CN111767323B - 一种基于核smo算法的地层裂缝长度实时预测方法 - Google Patents

Abstract

本申请实施例提供了一种基于核SMO算法的地层裂缝长度实时预测方法，属于数据挖掘领域以及钻井液堵漏领域。所述方法包括：采集目标区块历史钻井数据、历史钻井裂缝长度真实值及实时钻井数据，并进行数据预处理；将预处理后的历史钻井数据划分为训练集和测试集，并提前确定核SMO感知器的迭代次数M与容许误差e；利用裂缝长度相关的各项参数生成参数向量，把所有参数向量初始化，并计算参数向量的核矩阵；根据参数向量、核矩阵、迭代次数以及容许误差来生成新的感知器模型，并通过测试集的数据对新模型进行测试，若测试结果不满足精度要求则重新生成模型；利用满足精度要求的新模型对实时钻井数据进行预测，从而达到地层裂缝长度实时预测的效果。

Description

一种基于核SMO算法的地层裂缝长度实时预测方法

技术领域

本发明涉及一种基于核SMO算法的地层裂缝长度实时预测方法，属于数据挖掘领域以及钻井液漏失堵漏领域。

背景技术

井漏是影响钻井作业安全最严重的复杂情况之一，井漏不仅给钻井工程带来极大困难，还严重影响了油气资源的开发速度。虽然我国堵漏技术日渐成熟，但堵漏效果并不理想，大部分油井在发生井漏后一次堵漏成功率不到30％，并且油井反复漏失现象极为频繁。无论是堵漏成功率低还是反复漏失现象频繁，在很大程度上都要归因于裂缝长度无法提前判断。裂缝长度未知会导致钻井堵漏时无法根据裂缝长度制定堵漏应急预案，更无法保证在堵漏完成之后裂缝的延伸是否会导致进一步的漏失。因此，目前石油行业迫切的需要一种裂缝长度预测方法来提高我国的石油开采效率和质量，进一步促进我国石油开采行业的发展。

当前我国测量裂缝长数的方法主要有两种：(1)根据数值模拟方法判断地下的裂缝长度，该方法仅对部分地质构造不复杂的地区适用，一旦遇到深井、超深井以及一些地质构造复杂的情况，其准确率就会严重失实；(2)利用成像测井技术判断裂缝长度，该方法虽然准确率高、实用性强，但成像测井工艺复杂、测量昂贵，一次长井段测量就要花费数十万乃至百万人民币，因此难以普及。

发明内容

针对现有技术中裂缝长度预测方法的不足，本发明的目的在于提出一种基于核SMO算法的地层裂缝长度实时预测方法，该发明通过对目标区块相关历史钻井数据、历史钻井裂缝长度真实值及实时钻井数据等数据资料进行数据分析与数据挖掘的方式，来提供一种便捷、精准，又能实现正钻井裂缝长度实时预测的方法。

具体地说，本发明是采用以下的技术方案来实现的，包括下列步骤：

1)采集目标区块历史钻井数据、历史钻井裂缝长度真实值及实时钻井数据，并进行数据预处理；

2)将预处理后的历史钻井数据划分为训练集和测试集，并提前确定核SMO感知器的迭代次数M与容许误差e；

3)将裂缝长度相关的各项参数以向量的形式表示，从而生成参数向量，再对所有参数向量进行初始化，并计算这些参数的核矩阵；

4)根据已得到的参数向量、核矩阵、迭代次数以及容许误差来生成新的感知器模型，该模型即为裂缝长度预测核SMO感知器模型，通过测试集的数据对裂缝长度预测核SMO感知器模型进行测试，若测试结果不满足精度要求则重新生成裂缝长度预测核SMO感知器模型；

5)将最终生成的满足精度要求的裂缝长度预测核SMO感知器模型与正钻井数据即时采集平台相连接，得到的模型即为基于核SMO算法的裂缝长度实时预测模型，利用该模型对实时钻井数据进行预测，从而达到地层裂缝长度实时预测的效果。

上述技术方案的进一步特征在于，所述步骤1)中，数据预处理的流程包括清洗、集成、变换和规约，具体流程为：

1-1)数据清洗首先利用箱型图法判断出钻井历史数据中的噪声数据，然后删除钻井历史数据原始数据集中的无关数据、重复数据、噪声数据；

1-2)数据补缺是把数据清洗过程中删除的各类数据利用牛顿插值法补全，从而保证数据的完整性；

1-3)数据集成是将多文件或多数据库运行环境中的钻井历史数据进行合并处理；

1-4)数据变换是对钻井历史数据进行规范化处理，将其转换成适合数据挖掘的形式；

上述技术方案的进一步特征在于，所述步骤2)中将预处理后的历史钻井数据划分为训练集和测试集，并提前确定核SMO感知器的迭代次数M与容许误差e的具体方法为：

2-1)将钻井历史数据库中的历史数据进行划分，其中70％的数据分给训练集，30％的数据分给测试集；

2-2)提前确定迭代次数M为10000，容许误差e为0.005；

上述技术方案的进一步特征在于，所述步骤3)中，将裂缝长度相关的各项参数以向量的形式表示，从而生成参数向量，再对所有参数向量进行初始化，并计算这些参数的核矩阵的具体方法为：

3-1)将裂缝长度相关的各项参数以向量的形式表示：

D＝{(x₁,y₁),(x₂,y₂),(x₃,y₃),…,(x_N,y_N)}

其中，D为训练集，向量x_i(i＝1,2,…,N)表示裂缝长度相关的各项参数的向量，y_i表示不同的向量x_i(i＝1,2,…,N)对应的裂缝长度真实值向量；

3-2)对所有参数向量进行初始化：

α＝(α₁，α₂，α₃，…α_N)^T＝(0，…，0)^T∈R^N

其中，矩阵α＝(α₁，α₂，α₃，…，α_N)^T＝((x₁，y₁)，(x₂，y₂)，(x₃，y₃)，…，(x_N，y_N)^T

3-3)计算核矩阵：

K＝[K(x_i,x_j)]_N×N

其中：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²)

其中，γ表示径向基核参数，K(x_i，x_j)(i＝1,2,…,N；j＝1,2,…,N；且i≠j)表示径向基核函数。

上述技术方案相比于现有的其他裂缝长度预测方法，其进一步特征在于，该方法克服了现有技术受制于复杂地质环境且不能实时预测裂缝长度的缺点，通过对目标区块历史钻井数据进行数据挖掘并建立基于核SMO算法的裂缝长度实时预测模型的方法来达到实时预测裂缝长度的效果，为钻井堵漏技术人员和施工人员提供更加准确、有效的决策依据，从而提高了堵漏工作的效率，增加堵漏作业的一次成功率，避免了重复作业。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，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。

附图1数据处理框图；

附图2地层裂缝长度实时预测核SMO模型工作流程图；

附图3基于核SMO算法的地层裂缝长度实时预测方法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

图1是本发明技术方案中的数据预处理框图，由图1可知，数据预处理内容包括数据清洗、补缺、集成、变换，其中数据清洗首先利用箱型图法判断出钻井历史数据中的噪声数据，然后删除钻井历史数据原始数据集中的无关数据、重复数据、噪声数据；数据补缺是把数据清洗过程中删除的各类数据利用牛顿插值法补全，从而保证数据的完整性；数据集成是将多文件或多数据库运行环境中的钻井历史数据进行合并处理；数据变换是对钻井历史数据进行规范化处理，将其转换成适合数据挖掘的形式；

图2是地层裂缝长度实时预测核SMO模型工作流程图，该图给出了一种地层裂缝长度实时预测核SMO模型工作实例，通过该实例可清楚的了解地层裂缝长度实时预测核SMO模型的工作流程。

本实例流程为：首先采集钻井数据，并将钻井数据进行预处理，预处理方法见图1；经过数据预处理后的钻井数据具备直接进行数据挖掘的资格，因此先将其分为历史钻井数据、历史钻井裂缝长度真实值和实时钻井数据，将钻井历史数据库中的历史数据进行划分，其中70％的数据分给训练集，30％的数据分给测试集；选取训练集中历史钻井数据为输入，历史钻井裂缝长度真实值为标准进行监督学习，并将包括钻井液密度、地层岩性、大钩负荷在内的所有井史参数与裂缝长度真实值这一参数结合形成参数向量，计算这些参数向量的核矩阵；确定迭代次数M为10000、容许误差e为0.005；以得到的参数向量、核矩阵、迭代次数M以及容许误差e为基准生成裂缝长度预测核SMO感知器模型，生成过程见图3的步骤4)；然后利用测试集进行测试，若测试结果不满足精度要求则返回历史钻井数据并重新划分训练集和测试集，再次生成裂缝长度预测核SMO感知器模型，直到满足精度要求为止；当满足精度要求后将实时钻井数据导入裂缝长度预测核SMO感知器模型，最终形成了基于核SMO算法的裂缝长度实时预测模型，利用该模型对实时钻井数据进行预测，从而达到地层裂缝长度实时预测的效果。

图3是基于核SMO算法的地层裂缝长度实时预测方法流程图，由图3可知，本发明一种基于核SMO算法的地层裂缝长度实时预测方法的具体实现步骤为：

1)采集目标区块历史钻井数据、历史钻井裂缝长度真实值及实时钻井数据，并进行数据预处理；

2)将预处理后的历史钻井数据划分为训练集和测试集，并提前确定核SMO感知器的迭代次数M与容许误差e；

3)将裂缝长度相关的各项参数以向量的形式表示，从而生成参数向量，再对所有参数向量进行初始化，并计算这些参数的核矩阵；

4)根据已得到的参数向量、核矩阵、迭代次数以及容许误差来生成新的感知器模型，该模型即为裂缝长度预测核SMO感知器模型，通过测试集的数据对裂缝长度预测核SMO感知器模型进行测试，若测试结果不满足精度要求则重新生成裂缝长度预测核SMO感知器模型；

5)将最终生成的满足精度要求的裂缝长度预测核SMO感知器模型与正钻井数据即时采集平台相连接，得到的模型即为基于核SMO算法的裂缝长度实时预测模型，利用该模型对实时钻井数据进行预测，从而达到地层裂缝长度实时预测的效果。

上述技术方案的进一步特征在于，所述步骤1)中，数据预处理的流程包括清洗、集成、变换和规约，具体流程为：

1-1)数据清洗首先利用箱型图法判断出钻井历史数据中的噪声数据，然后删除钻井历史数据原始数据集中的无关数据、重复数据、噪声数据；

1-2)数据补缺是把数据清洗过程中删除的各类数据利用牛顿插值法补全，从而保证数据的完整性；

1-3)数据集成是将多文件或多数据库运行环境中的钻井历史数据进行合并处理；

1-4)数据变换是对钻井历史数据进行规范化处理，将其转换成适合数据挖掘的形式；

上述技术方案的进一步特征在于，所述步骤2)中将预处理后的历史钻井数据划分为训练集和测试集，并提前确定核SMO感知器的迭代次数M与容许误差e的具体方法为：

2-1)将钻井历史数据库中的历史数据进行划分，其中70％的数据分给训练集，30％的数据分给测试集；

2-2)提前确定迭代次数M为10000，容许误差e为0.005；

上述技术方案的进一步特征在于，所述步骤3)中，将裂缝长度相关的各项参数以向量的形式表示，从而生成参数向量，再对所有参数向量进行初始化，并计算这些参数的核矩阵的具体方法为：

3-1)将裂缝长度相关的各项参数以向量的形式表示：

D＝{(x₁,y₁),(x₂,y₂),(x₃,y₃),…,(x_N,y_N)}

其中，D为训练集，向量x_i(i＝1,2,…,N)表示裂缝长度相关的各项参数的向量，y_i表示不同的向量x_i(i＝1,2,…,N)对应的裂缝长度真实值向量；

3-2)对所有参数向量进行初始化：

α＝(α₁，α₂，α₃，…α_N)T＝(0，…，0)^T∈R^N

其中，矩阵α＝(α₁，α₂，α₃，…，α_N)^T＝((x₁，y₁)，(x₂，y₂)，(x₃，y₃)，…，(x_N，y_N)^T

3-3)计算核矩阵：

K＝[K(x_i，x_j)]_N×N

其中：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²)

其中，γ表示径向基核参数，K(x_i，x_j)(i＝1,2,…,N；j＝1,2,…,N；且i≠j)表示径向基核函数。

上述技术方案的进一步特征在于，所述步骤4)中，根据已得到的参数向量、核矩阵、迭代次数以及容许误差来生成新的感知器模型的具体方法如下：

4-1)进入循环体：

a)选出违反KKT条件最严重的样本点(x_i，y_i)，若其违反程度小于e，则退出循环体；

b)否则，选出异于i的任一下标j，针对α_i和α_j构造一个新的只有两个变量的二次规划问题并求出解析解；

具体而言，首先要更新的是α₂，它由以下几个参数定出：

dK＝K₁₁+K₂₂-2K₁₂

其中，

表示参数y的预测向量，初始

向量为零向量，即(0，0，…，0)^T，K₁₁、K₁₂、K₂₂分别代表K(x₁，x₁)、K(x₁，x₂)、K(x₂，x₂)，

为根据上式产生的未修改的初始α₂，e_i表示更新α₂时不同i的误差大小，dK表示更新α₂时的计算矩阵；

考虑到约束条件，需要定义出新的α₂上下界：

h＝min(C，α₂+α₁)

l＝max(0，α₂+α₁-C)

其中，h与1分别表示新的α₂的上、下界，C为常数，并且永远大于α₂；

继而根据h和1对

进行修改即可：

c)记录α₂的增量：

其中，Δα₂代表α₂的增量，

代表新产生的α₂，

表示进入循环体之前的α₂；

利用Δα₂更新α₁，并记录α₁的增量：

α₁←α₁-y₁y₂Δα₂

其中，Δα₁代表α₁的增量，

代表新产生的α₁，

表示进入循环体之前的α₁；

d)利用Δα₁、Δα₂进行局部更新：

dw＝(y₁Δα₁，y₂Δα₂)

其中dw和db均为局部更新的计算参数，b₁、b₂算法如下：

e)利用dw和db更新预测向量

其中，K_i表示K的第i行、1表示全为1的向量；

4-2)通过上述方法可以生成新的核SMO感知器模型，该模型即为裂缝长度预测核SMO感知器模型。

上述技术方案相比于现有的其他裂缝长度预测方法，其进一步特征在于，该方法克服了现有技术受制于复杂地质环境且不能实时预测裂缝长度的缺点，通过对目标区块历史钻井数据进行数据挖掘并建立基于核SMO算法的裂缝长度实时预测模型的方法来达到实时预测裂缝长度的效果，为钻井堵漏技术人员和施工人员提供更加准确、有效的决策依据，从而提高了堵漏工作的效率，增加堵漏作业的一次成功率，避免了重复作业。

以上具体技术方案仅用以说明本发明，而非对其限制；尽管参照上述具体技术方案对本发明进行了详细的说明，本领域的普通技术人员应当理解。本发明依然可以对上述具体技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明的精神和范围。

Claims (1)

1.一种基于核SMO算法的地层裂缝长度实时预测方法，其特征在于，该方法包括以下步骤：

1)采集目标区块历史钻井数据、历史钻井裂缝长度真实值及实时钻井数据，并进行数据预处理；

所述进行数据预处理的过程如下：

1-1)数据清洗首先利用箱型图法判断出钻井历史数据中的噪声数据，然后删除钻井历史数据原始数据集中的无关数据、重复数据、噪声数据；

1-2)数据补缺是把数据清洗过程中删除的各类数据利用牛顿插值法补全，从而保证数据的完整性；

1-3)数据集成是将多文件或多数据库运行环境中的钻井历史数据进行合并处理；

1-4)数据变换是对钻井历史数据进行规范化处理，将其转换成适合数据挖掘的形式；

2)将预处理后的历史钻井数据划分为训练集和测试集，并提前确定核SMO感知器的迭代次数M与容许误差e；

所述将预处理后的历史钻井数据划分为训练集和测试集，并提前确定核SMO感知器的迭代次数M与容许误差e的具体方法为：

2-1)将钻井历史数据库中的历史数据进行划分，其中70％的数据分给训练集，30％的数据分给测试集；

2-2)提前确定迭代次数M为10000，容许误差e为0.005；

3)将裂缝长度相关的各项参数以向量的形式表示，从而生成参数向量，再对所有参数向量进行初始化，并计算这些参数的核矩阵；

所述将裂缝长度相关的各项参数以向量的形式表示，从而生成参数向量，再对所有参数向量进行初始化，并计算这些参数的核矩阵的具体方法为：

3-1)将裂缝长度相关的各项参数以向量的形式表示：

D＝{(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，…，(x_N，y_N)}

其中，D为训练集，向量x_i(i＝1，2，…，N)表示裂缝长度相关的各项参数的向量，y_i表示不同的向量x_i(i＝1，2，…，N)对应的裂缝长度真实值向量；

3-2)对所有参数向量进行初始化：

α＝(α₁，α₂，α₃，…α_N)^T＝(0，…，0)^T∈R^N

其中，矩阵α＝(α₁，α₂，α₃，...，α_N)^T＝((x₁，y₁)，(x₂，y₂)，(x₃，y₃)，...，(x_N，y_N)^T

3-3)计算核矩阵：

K＝[K(x_i，x_j)]_N×N

其中：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²)

其中，γ表示径向基核参数，K(x_i，x_j)(i＝1，2，…，N；j＝1，2，...，N；且i≠j)表示径向基核函数；

4)根据已得到的参数向量、核矩阵、迭代次数以及容许误差来生成新的感知器模型，该模型即为裂缝长度预测核SMO感知器模型，通过测试集的数据对裂缝长度预测核SMO感知器模型进行测试，若测试结果不满足精度要求则重新生成裂缝长度预测核SMO感知器模型；

所述地层裂缝长度实时预测方法，其特征在于，本方法步骤4)中，根据已得到的参数向量、核矩阵、迭代次数以及容许误差来生成新的感知器模型的具体方法如下：

4-1)进入循环体：

a)选出违反KKT条件最严重的样本点(x_i，y_i)，若其违反程度小于e，则退出循环体；

b)否则，选出异于i的任一下标j，针对α_i和α_j构造一个新的只有两个变量的二次规划问题并求出解析解；

具体而言，首先要更新的是α₂，它由以下几个参数定出：

dK＝K₁₁+K₂₂-2K₁₂

其中，

表示参数y的预测向量，初始

向量为零向量，即(0，0，…，0)^T，K₁₁、K₁₂、K₂₂分别代表K(x₁，x₁)、K(x₁，x₂)、K(x₂，x₂)，

为根据上式产生的未修改的初始α₂，e_i表示更新α₂时不同i的误差大小，dK表示更新α₂时的计算矩阵；

考虑到约束条件，需要定义出新的α₂上下界：

h＝min(C，α₂+α₁)

l＝max(0，α₂+α₁-C)

其中，h与1分别表示新的α₂的上、下界，C为常数，并且永远大于α₂；

继而根据h和l对

进行修改即可：

c)记录α₂的增量：

其中，Δα₂代表α₂的增量，

代表新产生的α₂，

表示进入循环体之前的α₂；

利用Δα₂更新α₁，并记录α₁的增量：

α₁←α₁-y₁y₂Δα₂

其中，Δα₁代表α₁的增量，

代表新产生的α₁，

表示进入循环体之前的α₁；

d)利用Δα₁、Δα₂进行局部更新：

dw＝(y₁Δα₁，y₂Δα₂)

其中dw和db均为局部更新的计算参数，b₁、b₂算法如下：

b₁＝-e₁-y₁K₁₁Δα₁-y₂K₁₂Δα₂

b₂＝-e₂-y₁K₁₂Δα₁-y₂K₂₂Δα₂

e)利用dw和db更新预测向量

其中，K_i表示K的第i行、1表示全为1的向量；

4-2)通过上述方法可以生成新的核SMO感知器模型，该模型即为裂缝长度预测核SMO感知器模型；

5)将最终生成的满足精度要求的裂缝长度预测核SMO感知器模型与正钻井数据即时采集平台相连接，得到的模型即为基于核SMO算法的裂缝长度实时预测模型，利用该模型对实时钻井数据进行预测，从而达到地层裂缝长度实时预测的效果。

Images