CN115062271A - 基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质 - Google Patents
基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115062271A CN115062271A CN202210667243.5A CN202210667243A CN115062271A CN 115062271 A CN115062271 A CN 115062271A CN 202210667243 A CN202210667243 A CN 202210667243A CN 115062271 A CN115062271 A CN 115062271A
- Authority
- CN
- China
- Prior art keywords
- drilling
- data
- prediction
- drilling rate
- shallow
- 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.)
- Withdrawn
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 89
- 230000015654 memory Effects 0.000 claims abstract description 34
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000006403 short-term memory Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 230000007787 long-term memory Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 17
- 210000004027 cell Anatomy 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及地质钻探技术领域，具体涉及基于Bi‑LSTM的钻速超前预测方法、系统、设备及存储介质。方法包括获取钻头后方的浅层钻速原始数据，并对浅层钻速原始数据进行预处理，得到浅层钻速数据；根据浅层钻速数据构建钻速数据训练样本集；构建模型训练条件参数，并初始化预置的双向长短期记忆网络模型；利用钻速数据训练样本集对初始化后的双向长短期记忆网络模型进行迭代训练，直至迭代训练过程满足模型训练条件参数，得到钻速预测模型；将浅层钻速数据导入钻速预测模型进行测算，得到钻头前方的钻速预测结果。本发明可以实现基于双向长短期记忆网络的钻速超前预测，在钻进过程中有效提高钻速超前预测的准确度。
Description
技术领域
本发明涉及地质钻探技术领域，具体涉及基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质。
背景技术
机械钻速是指在钻进过程中钻头在单位纯钻进时间内所钻开地层的进尺，作为石油工程钻井作业的重要经济指标，是影响钻井效率的关键因素之一。机械钻速的准确预测可以指导钻井过程中水力参数、机械参数、钻头相关参数的合理配置，提高效率，降低油气开发成本。
现有的机械钻速预测方法大致可以分为以下几类：第1类方法是经验公式预测法，早期，科研人员分析了钻压、井眼直径、排量和钻速等影响转速的主要因素，并给出了它们之间的统计关系，提出了一系列钻速经验公式。第2类方法是计算机仿真模型法，通过建立井底模型、钻头模型和牙齿与岩石相互作用数学模型，并把这些模型有机的结合起来，形成一个可以代替真实系统的仿真模型。第3类方法是利用已钻井信息，建立钻速和地球物理反演数据之间的关系，利用地球物理反演数据对设计井的钻速进行预测。第4类方法是基于机器学习的钻速预测法，利用与机械钻速相关的训练参数，训练机器学习模型，直至输出值与真实钻速的差值小到足以满足实际生产需求，模型训练停止，利用训练的机器学习模型进行机械钻速预测。
一方面，准确性是机械钻速预测的基础，准确性差的模型可能干扰钻井过程中的判断，为钻井带来诸多隐患，上述4类方法都需要在钻井前根据已有的经验信息建立预测模型，并对设计井进行钻速预测，在已有资料较少或者设计井与实际钻井地质特征差异较大的区域，上述方法预测的钻速准确度相对较低。另一方面，实时性和超前性是钻速预测模型能够应用的前提条件，实时反馈高精度的钻速预测结果并将结果传输至钻速优化模块中，模型预测的结果才有应用的可能，但除了计算机仿真模型法之外，上述3种方法必须都是建立在钻后数据评价基础上，对预测模型优化均具有一定的滞后性，导致工期延长，无法实现钻头超前钻速的实时预测，钻井成本增大。
发明内容
针对现有技术存在的不足，本发明提供了基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质，其应用时，可以实现基于双向长短期记忆网络的钻速超前预测，在钻进过程中有效提高钻速超前预测的准确度。
第一方面，本发明提供基于Bi-LSTM的钻速超前预测方法，包括：
获取钻头后方的浅层钻速原始数据，并对浅层钻速原始数据进行预处理，得到浅层钻速数据；
根据浅层钻速数据构建钻速数据训练样本集；
构建模型训练条件参数，并初始化预置的双向长短期记忆网络模型；
利用钻速数据训练样本集对初始化后的双向长短期记忆网络模型进行迭代训练，直至迭代训练过程满足模型训练条件参数，得到钻速预测模型；
将浅层钻速数据导入钻速预测模型进行测算，得到钻头前方的钻速预测结果。
在一个可能的设计中，所述对浅层钻速原始数据进行预处理，包括：对浅层钻速原始数据进行异常值去除处理、深度对齐处理以及归一化处理。
在一个可能的设计中，所述将浅层钻速数据导入钻速预测模型进行测算，得到钻头前方的钻速预测结果，包括：
将浅层钻速数据导入钻速预测模型进行测算，得到预测数据；
对预测数据进行反归一化处理，得到钻头前方一定深度范围内的钻速预测结果。
在一个可能的设计中，所述根据浅层钻速数据构建钻速数据训练样本集，包括：截取浅层钻速数据中设定钻井深度段内的钻速数据来构建训练样本集。
在一个可能的设计中，所述模型训练条件参数包括目标值误差值和最大迭代次数。
在一个可能的设计中，所述钻速数据训练样本集包括钻速值数据，所述利用钻速数据训练样本集对初始化后的双向长短期记忆网络模型进行迭代训练，直至迭代训练过程达到模型训练条件参数，包括：
利用钻速数据训练样本集进行双向长短期记忆网络模型的正向和反向钻速迭代训练预测，将每次的预测结果与钻速数据训练样本集中对应的钻速值数据进行比较，计算预测误差值，直至误差值小于目标值误差值或/和迭代训练的次数超过最大迭代次数。
在一个可能的设计中，所述目标值误差值为0.01，所述最大迭代次数为5000。
第二方面，本发明提供基于Bi-LSTM的钻速超前预测系统，。
第三方面，本发明提供一种计算机设备，所述计算机设备包括：
存储器，用于存储指令；
处理器，用于读取所述存储器中存储的指令，并根据指令执行上述第一方面中任意一种所述的基于Bi-LSTM的钻速超前预测方法。
第四方面，本发明提供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指令，当所述指令在计算机上运行时，使得所述计算机执行上述第一方面中任意一种所述的基于Bi-LSTM的钻速超前预测方法。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行上述第一方面中任意一种所述的基于Bi-LSTM的钻速超前预测方法。
本发明的有益效果为：
本发明通过利用钻头后方的浅层钻速数据来构建训练样本，并配置好相应的训练条件参数，以对双向长短期记忆网络模型进行预测迭代训练，得到钻速预测模型，然后将钻头后方的浅层钻速数据导入钻速预测模型进行预测，得到钻头前方的钻速预测结果。这样在钻井过程中只需利用浅层钻速数据，就可以实现基于双向长短期记忆网络的钻速超前预测，在钻进过程中有效提高钻速超前预测的准确度。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明的方法步骤示意图；
图2为发明的方法实施流程示意图；
图3为长短期记忆网络的结构示意图；
图4为双向长短期记忆网络的结构示意图；
图5为实施例中实验钻速预测结果示意图；
图6为本发明的系统构成示意图；
图7为本发明的计算机设备构成示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，术语第一、第二等仅用于区分描述，而不能理解为指示或暗示相对重要性。尽管本文可以使用术语第一、第二等等来描述各种单元，这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元，并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实施例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
实施例1：
本实施例提供基于Bi-LSTM(Long Short-Term Memory，双向长短期记忆网络)的钻速超前预测方法，如图1至图2所示，方法包括以下步骤：
S101.获取钻头后方的浅层钻速原始数据，并对浅层钻速原始数据进行预处理，得到浅层钻速数据。
具体实施时，可在钻头的钻进过程中采集钻头后方的浅层钻速原始数据，该浅层钻速原始数据包括若干浅层钻速曲线信息及对应的钻速值等，然后对浅层钻速原始数据进行预处理，具体可包括异常值去除处理、深度对齐处理以及归一化处理。异常值去除处理可将浅层的钻速值取平均值，然后利用平均值替换或去掉比较差异较大的钻速值；深度对齐处理即深度延迟处理，可使各浅层钻速曲线以设定记录点深度为基准作相应的延迟，以使各浅层钻速曲线能相互对比；归一化处理即利用数据归一化方法对浅层钻速原始数据进行收敛处理，数据归一化是机器学习一项基础工作，归一化数据可以消除参数间的数据级别和量纲差异造成的影响，减少网络误差和计算复杂度，加快网络收敛速度，避免造成梯度爆炸和梯度消失的问题，提高模型预测精度，本实施例采用的数据归一化公式为：
式中，xmin和xmax分别为数据样本点xi的最小值和最大值，
为归一化后的数据。
S102.根据浅层钻速数据构建钻速数据训练样本集。
具体实施时，可根据浅层钻速数据构建钻速数据训练样本集，具体过程包括：截取浅层钻速数据中设定钻井深度段内的钻速数据来构建训练样本集，如已钻取的500米-1000米范围内的各浅层钻速数据等。
S103.构建模型训练条件参数，并初始化预置的双向长短期记忆网络模型。
具体实施时，可调取预置的双向长短期记忆网络模型进行参数初始化处理，供后续训练使用，并设定后续进行双向长短期记忆网络模型训练的条件参数，该模型训练条件参数包括目标值误差值和最大迭代次数，其中，目标值误差值可设定为0.01，最大迭代次数可设定为5000。
长短期记忆网络(LSTM)是为了改进循环神经网络(recurrent neuralnetwork，RNN)而设计的一种深度学习网络结构，其结构如图3所示。RNN能处理的时序信息范围有限，随着输入序列样本的增加，损失函数的偏导数权重矩阵将倾向于零或无穷大，容易出现梯度消失或梯度爆炸的问题，因此，RNN不能有效处理长期依赖问题。LSTM神经网络具有同RNN一样的链式结构，但与RNN单一的神经网络层又有较大的差异，LSTM在原RNN隐含层单元基础上设计了遗忘门、输入门和输出门，通过这些门结构判断输入信息需要遗忘和保留的比例，从而记住长序列的信息，避免RNN梯度消失或梯度爆炸的问题。
首先，LSTM神经网络通过遗忘门决定遗忘哪些无用的信息，遗忘门会读取当前细胞的输入xt和上一个细胞的信息
通过式(1)决定遗忘门的输出：
ft＝σ(Wf[ht-1,xt]+bf) (1)
式(1)中，ft为遗忘门的输出；ht-1为上一个细胞的输出；xt为当前细胞的输入；σ为sigmoid激活函数；Wf和bf分别为遗忘门的权重和偏置。
然后，通过输入门决定让多少新的信息进入细胞状态中，以确定下一个隐藏层状态，t时刻的计算表达式可以表示为
it＝σ(Wi[ht-1,xt]+bi) (2)
式(2)中：it为输入门的输出；Wi和bi分别为遗忘门的权重和偏置。
此时，细胞的状态更新为Ct，如式(3)所示：
Ct＝Ct-1ft+ittanh(Wc[ht-1,xt]+bc) (3)
式(3)中：Ct-1为上一个细胞的状态；tanh为激活函数；Wc和bc分别为状态的权重和偏置。
最后，输出门的输出ot和细胞状态Ct相乘，得细胞的最终输出ht，可以表示为
式(4)中，ot为输出门的输出bc；Wo和bo分别为输出门的权重和偏置。
与RNN相比，LSTM在处理长期依赖问题上表现出了一定的优势，但由于其只能依赖过去时刻的信息来预测未来时刻的状态，在某些问题中，当前时刻的输出不仅与过去时刻的信息有关，还可能与未来的状态有关，因此LSTM在实际运用过程中仍存在不足。
双向长短记忆期神经网络(Bi-LSTM)是由两个LSTM神经网络组成，一个是正向LSTM神经网络，利用过去信息；一个是反向，利用未来信息。因此，Bi-LSTM神经网络具有同时利用过去时刻和未来时刻信息进行学习的能力，在处理时间/深度序列问题上，具有较大的优势。Bi-LSTM神经网络如图4所示，正反向LSTM神经网络的运算过程，表达式为
式(5)中，f为激活函数；
为正向LSTM神经网络的输出；
和
分别为相应的权重和偏置；
为反向LSTM神经网络的输出；
和
分别为相应的权重和偏置。
将正向LSTM神经网络和反向LSTM神经网络拼接在一起，即可得Bi-LSTM神经网络的输出，其表达式为
式(6)中，g为激活函数，yt为Bi-LSTM神经网络的输出，U和c分别为相应的权重和偏置。
S104.利用钻速数据训练样本集对初始化后的双向长短期记忆网络模型进行迭代训练，直至迭代训练过程满足模型训练条件参数，得到钻速预测模型。
具体实施时，在得到初始化后的双向长短期记忆网络模型后即可根据训练条件参数，利用钻速数据训练样本集对双向长短期记忆网络模型进行迭代训练，直至迭代训练过程满足模型训练条件参数，得到钻速预测模型。其中，迭代训练至满足模型训练条件参数的过程包括：利用钻速数据训练样本集进行双向长短期记忆网络模型的正向和反向钻速迭代训练预测，将每次的预测结果与钻速数据训练样本集中对应的钻速值数据进行比较，计算预测误差值，直至误差值小于目标值误差值或/和迭代训练的次数超过最大迭代次数为止，结束训练得到钻速预测模型。
S105.将浅层钻速数据导入钻速预测模型进行测算，得到钻头前方的钻速预测结果。
具体实施时，可将浅层钻速数据导入钻速预测模型进行测算，得到钻头前方的钻速预测结果，具体过程包括：将浅层钻速数据导入钻速预测模型进行测算，得到预测数据；然后对预测数据进行反归一化处理，得到钻头前方一定深度范围内的钻速预测结果，即钻速预测值。
基于双向长短期记忆神经网络的钻速超前预测方法，双向长短期记忆网络具有利用过去和未来数据信息进行学习的能力，能够发现时间/深度序列数据中隐藏的、非直观的模式，并理解复杂的因果关系，挖掘数据中蕴含的高度非线性联系。采用本实施例的方法可以实现基于双向长短期记忆网络的钻速超前预测，有效提高钻速超前预测的准确度，经实际应用检验，可对钻头前方200米范围的钻速进行有效预测。以某探区A井实际钻速预测实验为例：
该井浅层(0-1000m)和中层(1000-1500m)主要发育泥岩，中深层(1500-3500m)主要发育泥岩、粉砂岩、细砂岩、中砂岩和砂砾岩；深层(3500-4200m)主要发育火山岩。该井总深度4200m，目的是利用浅层机械钻速和本专利给出的钻速模型实时超前预测钻头前方200m左右的钻速。在构建并配置双向长短期记忆网络模型时优化损失函数以浅层钻速实际值和预测值之间的均方根误差为评估指标，经过多次迭代训练，得到Bi-LSTM模型的训练参数为：时间步长为12，样本批量大小为32，隐藏层的个数为3，每个隐藏层的神经元个数为300。采用自适应学习率优化算法Nadam对网络结构进行智能寻优迭代，初始学习率(learning rate)为设置为0.003。在网络训练中还引入了dropout正则化技术，丢弃率(dropout rate)设置为0.22，随机丢弃部分神经元其目的是为了防止过拟合，提高网络的泛化能力；激活函数选用ReLU函数进行特征提取，提高网络的鲁棒性和稳定性。最后通过双向长短期记忆网络模型经过多轮自动迭代，对钻头前方200m钻速进行了预测，如图5所示，实际钻速与预测钻速之间的相关系数为0.94，预测机械钻速精度为89％，较传统物理模型提高16％。
实施例2：
本实施例提供基于Bi-LSTM的钻速超前预测系统，如图6所示，包括数据获取单元、样本构建单元、条件构建单元、迭代训练单元和钻速预测单元，其中：
数据获取单元，用于获取钻头后方的浅层钻速原始数据，并对浅层钻速原始数据进行预处理，得到浅层钻速数据；
样本构建单元，用于根据浅层钻速数据构建钻速数据训练样本集；
条件构建单元，用于构建模型训练条件参数，并初始化预置的双向长短期记忆网络模型；
迭代训练单元，用于利用钻速数据训练样本集对初始化后的双向长短期记忆网络模型进行迭代训练，直至迭代训练过程满足模型训练条件参数，得到钻速预测模型；
钻速预测单元，用于将浅层钻速数据导入钻速预测模型进行测算，得到钻头前方的钻速预测结果。
实施例3：
本实施例提供一种计算机设备，如图7所示，在硬件层面，包括：
通讯接口，用于建立处理器与数据来源端的通讯连接；
存储器，用于存储指令；
处理器，用于读取所述存储器中存储的指令，并根据指令执行实施例1中基于Bi-LSTM的钻速超前预测方法。
可选地，该计算机设备还包括内部总线。处理器、存储器和通讯接口可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(Extended Industry Standard Architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
所述存储器可以但不限于包括随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等。所述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例4：
本实施例提供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指令，当所述指令在计算机上运行时，使得所述计算机执行实施例1中基于Bi-LSTM的钻速超前预测方法。
其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程系统。
实施例5：
本实施例提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行实施例1中基于Bi-LSTM的钻速超前预测方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程系统。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于Bi-LSTM的钻速超前预测方法，其特征在于，包括：
获取钻头后方的浅层钻速原始数据，并对浅层钻速原始数据进行预处理，得到浅层钻速数据；
根据浅层钻速数据构建钻速数据训练样本集；
构建模型训练条件参数，并初始化预置的双向长短期记忆网络模型；
利用钻速数据训练样本集对初始化后的双向长短期记忆网络模型进行迭代训练，直至迭代训练过程满足模型训练条件参数，得到钻速预测模型；
将浅层钻速数据导入钻速预测模型进行测算，得到钻头前方的钻速预测结果。
2.根据权利要求1所述的基于Bi-LSTM的钻速超前预测方法，其特征在于，所述对浅层钻速原始数据进行预处理，包括：对浅层钻速原始数据进行异常值去除处理、深度对齐处理以及归一化处理。
3.根据权利要求2所述的基于Bi-LSTM的钻速超前预测方法，其特征在于，所述将浅层钻速数据导入钻速预测模型进行测算，得到钻头前方的钻速预测结果，包括：
将浅层钻速数据导入钻速预测模型进行测算，得到预测数据；
对预测数据进行反归一化处理，得到钻头前方一定深度范围内的钻速预测结果。
4.根据权利要求1所述的基于Bi-LSTM的钻速超前预测方法，其特征在于，所述根据浅层钻速数据构建钻速数据训练样本集，包括：截取浅层钻速数据中设定钻井深度段内的钻速数据来构建训练样本集。
5.根据权利要求1所述的基于Bi-LSTM的钻速超前预测方法，其特征在于，所述模型训练条件参数包括目标值误差值和最大迭代次数。
6.根据权利要求5所述的基于Bi-LSTM的钻速超前预测方法，其特征在于，所述钻速数据训练样本集包括钻速值数据，所述利用钻速数据训练样本集对初始化后的双向长短期记忆网络模型进行迭代训练，直至迭代训练过程达到模型训练条件参数，包括：
利用钻速数据训练样本集进行双向长短期记忆网络模型的正向和反向钻速迭代训练预测，将每次的预测结果与钻速数据训练样本集中对应的钻速值数据进行比较，计算预测误差值，直至误差值小于目标值误差值或/和迭代训练的次数超过最大迭代次数。
7.根据权利要求5所述的基于Bi-LSTM的钻速超前预测方法，其特征在于，所述目标值误差值为0.01，所述最大迭代次数为5000。
8.基于Bi-LSTM的钻速超前预测系统，其特征在于，包括数据获取单元、样本构建单元、条件构建单元、迭代训练单元和钻速预测单元，其中：
数据获取单元，用于获取钻头后方的浅层钻速原始数据，并对浅层钻速原始数据进行预处理，得到浅层钻速数据；
样本构建单元，用于根据浅层钻速数据构建钻速数据训练样本集；
条件构建单元，用于构建模型训练条件参数，并初始化预置的双向长短期记忆网络模型；
迭代训练单元，用于利用钻速数据训练样本集对初始化后的双向长短期记忆网络模型进行迭代训练，直至迭代训练过程满足模型训练条件参数，得到钻速预测模型；
钻速预测单元，用于将浅层钻速数据导入钻速预测模型进行测算，得到钻头前方的钻速预测结果。
9.一种计算机设备，其特征在于，包括：
存储器，用于存储指令；
处理器，用于读取所述存储器中存储的指令，并根据指令执行权利要求1-7任意一项所述的基于Bi-LSTM的钻速超前预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行权利要求1-7任意一项所述的基于Bi-LSTM的钻速超前预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210667243.5A CN115062271A (zh) | 2022-06-13 | 2022-06-13 | 基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210667243.5A CN115062271A (zh) | 2022-06-13 | 2022-06-13 | 基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115062271A true CN115062271A (zh) | 2022-09-16 |
Family
ID=83200945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210667243.5A Withdrawn CN115062271A (zh) | 2022-06-13 | 2022-06-13 | 基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062271A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307302A (zh) * | 2023-05-23 | 2023-06-23 | 西南交通大学 | 轨道不平顺动静态检测数据反演方法、系统及存储介质 |
-
2022
- 2022-06-13 CN CN202210667243.5A patent/CN115062271A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307302A (zh) * | 2023-05-23 | 2023-06-23 | 西南交通大学 | 轨道不平顺动静态检测数据反演方法、系统及存储介质 |
| CN116307302B (zh) * | 2023-05-23 | 2023-07-25 | 西南交通大学 | 轨道不平顺动静态检测数据反演方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
| CN114492211B (zh) | 一种基于自回归网络模型的剩余油分布预测方法 | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
| CN110515123B (zh) | 基于小样本学习的卷积神经网络地震测井联合反演方法 | |
| CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
| Gopalakrishnan et al. | Sentiment analysis using simplified long short-term memory recurrent neural networks | |
| CN115204064B (zh) | 一种页岩油开采中注气吞吐参数优化方法及系统 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN109635244A (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
| CN117236390A (zh) | 一种基于交叉注意力扩散模型的储层预测方法 | |
| CN115062271A (zh) | 基于Bi-LSTM的钻速超前预测方法、系统、设备及存储介质 | |
| CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
| CN111048163A (zh) | 一种基于高阶神经网络的页岩油滞留烃量（s1）评价方法 | |
| CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
| Chatzikonstantinou et al. | Recurrent neural network pruning using dynamical systems and iterative fine-tuning | |
| CN116468166A (zh) | 一种深度学习径流量预测模型及方法 | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
| CN115994608A (zh) | 基于双向门控循环单元的压裂井产量预测方法及装置 | |
| Zhang et al. | Advance prediction of coastal groundwater levels with temporal convolutional and long short-term memory networks | |
| CN111487679B (zh) | 横波速度预测方法、装置和设备 | |
| CN116628444A (zh) | 一种基于改进元学习的水质预警方法 | |
| CN113705878B (zh) | 水平井出水量的确定方法、装置、计算机设备及存储介质 | |
| CN114331071A (zh) | 模型训练方法、压裂参数确定方法、装置和计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220916 |
|
| WW01 | Invention patent application withdrawn after publication |