CN111815760A - 一种三维地层可钻性场空间建模方法 - Google Patents
一种三维地层可钻性场空间建模方法 Download PDFInfo
- Publication number
- CN111815760A CN111815760A CN202010583339.4A CN202010583339A CN111815760A CN 111815760 A CN111815760 A CN 111815760A CN 202010583339 A CN202010583339 A CN 202010583339A CN 111815760 A CN111815760 A CN 111815760A
- Authority
- CN
- China
- Prior art keywords
- stratum
- drillability
- dimensional
- field space
- formation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 38
- 238000005553 drilling Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 19
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000010200 validation analysis Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明提供了一种三维地层可钻性场空间建模方法，主要解决了现有三维地层可钻性场建模方法没有考虑地层岩性特征从而导致模型精度不高的问题。建模工作分两个步骤进行，首先，考虑深度和地层可钻性数据，运用模糊C均值聚类方法辨识地层模式；然后，根据不同的地层模式分别建立三维地层可钻性场空间子模型，并最终形成三维地层可钻性场。本发明的有益效果是：克服了以前三维地层可钻性场建模方法中将所有地层信息一起考虑导致模型精度不高的缺陷，为复杂地质钻进过程智能控制研究奠定了良好的基础。
Description
技术领域
本发明涉及岩土钻进工程领域，具体涉及复杂地质钻进过程智能控制技术领域，尤其涉及一种三维地层可钻性场空间建模方法。
背景技术
资源能源安全是国家安全的重要组成部分，也是国家经济可持续发展的关键之一。保障资源能源安全应立足于国内。随着浅层矿产资源的日益枯竭、深部成矿理论的发展以及国内外大量深部矿产资源的探明使得深部地质勘探和开发成为必然。但是深部地质钻进过程中存在“三高一扰动”的复杂地质力学环境，非线性、强耦合、强干扰等特性突出，为矿产资源等的钻进工作带来了极大的挑战，现有的以地层可钻性场为代表的地层环境模型预测的地层结构精度预测低，易出现地层结构的预测错误的情况，给钻进工作带来了极大的困难。
发明内容
为了解决上述问题，本发明提供了一种三维地层可钻性场空间建模方法，该方法通过融合地层模式聚类和空间子模型的思想，建立了三维地层可钻性场空间模型架构，克服了将所有地层信息一起考虑导致模型精度不高的缺陷，能够有效提高地层可钻性场模型的精度和泛化能力，为复杂地质钻进过程智能控制打下了良好的基础，实现了复杂地质钻进过程安全高效的目标。
该三维地层可钻性场空间建模方法分为两个阶段，第一个阶段是考虑深度和地层可钻性数据，运用模糊C均值聚类方法辨识地层模式，第二个阶段是基于各地层模式，分别采用随机森林方法建立地层可钻性场空间子模型，再使用十折交叉验证方法最终形成三维地层可钻性场空间模型；然后，将深度、X和Y大地坐标以及地层可钻性数据分成训练集、验证集和测试集，使用训练集和验证集数据进行空间聚类和三维地层可钻性场空间模型建立，测试集数据则用来测试三维地层可钻性场空间模型的最终预测精度，以便在实际中预测某一地层的可钻性进行相应的钻进操作。
本发明提供的技术方案带来的有益效果是：能够有效提高地层可钻性场模型的精度和泛化能力，为复杂地质钻进过程智能控制打下了良好的基础，实现了复杂地质钻进过程安全高效的目标。具体如下：
(1)本发明的一种基于模糊C均值聚类和随机森林的三维地层可钻性场空间建模方法，首先考虑深度和地层可钻性数据，运用模糊C均值聚类方法确定地层模式，能够为后面的三维地层可钻性场建模工作奠定良好的基础；
(2)本发明的一种基于模糊C均值聚类和随机森林的三维地层可钻性场空间建模方法，针对聚类好的地层模式，分别采用随机森林算法建立地层可钻性场空间子模型，并最终形成三维地层可钻性场，能够获得更优的建模效果；
(3)本发明的一种基于模糊C均值聚类和随机森林的三维地层可钻性场空间建模方法，使用训练集和验证集数据，运用十折交叉验证方法确定模型的超参数，并建立三维地层可钻性场模型。然后，运用测试集数据对模型预测效果进行仿真验证，有利于本发明在实际生产中应用。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中得到三维地层可钻性场空间模型的流程图；
图2是本发明实施例中数据集与空间聚类结果的示意图；
图3是本发明实施例中训练与测试过程图；
图4是本发明实施例中三维地层可钻性场示意图；
图5是本发明实施例中的测试结果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种三维地层可钻性场空间建模方法。本实施例中，针对某地7口井空间坐标和地层可钻性数据进行相应的建模，然后以XS401井的同类数据进行预测，验证所提方法的有效性，同时便于对该三维区域地层进行钻进操作。
请参考图1，图1是本发明实施例中本发明实施例中得到三维地层可钻性场空间模型的流程图，具体包括如下步骤：
S1：获取任一需要钻进地层的深度和地层可钻性数据，分析得到如表1所示的数据分布：
表1数据分布
| 名字 | 最小值 | 最大值 | 平均值 | 标准差 |
| X大地坐标(m) | 5.08E+6 | 5.11E+6 | 5.10E+6 | 8.28E+3 |
| Y大地坐标(m) | 4.24E+7 | 4.25E+7 | 4.25E+7 | 1.31E+4 |
| 深度(m) | 0 | 4000 | 2454.20 | 996.46 |
| 地层可钻性 | 0 | 12.33 | 4.80 | 3.34 |
其中，E+p，表示10的p次方，p为大于等于1的正整数，如E+6，表示10 的6次方；地层可钻性数值越大说明该地层越硬，越难进行钻进操作。
然后运用模糊C均值聚类方法对上述数据进行计算得到如表2和图2所示的空间聚类结果：
表2空间聚类结果
| 名字 | 聚类深度范围 | 聚类中心深度 |
| 聚类1 | [0,1044.8] | 561.6 |
| 聚类2 | [1044.8,2022.3] | 1625.1 |
| 聚类3 | [2022.3,2585.2] | 2426.8 |
| 聚类4 | [2585.2,3180.5] | 2758.5 |
| 聚类5 | [3180.5,4000] | 3631.9 |
根据所述聚类结果，辨识出地层模式，一个聚类结果对应一个地层模式；如图1所示，可得到n个地层模式；如表2和图2可知，根据地层资料和模糊C 均值聚类方法将数据聚类成5类；
具体是按照公式(1)计算得到地层模式；
其中，m是聚类的簇数，i是第i个样本，N表示样本数量，x表示由深度和地层可钻性数据组成的样本，j是第j类聚类，C表示聚类的簇数，uij是样本xi属于聚类j的隶属度，cj是第j类的聚类中心；该模糊C均值聚类方法的迭代终止条件是：
其中，k是迭代次数，
是第k次迭代时样本xi属于聚类j的隶属度，ε是计算误差的阈值；按照公式(3)和(4)分别计算得到隶属度uij和聚类中心cj；
其中所有隶属度之和为固定值1。
S2：如图2所示，将获取的深度、地层可钻性数据及对应的X和Y大地坐标划分为训练集、验证集和测试集；训练集、验证集和测试集中的每一个数据均是包括有深度、地层可钻性数据及对应的X和Y大地坐标的集合；针对步骤S1 辨识出的不同的地层模式，采用训练集和验证集训练基于随机森林和十折交叉验证方法建立的三维地层可钻性场空间子模型，最终形成三维地层可钻性场空间模型；该三维地层可钻性场空间模型的输入参数是深度、X和Y大地坐标，该三维地层可钻性场空间模型的输出参数是地层可钻性；
得到三维地层可钻性场空间模型的具体过程如下：
1)根据公式(5)对训练集和验证集中的样本数据进行归一化处理；
其中，xnorm是归一化后的数据，x是处理前的数据，xmin是训练集或验证集中最小的数据，xmax是训练集或验证集中最大的数据；
2)采用随机森林方法，按照公式(6)得到每个地层模式的地层可钻性场估计值；
其中，x表示归一化后的数据，Yij(x)表示第i棵决策树对应的空间地层可钻性，i表示第i棵决策树，j表示第j个聚类，Ntrees表示决策树的数量，Yj(x)表示每个地层模式的地层可钻性场估计值；
3)运用十折交叉验证法，结合每个地层模式的地层可钻性场估计值，建立三维地层可钻性场空间子模型，并确定三维地层可钻性场空间子模型的超参数，最终形成三维地层可钻性场空间模型；
使用测试集对所述三维地层可钻性场空间模型进行验证，得到所述三维地层可钻性场空间模型的预测精度：
具体的训练和测试过程如图3所示，训练过程主要使用十折交叉验证方法建立如图4所示的三维地层可钻性场空间模型，而测试过程则是用来测试该三维地层可钻性场空间模型的测试效果，具体如表3和图5所示：
表3测试误差
| 名字 | 所提方法 | 随机森林 | 散点插值 | 支持向量回归 | 克里金 |
| MAD | 0.821 | 0.834 | 0.933 | 1.190 | 1.085 |
| MSE | 1.094 | 1.101 | 1.333 | 2.210 | 2.066 |
由表3及图5可知，测试集的验证指标如公式(7)和(8)所示；
其中，MAD是平均绝对误差，MSE是均方误差，yi是测量数据，
是预测数据；
本实施方式中对比方法主要有五种，分别是本发明所提方法、随机森林、散点插值、支持向量回归和克里金法；根据表3所示的测试误差结果和图5所示的测试结果可知，本发明所提方法的MAD及MSE均比其他结果小，证明本发明所提方法的预测精度最高；这表明本发明所提方法的模型精度和泛化能力在五种对比方法中效果最优；
S3：采用所述三维地层可钻性场空间模型，针对实际中的某一地层进行预测，确定该地层的可钻性，进而进行相应的钻进操作。
本发明的有益效果是：
(1)考虑深度和地层可钻性数据，运用模糊C均值聚类方法确定地层模式，能够为后面的三维地层可钻性场建模工作奠定良好的基础；
(2)针对聚类好的地层模式，分别采用随机森林算法建立地层可钻性场空间子模型，并最终形成三维地层可钻性场，能够获得更优的建模效果；
(3)操作简单，涉及的参数少，加快了地层内部结构的预测速度，提高了地层结构的预测精度，为钻进工作提供了强有力的数据支持，具有实用性和适用性。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种三维地层可钻性场空间建模方法，其特征在于：包括以下步骤：
S1：获取任一需要钻进地层的深度和地层可钻性数据，并运用模糊C均值聚类方法辨识地层模式；
S2：将获取的深度、X和Y大地坐标、地层可钻性数据划分为训练集和验证集；根据步骤S1辨识出的不同的地层模式，采用训练集和验证集训练基于随机森林和十折交叉验证方法建立的三维地层可钻性场空间子模型，最终形成三维地层可钻性场空间模型；该三维地层可钻性场空间模型的输入参数是深度、X和Y大地坐标，该三维地层可钻性场空间模型的输出参数是地层可钻性；
S3：采用所述三维地层可钻性场空间模型，针对实际中的某一地层进行预测，确定该地层的可钻性，进而进行相应的钻进操作。
2.如权利要求1所述的一种三维地层可钻性场空间建模方法，其特征在于：步骤S1中的具体过程如下：
获取任一地层的深度和地层可钻性数据，采用模糊C均值聚类方法，按照公式(1)得到该地层的地层模式；
其中，m是聚类的簇数，i是第i个样本，N表示样本数量，x表示由深度和地层可钻性数据组成的样本，j是第j类聚类，C表示聚类的簇数，uij是样本xi属于聚类j的隶属度，cj是第j类的聚类中心；该模糊C均值聚类方法的迭代终止条件是：
其中，k是迭代次数，
是第k次迭代时样本xi属于聚类j的隶属度，ε是计算误差的阈值；按照公式(3)和(4)分别计算得到隶属度uij和聚类中心cj；
其中所有隶属度之和为固定值1。
3.如权利要求2所述的一种三维地层可钻性场空间建模方法，其特征在于：一个聚类结果对应一个地层模式。
4.如权利要求1所述的一种三维地层可钻性场空间建模方法，其特征在于：所述训练集和验证集中的每一个数据均是包括有深度、地层可钻性数据及对应的X和Y大地坐标的集合。
5.如权利要求1所述的一种三维地层可钻性场空间建模方法，其特征在于：步骤S2中得到三维地层可钻性场空间模型的具体过程如下：
1)根据公式(5)对训练集和验证集中的样本数据进行归一化处理；
其中，xnorm是归一化后的数据，x是处理前的数据，xmin是训练集或验证集中最小的数据，xmax是训练集或验证集中最大的数据；
2)采用随机森林方法，按照公式(6)得到每个地层模式的地层可钻性场估计值；
其中，x表示归一化后的数据，Yij(x)表示第i棵决策树对应的空间地层可钻性，i表示第i棵决策树，j表示第j个聚类，Ntrees表示决策树的数量，Yj(x)表示每个地层模式的地层可钻性场估计值；
3)运用十折交叉验证法，结合每个地层模式的地层可钻性场估计值，建立三维地层可钻性场空间子模型，并确定三维地层可钻性场空间子模型的超参数，最终形成三维地层可钻性场空间模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010583339.4A CN111815760A (zh) | 2020-06-23 | 2020-06-23 | 一种三维地层可钻性场空间建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010583339.4A CN111815760A (zh) | 2020-06-23 | 2020-06-23 | 一种三维地层可钻性场空间建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111815760A true CN111815760A (zh) | 2020-10-23 |
Family
ID=72845515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010583339.4A Pending CN111815760A (zh) | 2020-06-23 | 2020-06-23 | 一种三维地层可钻性场空间建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815760A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103132992A (zh) * | 2013-02-20 | 2013-06-05 | 中国石油大学(北京) | 一种岩石可钻性各向异性的评价方法及系统 |
| CN104747183A (zh) * | 2015-02-02 | 2015-07-01 | 中石化西南石油工程有限公司地质录井分公司 | 一种碳酸盐岩储层综合分类方法 |
| WO2018107492A1 (zh) * | 2016-12-16 | 2018-06-21 | 深圳大学 | 基于直觉模糊随机森林的目标跟踪方法及装置 |
| CN108872128A (zh) * | 2018-05-16 | 2018-11-23 | 江苏大学 | 一种模糊非相关c均值聚类的茶叶红外光谱分类方法 |
| CN109472088A (zh) * | 2018-11-12 | 2019-03-15 | 重庆科技学院 | 一种页岩气调产井生产压力动态预测方法 |
-
2020
- 2020-06-23 CN CN202010583339.4A patent/CN111815760A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103132992A (zh) * | 2013-02-20 | 2013-06-05 | 中国石油大学(北京) | 一种岩石可钻性各向异性的评价方法及系统 |
| CN104747183A (zh) * | 2015-02-02 | 2015-07-01 | 中石化西南石油工程有限公司地质录井分公司 | 一种碳酸盐岩储层综合分类方法 |
| WO2018107492A1 (zh) * | 2016-12-16 | 2018-06-21 | 深圳大学 | 基于直觉模糊随机森林的目标跟踪方法及装置 |
| CN108872128A (zh) * | 2018-05-16 | 2018-11-23 | 江苏大学 | 一种模糊非相关c均值聚类的茶叶红外光谱分类方法 |
| CN109472088A (zh) * | 2018-11-12 | 2019-03-15 | 重庆科技学院 | 一种页岩气调产井生产压力动态预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 甘超: "复杂地层可钻性场智能建模与钻速优化", 《工程科技Ⅰ辑》 * |
| 赵宝香: "基于岩石可钻性分层理论的应用技术研究", 《工程科技Ⅰ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
| CN107193055B (zh) | 一种复杂地质钻进过程双层智能钻速建模系统 | |
| CN107100611B (zh) | 一种地质勘探钻进过程双层智能钻速建模方法 | |
| Majdi et al. | Applying evolutionary optimization algorithms for improving fuzzy C-mean clustering performance to predict the deformation modulus of rock mass | |
| KR20160024232A (ko) | 지반정보에 기초한 3차원 공간 모델링 방법 | |
| CN113408699A (zh) | 基于改进的径向基函数神经网络的岩性识别方法及系统 | |
| CN115308799B (zh) | 一种地震成像游离气构造识别方法及系统 | |
| US11513255B2 (en) | Method of characterising a subsurface volume | |
| CN114117898B (zh) | 一种基于机器学习算法的随钻伽马测井正演方法 | |
| CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
| Gan et al. | A new spatial modeling method for 3D formation drillability field using fuzzy c-means clustering and random forest | |
| Li et al. | Uncertainty visualisation of a 3D geological geometry model and its application in GIS-based mineral resource assessment: a case study in Huayuan District, Northwestern Hunan Province, China | |
| CN113494286B (zh) | 一种地质钻进过程钻速智能动态预测方法及系统 | |
| CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
| Qu et al. | A novel well log data imputation methods with CGAN and swarm intelligence optimization | |
| Lu et al. | Identifying flow units by FA-assisted SSOM—An example from the Eocene basin-floor-fan turbidite reservoirs in the Daluhu Oilfield, Dongying Depression, Bohai Bay Basin, China | |
| CN114488297A (zh) | 一种断层识别方法及装置 | |
| CN111815760A (zh) | 一种三维地层可钻性场空间建模方法 | |
| CN115204277A (zh) | 一种基于多阈值量化输出观测的渐近最优岩性预测方法 | |
| Barros et al. | Determination of water saturation by angular competitive neural network | |
| CN113761699A (zh) | 裂缝模型构建方法、装置、电子设备及介质 | |
| Eftekharifar et al. | 3D Petrophysical modeling using complex seismic attributes and limited well log data | |
| Mishra et al. | Probabilistic joint-inversion of marine CSEM and seismic traveltime data using VFSA and generalized fuzzy clustering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |
|
| RJ01 | Rejection of invention patent application after publication |