CN114492757A - 模型训练方法、测井信息预测方法、装置和设备 - Google Patents
模型训练方法、测井信息预测方法、装置和设备 Download PDFInfo
- Publication number
- CN114492757A CN114492757A CN202210111450.2A CN202210111450A CN114492757A CN 114492757 A CN114492757 A CN 114492757A CN 202210111450 A CN202210111450 A CN 202210111450A CN 114492757 A CN114492757 A CN 114492757A
- Authority
- CN
- China
- Prior art keywords
- sample data
- logging information
- prediction model
- information prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 title claims abstract description 24
- 239000000523 sample Substances 0.000 claims abstract description 114
- 238000005553 drilling Methods 0.000 claims abstract description 108
- 239000013074 reference sample Substances 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 20
- 230000015572 biosynthetic process Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 239000012530 fluid Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000035515 penetration Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of 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
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供了一种模型训练方法、测井信息预测方法、装置和设备,获取样本数据集,包括与钻进深度相对应的样本数据,样本数据包括特征数据和标签数据,特征数据包括钻井参数,标签数据包括测井信息;计算各样本数据与参考样本数据之间的距离,将特征数据输入至测井信息预测模型,得到输出结果;根据输出结果、距离以及标签数据,计算损失信息;根据损失信息确定预测模型的参数。本申请还提供了一种测井信息预测方法,将钻井参数输入至测井信息预测模型,输出测井信息预测值。可见本申请实现了建立测井信息预测模型及预测测井信息的目的。
Description
技术领域
本申请涉及石油天然气勘探开发技术领域,更具体的,涉及一种测井过程中测井信息预测模型训练以及测井信息预测的方法、装置和设备。
背景技术
在石油天然气的勘探、开发过程中,钻井之后必须进行测井,以便获得岩石的地球物理信息,特别是钻头位置处的测井信息,对降低钻井风险和提高钻井效率具有重要意义。
在实际作业过程中,常采用随钻测井技术探测地层信息,一边钻井一边测井,可以同时获得钻井参数和测井信息。钻机钻凿时,通过地面传感器测得钻机的钻井参数,包括深度、钻压、转速、大钩载荷、入口流量、泵压、钻井液密度、机械钻速、转盘扭矩等。通过安装在钻头上方8-20m的测井传感器,测得测井信息,包括自然伽马、声波时差、地层密度等。
由于测井传感器在钻头上方8-20m,和钻头有一定距离,实时测得的测井信息无法代表钻头位置处的地层测井信息,在变化较快的地层,测量误差较大,可能误导地面决策。
发明内容
本申请的目的是提供一种测井信息预测模型训练以及测井信息预测的方法、装置和设备,能够建立测井信息预测模型,实时预测测井信息,一定程度上减少测井传感器由于安装位置产生的测量误差。
为实现上述目的,本申请提供一种测井信息预测模型训练方法,包括以下步骤:获取样本数据集,所述样本数据集包括与钻进深度相对应的样本数据,所述样本数据包括特征数据和标签数据,所述特征数据包括钻井参数,所述标签数据包括测井信息;在所述样本数据集中,分别计算各样本数据与参考样本数据之间的距离,所述参考样本数据为所述样本数据集中对应钻进深度最深的样本数据;将样本数据中的特征数据输入至测井信息预测模型,得到输出结果;根据输出结果、距离以及标签数据,利用损失函数计算损失信息;根据损失信息确定测井信息预测模型的参数。
为实现上述目的,本申请还提供了一种测井信息预测方法,包括:将采集的钻井参数输入至测井信息预测模型,获得测井信息预测值;
为实现上述目的,本申请还提供了一种测井信息预测模型训练装置,包括:获取单元,用于获取样本数据集,所述样本数据集包括与钻进深度相对应的样本数据,所述样本数据包括特征数据和标签数据,所述特征数据包括钻井参数,所述标签数据包括测井信息;第一计算单元,用于分别计算各样本数据与参考样本数据之间的距离,所述参考样本数据为所述样本数据集中对应钻进深度最深的样本数据;输入单元,用于将样本数据中的特征数据输入至测井信息预测模型,得到输出结果;第二计算单元,用于根据输出结果、距离以及标签数据,利用损失函数计算损失信息;确定单元,用于根据损失信息确定测井信息预测模型的参数。
为实现上述目的,本申请还提供了一种测井信息预测装置,包括:输入单元,用于将采集的钻井参数输入至测井信息预测模型,获得测井信息预测值;
为实现上述目的,本申请还提供了一种计算机设备,包括:存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现测井信息预测模型训练方法的步骤。
由上可见,在本申请中,基于钻井参数和测井信息训练测井信息预测模型,计算各样本数据与参考样本数据之间的距离,根据距离计算损失信息,根据损失信息确定测井信息预测模型的参数,提高了测井信息预测模型的精度,能在钻井过程中实时预测测井信息,一定程度上减少了测井传感器由于安装位置产生的测量误差,有助于地面决策。
附图说明
为了更清楚地说明本说明书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,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的测井信息预测模型训练方法的流程图;
图2为本申请提供的测井信息滤波示意图;
图3为本申请提供的预测自然伽马的神经网络模型示意图;
图4为本申请提供的预测声波时差的神经网络模型示意图;
图5为本申请提供的预测地层密度的神经网络模型示意图;
图6为本申请提供的某钻井过程中实时预测自然伽马示意图;
图7为本申请提供的某钻井过程中实时预测声波时差示意图;
图8为本申请提供的某钻井过程中实时预测地层密度示意图;
图9为本申请提供的测井信息预测模型训练装置示意图;
图10为本申请提供的测井信息预测装置示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
本申请实施例提供了一种测井信息预测模型训练方法,请参阅图1对应的流程图,具体如下:
步骤S11、获取样本数据集,所述样本数据集包括与钻进深度相对应的样本数据,所述样本数据包括特征数据和标签数据,所述特征数据包括钻井参数,所述标签数据包括测井信息。
在一些实施例中,所述样本数据集中可以包括一个或多个样本数据。所述样本数据可以包括特征数据和标签数据。特征数据是测井信息预测模型的输入变量,可以理解为自变量。标签数据是预测对象,可以理解为因变量,也可以理解为测井信息预测模型的期望输出值。所述特征数据可以包括钻井参数。所述钻井参数可以包括深度、钻压、转速、排量、泵压、大钩载荷、机械转速、扭矩、钻井液密度等。所述标签数据可以包括测井信息。所述测井信息可以包括自然伽马、声波时差、地层密度等。
所述样本数据可以对应有钻进深度。各个样本数据对应的钻进深度可以形成等差数列。
例如,所述样本数据集可以以表格的形式呈现。请参照表格1,每一行代表一个样本数据,共有38个样本数据。每一个样本数据代表钻头所钻进深度处的各种物理数据。第一行样本数据代表钻进深度5900.03m处,钻压12.19KN,转速48.00rpm,排量1704.67L/min,泵压21.08Mpa,大钩载荷212.15kN,机械钻速3.86m/h,扭矩69.00kN.m,钻井液密度1.29g/cm3,自然伽马71.26gAPI,声波时差65.92us/ft,地层密度2.59g/cm3。另外,在每一行样本数据中,深度、钻压、转速、排量、泵压、大钩载荷、机械转速、扭矩、钻井液密度等钻井参数为特征数据,自然伽马、声波时差、地层密度等测井信息为标签数据。可以对表格中的数据进行一次预处理,使各个样本数据对应的钻进深度形成等差数列。例如,公差0.02m时,钻进深度形成的等差数列可以是[5900.03,5900.05,5900.07,5900.09,5900.11,…5900.33]。
深度 | 钻压 | 转速 | 排量 | 泵压 | 大钩载荷 | 机械钻速 | 扭矩 | 钻井液密度 | 自然伽马 | 声波时差 | 密度 |
m | kN | rpm | L/min | Mpa | kN | m/h | kN.m | g/cm3 | gAPI | us/ft | g/cm3 |
5900.03 | 12.19 | 48.00 | 1704.67 | 21.08 | 212.15 | 3.86 | 69.00 | 1.29 | 71.46 | 65.92 | 2.59 |
5900.03 | 12.19 | 48.00 | 1697.57 | 21.13 | 212.15 | 3.79 | 69.00 | 1.30 | 71.51 | 65.92 | 2.59 |
5900.04 | 12.19 | 48.00 | 1703.72 | 21.12 | 211.85 | 3.50 | 69.00 | 1.29 | 71.56 | 65.91 | 2.59 |
5900.04 | 12.19 | 48.00 | 1702.78 | 21.18 | 211.66 | 3.86 | 69.00 | 1.29 | 71.60 | 65.91 | 2.59 |
5900.05 | 12.20 | 48.00 | 1704.20 | 21.07 | 211.75 | 3.86 | 69.00 | 1.29 | 71.65 | 65.90 | 2.59 |
5900.05 | 12.20 | 48.00 | 1690.94 | 21.22 | 211.81 | 3.79 | 69.00 | 1.30 | 71.70 | 65.89 | 2.59 |
5900.06 | 12.21 | 48.00 | 1704.20 | 21.26 | 211.89 | 8.17 | 69.00 | 1.29 | 71.74 | 65.89 | 2.59 |
5900.06 | 12.21 | 48.00 | 1705.15 | 21.23 | 211.96 | 3.86 | 69.00 | 1.29 | 71.79 | 65.88 | 2.59 |
5900.07 | 12.21 | 48.00 | 1701.36 | 21.20 | 212.20 | 3.86 | 69.00 | 1.30 | 71.84 | 65.88 | 2.59 |
5900.07 | 12.22 | 48.00 | 1707.99 | 21.21 | 212.17 | 3.79 | 69.00 | 1.30 | 71.89 | 65.87 | 2.59 |
5900.08 | 12.22 | 48.00 | 1705.15 | 21.46 | 212.54 | 3.50 | 69.00 | 1.29 | 71.93 | 65.86 | 2.59 |
5900.08 | 12.22 | 48.00 | 1698.52 | 21.33 | 212.47 | 3.86 | 69.00 | 1.29 | 71.98 | 65.86 | 2.59 |
5900.09 | 12.22 | 48.00 | 1705.62 | 21.33 | 212.63 | 7.64 | 69.00 | 1.31 | 72.08 | 65.85 | 2.59 |
5900.10 | 12.23 | 48.00 | 1706.09 | 21.29 | 212.41 | 3.86 | 69.00 | 1.29 | 72.13 | 65.84 | 2.59 |
5900.13 | 12.23 | 48.00 | 1705.62 | 20.94 | 212.47 | 43.17 | 69.00 | 1.30 | 72.42 | 65.83 | 2.59 |
5900.14 | 12.23 | 48.00 | 1703.25 | 21.22 | 212.11 | 7.64 | 69.00 | 1.29 | 72.53 | 65.82 | 2.59 |
5900.15 | 12.24 | 48.00 | 1707.04 | 21.00 | 211.93 | 7.36 | 69.00 | 1.28 | 72.65 | 65.82 | 2.59 |
5900.15 | 12.24 | 48.00 | 1705.62 | 20.88 | 212.10 | 3.86 | 69.00 | 1.29 | 72.71 | 65.81 | 2.59 |
5900.16 | 12.24 | 48.00 | 1706.57 | 20.95 | 212.19 | 3.79 | 69.00 | 1.29 | 72.77 | 65.81 | 2.59 |
5900.17 | 12.18 | 48.00 | 1704.67 | 21.02 | 211.94 | 7.36 | 69.00 | 1.30 | 72.88 | 65.81 | 2.59 |
5900.18 | 12.13 | 48.00 | 1700.88 | 21.24 | 212.29 | 7.64 | 69.00 | 1.28 | 73.00 | 65.80 | 2.59 |
5900.18 | 12.19 | 48.00 | 1705.62 | 21.00 | 211.93 | 3.86 | 69.00 | 1.30 | 73.06 | 65.80 | 2.59 |
5900.19 | 12.19 | 48.00 | 1707.51 | 20.97 | 212.12 | 3.50 | 69.00 | 1.30 | 73.12 | 65.80 | 2.59 |
5900.19 | 12.25 | 48.00 | 1707.04 | 20.97 | 212.09 | 3.79 | 69.00 | 1.30 | 73.17 | 65.79 | 2.59 |
5900.20 | 12.25 | 48.00 | 1706.57 | 21.09 | 212.11 | 3.86 | 69.00 | 1.29 | 73.23 | 65.79 | 2.59 |
5900.21 | 12.26 | 48.00 | 1673.42 | 20.90 | 211.95 | 7.71 | 70.00 | 1.30 | 73.22 | 65.79 | 2.59 |
5900.21 | 12.27 | 48.00 | 1708.46 | 21.02 | 212.00 | 16.00 | 70.00 | 1.28 | 73.21 | 65.79 | 2.59 |
5900.23 | 12.20 | 48.00 | 1706.09 | 21.26 | 211.90 | 7.71 | 69.00 | 1.29 | 73.19 | 65.79 | 2.59 |
5900.23 | 12.26 | 48.00 | 1707.51 | 21.00 | 211.88 | 3.86 | 70.00 | 1.30 | 73.18 | 65.79 | 2.59 |
5900.24 | 12.26 | 48.00 | 1704.20 | 21.24 | 212.48 | 7.29 | 70.00 | 1.29 | 73.16 | 65.79 | 2.59 |
5900.25 | 12.26 | 48.00 | 1686.20 | 21.03 | 212.12 | 7.71 | 70.00 | 1.29 | 73.14 | 65.79 | 2.59 |
5900.26 | 12.13 | 48.00 | 1706.57 | 21.11 | 212.44 | 7.29 | 69.00 | 1.29 | 73.12 | 65.79 | 2.59 |
5900.27 | 12.19 | 48.00 | 1705.62 | 21.06 | 212.34 | 7.00 | 69.00 | 1.29 | 73.10 | 65.79 | 2.59 |
5900.29 | 12.13 | 48.00 | 1672.95 | 21.04 | 212.33 | 14.29 | 69.00 | 1.29 | 73.06 | 65.79 | 2.59 |
5900.31 | 12.19 | 48.00 | 1707.04 | 21.24 | 211.69 | 10.43 | 69.00 | 1.29 | 72.93 | 65.79 | 2.59 |
5900.31 | 12.20 | 48.00 | 1706.57 | 21.04 | 211.49 | 3.50 | 69.00 | 1.30 | 72.85 | 65.79 | 2.59 |
5900.32 | 12.26 | 48.00 | 1704.20 | 20.93 | 211.73 | 7.36 | 70.00 | 1.29 | 72.68 | 65.79 | 2.59 |
5900.33 | 12.26 | 48.00 | 1707.04 | 21.23 | 211.64 | 3.50 | 70.00 | 1.29 | 72.60 | 65.78 | 2.59 |
表格1
在一些实施例中,可以采集已钻井段的钻井参数和测井信息。可以根据钻井参数和测井信息,构建样本数据集。已钻井段是待预测井段已完成的部分。可以使用地面钻井传感器采集已钻井段的钻井参数,可以使用随钻测井传感器采集已钻井段的测井信息。其中,所述地面钻井传感器包括距离传感器、钻压传感器、转盘转速传感器、大钩载荷传感器、入口流量传感器、泵压传感器、钻井液密度传感器、机械钻速传感器、转盘扭矩传感器等。所述测井传感器包括自然伽马传感器、声波时差传感器、密度传感器等。
在一些实施例中,可以对采集的测井信息进行预处理。可以根据钻井参数和预处理后的测井信息,构建样本数据集。所述预处理包括高斯平滑处理。高斯平滑处理是对测井信息进行加权平均的过程。每一个测井信息,由其本身和邻域内的其他测井信息经过加权平均后得到。处理前后的自然伽马、声波时差和地层密度曲线,可以参照图2。通过高斯平滑处理,去除了测井信息中的干扰。与其他方法如五点法、七点法和中值滤波相比,高斯平滑处理的效果最好。
所述预处理还包括,样本数据清洗。构建一个等差数列H,H代表钻进深度,H的最小值可以是已钻井段深度最小值,最大值可以是已钻井段深度最大值。利用插值法计算钻进深度对应处的钻井参数和测井信息,获得钻进深度对应处的样本数据以及样本数据集。具体的,可以选择的插值方法有线性插值等。
例如,表格1中,深度5900.03m处,对应两个样本数据,还对应两个不同的排量、泵压、机械钻速。这在逻辑上是不合理的。可以构建一组等差数列[5900.03,5900.05,5900.07,5900.09,5900.11,…5900.33],作为钻进深度。其中,钻进深度5900.11m处对应的钻井参数,可以利用钻进深度5900.10m和钻进深度5900.13处的钻井参数,通过线性插值法计算得到。钻进深度5900.11m处对应的测井信息,可以利用钻进深度5900.10m和钻进深度5900.13处的测井信息,通过线性插值法计算得到。其他钻进深度对应处的钻井参数和测井信息可以采用同样的方法获得。通过样本数据清洗,可以去除无效数据或重复数据,并补充缺失的数据,使样本数据具有一致性
所述预处理还包括,归一化处理。可以对样本数据集中的钻井参数和测井信息分别进行归一化处理,以消除各类数据量级不同的影响。具体的,可以通过线性变换,将数值映射到[0,1]之间。
步骤S12、在所述样本数据集中,分别计算各样本数据与参考样本数据之间的距离,所述参考样本数据为所述样本数据集中对应钻进深度最深的样本数据。
由于钻井过程中,越靠近待预测点,测井信息同钻井参数的关系,与待预测点处测井信息同钻井参数的关系越相似。因此测井信息预测模型的训练可以结合样本数据距离的影响,从而提高测井信息预测模型的精度。
在一些实施例中,如前所述,所述样本数据集中的样本数据可以对应有钻进深度。为此,可以从所述样本数据集中选择对应钻进深度最大的样本数据作为参考样本数据。可以分别计算各样本数据与参考样本数据之间的距离,距离等于最大钻进深度减去各样本数据对应的钻进深度。
例如,表格1中,样本数据集中样本数据对应的钻进深度是逐行增加的,待预测点对应后续作业中的钻进深度。这种情况下,最大的钻进深度是5900.33m。5900.33m处对应的样本数据与待预测点最近。参考样本数据为深度5900.33m对应的样本数据。其中,钻进深度D对应的样本数据与参考样本数据之间的距离是:5900.33-D。
步骤S13、将样本数据中的特征数据输入至测井信息预测模型,得到输出结果。
在一些实施例中,测井信息预测模型可以是逻辑回归预测模型、神经网络模型等高维、非线性回归模型的一种。例如,所述测井信息预测模型可以是神经网络模型,所述神经网络模型可以包括输入层、隐含层和输出层。所述输入层神经元个数可以为9个,输出层神经元个数可以为1个,隐含层的数量可以为多个。参照图3、图4、图5,分别为自然伽马神经网络预测模型、声波时差神经网络预测模型、地层密度神经网络预测模型。
9个特征数据:深度、钻压、转速、大钩载荷、入口流量、泵压、钻井液密度、机械钻速、转盘扭矩,分别从自然伽马神经网络预测模型、声波时差神经网络预测模型、地层密度神经网络预测模型的输入层输入,经过隐含层的计算,由各自输出层神经元计算得到输出结果。输出结果分别为自然伽马、声波时差、地层密度。
步骤S14、根据输出结果、距离以及标签数据,利用损失函数计算损失信息。
在一些实施例中,损失函数可以是一种均方根误差函数。公式包括:
di为编号为i的样本数据与参考样本数据之间的距离。k,D为模型系数,用于调整di同wi间的影响关系。
将步骤S13的输出结果、距离权重系数以及标签数据代入到损失函数中,计算得到损失信息。
步骤S15、根据损失信息确定测井信息预测模型的参数。
在一些实施例中,通过使损失信息最小化,来求解测井信息预测模型参数值。例如,利用神经网络建立的测井信息预测模型,在设定神经网络隐含层层数、每个隐含层节点数、迭代次数和激活函数后,可以根据一种梯度下降法修正神经网络的权值和阀值,以使输出层神经元的损失信息最小。当损失信息最小或达到迭代次数训练结束,神经网络的权值、阀值、确定为测井信息预测模型的参数。
在一些实施例中,在所述样本数据中可以包含一种或者多种标签数据。所述测井信息预测模型的数量可以为一个或多个。每个测井信息预测模型对应一种标签数据。例如,在所述样本数据中可以包含自然伽马、声波时差、地层密度等标签数据。所述测井信息预测模型包括自然伽马神经网络预测模型、声波时差神经网络预测模型、地层密度神经网络预测模型等。
在步骤S13中,可以将样本数据中的特征数据输入至所述一个或多个测井信息预测模型,得到一种或者多种输出结果,每种输出结果对应一种标签数据。在步骤S14中,针对每种输出结果,可以根据该种输出结果、距离以及相应种类的标签数据,利用损失函数计算相应种类的损失信息。在步骤S15中,针对每种损失信息,可以确定相应种类的测井信息预测模型的参数。这样通过步骤S11-步骤S15,便可以获得一种或多种测井信息预测模型。
在一些实施例中,为提高训练的性能和效果,训练之前,优化测井信息预测模型超参数。例如,神经网络模型的超参数包括隐含层层数、每个隐含层节点数、迭代次数和激活函数。计算比较不同超参数下的损失信息,以损失信息最小的神经网络超参数组合为最优。具体的,可以选择的超参数优化方法有网格搜索、随机搜索和贝叶斯优化方法。进一步的,为保证模型超参数的泛化能力,采用K折交叉验证法计算不同超参数下的损失信息。具体的,将样本数据集分成k份,轮流将k-1份样本数据集作为训练集,剩下一份样本数据集作为验证集,将k次迭代的损失信息平均值作为相应超参数下的损失信息,以损失信息最小作为超参数的选择依据。损失信息公式包括:
RMSE_cv为交叉验证的损失信息,k为交叉验证的次数,RMSEi为第i次交叉验证的损失信息。
在一些实施例中,测井信息预测模型可以进行校正。校正测井信息预测模型就是重新确定测井信息预测模型的参数。由于测井过程中获取的数据量很大,而现有设备的计算能力有限,无法每增加一条样本就重新确定一次模型的参数。为保证模型的精度,设定一定的计算间隔。当钻头深度增加值超过设定的计算间隔,基于采集更新的钻井参数和测井信息,重新确定一次测井信息预测模型的参数。进一步的,设定计算间隔实时校正机制。例如,设定计算间隔为5m。作业中利用已建立的测井信息预测模型预测测井信息。当钻进深度增加5m后,则基于采集更新的钻井参数和测井信息,重新确定测井信息预测模型的参数。利用重新确定的模型对后续作业中的测井信息进行预测。若模型预测精度较好,可增加计算间隔,若模型预测精度较差,可缩短计算间隔。
本申请提供了一种测井信息预测模型训练方法,基于钻井参数和测井信息训练测井信息预测模型,计算各样本数据与参考样本数据之间的距离,根据输出结果、距离和标签数据,利用损失函数计算损失信息,根据损失信息确定测井信息预测模型的参数,提高了测井信息预测模型的精度,为测井信息预测提供了条件。
本申请实施例提供了一种测井信息预测方法,包括,将采集的钻井参数输入至测井信息预测模型,获得测井信息预测值。进一步的,为提高模型预测结果的精度,还包括校正测井信息预测值。采用的公式包括:
在一些实施例中,实时采集包括钻头位置处的钻井参数,进行归一化处理后,输入测井信息预测模型。测井信息预测模型输出值进行反归一化处理后,获得包括钻头位置处的测井信息。
在一些实施例中,所述测井信息预测模型的数量可以为一个或多个。可以将采集的钻井参数输入至所述一个或多个测井信息预测模型,得到一种或者多种测井信息预测值。例如,参照图6、图7和图8所示,所述测井信息预测模型可以包括自然伽马神经网络预测模型、声波时差神经网络预测模型、地层密度神经网络预测模型。可以将钻井参数分别输入至自然伽马神经网络预测模型、声波时差神经网络预测模型以及地层密度神经网络预测模型后,获得自然伽马预测值、声波时差预测值以及地层密度预测值。
在一些实施例中,为便于读取测井信息预测值和观察实时地层测井信息变化趋势,输出的模型预测值以文本和曲线形式进行可视化显示。
本申请提供了一种测井信息预测方法,将采集的钻井参数输入至测井信息预测模型,能在钻井过程中实时预测测井信息,一定程度上减少了测井传感器由于安装位置产生的测量误差,有助于地面决策。
本申请实施例提供了一种测井信息预测模型训练装置,请参阅图9。包括:获取单元91,用于获取样本数据集,所述样本数据集包括与钻进深度相对应的样本数据,所述样本数据包括特征数据和标签数据,所述特征数据包括钻井参数,所述标签数据包括测井信息。第一计算单元92,用于分别计算各样本数据与参考样本数据之间的距离,所述参考样本数据为所述样本数据集中对应钻进深度最深的样本数据。输入单元93,用于将样本数据中的特征数据输入至测井信息预测模型,得到输出结果。第二计算单元94,用于根据输出结果、距离以及标签数据,利用损失函数计算损失信息。确定单元95,用于根据损失信息确定测井信息预测模型的参数。
本申请实施例提供了一种测井信息预测装置,请参阅图10。包括:输入单元101,用于将采集的钻井参数输入至测井信息预测模型,获得测井信息预测值。在一些实施例中,还包括校正单元102和显示单元103。所述校正单元对测井信息预测值进行校正。所述显示单元将测井信息预测值以文本和曲线形式进行可视化显示。
本申请实施例提供了一种计算机设备,包括:存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现测井信息预测模型训练方法的步骤。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种测井信息预测模型训练方法,其特征在于,包括以下步骤:
获取样本数据集,所述样本数据集包括与钻进深度相对应的样本数据,所述样本数据包括特征数据和标签数据,所述特征数据包括钻井参数,所述标签数据包括测井信息;
在所述样本数据集中,分别计算各样本数据与参考样本数据之间的距离,所述参考样本数据为所述样本数据集中对应钻进深度最深的样本数据;
将样本数据中的特征数据输入至测井信息预测模型,得到输出结果;
根据输出结果、距离以及标签数据,利用损失函数计算损失信息;
根据损失信息确定测井信息预测模型的参数。
2.如权利要求1所述的测井信息预测模型训练方法,其特征在于,所述获取样本数据集,包括:
采集已钻井段的钻井参数和测井信息;
根据钻井参数和测井信息,构建样本数据集。
3.如权利要求2所述的测井信息预测模型训练方法,其特征在于,还包括:
对采集的测井数据进行高斯平滑处理;
所述构建样本数据集,包括:
根据钻井参数和高斯平滑处理后的测井信息,构建样本数据集。
4.如权利要求1所述的测井信息预测模型训练方法,其特征在于,各个样本数据对应的钻进深度构成的数列是等差数列。
6.一种测井信息预测方法,其特征在于,包括:
将采集的钻井参数输入至测井信息预测模型,获得测井信息预测值;
其中测井信息预测模型是基于权利要求1-5中任一项方法训练得到的。
8.一种测井信息预测模型训练装置,其特征在于,包括:
获取单元,用于获取样本数据集,所述样本数据集包括与钻进深度相对应的样本数据,所述样本数据包括特征数据和标签数据,所述特征数据包括钻井参数,所述标签数据包括测井信息;
第一计算单元,用于分别计算各样本数据与参考样本数据之间的距离,所述参考样本数据为所述样本数据集中对应钻进深度最深的样本数据;
输入单元,用于将样本数据中的特征数据输入至测井信息预测模型,得到输出结果;
第二计算单元,用于根据输出结果、距离以及标签数据,利用损失函数计算损失信息;
确定单元,用于根据损失信息确定测井信息预测模型的参数。
9.一种测井信息预测装置,其特征在于,包括:
输入单元,用于将采集的钻井参数输入至测井信息预测模型,获得测井信息预测值;
其中测井信息预测模型是基于权利要求1-5中任一项方法训练得到的。
10.一种计算机设备,其特征在于,包括:
存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210111450.2A CN114492757B (zh) | 2022-01-29 | 2022-01-29 | 模型训练方法、测井信息预测方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210111450.2A CN114492757B (zh) | 2022-01-29 | 2022-01-29 | 模型训练方法、测井信息预测方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492757A true CN114492757A (zh) | 2022-05-13 |
CN114492757B CN114492757B (zh) | 2023-11-10 |
Family
ID=81478801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210111450.2A Active CN114492757B (zh) | 2022-01-29 | 2022-01-29 | 模型训练方法、测井信息预测方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492757B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115324571A (zh) * | 2022-08-02 | 2022-11-11 | 西南石油大学 | 基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 |
CN115329657A (zh) * | 2022-07-06 | 2022-11-11 | 中国石油化工股份有限公司 | 钻井参数优化方法及装置 |
CN115577569A (zh) * | 2022-11-18 | 2023-01-06 | 中国科学技术大学先进技术研究院 | 测井解释基准模型构建方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025084A (zh) * | 2006-02-20 | 2007-08-29 | 中国石油大学(北京) | 一种随钻预测钻头底下地层孔隙压力的方法 |
CN110397402A (zh) * | 2018-04-23 | 2019-11-01 | 中国石油天然气股份有限公司 | 钻井方法及装置 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
CN111520123A (zh) * | 2020-03-27 | 2020-08-11 | 中国石油化工股份有限公司石油工程技术研究院 | 一种机械钻速预测方法、装置及设备 |
CN113065279A (zh) * | 2021-03-15 | 2021-07-02 | 中国石油大学(北京) | 预测总有机碳含量的方法、装置、设备及存储介质 |
-
2022
- 2022-01-29 CN CN202210111450.2A patent/CN114492757B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025084A (zh) * | 2006-02-20 | 2007-08-29 | 中国石油大学(北京) | 一种随钻预测钻头底下地层孔隙压力的方法 |
CN110397402A (zh) * | 2018-04-23 | 2019-11-01 | 中国石油天然气股份有限公司 | 钻井方法及装置 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
CN111520123A (zh) * | 2020-03-27 | 2020-08-11 | 中国石油化工股份有限公司石油工程技术研究院 | 一种机械钻速预测方法、装置及设备 |
CN113065279A (zh) * | 2021-03-15 | 2021-07-02 | 中国石油大学(北京) | 预测总有机碳含量的方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
叶志 等: "基于随钻测井资料的地层压力监测系统", 《石油机械》, vol. 40, no. 10, pages 1 - 5 * |
石祥超 等: "基于空间球对称模型的井底岩石可钻性研究", 《西南石油大学学报(自然科学版)》, vol. 38, no. 4, pages 130 - 135 * |
罗刚 等: "利用测井数据进行储层自动分级的机器学习方法研究", 《中国地球科学联合学术年会 2021 》, pages 3397 - 3400 * |
谢祥俊 等: "基于最小二乘支持向量机的岩石可钻性研究", 《 西南石油大学学报 (自然科学版 )》, vol. 32, no. 1, pages 145 - 147 * |
郭永恒;: "随钻测井曲线预测及更新方法研究", vol. 38, no. 06, pages 25 - 28 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329657A (zh) * | 2022-07-06 | 2022-11-11 | 中国石油化工股份有限公司 | 钻井参数优化方法及装置 |
CN115324571A (zh) * | 2022-08-02 | 2022-11-11 | 西南石油大学 | 基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 |
CN115324571B (zh) * | 2022-08-02 | 2023-10-10 | 西南石油大学 | 基于钻录井信息的复杂地层井壁垮塌定量预测方法与装置 |
CN115577569A (zh) * | 2022-11-18 | 2023-01-06 | 中国科学技术大学先进技术研究院 | 测井解释基准模型构建方法、装置、设备及介质 |
CN115577569B (zh) * | 2022-11-18 | 2023-04-07 | 中国科学技术大学先进技术研究院 | 测井解释基准模型构建方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114492757B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114492757B (zh) | 模型训练方法、测井信息预测方法、装置和设备 | |
US9605938B2 (en) | System and method for determining deformed pipe geometry | |
EP3362640B1 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
CA3032777A1 (en) | Multivariate analysis of seismic data, microseismic data, and petrophysical properties in fracture modeling | |
CN111305834B (zh) | 基于多探测模式电阻率测井的三维反演初始模型构建方法 | |
US20180052903A1 (en) | Transforming historical well production data for predictive modeling | |
CN110671095B (zh) | 一种地质地层压力智能随钻软测量方法 | |
CN106772587A (zh) | 基于同位多相协同克里金的地震弹性参数相控建模方法 | |
WO2020222879A1 (en) | Hybrid neural network and autoencoder | |
CN111597753B (zh) | 数据深度变化特征自适应的二维电阻率反演方法及系统 | |
CN114758056A (zh) | 井筒三维可视化方法及装置 | |
CN116822580A (zh) | 一种基于Transformer模型的机械钻速时序特征的预测方法、系统、设备及介质 | |
CN112016766A (zh) | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 | |
CN114564886A (zh) | 一种基于地质参数量化的盾构掘进参数预测方法 | |
CN111751878B (zh) | 横波速度的预测方法和装置 | |
CN110486009B (zh) | 一种无限大地层的参数自动反求方法及系统 | |
CA3019319C (en) | Multi-parameter optimization of oilfield operations | |
US11156740B2 (en) | Electrofacies determination | |
US11885214B2 (en) | Casing wear and pipe defect determination using digital images | |
CN112016956B (zh) | 基于bp神经网络的矿石品位估值方法及装置 | |
CN115455791A (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
CN110889249B (zh) | 一种基于种群进化算法电阻率溶洞识别方法 | |
CN111444659A (zh) | 基于改进粒子滤波的离心泵故障诊断方法、系统和介质 | |
US20230316152A1 (en) | Method to predict aggregate caliper logs using logging-while-drilling data | |
US20230236334A1 (en) | Multi-sensor data assimilation and predictive analytics for optimizing well operations |
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 |