CN114198096A - 钻井误差预测方法及装置 - Google Patents

钻井误差预测方法及装置 Download PDF

Info

Publication number
CN114198096A
CN114198096A CN202010903237.6A CN202010903237A CN114198096A CN 114198096 A CN114198096 A CN 114198096A CN 202010903237 A CN202010903237 A CN 202010903237A CN 114198096 A CN114198096 A CN 114198096A
Authority
CN
China
Prior art keywords
data
drilling
result
seismic
logging
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.)
Granted
Application number
CN202010903237.6A
Other languages
English (en)
Other versions
CN114198096B (zh
Inventor
首皓
曹宏
崔栋
曾同生
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.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
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 Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202010903237.6A priority Critical patent/CN114198096B/zh
Publication of CN114198096A publication Critical patent/CN114198096A/zh
Application granted granted Critical
Publication of CN114198096B publication Critical patent/CN114198096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • E21B47/00—Survey of boreholes or wells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/51—Migration
    • G01V2210/512—Pre-stack
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6222—Velocity; travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/70—Other details related to processing
    • G01V2210/74—Visualisation of seismic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mining & Mineral Resources (AREA)
  • Geophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Fluid Mechanics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请实施例提供一种钻井误差预测方法及装置，方法包括：获取待钻井的目标区域的基础资料完备性评估结果；将基础资料完备性评估结果输入用于进行钻井成功性预测的机器学习模型中，得到钻井成功性预测结果；若根据目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取成果资料完备性评估结果；将成果资料完备性评估结果输入用于进行钻井误差预测的机器学习模型中，得到目标区域的钻井误差预测结果。本申请能够对钻井误差进行预测，且能够有效提高钻井误差预测的准确性，并能够有效提高钻井误差预测过程的处理效率、自动化程度及准确性，进而能够有效提高应用该钻井误差预测结果进行钻井等石油勘探处理的准确性及可靠性。

Description

钻井误差预测方法及装置
技术领域
本申请涉及地震数据处理和储层预测技术领域，具体涉及钻井误差预测方法及装置。
背景技术
勘探开发过程中需要利用工区内现有的地震和测井资料确定新的有利目标位置和目标深度，由于地震处理、储层预测和测井解释都具有一定的多解性和误差，因而目标位置和目标深度都存在一定误差。
由于地震处理、储层预测和测井解释涉及较多的步骤和方法，因而很难将其与钻井误差建立直接的必然联系，目前也尚未有方法建立两者之间的联系，相关工作多是集中在评价地震处理结果的保幅性、储层预测结果的可靠性和测井解释结果的可靠性，因此亟需设计一种能够预测钻井误差的方法。
发明内容
针对现有技术中的问题，本申请提供一种钻井误差预测方法及装置，能够对钻井误差进行预测，且能够有效提高钻井误差预测的准确性，并能够有效提高钻井误差预测过程的处理效率、自动化程度及准确性，进而能够有效提高应用该钻井误差预测结果进行钻井等石油勘探处理的准确性及可靠性。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种钻井误差预测方法，包括：
获取待钻井的目标区域的基础资料完备性评估结果；
将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中，并将该用于进行钻井成功性预测的机器学习模型的输出作为所述目标区域的钻井成功性预测结果；
若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果；
将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中，并将该用于进行钻井误差预测的机器学习模型的输出作为所述目标区域的钻井误差预测结果。
进一步地，所述获取待钻井的目标区域的基础资料完备性评估结果，包括：
获取目标区域的基础资料，其中，该基础资料包括地震基础资料和测井基础资料；
应用预设的合成地震记录标定方式和AVO趋势分析方法对所述地震基础资料进行完备性评估，得到对应的地震资料完备性评估结果，其中，所述地震资料完备性评估结果用于表示合成地震记录的相关系数和AVO趋势是否一致；
对所述测井基础资料进行完备性评估，得到对应的测井资料完备性评估结果，其中，所述测井资料完备性评估结果用于表示所述测井基础资料中是否包含有测井数据分布空间面积、测井曲线是否涵盖目的层以及测井曲线是否包含有声波曲线和密度曲线。
进一步地，所述应用预设的合成地震记录标定方式和AVO趋势分析方法对所述地震基础资料进行完备性评估，得到对应的地震资料完备性评估结果，其中，所述地震资料完备性评估结果用于表示合成地震记录的相关系数和AVO趋势是否一致，包括：
应用所述合成地震记录标定方式获取所述地震基础资料的合成地震记录的相关系数；
以及，基于所述AVO趋势分析方法获取所述地震基础资料的AVO趋势数据；
根据所述地震基础资料的合成地震记录的相关系数和AVO趋势数据之间的一致性结果生成所述地震资料完备性评估结果。
进一步地，所述对所述测井基础资料进行完备性评估，得到对应的测井资料完备性评估结果，其中，所述测井资料完备性评估结果用于表示所述测井基础资料中是否包含有测井数据分布空间面积、测井曲线是否涵盖目的层以及测井曲线是否包含有声波曲线和密度曲线，包括：
获取所述测井基础资料对应的测井数据分布空间范围，并根据该测井数据分布空间范围确定所述测井基础资料中是否包含有测井数据分布空间面积；
获取所述测井基础资料对应的测井曲线深度，并根据该测井曲线深度确定所述测井基础资料中的测井曲线是否涵盖目的层；
以及，获取所述测井基础资料对应的测井曲线类别，并根据该测井曲线类别确定所述测井基础资料中的测井曲线是否包含有声波曲线和密度曲线。
进一步地，所述用于进行钻井成功性预测的机器学习模型为前馈式机器学习模型。
进一步地，在所述将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中之前，还包括：
获取多份历史基础资料完备性评估结果以及对应得钻井成功性结果，其中，该钻井成功性结果用于表示钻井是否成功；
将各个所述钻井成功性结果分别作为各个所述历史基础资料完备性评估结果对应的标签数据，以形成第一训练集；
应用所述第一训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井成功性预测的机器学习模型。
进一步地，所述若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果，包括：
获取目标区域的成果资料，其中，所述成果资料包括地震偏移成像结果资料和地震储层预测结果资料；
对所述地震偏移成像结果资料进行完备性评估，得到对应的地震偏移资料完备性评估结果，其中，所述地震偏移资料完备性评估结果用于表示所述地震偏移成像结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比、以及所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数；
对所述地震储层预测结果资料进行完备性评估，得到对应的地震储层资料完备性评估结果，其中，所述地震储层资料完备性评估结果用于表示所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比、以及所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数。
进一步地，所述对所述地震偏移成像结果资料进行完备性评估，得到对应的地震偏移资料完备性评估结果，其中，所述地震偏移资料完备性评估结果用于表示所述地震偏移成像结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比、以及所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数，包括：
获取所述地震偏移成像成果资料对应的声波测井曲线的分布范围，并根据该声波测井曲线的分布范围确定该声波测井曲线的分布面积是否涵盖钻井目标区；
获取所述地震偏移成像成果资料对应的声波速度与速度模型的差异，并根据该声波速度与速度模型的差异确定该所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比；
对所述地震偏移成像成果资料对应的偏移结果和合成地震记录进行标定，以确定所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数。
进一步地，所述对所述地震储层预测结果资料进行完备性评估，得到对应的地震储层资料完备性评估结果，其中，所述地震储层资料完备性评估结果用于表示所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比、以及所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数，包括：
获取所述地震储层预测结果资料对应的声波和密度测井曲线的分布范围，并根据该声波和密度测井曲线的分布范围确定所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区；
获取所述地震储层预测结果资料对应的地震解释层位与测井分层吻合度，以确定所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比；
对所述地震储层预测结果资料对应的合成地震记录进行标定，以确定所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数。
进一步地，所述用于进行钻井误差预测的机器学习模型为前馈式机器学习模型。
进一步地，在所述将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中之前，还包括：
获取多份历史成果资料完备性评估结果以及对应得钻井误差结果，其中，该钻井误差结果用于表示钻井设计目标深度与实际目标深度的距离值；
将各个所述钻井误差结果分别作为各个所述历史成果资料完备性评估结果对应的标签数据，以形成第二训练集；
应用所述第二训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井误差预测的机器学习模型。
进一步地，还包括：
应用当前实际钻井结果与当前基础资料完备性评估结果更新所述用于进行钻井成功性预测的机器学习模型。
进一步地，还包括：
应用当前实际钻井误差与当前成果资料完备性评估结果更新所述用于进行钻井误差预测的机器学习模型。
第二方面，本申请还提供一种钻井误差预测装置，包括：
第一评估模块，用于获取待钻井的目标区域的基础资料完备性评估结果；
钻井成功性预测模块，用于将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中，并将该用于进行钻井成功性预测的机器学习模型的输出作为所述目标区域的钻井成功性预测结果；
第二评估模块，用于若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果；
钻井误差预测模块，用于将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中，并将该用于进行钻井误差预测的机器学习模型的输出作为所述目标区域的钻井误差预测结果。
进一步地，所述第一评估模块包括：
第一数据获取单元，用于获取目标区域的基础资料，其中，该基础资料包括地震基础资料和测井基础资料；
地震数据评估单元，用于应用预设的合成地震记录标定方式和AVO趋势分析方法对所述地震基础资料进行完备性评估，得到对应的地震资料完备性评估结果，其中，所述地震资料完备性评估结果用于表示合成地震记录的相关系数和AVO趋势是否一致；
测井数据评估单元，用于对所述测井基础资料进行完备性评估，得到对应的测井资料完备性评估结果，其中，所述测井资料完备性评估结果用于表示所述测井基础资料中是否包含有测井数据分布空间面积、测井曲线是否涵盖目的层以及测井曲线是否包含有声波曲线和密度曲线。
进一步地，还包括：第一模型训练模块，用于执行下述内容：
获取多份历史基础资料完备性评估结果以及对应得钻井成功性结果，其中，该钻井成功性结果用于表示钻井是否成功；
将各个所述钻井成功性结果分别作为各个所述历史基础资料完备性评估结果对应的标签数据，以形成第一训练集；
应用所述第一训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井成功性预测的机器学习模型。
进一步地，所述第二评估模块包括：
第二数据获取单元，用于获取目标区域的成果资料，其中，所述成果资料包括地震偏移成像结果资料和地震储层预测结果资料；
地震偏移数据评估单元，用于对所述地震偏移成像结果资料进行完备性评估，得到对应的地震偏移资料完备性评估结果，其中，所述地震偏移资料完备性评估结果用于表示所述地震偏移成像结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比、以及所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数；
地震储层数据评估单元，用于对所述地震储层预测结果资料进行完备性评估，得到对应的地震储层资料完备性评估结果，其中，所述地震储层资料完备性评估结果用于表示所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比、以及所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数。
进一步地，还包括：第二模型训练模块，用于执行下述内容：
获取多份历史成果资料完备性评估结果以及对应得钻井误差结果，其中，该钻井误差结果用于表示钻井设计目标深度与实际目标深度的距离值；
将各个所述钻井误差结果分别作为各个所述历史成果资料完备性评估结果对应的标签数据，以形成第二训练集；
应用所述第二训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井误差预测的机器学习模型。
进一步地，还包括：第一模型更新模块，用于应用当前实际钻井结果与当前基础资料完备性评估结果更新所述用于进行钻井成功性预测的机器学习模型。
进一步地，还包括：第二模型更新模块，用于应用当前实际钻井误差与当前成果资料完备性评估结果更新所述用于进行钻井误差预测的机器学习模型。
第三方面，本申请提供一种电子设备，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程序时实现所述的钻井误差预测方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的钻井误差预测方法。
由上述技术方案可知，本申请提供的一种钻井误差预测方法及装置，方法包括：获取待钻井的目标区域的基础资料完备性评估结果；将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中，并将该用于进行钻井成功性预测的机器学习模型的输出作为所述目标区域的钻井成功性预测结果；若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果；将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中，并将该用于进行钻井误差预测的机器学习模型的输出作为所述目标区域的钻井误差预测结果，能够对钻井误差进行预测，且能够有效提高钻井误差预测的准确性，并能够有效提高钻井误差预测过程的处理效率、自动化程度及准确性，进而能够有效提高应用该钻井误差预测结果进行钻井等石油勘探处理的准确性及可靠性，并有效节省人力、物力成本。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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。
图1是本申请实施例中的钻井误差预测方法的第一种流程示意图。
图2是本申请实施例中的钻井误差预测方法中步骤100的流程示意图。
图3是本申请实施例中的钻井误差预测方法中步骤120的流程示意图。
图4是本申请实施例中的钻井误差预测方法中步骤130的流程示意图。
图5是本申请实施例中的钻井误差预测方法中步骤011至步骤013的具体流程示意图。
图6是本申请实施例中的钻井误差预测方法中步骤300的流程示意图。
图7是本申请实施例中的钻井误差预测方法中步骤320的流程示意图。
图8是本申请实施例中的钻井误差预测方法中步骤330的流程示意图。
图9是本申请实施例中的钻井误差预测方法中步骤021至步骤023的具体流程示意图。
图10是本申请实施例中的钻井误差预测方法的第二种流程示意图。
图11是本申请实施例中的钻井误差预测装置的结构示意图。
图12是本申请应用实例中应用钻井误差预测装置实现的钻井误差预测方法的流程图。
图13是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
鉴于现有技术进行钻井误差预测存在如下问题：勘探开发过程中需要利用工区内现有的地震和测井资料确定新的有利目标位置和目标深度，由于地震处理、储层预测和测井解释都具有一定的多解性和误差，因而目标位置和目标深度都存在一定误差。由于地震处理、储层预测和测井解释涉及较多的步骤和方法，因而很难将其与钻井误差建立直接的必然联系，目前也尚未有方法建立两者之间的联系。本申请实施例提供一种应用机器学习技术的钻井误差预测方法，可以通过地震和测井处理解释结果预测钻井误差，也可以通过实际钻井结果和误差与地震、测井处理解释结果更新样本完善机器学习模型。
基于上述内容，本申请提供一种钻井误差预测方法的实施例，参见图1，所述钻井误差预测方法具体包含有如下内容：
步骤100：获取待钻井的目标区域的基础资料完备性评估结果。
步骤200：将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中，并将该用于进行钻井成功性预测的机器学习模型的输出作为所述目标区域的钻井成功性预测结果。
步骤300：若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果。
步骤400：将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中，并将该用于进行钻井误差预测的机器学习模型的输出作为所述目标区域的钻井误差预测结果。
可以理解的是，所述用于进行钻井成功性预测的机器学习模型为前馈式机器学习模型。所述用于进行钻井误差预测的机器学习模型也可以为前馈式机器学习模型。
从上述描述可知，本申请实施例提供的钻井误差预测方法，能够对钻井误差进行预测，且能够有效提高钻井误差预测的准确性，并能够有效提高钻井误差预测过程的处理效率、自动化程度及准确性，进而能够有效提高应用该钻井误差预测结果进行钻井等石油勘探处理的准确性及可靠性，并有效节省人力、物力成本。
在一种钻井误差预测方法的实施例中，参见图2，所述钻井误差预测方法中的步骤100具体包含有如下内容：
步骤110：获取目标区域的基础资料，其中，该基础资料包括地震基础资料和测井基础资料。
步骤120：应用预设的合成地震记录标定方式和AVO趋势分析方法对所述地震基础资料进行完备性评估，得到对应的地震资料完备性评估结果，其中，所述地震资料完备性评估结果用于表示合成地震记录的相关系数和AVO趋势是否一致。
可以理解的是，振幅随偏移距的变化AVO(Amplitude variation with offset)趋势分析方法用于研究地震反射振幅随炮点与接收器之间的距离即炮检距(或入射角)的变化特征来探讨反射系数响应随炮检距(或入射角)的变化,进而确定反射界面上覆、下伏介质的岩性特征及物性参数。
步骤130：对所述测井基础资料进行完备性评估，得到对应的测井资料完备性评估结果，其中，所述测井资料完备性评估结果用于表示所述测井基础资料中是否包含有测井数据分布空间面积、测井曲线是否涵盖目的层以及测井曲线是否包含有声波曲线和密度曲线。
基于上述内容，参见图3，所述步骤120具体可以包含有如下内容：
步骤121：应用所述合成地震记录标定方式获取所述地震基础资料的合成地震记录的相关系数。
步骤122：基于所述AVO趋势分析方法获取所述地震基础资料的AVO趋势数据。
步骤123：根据所述地震基础资料的合成地震记录的相关系数和AVO趋势数据之间的一致性结果生成所述地震资料完备性评估结果。
基于上述内容，参见图4，所述步骤130具体可以包含有如下内容：
步骤131：获取所述测井基础资料对应的测井数据分布空间范围，并根据该测井数据分布空间范围确定所述测井基础资料中是否包含有测井数据分布空间面积。
步骤132：获取所述测井基础资料对应的测井曲线深度，并根据该测井曲线深度确定所述测井基础资料中的测井曲线是否涵盖目的层。
步骤133：获取所述测井基础资料对应的测井曲线类别，并根据该测井曲线类别确定所述测井基础资料中的测井曲线是否包含有声波曲线和密度曲线。
在一种钻井误差预测方法的实施例中，参见图5，在所述钻井误差预测方法中的步骤200之前还具体包含有如下内容：
步骤011：获取多份历史基础资料完备性评估结果以及对应得钻井成功性结果，其中，该钻井成功性结果用于表示钻井是否成功。
步骤012：将各个所述钻井成功性结果分别作为各个所述历史基础资料完备性评估结果对应的标签数据，以形成第一训练集。
步骤013：应用所述第一训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井成功性预测的机器学习模型。
在一种钻井误差预测方法的实施例中，参见图6，所述钻井误差预测方法中的步骤300具体包含有如下内容：
步骤310：获取目标区域的成果资料，其中，所述成果资料包括地震偏移成像结果资料和地震储层预测结果资料。
步骤320：对所述地震偏移成像结果资料进行完备性评估，得到对应的地震偏移资料完备性评估结果，其中，所述地震偏移资料完备性评估结果用于表示所述地震偏移成像结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比、以及所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数。
步骤330：对所述地震储层预测结果资料进行完备性评估，得到对应的地震储层资料完备性评估结果，其中，所述地震储层资料完备性评估结果用于表示所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比、以及所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数。
基于上述内容，参见图7，所述步骤320具体可以包含有如下内容：
步骤321：获取所述地震偏移成像成果资料对应的声波测井曲线的分布范围，并根据该声波测井曲线的分布范围确定该声波测井曲线的分布面积是否涵盖钻井目标区。
步骤322：获取所述地震偏移成像成果资料对应的声波速度与速度模型的差异，并根据该声波速度与速度模型的差异确定该所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比。
步骤323：对所述地震偏移成像成果资料对应的偏移结果和合成地震记录进行标定，以确定所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数。
基于上述内容，参见图8，所述步骤330具体可以包含有如下内容：
步骤331：获取所述地震储层预测结果资料对应的声波和密度测井曲线的分布范围，并根据该声波和密度测井曲线的分布范围确定所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区。
步骤332：获取所述地震储层预测结果资料对应的地震解释层位与测井分层吻合度，以确定所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比。
步骤333：对所述地震储层预测结果资料对应的合成地震记录进行标定，以确定所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数。
在一种钻井误差预测方法的实施例中，参见图9，在所述钻井误差预测方法中的步骤400之前还具体包含有如下内容：
步骤021：获取多份历史成果资料完备性评估结果以及对应得钻井误差结果，其中，该钻井误差结果用于表示钻井设计目标深度与实际目标深度的距离值。
步骤022：将各个所述钻井误差结果分别作为各个所述历史成果资料完备性评估结果对应的标签数据，以形成第二训练集。
步骤023：应用所述第二训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井误差预测的机器学习模型。
在一种钻井误差预测方法的实施例中，参见图10，所述钻井误差预测方法中的步骤200之后还具体包含有如下内容：
步骤500：应用当前实际钻井结果与当前基础资料完备性评估结果更新所述用于进行钻井成功性预测的机器学习模型。
所述钻井误差预测方法中的步骤400之后还具体包含有如下内容：
步骤600：应用当前实际钻井误差与当前成果资料完备性评估结果更新所述用于进行钻井误差预测的机器学习模型。
从软件层面来说，本申请提供一种用于实现所述钻井误差预测方法中全部或部分内容的钻井误差预测装置的实施例，参见图11，所述钻井误差预测装置具体包含有如下内容：
第一评估模块10，用于获取待钻井的目标区域的基础资料完备性评估结果。
钻井成功性预测模块20，用于将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中，并将该用于进行钻井成功性预测的机器学习模型的输出作为所述目标区域的钻井成功性预测结果。
第二评估模块30，用于若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果。
钻井误差预测模块40，用于将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中，并将该用于进行钻井误差预测的机器学习模型的输出作为所述目标区域的钻井误差预测结果。
本申请提供的钻井误差预测装置的实施例具体可以用于执行上述实施例中的钻井误差预测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述装置实施例的详细描述。
从上述描述可知，本申请实施例提供的钻井误差预测装置，能够对钻井误差进行预测，且能够有效提高钻井误差预测的准确性，并能够有效提高钻井误差预测过程的处理效率、自动化程度及准确性，进而能够有效提高应用该钻井误差预测结果进行钻井等石油勘探处理的准确性及可靠性，并有效节省人力、物力成本。
在一种钻井误差预测装置的实施例中，所述钻井误差预测装置中的第一评估模块10具体包含有如下内容：
第一数据获取单元，用于获取目标区域的基础资料，其中，该基础资料包括地震基础资料和测井基础资料；
地震数据评估单元，用于应用预设的合成地震记录标定方式和AVO趋势分析装置对所述地震基础资料进行完备性评估，得到对应的地震资料完备性评估结果，其中，所述地震资料完备性评估结果用于表示合成地震记录的相关系数和AVO趋势是否一致；
测井数据评估单元，用于对所述测井基础资料进行完备性评估，得到对应的测井资料完备性评估结果，其中，所述测井资料完备性评估结果用于表示所述测井基础资料中是否包含有测井数据分布空间面积、测井曲线是否涵盖目的层以及测井曲线是否包含有声波曲线和密度曲线。
在一种钻井误差预测装置的实施例中，所述钻井误差预测装置中还具体包含有如下内容：
第一模型训练模块，用于执行下述内容：
步骤011：获取多份历史基础资料完备性评估结果以及对应得钻井成功性结果，其中，该钻井成功性结果用于表示钻井是否成功。
步骤012：将各个所述钻井成功性结果分别作为各个所述历史基础资料完备性评估结果对应的标签数据，以形成第一训练集。
步骤013：应用所述第一训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井成功性预测的机器学习模型。
在一种钻井误差预测装置的实施例中，所述钻井误差预测装置中的第二评估模块30具体包含有如下内容：
第二数据获取单元，用于获取目标区域的成果资料，其中，所述成果资料包括地震偏移成像结果资料和地震储层预测结果资料；
地震偏移数据评估单元，用于对所述地震偏移成像结果资料进行完备性评估，得到对应的地震偏移资料完备性评估结果，其中，所述地震偏移资料完备性评估结果用于表示所述地震偏移成像结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比、以及所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数；
地震储层数据评估单元，用于对所述地震储层预测结果资料进行完备性评估，得到对应的地震储层资料完备性评估结果，其中，所述地震储层资料完备性评估结果用于表示所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比、以及所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数。
在一种钻井误差预测装置的实施例中，所述钻井误差预测装置中还具体包含有如下内容：
第二模型训练模块，用于执行下述内容：
步骤021：获取多份历史成果资料完备性评估结果以及对应得钻井误差结果，其中，该钻井误差结果用于表示钻井设计目标深度与实际目标深度的距离值。
步骤022：将各个所述钻井误差结果分别作为各个所述历史成果资料完备性评估结果对应的标签数据，以形成第二训练集。
步骤023：应用所述第二训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井误差预测的机器学习模型。
在一种钻井误差预测装置的实施例中，所述钻井误差预测装置中还具体包含有如下内容：
第一模型更新模块，用于应用当前实际钻井结果与当前基础资料完备性评估结果更新所述用于进行钻井成功性预测的机器学习模型。
在一种钻井误差预测装置的实施例中，所述钻井误差预测装置中还具体包含有如下内容：
第二模型更新模块，用于应用当前实际钻井误差与当前成果资料完备性评估结果更新所述用于进行钻井误差预测的机器学习模型。
为进一步说明本方案，本申请还提供一种应用钻井误差预测装置实现钻井误差预测方法的具体应用实例，以通过地震和测井处理解释结果预测钻井误差。首先获得基础资料完备性评估结果；其次配置钻井结果预测机器学习模型处理基础资料完备性评估结果的模型输入使得生成钻井结果预测的模型输出；然后获得成果资料完备性评估结果；然后配置钻井误差预测机器学习模型处理成果资料完备性评估结果的模型输入使得生成钻井误差预测的模型输出；然后将当前实际钻井结果与当前基础资料完备性评估结果作为样本输入更新钻井结果预测机器学习模型；最后将当前实际钻井误差与成果资料完备性评估结果作为样本输入更新钻井误差预测机器学习模型；能够根据地震和测井资料提供钻井误差预测结果。
首先获得基础资料完备性评估结果；其次配置钻井结果预测机器学习模型处理基础资料完备性评估结果的模型输入使得生成钻井结果预测的模型输出；然后获得成果资料完备性评估结果；然后配置钻井误差预测机器学习模型处理成果资料完备性评估结果的模型输入使得生成钻井误差预测的模型输出；然后将当前实际钻井结果与当前基础资料完备性评估结果作为样本输入更新钻井结果预测机器学习模型；最后将当前实际钻井误差与成果资料完备性评估结果作为样本输入更新钻井误差预测机器学习模型。
参见图12，获得基础资料完备性评估结果，配置钻井结果预测机器学习模型处理基础资料完备性评估结果的模型输入使得生成钻井结果预测的模型输出，若是，则获得成果资料完备性评估结果，配置钻井误差预测机器学习模型处理成果资料完备性评估结果的模型输入使得生成钻井误差预测的模型输出，将当前实际钻井误差与成果资料完备性评估结果作为样本输入更新钻井误差预测机器学习模型；若否，则将当前实际钻井误差与成果资料完备性评估结果作为样本输入更新钻井误差预测机器学习模型。具体说明如下：
(1)获得基础资料完备性评估结果，包括：
基础资料包括地震基础资料和测井基础资料；
地震基础资料的完备性通过合成地震记录标定和AVO趋势分析方法进行评估；
地震基础资料的完备性评估结果指合成地震记录的相关系数和AVO趋势是否一致；
测井基础资料的完备性通过测井数据分布空间范围、测井曲线深度、测井曲线类别进行评估；
测井基础资料的完备性评估结果指测井数据分布空间面积，测井曲线是否涵盖目的层，测井曲线是否有声波和密度曲线。
(2)配置钻井结果预测机器学习模型处理基础资料完备性评估结果的模型输入使得生成钻井结果预测的模型输出，包括：
钻井结果预测机器学习模型属于前馈式机器学习模型，该模型使用已有的钻井结果和基础资料完备性评估结果作为样本进行机器学习训练后获得；
钻井结果预测的模型输出指钻井能否获得成功，输出为是或者否。
(3)获得成果资料完备性评估结果，包括：
成果资料包括地震偏移成像结果和地震储层预测结果；
地震偏移成像成果资料的完备性通过声波测井曲线的分布范围、声波速度与速度模型的差异以及偏移结果和合成地震记录的标定进行评估；
地震偏移成像成果资料的完备性评估结果指声波测井曲线的分布面积是否涵盖钻井目标区、声波速度与速度模型的差异百分比、合成地震记录与偏移结果相关系数；
地震储层预测成果资料的完备性通过声波和密度测井曲线的分布范围、地震解释层位与测井分层吻合度以及合成地震记录的标定进行评估；
地震储层预测成果资料的完备性评估结果指声波和密度测井曲线的分布面积是否涵盖钻井目标区、地震解释层位与测井分层的误差百分比、合成地震记录与地震数据相关系数。
(4)配置钻井误差预测机器学习模型处理成果资料完备性评估结果的模型输入使得生成钻井误差预测的模型输出，包括：
钻井误差预测机器学习模型属于前馈式机器学习模型，该模型使用已有的钻井误差和成果资料完备性评估结果作为样本进行机器学习训练后获得；
钻井误差预测的模型输出指钻井设计目标深度与实际目标深度的距离。
(5)将当前实际钻井结果与当前基础资料完备性评估结果作为样本输入更新钻井结果预测机器学习模型，包括：
当前实际钻井结果可以是未曾作为样本输入进行机器学习的实际钻井结果；
当前基础资料完备性评估结果可以是未曾作为样本输入进行机器学习的基础资料完备性评估结果。
(6)将当前实际钻井误差与成果资料完备性评估结果作为样本输入更新钻井误差预测机器学习模型，包括：
当前实际钻井误差可以是本次或者近似的未曾作为样本输入进行机器学习的实际钻井误差；
当前成果资料完备性评估结果可以是本次或者近似的未曾作为样本输入进行机器学习的成果资料完备性评估结果。
从上述描述可知，本申请应用实例提供的应用钻井误差预测装置实现的钻井误差预测方法，可以利用机器学习通过地震和测井处理解释结果预测钻井误差；可以通过实际钻井结果和误差与地震、测井处理解释结果更新样本完善机器学习模型。
从硬件层面来说，本申请提供一种用于实现所述钻井误差预测方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
图13为本申请实施例的电子设备9600的装置构成的示意框图。如图13所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图13是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
在一实施例中，钻井误差预测功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：
步骤100：获取待钻井的目标区域的基础资料完备性评估结果。
步骤200：将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中，并将该用于进行钻井成功性预测的机器学习模型的输出作为所述目标区域的钻井成功性预测结果。
步骤300：若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果。
步骤400：将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中，并将该用于进行钻井误差预测的机器学习模型的输出作为所述目标区域的钻井误差预测结果。
可以理解的是，所述用于进行钻井成功性预测的机器学习模型为前馈式机器学习模型。所述用于进行钻井误差预测的机器学习模型也可以为前馈式机器学习模型。
从上述描述可知，本申请实施例提供的电子设备，能够对钻井误差进行预测，且能够有效提高钻井误差预测的准确性，并能够有效提高钻井误差预测过程的处理效率、自动化程度及准确性，进而能够有效提高应用该钻井误差预测结果进行钻井等石油勘探处理的准确性及可靠性，并有效节省人力、物力成本。
在另一个实施方式中，钻井误差预测装置可以与中央处理器9100分开配置，例如可以将钻井误差预测装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现钻井误差预测功能。
如图13所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图13中所示的所有部件；此外，电子设备9600还可以包括图13中没有示出的部件，可以参考现有技术。
如图13所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的钻井误差预测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的钻井误差预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：获取待钻井的目标区域的基础资料完备性评估结果。
步骤200：将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中，并将该用于进行钻井成功性预测的机器学习模型的输出作为所述目标区域的钻井成功性预测结果。
步骤300：若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果。
步骤400：将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中，并将该用于进行钻井误差预测的机器学习模型的输出作为所述目标区域的钻井误差预测结果。
可以理解的是，所述用于进行钻井成功性预测的机器学习模型为前馈式机器学习模型。所述用于进行钻井误差预测的机器学习模型也可以为前馈式机器学习模型。
从上述描述可知，本申请实施例提供的计算机可读存储介质，能够对钻井误差进行预测，且能够有效提高钻井误差预测的准确性，并能够有效提高钻井误差预测过程的处理效率、自动化程度及准确性，进而能够有效提高应用该钻井误差预测结果进行钻井等石油勘探处理的准确性及可靠性，并有效节省人力、物力成本。
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、装置、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(装置)、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (22)

1.一种钻井误差预测方法，其特征在于，包括：
获取待钻井的目标区域的基础资料完备性评估结果；
将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中，并将该用于进行钻井成功性预测的机器学习模型的输出作为所述目标区域的钻井成功性预测结果；
若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果；
将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中，并将该用于进行钻井误差预测的机器学习模型的输出作为所述目标区域的钻井误差预测结果。
2.根据权利要求1所述的钻井误差预测方法，其特征在于，所述获取待钻井的目标区域的基础资料完备性评估结果，包括：
获取目标区域的基础资料，其中，该基础资料包括地震基础资料和测井基础资料；
应用预设的合成地震记录标定方式和AVO趋势分析方法对所述地震基础资料进行完备性评估，得到对应的地震资料完备性评估结果，其中，所述地震资料完备性评估结果用于表示合成地震记录的相关系数和AVO趋势是否一致；
对所述测井基础资料进行完备性评估，得到对应的测井资料完备性评估结果，其中，所述测井资料完备性评估结果用于表示所述测井基础资料中是否包含有测井数据分布空间面积、测井曲线是否涵盖目的层以及测井曲线是否包含有声波曲线和密度曲线。
3.根据权利要求2所述的钻井误差预测方法，其特征在于，所述应用预设的合成地震记录标定方式和AVO趋势分析方法对所述地震基础资料进行完备性评估，得到对应的地震资料完备性评估结果，其中，所述地震资料完备性评估结果用于表示合成地震记录的相关系数和AVO趋势是否一致，包括：
应用所述合成地震记录标定方式获取所述地震基础资料的合成地震记录的相关系数；
以及，基于所述AVO趋势分析方法获取所述地震基础资料的AVO趋势数据；
根据所述地震基础资料的合成地震记录的相关系数和AVO趋势数据之间的一致性结果生成所述地震资料完备性评估结果。
4.根据权利要求2所述的钻井误差预测方法，其特征在于，所述对所述测井基础资料进行完备性评估，得到对应的测井资料完备性评估结果，其中，所述测井资料完备性评估结果用于表示所述测井基础资料中是否包含有测井数据分布空间面积、测井曲线是否涵盖目的层以及测井曲线是否包含有声波曲线和密度曲线，包括：
获取所述测井基础资料对应的测井数据分布空间范围，并根据该测井数据分布空间范围确定所述测井基础资料中是否包含有测井数据分布空间面积；
获取所述测井基础资料对应的测井曲线深度，并根据该测井曲线深度确定所述测井基础资料中的测井曲线是否涵盖目的层；
以及，获取所述测井基础资料对应的测井曲线类别，并根据该测井曲线类别确定所述测井基础资料中的测井曲线是否包含有声波曲线和密度曲线。
5.根据权利要求1所述的钻井误差预测方法，其特征在于，所述用于进行钻井成功性预测的机器学习模型为前馈式机器学习模型。
6.根据权利要求1所述的钻井误差预测方法，其特征在于，在所述将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中之前，还包括：
获取多份历史基础资料完备性评估结果以及对应得钻井成功性结果，其中，该钻井成功性结果用于表示钻井是否成功；
将各个所述钻井成功性结果分别作为各个所述历史基础资料完备性评估结果对应的标签数据，以形成第一训练集；
应用所述第一训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井成功性预测的机器学习模型。
7.根据权利要求1所述的钻井误差预测方法，其特征在于，所述若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果，包括：
获取目标区域的成果资料，其中，所述成果资料包括地震偏移成像结果资料和地震储层预测结果资料；
对所述地震偏移成像结果资料进行完备性评估，得到对应的地震偏移资料完备性评估结果，其中，所述地震偏移资料完备性评估结果用于表示所述地震偏移成像结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比、以及所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数；
对所述地震储层预测结果资料进行完备性评估，得到对应的地震储层资料完备性评估结果，其中，所述地震储层资料完备性评估结果用于表示所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比、以及所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数。
8.根据权利要求7所述的钻井误差预测方法，其特征在于，所述对所述地震偏移成像结果资料进行完备性评估，得到对应的地震偏移资料完备性评估结果，其中，所述地震偏移资料完备性评估结果用于表示所述地震偏移成像结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比、以及所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数，包括：
获取所述地震偏移成像成果资料对应的声波测井曲线的分布范围，并根据该声波测井曲线的分布范围确定该声波测井曲线的分布面积是否涵盖钻井目标区；
获取所述地震偏移成像成果资料对应的声波速度与速度模型的差异，并根据该声波速度与速度模型的差异确定该所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比；
对所述地震偏移成像成果资料对应的偏移结果和合成地震记录进行标定，以确定所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数。
9.根据权利要求7所述的钻井误差预测方法，其特征在于，所述对所述地震储层预测结果资料进行完备性评估，得到对应的地震储层资料完备性评估结果，其中，所述地震储层资料完备性评估结果用于表示所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比、以及所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数，包括：
获取所述地震储层预测结果资料对应的声波和密度测井曲线的分布范围，并根据该声波和密度测井曲线的分布范围确定所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区；
获取所述地震储层预测结果资料对应的地震解释层位与测井分层吻合度，以确定所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比；
对所述地震储层预测结果资料对应的合成地震记录进行标定，以确定所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数。
10.根据权利要求1所述的钻井误差预测方法，其特征在于，所述用于进行钻井误差预测的机器学习模型为前馈式机器学习模型。
11.根据权利要求1所述的钻井误差预测方法，其特征在于，在所述将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中之前，还包括：
获取多份历史成果资料完备性评估结果以及对应得钻井误差结果，其中，该钻井误差结果用于表示钻井设计目标深度与实际目标深度的距离值；
将各个所述钻井误差结果分别作为各个所述历史成果资料完备性评估结果对应的标签数据，以形成第二训练集；
应用所述第二训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井误差预测的机器学习模型。
12.根据权利要求1所述的钻井误差预测方法，其特征在于，还包括：
应用当前实际钻井结果与当前基础资料完备性评估结果更新所述用于进行钻井成功性预测的机器学习模型。
13.根据权利要求1所述的钻井误差预测方法，其特征在于，还包括：
应用当前实际钻井误差与当前成果资料完备性评估结果更新所述用于进行钻井误差预测的机器学习模型。
14.一种钻井误差预测装置，其特征在于，包括：
第一评估模块，用于获取待钻井的目标区域的基础资料完备性评估结果；
钻井成功性预测模块，用于将所述基础资料完备性评估结果输入预设的用于进行钻井成功性预测的机器学习模型中，并将该用于进行钻井成功性预测的机器学习模型的输出作为所述目标区域的钻井成功性预测结果；
第二评估模块，用于若根据所述目标区域的钻井成功性预测结果显示在该目标区域钻井能够成功，则获取该目标区域的成果资料完备性评估结果；
钻井误差预测模块，用于将所述成果资料完备性评估结果输入预设的用于进行钻井误差预测的机器学习模型中，并将该用于进行钻井误差预测的机器学习模型的输出作为所述目标区域的钻井误差预测结果。
15.根据权利要求14所述的钻井误差预测装置，其特征在于，所述第一评估模块包括：
第一数据获取单元，用于获取目标区域的基础资料，其中，该基础资料包括地震基础资料和测井基础资料；
地震数据评估单元，用于应用预设的合成地震记录标定方式和AVO趋势分析方法对所述地震基础资料进行完备性评估，得到对应的地震资料完备性评估结果，其中，所述地震资料完备性评估结果用于表示合成地震记录的相关系数和AVO趋势是否一致；
测井数据评估单元，用于对所述测井基础资料进行完备性评估，得到对应的测井资料完备性评估结果，其中，所述测井资料完备性评估结果用于表示所述测井基础资料中是否包含有测井数据分布空间面积、测井曲线是否涵盖目的层以及测井曲线是否包含有声波曲线和密度曲线。
16.根据权利要求14所述的钻井误差预测装置，其特征在于，还包括：第一模型训练模块，用于执行下述内容：
获取多份历史基础资料完备性评估结果以及对应得钻井成功性结果，其中，该钻井成功性结果用于表示钻井是否成功；
将各个所述钻井成功性结果分别作为各个所述历史基础资料完备性评估结果对应的标签数据，以形成第一训练集；
应用所述第一训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井成功性预测的机器学习模型。
17.根据权利要求14所述的钻井误差预测装置，其特征在于，所述第二评估模块包括：
第二数据获取单元，用于获取目标区域的成果资料，其中，所述成果资料包括地震偏移成像结果资料和地震储层预测结果资料；
地震偏移数据评估单元，用于对所述地震偏移成像结果资料进行完备性评估，得到对应的地震偏移资料完备性评估结果，其中，所述地震偏移资料完备性评估结果用于表示所述地震偏移成像结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震偏移成像结果资料是否包含有声波速度与速度模型的差异百分比、以及所述地震偏移成像结果资料中是否包含有合成地震记录与偏移结果相关系数；
地震储层数据评估单元，用于对所述地震储层预测结果资料进行完备性评估，得到对应的地震储层资料完备性评估结果，其中，所述地震储层资料完备性评估结果用于表示所述地震储层预测结果资料中的声波测井曲线的分布面积是否涵盖钻井目标区、所述地震储层预测结果资料中是否包含有声波速度与速度模型的差异百分比、以及所述地震储层预测结果资料中是否包含有合成地震记录与偏移结果相关系数。
18.根据权利要求14所述的钻井误差预测装置，其特征在于，还包括：第二模型训练模块，用于执行下述内容：
获取多份历史成果资料完备性评估结果以及对应得钻井误差结果，其中，该钻井误差结果用于表示钻井设计目标深度与实际目标深度的距离值；
将各个所述钻井误差结果分别作为各个所述历史成果资料完备性评估结果对应的标签数据，以形成第二训练集；
应用所述第二训练集对预设的前馈式机器学习模型进行模型训练，以得到所述用于进行钻井误差预测的机器学习模型。
19.根据权利要求14所述的钻井误差预测装置，其特征在于，还包括：第一模型更新模块，用于应用当前实际钻井结果与当前基础资料完备性评估结果更新所述用于进行钻井成功性预测的机器学习模型。
20.根据权利要求14所述的钻井误差预测装置，其特征在于，还包括：第二模型更新模块，用于应用当前实际钻井误差与当前成果资料完备性评估结果更新所述用于进行钻井误差预测的机器学习模型。
21.一种电子设备，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程序时实现权利要求1至13任一项所述的钻井误差预测方法。
22.一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，该计算机程序被处理器执行时实现权利要求1至13任一项所述的钻井误差预测方法。
CN202010903237.6A 2020-09-01 2020-09-01 钻井误差预测方法及装置 Active CN114198096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010903237.6A CN114198096B (zh) 2020-09-01 2020-09-01 钻井误差预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010903237.6A CN114198096B (zh) 2020-09-01 2020-09-01 钻井误差预测方法及装置

Publications (2)

Publication Number Publication Date
CN114198096A true CN114198096A (zh) 2022-03-18
CN114198096B CN114198096B (zh) 2023-09-26

Family

ID=80644397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010903237.6A Active CN114198096B (zh) 2020-09-01 2020-09-01 钻井误差预测方法及装置

Country Status (1)

Country Link
CN (1) CN114198096B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007071196A1 (fr) * 2005-12-22 2007-06-28 Xinping Chen Procede d'exploration directe de gisements de petrole, de gaz naturel et de gaz de houille
CN101986172A (zh) * 2010-10-15 2011-03-16 中国石油化工股份有限公司 一种根据实际钻井轨迹校正vsp下行波的处理方法
CN102323620A (zh) * 2011-07-29 2012-01-18 中国石油化工股份有限公司 一种利用钻井轨迹校正vsp上行波的方法
CN102411155A (zh) * 2011-07-29 2012-04-11 中国石油化工股份有限公司 一种利用钻井轨迹校正vsp下行透射转换波的处理方法
CN105425292A (zh) * 2015-11-20 2016-03-23 中国石油天然气集团公司 一种油气预测方法及装置
WO2016041189A1 (zh) * 2014-09-19 2016-03-24 杨顺伟 一种评价页岩气储层及寻找甜点区的方法
US20160349389A1 (en) * 2015-05-29 2016-12-01 Cgg Services Sa Method for developing a geomechanical model based on seismic data, well logs and sem analysis of horizontal and vertical drill cuttings
US20200088897A1 (en) * 2018-09-14 2020-03-19 Bp Corporation North America Inc. Machine Learning-Based Analysis of Seismic Attributes
CN111060986A (zh) * 2019-10-18 2020-04-24 中国石油化工股份有限公司 一种地层压力预测方法及岩性油藏评价方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007071196A1 (fr) * 2005-12-22 2007-06-28 Xinping Chen Procede d'exploration directe de gisements de petrole, de gaz naturel et de gaz de houille
CN101986172A (zh) * 2010-10-15 2011-03-16 中国石油化工股份有限公司 一种根据实际钻井轨迹校正vsp下行波的处理方法
CN102323620A (zh) * 2011-07-29 2012-01-18 中国石油化工股份有限公司 一种利用钻井轨迹校正vsp上行波的方法
CN102411155A (zh) * 2011-07-29 2012-04-11 中国石油化工股份有限公司 一种利用钻井轨迹校正vsp下行透射转换波的处理方法
WO2016041189A1 (zh) * 2014-09-19 2016-03-24 杨顺伟 一种评价页岩气储层及寻找甜点区的方法
US20160349389A1 (en) * 2015-05-29 2016-12-01 Cgg Services Sa Method for developing a geomechanical model based on seismic data, well logs and sem analysis of horizontal and vertical drill cuttings
CN105425292A (zh) * 2015-11-20 2016-03-23 中国石油天然气集团公司 一种油气预测方法及装置
US20200088897A1 (en) * 2018-09-14 2020-03-19 Bp Corporation North America Inc. Machine Learning-Based Analysis of Seismic Attributes
CN111060986A (zh) * 2019-10-18 2020-04-24 中国石油化工股份有限公司 一种地层压力预测方法及岩性油藏评价方法

Also Published As

Publication number Publication date
CN114198096B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN110750928A (zh) 有限元模型优化方法、装置及电子设备
CN107770151A (zh) 一种企业集成办公管理系统及其方法
CN110749609A (zh) 地下岩石的弹性力学数据确定方法、装置、系统和介质
US10908308B1 (en) System and method for building reservoir property models
CN114198096B (zh) 钻井误差预测方法及装置
CN114114392A (zh) 层速度模型建立方法及装置
CN112255679B (zh) 地震资料绕射深度偏移处理方法及装置
WO2021057773A1 (zh) 一种双相介质的油气储层预测方法及装置
CN113960655B (zh) 地震数据样本更新方法及系统
CN113960654A (zh) 地震数据处理方法及系统
CN114510468A (zh) 数据处理方法及计算机程序产品
CN113010416A (zh) 银行柜面交易自动化测试方法及装置
CN114442169B (zh) 地震资料中近源信号压制方法及装置
CN112379433A (zh) 基于双井微测井数据的近地表品质因子获取方法及装置
CN113622901A (zh) 页岩油储层品质分析方法、装置、设备及介质
CN113933901A (zh) 深度域地震数据拼接方法及装置
CN112684506B (zh) 地震响应特征的分析方法、装置、电子设备及介质
CN112596102A (zh) 油藏渗流特征参数的地球物理预测方法、装置及介质
CN110765680A (zh) 工程结构智能损伤识别方法、装置及电子设备
CN116644799B (zh) 基于隧道掘进参数的地层振动加速度预测方法及相关装置
CN112363225A (zh) 横波微测井解释方法及装置
CN112415594A (zh) 激发因素确定方法及装置
CN113970783B (zh) 碳酸盐岩储层的预测方法及装置
CN114692462B (zh) 一种基于岩石力学性质的裂缝主要形成期预测方法以及装置
CN111158744B (zh) 跨平台异构数据的整合方法及装置

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