CN115049173B - 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 - Google Patents

深度学习和Eaton法耦合驱动地层孔隙压力预测方法 Download PDF

Info

Publication number
CN115049173B
CN115049173B CN202210983955.8A CN202210983955A CN115049173B CN 115049173 B CN115049173 B CN 115049173B CN 202210983955 A CN202210983955 A CN 202210983955A CN 115049173 B CN115049173 B CN 115049173B
Authority
CN
China
Prior art keywords
eaton
cnn
pore pressure
lstm
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210983955.8A
Other languages
English (en)
Other versions
CN115049173A (zh
Inventor
许玉强
何保伦
管志川
刘宽
韩超
李兵硕
聂嘉骏
杨磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202210983955.8A priority Critical patent/CN115049173B/zh
Publication of CN115049173A publication Critical patent/CN115049173A/zh
Application granted granted Critical
Publication of CN115049173B publication Critical patent/CN115049173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及油气钻井领域，具体是一种基于CNN‑LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法。通过引入CNN和LSTM结合的深度学习模型，得到了针对Eaton模型的地层孔隙压力精细化预测方法。其中，现有的CNN有极强的数据挖掘能力，结合LSTM具有记忆能力，可以将之前的数据特征与新输入的数据结合在一起。充分挖掘钻测录震多源数据与Eaton指数之间的复杂非线性关系，可基于区块内已钻井的有限实测地层压力数据，实现全井Eaton指数的精细预测，为新探区地层压力实测点较少且分布不均等条件下地层孔隙压力的准确预测提供了有效手段。

Description

深度学习和Eaton法耦合驱动地层孔隙压力预测方法
技术领域
本发明涉及油气钻井领域，具体涉及一种深度学习和Eaton法耦合驱动地层孔隙压力预测方法。
背景技术
准确预测地层孔隙压力是保障钻井工程设计合理性、降低钻井工程风险的关键技术之一。Eaton法是目前较常用的地层孔隙压力预测方法，其综合考虑了压实作用以及其他高压形成机制作用，并总结和参考了钻井实测压力与各种测井信息之间的关系，是一种比较实用的方法。通过分析，常规的Eaton法是将Eaton指数取定值，这往往不能很好的预测深部地层孔隙压力。随着人工智能技术和钻井大数据的发展，机器学习算法被引入地层压力预测中，为其的精准预测提供了新思路。
如，中国专利CN 112100930 A公开了一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法，并具体公开了方法如下：测井曲线重叠采样；基于短时傅里叶变换的样本1D-2D变换预处理，将一维的深度域测井曲线样本转换为二维的深频图；基于卷积神经网络的正常压实层段智能识别模型，采用数据驱动的方式，对测井曲线进行分段特征提取，识别正常压实层段；根据识别出的正常压实层段测井曲线，构建正常压实趋势线拟合方程；根据正常压实趋势线方程，采用Eaton公式进行地层孔隙压力剖面计算。该专利可避免正常压实趋势线构建过程中存在的人为主观性，提高地层孔隙压力的计算精度，但该方法重点关注正常压实趋势线的选取，并没有关注影响更大的Eaton指数。
发明内容
本发明的目的是为了解决上述现有技术的不足，提供一种基于CNN-LSTM深度学习模型对目标井全井Eaton指数精细反演，再结合传统Eaton模型对地层孔隙压力进行预测。为了使得训练数据扩充，本发明还创新性提出根据测井曲线变化率及岩性剖面对为数不多的实测点数据进行扩充、优化。构建的CNN-LTSM深度学习模型，不仅能很好的对复杂多源数据进行特征提取，能很好的处理地层信息的前后关联性，该模型还能沿深度分别向前向后提取测井数据、录井数据、地震序列特征数据。
为了解决上述技术问题，本发明提供了一种CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，具体方法为：
S1、对已钻井地层孔隙压力实测点的测井数据进行归一化处理：
考虑到不同测井数据之间量纲的影响，将已钻井地层孔隙压力实测点的测井数据归一化处理到0~1的范围内，归一化后的测井数据y i 为：
Figure 762905DEST_PATH_IMAGE001
（1）
其中，y i 为已钻井地层孔隙压力实测点处第i种归一化后的测井数据，x i 为已钻井地层孔隙压力实测点处第i种原始测井数据。
S2、以归一化后的测井数据变化率为依据，将实测点深度H 0 进行二次扩充得到二次扩充连续点深度集H h ″：
将实测点深度H 0 进行一次扩充，一次扩充连续点深度集
Figure 585367DEST_PATH_IMAGE002
；
对一次扩充连续点深度集H h ′进行二次扩充，二次扩充得到二次扩充连续点深度集H h ″。
所述二次扩充连续点深度集H h ″包括二次扩充实测点深度H 11 H 21...H 01...H h1。
所述二次扩充连续深度集H h ″满足如下公式：
Figure 321242DEST_PATH_IMAGE003
(2)
其中
Figure 379197DEST_PATH_IMAGE004
为二次扩充实测点深度H b1 处的测井数据；
Figure 251338DEST_PATH_IMAGE005
为二次扩充实测点深度H (b-1)1处的测井数据；
Figure 244702DEST_PATH_IMAGE006
为二次扩充实测点深度集H h ″对应的平均测井数据；k b 为二次扩充实测点深度H b1 处测井数据的变化率；
Figure 592506DEST_PATH_IMAGE007
为阈值，不同测井数据下变化率的最大值应小于阈值；上式中，b为1到h之间的自然数。
S3、避开断层、岩性界面，将二次扩充实测点连续深度集H h ″优化为优化后的连续点深度集H p ‴：
由于地层构造断裂作用会使地层内部孔隙体积缩小，从而导致在地层内部产生压力异常的现象，这会使得地层压力会发生较大变化。因此在对实测点进一步优选深度范围时应该避开断层，岩性界面。通过测井解释构建岩性剖面，利用该剖面将二次扩充实测点连续深度集H h ″进一步缩短为优化后的连续点深度集H p ‴。
所述优化后的连续点深度集H p ‴包括优化后的深度H 12 H 22...H 02...H p2。
S4、反算Eaton指数：
利用Eaton模型进行Eaton指数反算如下式（3）：
Figure 63939DEST_PATH_IMAGE008
(3)
式中，n为Easton指数；P0为上覆地层压力，MPa；P p 为地层孔隙压力，MPa；P c 为地层水静液柱压力，MPa；
Figure 321745DEST_PATH_IMAGE009
为实测点正常趋势线上的声波时差值，
Figure 345065DEST_PATH_IMAGE010
；
Figure 55532DEST_PATH_IMAGE011
为实测点的实测声波时差值，
Figure 189710DEST_PATH_IMAGE010
。
S5、结合Pearson相关矩阵对各特征数据与Eaton指数进行相关性分析，筛选作为CNN-LSTM模型输入参数的特征数据：
结合Pearson相关矩阵对各特征数据与Eaton指数进行相关性分析:
Figure 567601DEST_PATH_IMAGE012
(4)
上式中，
Figure 637189DEST_PATH_IMAGE013
为皮尔逊相关系数，k j 为该特征的第j个变量，
Figure 959585DEST_PATH_IMAGE014
为该特征变量的算数平均值，n j 为该特征的第j个Eaton指数，
Figure 772821DEST_PATH_IMAGE015
为该特征Eaton指数的算数平均值，r为变量样本数。
所述特征数据包括：录井数据、测井数据、地震数据。
所述录井数据包括：钻速、钻压、大钩载荷、钻盘钻速、扭矩、泵压、排量、钻井液入口密度、钻井液出口密度、入口泥浆温度、出口泥浆温度；
所述测井数据包括：自然伽马、声波时差、岩石密度、P40H；
所述地震数据包括：层速度。
所述皮尔逊相关系数
Figure 739640DEST_PATH_IMAGE013
的数值范围为-1到1，皮尔逊相关系数
Figure 125270DEST_PATH_IMAGE013
越接近1说明两个变量正相关性越强，越接近-1说明两个变量负相关性越强，越接近0说明两个变量相关性越弱。
当
Figure 810329DEST_PATH_IMAGE016
时，选择该特征数据作为CNN-LSTM模型的输入参数。
S6、搭建CNN-LSTM模型并进行Eaton指数训练：
所述CNN的构建原理为：卷积层是由多个特征面的组合，每个特征面有很多个神经元，而每个神经元通过卷积核与上一层的特征面局部连接，其中卷积核是一个权值矩阵。卷积层输出的第d层的第i种特征
Figure 427255DEST_PATH_IMAGE017
为:
Figure 638794DEST_PATH_IMAGE018
(5)
其中，d表示为网络层数；
Figure 50183DEST_PATH_IMAGE017
为第d层的第i种特征；k为网络行数；
Figure 222539DEST_PATH_IMAGE019
为选择输入的特征集合；
Figure 236631DEST_PATH_IMAGE020
为第d-1层的第m种特征；
Figure 443622DEST_PATH_IMAGE021
是卷积核的权重；
Figure 884967DEST_PATH_IMAGE022
为第d层的第i个特征对应的偏置；“*”表示卷积操作。
搭建CNN-LSTM模型，所述CNN-LSTM模型包含输入层、卷积运算层、池化层、展平层、LSTM层、全连接层、输出层。
输入集为S3、S4处理后的测井数据、录井数据、地震数据集以及反算Eaton指数，输出集为实测点扩充后的反演的Eaton指数，进行Eaton指数训练。
通过正交试验确定模型训练参数。
所述正交试验是从全面试验中挑选出部分有代表性的点进行试验，这些有代表性的点具备了“均匀分散，齐整可比”的特点。通过误差分析对CNN卷积核数、LSTM隐含层神经元个数、输出层神经元个数、激活函数的不同参数组合进行评价。
所述误差分析的方法为：
在训练集中以一口井为的真实Eaton指数为验证集，并结合指标平均绝对误差百分比(MAPE)和均方根误差(RMSE)对Eaton指数进行评价：
Figure 544619DEST_PATH_IMAGE023
(6)
Figure 503347DEST_PATH_IMAGE024
(7)
其中，MAPE为平均绝对误差百分比，N为样本数，
Figure 423899DEST_PATH_IMAGE025
为Eaton指数预测值，n q 为Eaton指数真实值，RMSE为均方根误差。
当MAPE及RMSE数值均为最小值时，选择所对应的Eaton指数参数组合作为最优参数组合。
其次，本申请还提供一种上述CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法在Eaton指数分布预测中应用。
所述应用方法为：通过S6模型训练达到最优时，同样将目标井特征参数作为输入集输入上述CNN-LSTM模型中，以此对目标井全井Eaton分布进行精细化预测。
最后，本申请还提供一种上述CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法在预测地层孔隙压力中的应用。
所述应用方法为：将目标井特征参数作为输入集输入至训练得到的CNN-LSTM模型中，结合式（3）对地层孔隙压力进行预测。
本发明相较于现有技术的有益效果：
1、本发明所提供的CNN-LSTM深度学习可以结合CNN的数据挖掘能力与LSTM的记忆能力，将之前的数据特征与新输数据结合在一起，能对多源数据特征进行学习；
2、本发明创新性的提出根据测井曲线变化率及岩性剖面对实测点数据进行扩充，丰富深度学习训练样本量，进而提高预测结果的精确度；
3、通过该模型对全井Eaton指数精细反演，对目标井地层孔隙压力预测更为精准；同时，若通过已钻井数据三维体构建的技术手段加上钻前地震数据，该方法有望对待钻井地层孔隙压力进行预测。
附图说明
图1 实测点扩充示意图；
图2 CNN-LSTM深度学习模型示意图；
图3 基于深度学习Eaton精细反演图；
图4 地层孔隙压力预测结果对比图；
图5 深度学习和传统模型耦合驱动预测地层孔隙压力原理图。
具体实施方式
以下实施例是对本发明的进一步说明，但本发明并不局限于此。因本发明比较复杂，因此实施方式仅对本发明的发明点部分进行详述，本发明未详述部分均可采用现有技术。
实施例一：
中国南海某区块具有深部地层高温高压、地层情况复杂的特点，由于成压机制较复杂，常规Eaton法在该地区深部复杂地层中的适用性和预测准确性较差。该区块已钻井8口，地层孔隙压力实测点共计47个。
根据本发明提供的基于CNN-LSTM深度学习和传统Eaton模型结合的地层孔隙压力预测方法，本实施例包括以下步骤。
S1、将已钻井地层孔隙压力实测点的测井数据进行归一化处理，考虑到不同测井数据之间量纲的影响，将测井数据归一化处理到0~1的范围内，归一化后的测井数据y i 为：
Figure 442670DEST_PATH_IMAGE026
(1)
其中，y i 为已钻井地层孔隙压力实测点处第i种归一化后的测井数据，x i 为已钻井地层孔隙压力实测点处第i种原始测井数据。
所述测井数据的种类包括声波时差、自然伽马、岩石密度、P40H。
S2、将实测点深度H 0 进行二次扩充得到二次扩充连续点深度集H h ″，如图1所示。
将实测点深度H 0 进行一次扩充，一次扩充连续点深度集
Figure 324039DEST_PATH_IMAGE002
；
对一次扩充连续点深度集H h ′进行二次扩充，二次扩充得到二次扩充连续点深度集H h ″，如图1所示，
Figure 945513DEST_PATH_IMAGE027
以及
Figure 595937DEST_PATH_IMAGE028
分别为两个实测点经二次扩充后得到的深度范围。
所述二次扩充连续点深度集H h ″包括二次扩充实测点深度H 11 H 21...H 01...H h1。
所述二次扩充连续点深度集H h ″满足如下公式：
Figure 785610DEST_PATH_IMAGE029
(2)
其中
Figure 544488DEST_PATH_IMAGE004
为二次扩充实测点深度H b1 处的测井数据；
Figure 579440DEST_PATH_IMAGE005
为二次扩充实测点深度H (b-1)1处的测井数据；
Figure 349950DEST_PATH_IMAGE006
为二次扩充实测点深度集H h ″对应的平均测井数据；k b 为二次扩充实测点深度H b1 处测井数据的变化率；
Figure 835158DEST_PATH_IMAGE007
为阈值，不同特征下变化率的最大值应小于阈值；上式中，b为1到h之间的自然数。
其中，阈值
Figure 691118DEST_PATH_IMAGE007
为0.1。
在二次扩充连续深度集H h ″上下地层孔隙压力当量密度相等的条件下来丰富训练样本，往往不能充分考虑岩性变化对地层压力的影响，因此需要对二次扩充连续深度集H h ″进一步优化。
S3、避开断层、岩性界面，将二次扩充连续点深度集H h ″优化为优化后的连续点深度集H p ‴：
考虑到地层构造断裂作用会使地层内部孔隙体积缩小，从而导致在地层内部产生压力异常的现象，这会使得地层压力会发生较大变化。因此在对实测点进一步优选深度范围时应该避开断层，岩性界面。将二次扩充连续点深度集H h ″进一步缩短为优化后的连续点深度集H p ‴。
所述优化后的连续点深度集H p ‴包括优化后的深度H 12 H 22...H 02...H p2。如图1所示，
Figure 529761DEST_PATH_IMAGE030
、
Figure 282341DEST_PATH_IMAGE031
分别为
Figure 813816DEST_PATH_IMAGE027
、
Figure 16128DEST_PATH_IMAGE032
经优化后得到的深度范围。
根据步骤S1、S2、S3进行扩充后，整个区块实测点扩充至1522个，增幅为31.38倍。
如图1所示，GR为自然伽马，DTCO为声波时差，P40H、P28H、P16H均为随钻电阻，RHOB为岩石密度。
S4、利用Eaton模型进行Eaton指数反算如下式（3）所示：
Figure 924041DEST_PATH_IMAGE033
(3)
式中，n为Easton指数；P 0为上覆地层压力，MPa；P p 为地层孔隙压力，MPa；P c 为地层水静液柱压力，MPa；
Figure 669143DEST_PATH_IMAGE009
为实测点正常趋势线上的声波时差值，
Figure 230574DEST_PATH_IMAGE010
；
Figure 61127DEST_PATH_IMAGE034
为实测点的实测声波时差值，
Figure 241573DEST_PATH_IMAGE010
。
S5、结合Pearson相关矩阵对各特征数据与Eaton指数进行相关性分析，筛选作为CNN-LSTM模型输入参数的特征数据：
结合Pearson相关矩阵对各特征数据与Eaton指数进行相关性分析：
Figure 965815DEST_PATH_IMAGE035
(4)
上式中，
Figure 839093DEST_PATH_IMAGE013
为皮尔逊相关系数，k j 为该特征的第j个变量，
Figure 156942DEST_PATH_IMAGE036
为该特征变量的算数平均值，n j 为该特征的第j个Eaton指数，
Figure 133DEST_PATH_IMAGE037
为该特征Eaton指数的算数平均值，r为变量样本数。
本次试验通过扩充后一共得到1522个深度点，步长为0.1米，以此构建的数据样本，因此，上式（4）中r为15220。
所述皮尔逊相关系数
Figure 719827DEST_PATH_IMAGE013
的数值范围为-1到1，皮尔逊相关系数
Figure 498428DEST_PATH_IMAGE013
越接近1说明两个变量正相关性越强，越接近-1说明两个变量负相关性越强，越接近0说明两个变量相关性越弱。
当
Figure 428206DEST_PATH_IMAGE038
时，选择该特征数据作为CNN-LSTM模型的输入参数。
所述特征数据包括：录井数据、测井数据、地震数据。
所述录井数据包括：钻速、钻压、大钩载荷、钻盘钻速、扭矩、泵压、排量、钻井液入口密度、钻井液出口密度、入口泥浆温度、出口泥浆温度；
所述测井数据包括：自然伽马、声波时差、岩石密度、P40H；
所述地震数据包括：层速度。
筛选后得到的特征数据为：钻速、钻压、大钩载荷、钻盘钻速、扭矩、泵压、排量、钻井液入口密度、钻井液出口密度、自然伽马、声波时差、岩石密度、P40H、层速度。
S6、搭建CNN-LSTM模型包含输入层、卷积运算层、池化层、展平层、LSTM层、全连接层、输出层具体构架如图2所示。
构建CNN原理为：卷积层是由多个特征面的组合，每个特征面有很多个神经元，而每个神经元通过卷积核与上一层的特征面局部连接，其中卷积核是一个权值矩阵。卷积层输出的第d层的第i种特征
Figure 950454DEST_PATH_IMAGE039
为:
Figure 524655DEST_PATH_IMAGE040
（5）
其中d表示为网络层数；
Figure 864370DEST_PATH_IMAGE039
为第d层的第i种特征；k为网络行数；
Figure 625652DEST_PATH_IMAGE041
为选择输入的特征集合；
Figure 217171DEST_PATH_IMAGE042
为第d-1层的第m种特征，
Figure 770512DEST_PATH_IMAGE043
是卷积核的权重；
Figure 890915DEST_PATH_IMAGE044
为第d层的第i个特征对应的偏置；“*”表示卷积操作。
输入集为S3、S4处理后的测井数据、录井数据、地震数据集以及反算Eaton指数，输出集为实测点扩充后的反演的Eaton指数，进行Eaton指数训练。
所述Eaton指数训练中输入序列长度为0.1，dropout参数为0.2，训练迭代轮数为50，CNN卷积层数为6。
通过正交试验确定模型训练参数。
所述正交试验是从全面试验中挑选出部分有代表性的点进行试验，这些有代表性的点具备了“均匀分散，齐整可比”的特点。该试验通过对CNN卷积核数、LSTM隐含层神经元个数、输出层神经元个数、激活函数的不同参数进行组合，设计出16种具有代表性的组合，最后通过误差分析对其评价。
所述误差分析的方法如下：
在训练集中以一口井为的真实Eaton指数为验证集，并结合指标平均绝对误差百分比(MAPE)和均方根误差(RMSE)对其评价：
Figure 670652DEST_PATH_IMAGE023
(6)
Figure 656407DEST_PATH_IMAGE045
(7)
其中，MAPE为平均绝对误差百分比，N为样本数，
Figure 939620DEST_PATH_IMAGE046
为Eaton指数预测值，n q 为Eaton指数真实值，RMSE为均方根误差。
所述16种具有代表性的组合及其误差分析如表1所示。
表1 参数组合及误差分析
Figure 621137DEST_PATH_IMAGE047
通过上述评价可得，当卷积核数为32，LSTM隐含层神经元180，LSTM输出神经元256，激活函数为Sigmoid时误差最小，认为模型达到最优。
实施例二
将目标井特征参数作为输入集输入实施例一训练后的CNN-LSTM模型中，以此对目标井Eaton指数全井分布进行精细化预测。
实施例三
根据实施例二得到的目标井Eaton指数全井分布，结合式（3）对地层孔隙压力进行预测，为了验证其准确性，对实测点进行标定，结果如图4所示。
对比例一
为了突出对比，对实施例二所述的地层实测点进行Eaton反算，然后按照层组进行统计（求其均值），其结果如下图3。其余步骤均同实施例三。
根据图3得到的Eaton指数结合式（3）计算得到地层孔隙压力，如图4所示。
通过对比例一与实施例三的方法得到的地层孔隙压力结果如图4所示，上部地层中采用对比例一与实施例三的方法得到的预测结果相差不大；而对于下部复杂地层，实施例三得到的预测结果准确度更高，这对深部复杂地层孔隙压力预测具有重要意义。

Claims (8)

1.一种基于CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，其特征在于，包括以下步骤：
S1、对实测点测井数据进行归一化处理；
S2、以归一化后的测井数据变化率为依据，将实测点深度H 0 二次扩充得到二次扩充连续点深度集H h ″；
S3、避开断层、岩性界面，优化二次扩充连续点深度集H h ″为优化后的连续点深度集H p ‴；
S4、利用Eaton法反算得到Eaton指数；
S5、结合Pearson相关矩阵对特征数据与Eaton指数进行相关性分析，筛选作为CNN-LSTM模型输入参数的特征数据；
S6、搭建CNN-LSTM模型并进行Eaton指数训练；
所述步骤S2的具体步骤为：
将实测点深度H 0 进行一次扩充，一次扩充连续点深度集
Figure 490841DEST_PATH_IMAGE001
；
对一次扩充连续点深度集H h ′进行二次扩充，二次扩充得到二次扩充连续点深度集H h ″；
所述二次扩充连续点深度集H h ″包括二次扩充实测点深度H 11 H 21...H 01...H h1；
所述二次扩充连续深度集H h ″满足如下公式：
Figure 628562DEST_PATH_IMAGE003
（2）
其中
Figure 215401DEST_PATH_IMAGE004
为二次扩充实测点深度H b1 处的测井数据；
Figure 438572DEST_PATH_IMAGE005
为二次扩充实测点深度H (b-1)1处的测井数据；
Figure 769059DEST_PATH_IMAGE006
为二次扩充实测点深度集H h ″对应的平均测井数据；k b 为二次扩充实测点深度H b1 处测井数据的变化率；
Figure 495706DEST_PATH_IMAGE007
为阈值，变化率的最大值应小于阈值；上式中，b为1到h之间的自然数；
所述步骤S5中，特征数据包括：录井数据、测井数据、地震数据；
步骤S6中所述CNN-LSTM模型的输入集为S3处理后的测井数据、S4处理后的反算Eaton指数以及录井数据、地震数据集，输出集为实测点扩充后的反演的Eaton指数。
2.根据权利要求1所述的基于CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，其特征在于，所述步骤S1中归一化后测井数据y i 为：
Figure 191130DEST_PATH_IMAGE008
（1）
其中，y i 为已钻井地层孔隙压力实测点处第i种特征的归一化后的测井数据，x i 为已钻井地层孔隙压力实测点处第i种特征的原始测井数据。
3.根据权利要求1所述的基于CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，其特征在于，所述步骤S4中Eaton指数反算公式为：
Figure 26231DEST_PATH_IMAGE009
（3）
式中，n为Easton指数；P 0为上覆地层压力，MPa；P p 为地层孔隙压力，MPa；P c 为地层水静液柱压力，MPa；
Figure 504617DEST_PATH_IMAGE010
为实测点正常趋势线上的声波时差值，
Figure 765001DEST_PATH_IMAGE011
；
Figure 569008DEST_PATH_IMAGE012
为实测点的实测声波时差值，
Figure 891405DEST_PATH_IMAGE011
。
4.根据权利要求1所述的基于CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，其特征在于，通过正交试验后进行误差分析确定Eaton指数训练参数组合。
5.根据权利要求1所述的基于CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，其特征在于，所述误差分析的方法为：
Figure 235799DEST_PATH_IMAGE013
（6）
Figure 937039DEST_PATH_IMAGE014
（7）
其中，MAPE为平均绝对误差百分比，N为样本数，
Figure 302161DEST_PATH_IMAGE015
为Eaton指数预测值，n q 为Eaton指数真实值，RMSE为均方根误差；
当MAPE及RMSE数值均为最小值时，选择对应的Eaton指数训练参数组合作为最优参数组合。
6.根据权利要求5所述的基于CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，其特征在于，所述最优参数组合为：卷积核数为32，LSTM隐含层神经元180，LSTM输出神经元256，激活函数为Sigmoid。
7.一种如权利要求1所述的基于CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法在Eaton指数分布预测中应用，其特征在于，
所述应用方法为：通过S6模型训练达到最优时，将目标井特征参数作为输入集输入所述CNN-LSTM模型中，对目标井全井Eaton分布进行精细化预测。
8.一种如权利要求3所述的基于CNN-LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法在预测地层孔隙压力中的应用，其特征在于，
所述应用方法为：将目标井特征参数作为输入集输入所述训练后的CNN-LSTM模型中，并结合式（3）对地层孔隙压力进行预测。
CN202210983955.8A 2022-08-17 2022-08-17 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 Active CN115049173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210983955.8A CN115049173B (zh) 2022-08-17 2022-08-17 深度学习和Eaton法耦合驱动地层孔隙压力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210983955.8A CN115049173B (zh) 2022-08-17 2022-08-17 深度学习和Eaton法耦合驱动地层孔隙压力预测方法

Publications (2)

Publication Number Publication Date
CN115049173A CN115049173A (zh) 2022-09-13
CN115049173B true CN115049173B (zh) 2022-10-21

Family

ID=83168381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210983955.8A Active CN115049173B (zh) 2022-08-17 2022-08-17 深度学习和Eaton法耦合驱动地层孔隙压力预测方法

Country Status (1)

Country Link
CN (1) CN115049173B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574781B (zh) * 2024-01-15 2024-04-16 国网湖北省电力有限公司经济技术研究院 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109577969A (zh) * 2018-12-07 2019-04-05 中国地质大学（武汉） 一种基于岩石压缩系数计算碳酸盐岩地层孔隙压力的方法
CN113033648A (zh) * 2021-03-19 2021-06-25 中海石油(中国)有限公司海南分公司 一种使用机器学习算法实现测井解释的方法
CN113283182A (zh) * 2021-07-06 2021-08-20 中海石油(中国)有限公司 地层压力预测分析方法、装置、介质及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101827108B1 (ko) * 2016-05-04 2018-02-07 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법
CN108665546B (zh) * 2018-05-17 2021-07-30 四川大学 一种结合深度学习的多点地质统计三维建模方法
EP3989163B1 (en) * 2020-10-24 2023-12-06 Tata Consultancy Services Limited Method and system for unsupervised prediction of image depth and confidence map
CN112733449B (zh) * 2021-01-11 2022-12-02 中国海洋大学 一种cnn井震联合反演方法、系统、存储介质、设备及应用

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109577969A (zh) * 2018-12-07 2019-04-05 中国地质大学（武汉） 一种基于岩石压缩系数计算碳酸盐岩地层孔隙压力的方法
CN113033648A (zh) * 2021-03-19 2021-06-25 中海石油(中国)有限公司海南分公司 一种使用机器学习算法实现测井解释的方法
CN113283182A (zh) * 2021-07-06 2021-08-20 中海石油(中国)有限公司 地层压力预测分析方法、装置、介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于LSTM-BP 神经网络的地层孔隙压力计算方法";宋先知;《石油科学通报》;20220331;全文 *
"白云深水区地层破裂压力计算方法及应用";何雁兵;《海洋地质前沿》;20220531;全文 *

Also Published As

Publication number Publication date
CN115049173A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN109447532B (zh) 一种基于数据驱动的油藏井间连通性确定方法
CN112901137B (zh) 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法
CN110287516B (zh) 一种页岩气藏压裂水平井可压性综合评价方法
Du et al. The connectivity evaluation among wells in reservoir utilizing machine learning methods
CN112100930B (zh) 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法
CN115049173B (zh) 深度学习和Eaton法耦合驱动地层孔隙压力预测方法
CN111722283B (zh) 一种地层速度模型建立方法
CN113537585A (zh) 基于随机森林和梯度提升决策树的油田增产措施推荐方法
CN114358434A (zh) 基于lstm循环神经网络模型的钻井机械钻速预测方法
Abdel Azim Application of artificial neural network in optimizing the drilling rate of penetration of western desert Egyptian wells
CN116384554A (zh) 机械钻速预测方法、装置、电子设备及计算机存储介质
CN112034521A (zh) 一种欠压实与生烃混合成因地层超压的预测方法
CN116305850A (zh) 一种基于随机森林模型的地层热导率预测方法
Hou et al. Data-driven optimization of brittleness index for hydraulic fracturing
Yang et al. Porosity prediction from pre-stack seismic data via a data-driven approach
CN113486539A (zh) 一种深水钻井全过程中地层压力不确定性分析方法
Liu Potential for evaluation of interwell connectivity under the effect of intraformational bed in reservoirs utilizing machine learning methods
CN110118994B (zh) 一种基于地震反演和机器学习的陆相烃源岩定量预测方法
CN115964667A (zh) 基于深度学习和重采样的河流-湖泊岩相测井识别方法
Gowida et al. Comparative analysis between different artificial based models for predicting static Poisson’s ratio of sandstone formations
CN111749675A (zh) 一种基于级联模型算法的地层可钻性预测方法及系统
CN115809587A (zh) 基于深度网络与avo分析相结合的叠前含气性预测方法
CN113608258A (zh) 一种构建高分辨率波阻抗反演标签的自洽深度学习方法
Shi et al. Acoustic impedance inversion in coal strata using the priori constraint-based TCN-BiGRU method
Nath et al. Prediction and analysis of geomechanical properties using deep learning: A Permian Basin case study

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