CN114065603B - 机械钻速预测方法及装置 - Google Patents

机械钻速预测方法及装置 Download PDF

Info

Publication number
CN114065603B
CN114065603B CN202110786598.1A CN202110786598A CN114065603B CN 114065603 B CN114065603 B CN 114065603B CN 202110786598 A CN202110786598 A CN 202110786598A CN 114065603 B CN114065603 B CN 114065603B
Authority
CN
China
Prior art keywords
parameters
linear
mechanical drilling
neural network
nonlinear
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
Application number
CN202110786598.1A
Other languages
English (en)
Other versions
CN114065603A (zh
Inventor
宋先知
裴志君
李根生
黄中伟
田守嶒
史怀忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202110786598.1A priority Critical patent/CN114065603B/zh
Publication of CN114065603A publication Critical patent/CN114065603A/zh
Application granted granted Critical
Publication of CN114065603B publication Critical patent/CN114065603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B45/00—Measuring the drilling time or rate of penetration
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Earth Drilling (AREA)

Abstract

本发明公开了一种机械钻速预测方法及装置，其中方法包括：获得机械钻井数据；根据破岩机理信息，对机械钻井数据进行分类；将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数；将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数；将线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。本发明可以预测机械钻速，在发掘数据背后物理机理的基础上提高预测精度。

Description

机械钻速预测方法及装置
技术领域
本发明涉及石油勘探技术领域，尤其涉及机械钻速预测方法及装置。
背景技术
预测机械钻速是优化钻井的重要组成部分，可以指导现场施工，提高效率。目前现有的机械钻速预测方法主要可分为机理方程、物理仿真、多元回归、机器学习、深度学习五种，国内均开展了许多的研究。一般来说物理仿真和机理方程方法二者结合使用，先基于物理仿真获取地层的可钻性数据，再基于机理方程对钻速进行预测。除此之外，也有学者基于地球物理数据反演地层属性，进而基于岩石破碎机理预测机械钻速。多元线性回归方法也是一种常用的预测机械钻速的方法，该方法往往以钻速方法为基础，利用大量的数据通过多元回归分析方法进行钻速方程系数的求解。但以上方法存在较为严重的问题，基于破碎机理预测方法假设多，考虑因素过少，误差过大，现场使用效果较差；多元回归方法再一口井上预测效果较好，但在其他井效果差，迁移性低，且需要大量数据，不切合实际作业。
随着人工智能算法的进步和计算机算力的提升，人工智能方法也开始逐渐用于机械钻速的预测。现有的人工智能预测机械算法主要分为两方面，分别是机器学习、深度学习。基于机器学习的预测方法有贝叶斯方法、主成分分析方法等。基于机器学习的预测方法与传统方法相比具有更好的鲁棒性和精确度，针对中小规模的数据具有一定较好的效果。除了机器学习方法，基于深度学习预测机械钻速国内外也开展了大量研究比如反向传播神经网络、长短期记忆循环神经网络等方法。基于深度学习的机械钻速预测方法与机器学习方法相比由于具有更高的模型复杂度，深度学习模型具有更好的拟合能力和更高的精度，获取更多的数据信息。因此基于深度学习所建立的神经网络方法现在被广泛使用和研究。
现有的机械钻速预测方法无法在发掘数据背后物理机理的基础上保证预测精度。因此，亟需一种可以克服上述问题的机械钻速预测方案。
发明内容
本发明实施例提供一种机械钻速预测方法，用以预测机械钻速，在发掘数据背后物理机理的基础上提高预测精度，该方法包括：
获得机械钻井数据；
根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；
将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；
将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；
将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；
将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。
本发明实施例提供一种机械钻速预测装置，用以预测机械钻速，在发掘数据背后物理机理的基础上提高预测精度，该装置包括：
数据获得模块，用于获得机械钻井数据；
数据分类模块，用于根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；
线性相关参数预测模块，用于将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；
非线性拟合参数预测模块，用于将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；
线性拟合参数预测模块，用于将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；
机械钻速预测模块，用于将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述机械钻速预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述机械钻速预测方法的计算机程序。
本发明实施例通过获得机械钻井数据；根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。本发明实施例充分考虑了现有神经网络容易忽略的多参数与钻速之间的线性关系，将机械钻井数据按与机械钻速的线性关系进行分类，并预先训练了单输入线性神经网络模型、深度神经网络模型、混合输入线性神经网络模型以及交叉神经网络模型，同时考虑多参数的线性、非线性、参数交叉关系，充分学习多参数与机械钻速之间的线性关系，提高了机械钻速智能预测模型的精度、稳定性和可解释性，在发掘数据背后对物理机理的基础上有效提高预测精度。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中机械钻速预测方法示意图；
图2～图3为本发明实施例中深度神经网络模型预测方法示意图；
图4为本发明实施例中交叉神经网络模型预测方法示意图；
图5～图7为本发明具体实施例中机械钻速预测方法示意图；
图8为本发明实施例中机械钻速预测装置结构图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
如前所述，现有的机械钻速预测方法无法在发掘数据背后对物理机理的基础上保证预测精度。常规机械钻速预测方法的优点是具有理论支撑，预测的过程中可解释，但由于假设过多且考虑因素少，预测精度较低。而基于深度学习的预测方法虽然具有更高的模型复杂度，但是不可解释，没有对物理机理进行有效的结合。
为了预测机械钻速，在发掘数据背后物理机理的基础上提高预测精度，本发明实施例提供一种机械钻速预测方法，如图1所示，该方法可以包括：
步骤101、获得机械钻井数据；
步骤102、根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；
步骤103、将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；
步骤104、将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；
步骤105、将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；
步骤106、将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。
由图1所示可以得知，本发明实施例通过获得机械钻井数据；根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。本发明实施例充分考虑了现有神经网络容易忽略的多参数与钻速之间的线性关系，将机械钻井数据按与机械钻速的线性关系进行分类，并预先训练了单输入线性神经网络模型、深度神经网络模型、混合输入线性神经网络模型以及交叉神经网络模型，同时考虑多参数的线性、非线性、参数交叉关系，充分学习多参数与机械钻速之间的线性关系，提高了机械钻速智能预测模型的精度、稳定性和可解释性，在发掘数据背后对物理机理的基础上有效提高预测精度。
实施例中，获得机械钻井数据；根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数。
需要说明的是，非线性关系参数为参数与机械钻速之间不存在线性相关关系的参数；线性相关参数为已知输入参数或参数的变形体与机械钻速之间存在明确的线性相关关系的参数；模糊线性关系参数为输入参数与机械钻速之间可能存在线性关系但不确定的参数。
本实施例中，破岩机理信息包括：杨格钻速方程的机理信息，其中杨格钻速方程为：
其中，v为钻速，KR为地层可钻性，W为钻压，n为转速；M为门限钻压；h为钻头磨损量；Cp为压差影响系数；CH为水力净化系数，其余均为无因次量，可视为不变量。根据杨格钻速方程可以看到，地层可钻性、钻压和转速与机械钻速存在明确的线性相关关系，可将地层可钻性、钻压和转速作为线性相关参数。
本实施例中，线性关系参数包括：地层可钻性，钻压，转速其中之一或任意组合；模糊线性关系参数包括：泵压，流入量，地层硬度其中之一或任意组合；非线性关系参数包括：深度，钩载，扭矩，泥浆总量，流出量，流入温度，流出温度，泵冲，温度，压力，渗透率，ATCA温度，ATCE温度，深电阻率，AZIM方位，钻头尺寸，密度测孔隙度，伽马，井眼尺寸，体积密度校正，体积密度，自然电位，粘度含量，纵波，横波，伽马EDTC，HAZIM方位角，最大声能，最小声能，P1AZ方位角，井斜角，总孔隙度，体弹模量，动态泊松比，声阻抗，动剪切模量，动杨氏模量其中之一或任意组合。
实施例中，将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构。
具体实施时，将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型。在预先构建并训练单输入线性神经网络模型时，基于破岩机理根据不同参数的线性关系构建相应的线性拟合网络结构，如：根据钻速方程可知地层可钻性、钻压、转速等参数与机械钻速存在明确的线性相关关系，已知钻速与地层可钻性的正相关：采取y＝kKR的线性拟合处理；已知钻速与钻压的的正相关关系：采取y＝kW-b的线性拟合处理；已知转速的λ次方nλ与钻速存在线性相关性：y＝knλ；其中k，b，λ均为计算过程中的超参数，由于线性拟合网络结构层数较少，可以进行单独的求导计算。
实施例中，将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数。
本实施例中，如图2所示，所述深度神经网络模型包含属性内组合层和属性外组合层；
将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数包括：
步骤201、将类型为非线性关系参数的机械钻井数据输入属性内组合层，输出属性类型；
步骤202、分别对各属性类型的机械钻井数据进行非线性组合计算，得到对应的计算结果；
步骤203、将非线性组合计算的结果输入属性外组合层，输出非线性拟合参数，所述属性外组合层包含多层全连接神经网络。
本实施例中，如图3所示，所述属性类型包括：地质参数，钻井液参数和工程参数；
分别对各属性类型的机械钻井数据进行非线性组合计算，得到对应的计算结果，包括：
步骤301、对属性类型为地质参数的机械钻井数据进行非线性组合计算，得到岩石强度参数；
步骤302、对属性类型为钻井液参数的机械钻井数据进行非线性组合计算，得到钻井液交叉参数；
步骤303、对属性类型为工程参数的机械钻井数据进行非线性组合计算，得到工程交叉参数。
具体实施时，在预先构建并训练深度神经网络模型是，将深度神经网络模型构建为两层：属性内组合层和属性外组合层。属性内组合层中深度神经网络将按照各参数的物理意义将参数分为三种属性：地质参数、钻井液参数、工程参数，各属性内的参数分别进行非线性组合计算再输出到属性外组合层进行运算。根据物理机理可知，地质参数的表征参数一般为测井数据，与工程参数、钻井液参数关联不大，首先让地质参数内的数据进行非线性计算获取到岩石强度参数再与其他参数组合，可以提高计算速度和准确度，具有更好的物理解释性。属性外组合层中接收到第一层的计算结果后，通过多层全连接神经网络并进行网络层数和每层神经元个数的超参数寻优，计算非线性拟合参数。
实施例中，将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元。
具体实施时，在预先构建并训练混合输入线性神经网络模型是，建立混合输入线性计算神经元，即线性神经元，其中神经元的计算原理为：y＝wx+b，其中w为n个参数的权重系数，b为常数项。
实施例中，将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。
本实施例中，如图4所示，将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果包括：
步骤401、利用交叉神经网络模型的因子分解机网络计算所述线性相关参数，非线性拟合参数和线性拟合参数之间的高阶交叉参数；
步骤402、对所述高阶交叉参数进行线性拟合；
步骤403、根据线性拟合的结果确定机械钻速预测结果。
本发明实施例中，利用交叉神经网络模型计算线性相关参数，非线性拟合参数和线性拟合参数之间的高阶交叉参数，并对高阶交叉参数进行线性拟合，交叉神经网络模型的交叉过程采用经典因子分解机(Factorization Machines)算法，通过该算法可以计算多参数之间的高阶交叉并进行线性拟合，最后根据线性拟合的结果确定机械钻速预测结果。
步骤403、根据线性拟合的结果确定机械钻速预测结果。
下面给出一个具体实施例，说明本发明实施例中机械钻速预测的具体应用。如图5～图7所示，在本具体实施例中，首先对单输入线性神经网络模型、深度神经网络模型、混合输入线性神经网络模型、交叉神经网络模型进行预先训练，基于破岩机理对输入参数机械钻井数据进行分类后分别输出到训练好的单输入线性神经网络模型、深度神经网络模型、混合输入线性神经网络模型，单输入线性神经网络模型计算机理明确的线性关系并输出至交叉神经网络模型，深度神经网络模型计算多参数与目标参数之间的非线性关系并输出至交叉神经网络模型，混合输入线性神经网络模型计算机理尚不明确的的线性关系并输出至交叉神经网络模型，输出参数输入交叉神经网络模型计算输入参数之间的高阶交叉项并拟合机械钻速，输出机械钻速预测值。
本发明实施例充分考虑了现有神经网络容易忽略多参数与钻速之间的线性关系，根据破岩机理在原有神经网络的基础上增加了混合输入线性神经网络模型、单输入线性神经网络模型以及交叉神经网络模型，充分学习多参数与机械钻速之间的线性关系，提高了机械钻速智能预测的精度、稳定性和可解释性。
基于同一发明构思，本发明实施例还提供了一种机械钻速预测装置，如下面的实施例所述。由于这些解决问题的原理与机械钻速预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图8为本发明实施例中机械钻速预测装置的结构图，如图8所示，该装置包括：
数据获得模块801，用于获得机械钻井数据；
数据分类模块802，用于根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；
线性相关参数预测模块803，用于将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；
非线性拟合参数预测模块804，用于将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；
线性拟合参数预测模块805，用于将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；
机械钻速预测模块806，用于将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。
一个实施例中，所述深度神经网络模型包含属性内组合层和属性外组合层；
非线性拟合参数预测模块804进一步用于：
将类型为非线性关系参数的机械钻井数据输入属性内组合层，输出属性类型；
分别对各属性类型的机械钻井数据进行非线性组合计算，得到对应的计算结果；
将非线性组合计算的结果输入属性外组合层，输出非线性拟合参数，所述属性外组合层包含多层全连接神经网络。
一个实施例中，所述属性类型包括：地质参数，钻井液参数和工程参数；
非线性拟合参数预测模块804进一步用于：
对属性类型为地质参数的机械钻井数据进行非线性组合计算，得到岩石强度参数；
对属性类型为钻井液参数的机械钻井数据进行非线性组合计算，得到钻井液交叉参数；
对属性类型为工程参数的机械钻井数据进行非线性组合计算，得到工程交叉参数。
一个实施例中，机械钻速预测模块806进一步用于：
利用交叉神经网络模型的因子分解机网络计算所述线性相关参数，非线性拟合参数和线性拟合参数之间的高阶交叉参数；
对所述高阶交叉参数进行线性拟合；
根据线性拟合的结果确定机械钻速预测结果。
综上所述，本发明实施例通过获得机械钻井数据；根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。本发明实施例充分考虑了现有神经网络容易忽略的多参数与钻速之间的线性关系，将机械钻井数据按与机械钻速的线性关系进行分类，并预先训练了单输入线性神经网络模型、深度神经网络模型、混合输入线性神经网络模型以及交叉神经网络模型，同时考虑多参数的线性、非线性、参数交叉关系，充分学习多参数与机械钻速之间的线性关系，提高了机械钻速智能预测模型的精度、稳定性和可解释性，在发掘数据背后对物理机理的基础上有效提高预测精度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种机械钻速预测方法，其特征在于，包括：
获得机械钻井数据；
根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；
将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；
将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；
将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；
将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。
2.如权利要求1所述的机械钻速预测方法，其特征在于，所述深度神经网络模型包含属性内组合层和属性外组合层；
将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数包括：
将类型为非线性关系参数的机械钻井数据输入属性内组合层，输出属性类型；
分别对各属性类型的机械钻井数据进行非线性组合计算，得到对应的计算结果；
将非线性组合计算的结果输入属性外组合层，输出非线性拟合参数，所述属性外组合层包含多层全连接神经网络。
3.如权利要求2所述的机械钻速预测方法，其特征在于，所述属性类型包括：地质参数，钻井液参数和工程参数；
分别对各属性类型的机械钻井数据进行非线性组合计算，得到对应的计算结果，包括：
对属性类型为地质参数的机械钻井数据进行非线性组合计算，得到岩石强度参数；
对属性类型为钻井液参数的机械钻井数据进行非线性组合计算，得到钻井液交叉参数；
对属性类型为工程参数的机械钻井数据进行非线性组合计算，得到工程交叉参数。
4.如权利要求1所述的机械钻速预测方法，其特征在于，将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果包括：
利用交叉神经网络模型的因子分解机网络计算所述线性相关参数，非线性拟合参数和线性拟合参数之间的高阶交叉参数；
对所述高阶交叉参数进行线性拟合；
根据线性拟合的结果确定机械钻速预测结果。
5.一种机械钻速预测装置，其特征在于，包括：
数据获得模块，用于获得机械钻井数据；
数据分类模块，用于根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；
线性相关参数预测模块，用于将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；
非线性拟合参数预测模块，用于将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；
线性拟合参数预测模块，用于将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；
机械钻速预测模块，用于将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。
6.如权利要求5所述的机械钻速预测装置，其特征在于，所述深度神经网络模型包含属性内组合层和属性外组合层；
非线性拟合参数预测模块进一步用于：
将类型为非线性关系参数的机械钻井数据输入属性内组合层，输出属性类型；
分别对各属性类型的机械钻井数据进行非线性组合计算，得到对应的计算结果；
将非线性组合计算的结果输入属性外组合层，输出非线性拟合参数，所述属性外组合层包含多层全连接神经网络。
7.如权利要求6所述的机械钻速预测装置，其特征在于，所述属性类型包括：地质参数，钻井液参数和工程参数；
非线性拟合参数预测模块进一步用于：
对属性类型为地质参数的机械钻井数据进行非线性组合计算，得到岩石强度参数；
对属性类型为钻井液参数的机械钻井数据进行非线性组合计算，得到钻井液交叉参数；
对属性类型为工程参数的机械钻井数据进行非线性组合计算，得到工程交叉参数。
8.如权利要求5所述的机械钻速预测装置，其特征在于，机械钻速预测模块进一步用于：
利用交叉神经网络模型的因子分解机网络计算所述线性相关参数，非线性拟合参数和线性拟合参数之间的高阶交叉参数；
对所述高阶交叉参数进行线性拟合；
根据线性拟合的结果确定机械钻速预测结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
CN202110786598.1A 2021-07-12 2021-07-12 机械钻速预测方法及装置 Active CN114065603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110786598.1A CN114065603B (zh) 2021-07-12 2021-07-12 机械钻速预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110786598.1A CN114065603B (zh) 2021-07-12 2021-07-12 机械钻速预测方法及装置

Publications (2)

Publication Number Publication Date
CN114065603A CN114065603A (zh) 2022-02-18
CN114065603B true CN114065603B (zh) 2024-05-31

Family

ID=80233294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110786598.1A Active CN114065603B (zh) 2021-07-12 2021-07-12 机械钻速预测方法及装置

Country Status (1)

Country Link
CN (1) CN114065603B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0113531D0 (en) * 2000-06-26 2001-07-25 Smith International Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network and methods for training the ar
CN112861438A (zh) * 2021-02-22 2021-05-28 中国石油化工股份有限公司石油工程技术研究院 一种理论模型与数据融合的钻井机械钻速预测方法
CN112901137A (zh) * 2021-03-08 2021-06-04 西南石油大学 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0113531D0 (en) * 2000-06-26 2001-07-25 Smith International Method for determining preferred drill bit design parameters and drilling parameters using a trained artificial neural network and methods for training the ar
CN112861438A (zh) * 2021-02-22 2021-05-28 中国石油化工股份有限公司石油工程技术研究院 一种理论模型与数据融合的钻井机械钻速预测方法
CN112901137A (zh) * 2021-03-08 2021-06-04 西南石油大学 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法

Also Published As

Publication number Publication date
CN114065603A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
Elkatatny New approach to optimize the rate of penetration using artificial neural network
CN108573320B (zh) 页岩气藏最终可采储量的计算方法和系统
CN113689055B (zh) 一种基于贝叶斯优化的油气钻井机械钻速预测与优化方法
Abbas et al. Modeling rate of penetration for deviated wells using artificial neural network
CN110857626B (zh) 基于综合录井参数的随钻压力预测方法、装置及存储介质
Zhong et al. Machine learning for drilling applications: A review
Miranda et al. Geomechanical characterization of volcanic rocks using empirical systems and data mining techniques
Bhatnagar et al. An intelligent approach to evaluate drilling performance
Khoukhi Hybrid soft computing systems for reservoir PVT properties prediction
Li et al. Prediction of penetration rate ahead of the bit through real-time updated machine learning models
CN106326624A (zh) 一种预测地层破裂压力的方法
Hadi et al. Modeling rate of penetration using artificial intelligent system and multiple regression analysis
Abdulmalek et al. New approach to predict fracture pressure using functional networks
Abdel Azim Application of artificial neural network in optimizing the drilling rate of penetration of western desert Egyptian wells
CN116384554A (zh) 机械钻速预测方法、装置、电子设备及计算机存储介质
Jafarizadeh et al. A new robust predictive model for lost circulation rate using convolutional neural network: A case study from Marun Oilfield
Ayoub et al. Modeling of drilling rate of penetration using adaptive neuro-fuzzy inference system
Sun et al. Lost circulation monitoring using bi-directional LSTM and data augmentation
Abdulmalek et al. Pore pressure prediction while drilling using fuzzy logic
WO2019023255A1 (en) DEVELOPMENT OF OIL FIELD MODELS USING COGNITIVE CALCULATION
Elzenary Real-time solution for down hole torque estimation and drilling optimization in high deviated wells using Artificial intelligence
CN114065603B (zh) 机械钻速预测方法及装置
Hamdi et al. Improving drilling rate of penetration modelling performance using adaptive neuro-fuzzy inference systems
Höhn et al. Framework for automated generation of real-time rate of penetration models
Mnati et al. Prediction of penetration rate and cost with artificial neural network for alhafaya oil field

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