CN113792936A - 一种随钻岩性智能识别方法、系统、设备和存储介质 - Google Patents
一种随钻岩性智能识别方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN113792936A CN113792936A CN202111141766.8A CN202111141766A CN113792936A CN 113792936 A CN113792936 A CN 113792936A CN 202111141766 A CN202111141766 A CN 202111141766A CN 113792936 A CN113792936 A CN 113792936A
- Authority
- CN
- China
- Prior art keywords
- lithology
- data
- identification
- drilling
- prediction model
- 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 82
- 238000005553 drilling Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 229910052770 Uranium Inorganic materials 0.000 claims description 3
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 16
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010206 sensitivity analysis 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
- G06Q10/04—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种随钻岩性智能识别方法、系统、设备和存储介质,包括:基于收集的待识别区块范围内已钻井随钻测井资料数据及其基本信息构建样本数据集,基于样本数据集对构建的岩性识别预测模型进行训练,得到训练好的岩性识别预测模型;利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测,得到岩性识别预测结果。本发明的基于随钻动态数据建立了岩性智能识别的方法,充分考虑了随钻过程的多种测井资料数据,有效利用机器学习中的神经网络模型,通过对标识的岩性数据进行训练和验证,不断改进神经网络预测模型,利用邻井数据进行测试,完善方法可靠性,提高智能预测的精度,保证了模型的拓展性。
Description
技术领域
本发明涉及油气井工程技术领域,特别是涉及一种基于机器学习的随钻岩性智能识别方法、系统、设备和存储介质。
背景技术
岩性识别是钻井过程中一项重要的地质基础研究内容。岩性识别对于地层格架的建立、沉积展布的分析、钻井工程参数优选和储层的综合评价等工作都具有重要的意义。
传统的岩性识别方法有岩屑录井识别、钻井取心鉴定及测井资料识别等,其中,岩屑录井识别方法的精度直接取决于录井质量,而钻井取心鉴定方法不仅成本高,而且很难对目标地层做出完整的描述。测井资料种类丰富,成本低且对比性强,因此,测井资料识别方法是目前岩性识别的主要手段。随着多元数据挖掘方法的快速发展,利用聚类、判别和降维等数据挖掘方法对测井资料进行精细分析已成为识别复杂岩性的常用方法。
在建模过程中,岩性识别模型不仅对后续孔隙度和渗透率模型起约束作用,还直接影响模型储量的大小。因此对于岩性的识别具有着重要的意义。众多学者从不同的角度出发,探索了多重手段结合岩性识别的方法。然而,现有的岩性识别方法仍然存在一些问题,例如:
(1)基于图像的方法可以更好的区分岩性,但是在实时钻井过程中缺少提取图像的过程和技术手段,因此无法依赖图像识别;
(2)现有的智能岩性识别方法大多基于钻后的数据训练,岩性识别过程无法做到实时有效;
(3)利用机器学习等方法识别岩性,其准确率虽然在单井中较高,但是可拓展性不强,缺乏邻井数据信息的验证和完善过程。
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随钻岩性智能识别方法、系统、设备和存储介质,充分考虑了随钻过程的多种测井资料数据,利用机器学习的方法对标识的岩性数据进行训练和验证,不断改进岩性识别模型,然后取邻井数据进行测试,完善方法可靠性并提高智能预测的精度。
为实现上述目的,本发明采取以下技术方案:
一种随钻岩性智能识别方法,其包括:基于收集的待识别区块范围内已钻井随钻测井资料数据及其基本信息构建样本数据集,基于样本数据集对构建的岩性识别预测模型进行训练,得到训练好的岩性识别预测模型;利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测,得到岩性识别预测结果。
所述基于收集的待识别区块范围内已钻井随钻测井资料数据及其基本信息构建样本数据集,基于样本数据集对构建的岩性识别预测模型进行训练,得到训练好的岩性识别预测模型的方法,包括:收集待识别区块范围内已钻井随钻测井资料数据及其基本信息,预处理后作为样本数据集;将预处理后的样本数据集按照预设比例随机分为训练集和验证集,分别用于训练构建的岩性识别预测模型和验证模型精确性;基于得到的训练集和验证集对构建的岩性识别预测模型进行训练和验证,得到训练好的岩性识别预测模型。
所述收集待识别区块范围内已钻井随钻测井资料数据及其基本信息包括:声波、无铀伽马射线、自然电位、自然伽马射线、真地层电阻率、密度和井眼直径。
对收集的所有测井资料数据进行处理的方法,包括:对收集到的所有数据进行清洗,去除无效数据;进行主成分分析及数据降维,确定储层岩性的关键影响因素。
利用验证集对训练的岩性识别预测模型的精确性进行验证时,若岩性识别预测模型的拟合系数低于预设值,则修改岩性识别预测模型的神经网络结构和神经元个数后,重新训练、验证和完善,直至满足精度条件。
所述利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测,得到岩性识别预测结果的方法,包括:对实时测井数据进行预处理;训练好的岩性识别预测模型和预处理后的实时测井数据进行岩性识别预测,得到岩性识别预测结果。
所述方法还包括以下步骤:将岩性识别预测结果和实际岩性进行对比分析,并根据对比分析结果对岩性识别预测模型进行调整,同时定期将实时测井数据存入样本数据集,重新训练并更新岩性识别预测模型。
一种随钻岩性智能识别系统,其包括:模型训练模块,用于基于收集的待识别区块范围内已钻井随钻测井资料数据及其基本信息构建样本数据集,基于样本数据集对构建的岩性识别预测模型进行训练,得到训练好的岩性识别预测模型;岩性识别模块,用于利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测,得到岩性识别预测结果。
一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器运行所述计算机程序时执行以实现所述随钻岩性智能识别方法的步骤。
一种计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现所述随钻岩性智能识别方法的步骤。
本发明由于采取以上技术方案,其具有以下优点:
(1)针对现有方法的预测缺乏实时性等缺点,本发明主要利用随钻过程的测井数据,包含多种测井方法的实时数据和结果,为实时岩性识别提供了基础。由于成本原因,随钻测井数据并非每口井都比较完备,因此本发明针对常规海上钻井的常用测井数据进行建模。
(2)为保证机器学习模型的准确性和实用性,本发明针对同一区块多口井的测井数据进行训练、验证和测试,经过完善的神经网络预测模型具有较强的可拓展性,使用范围较广,使得该方法具有较强的实用性。
因此,本发明可以广泛应用于油气井工程技术领域。
附图说明
图1是本发明随钻岩性智能识别方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
岩性识别是钻井工程和地质建模过程一项重要工作。在钻井过程中,实时识别地层岩性可以有效帮助钻井作业优化工程参数、优选钻头和钻井液以及提高钻井风险判别和预警。常规的岩性识别方法通常对岩屑或图像进行人工识别,该方法具有一定延迟性,削弱了岩性识别结果的有效利用。同时,同一区块钻井作业的岩性识别的方法具有一定的连续性,因此智能岩性识别方法需要具有较好的可拓展性,从而基于已钻井的数据进行建模并有效利用到正钻井的实时作业过程。本发明的基于随钻动态数据建立了岩性智能识别的方法,充分考虑了随钻过程的多种测井资料数据,有效利用机器学习中的神经网络模型,通过对标识的岩性数据进行训练和验证,不断改进神经网络预测模型,利用邻井数据进行测试,完善方法可靠性,提高智能预测的精度,保证了模型的拓展性。
实施例1
如图1所示,本实施例提供的一种随钻岩性智能识别方法,其包括下述步骤:
步骤1、基于收集的待识别区块范围内已钻井随钻测井资料数据(LWD)及其基本信息构建样本数据集,基于样本数据集对构建的岩性识别预测模型进行训练,得到训练好的岩性识别预测模型。
具体地,上述步骤1中,包括以下步骤:
步骤11、收集待识别区块范围内已钻井随钻测井资料数据(LWD)及其基本信息,预处理后作为样本数据集。
具体地,本发明实施例中收集的已钻井随钻测井资料数据主要包括声波时差(AC)、无铀伽马射线(KTH)、自然电位(SP)、自然伽马射线(GR)、真地层电阻率(RT(log))、密度(DEN),基本信息包括井眼直径(CAL)。
在一个实施例中,对收集的所有测井资料数据进行处理的方法,可以通过以下步骤实现:对收集到的所有数据进行清洗,去除无效数据;进行主成分分析(PCA)及数据降维,确定储层岩性的关键影响因素。
步骤12、将预处理后的样本数据集按照预设比例随机分为训练集和验证集,分别用于训练构建的岩性识别预测模型和验证模型精确性。
步骤13、基于得到的训练集和验证集对构建的岩性识别预测模型进行训练和验证,得到训练好的岩性识别预测模型。
可选地,本发明实施例中构建岩性识别预测模型采用BP神经网络模型。
可选地,利用验证集对训练的岩性识别预测模型的精确性进行验证时,若岩性识别预测模型的拟合系数低于预设值,则修改岩性识别预测模型的神经网络结构和神经元个数后,重新训练、验证和完善,直至满足精度条件。
在一个实施例中,精度条件设置为岩性识别预测模型的拟合系数R2>85%,均方差值RMSE<0.1,其计算公式如下:
式中,R2为拟合系数,越接近1说明模型越准确;Unexpected variation为实际偏差;Total Variation为总偏差;RMSE为均方差根,值越小,说明模型准确率越高;pi为预测值;ri为实际值;n为样本号。
步骤2、利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测,得到岩性识别预测结果。
具体的,上述步骤2中,包括以下步骤:
步骤21、针对正钻井实时钻进过程的动态数据,对实时测井数据进行预处理,即数据清洗、主成分分析及数据降维处理。
步骤22、利用步骤1中训练好的岩性识别预测模型和预处理后的实时测井数据进行岩性识别预测,得到岩性识别预测结果。
优选地,在上述步骤2之后,还包括以下步骤:
步骤3、将岩性识别预测结果和实际岩性进行对比分析,并根据对比分析结果对岩性识别预测模型进行调整,同时定期将实时测井数据存入样本数据集,重新训练并更新岩性识别预测模型。
实施例2
本实施例对上述实施例1进行更进一步的描述。
1、为了实验进行,从海上油田选择两口井,收集测井资料数据及其相关的基本信息,主要包括声波(AC)、无铀伽马射线(KTH)、自然电位(SP)、天然伽马射线(GR)、真地层电阻率(RT(log))、密度(DEN)和井眼直径(CAL)等,收集部分数据如下表1所示。
表1岩性识别所采集的数据
数据源 | 缩写 | 效应值LogWorth | P-value |
声波时差 | AC | 36.371 | 0.000003 |
无铀伽马 | KTH | 1.157 | 0.0695 |
自然电位 | SP | 0 | 1 |
自然伽马 | GR | 0 | 1 |
地层电阻率 | RT(log) | 0 | 1 |
密度 | DEN | 0 | 0 |
井筒直径 | CAL | 0 | 0 |
2、对收集到的数据进行清洗,清洗无效数据;然后进行PCA及数据降维,确定储层岩性的关键影响因素,本实施例发现对储层岩性影响最低的密度和井眼直径因素加入输入因素时,准确性会降低,因此去除这两个因素并建立数据处理的流程模型。分析结果如下表2所示。
表2影响岩性识别的降维分析
3、将样本数据集分为训练集和验证集;训练集每个数据集有67%的样本,另外33%的样本属于验证,用于测试训练效果。
4、利用训练集建立神经网络预测模型,同时利用验证集检验模型精确性,若模型预测精度低于85%,修改神经网络结构和神经元个数,重新训练、验证和完善,直至R2>85%,RMSE<0.1。
本实施例中,神经网络预测模型对数据集的结果进行的训练和验证结果如下表3所示。
表3神经网络预测模型对数据集的结果进行的训练和验证
训练集 | 验证集 | |
R<sup>2</sup> | 0.9265 | 0.9174 |
RMSE | 0.3050 | 0.3357 |
绝对平均偏差 | 0.168 | 0.1914 |
-Log(Likelihood) | 43.8458 | 26.3314 |
分类错误比例 | 0.095 | 0.093 |
本实施例对常用的Logistic模型和神经网络预测模型进行了对比,结果如下表4所示。
表4神经网络训练和验证结果
方法 | Logistic模型 | 神经网络预测模型 |
R<sup>2</sup> | 0.91 | 0.9174 |
RMSE | 0.3264 | 0.3357 |
准确率 | 85.4% | 90.7% |
5、针对实钻过程的动态数据,利用步骤2的数据处理流程模型对实时测井数据进行筛选、清洗和敏感性分析。
6、利用训练好的神经网络预测模型预测和实时数据进行岩性预测;
7、将通过神经网络预测岩性模型方法所预测的岩性和实际岩性进行对比分析,交叉图显示预测岩性和实际岩性之间的R2为0.91,RMSE为0.3264。分类误差约为14.6%。岩性识别结果如下表5~表6所示。
同时,设置定期将实时数据存入整体数据库,重新训练并更新神经网络预测模型。
表5模型训练集岩性识别结果
表6模型验证集岩性识别结果
表7模型测试集岩性识别结果
表8新井数据预测岩性识别结果
根据本发明得到的是在钻井过程中实时预测的下方岩性表,可以对地层格架的建立、储层的综合评价和对于油藏的描述等工作起到支撑作用。而将预测的岩性数据和实际的岩性数据进行对比分析,提高准确度。通过本发明得到的岩性识别具有更大的准确性,结果会更加准确。
实施例3
上述实施例1提供了一种随钻岩性智能识别方法,与之相对应地,本实施例提供一种随钻岩性智能识别系统。本实施例提供的识别系统可以实施实施例1的一种随钻岩性智能识别方法,该识别系统可以通过软件、硬件或软硬结合的方式来实现。例如,该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的识别系统基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可,本实施例的系统的实施例仅仅是示意性的。
本实施例提供的一种随钻岩性智能识别系统,包括:
模型训练模块,用于基于收集的待识别区块范围内已钻井随钻测井资料数据(LWD)及其基本信息构建样本数据集,基于样本数据集对构建的岩性识别预测模型进行训练,得到训练好的岩性识别预测模型;
岩性识别模块,用于利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测,得到岩性识别预测结果。
实施例4
本实施例提供一种与本实施例1所提供的一种随钻岩性智能识别方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的一种随钻岩性智能识别方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例5
本实施例1的一种随钻岩性智能识别方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的一种随钻岩性智能识别方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
需要说明的是,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
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。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (10)
1.一种随钻岩性智能识别方法,其特征在于,包括:
基于收集的待识别区块范围内已钻井随钻测井资料数据及其基本信息构建样本数据集,基于样本数据集对构建的岩性识别预测模型进行训练,得到训练好的岩性识别预测模型;
利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测,得到岩性识别预测结果。
2.如权利要求1所述的一种随钻岩性智能识别方法,其特征在于,所述基于收集的待识别区块范围内已钻井随钻测井资料数据及其基本信息构建样本数据集,基于样本数据集对构建的岩性识别预测模型进行训练,得到训练好的岩性识别预测模型的方法,包括:
收集待识别区块范围内已钻井随钻测井资料数据及其基本信息,预处理后作为样本数据集;
将预处理后的样本数据集按照预设比例随机分为训练集和验证集,分别用于训练构建的岩性识别预测模型和验证模型精确性;
基于得到的训练集和验证集对构建的岩性识别预测模型进行训练和验证,得到训练好的岩性识别预测模型。
3.如权利要求2所述的一种随钻岩性智能识别方法,其特征在于,收集待识别区块范围内已钻井随钻测井资料数据及其基本信息包括:
声波、无铀伽马射线、自然电位、自然伽马射线、真地层电阻率、密度和井眼直径。
4.如权利要求2所述的一种随钻岩性智能识别方法,其特征在于,对收集的所有测井资料数据进行处理的方法,包括:
对收集到的所有数据进行清洗,去除无效数据;
进行主成分分析及数据降维,确定储层岩性的关键影响因素。
5.如权利要求2所述的一种随钻岩性智能识别方法,其特征在于,利用验证集对训练的岩性识别预测模型的精确性进行验证时,若岩性识别预测模型的拟合系数低于预设值,则修改岩性识别预测模型的神经网络结构和神经元个数后,重新训练、验证和完善,直至满足精度条件。
6.如权利要求1所述的一种随钻岩性智能识别方法,其特征在于,所述利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测,得到岩性识别预测结果的方法,包括:
对实时测井数据进行预处理;
训练好的岩性识别预测模型和预处理后的实时测井数据进行岩性识别预测,得到岩性识别预测结果。
7.如权利要求1所述的一种随钻岩性智能识别方法,其特征在于,所述方法还包括以下步骤:
将岩性识别预测结果和实际岩性进行对比分析,并根据对比分析结果对岩性识别预测模型进行调整,同时定期将实时测井数据存入样本数据集,重新训练并更新岩性识别预测模型。
8.一种随钻岩性智能识别系统,其特征在于,包括:
模型训练模块,用于基于收集的待识别区块范围内已钻井随钻测井资料数据(LWD)及其基本信息构建样本数据集,基于样本数据集对构建的岩性识别预测模型进行训练,得到训练好的岩性识别预测模型;
岩性识别模块,用于利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测,得到岩性识别预测结果。
9.一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1到7任一项所述随钻岩性智能识别方法的步骤。
10.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现根据权利要求1到7任一项所述随钻岩性智能识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141766.8A CN113792936A (zh) | 2021-09-28 | 2021-09-28 | 一种随钻岩性智能识别方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141766.8A CN113792936A (zh) | 2021-09-28 | 2021-09-28 | 一种随钻岩性智能识别方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792936A true CN113792936A (zh) | 2021-12-14 |
Family
ID=79184704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111141766.8A Pending CN113792936A (zh) | 2021-09-28 | 2021-09-28 | 一种随钻岩性智能识别方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792936A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492521A (zh) * | 2022-01-21 | 2022-05-13 | 成都理工大学 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
CN114575827A (zh) * | 2022-04-11 | 2022-06-03 | 中国地质大学(北京)郑州研究院 | 一种随钻测量数据智能处理系统及方法 |
CN115059448A (zh) * | 2022-06-01 | 2022-09-16 | 中国石油大学(华东) | 一种基于深度学习算法的地层压力监测方法 |
CN115271128A (zh) * | 2022-09-29 | 2022-11-01 | 海油来博(天津)科技股份有限公司 | 一种随钻设备全阶段精细化运维监测管理方法及系统 |
CN115545357A (zh) * | 2022-11-30 | 2022-12-30 | 深圳市峰和数智科技有限公司 | 一种提升模型性能的方法、地层岩性预测方法及相关设备 |
CN115877464A (zh) * | 2022-12-30 | 2023-03-31 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
CN116087339A (zh) * | 2023-04-11 | 2023-05-09 | 中国科学院地质与地球物理研究所 | 一种基于智能声纹识别的近钻头岩性识别方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011066624A1 (en) * | 2009-12-04 | 2011-06-09 | Geosonde Pty Ltd | Borehole communication in the presence of a drill string |
WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
CN108073745A (zh) * | 2016-11-18 | 2018-05-25 | 中国石油化工股份有限公司 | 基于三孔隙曲线的砂砾岩岩性物性测井识别方法 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
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 |
CN113338894A (zh) * | 2021-07-15 | 2021-09-03 | 西安石油大学 | 一种小型智能钻机的控制方法 |
CN113378998A (zh) * | 2021-07-12 | 2021-09-10 | 西南石油大学 | 一种基于机器学习的地层岩性随钻识别方法 |
-
2021
- 2021-09-28 CN CN202111141766.8A patent/CN113792936A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011066624A1 (en) * | 2009-12-04 | 2011-06-09 | Geosonde Pty Ltd | Borehole communication in the presence of a drill string |
WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
CN108073745A (zh) * | 2016-11-18 | 2018-05-25 | 中国石油化工股份有限公司 | 基于三孔隙曲线的砂砾岩岩性物性测井识别方法 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
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 |
CN113378998A (zh) * | 2021-07-12 | 2021-09-10 | 西南石油大学 | 一种基于机器学习的地层岩性随钻识别方法 |
CN113338894A (zh) * | 2021-07-15 | 2021-09-03 | 西安石油大学 | 一种小型智能钻机的控制方法 |
Non-Patent Citations (2)
Title |
---|
AHMED ABDULHAMID MAHMOUD ET AL.: "Application of machine learning models for real-time prediction of the formation lithology and tops from the drilling parameters", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》, vol. 203, pages 2 * |
徐晗等: "基于非开挖随钻检测系统与随机森林的地层岩性识别", 《地质科技通报》, vol. 40, no. 5, pages 273 - 280 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492521A (zh) * | 2022-01-21 | 2022-05-13 | 成都理工大学 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
CN114575827A (zh) * | 2022-04-11 | 2022-06-03 | 中国地质大学(北京)郑州研究院 | 一种随钻测量数据智能处理系统及方法 |
CN115059448A (zh) * | 2022-06-01 | 2022-09-16 | 中国石油大学(华东) | 一种基于深度学习算法的地层压力监测方法 |
CN115271128A (zh) * | 2022-09-29 | 2022-11-01 | 海油来博(天津)科技股份有限公司 | 一种随钻设备全阶段精细化运维监测管理方法及系统 |
CN115545357A (zh) * | 2022-11-30 | 2022-12-30 | 深圳市峰和数智科技有限公司 | 一种提升模型性能的方法、地层岩性预测方法及相关设备 |
CN115545357B (zh) * | 2022-11-30 | 2023-04-07 | 深圳市峰和数智科技有限公司 | 一种提升模型性能的方法、地层岩性预测方法及相关设备 |
CN115877464A (zh) * | 2022-12-30 | 2023-03-31 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
CN115877464B (zh) * | 2022-12-30 | 2024-02-13 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
CN116087339A (zh) * | 2023-04-11 | 2023-05-09 | 中国科学院地质与地球物理研究所 | 一种基于智能声纹识别的近钻头岩性识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
US7983885B2 (en) | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity | |
US9176255B2 (en) | Permeability prediction systems and methods using quadratic discriminant analysis | |
Liu et al. | An integrated 3D fracture network reconstruction method based on microseismic events | |
CN109447249B (zh) | 一种基于深度卷积的对抗神经网络测井数据重建方法 | |
CN109635244A (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
CN111767674A (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
CN112576238B (zh) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 | |
WO2019023255A1 (en) | DEVELOPMENT OF OIL FIELD MODELS USING COGNITIVE CALCULATION | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN111626377A (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN116796231A (zh) | 一种基于测井曲线自动划分岩性及对比的方法及装置 | |
US11208886B2 (en) | Direct hydrocarbon indicators analysis informed by machine learning processes | |
CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
US11216700B2 (en) | Automated material classification by structural features | |
CN115144900A (zh) | 一种基于地震多属性聚类融合的碳酸盐岩储层厚度识别方法、系统、装置及存储介质 | |
EP4028639A1 (en) | Information extraction from daily drilling reports using machine learning | |
US20230141334A1 (en) | Systems and methods of modeling geological facies for well development | |
de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells | |
CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
Bellal et al. | Prediction of discrete and continuous wellbore logs values using artificial neural network, decision trees and support vectors machine algorithms | |
CN116522251A (zh) | 一种应用于石油钻探的岩性识别方法及系统 | |
CN110717528A (zh) | 运用常规测井资料的基于支持向量机的沉积微相识别方法 | |
CN111894551A (zh) | 基于lstm的油气层预测方法 |
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 |