CN109829561A - 基于平滑处理与网络模型机器学习的事故预测方法 - Google Patents

Abstract

本发明公开了一种基于平滑处理与网络模型机器学习的事故预测方法，包括：S1、构建钻井预警系统，并基于平滑处理对钻井进行事故异常的标注；S2、基于网络模型的机器学习模型构建训练井网络，以期目标函数最小时，形成连边的钻井对应的多分类模型之间为相似模型；利用训练井中的实测数据训练优化模型，得到模型的参数解；寻找所述网络中与测试井类似的邻居钻井，根据邻居钻井的模型对测试井模型进行参数估计，并利用估计得到的参数进行测试井的事故预测。本发明数据处理平稳，配合机器学习的方法能够降低设立不同钻井之间系统的工作量和成本，使得钻井预警模型的搭建和构造更加简洁高效，运行顺畅，提高效率。

Description

基于平滑处理与网络模型机器学习的事故预测方法

技术领域

本发明属于钻井预警模型的技术领域，具体涉及一种基于平滑处理与网络 模型机器学习的事故预测方法。

背景技术

在钻井施工过程中，工程事故发生的可能性随时都存在，事故的发生会造 成资金的巨大损失和时间的巨大浪费。而在工程事故发生前给出某种程度、某 种意义上的警示，对于预防事故的发生、控制事故的发展、最大限度的减少损 失都具有重大意义。长期以来，安全钻井和优化钻井一直是钻探工程的重要研 究课题之一，根据钻井过程中的参数变化，分析和处理钻井数据，建立事故预 警模型来预测并诊断事故现象，及时知道各种可能出现的钻井事故。

现有预警方法过度依赖专家人工标注数据，其代价较高。且一个事故问题 对应于一个模型，该模型不会适用于所有钻井，但每口钻井的训练工作量很大， 致使整个预警模型或系统成本高，操作复杂且效率低。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种基于平滑处理与 网络模型机器学习的事故预测方法，以解决现有钻井预警方法训练工作量大、 成本高和效率低的问题。

为达到上述目的，本发明采取的技术方案是：

一种基于平滑处理与网络模型机器学习的事故预测方法，其包括：

S1、构建钻井预警系统，并基于平滑处理对钻井进行事故异常的标注；

S2、基于网络模型的机器学习模型构建训练井网络，以期目标函数最小时， 形成连边的钻井对应的多分类模型之间为相似模型；利用训练井中的实测数据 训练优化模型，得到模型的参数解；寻找所述网络中与测试井类似的邻居钻井， 根据邻居钻井的模型对测试井模型进行参数估计，并利用估计得到的参数进行 测试井的事故预测；且各个训练井根据自身数据进行事故预测。

优选地，基于平滑处理对钻井作业进行事故异常标注的方法为：

T1、初始化钻井窗口大小，设置窗口增量、窗口长度上限和波动阈值；

T2、处理清洗后的钻井数据，将实测数据序列转化为变化量序列；

T3、根据窗口包含的子序列，计算窗口的波动性；

T4、若所述窗口的波动性小于等于预设波动阈值，则所述窗口正常，增大 窗口量，并返回步骤T3；若所述窗口的波动性大于预设波动阈值，则对异常序 列进行过滤，从其后一个窗口开始重新检测，并返回步骤T3。

优选地，计算清洗后钻井中两两连续时间的数据变化量，并将钻井实测数 据序列转换为变化量序列：

其中，为t_i+1与t_i两个时刻的数据之差，为t_i+1时刻的钻井实测数据， 为t_i时刻的钻井实测数据。

优选地，根据窗口包含的子序列计算窗口的波动性：

其中，σ²为计算的窗口数据的波动性，为窗口数据的平均值。

优选地，根据专家知识，将获得井之间的相似性，并将所有井划分成若干 个集合，每个集合中的井为相似井；

各个集合各选取一定数量的井一并作为训练井，剩余井作为测试井，将训 练井构建成一个网络G；根据网络内各集合内钻井形成的连边概率p和集合间 钻井形成的连边概率q建立井间连边，且p远大于q；

构建目标函数，将所述训练井中的实测数据用于训练优化模型，当所述目 标函数最小时，得到模型的参数解；

根据测试井条件计算所述网络中与其相似的邻居钻井，计算其与邻居钻井 之间形成连边的权重，并利用邻居钻井的模型对其模型参数进行估计，进而利 用估计得到的参数进行测试井的事故预测。

优选地，目标函数包括每口钻井的多分类预警模型在训练集上的损失，以 及构建好的网络结构为约束的正则惩罚项；

采用SVM，计算每口钻井上的分类决策函数：

其中，w_j，a为j井的分类模型的权重参数，w_j，0为j井的分类模型的偏置 参数，x是实测数据，y为类别标签；

计算每口钻井的优化目标，即损失函数：

其中，N_i为i井的钻井实测数据总数，ε为第i条实测数据对应的松弛变量； (x⁽ⁱ⁾，y⁽ⁱ⁾)为数据对，分别代表第i条实测数据和第i条实测数据是否异常；N_j为第j井的实测数据总条数；

基于构建的网络计算正则惩罚项：

其中，为第j井的模型参数，W_j，k为所构造网络G中模型参 数；

目标函数为损失函数与正则惩罚项之和：

其中，λ为正则系数。

本发明提供的基于平滑处理与网络模型机器学习的事故预测方法，具有以 下有益效果：

本发明基于平滑处理对钻井进行事故异常的标注，然后利用基于网络模型 的机器学习预测模型对多口钻井的数据进行协同训练与学习，并且具有一定的 可迁移性，当需要对从未参与过训练的新的钻井进行预测时，仅需确定它在已 经构建好的网络中的位置，利用其邻居钻井的事故预测模型进行加权预测即可。

本发明数据处理平稳，配合机器学习的方法能够降低设立不同钻井之间系 统的工作量，成本等，使得钻井预警模型的搭建和构造更加简洁高效，运行顺 畅，提高效率。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理 解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的 普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精 神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保 护之列。

根据本申请的一个实施例，本方案的基于平滑处理与网络模型机器学习的 事故预测方法，包括：

S1、构建钻井预警系统，并基于平滑处理对钻井进行事故异常的标注。

以下对步骤S1进行详细说明

假设钻井在时间t₀-t_N时间段内的实测数据为 其中 为t_i时刻的钻井实测数据。即钻井实测 数据包含了k个特征，如泵压、钻速、返出流量、返出流量比等。

为对应时刻是否异常的标志，其中 +1为异常，需要采用所建立的模型对Y值进行人工标签。

T1、初始化钻井窗口大小w₀，设置窗口增量d₀、窗口长度上限u和波动阈 值α。

T2、处理清洗后的钻井数据，将实测数据序列转化为变化量序列；

求两两连续时间的数据变化量，将钻井实测数据序列转化为变化量序列。 即：输入为输出为其中， 为t_i+1与t_i两个时刻的数据之差，为t_i+1时刻的钻井实测 数据，为t_i时刻的钻井实测数据。

T3、根据窗口包含的子序列，计算窗口的波动性；

其中，子序列为如利用方差计算波动性：

其中，σ²为计算的窗口数据的波动性，为窗口数据的平均值；

T4、若所述窗口的波动性小于等于预设波动阈值，即σ²≤α，则所述窗口正 常，增大窗口量d＝d+1，并返回步骤T3，继续增大窗口内的异常检测；

若该波动性超出预设阈值，那么本窗口内的钻井过程有可能已经跨越了阶 段，也有可能是仍然处于某个阶段但由于一些未知因素而导致正在从正常作业 向事故方向转变；考虑到钻井作业中的异常通常不是一个突发事件，也具有一 定的发展过程，会经过一定时间有征兆的“潜伏”，因此在检测到异常后，也会 对异常序列进行过滤，再从其后开始新一轮的检测以避免异常数据干扰而将正 常错判为异常；

即若窗口的波动性大于预设波动阈值，则对异常序列进行过滤，从其后一 个窗口开始重新检测，并返回步骤T3。

对于可变窗口的设计，并不是无限地增加其长度。实测数据之间并不具有 长程依赖(比如一般在环境相当的地质层，数据之间变化才呈现出一定的规律 性)。因此在增长滑动窗口的过程中，当累加量到达某一值时即滑动窗口长度上 限u，将会丢弃掉前面的一些数据。

S2、基于网络模型的机器学习模型构建训练井网络，以期目标函数最小时， 形成连边的钻井对应的多分类模型之间为相似模型；利用训练井中的实测数据 训练优化模型，得到模型的参数解；寻找所述网络中与测试井类似的邻居钻井， 根据邻居钻井的模型对测试井模型进行参数估计，并利用估计得到的参数进行 测试井的事故预测。

以下对步骤S2进行详细说明

根据专家知识将钻井划分为测试井和训练井，其中训练井为k个。在划分 时考虑的因素包括每口井的地理环境(如地质条件等)以及钻井作业中相关其 他条件，比如钻机类别、旋转和钻探方式、井架位置等。

测试井用于检验本发明方法的模型是否具有迁移性。

假设所有井的集合为wells＝[j₁，j₂，j₃，…j_M],即共有M口井，依据专家知 识将wells划分为k个子集合wells＝∪wells_i，每个子集合内的井的地理环境 以及作业条件相似。

根据训练井构造一个网络G；

设置各集合内钻井形成连边概率p，集合间钻井形成连边概率q，依据p和 q在井与井之间建立连边，由于作业环境、操作等相似的钻井其背后的模型可能 相似，因此设置的p远大于q。

建立目标函数，包括每口钻井的多分类预警模型在训练集上的损失，以及 构建好的网络结构为约束的正则惩罚项。其中，正则惩罚项便是连边涉及的钻 井的模型参数之间的差异。

采用SVM，计算每口钻井上的分类决策函数：

其中，w_j，a为j井的分类模型的权重参数，w_j，0为j井的分类模型的偏置参数， x是实测数据，y为类别标签；

计算每口钻井的优化目标，即损失函数：

其中，N_i为i井的钻井实测数据总数，ε_i为数据对应的松弛变量；(x⁽ⁱ⁾，y⁽ⁱ⁾)为数据对， 分别代表第i条实测数据和第i条实测数据是否异常；N_j为第j井的实测数据总 条数；

基于构建的网络计算正则惩罚项：

其中， 为第j井的模型参数，W_j，k为所构造 网络G中模型参数；

目标函数为损失函数与正则惩罚项之和：

其中，λ为正则系数。

模型训练，将构建的网络中的训练井的实测数据用于训练优化模型，得到 模型的参数解。

效果评估，对每一个测试井j，先依据相关钻井条件计算寻找构造网络中与 其相似的钻井(邻居钻井)；计算其与各邻居钻井之间形成连边的权重；再用邻 居钻井的模型对其的模型参数w_k进行估计，最后用估计所得参数进行预测：

利用已经学得的井的预测模型参数估计新的井的参数，井之间越相似，参 数越近，所以是一个加权差异，期望该差异最小。

虽然对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的 保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性 劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (6)

1.一种基于平滑处理与网络模型机器学习的事故预测方法，其特征在于，包括：

S1、构建钻井预警系统，并基于平滑处理对钻井进行事故异常的标注；

S2、基于网络模型的机器学习模型构建训练井网络，以期目标函数最小时，形成连边的钻井对应的多分类模型之间为相似模型；利用训练井中的实测数据训练优化模型，得到模型的参数解；寻找所述网络中与测试井类似的邻居钻井，根据邻居钻井的模型对测试井模型进行参数估计，并利用估计得到的参数进行测试井的事故预测；且各个训练井根据自身数据进行事故预测。

2.根据权利要求1所述的基于平滑处理与网络模型机器学习的事故预测方法，其特征在于，基于平滑处理对钻井作业进行事故异常标注的方法为：

T1、初始化钻井窗口大小，设置窗口增量、窗口长度上限和波动阈值；

T2、处理清洗后的钻井数据，将实测数据序列转化为变化量序列；

T3、根据窗口包含的子序列，计算窗口的波动性；

T4、若所述窗口的波动性小于等于预设波动阈值，则所述窗口正常，增大窗口量，并返回步骤T3；若所述窗口的波动性大于预设波动阈值，则对异常序列进行过滤，从其后一个窗口开始重新检测，并返回步骤T3。

3.根据权利要求2所述的基于平滑处理与网络模型机器学习的事故预测方法，其特征在于：计算清洗后钻井中两两连续时间的数据变化量，并将钻井实测数据序列转换为变化量序列：

其中，为t_i+1与t_i两个时刻的数据之差，为t_i+1时刻的钻井实测数据，为t_i时刻的钻井实测数据。

4.根据权利要求2所述的基于平滑处理与网络模型机器学习的事故预测方法，其特征在于，根据窗口包含的子序列计算窗口的波动性：

其中，σ²为计算的窗口数据的波动性，为窗口数据的平均值。

5.根据权利要求1所述的基于平滑处理与网络模型机器学习的事故预测方法，其特征在于：

根据专家知识，将获得井之间的相似性，并将所有井划分成若干个集合，每个集合中的井为相似井；

各个集合各选取一定数量的井一并作为训练井，剩余井作为测试井，将训练井构建成一个网络G；根据网络内各集合内钻井形成的连边概率p和集合间钻井形成的连边概率q建立井间连边，且p远大于q；

构建目标函数，将所述训练井中的实测数据用于训练优化模型，当所述目标函数最小时，得到模型的参数解；

根据测试井条件计算所述网络中与其相似的邻居钻井，计算其与邻居钻井之间形成连边的权重，并利用邻居钻井的模型对其模型参数进行估计，进而利用估计得到的参数进行测试井的事故预测。

6.根据权利要求5所述的基于平滑处理与网络模型机器学习的事故预测方法，其特征在于：所述目标函数包括每口钻井的多分类预警模型在训练集上的损失，以及构建好的网络结构为约束的正则惩罚项；

采用SVM，计算每口钻井上的分类决策函数：

其中，w_j，a为j井的分类模型的权重参数，w_j，0为j井的分类模型的偏置参数，x是实测数据，y为类别标签；

计算每口钻井的优化目标，即损失函数：

其中，N_i为i井的钻井实测数据总数，ε_i为第i条实测数据对应的松弛变量；(x⁽ⁱ⁾，y⁽ⁱ⁾)为数据对，分别代表第i条实测数据和第i条实测数据是否异常；N_j为第j井的实测数据总条数；

基于构建的网络计算正则惩罚项：

其中，为第j井的模型参数，W_j，k为所构造网络G中模型参数；

目标函数为损失函数与正则惩罚项之和：

其中，λ为正则系数。