发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供岩石可钻性预测方法、系统、存储介质及电子终端,用于解决现有技术无法快速高效且准确地进行岩石可钻性预测的问题。
为实现上述目的及其他相关目的,本发明提供一种岩石可钻性预测方法,其包括:步骤1:获取多个岩石可钻性级值实验数据;步骤2:建立单测井参数与岩石可钻性级值之间的一元回归模型,以基于单测井参数与岩石可钻性级值之间相关性,筛选出与岩石可钻性级值关联的多个第一有效测井参数;步骤3:建立多测井参数与岩石可钻性级值之间的多元回归模型,以从所述第一有效测井参数中筛选出满足模型显著性要求的多个第二有效测井参数;步骤4:以所述第二有效测井参数作为输入变量,且以岩石可钻性级值的实验值作为期望输出变量,建立用于预测岩石可钻性级值的第一神经网络模型,且令基于所述第一神经网络模型获得的岩石可钻性级值为岩石可钻性初步预测级值;步骤5:以所述岩石可钻性初步预测级值以及岩石特征参数作为输入变量,且以岩石可钻性级值的实验值作为期望输出变量,建立用于预测岩石可钻性级值的第二神经网络模型,且令基于所述第二神经网络模型获得的岩石可钻性级值作为岩石可钻性最终预测级值。
于本发明的一实施例中,步骤1还包括:步骤11:归位取自岩心库的岩心的岩心深度;步骤12:基于归位后的岩心进行岩石可钻性室内微钻实验,以获取所述岩石可钻性级值实验数据。
于本发明的一实施例中,步骤11中所述归位取自岩心库的岩心的岩心深度的方式具体包括:通过以岩心岩性分析的孔隙度、渗透率值与测井计算值进行对比同时兼顾取心岩样描述的方式,对岩心进行深度归位。
于本发明的一实施例中,步骤2包括:建立与步骤1所述岩心归位深度相对应的单测井参数数据与岩石可钻性级值实验值之间在置信水平95%条件下的一元回归模型。
于本发明的一实施例中,步骤3包括:基于步骤2所述第一有效测井参数,建立多测井参数数据与岩石可钻性级值之间在置信水平95%条件下的多元回归模型;通过F检验,验证所述多元回归模型的回归结果的显著性;所述F检验服从自由度为(k,n-k-1)的F分布,其计算公式为:
其中,
n
为测井数据点的个数,k为测井变量数,
为预测值,
为实验值平均数,y
i为实验值。
于本发明的一实施例中,所述第一神经网络模型为级联BP神经网络模型;所述第二神经网络模型为RBF径向基神经网络模型;所述级联BP神经网络模型和RBF径向基神经网络模型组合构成BP-RBF双级联神经网络模型。
于本发明的一实施例中,所述测井参数包括声波时差、泥质含量、岩石密度或电阻率中的任一种或多种组合;所述岩石特征参数包括岩石硬度、抗压强度、或塑性系数中的任一种或多种组合。
为实现上述目的及其他相关目的,本发明提供一种岩石可钻性预测系统,其包括:数据获取模块,用于获取多个岩石可钻性级值实验数据;模型建立模块,用于建立单测井参数数据与岩石可钻性级值之间的一元回归模型,以基于单测井参数与岩石可钻性级值之间相关性,筛选出与岩石可钻性级值关联的多个第一有效测井参数;并用于建立多测井参数数据与岩石可钻性级值之间的多元回归模型,以从所述第一有效测井参数中筛选出满足模型显著性要求的第二有效测井参数;并用于以所述第二有效测井参数作为输入变量,以岩石可钻性级值的实验值作为期望输出变量,建立用于预测岩石可钻性级值的第一神经网络模型,其中,令基于所述第一神经网络模型获得的岩石可钻性级值为岩石可钻性初步预测级值;并用于以所述岩石可钻性初步预测级值以及岩石特征参数作为输入变量,且以岩石可钻性级值的实验值作为期望输出变量,建立用于预测岩石可钻性级值的第二神经网络模型,且令基于所述第二神经网络模型获得的岩石可钻性级值作为岩石可钻性最终预测级值。
为实现上述目的及其他相关目的,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述岩石可钻性预测方法方法。
为实现上述目的及其他相关目的,本发明提供一种电子终端,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述岩石可钻性预测方法方法。
如上所述,本发明的岩石可钻性预测方法、系统、存储介质及电子终端,具有以下有益效果:本发明采用非线性回归与人工神经网络相结合的方式,通过一元和多元非线性回归法首先剔除无效测井变量和无效测井参数,之后利用人工神经网络建立预测岩石可钻性的计算模型。该方法计算流程简单,岩石可钻性预测的准确性高、稳定性强、成本低,有利于现场推广和应用。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,在下述描述中,参考附图,附图描述了本申请的若干实施例。应当理解,还可使用其他实施例,并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的,并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本申请。空间相关的术语,例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等,可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
本发明提供能准确预测够岩石可钻性的预测方法、存储介质及电子终端。岩石可钻性用以表征岩石抗钻强度的大小,是岩石物理性质在钻进时的综合表现。通常,岩石的可钻性可划分为十二个等级,其分别为:一级的松散土、二级的松散岩、三级的软岩、四级的稍软岩、五级的稍硬岩、六级至七级的中硬岩、八级至九级的硬岩、十级至十一级的坚硬岩以及十二级的最坚硬岩。
本发明采用非线性回归与人工神经网络相结合的方式,通过一元和多元非线性回归法首先剔除无效测井变量和无效测井参数,之后利用人工神经网络建立预测岩石可钻性的计算模型。该方法计算流程简单,岩石可钻性预测的准确性高、稳定性强、成本低,有利于现场推广和应用。下文,将结合具体的实施例说明本发明技术方案的实施方式以及实现原理。
如图1所示,展示本发明一实施例中岩石可钻性预测方法的流程示意图。于本实施例中,所述岩石可钻性预测方法应用于智能终端,所述智能终端可以是固定终端也可以是移动终端,所述固定终端例如为台式电脑、本地服务器或者云端服务器等设备,所述移动终端例如为手机、pad电脑、笔记本电脑、智能手环等设备。所述岩石可钻性预测方法具体执行如下各个步骤:
S1:获取多个岩石可钻性级值实验数据;其中,获取多个实验数据的方式包括:
S11:归位取自岩心库的岩心的岩心深度,从而确保取心深度与测井数据的统一性。钻井取心时,岩心筒中可能有上次取心残留下来的岩心,而且岩心收获率一般达不到100%,又因为钻具长度测量上产生的误差,使得岩心深度不准。因此,在整理岩心时必须对照电测资料,加上地质人员的判断,同时要校正钻具长度和测井深度上的系统误差,要将岩心的不同岩性与电测曲线解释的岩性仔细对应,恢复岩心所在真实深度。
优选的,采用物性法对岩心深度进行归为,物性法归位岩心深度的方式具体为:通过以岩心岩样分析的孔隙度、渗透率值与测井计算值进行对比同时兼顾取心岩样描述的方式,对岩心进行深度归位。需要说明的是,在其它的实施例中,也可采用自然伽马归位法或者特殊岩层归位法进行深度归位。所述自然伽马归位法是指对岩心测量自然伽马曲线并将其与测井自然伽马曲线对比,从而实现深度归为;所述特殊岩层归位法是指测井显示上特殊的岩层如砂、泥岩剖面中钙质层等与岩心深度归位。
S12:基于归位后的岩心进行岩石可钻性室内微钻实验,以获取所述实验数据。
在一实施例中,采用微型PDC钻头或者牙轮钻头进行岩石可钻性室内微钻实验。以微型PDC钻头施加500N钻压为例,钻深达1mm后开始计时,再钻深3mm记录钻进时间。计算公式采用Kd=log2t+Gi,其中,Kd为可钻性级值,t为钻进时间,Gi为当量转化级值,i为钻压级数(查可钻性分级对照表得)。再以微型牙轮钻头施加890N钻压为例,钻深达0.2mm后开始计时,在钻深2.4mm记录钻进时间。计算公式采用Kd=log2t,其中,Kd为可钻性级值,t为钻进时间。
S2:建立单测井参数与岩石可钻性级值之间的一元回归模型,以基于单测井参数与岩石可钻性级值之间相关性,筛选出与岩石可钻性级值关联的多个第一有效测井参数。
在一实施例中,建立与S1所述岩心归位深度相对应的单测井参数数据与岩石可钻性级值之间在置信水平95%条件下的一元回归模型,基于单测井参数数据与岩石可钻性级值之间相关性,剔除无效测井变量和无效测井数据点。
具体的,本实施例基于Matlab软件cftool工具分别对每种测井参数进行一元回归分析,剔除测井数据中的明显干扰点,剔除的干扰点占比优选不能超过20%。如果在剔除干扰点后建立的一元回归模型的相关系数R仍小于0.8,则将此测井参数剔除,不参与后续的多元回归模型和神经网络模型的建立。为便于描述,将本实施例中筛选出的测井参数命名为第一有效测井参数。
S3:建立多测井参数与岩石可钻性级值之间的多元回归模型,以从所述第一有效测井参数中筛选出满足模型显著性要求的第二有效测井参数。
在一实施例中,基于步骤2所述第一有效测井参数,建立多测井参数数据与岩石可钻性级值之间在置信水平95%条件下的多元回归模型,并通过F检验验证所述多元回归模型的回归结果的显著性。所述F检验也称为联合假设检验(joint hypotheses test)或也可称为方差比率检验、方差齐次性检验,它是一种在零假设之下,统计值服从F-分布的检验,通常用来分析用了超过一个参数的统计模型,以判断该模型中的全部或者部分参数是否适合用来估计母体。
具体的,利用nlinfit函数建立多测井参数与岩石可钻性级值之间的非线性多元回归模型。F检验的计算公式为:
其中,
n为测井数据点的个数,k为测井变量数,
为预测值,
为实验值平均数,y
i为实验值。根据计算得到的F值与查表得到d临界值Fα(k,n-k-1)的大小关系,决定接受或拒绝原假设,从而实现多元回归模型的显著性检验,据以判断模型中输入变量与输出变量之间的线性关系在总体上是否显著成立。
S4:以所述第二有效测井参数作为输入变量,且以岩石可钻性级值的实验值作为期望输出变量,建立用于预测岩石可钻性级值的第一神经网络模型,且令基于所述第一神经网络模型获得的岩石可钻性级值为岩石可钻性初步预测级值。
优选的,所述第一神经网络模型为级联BP神经网络模型。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络。
具体的,所述级联BP神经网络模型对常规的BP神经网络进行了改进,在输入层与输出层之间增加连接权值,定义为net.iw{1,2},在利用matlab建立级联BP神经网络模型时,训练函数选用Traimlm,传递函数选用Tan-Sigmoid,以均方误差MSE作为评价指标。在输入变量中抽取70%用于训练,15%用于验证,15%用于测试。将训练样本的拟合误差performance阀值设置为0.01,防止过拟合,将Validation Checks设置为3,保证建立的神经网络的验证误差如果出现三次迭代均不减小就结束训练。为了建立优质级联BP神经网络模型,采用for语句进行循环,break语句跳出循环,建立多个人工神经网络,以总体样本的R值和RMSE值作为主要评价指标,同时兼顾test和validation的R值,对训练得到的神经网络进行优化处理。
S5:以所述岩石可钻性初步预测级值以及岩石特征参数作为输入变量,且以岩石可钻性级值的实验值作为期望输出变量,建立用于预测岩石可钻性级值的第二神经网络模型,且令基于所述第二神经网络模型获得的岩石可钻性级值作为岩石可钻性最终预测级值。
优选的,所述第二神经网络模型为RBF径向基神经网络模型,所述RBF径向基神经网络模型是一种以径向基核函数作为激活函数的前馈神经网络。
具体的,RBF径向基神经网络建立时,误差容限设置为0.01,扩散因子设置为5,最大神经元个数设置为n+1。需要说明的是,BP神经网络适合对岩石可钻性有很大影响的各类测井数据进行处理,RBF径向基神经网络适合于提取同类型信息特征。本实施例将两种神经网络组合形成BP-RBF双级联神经网络模型,能够极大提高对岩石可钻性预测的准确性。
如图2所示,展示本发明一实施例中BP-RBF双级联神经网络模型的结构示意图。于本实施例中,级联BP神经网络模型的输入量包括声波时差、泥质含量、岩石密度或电阻率中的任一种或多几种组合,级联BP神经网络模型的输出量为岩石可钻性初步预测值。RBF神经网络模型的输入量包括所述岩石可钻性初步预测值,还包括岩石特征参数中的岩石硬度、抗压强度或塑性系数中的任一种或多几种组合,RBF神经网络模型的输出量为岩石可钻性最终预测值。其中,该最终预测值即为基于本发明提供的所述岩石可钻性预测方法获得的岩石可钻性级值。
值得注意的是,传统的基于岩石可钻性室内实验直接测量进行岩石可钻性预测的方式,不仅操作比较复杂,实验成本高,周期长,得到的数据点有限且离散,不能对岩石可钻性的分布情况进行全面测定,而且不能在开钻前对地层的岩石可钻性进行预测;而传统的采用多元回归的方法预测岩石可钻性时,由于某些测井数据可靠性不足,特别是深部复杂地层,导致建立的计算模型精确度不高,泛化能力差。本发明采用非线性回归与人工神经网络相结合的方式,通过一元和多元非线性回归法首先剔除无效测井变量和无效测井参数,之后利用人工神经网络建立预测岩石可钻性的计算模型。该方法计算流程简单,岩石可钻性预测的准确性高、稳定性强、成本低,有利于现场推广和应用。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
如图3所示,展示本发明一实施例中岩石可钻性预测系统的结构示意图。所述岩石可钻性预测系统包括数据获取模块31和模型建立模块32;其中,所述数据获取模块31用于获取多个岩石可钻性级值实验数据;所述模型建立模块32用于建立单测井参数数据与岩石可钻性级值之间的一元回归模型,以基于单测井参数与岩石可钻性级值之间相关性,筛选出与岩石可钻性级值关联的第一有效测井参数;并用于建立多测井参数数据与岩石可钻性级值之间的多元回归模型,以从所述第一有效测井参数中筛选出满足模型显著性要求的第二有效测井参数;并用于以所述第二有效测井参数作为输入变量,以岩石可钻性级值的实验值作为期望输出变量,建立用于预测岩石可钻性级值的第一神经网络模型,其中,令基于所述第一神经网络模型获得的岩石可钻性级值为岩石可钻性初步预测级值;并用于以所述岩石可钻性初步预测级值以及岩石特征参数作为输入变量,且以岩石可钻性级值的实验值作为期望输出变量,建立用于预测岩石可钻性级值的第二神经网络模型,且令基于所述第二神经网络模型获得的岩石可钻性级值作为岩石可钻性最终预测级值。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。本实施例中岩石可钻性预测系统的实施方式与上文中岩石可钻性预测方法的实施方式类似,故不再赘述。
如图4所示,展示本发明一实施例中电子终端的结构示意图。本实例提供的电子终端,包括:处理器41、存储器42、收发器43、通信接口44和系统总线45;存储器42和通信接口44通过系统总线45与处理器41和收发器43连接并完成相互间的通信,存储器42用于存储计算机程序,通信接口44和收发器43用于和其他设备进行通信,处理器41用于运行计算机程序,使所述电子终端执行如上岩石可钻性预测方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(PeripheralPomponentInterconnect,简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture,简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(RandomAccessMemory,简称RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignalProcessing,简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述,本发明提供岩石可钻性预测方法、系统、存储介质及电子终端,本发明采用非线性回归与人工神经网络相结合的方式,通过一元和多元非线性回归法首先剔除无效测井变量和无效测井参数,之后利用人工神经网络建立预测岩石可钻性的计算模型。该方法计算流程简单,岩石可钻性预测的准确性高、稳定性强、成本低,有利于现场推广和应用。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。