CN112561211B - 基于神经网络深度学习的钻井循环压耗预测方法 - Google Patents

Abstract

本发明是基于神经网络深度学习的钻井循环压耗预测方法，其中实施例涉及数据挖掘技术领域和钻井堵漏领域，具体涉及基于神经网络深度学习的钻井循环压耗预测方法。所述方法为：首先基于数据挖掘采集预测循环压耗所需要的钻井历史数据、计算数据及钻井过程中真实循环压耗等数据资料；将采集的井史数据资料进行数据预处理，数据预处理内容包括数据清洗、数据集成及归一化；将预处理后的井史数据资料做为输入，钻井循环压耗为输出，以真实钻井循环压耗为标准值，将钻井循环压耗预测值与标准值等数据进行监督训练，并优化所建立的钻井循环压耗预测神经网络模型；正钻井循环压耗即时预测；本发明能够实现钻井循环压耗自动预测。

Description

基于神经网络深度学习的钻井循环压耗预测方法

技术领域

本说明书实施例涉及数据挖掘技术领域及钻井堵漏领域，特别涉及基于神经网络深度学习的钻井循环压耗预测方法。

背景技术

近年来随着对石油天然气勘探开发力度增大，各种复杂区域钻井数量日益增多，运用常规技术计算钻井循环压耗不能够满足钻井数量日益增多需要达到的要求。如若钻井循环压耗预测不够及时准确，可能造成井漏或井喷等复杂事故发生。

目前，石油钻井过程中计算循环压耗的方法主要为：

第一、通过水力学计算，目前所有的水力学模型均不能非常精确的计算出循环压耗，主要受制于现场钻井液参数测量及随地层温度变化关系、井筒扩径情况等等一系列因数影响。

第二、采用井下压力实测的方法，下入随钻井下压力测量系统或者随钻压力计，实测循环时候井底压力和停泵时井底压力，计算出循环压耗,这种方法虽然能准确测量，但是成本高昂，不变大规模推广使用。因此本专利运用神经网络深度学习预测循环压耗，极大的提高了工作效率，更加精确快速的预测出循环压耗，确保钻井过程中安全施工。

发明内容

本发明克服了现有技术的不足，提供了一种高效准确预测循环压耗的方法。解决了钻井过程中循环压耗难以准确掌握、计算速度较慢的问题。

为解决上述问题，本发明技术如以下步骤：

1）基于数据挖掘获取预测钻井循环压耗所需井史数据资料；

通过对钻井循环压耗所需井史数据资料整理和验证，并确定了预测钻井循环压耗所需井史数据资料应包含的17个参数：钻杆接头长度、钻杆长度、钻杆接头内径、钻铤直径、钻铤接头内径、井眼直径、井内杆具影响系数、钻具偏心系数、钻具旋转系数、钻井液密度、钻速、温度、压力、粘度、稠度系数、流量、流性参数。将所获取的井史数据资料作为训练模型的标准样本。

2）将获取的井史数据资料进行数据预处理，数据预处理内容包括数据清洗、数据集成、数据归一化处理，最终得到经过预处理的包含17个参数的井史数据；

上述数据预处理的进一步特征在于：

2-1）数据清洗是对数据审查过程中发现的缺失值、可疑数据选用一定的方法进行“清洗”，为后续的数据分析做准备；

2-2）数据集成是把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为之后数据分析提供全面共享；

2-3）本次数据归一化处理采用Z-score标准化来进行数据预处理。

Z-score标准化，即将数据减去平均值后再除以标准差。如下式：

（1）

上式进一步特征在于，其中x为原数据，x′为新数据，μ为所有样本数据的均值，σ为所有样本数据的标准差。

3）将经过预处理的包含17个参数的井史数据作为输入，钻井循环压耗作为输出，以真实钻井循环压耗为标准值，建立并优化钻井循环压耗预测神经网络模型；

上述技术方案的进一步特征在于，所述建立的钻井循环压耗神经网络模型监督训练及优化方案如下：

3-1）训练集输入参数设定，将1）中获取的17个参数作为神经网络训练的数据；

3-2）训练集输出标准值设定，标准值为实测的钻井循环压耗；

3-3）设置newhop函数生成一个Hopfield回归网络模型，设定能量函数，设置激励函数为双极性阈值函数sgn(t)，传递函数为对称阈值型函数hardlims，对模型的权重和阈值进行初始化，对生成的Hopfield网络模型进行收敛，并利用L-BFGS算法对模型进行无约束非线性优化。

4）输入目标正钻井相关钻井即时数据，由所设置的模型自动判断出此时刻对应的钻井循环压耗。

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 Hopfield神经网络模型结构示意图。

附图3 钻井循环压耗预测方法实施流程图。

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，很显然本实例只是本申请中的一部分实例，并非全部实例。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处理框图，数据处理内容包括数据清洗、集成和数据归一化处理，其中数据清洗内容主要包括检查数据的一致性、处理逻辑错误及填补缺失值；数据集成是把不同来源、格式、特点性质的井史数据在逻辑上或物理上有机地集中；数据归一化处理的内容是通过Z-score标准化使数据符合正态分布，从而将数据的所有特征都映射到同一尺度上。

图2是本发明技术方案中的神经网络结构示意图，本实例为了全面考虑主要参数对钻井循环压耗预测的影响，将经过预处理的包含17个参数的井史数据作为输入，钻井循环压耗作为输出，以真实钻井循环压耗为标准值，建立并优化钻井循环压耗预测神经网络模型。

图3是本发明技术方案的实施流程图，具体如下：

1）基于数据挖掘获取预测钻井循环压耗所需井史数据资料；

通过对钻井循环压耗所需井史数据资料整理和验证，并确定了预测钻井循环压耗所需井史数据资料应包含的17个参数：钻杆接头长度、钻杆长度、钻杆接头内径、钻铤直径、钻铤接头内径、井眼直径、井内杆具影响系数、钻具偏心系数、钻具旋转系数、钻井液密度、钻速、温度、压力、粘度、稠度系数、流量、流性参数。将所获取到的井史数据资料作为训练模型的标准样本。

2）将获取的井史数据资料进行数据预处理，数据预处理内容包括数据清洗、数据集成、数据归一化处理，最终得到经过预处理的包含17个参数的井史数据；

上述数据预处理进一步特征在于：

2-1）数据清洗是对数据审查过程中发现的缺失值、可疑数据选用一定的方法进行“清洗”，为后续的数据分析做准备；

针对上述数据预处理内容中数据清洗的进一步特征在于，数据清洗是对数据的初步的分析，其主要包括检查数据的一致性、处理逻辑错误及填补缺失值，是整个分析过程中不可或缺的一个环节。其清洗步骤如下：

2-1-1）根据每个变量的合理取值范围和相互关系进行一致性检查，检查数据是否合乎要求，将超出正常范围、逻辑上不合理或者相互矛盾的数据进行纠正和剔除；

2-1-2）将逻辑内容与原数据不一致的数据进行剔除，同时对于逻辑错误的数据先进行去重，然后去除不合理值，最后修正矛盾内容；

2-1-3）将清洗过程中所缺失的值用均值填补；

2-2）数据集成是把不同来源、格式、特点性质的井史数据在逻辑上或物理上有机地集中，从而为之后数据分析提供全面共享；

上述数据集成进一步特征在于，将存储在MySQL、excel、Access三种数据格式下的不同数据全部导入Access数据库中，使其格式得到统一，通过采用数据仓库的方法将数据存放于模型中。

2-3）本次数据归一化处理采用Z-score标准化来进行数据预处理。

Z-score标准化，即将数据减去平均值后再除以标准差。如下式：

（2）

上式进一步特征在于，其中x为原数据，x′为新数据，μ为所有样本数据的均值，σ为所有样本数据的标准差。

上述数据归一化处理进一步特征在于，数据归一化处理后的数据符合标准正态分布，即均值为0，标准差为1，从而将数据的所有特征都映射到同一尺度上，避免由于量纲的不同使数据的某些特征成为主导作用而影响数据准确性。

3）将经过预处理的包含17个参数的井史数据作为输入，钻井循环压耗作为输出，以真实钻井循环压耗为标准值，建立并优化钻井循环压耗预测神经网络模型；

训练集输入参数设定，将1）中收集整理的17个井史参数作为神经网络训练的数据；训练集输出标准值设定，标准值为实测的钻井循环压耗；设置newhop函数生成一个Hopfield回归网络模型，设定能量函数，设置激励函数双极性阈值函数sgn(t)，传递函数为对称阈值型函数hardlims，对模型的权重和阈值进行初始化，对生成的Hopfield网络模型进行收敛，并利用L-BFGS算法对模型进行无约束非线性优化。

本发明的进一步特征在于，所述对模型的权重和阈值进行初始化的具体过程为：

基于Nguyen-Widrow随机产生Hopfield神经网络初始权重和阈值，再通过随机初始化将各神经元层的阈值全部归零,使用Xavier方法初始化。

所述对生成的Hopfield网络模型进行收敛的方法步骤如下：

Step1，设定Hopfield网络中有17个神经元，将生成的离散Hopfield网络进行初始化；

Step2，从初始化后的网络中随机的选取一个神经元i;

Step3，依据式

求出该神经元的输入u_i（t），其中u_i为神经元的输入，v_i表示神经元输出，v_i（t）也称为神经元i在t时刻的状态，t表示网络模型输入到输出所用时间，b_i表示神经元i的阈值，w_ij表示权重；

Step4，依据式

求出该神经元的输出v_i（t+1）,需要注意的是离散Hopfield网络其他神经元的输出应保持不变；

Step5：判断网络是否达到稳定状态，若达到稳定状态则结束循环，否则转到Step2继续运行。

所述利用L-BFGS算法对模型进行无约束非线性优化的步骤如下：

Step1，选初始点为x₀，允许误差ε>0，存储最近迭代次数m=6；

Step2，k=0，H₀=I，r=▽f(x₀)，其中H₀设定为单位矩阵，f(x₀)初始设定为双极性阈值函数sgn(t)；

Step3，如果

≤ε则返回最优解x_k+1，否则转第四步；

Step4，计算确定此次迭代方向p_k与步长α_k：

其中γ表示存储Hesse矩阵的因子； （5）

Step5，计算步长α_k>0,对下面式子进行一维搜索：

（6）

Step6，更新权重x：

（7）

Step7，如果，k>m：

只保留最近m次输入变量和梯度变量向量对，需要删除k-m次输入和梯度序列对（{s_k-m}，{y_k-m}）；

Step8，计算下列式子并保存：

（8）

（9）

Step9，用two-loop recursion算法求得：

（10）

K=k+1，转Step3；

Step10，优化数值过程中，每次迭代都需要一个H_k-m，有效的取法为：

（11）

（12）

Step11，直至达到预期优化目标，结束步骤。

4）正钻井循环压耗即时预测

输入目标正钻井相关钻井即时数据，由所设置的模型自动判断出此时刻对应的钻井循环压耗。

本申请并不限于上述实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明基本思想和宗旨的前提下，其他受到本发明启发而进行的许多其他方式的具体变换，均属于本发明的保护范围内。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合和替换。为了避免不必要的重复，本发明对各种可能的组合及替换方式不再另行说明。

Claims (2)

1.基于神经网络深度学习的钻井循环压耗预测方法，其特征在于，包括：

获取预测钻井循环压耗所需井史数据资料，并确定了预测钻井循环压耗所需井史数据资料应包含的17个参数：钻杆接头长度、钻杆长度、钻杆接头内径、钻铤直径、钻铤接头内径、井眼直径、井内杆具影响系数、钻具偏心系数、钻具旋转系数、钻井液密度、钻速、温度、压力、粘度、稠度系数、流量、流性参数；

将上述获取的井史数据资料进行数据预处理；数据预处理的内容包括数据清洗、数据集成、数据归一化处理，最终得到经过预处理的包含17个参数的井史数据；

所述的数据预处理中数据清洗步骤具体为：

根据每个变量的合理取值范围和相互关系进行一致性检查，检查数据是否合乎要求，将超出正常范围、逻辑上不合理或者相互矛盾的数据进行纠正和剔除；

将逻辑内容与原数据不一致的数据进行剔除，同时对于逻辑错误的数据先进行去重，然后去除不合理值，最后修正矛盾内容；

将清洗过程中所缺失的值用均值填补；

将经过预处理的包含17个参数的井史数据作为输入，钻井循环压耗作为输出，以真实钻井循环压耗为标准值，建立并优化钻井循环压耗预测神经网络模型；

所述的建立并优化钻井循环压耗预测神经网络模型中，钻井循环压耗预测神经网络模型的建立及优化过程为：

训练集输入参数设定，收集整理的17个参数作为神经网络训练的数据；训练集输出标准值设定，标准值为实测的钻井循环压耗；设置newhop函数生成一个Hopfield回归网络模型，设定能量函数，激励函数设置为双极性阈值函数sgn(t)，传递函数为对称阈值型函数hardlims；对模型的权重和阈值进行初始化；对生成的Hopfield网络模型进行收敛；并利用L-BFGS算法对模型进行无约束非线性优化；

所述的对模型的权重和阈值进行初始化的具体过程为：

基于Nguyen-Widrow随机产生Hopfield神经网络初始权重和阈值，再通过随机初始化将各神经元层的阈值全部归零，使用Xavier方法初始化；

所述对生成的Hopfield网络模型进行收敛的方法步骤如下：

Step1，设定Hopfield网络中有17个神经元，将生成的离散Hopfield网络进行初始化；

Step2，从初始化后的网络中随机的选取一个神经元i；

Step3，依据式

求出该神经元的输入u_i(t)，其中u_i为神经元的输入，v_i表示神经元输出，v_i(t)也称为神经元i在t时刻的状态，t表示网络模型输入到输出所用时间，b_i表示神经元i的阈值，w_ij表示权重；

Step4，依据式v_i(t+1)＝f(u_i(t))求出该神经元的输出v_i(t+1)，需要注意的是离散Hopfield网络其他神经元的输出应保持不变；

Step5：判断网络是否达到稳定状态，若达到稳定状态则结束循环，否则转到Step2继续运行；

所述利用L-BFGS算法对模型进行无约束非线性优化的步骤如下：

Step1，选初始点为x₀，允许误差ε>0，存储最近迭代次数m＝6；

Step2，k＝0，H₀＝I，

其中H₀设定为单位矩阵，f(x₀)初始设定为双极性阈值函数sgn(t)；

Step3，如果

则返回最优解x_k+1，否则转Step4；

Step4，计算确定此次迭代方向p_k与步长α_k：

p_k＝-γ_k

其中γ表示存储Hesse矩阵的因子；

Step5，计算步长α_k>0，对下面式子进行一维搜索：

Step6，更新权重x：

x_k+1＝x_k+α_kp_k

Step7，如果，k>m：

只保留最近m次输入变量和梯度变量向量对，需要删除k-m次输入和梯度序列对({s_k-m}，{y_k-m})；

Step8，计算下列式子并保存：

s_k＝x_k+1-x_k

Step9，用two-loop recursion算法求得：

K＝k+1，转Step3；

Step10，优化数值过程中，每次迭代都需要一个H_k-m，有效的取法为：

Step11，直至达到预期优化目标，结束步骤；

输入目标正钻井相关钻井即时数据，由所设置的模型自动判断出此时刻对应的钻井循环压耗。

2.根据权利要求1所述基于神经网络深度学习的钻井循环压耗预测方法，其特征在于，

所述的数据预处理中数据集成的内容具体为：

将存储在MySQL、excel、Access三种数据格式下的不同数据全部导入Access数据库中，使其格式得到统一，通过采用数据仓库的方法将数据存放于模型中；

所述的数据预处理中数据归一化的内容具体为：

采用Z-score标准化来进行数据预处理；

Z-score标准化，即将数据减去平均值后再除以标准差，如下式：

上式中x为原数据，x′为新数据，μ为所有样本数据的均值，σ为所有样本数据的标准差。

Images