CN114662390B - 一种基于svr算法的钻井漏失压力预测方法 - Google Patents
一种基于svr算法的钻井漏失压力预测方法 Download PDFInfo
- Publication number
- CN114662390B CN114662390B CN202210287872.5A CN202210287872A CN114662390B CN 114662390 B CN114662390 B CN 114662390B CN 202210287872 A CN202210287872 A CN 202210287872A CN 114662390 B CN114662390 B CN 114662390B
- Authority
- CN
- China
- Prior art keywords
- data
- svr
- drilling
- pressure
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract 4
- 230000009467 reduction Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 239000012530 fluid Substances 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 239000011148 porous material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000002249 anxiolytic agent Substances 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 15
- 230000002265 prevention Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 16
- 238000010606 normalization Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013144 data compression Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002706 hydrostatic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000019888 Circadian rhythm sleep disease Diseases 0.000 description 1
- 208000001456 Jet Lag Syndrome Diseases 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000033915 jet lag type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明属于钻井漏失预测领域和人工智能机器学习领域，具体涉及一种基于SVR算法的钻井漏失压力预测方法。所述方法为：从钻井井史数据库中采集数据进行预处理，创建样本集与测试集，训练SVR模型，引入松弛因子，引入拉格朗日函数进行无约束化，对偶化求导，使用SMO算法选择最优化参数，构建回归超平面得到预测函数。将预处理后得到的数据集输入训练好的SVR模型，能够得到钻井漏失压力的预测值。该方法解决了目前漏失压力数据对于堵漏防漏有重大意义但是无法直接获取的困难，而且具有结果可靠，成本较低，便于操作，可推广性强的优势，在防漏堵漏领域具有一定的指导意义和参考价值。
Description
技术领域
本发明属于钻井漏失预测领域和人工智能机器学习领域，具体涉及一种基于SVR算法的钻井漏失压力预测方法。
背景技术
井漏在国内外各大油气产区普遍存在的难题，由此引起的井下复杂事故，对钻完井工程造成极大危害，产生严重的经济损失，一直是石油工程界备受关注的问题。目前，国内外防漏堵漏技术以随钻、桥堵、水泥固化堵漏为主，科学判断漏失压力、漏失通道、漏速、漏失层位等漏失性质是提升防漏堵漏一次成功率的必要前提之一。目前，井漏判断及防漏堵漏决策对个人经验依赖性强，技术可复制性差，尚无法有效满足现场井漏治理需求。漏失压力作为是井漏的三大主要特征参数之一，准确预测判断漏失压力，将有力支撑防漏堵漏技术科学筛选及施工。但是，由于漏失压力的井下数据获取难度非常大，还无法实现基于人工智能技术直接预测漏失压力，值得注意的是，与漏失压力有强相关性的地层压力、破裂压力及当量循环密度的相关预测研究已经逐渐开展，对降低漏失风险有明显的进步意义，为间接预测漏失压力提供了可能。
因此，结合循环当量密度和地层压力影响因子岩性密度、孔隙度、声波时差、钻压、转速、钻速、钻井液密度等7个参数以及破裂压力影响因子孔隙压力、钻压、钻速、转速、扭矩、钻井液密度等6个参数，最终整合形成利用循环当量密度、岩性密度、孔隙度、声波时差、钻压、转速、钻速、钻井液密度、孔隙压力、扭矩10个参数，通过及时掌握钻井施工时的这些数据变化情况，采取合理的预测方法对漏失压力进行预测。
基于人工智能机器学习领域对井漏进行预测的一种方法是采用SVR算法，传统的回归方法对于数据噪音要求高，泛化性能不佳，并且很难拟合复杂的概率分布模型。因此，提升回归模型的鲁棒性和泛化性能就是当前研究中的挑战。
SVR模型是将SVM算法与传统的回归算法相结合形成的新的更加鲁棒的回归模型，它具备以下四点优势，一是在于解决高维特征的分类问题和回归问题很有效,在特征维度大于样本数时依然有很好的效果；二是仅仅使用一部分支持向量来做超平面的决策，无需依赖全部数据；三是有大量的核函数可以使用，从而可以很灵活的来解决各种非线性的分类回归问题；四是样本量不是海量数据的时候，分类准确率高，泛化能力强。通过该方法对处理后的测井数据进行钻井漏失压力预测具有良好的应用前景。
发明内容
本发明的目的在于提供一种使用SVR算法预测漏失压力参数的方法，通过采集相同区块下不同井队的钻井井史数据，进行预处理后应用SVR模型得到漏失压力参数，解决了漏失压力的井下数据难以获取的难题，有力支撑防漏堵漏技术科学筛选及施工。为了实现上述目的，基于SVR算法的钻井漏失压力预测方法具体实施步骤如下：
1)采集钻井井史数据
收集样本数据，通过对目标区块钻井井史数据的收集、整理和验证，确定了10个输入参数的参数集：循环当量密度、岩性密度、孔隙度、声波时差、钻压、转速、钻速、钻井液密度、孔隙压力、扭矩。
2)将采集到的井史数据进行数据预处理，数据预处理内容包括数据清洗、数据集成、数据标准化、数据归约，最终得到经过预处理后的井史数据资料
上述数据预处理的进一步特征在于：
2-1)所述数据清洗的内容包括缺失值处理、噪声数据处理、数据值替换、数据转换及异常值检测；
2-2)所述数据集成的内容包括实体识别、数据冗余处理、元组重复处理及数据值冲突检测与处理；
2-3)所述数据标准化的内容包括离差标准化数据、标准差标准化数据；
2-4)所述数据归约的内容包括维归约、数量归约和数据压缩；
3)将预处理后的钻井井史数据资料作为输入，钻井漏失压力作为输出，以静液柱压力与循环压耗之和作为有效压力标准值，构建SVR漏失压力预测模型；
上述技术方案的进一步特征在于，所述的SVR漏失压力预测模型构建方案如下：
3-1)定义原始数据集为S＝A1,A2,A3,…,An，其中Ai表示区块内一个井的井史数据：
Ai＝{(xi,1,xi,2,xi,3,xi,4,xi,5,xi,6,xi,7,xi,8,xi,9,xi,10),i≥10}；
式中，x1表示循环当量密度，x2表示岩性密度，x3表示孔隙度，x4表示声波时差，x5表示钻压，x6表示转速，x7表示钻速，x8表示钻井液密度，x9表示孔隙压力，x10表示扭矩。
3-2)确定SVR模型；
y＝<w，φ(x)>+b
式中，yER是模型输出，x∈Rn是模型输入，w∈RN是表示超平面的法向量，φ(·):Rn→RN是将x从n维映射到N维的函数，b∈R是相对于过原点超平面的偏移。
3-3)确定SVR模型的原始优化问题引入松弛因子，利用拉格朗日函数将目标函数变为无约束形式，对偶化后再求导，使用SMO算法得到最优参数，构建回归超平面得到预测函数：
y＝sgn(w*Tx+b*)
4)采用验证集对训练结果进行验证
5)正钻井漏失压力预测
根据获取的钻井井史数据，将相关参数输入该SVR漏失压力预测模型，获取相应的钻井漏失压力。
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，下面描述中的附图仅仅是本申请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。
附图1是井史数据预处理框图。
附图2是SVR结构示意图。
附图3是钻井漏失压力预测方法实施流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本发明技术方案中的井史数据预处理框图，数据预处理内容包括数据清洗、数据集成、数据标准化、数据归约，其中数据清洗包括缺失值处理、噪声数据处理、数据值替换、利用函数或映射进行数据转换及异常值检测，从而提高数据质量；数据集成包括实体识别、数据冗余处理、相关分析、元组重复处理及数据值冲突检测与处理，从而将多个数据源中的数据合并，存放于一个一致的数据存储中；数据标准化包括离差标准化数据、标准差标准化数据，从而消除特征之间量纲和取值范围的差异可能造成的影响；数据归约包括维归约、数量归约和数据压缩，从而使得尽可能保持数据完整的基础上得到数据的归约表示。
图2是本发明技术方案中的SVR结构示意图，本实例为了全面考虑主要参数对钻井漏失压力预测的影响，将预处理后的井史数据资料作为输入，漏失压力作为输出，以有效压力为标准值，构建钻井漏失压力预测SVR模型。
图3是钻井漏失压力预测方法实施流程图，具体如下：
1)采集钻井井史数据资料；
通过对钻井漏失压力所需井史数据资料整理和验证，确定了预测钻井漏失压力所需井史数据资料应包含的10个参数集：循环当量密度、岩性密度、孔隙度、声波时差、钻压、转速、钻速、钻井液密度、孔隙压力、扭矩，将所获取到的井史数据资料作为训练模型的标准样本。
2)将采集到的井史数据进行数据预处理，数据预处理内容包括数据清洗、数据集成、数据标准化、数据归约，最终得到经过预处理后的井史数据资料；
上述数据预处理的进一步特征在于：
2-1)所述数据清洗的内容包括缺失值处理、噪声数据处理、数据值替换、数据转换及异常值检测；
针对上述数据清洗的进一步特征在于：
2-1-1)使用回归方法基于推理工具填补最有可能的缺失值；
2-1-2)通过聚类方法检测离群点，将类似的值组织成簇，直观地将落在簇集合之外的值视为离群点；
2-1-3)在Pandas利用replace()方法将查询到的数据进行值的替换；
2-1-4)利用box-cox方法进行数据变换，在一定程度上减小不可观测的误差；
2-1-5)利用散点图方法绘制图像，可以较为直观地观测到是否存在异常值；
2-2)所述数据集成的内容包括实体识别、数据冗余处理、元组重复处理及数据值冲突检测与处理；
针对上述数据集成的进一步特征在于：
2-2-1)注意多来源数据的结构，确保源系统中函数依赖和参数约束与目标系统匹配；
2-2-2)使用卡方检验处理标称属性，使用相关系数处理数值属性；
2-2-3)检测重复的元组，如给定唯一的数据实体，检测是否存在两个或多个相同元组，如果存在则只保留一个；
2-2-4)对于不同数据来源的数据需要进行合并，以此确保信息传递不存在障碍；
2-3)所述数据标准化的内容包括离差标准化数据、标准差标准化数据；
针对上述数据标准化的进一步特征在于：
2-3-1)离差标准化是对原始数据所做的一种线性变换，将原始数据的数值映射到区间，统匹配，如下式：
上式进一步特征在于，其中max为样本最大值，min为样本最小值，x为样本原始值，y为样本映射值；
2-3-2)标准差标准化是对原始数据处理均值为0，标准差为1，如下式：
上式进一步特征在于，其中mean为平均值，std为标准值，x为样本原始值，y为标准差化后的样本映射值；
2-4)所述数据归约的内容包括维归约、数量归约和数据压缩；
针对上述数据归约的进一步特征在于：
2-4-1)对于上述的维归约，采用属性子集选择的方法，将不相关、弱相关或冗余的属性(或维)检测出来以后进行删除；
2-4-2)对于上述的数量归约，采用数据立方体聚类的方式，将低粒度的数据分析聚合成汇总粒度的数据分析；
2-4-3)对于上述的数据压缩，基于傅里叶变换，采用小波变换的方式，对于数据向量进行小波变换将会得到具有相同长度的小波系数，由于数据的主要能量集中在低频区域，因此仅存储一小部分最强的小波系数，就能保留近似的压缩数据。
3)将预处理后的钻井井史数据资料作为输入，钻井漏失压力作为输出，以静液柱压力与循环压耗之和作为有效压力标准值，构建SVR漏失压力预测模型；
上述技术方案的进一步特征在于，所述的SVR漏失压力预测模型构建方案如下：
3-1)定义原始数据集为S＝A1,A2,A3,…,An，其中Ai表示区块内一个井的井史数据：
Ai＝{(xi,1,xi,2,xi,3,xi,4,xi,5,xi,6,xi,7,xi,8,xi,9,xi,10),i≥10}；
式中，x1表示循环当量密度，x2表示岩性密度，x3表示孔隙度，x4表示声波时差，x5表示钻压，x6表示转速，x7表示钻速，x8表示钻井液密度，x9表示孔隙压力，x10表示扭矩。
3-2)确定SVR模型；
y＝<w，φ(x)>+b
式中，y∈R是模型输出，x∈Rn是模型输入，w∈RN是表示超平面的法向量，φ(·)：Rn→RN是将x从n维映射到N维的函数，b∈R是相对于过原点超平面的偏移。
3-3)确定SVR模型的原始优化问题引入松弛因子，利用拉格朗日函数将目标函数变为无约束形式，对偶化后再求导，使用SMO算法得到最优参数，构建回归超平面得到预测函数：
y＝sgn(w*Tx+b*)
针对上述原始优化问题的进一步特征在于：
3-3-1)SVR模型的原始优化问题：
s.t.|yi-(wTxi+b)|≤ε，i＝1，2，…，N
式中，ε为大于0的任意常数。
3-3-2)引入松弛因子的形式是：
式中，是上界松弛因子，/>是下界松弛因子，C是惩罚参数。
3-3-3)引入拉格朗日函数的形式如下：
式中，都是拉格朗日系数。
3-3-4)优化问题满足KKT条件可以等价于对偶问题，形式如下：
3-3-5)求导后通过SMO算法求得最优参数，计算方式如下：
3-3-6)寻找一个满足的样本点(xk，yk)，计算方式如下：
b*＝yk+∈-w*Txk
b*＝yk-∈-w*Txk
为了保证求出的b*的更加具备鲁棒性，选取上述两式求取多个下界和上界的支持向量解b后再取平均。
3-3-7)构建回归超平面得到预测函数：
y＝sgn(w*Tx+b*)
4)采用验证集对训练结果进行验证
5)正钻井漏失压力预测
根据获取的钻井井史数据，将相关参数输入该SVR漏失压力预测模型，获取相应的钻井漏失压力。
以上所述具体技术方案仅用以说明本发明，并不用于限制本发明；尽管参照上述具体技术方案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，凡是基于本发明的精神和原则之内，所做的任何修改和等同替换均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于SVR算法的钻井漏失压力预测方法，其特征在于，包括如下步骤：
S1：收集样本数据，从钻井井史数据库中采集相关数据并进行预处理，创建样本集与测试集；
S2：从样本集数据中确定特征属性，确定特征属性的取值为SVR模型的输入，预测结果为输出；
S3：使用S2训练集求解SVR模型的原始优化问题，加入松弛因子，引入拉格朗日函数，对偶化后求导，使用SMO算法得到最优参数，最后构建回归超平面得到预测函数；
所述S3具体为：
S31、SVR模型的形式如下：
y＝<w，φ(x)>+b
式中，y∈R是模型输出，x∈Rn是模型输入，w∈RN是表示超平面的法向量，φ(·)：Rn→RN是将x从n维映射到N维的函数，b∈R是相对于过原点超平面的偏移；
S32、SVR模型的原始优化问题形式如下：
s.t.|yi-(wTxi+b)|≤ε，i＝1，2，…，N；yi表示第i个模型输出；xi表示第i个模型输入；
式中，在SVR模型基础上新增的ε为大于0的任意常数；
S33、对于SVR模型选择一个惩罚参数，引入松弛因子的形式是：
式中，是上界松弛因子，/>是下界松弛因子，C是惩罚参数；
S34、对于SVR模型引入拉格朗日函数的形式如下：
式中，都是拉格朗日系数；
S35、对于SVR模型优化问题满足KKT条件可以等价于对偶问题，形式如下：
S36、对于SVR模型对偶问题求导后通过SMO算法求得最优参数，计算方式如下：
S37、寻找一个满足的样本点(xk，yk)，计算方式如下：
b*＝yk+∈-w*Txk
b*＝yk-∈-w*Txk
为了保证求出的b*的更加具备鲁棒性，选取上述两式求取多个下界和上界的支持向量解b后再取平均；
S38、构建回归超平面将前述计算所得的b*和w*代入即可得到预测函数：
y＝sgn(w*Tx+b*)
得到的最优化后的预测函数后即可输入相关参数得到输出的漏失压力值；
S4：利用验证集对训练结果进行验证；
S5：SVR模型的实际运用，获取钻井区块相关参数的实际钻井数据输入所述SVR模型，获取相应的钻井漏失压力。
2.根据权利要求1所述的一种基于SVR算法的钻井漏失压力预测方法，其特征在于，所述S1中预处理包括：数据清洗，数据集成，数据标准化，数据归约。
3.根据权利要求1所述的一种基于SVR算法的钻井漏失压力预测方法，其特征在于，所述S1中创建样本集与测试集包括，将预处理后的钻井参数数据进行随机分层抽样，按照预设比例10：1形成样本集与测试集。
4.根据权利要求1所述的一种基于SVR算法的钻井漏失压力预测方法，其特征在于，所述S2具体为：
确定钻井漏失参数数据为特征属性，包括循环当量密度，岩性密度，孔隙度，声波时差，钻压，转速，钻速，钻井液密度，孔隙压力，扭矩，确定以特征属性的取值为特征输入，确定以相应特征属性取值计算的钻井漏失压力为特征输出，根据确定的特征属性，依次将特征取值记为xi，循环当量密度记为x1，岩性密度记为x2，孔隙度记为x3，声波时差记为x4，钻压记为x5，转速记为x6，钻速记为x7，钻井液密度记为x8，孔隙压力记为x9，扭矩记为x10，确定的特征属性取值记为向量X：X＝(x1,x2,x3,…x9,x10)，用Y表征输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210287872.5A CN114662390B (zh) | 2022-03-22 | 2022-03-22 | 一种基于svr算法的钻井漏失压力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210287872.5A CN114662390B (zh) | 2022-03-22 | 2022-03-22 | 一种基于svr算法的钻井漏失压力预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114662390A CN114662390A (zh) | 2022-06-24 |
| CN114662390B true CN114662390B (zh) | 2023-09-29 |
Family
ID=82031727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210287872.5A Active CN114662390B (zh) | 2022-03-22 | 2022-03-22 | 一种基于svr算法的钻井漏失压力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114662390B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118167275B (zh) * | 2024-05-16 | 2024-07-19 | 莱州亚通重型装备有限公司 | 井下煤矿钻机机械手平稳旋转方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011103102A1 (en) * | 2010-02-16 | 2011-08-25 | The Regents Of The University Of Colorado | Statistical, noninvasive measurement of intracranial pressure |
| CN110084435A (zh) * | 2019-05-07 | 2019-08-02 | 合肥工业大学 | 一种油气藏参数解释方法及系统 |
| CN110952978A (zh) * | 2019-12-20 | 2020-04-03 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
| CN112529341A (zh) * | 2021-02-09 | 2021-03-19 | 西南石油大学 | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 |
| CN112561211A (zh) * | 2021-02-19 | 2021-03-26 | 西南石油大学 | 基于神经网络深度学习的钻井循环压耗预测方法 |
| CN113111586A (zh) * | 2021-04-19 | 2021-07-13 | 西南石油大学 | 一种基于神经网络的钻井堵漏配方预测方法 |
| CN114198087A (zh) * | 2021-12-15 | 2022-03-18 | 长江大学 | 一种用于评估井眼清洁不充分风险的方法、装置及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2245568A4 (en) * | 2008-02-20 | 2012-12-05 | Univ Mcmaster | EXPERT SYSTEM FOR DETERMINING A PATIENT'S RESPONSE TO A TREATMENT |
-
2022
- 2022-03-22 CN CN202210287872.5A patent/CN114662390B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011103102A1 (en) * | 2010-02-16 | 2011-08-25 | The Regents Of The University Of Colorado | Statistical, noninvasive measurement of intracranial pressure |
| CN110084435A (zh) * | 2019-05-07 | 2019-08-02 | 合肥工业大学 | 一种油气藏参数解释方法及系统 |
| CN110952978A (zh) * | 2019-12-20 | 2020-04-03 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
| CN112529341A (zh) * | 2021-02-09 | 2021-03-19 | 西南石油大学 | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 |
| CN112561211A (zh) * | 2021-02-19 | 2021-03-26 | 西南石油大学 | 基于神经网络深度学习的钻井循环压耗预测方法 |
| CN113111586A (zh) * | 2021-04-19 | 2021-07-13 | 西南石油大学 | 一种基于神经网络的钻井堵漏配方预测方法 |
| CN114198087A (zh) * | 2021-12-15 | 2022-03-18 | 长江大学 | 一种用于评估井眼清洁不充分风险的方法、装置及系统 |
Non-Patent Citations (9)
| Title |
|---|
| An Improved Method of Control Law Design at High Angle of Attack Based on Wind Tunnel Test Data;Yongxi Lyu等;2018 18th International Conference on Control, Automation and Systems (ICCAS);第625-631页 * |
| 井下裂缝几何参数预测及堵漏规律研究;赵洋;《中国优秀硕士学位论文全文数据库》;工程科技Ⅰ辑 B019-239 * |
| 利用优化BP神经网络建立裂缝宽度预测模型;何涛等;《钻井液与完井液》;第38卷(第2期);第201-206页 * |
| 基于GMDH-SVR致密气开发过程参数优化;郭菊娥等;《运筹与管理》;第27卷(第11期);第10-16页 * |
| 基于支持向量回归的井漏预测;刘彪等;《钻采工艺》;第42期(第06期);第17-20+1-2页 * |
| 基于泄漏量监测的减压阀泄漏预测模型研究;孙伟;《中国博士论文全文数据库》;工程科技Ⅱ辑 C029-13 * |
| 基于测井资料的地层孔隙压力预测方法研究;时贤等;《石油天然气学报》;第34卷(第08期);第94-98+166页 * |
| 基于深度神经网络模型的钻井井漏预测研究;和鹏飞等;《天津科技》;第46卷(第S1期);第21-23页 * |
| 支持向量机在油田系统建模中的应用;李卓等;《现代电子技术》(第1期);第162-164页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114662390A (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| CN114662390B (zh) | 一种基于svr算法的钻井漏失压力预测方法 | |
| Shi et al. | A new method to detect influx and loss during drilling based on machine learning | |
| Ahmed S et al. | Rate of penetration prediction in shale formation using fuzzy logic | |
| Kiran et al. | Assessing the relation between petrophysical and operational parameters in geothermal wells: a machine learning approach | |
| Rabiei et al. | Determination of dew point pressure in gas condensate reservoirs based on a hybrid neural genetic algorithm | |
| CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
| CN116562174A (zh) | 一种配注水量确定方法及装置 | |
| Al-anazi et al. | Innovative data-driven permeability prediction in a heterogeneous reservoir | |
| Fan et al. | A decentralized operating performance assessment for geological drilling process via multi-block total projection to latent structures and Bayesian inference | |
| Liang et al. | An evaluation model of the stuck risks based on remote sensor network and fuzzy logic | |
| Otchere et al. | Enhancing Drilling Fluid Lost-circulation Prediction: Using Model Agnostic and Supervised Machine Learning | |
| Liang et al. | RETRACTED ARTICLE: Gray relational clustering model for intelligent guided monitoring horizontal wells | |
| CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及系统 | |
| Roustazadeh et al. | Estimating oil and gas recovery factors via machine learning: Database-dependent accuracy and reliability | |
| Zhengnan et al. | Big Data Mining Algorithm of Internet of Things Based on Artificial Intelligence Technology | |
| Hu et al. | Research on water content prediction method based on LSTM neural network | |
| Xiaorong et al. | Research on Lost Circulation Risk Intelligent Identification and Processing System Based on CBR | |
| Zhang et al. | Identification Method of Stuck Pipe Based on Data Augmentation and ATT-LSTM | |
| Amirlatifi et al. | Well Performance in New Frontiers: Reducing Risk and Uncertainty through Large Scale Data Analytics | |
| Liu | Real-time monitoring method for working state of decentralised municipal sewage treatment system | |
| Teng | Reservoir Attribute Association Analysis Algorithm for Enhanced Oil Recovery Based on Association Rule Mining | |
| Zhou et al. | IPTC-22100-MS | |
| Li et al. | A systematic review of machine learning modeling processes and applications in ROP prediction in the past decade | |
| Liu et al. | Intelligent Identification Workflow of Drilling Conditions Combining Deep Learning and Drilling Knowledge |
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 |