CN113077091B - 一种基于机器学习的漏速概率分布预测方法和系统 - Google Patents
一种基于机器学习的漏速概率分布预测方法和系统 Download PDFInfo
- Publication number
- CN113077091B CN113077091B CN202110381079.7A CN202110381079A CN113077091B CN 113077091 B CN113077091 B CN 113077091B CN 202110381079 A CN202110381079 A CN 202110381079A CN 113077091 B CN113077091 B CN 113077091B
- Authority
- CN
- China
- Prior art keywords
- leakage
- gaussian
- neural network
- model
- probability distribution
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000005553 drilling Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000001149 cognitive effect Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明属于油气井工程领域,涉及一种基于机器学习的漏速概率分布预测方法和系统,包括以下步骤:S1对录井数据进行降维处理;S2将经过降维处理的录井数据进行归一化,采用经过归一化的数据对混合密度神经网络模型进行训练;S3计算所述混合密度神经网络模型的不确定性,获得所述混合密度神经网络模型的方差;S4根据所述方差调整漏速范围,获得漏速概率分布情况。其能够对漏速范围进行准确预测,并结合预测结果不确定性,为钻井参数优化提供参考,实现漏失控制。
Description
技术领域
本发明涉及一种基于机器学习的漏速概率分布预测方法和系统,属于油气井工程领域。
背景技术
漏失是钻井工程中十分常见的事故,不仅会造成钻井液的损失,同时可能会导致卡钻等其他井下复杂事故,从而增加钻井成本和钻井周期。因此漏失问题是钻井工程中面临的一大难题。
此前已有许多专家学者,就钻井漏失问题提出了漏失的预测、诊断和控制的模型与方法。这些模型主要可以分为两大类,即经验模型和数学模型。经验模型建立方法简单,针对特定的问题适应性较强,通过相关性分析,采用二元回归方法拟合经验公式,进行漏失诊断、预测及控制。经验模型需要大量的漏失数据作为基础,因此其通用性和准确性受到了限制。数学模型基于对物理现象的抽象和描述,使得通用性和准确性大大提高,也成为研究漏失问题的主要方法,但数学模型中个别参数的选取存在不确定性,且在不同条件下求解获得的结果也大相径庭,与实际结果差异较大。近年来随着人工智能技术的发展,也有不少专家从人工智能相关技术着手,进行漏失的研究。目前基于人工智能技术对漏失的研究主要分为两类,即预测和诊断。在漏失预测方面,主要是基于机器学习技术,结合地震属性数据,利用测井数据实现漏失数据与地震数据的连接,进行漏失风险的概率预测。在漏失诊断方面,主要是利用录井数据,运用机器学习方法以漏速为标签,进行漏失诊断,判断漏失是否会发生。也有进行漏速预测的,但预测得到的大多是单一漏速值,与真实的漏速往往有一定偏差,并不是十分准确。
发明内容
针对上述问题,本发明的目的是提供一种基于机器学习的漏速概率分布预测方法和系统,其能够对漏速范围进行准确预测,并结合预测结果不确定性,为钻井参数优化提供参考,实现漏失控制。
为实现上述目的,本发明采取以下技术方案:一种基于机器学习的漏速概率分布预测方法,包括以下步骤:S1对录井数据进行降维处理;S2将经过降维处理的录井数据进行归一化,采用经过归一化的数据对混合密度神经网络模型进行训练;S3计算混合密度神经网络模型的不确定性,获得混合密度神经网络模型的方差;S4根据方差调整漏速范围,获得漏速概率分布情况。
进一步,步骤S1中降维处理的过程为:根据多口已钻井的综合录井数据和漏失记录,以漏速作为特征值,分析综合录井参数和漏失记录中漏速的相关性,对综合录井参数进行筛选,选出与漏速相关性最高的特征参数,作为漏速预测的特征参数。
进一步,采用皮尔森相关性分析算法、随机森林算法和递归消除特征算法对综合录井参数进行筛选。
进一步,步骤S2中归一化的公式为:
其中,xnor代表归一化后的数据;xraw代表原始数据;xmax和xmin分别代表每组特征数据中的最大和最小值。
进一步,步骤S3中混合密度神经网络模型以高斯模型为基础,通过多个不同方差与均值的高斯模型按照不同的权重组合成混合高斯模型,预测得到符合混合高斯分布的漏速范围。
进一步,混合密度神经网络模型的输出层包括子高斯模型的均值、子高斯模型的方差以及各子高斯模型在混合高斯模型中的权重。
进一步,混合密度神经网络模型的表达式为:
其中,P(r|s)为在s条件下r发生的概率密度,表示高斯概率分布,r为漏速,s为综合录井参数,ωg(s),μg(s)和/>分别为第g个高斯概率分布模型的权重、均值和方差,G是子高斯模型的个数。
进一步,不确定性包括由模型本身与数据实际模型之间的误差所引起的不确定性和由数据的变化所引起的不确定性。
进一步,混合密度神经网络模型的方差Var(r*|s*)为:
其中,r*为漏速,s*为综合录井参数,E(r*|s*)为对应高斯分布的期望,αi和μi分别为第i个子高斯模型对应的权重与均值。
本发明还公开了一种基于机器学习的漏速概率分布预测系统,包括:降维模块,用于对录井数据进行降维处理;模型训练模块,用于将经过降维处理的录井数据进行归一化,采用经过归一化的数据对混合密度神经网络模型进行训练;不确定性计算模块,用于计算混合密度神经网络模型的不确定性,获得混合密度神经网络模型的方差;预测模块,用于根据方差调整漏速范围,获得漏速概率分布情况。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明基于综合录井数据,根据录井参数利用混合密度神经网络对漏失进行预测,模型直接得到的一个可以根据不确定性进行微调的漏速范围,通过调整漏速范围尽可能减小模型的不确定性。
2、与预测单一漏速值相比,本发明得到的结果是漏速范围,准确度更高,同时也可以对漏速的具体值进行求取,充分体现了本发明的灵活性与可控性。此外该发明用到了不确定性,可以根据不确定性判断预测结果的可信度。
附图说明
图1是本发明一实施例中基于机器学习的漏速概率分布预测方法的流程图;
图2是本发明一实施例中各个高斯模型的漏速概率分布图;
图3是本发明一实施例中混合密度神经网络模型的漏速概率分布图;
图4是本发明一实施例中漏速的不确定性结果图;
图5是本发明一实施例中本发明的方法预测的漏速范围图;
图6是本发明一实施例中实际记录和由本发明的方法预测的漏速概率分布对比图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向,通过具体实施例对本发明进行详细的描绘。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
实施例一
本实施例公开了一种基于机器学习的漏速概率分布预测方法,如图1所示,包括以下步骤:
S1对录井数据进行降维处理。
降维处理的过程为:根据多口已钻井的综合录井数据和漏失记录,以漏速作为标签,分析综合录井参数和漏失记录中漏速的相关性,采用皮尔森相关性分析算法、随机森林算法和递归消除特征算法对综合录井参数进行筛选,选出与漏速相关性最高的特征参数,作为漏速预测的特征参数。
S2将经过降维处理的录井数据进行归一化,采用经过归一化的数据对混合密度神经网络模型进行训练。
其中,归一化的公式为:
其中,xnor代表归一化后的数据;xraw代表原始数据;xmax和xmin分别代表每组特征数据中的最大和最小值。
如图2、3所示,混合密度神经网络模型以高斯模型为基础,通过多个不同方差与均值的高斯模型组合成混合高斯模型,对符合高斯分布的漏速范围进行预测。其输出层包括子高斯模型的均值、子高斯模型的方差以及各子高斯模型在混合高斯模型中的权重。在本实施例中,混合密度神经网络模型的输入层神经元个数为16,三个隐藏层的神经元个数分别为32、64和32,输出层的神经元个数为30,输出层包括:10个子高斯模型的均值、10个子高斯模型的方差以及10个子高斯模型在混合高斯模型中占有的权重。
混合密度神经网络模型的表达式为:
其中,P(r|s)为在s条件下r发生的概率密度,表示高斯概率分布,r为漏速,s为综合录井参数,ωg(s),μg(s)和/>分别为第g个高斯概率分布模型的权重、均值和方差,G是子高斯模型的个数。第二个公式用于限制混合密度神经网络模型中的权值和方差,使得权重和方差必须是正值,且各子高斯模型权值之和要等于1,只有在满足该约束条件的前提下,第一个公式才是有意义的。
S3计算混合密度神经网络模型的不确定性,获得混合密度神经网络模型的方差。
混合密度神经网络模型最终得到的只是符合高斯分布的漏速范围,不同的数据对应的预测漏速范围大小也是不一样的,在一定条件下漏速范围越小,也就越容易评估漏失情况,为了评估得到的漏速范围的可信度,就需要计算各组数据对应预测结果的不确定性。不确定性包括由模型本身与数据实际模型之间的误差所引起的不确定性,这一部分不确定性被称为认知不确定性;由数据的变化所引起的不确定性,这一部分不确定性被称为随机不确定性。
混合密度神经网络模型的方差Var(r*|s*)为:
Var(r*|s*)=∫||r*-E(r*|s*)||2p(r*|s*)dr*
其中,r*为漏速,s*为综合录井参数,E(r*|s*)为对应高斯分布的期望,αi和μi分别为第i个子高斯模型对应的权重与均值。上式中第一项为随机不确定性,第二项为认知不确定性,随机不确定性与认知不确定性组成了模型预测的方差。当预测模型一旦确定以后,认知不确定性也就确定在了一定范围,随数据变化较小;而随机不确定性则是随着预测数据的不同而不断变化的,因此在确定不同数据预测结果不确定性的时候,主要影响不确定性的就是随机不确定性。
S4根据方差调整漏速范围,获得漏速概率分布情况。
漏速范围就是混合密度神经网络预测的得到的各子高斯模型组合而成的混合高斯模型,该漏速范围是可以根据不确定性进行合理调整,按照高斯分布,漏速范围可以调整为一个方差区间,或者是两个、三个方差区间。如果想要得到具体的漏速值,可以将高斯分布峰值对应的漏速当作预测漏速,或者是在预测得到的漏速区间内求取平均值作为具体漏速。
实施例二
基于相同的发明构思,本实施例以中东地区H油田的Mishrif储层为例对实施例一中方案进行进一步说明:
H油田为一平缓的向斜构造,地层倾角小于5°,从上到下共发育9套储层,主要为砂岩储层和灰岩储层。
利用已知漏失的45口井的数据训练混合密度神经网络,之后以H油田翼部一口新井HF-P1为测试井,用训练好的混合密度神经网络模型进行漏失诊断与漏速概率分布预测。
S1对录井数据进行降维处理。
训练数据是中东地区H油田的Mishrif储层的45口井的录井数据,共获得22组与漏失相关的特征参数和1组漏失数据,以漏失数据为标签,22组特征分别为:测深、垂深、机械钻速、大钩载荷、泵压、泵冲、入口流量、出口流量、入口泥浆温度、出口泥浆温度、入口泥浆密度、出口泥浆密度、出口泥浆电导率、循环泥浆密度、总气测含量、泥浆池总体积、每分钟转数、钻头重量、扭矩、钻井时长、入口泥浆电导率和井类型。之后利用皮尔森相关性分析算法、随机森林算法和递归消除特征算法对上述22组特征参数进行降维处理,得到16组与漏失相关性较高的特征参数,共3196条数据。该16组相关特征为:测深、垂深、机械钻速、大钩载荷、泵压、泵冲、入口流量、出口流量、入口泥浆温度、出口泥浆温度、入口泥浆密度、出口泥浆密度、出口泥浆电导率、循环泥浆密度、总气测含量和泥浆池总体积。
S2将经过降维处理的16组特征参数对应的录井数据进行归一化处理,采用经过归一化的数据对混合密度神经网络模型进行训练。
如图2、3所示,混合密度神经网络模型的输入层输入的是经过归一化的16个特征参数和1个标签(漏速)对应的数据,三个隐藏层分别有32、64、32个神经元,输出层是30个神经元,对应的是如图2所示的10个子高斯模型,之后由十个子高斯模型得到如图3所示的混合高斯模型,最后利用混合高斯模型得到输入数据对应的漏速概率分布预测结果。
S3计算混合密度神经网络模型的不确定性,获得混合密度神经网络模型的方差。
根据实施例一中的混合密度神经网络模型的方差公式计算模型的认知不确定性和随机不确定性,计算结果图如图4所示。
S4根据方差调整漏速范围,获得漏速概率分布情况。
如图5所示,调整漏速范围至混合高斯模型的一个方差区间,漏速值通过漏速区间的平均值确定。如图6所示,将本实施例中获得的预测结果和实测的漏速结果进行比较,可以看出本实施例预测结果基本与实测结果相符,说明本实施例中预测方法具有较高的准确率。
实施例三
基于相同的发明构思,本实施例公开了一种基于机器学习的漏速概率分布预测系统,包括:
降维模块,用于对录井数据进行降维处理;
模型训练模块,用于将经过降维处理的录井数据进行归一化,采用经过归一化的数据对混合密度神经网络模型进行训练;
不确定性计算模块,用于计算混合密度神经网络模型的不确定性,获得混合密度神经网络模型的方差;
预测模块,用于根据方差调整漏速范围,获得漏速概率分布情况。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围。
Claims (8)
1.一种基于机器学习的漏速概率分布预测方法,其特征在于,包括以下步骤:
S1对录井数据进行降维处理;
S2将经过降维处理的录井数据进行归一化,采用经过归一化的数据对混合密度神经网络模型进行训练;
S3计算所述混合密度神经网络模型的不确定性,获得所述混合密度神经网络模型的方差;
S4根据所述方差调整漏速范围,获得漏速概率分布情况,所述漏速范围是混合密度神经网络预测的得到的各子高斯模型组合而成的混合高斯模型;
所述混合密度神经网络模型的输出层包括子高斯模型的均值、子高斯模型的方差以及各子高斯模型在混合高斯模型中的权重;
所述混合密度神经网络模型的表达式为:
ωg(s)>0,/>
其中,P(r|s)为在s条件下r发生的概率密度,表示高斯概率分布,r为漏速,s为综合录井参数,ωg(s),μg(s)和/>分别为第g个高斯概率分布模型的权重、均值和方差,G是子高斯模型的个数。
2.如权利要求1所述的基于机器学习的漏速概率分布预测方法,其特征在于,所述步骤S1中降维处理的过程为:根据多口已钻井的综合录井数据和漏失记录,以漏速作为特征值,分析综合录井参数和漏失记录中漏速的相关性,对综合录井参数进行筛选,选出与漏速相关性较高的特征参数,作为漏速预测的特征参数。
3.如权利要求2所述的基于机器学习的漏速概率分布预测方法,其特征在于,采用皮尔森相关性分析算法、随机森林算法和递归消除特征算法对综合录井参数进行筛选。
4.如权利要求1-3任一项所述的基于机器学习的漏速概率分布预测方法,其特征在于,所述步骤S2中归一化的公式为:
其中,xnor代表归一化后的数据;xraw代表原始数据;xmax和xmin分别代表每组特征数据中的最大和最小值。
5.如权利要求1-3任一项所述的基于机器学习的漏速概率分布预测方法,其特征在于,所述步骤S3中混合密度神经网络模型以高斯模型为基础,通过多个不同方差与均值的高斯模型组合成混合高斯模型,预测得到符合高斯分布的漏速范围。
6.如权利要求5所述的基于机器学习的漏速概率分布预测方法,其特征在于,所述不确定性包括由模型本身与数据实际模型之间的误差所引起的不确定性和由数据的变化所引起的不确定性。
7.如权利要求6所述的基于机器学习的漏速概率分布预测方法,其特征在于,所述混合密度神经网络模型的方差Var(r*|s*)为:
其中,r*为漏速,s*为综合录井参数,E(r*|s*)为对应高斯分布的期望,αi和μi分别为第i个子高斯模型对应的权重与均值。
8.一种基于机器学习的漏速概率分布预测系统,其特征在于,包括:
降维模块,用于对录井数据进行降维处理;
模型训练模块,用于将经过降维处理的录井数据进行归一化,采用经过归一化的数据对混合密度神经网络模型进行训练;
不确定性计算模块,用于计算所述混合密度神经网络模型的不确定性,获得所述混合密度神经网络模型的方差;
预测模块,用于根据所述方差调整漏速范围,获得漏速概率分布情况;所述漏速范围是混合密度神经网络预测的得到的各子高斯模型组合而成的混合高斯模型;
所述混合密度神经网络模型的输出层包括子高斯模型的均值、子高斯模型的方差以及各子高斯模型在混合高斯模型中的权重;
所述混合密度神经网络模型的表达式为:
ωg(s)>0,/>
其中,P(r|s)为在s条件下r发生的概率密度,表示高斯概率分布,r为漏速,s为综合录井参数,ωg(s),μg(s)和/>分别为第g个高斯概率分布模型的权重、均值和方差,G是子高斯模型的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381079.7A CN113077091B (zh) | 2021-04-09 | 2021-04-09 | 一种基于机器学习的漏速概率分布预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381079.7A CN113077091B (zh) | 2021-04-09 | 2021-04-09 | 一种基于机器学习的漏速概率分布预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077091A CN113077091A (zh) | 2021-07-06 |
CN113077091B true CN113077091B (zh) | 2024-04-23 |
Family
ID=76615688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110381079.7A Active CN113077091B (zh) | 2021-04-09 | 2021-04-09 | 一种基于机器学习的漏速概率分布预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077091B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113803647B (zh) * | 2021-08-25 | 2023-07-04 | 浙江工业大学 | 一种基于知识特征与混合模型融合的管道泄漏检测方法 |
US20230102494A1 (en) * | 2021-09-24 | 2023-03-30 | Hexagon Technology Center Gmbh | Ai training to produce task schedules |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205705A (zh) * | 2016-12-16 | 2018-06-26 | 爱思开海力士有限公司 | 用于归一化神经网络设备的装置和方法 |
CN109116428A (zh) * | 2018-07-02 | 2019-01-01 | 中国石油天然气股份有限公司 | 一种缝洞型碳酸盐岩油藏不确定性建模方法及其装置 |
CN109190828A (zh) * | 2018-09-07 | 2019-01-11 | 苏州大学 | 泄漏气体浓度分布确定方法、装置、设备及可读存储介质 |
CN110443488A (zh) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | 基于卷积神经网络的钻井溢漏风险识别方法、系统及设备 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
CN110852018A (zh) * | 2019-10-21 | 2020-02-28 | 中国石油集团长城钻探工程有限公司 | 基于神经网络的pso钻井参数优化方法 |
CN112381278A (zh) * | 2020-11-05 | 2021-02-19 | 中国石油天然气股份有限公司 | 一种单一区域内低压天然气井漏失程度快速预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160267396A1 (en) * | 2015-03-09 | 2016-09-15 | Skytree, Inc. | System and Method for Using Machine Learning to Generate a Model from Audited Data |
-
2021
- 2021-04-09 CN CN202110381079.7A patent/CN113077091B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205705A (zh) * | 2016-12-16 | 2018-06-26 | 爱思开海力士有限公司 | 用于归一化神经网络设备的装置和方法 |
CN109116428A (zh) * | 2018-07-02 | 2019-01-01 | 中国石油天然气股份有限公司 | 一种缝洞型碳酸盐岩油藏不确定性建模方法及其装置 |
CN109190828A (zh) * | 2018-09-07 | 2019-01-11 | 苏州大学 | 泄漏气体浓度分布确定方法、装置、设备及可读存储介质 |
CN110443488A (zh) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | 基于卷积神经网络的钻井溢漏风险识别方法、系统及设备 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
CN110852018A (zh) * | 2019-10-21 | 2020-02-28 | 中国石油集团长城钻探工程有限公司 | 基于神经网络的pso钻井参数优化方法 |
CN112381278A (zh) * | 2020-11-05 | 2021-02-19 | 中国石油天然气股份有限公司 | 一种单一区域内低压天然气井漏失程度快速预测方法 |
Non-Patent Citations (4)
Title |
---|
余小高.《基于大数据的高风险学生预测研究》.2019,41. * |
基于混合密度网络测度股市流动性"周内效应";张晨曦;杨一文;;中国证券期货(第09期);38-40 * |
基于蒙特卡罗的天然气长输管道泄漏范围预测;颜峻;;消防科学与技术;20170415(第04期);全文 * |
福建省高等学校计算机教材编写委员会.《Python程序设计与应用教程》.2019,44. * |
Also Published As
Publication number | Publication date |
---|---|
CN113077091A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077091B (zh) | 一种基于机器学习的漏速概率分布预测方法和系统 | |
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN112000015B (zh) | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 | |
CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
CN107291667B (zh) | 一种井间连通程度确定方法及系统 | |
CN110222387B (zh) | 基于混合漏积分crj网络的多元钻井时间序列预测方法 | |
Fjetland et al. | Kick detection and influx size estimation during offshore drilling operations using deep learning | |
CN112949196A (zh) | 一种基于残差神经网络的抽油机井故障诊断方法及系统 | |
CN116383722A (zh) | 一种基于门控循环单元神经网络的压裂措施过程监控方法 | |
CN113536697A (zh) | 一种基于改进残差网络和wgan的轴承剩余寿命预测方法 | |
CN113236228A (zh) | 一种单井产量快速预测方法及系统 | |
CN113627639A (zh) | 用于碳酸盐岩缝洞型储层的试井产能预测方法及系统 | |
CN111159904A (zh) | 一种用于地热资源量估算评价的方法 | |
CN112016766A (zh) | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 | |
CN114488311A (zh) | 基于ssa-elm算法的横波时差预测方法 | |
CN107153881B (zh) | 一种钻井风险的预测方法 | |
KR20200058258A (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN117272139A (zh) | 一种结合特征相关性与时间相关性的盾构机姿态预测方法 | |
CN116992694A (zh) | 一种隧道爆破质量评价及优化方法 | |
CN116227673A (zh) | 一种基于加氢裂化装置的自适应温度预警方法及系统 | |
CN111767323B (zh) | 一种基于核smo算法的地层裂缝长度实时预测方法 | |
CN114091883A (zh) | 井漏风险层位钻前预测方法、装置、介质及设备 | |
CN114519291A (zh) | 工况监测和控制模型建立方法及其应用方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |