输出值；

步骤二、根据预测的输出值与期望的输出值得到全局误差；

步骤三、基于所述全局误差调整所述BP神经网络预测模型的权值与阈值；

步骤四、重复执行步骤一、二、三直至全局误差满足预设的精度指标。

10.根据权利要求9所述的方法，其特征在于，所述全局误差根据如下表达式得到：

$E^{\′}=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{(y_j-o_j)}^2$

式中，E′表示全局误差，N表示种群中个体的数目，为n为BP神经网络的输出节点的个数，y_j为样本数据的实际值，o_j为利用BP神经网络得到的预测输出值。