CN113283811A - 一种梯度提升法固井质量评价方法 - Google Patents
一种梯度提升法固井质量评价方法 Download PDFInfo
- Publication number
- CN113283811A CN113283811A CN202110743654.3A CN202110743654A CN113283811A CN 113283811 A CN113283811 A CN 113283811A CN 202110743654 A CN202110743654 A CN 202110743654A CN 113283811 A CN113283811 A CN 113283811A
- Authority
- CN
- China
- Prior art keywords
- model
- well cementation
- interface
- cementation quality
- data
- 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 85
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 78
- 238000011156 evaluation Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000012795 verification Methods 0.000 claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000010200 validation analysis Methods 0.000 claims description 20
- 239000004568 cement Substances 0.000 claims description 18
- 238000013210 evaluation model Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种梯度提升法固井质量评价方法，包括如下步骤：S1建立样本集；S2建立训练集和验证集；S3建立梯度提升法固井质量评价初级模型，规范出入端和输出端；S4优化模型：将步骤S2中的训练集数据导入步骤S3中的梯度提升法固井质量评价初级模型进行训练和迭代优化，使模型的负梯度逐渐收敛，直到训练结果的符合率大于符合率目标值，将参数固定在模型中，获得优化模型；S5将验证集数据导入步骤S4中的优化模型，对模型进行验证，获得梯度提升法固井质量评价模型；S6模型应用。本发明克服了固井质量评价的时效性和可靠性差的问题，通过梯度提升法算法进行模型训练，建立测井曲线特征与固井结果关系模型，实现井场固井质量测井的快速可靠评价。
Description
技术领域
本发明涉及石油行业固井质量测井评价技术领域，更具体地，涉及一种梯度提升法固井质量评价方法。
背景技术
固井作业是指油井钻完并下套管后，通过在套管与地层间的空隙填充水泥，从而实现套管、水泥以及地层的紧密胶结。一口井固井质量的好坏，直接影响试油和生产。固井不好时由于不能把相邻油水层完全隔开，无法达到分层生产的目的，特别是油层与水层连通时，严重的会直接导致井无法利用而报废。因此，对固井质量及时有效评价显得尤为重要。现有方法通常采用在固井作业后进行声幅测井(CBL)、声波变密度测井(VDL)、水泥评价测井(CET)、井下超声波电视测井(BHTV、VAST)、分区水泥胶结测井(SBT)等固井质量测井评价方法，再针对这些测井资料，利用根据声波传播与反射原理以及各评价界面反射波的强弱(声幅)来进行定性或半定量评价，以获得水泥与套管之间的第一界面、水泥与地层之间的第二界面的胶结情况。
例如利用主频识别地层波，解决了波形图在时域内难以提取地层波信息问题，在此基础上构建了基于声波-变密度测井的固井质量评价标准；基于固井质量评价指标与水泥浆体系密度之间的变化关系，构建了基于水泥浆种类及其密度值的固井质量评价方法等。公开号为CN110020785A的中国专利文献，公开了一种基于深度学习的稠油热采井固井评价系统，通过在收集测井装置提供的测井资料后，将测井资料作为数据，导入神经网络，将数据与深度学习结合，训练神经网络，将数据集的低层特征提取出高级特征，通过训练后的神经网络评价油井的固井质量。
但是，上述方案在容错性、抗干扰性和自适应性等方面均存在一定的不足，不同的井况、地质、工艺参数需建立不同的评价模型，评价处理耗时耗力，评价时效不够高。
发明内容
本发明的目的在于克服现有技术固井质量评价的时效性和可靠性差的问题，提供一种梯度提升法固井质量评价方法。本发明通过整理各种裸眼测井数据、固井测井数据等原始数据与人工固井质量评价成果的数据对应关系，构建训练集，使用梯度提升法算法进行模型训练，建立测井曲线特征与固井结果关系模型，实现井场固井质量测井的快速可靠评价。
为解决上述技术问题，本发明采用的技术方案是：
一种梯度提升法固井质量评价方法，具体包括如下步骤：
S1建立样本集：选取样本井，对样本井的固井质量评价结果进行数据离散采样，获得样本集；
S2建立训练集和验证集：对步骤S1建立的样本集进行同深度点的常规测井值的离散化匹配，将匹配好的样本集数据随机分离出一定比例的样本集数据作为训练集，剩下的样本集数据为验证集；
S3建立梯度提升法固井质量评价初级模型：将常规测井值作为输入数据，将固井质量评价结果作为输出数据，利用损失函数和类别概率函数作为算法约束，建立多输入单输出的梯度提升法固井质量评价初级模型；
S4优化模型：将步骤S2中的训练集数据导入步骤S3中的梯度提升法固井质量评价初级模型进行训练和迭代优化，使模型的负梯度逐渐收敛，直到训练结果的符合率大于符合率目标值，将参数固定在模型中，获得优化模型；
S5获得梯度提升法固井质量评价模型：将步骤S2中的验证集数据导入优化模型中，对模型进行验证，获得验证集符合率，对验证集符合率进行判断，在验证集符合率大于验证集符合率的预设值时获得梯度提升法固井质量评价模型，否则将模型转入步骤S4。
S6模型应用：将步骤S5中的梯度提升法固井质量评价模型应用于新钻井的固井质量评价，获得离散深度的固井质量评价结果，对离散的固井质量评价结果进行归一化处理获得连续段评价结果，根据连续段评价结果自动匹配固井质量评价结论。
需要说明的是，第一界面是指水泥与套管之间的胶结界面，第二界面是指水泥与地层之间的胶结界面，固井质量评价的步骤是先评价第一界面和第二界面的胶结情况，然后通过这两个界面的评价综合得出固井质量好坏的结论。
这样，通过整理的裸眼测井数据、固井测井数据等原始数据与人工固井质量评价成果的数据对应关系，构建训练集，使用梯度提升法算法进行模型训练，建立测井曲线特征与固井评价结果的关系模型，通过大数据模型快速运算都是得到连续值(采样间隔内离散)的单点的评价结果，归一化处理后获得连续段的结果，单纯利用数学方法，无需理解声波传播的物理原理和数学公式，综合运用井径、套管尺寸、常规测井、声波测井、变密度测井等数据应用于模型，模型考虑了各自井筒条件，适应度高，模型无需进行变密度转换，减少了信息损失，模型精度高。模型处理速度极快，在数分钟内即可获得处理结果。
进一步的，步骤S1中固井质量评价结果所对应的采样点之间的间隔为0.05m-0.15m，样本集的数据量至少为8万个。需要说明的是，样本集的采样数据一般只需要保障采样的数据不失真，既能达到本发明的采样目的。
进一步的，训练集的抽取比例为样本集数据的0.7-0.9。
进一步的，训练集包括第一界面训练集和第二界面训练集，验证集包括第一界面验证集和第二界面验证集，第一界面训练集和第一界面验证集均包括同深度点的常规测井值以及对应的第一界面胶结情况评价值，第二界面训练集和第二界面验证集均包括同深度点的常规测井值以及对应的第二界面胶结情况评价值。
进一步的，常规测井值包括取井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据中的一项或者多项。
进一步的，S2的具体步骤如下：
S2.1对步骤S1建立的样本集进行同深度点的常规测井值的离散化匹配，将匹配好的样本集数据随机分离出一定比例的样本集数据作为训练集，在训练集中抽取第一界面训练集，第一训练集参数包括常规测井值(井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据的一项或者多项)，及第一界面胶结情况评价值；在训练集中抽取第二界面训练集，第二界面训练集参数包括常规测井值(井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据的一项或者多项)，及第二界面胶结情况评价值。
S2.2抽取完训练集后，剩下的样本集数据为验证集，在验证集中抽取第二界面验证集，第二界面验证集参数包括常规测井值(井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据的一项或者多项)，及第一界面胶结情况评价值；在验证集中抽取第二界面训练集，第二界面训练集参数包括常规测井值(井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据的一项或者多项)，及第二界面胶结情况评价值。
进一步的，步骤S3的具体步骤如下：
S3.1选取多分类逻辑，以多分类对数损失函数(muti-class log-loss)作为损失函数：
其中K为类别数，pk(x)为第k类的概率，Fk(x)为第k个的预测值，yk为第k个的真实值。
其中yk∈0，1，使用softmax来计算最后的类别概率：
其中K为类别数，pk(x)为第k类的概率，Fk(x)为第k个的预测值，Fl(x)为第l个的预测值。
S3.2选取softmax函数来计算最后的类别概率，固井质量测井评价属于多分类，为每个类别创建回归树Fl(x)＝12，...，k，每棵树对应预测一类的概率。
根据损失函数计算第k轮的第i个样本对应类别l的负梯度误差：
其中K为轮次数，i为样本号，p为概率值，F为预测值。
对应的结果为样本i对应类别l的真实概率减去预测概率的差值(残差)；
对于生成的决策树，各个叶子节点的最佳负梯度拟合值为：
其中K为轮次数，i为样本号，p为概率值，F为预测值。
通过Newton-Raphson公式进行近似求解，估算结果为：
其中K为轮次数，i为样本号，p为概率值，F为预测值。
基于分类器的输出结果导入到softmax计算得到最后的类别概率。
S3.3在大数据计算平台中利用GBDT梯度提升算法，根据S3.1的损失函数和S3.2的类别概率函数为约束，建立多输入单输出的梯度提升法固井质量评价初级模型，梯度提升法固井质量评价初级模型分为两部分，分别为第一界面评价模型和第二界面评价模型。
进一步的，符合率目标值为90％-99％。这样，将固井质量评价训练集数据导入梯度提升法固井质量评价初级模型，对模型进行训练和迭代优化，使模型的负梯度逐渐收敛，直到训练结果的符合率大于设定目标值，确保评价模型的泛化能力，获得优化模型。
进一步的，验证集符合率为90％-99％。这样，将第一界面验证集和第二界面验证集的数据导入优化模型中，对模型进行验证，获得验证集符合率，当第一界面验证集和第二界面验证集符合率大于预设值，将参数固定在模型中，获得梯度提升法固井质量评价模型，若验证集符合率小于预设值，则重新进行模型优化，这样不断的进行模型训练；一般来说，验证集符合率小于符合率目标值，能够确保评价模型的泛化能力，快速建立可靠的测井曲线特征与固井结果关系模型。
进一步的，步骤S6的具体步骤为：
S6.1将待评价新钻井的原始常规测井值进行离散，将离散后的数据输入到第一界面评价模型和第二界面评价模型中获得离散的固井质量第一界面评价结果和第二界面评价结果；
S6.2对离散的固井质量第一界面评价结果和第二界面评价结果进行归一化处理获得连续段第一界面评价结果和第二界面评价结果，根据连续段第一界面评价结果和第二界面评价结果自动匹配出最终的固井质量评价结论，快速获得新钻井的固井质量评价结论；
需要说明的是，新钻井原始常规测井值包括采用声幅测井、声波变密度测井、水泥评价测井、井下超声波电视测井、分区水泥胶结测井中的任意一种测井方法的原始的常规测井值。
这样，利用梯度提升法固井质量评价方法中的梯度提升法固井质量评价验证模型应用于新钻井的固井质量评价，获得离散深度的第一界面和第二界面评价结果，对离散结果进行归一化处理获得连续段评价结果，根据评价结果自动匹配固井质量评价结论，这样处理速度极快，在数分钟内即可获得处理结果。
与现有技术相比，本发明的有益效果是：
(1)本发明通过使用梯度提升法算法进行模型训练，建立测井曲线特征与固井结果关系模型，单纯利用数学方法，无需理解声波传播的物理原理和数学公式，综合运用井径、套管尺寸、常规测井、声波测井、变密度测井等数据应用于模型，模型考虑了各自井筒条件，适应度高。
(2)本发明对离散结果进行归一化处理获得连续段评价结果，根据评价结果自动匹配固井质量评价结论，快速获得新钻井的固井质量评价结论，模型无需进行变密度转换，减少了信息损失，模型精度高，处理速度极快。
附图说明
图1为本发明的整体流程示意图。
图2为本发明的中S2步骤的流程示意图。
图3为本发明的中S3步骤的流程示意图。
图4为本发明的中验证集建立流程示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
如图1至图4所示，一种梯度提升法固井质量评价方法，具体包括如下步骤：
S1建立样本集：选取样本井，对样本井的固井质量评价结果进行数据离散采样，获得样本集；
S2建立训练集和验证集：对步骤S1建立的样本集进行同深度点的常规测井值的离散化匹配，将匹配好的样本集数据随机分离出一定比例的样本集数据作为训练集，剩下的样本集数据为验证集；
S3建立梯度提升法固井质量评价初级模型：将常规测井值作为输入数据，将固井质量评价结果作为输出数据，利用损失函数和类别概率函数作为算法约束，建立多输入单输出的梯度提升法固井质量评价初级模型；
S4优化模型：将步骤S2中的训练集数据导入步骤S3中的梯度提升法固井质量评价初级模型进行训练和迭代优化，使模型的负梯度逐渐收敛，直到训练结果的符合率大于符合率目标值，将参数固定在模型中，获得优化模型；
S5获得梯度提升法固井质量评价模型：将步骤S2中的验证集数据导入优化模型中，对模型进行验证，获得验证集符合率，对验证集符合率进行判断，在验证集符合率大于验证集符合率的预设值时获得梯度提升法固井质量评价模型，否则将模型转入步骤S4。
S6模型应用：将将步骤S5中的梯度提升法固井质量评价模型应用于新钻井的固井质量评价，获得离散深度的固井质量评价结果，对离散的固井质量评价结果进行归一化处理获得连续段评价结果，根据连续段评价结果自动匹配固井质量评价结论。
需要说明的是，第一界面是指水泥与套管之间的胶结界面，第二界面是指水泥与地层之间的胶结界面，固井质量评价的步骤是先评价第一界面和第二界面的胶结情况，然后通过这两个界面的评价综合得出固井质量好坏的结论。
本实施例中，步骤S1中固井质量评价结果所对应的采样点之间的间隔为0.1m，样本集的数据量至少为8万个。
本实施例中，训练集的抽取比例为样本集数据的0.8；
本实施例中，训练集包括第一界面训练集和第二界面训练集，验证集包括第一界面验证集和第二界面验证集，第一界面训练集和第一界面验证集均包括同深度点的常规测井值以及对应的第一界面胶结情况评价值，第二界面训练集和第二界面验证集均包括同深度点的常规测井值以及对应的第二界面胶结情况评价值。
本实施例中，常规测井值包括取井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据中的一项或者多项。
本实施例中，S2的具体步骤如下：
S2.1对步骤S1建立的样本集进行同深度点的常规测井值的离散化匹配，将匹配好的样本集数据随机分离出一定比例的样本集数据作为训练集，在训练集中抽取第一界面训练集，第一训练集参数包括常规测井值(井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据的一项或者多项)，及第一界面胶结情况评价值；在训练集中抽取第二界面训练集，第二界面训练集参数包括常规测井值(井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据的一项或者多项)，及第二界面胶结情况评价值。
S2.2抽取完训练集后，剩下的样本集数据为验证集，在验证集中抽取第二界面验证集，第二界面验证集参数包括常规测井值(井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据的一项或者多项)，及第一界面胶结情况评价值；在验证集中抽取第二界面训练集，第二界面训练集参数包括常规测井值(井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据的一项或者多项)，及第二界面胶结情况评价值。
本实施例中，S3的具体步骤如下：
S3.1选取多分类逻辑，以多分类对数损失函数(muti-class log-loss)作为损失函数：
其中K为类别数，pk(x)为第k类的概率，Fk(x)为第k个的预测值，yk为第k个的真实值。
其中yk∈0，1，使用softmax来计算最后的类别概率：
其中K为类别数，pk(x)为第k类的概率，Fk(x)为第k个的预测值，Fl(x)为第l个的预测值。
S3.2选取softmax函数来计算最后的类别概率，固井质量测井评价属于多分类，为每个类别创建回归树Fl(x)＝1，2，…，k，每棵树对应预测一类的概率。
根据损失函数计算第k轮的第i个样本对应类别l的负梯度误差：
其中K为轮次数，i为样本号，p为概率值，F为预测值。
对应的结果为样本i对应类别l的真实概率减去预测概率的差值(残差)；
对于生成的决策树，各个叶子节点的最佳负梯度拟合值为：
其中K为轮次数，i为样本号，p为概率值，F为预测值。
通过Newton-Raphson公式进行近似求解，估算结果为：
其中K为轮次数，i为样本号，p为概率值，F为预测值。
基于分类器的输出结果导入到softmax计算得到最后的类别概率。
S3.3在大数据计算平台中利用GBDT梯度提升算法，根据S3.1的损失函数和S3.2的类别概率函数为约束，建立多输入单输出的梯度提升法固井质量评价初级模型，梯度提升法固井质量评价初级模型分为两部分，分别为第一界面评价模型和第二界面评价模型。
本实施例中，符合率目标值为98％。这样，将固井质量评价训练集数据导入梯度提升法固井质量评价初级模型，对模型进行训练和迭代优化，使模型的负梯度逐渐收敛，直到训练结果的符合率大于设定目标值，确保评价模型的泛化能力，获得优化模型。
本实施例中，验证集符合率为97％。这样，将第一界面验证集和第二界面验证集的数据导入优化模型中，对模型进行验证，获得验证集符合率，当第一界面验证集和第二界面验证集的符合率大于预设值，将参数固定在模型中，获得梯度提升法固井质量评价验证模型，若小于预设值，则重新进行模型优化，这样不断的进行模型训练；验证集符合率小于符合率目标值，能够确保评价模型的泛化能力，快速建立可靠的测井曲线特征与固井结果关系模型。
本实施例中，步骤S6的具体步骤为：
S6.1将待评价新钻井的原始常规测井值进行离散，将离散后的数据输入到第一界面评价模型和第二界面评价模型中获得离散的固井质量第一界面评价结果和第二界面评价结果；
S6.2对离散的固井质量第一界面评价结果和第二界面评价结果进行归一化处理获得连续段第一界面评价结果和第二界面评价结果，根据连续段第一界面评价结果和第二界面评价结果自动匹配出最终的固井质量评价结论，快速获得新钻井的固井质量评价结论；
本实施例中，新钻井原始常规测井值包括采用声幅测井、声波变密度测井、水泥评价测井、井下超声波电视测井、分区水泥胶结测井中的任意一种测井方法的原始的常规测井值。
这样，利用梯度提升法固井质量评价方法中的梯度提升法固井质量评价验证模型应用于新钻井的固井质量评价，获得离散深度的第一界面和第二界面评价结果，对离散结果进行归一化处理获得连续段评价结果，根据评价结果自动匹配固井质量评价结论，这样处理速度极快，在数分钟内即可获得处理结果。
实施例2
本实施例与实施例1类似，所不同之处在于，本实施例中符合率目标值为99％，验证集符合率为90％。本实施例其他部分及工作原理与实施例1相同。
实施例3
本实施例与实施例1类似，所不同之处在于，本实施例中符合率目标值为99％，验证集符合率为99％。本实施例其他部分及工作原理与实施例1相同。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种梯度提升法固井质量评价方法，其特征在于，具体包括如下步骤：
S1建立样本集：选取样本井，对样本井的固井质量评价结果进行数据离散采样，获得样本集；
S2建立训练集和验证集：对所述步骤S1建立的样本集进行同深度点的常规测井值的离散化匹配，将匹配好的样本集数据随机分离出一定比例的样本集数据作为训练集，剩下的样本集数据为验证集；
S3建立梯度提升法固井质量评价初级模型：将常规测井值作为输入数据，将固井质量评价结果作为输出数据，利用损失函数和类别概率函数作为算法约束，建立多输入单输出的梯度提升法固井质量评价初级模型；
S4优化模型：将所述步骤S2中的训练集数据导入所述步骤S3中的梯度提升法固井质量评价初级模型进行训练和迭代优化，使模型的负梯度逐渐收敛，直到训练结果的符合率大于符合率目标值，将参数固定在模型中，获得优化模型；
S5获得梯度提升法固井质量评价模型：将所述步骤S2中的验证集数据导入所述优化模型中，对模型进行验证，获得验证集符合率，对验证集符合率进行判断，在验证集符合率大于验证集符合率的预设值时获得梯度提升法固井质量评价模型，否则将模型转入所述步骤S4。
S6模型应用：将步骤S5中的梯度提升法固井质量评价模型应用于新钻井的固井质量评价，获得离散深度的固井质量评价结果，对离散的固井质量评价结果进行归一化处理获得连续段评价结果，根据连续段评价结果自动匹配固井质量评价结论。
2.根据权利要求1所述的梯度提升法固井质量评价方法，其特征在于，所述步骤S1中固井质量评价结果所对应的采样点之间的间隔为0.05m-0.15m，样本集的数据量至少为8万个。
3.根据权利要求1所述的梯度提升法固井质量评价方法，其特征在于，所述训练集的抽取比例为样本集数据的0.7-0.9。
4.根据权利要求3所述的梯度提升法固井质量评价方法，其特征在于，所述训练集包括第一界面训练集和第二界面训练集，所述验证集包括第一界面验证集和第二界面验证集，所述第一界面训练集和第一界面验证集均包括同深度点的常规测井值以及对应的第一界面胶结情况评价值，所述第二界面训练集和第二界面验证集均包括同深度点的常规测井值以及对应的第二界面胶结情况评价值。
5.根据权利要求4所述的梯度提升法固井质量评价方法，其特征在于，所述常规测井值包括取井径数据、自然伽马强度数据、声波全波列数据、声幅数据、声波时差数据中的一项或者多项。
6.根据权利要求5所述的梯度提升法固井质量评价方法，其特征在于，所述步骤S3的具体操作步骤为：
S3.1选取多分类逻辑，以多分类对数损失函数作为损失函数：
公式
S3.2选取softmax函数来计算最后的类别概率：
公式
S3.3根据步骤S3.1的损失函数和步骤S3.2的类别概率函数为约束，建立多输入单输出的梯度提升法固井质量评价初级模型。
7.根据权利要求6所述的梯度提升法固井质量评价方法，其特征在于，所述梯度提升法固井质量评价初级模型包括第一界面评价初级模型和第二界面评价初级模型，所述固井质量评价模型包括第一界面评价模型和第二界面评价模型，所述固井质量评价结果包括第一界面评价结果和第二界面评价结果。
8.根据权利要求1所述的梯度提升法固井质量评价方法，其特征在于，所述符合率目标值为90％-99％。
9.根据权利要求1所述的梯度提升法固井质量评价方法，其特征在于，所述验证集符合率为90％-99％。
10.根据权利要求7所述的梯度提升法固井质量评价方法，其特征在于，所述步骤S6的具体步骤为：
S6.1将待评价新钻井的原始常规测井值进行离散，将离散后的数据输入到第一界面评价模型和第二界面评价模型中获得离散的固井质量的第一界面评价结果和第二界面评价结果；
S6.2对离散的固井质量第一界面评价结果和第二界面评价结果进行归一化处理获得连续段第一界面评价结果和第二界面评价结果，根据连续段第一界面评价结果和第二界面评价结果自动匹配出最终的固井质量评价结论，快速获得新钻井的固井质量评价结论；
所述新钻井原始常规测井值包括采用声幅测井、声波变密度测井、水泥评价测井、井下超声波电视测井、分区水泥胶结测井中的任意一种测井方法的原始的常规测井值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110743654.3A CN113283811A (zh) | 2021-06-30 | 2021-06-30 | 一种梯度提升法固井质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110743654.3A CN113283811A (zh) | 2021-06-30 | 2021-06-30 | 一种梯度提升法固井质量评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113283811A true CN113283811A (zh) | 2021-08-20 |
Family
ID=77286293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110743654.3A Pending CN113283811A (zh) | 2021-06-30 | 2021-06-30 | 一种梯度提升法固井质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283811A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020785A (zh) * | 2019-03-11 | 2019-07-16 | 常州大学 | 基于深度学习的稠油热采井固井评价系统 |
| CN110544177A (zh) * | 2019-08-15 | 2019-12-06 | 广州水沐青华科技有限公司 | 基于电力指纹的负荷识别方法及计算机可读存储介质 |
| CN112412390A (zh) * | 2019-08-22 | 2021-02-26 | 中国石油化工股份有限公司 | 基于深度学习模型评价固井第二界面的方法及装置 |
| CN112861890A (zh) * | 2019-11-26 | 2021-05-28 | 中国石油化工股份有限公司 | 一种储层评价模型构建方法及储层识别方法 |
| CN113033648A (zh) * | 2021-03-19 | 2021-06-25 | 中海石油(中国)有限公司海南分公司 | 一种使用机器学习算法实现测井解释的方法 |
-
2021
- 2021-06-30 CN CN202110743654.3A patent/CN113283811A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020785A (zh) * | 2019-03-11 | 2019-07-16 | 常州大学 | 基于深度学习的稠油热采井固井评价系统 |
| CN110544177A (zh) * | 2019-08-15 | 2019-12-06 | 广州水沐青华科技有限公司 | 基于电力指纹的负荷识别方法及计算机可读存储介质 |
| CN112412390A (zh) * | 2019-08-22 | 2021-02-26 | 中国石油化工股份有限公司 | 基于深度学习模型评价固井第二界面的方法及装置 |
| CN112861890A (zh) * | 2019-11-26 | 2021-05-28 | 中国石油化工股份有限公司 | 一种储层评价模型构建方法及储层识别方法 |
| CN113033648A (zh) * | 2021-03-19 | 2021-06-25 | 中海石油(中国)有限公司海南分公司 | 一种使用机器学习算法实现测井解释的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3947905B1 (en) | Machine-learning based fracture-hit detection using low-frequency das signal | |
| CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
| CN110397402B (zh) | 钻井方法及装置 | |
| CN109635244B (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
| US11846748B2 (en) | Deep learning seismic attribute fault predictions | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| CN111767674A (zh) | 一种基于主动域适应的测井岩性识别方法 | |
| CN104453875A (zh) | 基于自组织竞争神经网络的页岩气储层识别方法 | |
| CN104463686B (zh) | 利用判别分析法随钻识别页岩气储层的方法 | |
| CN114357887A (zh) | 一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法 | |
| Li et al. | The intelligent optimization of perforation cluster locations incorporating the fiber optics monitoring results | |
| CN113283811A (zh) | 一种梯度提升法固井质量评价方法 | |
| CN111753958A (zh) | 基于测井数据深度学习的灯影组微生物岩微相识别方法 | |
| CN113129157A (zh) | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 | |
| Schiozer et al. | Integration of history matching and uncertainty analysis | |
| Zhong et al. | Intelligent interpretation method for lithology recognition using real-time LWD data | |
| CN112412390A (zh) | 基于深度学习模型评价固井第二界面的方法及装置 | |
| Pang et al. | Prediction of mud loss type based on seismic data using machine learning | |
| CN115291277B (zh) | 少井条件下基于多属性智能融合的储层构型解释方法 | |
| CN116011234B (zh) | 一种融合地质力学和贝叶斯的压前套变风险等级判识方法 | |
| CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 | |
| US20240026778A1 (en) | Systems and methods for application of statistical classification and pattern recognition for compartment design in horizontal oil wells | |
| CN114575827B (zh) | 一种随钻测量数据智能处理系统及方法 | |
| CN113344729B (zh) | 一种基于小样本学习的剩余油挖潜方法 | |
| CN115788419A (zh) | 一种复杂超压成因地层孔隙压力预测方法 |
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 |