CN112901137A - 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 - Google Patents

Abstract

本发明涉及基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，包括：采集不同井的数据，作为原始钻井数据；将原始钻井数据分为输入参数和输出参数，输入参数包含井深、原始地层参数、钻井参数和钻头参数，输出参数为机械钻速，得到初始数据集D；进行非结构化数据的量化表征和结构化数据的标准化；使用基于深度神经网络的Sequential模型来进行预测；随机划分训练集D1和测试集D2；模型建立和训练，以影响机械钻速的参数作为输入层，机械钻速作为输出层，采用Rule函数作为网格传递的激活函数，Adam优化器进行函数权值的优化，损失函数MAE和MSE计算预测值和真实值的误差；模型的预测和结果的可视化。本发明能够准确预测机械钻速，克服现有技术的缺陷和不足。

Description

基于深度神经网络Sequential模型的深井钻井机械钻速预测 方法

技术领域

本发明涉及一种基于深度神经网络来预测机械钻速的方法，属于石油钻井领域，特别是涉及一种基于Sequential模型来预测机械钻速的方法。

背景技术

在深井、超深井钻井过程中，由于地质条件和井下工况复杂，工程施工面临很大风险和挑战，深井钻井周期长、钻井成本高和钻井效率低成为制约深部油气资源开发的重要技术瓶颈之一。机械钻速是钻井工程重要的技术指标之一，直接影响了钻井周期、成本及效率，准确预测机械钻速能够为优化配置资源、提高人员和设备的使用效率、降低钻井成本等方面具有重要意义。

机械钻速(ROP，Rate of Penetration)是表示单位纯钻进时间内所钻开岩石的进尺，是反应所用的碎岩方法、所钻的岩石性质、所用的钻进工艺和技术状况的一个指标，同时也是钻井所需时间的一个直接量度。从20世纪50年代开始，Siman、Woods等人先后分别对影响钻速的几个主要因如钻压、井眼直径、排量和转速等进行统计分析得出了一系列含有一些待定系数的钻速方程。大量的统计和待定系数的不确定性导致了传统的通过公式计算机械钻速的方法准确度大大降低。因此，(J-J HOPFIELD.Neural network and physicalsystems with emergent collective computational abilities[J].Proc.natl.sci,1992,79)提出了仿照了人类大脑的记忆存储功能的Hopield神经网络模型，网络拥有极佳的联想记忆功能，但是设计并搭建一个对应的机械钻速预测模型存在很大的困难。之后，Geoffrey Hinton和他的同事们提出了误差反向传播神经网络(Back Propagation,BP)，也就是俗称的BP神经网络误差反向传播的基本算法。本发明采用的一种基于深度神经网络Sequential模型的基础结构模型，能够构建非线性的复杂关系模型，解决多种参数影响下的复杂预测问题。

发明内容

本发明的目的在于提供基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，该方法原理可靠，操作简便，通过构建非线性的复杂关系模型，能够准确预测机械钻速，克服了现有技术的缺陷和不足。

为达到以上技术目的，本发明采用以下技术方案。

基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，依次包括以下步骤：

步骤1：数据采集。选择一个特定区块，采集该区块中不同井的数据，得到数据样本集，该数据样本集包含录井数据和测井数据，统一整理到Excel表格或TXT文本中，作为原始钻井数据。由于不同的区块中地层条件差异很大，需选择一个特定的区块建立模型。

步骤2：数据参数的确定。将步骤1得到的原始钻井数据分为输入参数和输出参数，所述输入参数一共包含四类，分别是井深、原始地层参数、钻井参数和钻头参数，其中原始地层参数包括岩性、伽马系数GR和声波时差AC，钻井参数包括钻压、钻速、钻井液密度、立管压力、排量和扭矩；钻头参数包括钻头类型和钻头尺寸(即开次)；所述输出参数为机械钻速。将12个输入参数作为不同的特征属性，每个特征属性所包含的原始钻井数据作为输入变量X，机械钻速作为输出变量Y，得到初始数据集D。

步骤3：数据的特征工程。数据特征工程包括两个部分，即非结构化数据的量化表征和结构化数据的标准化。通过步骤1、2得到的数据参数中并不全为结构化数据，如数据中岩性和钻头类型都是非结构化数据，将这些非结构化数据转化成数值型数据，采用顺序编码(Ordinalencoder)方式来进行编码。将结构化数据标准化，目的是将数据落入一个特定区间，使其转化成无量纲的纯数值型，以便不同单位或两级的指标能加权和比较，减少数值过大的数据对模型权重的影响。

步骤4：模型的确定。深度神经网络是一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。本发明使用基于深度神经网络的Sequential模型，也就是多个网络层通过堆叠，构建出深度神经网络Sequential模型进行预测。Sequential模型也可以构建出其他非常复杂的神经网络，包括全连接神经网络、卷积神经网络(CNN)、循环神经网络(RNN)等。

步骤5：数据集的划分。使用初始数据集D来训练Sequential模型，随机划分训练集D1和测试集D2，其中训练集占数据集D的80％，测试集占20％。

步骤6：模型建立和训练。Sequential模型由一层输入层、一层或多层隐藏层(TLU)和最后一层输出层组成。以影响机械钻速的各种参数作为输入层，机械钻速作为输出层，采用Rule函数作为网格传递的激活函数，采用Adam优化器进行函数权值的优化，使用损失函数MAE和MSE两种方法来计算预测值和真实值的误差。

步骤7：模型的预测和结果的可视化。利用Sequential算法得到一个基于深度学习的机械钻速预测模型，需设置模型参数的各个数值，再采用R2指标反映评价拟合好坏，并实现图像可视化，包括模型最终预测值和真实的差值分布图、模型训练次数与模拟结果误差的柱状关系图、机械钻速与井深的关系图。

进一步的，步骤1中数据采集分开次进行，所述的开次是指钻井过程中使用不同尺寸钻头进行钻进，钻头尺寸随钻井深度依次减小，每更换一次钻头尺寸及下入一层套管，称为一个开次。

进一步的，步骤3中采用顺序编码是指将每一个类别的特征转换成一个新的整数，即并非0或1。假设单个非结构化因素为X＝{A₁，A₂，B₁，B₂，B₃，C₁，C₂}，经过顺序编码后为X＝{0₁，0₂，1₁，1₂，1₃，2₁，2₂}。单个因素的不同的特征属性对应不同的编码。

进一步的，步骤3中数据的标准化采用数据归一化的方式，通过对原始数据的线性变换，使结果值映射到[0，1]之间，公式如下：

其中x_i表示某一参数下任意一点；

x_min表示某一参数下的最小值；

x_max表示某一参数下的最大值；

X_i表示某一参数下归一化的值。

进一步的，步骤5中数据集的划分，是指在训练模型时，需要训练的结果和真实值不断迭代来减小误差，提高模型的预测准确性，所以在训练时还需将数据集分为训练集和测试集，比例为8∶2。

进一步的，步骤6中Sequential网络模型为7层深层神经网络，输入层包含12个神经元，为步骤3标准化后的输入参数；隐藏层一共5层，以及一个输出层，迭代次数为1000次。

进一步的，步骤6中激活函数(Activation Function)，是指在深度神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。本发明采用Rule激活函数，使输入和输出层不再是简单的线性关系。

进一步的，步骤6中Adam优化器，是指基于随机梯度下降(SGD)的优化算法，结合AdaGrad和RMSProp两种优化算法的优点，是对梯度的一阶矩估计和二阶矩估计综合考虑。本发明学习率η＝0.001，一阶矩阵衰减系数β₁＝0.9，二阶矩阵衰减系数β₂＝0.999，用于数值稳定的常数∈＝10^-8，初始时间序列t＝0。

计算梯度g_t的公式如下：

t＝t+1

其中θ表示需要更新的参数；

g_t表示时间序列t时参数θ下降的梯度；

表示在时间序列为t时对θ_t-1的偏导。

更新偏一、二阶矩估计公式如下：

m_t＝β₁m_t-1+(1-β₁)g_t

其中m_t表示参数g_t的一阶矩；

v_t表示参数g_t的二阶矩。

修正一、二阶矩估计公式如下：

其中

表示参数m的偏置矫正；

表示参数v的偏置矫正。

通过两个偏执矫正得到的系数对参数θ进行更新，即参数θ的一个迭代过程，公式如下：

进一步的，步骤6中损失函数，是指采用MSE和MAE两种方法来验证预测值和真实的的偏差。MSE是真实值与预测值的均方误差，MAE是预测值与真实值的平均绝对误差，公式如下：

其中n代表数据的个数；

y_i表示真实的机械钻速；

表示预测的机械钻速。

进一步的，步骤7中R2并不是R的平方，而是对于回归问题常用的一种评价方法，又称决定系数R2(R-Square)。R2是反映评价拟合好坏的指标，最常用于评价回归模型优劣程度，R2越大(接近于1)，所拟合的回归方程越优，越小(接近于0)，拟合结果越差。公式如下：

其中

表示平均机械钻速。

本发明具有以下有益效果：

与现有的神经网络相比，本发明能够同时对多井进行分析，模型预测值能够与新井进行对比分析，解决了以前只是单口井进行的局限性。本发明还分类了4类影响机械钻速的原因，其中共包括12种因素，将字符型参数转化成数值型参数，大大提高了模型的准确度，能够满足预测的效果。

附图说明

图1基于深度神经网络Sequential模型训练流程图。

图2预测值与真实值的散点分布图。

图3预测值与真实值的偏差分布图。

图4机械钻速与井深关系图。

具体实施方式

下面根据附图和实例进一步说明本发明，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，均在保护之列。

本方法通过对四川某区块的数据进行测试，该区块井史资料比较完整，包含多口井的测井资料、录井资料、钻井井史和钻井设计资料。

步骤一，首先确定5口井作为预测对象，分别是井1、井2、井3、井4和井5。然后确定找出影响机械钻速的参数，地层参数(岩性、伽马系数、声波时差)、钻井参数(钻压、钻速、钻井液密度、立管压力、排量、扭矩)和钻头类型和钻头尺寸(开次)。

步骤二，对数据集分为1,2,3,4,5五口井、输入每口井对应的开次和地层，按照井深升序进行分类。

步骤三，地层因素中的岩性和钻头因素为字符型参数，属于非结构型数据，需要对其进行特征工程，将分类特征转换为分类数值型特征。不同开次的地层岩性和钻头尺寸差异很大，本数据样本集共5个开次，分别是一开、二开、三开、四开、五开，通过编码依次为0.0、1.0、2.0、3.0、4.0。该地层岩性一共包含5种，分别是砂岩、泥岩、白云岩、灰岩、膏岩，通过编码依次为0.0、1.0、2.0、3.0、4.0；钻头共分为3种，分别为PDC钻头+螺杆、牙轮钻头+螺杆和复合钻头+螺杆，依次编码为2,0、3.0、4.0。当遇到更复杂岩性变化状况时和更多种钻井工具组合时，同样可以使用顺序编码。如下表所示：

步骤四，采用归一化的方法将数据进行归一处理，使其无量纲化，以便后面算法的加权运算：

步骤五，划分训练集，将训练集和测试集，比例为8:2，其中再将训练集划分成训练集和验证集，比例为6:2，总的比例为训练集：验证集：测试集＝6:2:2。

步骤六，确立模型为Squential模型，并设计网络的模型参数，基于CPU对数据集进行深度神经网络训练。网络的层数和神经元基于不同的数据量需要更变，在本实施例中，具体的参数如下表所示：

模型参数	取值
		迭代次数	1000
输入神经元数量	12
		隐藏层第一、二、三、五层	128
隐藏层第四层	156
		隐藏层第六层(输出层)	1
激活函数	ReLU
		优化器	Adam
损失函数	MAE、MSE

步骤七，预测机械钻速，采用R2评价方法验证其准确度，即决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例，其取值范围为[0,1]：如果结果是0，说明模型拟合效果很差；如果结果是1，说明模型无错误，本模型R2评价得分为0.87，预测效果很好，评价结果如下表所示：

训练1000次结果	MAE	MSE	R2
				训练集	0.2391	0.1315	/
验证集	1.4240	2.9568	/
				测试集	/	/	0.87

模型可视化结果如图2、3、4所示。图2代表预测值的值与真实值的偏差，数值越集中在直线上说明结果偏差越小，结果越好；散点越向上偏移说明预测值越大于真实值，反之预测值越小于真实值。图3代表预测值和真实值偏差多少的分布图，可以看出模型主要分布[-1,1]之间，说明模型训练结果优秀。图4代表真实机械钻速和预测机械钻速结果，两者几乎完全重合，说明整个的准确度非常高。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，依次包括以下步骤：

步骤1：数据采集，选择一个特定区块，采集该区块中不同井的数据，作为原始钻井数据；

步骤2：将原始钻井数据分为输入参数和输出参数，所述输入参数包含井深、原始地层参数、钻井参数和钻头参数，其中原始地层参数包括岩性、伽马系数GR和声波时差AC，钻井参数包括钻压、钻速、钻井液密度、立管压力、排量和扭矩，钻头参数包括钻头类型和钻头尺寸；所述输出参数为机械钻速，将输入参数作为不同的特征属性，每个特征属性所包含的原始钻井数据作为输入变量X，机械钻速作为输出变量Y，得到初始数据集D；

步骤3：进行非结构化数据的量化表征和结构化数据的标准化，非结构化数据的量化表征是将非结构化数据转化成数值型数据，采用顺序编码方式来进行编码；结构化数据的标准化是将数据落入一个特定区间，使其转化成无量纲的纯数值型；

步骤4：确定使用基于深度神经网络的Sequential模型，即多个网络层通过堆叠，构建出深度神经网络Sequential模型来进行预测；

步骤5：数据集的划分，使用初始数据集D来训练Sequential模型，随机划分训练集D1和测试集D2，其中训练集占初始数据集D的80％，测试集占20％；

步骤6：模型建立和训练，Sequential模型由一层输入层、一层或多层隐藏层和最后一层输出层组成，以影响机械钻速的各种参数作为输入层，机械钻速作为输出层，采用Rule函数作为网格传递的激活函数，采用Adam优化器进行函数权值的优化，使用损失函数MAE和MSE两种方法来计算预测值和真实值的误差；

步骤7：模型的预测和结果的可视化，包括利用Sequential算法得到一个基于深度学习的机械钻速预测模型，设置模型参数的各个数值，采用R2指标反映评价拟合好坏，并实现图像可视化。

2.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤1中数据采集分开次进行，所述的开次是指钻井过程中使用不同尺寸钻头进行钻进，钻头尺寸随钻井深度依次减小，每更换一次钻头尺寸及下入一层套管，称为一个开次。

3.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤3中采用顺序编码是指将每一个类别的特征转换成一个新的整数，并非0或1。

4.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤3中数据的标准化采用数据归一化的方式，通过对原始数据的线性变换，使结果值映射到[0，1]之间，公式如下：

其中x_i表示某一参数下任意一点；

x_min表示某一参数下的最小值；

x_max表示某一参数下的最大值；

X_i表示某一参数下归一化的值。

5.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤5中数据集的划分，是指在训练模型时，需要训练的结果和真实值不断迭代来减小误差，在训练时将数据集分为训练集和测试集，比例为8∶2。

6.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤6中Sequential网络模型为7层深层神经网络，输入层包含12个神经元，为步骤3标准化后的输入参数；隐藏层一共5层，以及一个输出层，迭代次数为1000次。

7.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤6中激活函数是指在深度神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。

8.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤6中Adam优化器，是指基于随机梯度下降的优化算法，结合AdaGrad和RMSProp两种优化算法的优点，对梯度的一阶矩估计和二阶矩估计综合考虑，学习率η＝0.001，一阶矩阵衰减系数β₁＝0.9，二阶矩阵衰减系数β₂＝0.999，用于数值稳定的常数∈＝10^-8，初始时间序列t＝0，计算梯度g_t的公式如下：

t＝t+1

其中θ表示需要更新的参数；

g_t表示时间序列t时参数θ下降的梯度；

表示在时间序列为t时对θ_t-1的偏导；

更新偏一、二阶矩估计公式如下：

m_t＝β₁m_t-1+(1-β₁)g_t

其中m_t表示参数g_t的一阶矩；

v_t表示参数g_t的二阶矩；

修正一、二阶矩估计公式如下：

其中

表示参数m的偏置矫正；

表示参数v的偏置矫正；

通过两个偏执矫正得到的系数对参数θ进行更新，即参数θ的一个迭代过程，公式如下：

9.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤6中采用MSE和MAE两种方法来计算预测值和真实的的偏差，MSE是真实值与预测值的均方误差，MAE是预测值与真实值的平均绝对误差，公式如下：

其中n代表数据的个数；

y_i表示真实的机械钻速；

表示预测的机械钻速。

10.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤7中R2是反映评价拟合好坏的指标，用于评价回归模型优劣程度：

其中

表示平均机械钻速；

R2越大，即接近于1，所拟合的回归方程越优，越小，即接近于0，拟合结果越差。

11.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，其特征在于，所述步骤中图像可视化，包括模型最终预测值和真实的差值分布图、模型训练次数与模拟结果误差的柱状关系图、机械钻速与井深的关系图。

Images