CN114091883A - 井漏风险层位钻前预测方法、装置、介质及设备 - Google Patents
井漏风险层位钻前预测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN114091883A CN114091883A CN202111352598.7A CN202111352598A CN114091883A CN 114091883 A CN114091883 A CN 114091883A CN 202111352598 A CN202111352598 A CN 202111352598A CN 114091883 A CN114091883 A CN 114091883A
- Authority
- CN
- China
- Prior art keywords
- data
- leakage
- attribute data
- seismic
- seismic attribute
- 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 62
- 238000005553 drilling Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 239000002131 composite material Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000013329 compounding Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Animal Husbandry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
Abstract
本发明涉及一种井漏风险层位钻前预测方法、装置、介质及设备,包括如下步骤:将所收集的待钻井地震数据与已知井的工程数据相结合,进行复合地震反演,得到地震属性数据;对反演后的地震属性数据进行预处理;将地震属性数据与已知井的漏失记录相结合,进行数据的相关性分析,找出与漏失相关性高的地震属性数据;应用已知井的地震数据进行漏失风险模型的训练与结果评价;在待钻井的全工区进行漏失风险预测,并根据已知井的漏失记录,分析预测结果的准确性。该预测方法能够将地震数据与工程数据相结合,在钻前预测出不同层位发生漏失的概率。
Description
技术领域
本发明涉及一种基于混合密度神经网络的井漏风险层位钻前预测方法、装置、介质及设备,属于油气钻井工程技术领域。
背景技术
漏失是钻井过程中十分常见的一种钻井现象,不仅会引起卡钻等其他事故,还会造成钻井过程中钻井液的浪费,从而增加钻井成本。因此判断地层中漏失发生的具体层位是该领域的一大难题。
目前有很多国内外专家学者就漏失问题给出了自己的解决方案,这些方法主要可以分为两大类,分别是现场经验模型和数学机理模型。现场经验模型是针对特定工区结合专家经验给出的一种在该区域适用性较强的模型,但这种模型适用范围有限,通用性和准确性不高。数学机理模型是通过对物理现象的抽象总结,得出一个包含多个参数的数学模型,但在模型中个别参数的选择具有很大不确定性,因此模型的通用性有了很大提高,但预测结果的准确度仍然不高。近年来随着人工智能技术的发展,一些专家也尝试通过人工智能中的机器学习算法进行漏失的研究,目前通过机器学习算法研究漏失的方法分为两大类,分别是预测是否会发生漏失和发生漏失的概率,这两类方法主要是基于已知井的工程记录进行建模预测,预测结果与真实结果相差较大。
发明内容
针对上述技术问题,本发明提供一种基于混合密度神经网络的井漏风险层位钻前预测方法,其能够将地震数据与工程数据相结合,在钻前预测出不同层位发生漏失的概率。
为实现上述目的,本发明采取以下技术方案:
一种井漏风险层位钻前预测方法,包括如下步骤:
将所收集的待钻井地震数据与已知井的工程数据相结合,进行复合地震反演,得到地震属性数据;
对反演后的地震属性数据进行预处理;
将地震属性数据与已知井的漏失记录相结合,进行数据的相关性分析,找出与漏失相关性高的地震属性数据;
应用已知井的地震数据进行漏失风险模型的训练与结果评价;
在待钻井的全工区进行漏失风险预测,并根据已知井的漏失记录,分析预测结果的准确性。
所述的井漏风险层位钻前预测方法,优选地,将所收集的待钻井地震数据与已知井的工程数据相结合,进行复合地震反演,得到地震属性数据,包括如下步骤:
将所收集的待钻井地震数据与已知井的工程数据相结合,进行低频、中频、高频三种反演复合;
将低频、中频、高频三种反演复合的结果进行频域复合。
所述的井漏风险层位钻前预测方法,优选地,对反演后的地震属性数据进行预处理,包括如下步骤:
对反演后的地震属性数据进行异常值与缺失值的处理;
对反演后的地震属性数据的漏失重新标定;
对反演后的地震属性数据进行数据归一化。
所述的井漏风险层位钻前预测方法,优选地,对反演后的地震属性数据进行异常值与缺失值的处理,包括如下步骤:
1)异常值处理:在反演后的地震属性数据中存在一些异常值,这些值超出了某些属性的数值范围,或者是远大于或远小于其他同属性数值,由于这类值在全部数据中占比很少,故将这类数据当作错误数据直接去除;
2)缺失值处理:反演后的地震属性数据中存在个别数据的缺失,对于这些数据先是针对每组地震属性数据做Z-score标准化变换,变换后的数据符合正太分布,再用正态分布2倍方差范围内的任意值填充缺失数据,最后进行反Z-score变换进行数据还原。
所述的井漏风险层位钻前预测方法,优选地,对反演后的地震属性数据的漏失重新标定,包括如下步骤:
1)工程记录漏失概率的标定:在原始工程记录中,明确记录了一些钻井过程中发生漏失的点,在漏失概率标定时,认为这些点的漏失概率为1;
2)衍生数据漏失概率的标定:根据工程经验,井漏并非是发生在某个点上,而是发生在一段区域内,因此除了有记录的漏点外,漏点附近的区域也是发生漏失的高风险区域,因此按照高斯分布,进行了漏点的衍生,漏点处的漏失概率记为1,距离漏点越远,漏失概率越低,直到漏失概率降为0。
所述的井漏风险层位钻前预测方法,优选地,对反演后的地震属性数据进行数据归一化,包括如下步骤:
1)求取每组数据的最大值和最小值:此处使用的数据归一化方法为最大最小归一化方法,在归一化之前要求取每组地震属性数据的最大值和最小值;
2)数据归一化处理:根据求得的每组地震属性数据的最大值和最小值,对该组数据进行归一化处理,归一化后的数据为闭区间0到1之间的数。
所述的井漏风险层位钻前预测方法,优选地,将地震属性数据与已知井的漏失记录相结合,进行数据的相关性分析,找出与漏失相关性高的地震属性数据,包括如下步骤:
1)将地震属性数据与已知井的漏失记录结合:将地震反演后的地震属性数据与标定后的漏失概率数据结合,形成模型的训练数据,并将这些数据分为训练集和测试集,训练集用于训练模型,测试集用于验证模型的预测能力;
2)地震属性数据的相关性分析:提取的地震属性数据,对模型预测的使用价值各不相同,通过皮尔森性关系分析,得到与漏失风险相关性高的属性数据,用于模型的训练,减少数据的冗余。
所述的井漏风险层位钻前预测方法,优选地,应用已知井的地震数据进行漏失风险模型的训练与结果评价,包括如下步骤:
1)模型的训练:模型训练时使用的是混合密度神经网络,模型输入的是地震属性数据与漏失记录,输出的是对每条数据的预测结果,混合密度神经网络预测得到的并不是一个一定的漏失概率,而是给出了一个漏失概率的范围,根据混合密度神经网络预测得到的混合高斯分布,最终确定具体的漏失概率;
2)模型结果的评价:训练集将模型训练好之后,需要用测试集进行模型的评估,评估时针对测试集预测结果选用了混淆矩阵、平均相对误差MRE、R2,进行模型结果的评估。
所述的井漏风险层位钻前预测方法,优选地,在待钻井的全工区进行漏失风险预测,并根据已知井的漏失记录,分析预测结果的准确性,包括如下步骤:
1)全工区域漏失风险预测:用训练好的模型根据地震属性数据进行全工区漏失风险预测,并对结果进行三维显示二维剖面显示;
2)已知井漏失风险预测分析:为了验证模型对全工区预测的准确度与模型的泛化能力,根据已知井的漏失,进行已知井剖面的漏失概率预测分析,并结合该工区断层漏失通道信息,进行预测结果的合理分析。
基于上述井漏风险层位钻前预测方法,本发明提供一种该方法的预测装置,包括:
第一处理单元,用于将所收集的待钻井地震数据与已知井的工程数据相结合,进行复合地震反演,得到地震属性数据;
第二处理单元,用于对反演后的地震属性数据进行预处理;
第三处理单元,用于将地震属性数据与已知井的漏失记录相结合,进行数据的相关性分析,找出与漏失相关性高的地震属性数据;
第四处理单元,用于应用已知井的地震数据进行漏失风险模型的训练与结果评价;
第五处理单元,用于在待钻井的全工区进行漏失风险预测,并根据已知井的漏失记录,分析预测结果的准确性。
基于上述井漏风险层位钻前预测方法,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述井漏风险层位钻前预测方法的步骤。
基于上述井漏风险层位钻前预测方法,本发明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计算机程序时实现上述井漏风险层位钻前预测方法的步骤。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明所提取的地震属性数据,对模型预测的使用价值各不相同,通过皮尔森性关系分析,得到与漏失风险相关性高的属性数据,用于模型的训练,减少数据的冗余。
2、本发明应用已知井的地震数据进行漏失风险模型的训练,模型训练时使用的是混合密度神经网络,模型输入的是地震属性数据与漏失记录,输出的是对每条数据的预测结果,混合密度神经网络预测得到的并不是一个一定的漏失概率,而是给出了一个漏失概率的范围,根据混合密度神经网络预测得到的混合高斯分布,最终确定具体的漏失概率。
3、本发明所提供的基于混合密度神经网络的井漏风险层位钻前预测方法,其能够将地震数据与工程数据相结合,在钻前预测出不同层位发生漏失的概率。
附图说明
图1为本发明一实施例提供的基于混合密度神经网络的漏失预测流程图;
图2为本发明该实施例提供的缺失值与异常值处理示意图;
图3为本发明该实施例提供的皮尔森特征相关分析图;
图4为本发明该实施例提供的混合密度神经网络模型子高斯个数选取图;
图5为本发明该实施例提供的模型在测试集上的混淆矩阵图;
图6为本发明该实施例提供的模型预测结果的三维呈现图;
图7为本发明该实施例提供的过单井预测结果分析图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明中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一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合具体实施例对本发明中的基于混合密度神经网络的井漏风险层位钻前预测方法进行详细说明。
本实施例主要包括下列步骤:
步骤1:将所收集的待钻井地震数据与已知井的工程数据相结合,进行复合地震反演,得到高精度地震属性数据;具体包括如下步骤:
1)分别进行低频(小于5Hz)、中频(5Hz~25Hz)、高频(大于25Hz)三种地震反演复合;
2)为了让反演得到的地震属性数据包含更多的地层信息,对低频、中频、高频三种反演复合得到的结果进行频域复合。
步骤2:对反演后的地震属性数据进行预处理,具体步骤如下:
1)对反演后的地震属性数据进行异常值与缺失值处理:
a.异常值处理:在反演后的地震属性数据中存在一些异常值,这些值超出了某些属性的数值范围,或者是远大于或远小于其他同属性数值,由于这类值在全部数据中占比很少,因此可以将这类数据当作错误数据直接去除;
b.缺失值处理(如图2所示):除了前面提到的异常值,在数据中还存在个别地震属性数据的缺失,对于这些数据先是针对每组属性数据做Z-score标准化变换,Z-score标准化变换后的值Z为:
其中,x为原始数据值,μ为每组属性数据的均值,σ为每组属性数据的标准差。变换后的数据符合正太分布,再用正态分布2倍方差范围内的任意值填充缺失数据,最后进行反Z-score变换进行数据还原,选用2倍方差范围内的任意值填充缺失数据是因为根据正态分布数据分布在2倍方差范围内的概率为95.44%。
2)对反演后的地震属性数据的漏失的重新标定:
a.工程记录漏失概率的标定:在原始工程记录中,明确记录了一些钻井过程中发生漏失的点,在漏失概率标定时,认为这些点的漏失概率为1;
b.衍生数据漏失概率的标定:原始数据中明确有漏失记录的数据与总数据项比较少,导致模型训练时数据失衡,根据工程经验,井漏并非是发生在某个点上,而是发生在一段区域内,因此除了有记录的漏点外,漏点附近的区域也是发生漏失的高风险区域。因此按照高斯分布,进行了漏点的衍生,漏点处的漏失概率记为1,距离漏点越远,漏失概率越低,直到漏失概率降为0。
3)对反演后的地震属性数据进行数据归一化处理:
根据求得的每组属性数据的最大值和最小值,对该组数据进行归一化处理,归一化后的数据为闭区间0到1之间的数,归一化后的数值xnow为:
其中,xi为原始值,xmax和xmin分别为对应数据中的最大值和最小值。
步骤3:将地震属性数据与漏失记录相结合,进行数据的相关性分析,找出与漏失相关性高的地震属性数据,具体步骤如下:
1)将地震属性数据与已知井的漏失记录结合:
将地震反演后的地震属性数据与标定后的漏失概率数据结合,形成模型的训练数据,并将这些数据分为训练集和测试集,训练集用于训练模型,测试集用于验证模型的预测能力;
2)地震属性数据的相关性分析(如图3所示):
提取的地震属性数据,对模型预测的使用价值各不相同,通过皮尔森性关系分析,得到与漏失风险相关性高的属性数据,用于模型的训练,减少数据的冗余,最终选取了蚂蚁体、能量半衰时、相干、瞬时频率、增强相干P2、瞬时相位、瞬时振幅、甜点、最大负曲率、方差,这10组属性数据用于后续建模。
步骤4:应用已知井的地震数据进行漏失风险模型的训练与结果评价,具体步骤如下:
1)模型的训练:
模型训练时使用的是混合密度神经网络,模型输入的是地震属性数据与漏失记录,输出的是对每条数据的预测结果,混合密度神经网络预测得到的并不是一个一定的漏失概率,而是给出了一个漏失概率的范围,根据混合密度神经网络预测得到的混合高斯分布,最终确定具体的漏失概率,经过多次尝试给出混合密度神经网络子高斯模型的个数为10(如图4所示)时,模型效果较好,且程序运行效率较高;
2)模型结果的评价:
训练集将模型训练好之后,需要用测试集进行模型的评估,评估时针对测试集预测结果选用了混淆矩阵(如图5所示)、平均相对误差MRE、R2,进行模型结果的评估,平均相对误差MRE、R2为:
yi为第i条数据的真实漏失概率,y′i为第i条数据的预测漏失概率,ymean为所有真实漏失概率的平均值,n为测试集的数据量。模型在测试集上的平均相对误差为0.085,R2为0.837。
步骤5:在待钻井的全工区进行漏失风险预测,并根据已知井的漏失记录,分析预测结果的准确性,具体步骤如下:
1)全区域漏失风险预测:
用训练好的模型根据地震属性数据进行全工区漏失风险预测,并对结果进行可视化(如图6所示);
2)已知井漏失风险预测分析(如图7所示):
为了验证模型对全工区预测的准确度与模型的泛化能力,根据2口已知井的漏失,进行已知井的漏失概率预测分析,并结合该工区断层等漏失通道信息,进行预测结果的合理分析。从两口已知井的分析可以看出,该方法预测结果与真实结果有较高的吻合度,说明本实施例中预测方法具有较高的准确度。
本发明第二方面提供一种上述井漏风险层位钻前预测方法的检测装置,包括:
第一处理单元,用于将所收集的待钻井地震数据与已知井的工程数据相结合,进行复合地震反演,得到地震属性数据;
第二处理单元,用于对反演后的地震属性数据进行预处理;
第三处理单元,用于将地震属性数据与已知井的漏失记录相结合,进行数据的相关性分析,找出与漏失相关性高的地震属性数据;
第四处理单元,用于应用已知井的地震数据进行漏失风险模型的训练与结果评价;
第五处理单元,用于在待钻井的全工区进行漏失风险预测,并根据已知井的漏失记录,分析预测结果的准确性。
本发明第三方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述井漏风险层位钻前预测方法的步骤。
本发明第四方面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计算机程序时实现上述井漏风险层位钻前预测方法的步骤。
本发明是根据具体实施方式的方法、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。应理解为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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种井漏风险层位钻前预测方法,其特征在于,包括如下步骤:
将所收集的待钻井地震数据与已知井的工程数据相结合,进行复合地震反演,得到地震属性数据;
对反演后的地震属性数据进行预处理;
将地震属性数据与已知井的漏失记录相结合,进行数据的相关性分析,找出与漏失相关性高的地震属性数据;
应用已知井的地震数据进行漏失风险模型的训练与结果评价;
在待钻井的全工区进行漏失风险预测,并根据已知井的漏失记录,分析预测结果的准确性。
2.根据权利要求1所述的井漏风险层位钻前预测方法,其特征在于,将所收集的待钻井地震数据与已知井的工程数据相结合,进行复合地震反演,得到地震属性数据,包括如下步骤:
将所收集的待钻井地震数据与已知井的工程数据相结合,进行低频、中频、高频三种反演复合;
将低频、中频、高频三种反演复合的结果进行频域复合。
3.根据权利要求1所述的井漏风险层位钻前预测方法,其特征在于,对反演后的地震属性数据进行预处理,包括如下步骤:
对反演后的地震属性数据进行异常值与缺失值的处理;
对反演后的地震属性数据的漏失重新标定;
对反演后的地震属性数据进行数据归一化。
4.根据权利要求3所述的井漏风险层位钻前预测方法,其特征在于,对反演后的地震属性数据进行异常值与缺失值的处理,包括如下步骤:
1)异常值处理:在反演后的地震属性数据中存在一些异常值,这些值超出了某些属性的数值范围,或者是远大于或远小于其他同属性数值,由于这类值在全部数据中占比很少,故将这类数据当作错误数据直接去除;
2)缺失值处理:反演后的地震属性数据中存在个别数据的缺失,对于这些数据先是针对每组地震属性数据做Z-score标准化变换,变换后的数据符合正太分布,再用正态分布2倍方差范围内的任意值填充缺失数据,最后进行反Z-score变换进行数据还原。
5.根据权利要求3所述的井漏风险层位钻前预测方法,其特征在于,对反演后的地震属性数据的漏失重新标定,包括如下步骤:
1)工程记录漏失概率的标定:在原始工程记录中,明确记录了一些钻井过程中发生漏失的点,在漏失概率标定时,认为这些点的漏失概率为1;
2)衍生数据漏失概率的标定:根据工程经验,井漏并非是发生在某个点上,而是发生在一段区域内,因此除了有记录的漏点外,漏点附近的区域也是发生漏失的高风险区域,因此按照高斯分布,进行了漏点的衍生,漏点处的漏失概率记为1,距离漏点越远,漏失概率越低,直到漏失概率降为0。
6.根据权利要求3所述的井漏风险层位钻前预测方法,其特征在于,对反演后的地震属性数据进行数据归一化,包括如下步骤:
1)求取每组数据的最大值和最小值:此处使用的数据归一化方法为最大最小归一化方法,在归一化之前要求取每组地震属性数据的最大值和最小值;
2)数据归一化处理:根据求得的每组地震属性数据的最大值和最小值,对该组数据进行归一化处理,归一化后的数据为闭区间0到1之间的数。
7.根据权利要求1所述的井漏风险层位钻前预测方法,其特征在于,将地震属性数据与已知井的漏失记录相结合,进行数据的相关性分析,找出与漏失相关性高的地震属性数据,包括如下步骤:
1)将地震属性数据与已知井的漏失记录结合:将地震反演后的地震属性数据与标定后的漏失概率数据结合,形成模型的训练数据,并将这些数据分为训练集和测试集,训练集用于训练模型,测试集用于验证模型的预测能力;
2)地震属性数据的相关性分析:提取的地震属性数据,对模型预测的使用价值各不相同,通过皮尔森性关系分析,得到与漏失风险相关性高的属性数据,用于模型的训练,减少数据的冗余。
8.根据权利要求1所述的井漏风险层位钻前预测方法,其特征在于,应用已知井的地震数据进行漏失风险模型的训练与结果评价,包括如下步骤:
1)模型的训练:模型训练时使用的是混合密度神经网络,模型输入的是地震属性数据与漏失记录,输出的是对每条数据的预测结果,混合密度神经网络预测得到的并不是一个一定的漏失概率,而是给出了一个漏失概率的范围,根据混合密度神经网络预测得到的混合高斯分布,最终确定具体的漏失概率;
2)模型结果的评价:训练集将模型训练好之后,需要用测试集进行模型的评估,评估时针对测试集预测结果选用了混淆矩阵、平均相对误差MRE、R2,进行模型结果的评估。
9.根据权利要求1所述的井漏风险层位钻前预测方法,其特征在于,在待钻井的全工区进行漏失风险预测,并根据已知井的漏失记录,分析预测结果的准确性,包括如下步骤:
1)全工区域漏失风险预测:用训练好的模型根据地震属性数据进行全工区漏失风险预测,并对结果进行三维显示二维剖面显示;
2)已知井漏失风险预测分析:为了验证模型对全工区预测的准确度与模型的泛化能力,根据已知井的漏失,进行已知井剖面的漏失概率预测分析,并结合该工区断层漏失通道信息,进行预测结果的合理分析。
10.一种如权利要求1-9任意一项所述井漏风险层位钻前预测方法的预测装置,其特征在于,包括:
第一处理单元,用于将所收集的待钻井地震数据与已知井的工程数据相结合,进行复合地震反演,得到地震属性数据;
第二处理单元,用于对反演后的地震属性数据进行预处理;
第三处理单元,用于将地震属性数据与已知井的漏失记录相结合,进行数据的相关性分析,找出与漏失相关性高的地震属性数据;
第四处理单元,用于应用已知井的地震数据进行漏失风险模型的训练与结果评价;
第五处理单元,用于在待钻井的全工区进行漏失风险预测,并根据已知井的漏失记录,分析预测结果的准确性。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-9任意一项所述井漏风险层位钻前预测方法的步骤。
12.一种计算机设备,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1-9任意一项所述井漏风险层位钻前预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352598.7A CN114091883A (zh) | 2021-11-16 | 2021-11-16 | 井漏风险层位钻前预测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352598.7A CN114091883A (zh) | 2021-11-16 | 2021-11-16 | 井漏风险层位钻前预测方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091883A true CN114091883A (zh) | 2022-02-25 |
Family
ID=80300803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111352598.7A Pending CN114091883A (zh) | 2021-11-16 | 2021-11-16 | 井漏风险层位钻前预测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091883A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
-
2021
- 2021-11-16 CN CN202111352598.7A patent/CN114091883A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
CN117272841B (zh) * | 2023-11-21 | 2024-01-26 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106125714B (zh) | 结合bp神经网络与二参数威布尔分布的故障率预测方法 | |
CN105183928A (zh) | 铸铝构件中的残余应力和变形的快速分析 | |
WO2017011469A1 (en) | Ensemble based decision making | |
CN104866940A (zh) | 一种地质风险评价随机模拟方法 | |
KR20140137210A (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
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 | |
CN114091883A (zh) | 井漏风险层位钻前预测方法、装置、介质及设备 | |
KR20200058258A (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN113077091A (zh) | 一种基于机器学习的漏速概率分布预测方法和系统 | |
US20150378053A1 (en) | Method of modelling a subsurface volume | |
Costa et al. | A new methodology to reduce uncertainty of global attributes in naturally fractured reservoirs | |
CN114036829B (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
CN103337000B (zh) | 一种油气集输系统安全监测预警方法 | |
Tung et al. | APPLICATION OF TABU SEARCH TO GROUND WATER PARAMETER ZONATION 1 | |
CN113191689B (zh) | 一种耦合主成分分析与bp神经网络的土地适宜评价方法 | |
US20120101786A1 (en) | Method for parameterizing and morphing stochastic reservoir models | |
KR102589525B1 (ko) | 지진 취약 정보 제공 장치 및 방법, 지진 취약 정보 제공을 위한 학습 모델의 학습 방법 | |
Habib et al. | Improving history match using artificial neural networks | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
Sawyer et al. | Estimation of aquifer hydraulic conductivities: a neural network approach | |
US20240084561A1 (en) | Systems and methods for water distribution network leakage detection and/or localization | |
García et al. | Spatial characterization of the abutments of a dam site, an intelligent idea | |
US20240037413A1 (en) | Computer-implemented method and computer-readable medium for drainage mesh optimization in oil and/or gas producing fields | |
CN117272038A (zh) | 一种油藏开发动态表征方法、装置和相关设备 |
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 |