CN115293462B - 一种基于深度学习的漏失通道尺寸范围预测方法 - Google Patents

一种基于深度学习的漏失通道尺寸范围预测方法 Download PDF

Info

Publication number
CN115293462B
CN115293462B CN202211219444.5A CN202211219444A CN115293462B CN 115293462 B CN115293462 B CN 115293462B CN 202211219444 A CN202211219444 A CN 202211219444A CN 115293462 B CN115293462 B CN 115293462B
Authority
CN
China
Prior art keywords
size range
channel
leakage
prediction model
representing
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
CN202211219444.5A
Other languages
English (en)
Other versions
CN115293462A (zh
Inventor
王贵
何杰
曹成
任妍君
李方
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202211219444.5A priority Critical patent/CN115293462B/zh
Publication of CN115293462A publication Critical patent/CN115293462A/zh
Application granted granted Critical
Publication of CN115293462B publication Critical patent/CN115293462B/zh
Priority to US18/128,245 priority patent/US20240125959A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • Acoustics & Sound (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的漏失通道尺寸范围预测方法，包括以下步骤：S1：采集漏失通道数据，建立漏失通道尺寸范围预测数据集；S2：对漏失通道尺寸范围预测数据集进行预处理，并确定漏失通道尺寸范围；S3：构建漏失通道尺寸范围预测模型；S4：对漏失通道尺寸范围预测模型进行优化训练，并进行漏失通道尺寸范围预测。本发明了克服了常规方法对井下漏失通道尺寸预测值单一、不准确与实时性不足等缺点，利用深度学习模型对井下漏失通道尺寸范围进行实时预测，消除了传统手工选择特征的繁琐与不确定性。

Description

一种基于深度学习的漏失通道尺寸范围预测方法
技术领域
本发明属于石油钻井工程堵漏技术领域，具体涉及一种基于深度学习的漏失通道尺寸范围预测方法。
背景技术
井漏是石油与天然气勘探开发中钻井工作液在不同地层中部分或全部漏失的井下复杂情况。孔隙、裂缝或溶洞等钻井液流动的漏失通道是井漏产生的必要条件之一，也是现场堵漏施工作业的重要依据。钻井液的漏失不仅会增加非生产时间和运营成本，还会导致井壁失稳、卡钻和井喷等安全隐患。因此，建立漏失通道尺寸范围预测模型，预测不同地层的漏失通道尺寸范围，对井漏处理方案快速决策、钻井工程安全和成本控制都具有重要意义。
常规的漏失通道尺寸预测方法主要是通过地震方法或测井资料识别孔洞和裂缝系统。由于地震和测井资料的解析精度有限，虽然对大裂缝和断层具有较好识别能力，但微小裂缝识别的准确率低，裂缝动态呼吸效应以及成像测井工况与钻井工况差异，均会导致井下漏失通道尺寸计算偏差。深度学习作为一种机器学习方法，是一种从数据中学习并获得输入参数和输出结果之间复杂的非线性关系的有效方法，这种数据驱动的方法在处理钻探复杂问题的不确定性、识别隐藏模式和揭示有用信息方面具有独特的优势。
发明内容
本发明为了解决上述问题，提出了一种基于深度学习的漏失通道尺寸范围预测方法。
本发明的技术方案是：一种基于深度学习的漏失通道尺寸范围预测方法包括以下步骤：
S1：采集漏失通道数据，建立漏失通道尺寸范围预测数据集；
S2：对漏失通道尺寸范围预测数据集进行预处理，并确定漏失通道尺寸范围；
S3：将预处理后的漏失通道尺寸范围预测数据集作为输入，将漏失通道尺寸范围作为输出，构建漏失通道尺寸范围预测模型；
S4：对漏失通道尺寸范围预测模型进行优化训练，并利用优化训练后的漏失通道尺寸范围预测模型进行漏失通道尺寸范围预测。
进一步地，步骤S1中，漏失通道尺寸范围预测数据集包括钻井参数、钻井液参数、地质力学模型参数和漏失参数；
钻井参数包括井深、井眼尺寸、钻速、转盘转速、扭矩、钻压、排量、泵压、泵冲和井眼轨迹；钻井液参数包括密度、马氏漏斗粘度、塑性粘度、屈服点、初切、终切、滤失量和固相含量；地质力学模型参数包括岩性类型、岩石力学参数、孔隙压力、地层破裂压力、垂直应力、最小水平应力和最大水平应力；漏失参数包括漏失速度、漏失量、漏失时间、漏失程度、漏失工况和钻头位置；其中，岩石力学参数包括弹性参数、无侧限抗压强度、抗拉强度、抗剪强度、内摩擦角和内聚强度。
进一步地，步骤S2中，对漏失通道尺寸范围预测数据集进行预处理的具体方法为：对漏失通道尺寸范围预测数据集依次进行数据清洗、特征编码和数据归一化，得到特征向量，完成数据预处理。
进一步地，步骤S2中，进行数据归一化的计算公式为：
Figure 15751DEST_PATH_IMAGE001
其中，
Figure 196197DEST_PATH_IMAGE002
，n表示漏失通道尺寸范围预测数据集特征总数，
Figure 920439DEST_PATH_IMAGE003
表示归一化漏失通道尺寸范围特征数据，
Figure 528138DEST_PATH_IMAGE004
表示原始特征数据，
Figure 190195DEST_PATH_IMAGE005
表示特征数据的最小值，
Figure 439910DEST_PATH_IMAGE006
表示特征数据的最大值；
步骤S2中，漏失通道尺寸范围的计算公式为：
Figure 18659DEST_PATH_IMAGE007
其中，
Figure 797259DEST_PATH_IMAGE008
表示漏失通道尺寸范围向量，
Figure 445147DEST_PATH_IMAGE009
表示漏失通道尺寸范围的最小值，
Figure 232975DEST_PATH_IMAGE010
表示漏失通道尺寸范围的最大值，
Figure 541596DEST_PATH_IMAGE011
表示堵漏配方的累计粒度分布达到50%时所对应的粒径，
Figure 615732DEST_PATH_IMAGE012
表示堵漏配方的累计粒度分布达到90%时所对应的粒径，
Figure 642593DEST_PATH_IMAGE013
表示漏失通道尺寸。
进一步地，步骤S3中，建立漏失通道尺寸范围预测模型的具体方法为：将预处理后的漏失通道尺寸范围预测数据集作为输入，设计漏失通道尺寸范围预测模型的正则化损失函数
Figure 578320DEST_PATH_IMAGE014
和性能评价指标
Figure 7027DEST_PATH_IMAGE015
，并设定漏失通道尺寸范围预测模型的隐藏层数L、每个隐藏层的神经元数量
Figure 517643DEST_PATH_IMAGE016
和每个隐藏层对应的激活函数为
Figure 766221DEST_PATH_IMAGE017
(x)，根据漏失通道尺寸范围预测模型的正则化损失函数
Figure 27611DEST_PATH_IMAGE014
对隐藏层数L、每个隐藏层的神经元数量
Figure 310825DEST_PATH_IMAGE016
和每个隐藏层对应的激活函数为
Figure 867708DEST_PATH_IMAGE017
(x)的模型进行迭代，直至达到最优性能评价指标
Figure 728217DEST_PATH_IMAGE015
，完成漏失通道尺寸范围预测模型构建，其中，
Figure 395958DEST_PATH_IMAGE018
表示漏失通道尺寸范围预测模型的预测向量，
Figure 143466DEST_PATH_IMAGE019
表示真实漏失通道尺寸范围向量。
进一步地，漏失通道尺寸范围预测模型的输出层采用ReLU函数作为激活函数；
漏失通道尺寸范围预测模型的正则化损失函数
Figure 730305DEST_PATH_IMAGE014
的表达式为：
Figure 219055DEST_PATH_IMAGE020
其中，
Figure 690488DEST_PATH_IMAGE018
表示漏失通道尺寸范围预测模型的预测向量，
Figure 56616DEST_PATH_IMAGE019
表示真实漏失通道尺寸范围向量，m表示数据集样本数量，
Figure 689722DEST_PATH_IMAGE021
表示漏失通道尺寸范围预测模型的正则化参数，W表示漏失通道尺寸范围预测模型的权重矩阵，
Figure 524823DEST_PATH_IMAGE022
表示权重矩阵的欧几里得范数；
漏失通道尺寸范围预测模型的性能评价指标
Figure 534368DEST_PATH_IMAGE015
的计算公式为：
Figure 522046DEST_PATH_IMAGE023
。
进一步地，步骤S4包括以下子步骤：
S41：构建漏失通道尺寸范围预测模型的训练样本矩阵；
S42：对训练样本矩阵划分子集，并设置迭代次数；
S43：计算每个子集的漏失通道尺寸范围预测模型每一层的输入向量和输出向量，直至得到漏失通道尺寸范围预测模型的预测向量；
S44：根据漏失通道尺寸范围预测模型的预测向量，计算每个子集的漏失通道尺寸范围预测模型的损失成本函数；
S45：通过反向传播算法计算漏失通道尺寸范围预测模型每一层权重的微分和偏置的微分；
S46：计算Momentum权重微分指数加权平均数、Momentum偏置微分指数加权平均数、RMSprop权重微分平方的加权平均数和RMSprop偏置微分平方的加权平均数，并根据Momentum权重微分指数加权平均数、Momentum偏置微分指数加权平均数、RMSprop权重微分平方的加权平均数和RMSprop偏置微分平方的加权平均数计算偏差修正Momentum权重微分指数加权平均数、偏差修正Momentum偏置微分指数加权平均数、偏差修正RMSprop权重微分平方的加权平均数和偏差修正RMSprop偏置微分平方的加权平均数；
S47：更新漏失通道尺寸范围预测模型的权重和偏置；
S48：重复步骤S43-S47，直至达到设置的迭代次数，完成漏失通道尺寸范围预测模型优化训练，并利用优化训练后的漏失通道尺寸范围预测模型进行漏失通道尺寸范围预测。
进一步地，步骤S41中，训练样本矩阵包括由特征向量组成的输入矩阵
Figure 591633DEST_PATH_IMAGE024
和由漏失通道尺寸范围向量组成的输出矩阵Y，其中，
Figure 648451DEST_PATH_IMAGE025
，
Figure 461686DEST_PATH_IMAGE026
，
Figure 428505DEST_PATH_IMAGE027
表示漏失通道尺寸范围预测模型的输入参数向量，每一项由特征向量
Figure 42895DEST_PATH_IMAGE028
组成，
Figure 462375DEST_PATH_IMAGE029
和
Figure 938356DEST_PATH_IMAGE030
表示漏失通道尺寸范围预测模型的输出向量，每一项由漏失通道尺寸范围向量
Figure 25261DEST_PATH_IMAGE008
组成，m表示漏失通道尺寸范围预测模型训练样本数量，n表示漏失通道尺寸范围预测数据集特征总数，
Figure 312017DEST_PATH_IMAGE009
表示漏失通道尺寸范围的最小值，
Figure 218793DEST_PATH_IMAGE010
表示漏失通道尺寸范围的最大值；
步骤S43中，漏失通道尺寸范围预测模型每一层的输入向量
Figure 498464DEST_PATH_IMAGE031
和输出向量
Figure 174296DEST_PATH_IMAGE032
的计算公式分别为：
Figure 22167DEST_PATH_IMAGE033
其中，
Figure 790140DEST_PATH_IMAGE034
表示漏失通道尺寸范围预测模型每一层的权重矩阵，
Figure 483290DEST_PATH_IMAGE035
表示漏失通道尺寸范围预测模型每一层的偏置，
Figure 403841DEST_PATH_IMAGE036
表示漏失通道尺寸范围预测模型每一层的激活函数；
步骤S43中，漏失通道尺寸范围预测模型的预测向量
Figure 891454DEST_PATH_IMAGE018
的计算公式为：
Figure 913768DEST_PATH_IMAGE037
其中，
Figure 410609DEST_PATH_IMAGE038
表示漏失通道尺寸范围预测模型最后一层的激活函数，
Figure 185667DEST_PATH_IMAGE039
表示漏失通道尺寸范围预测模型最后一层的输入向量；
步骤S44中，漏失通道尺寸范围预测模型的损失成本函数
Figure 109760DEST_PATH_IMAGE040
的计算公式为：
Figure 478425DEST_PATH_IMAGE041
，
其中，
Figure 887278DEST_PATH_IMAGE018
表示漏失通道尺寸范围预测模型的预测向量，
Figure 657788DEST_PATH_IMAGE019
表示真实漏失通道尺寸范围向量，
Figure 877417DEST_PATH_IMAGE014
表示漏失通道尺寸范围预测模型的正则化损失函数，
Figure 467798DEST_PATH_IMAGE021
表示漏失通道尺寸范围预测模型的正则化参数，
Figure 447387DEST_PATH_IMAGE042
表示漏失通道尺寸范围预测模型的权重矩阵的弗罗贝尼乌斯二范数；
步骤S46中，Momentum权重微分指数加权平均数
Figure 72403DEST_PATH_IMAGE043
、Momentum偏置微分指数加权平均数
Figure 462933DEST_PATH_IMAGE044
、RMSprop权重微分平方的加权平均数
Figure 540610DEST_PATH_IMAGE045
和RMSprop偏置微分平方的加权平均数
Figure 291266DEST_PATH_IMAGE046
的计算公式分别为：
Figure 770789DEST_PATH_IMAGE047
其中，
Figure 473166DEST_PATH_IMAGE048
表示漏失通道尺寸范围预测模型的权重矩阵的微分，
Figure 162773DEST_PATH_IMAGE049
表示漏失通道尺寸范围预测模型的偏置的微分，
Figure 953006DEST_PATH_IMAGE050
表示原始Momentum权重微分指数加权平均数，
Figure 287035DEST_PATH_IMAGE051
表示原始Momentum偏置微分指数加权平均数，
Figure 19368DEST_PATH_IMAGE052
表示原始RMSprop权重微分平方的加权平均数，
Figure 337217DEST_PATH_IMAGE053
表示原始RMSprop偏置微分平方的加权平均数，
Figure 321353DEST_PATH_IMAGE054
表示漏失通道尺寸范围预测模型的第一超参数，
Figure 883791DEST_PATH_IMAGE055
表示漏失通道尺寸范围预测模型的第二超参数；
步骤S46中，偏差修正Momentum权重微分指数加权平均数
Figure 662391DEST_PATH_IMAGE056
、偏差修正Momentum偏置微分指数加权平均数
Figure 326590DEST_PATH_IMAGE057
、偏差修正RMSprop权重微分平方的加权平均数
Figure 848839DEST_PATH_IMAGE058
和偏差修正RMSprop偏置微分平方的加权平均数
Figure 32826DEST_PATH_IMAGE059
的计算公式分别为：
Figure 247907DEST_PATH_IMAGE060
Figure 399403DEST_PATH_IMAGE061
Figure 459763DEST_PATH_IMAGE062
Figure 996792DEST_PATH_IMAGE063
其中，q表示当前迭代次数；
步骤S47中，更新漏失通道尺寸范围预测模型的权重和偏置的计算公式分别为：
Figure 382774DEST_PATH_IMAGE064
Figure 755987DEST_PATH_IMAGE065
其中，
Figure 885617DEST_PATH_IMAGE066
表示更新后漏失通道尺寸范围预测模型的权重，
Figure 168830DEST_PATH_IMAGE067
表示更新后漏失通道尺寸范围预测模型的偏置，W表示漏失通道尺寸范围预测模型的权重，
Figure 335501DEST_PATH_IMAGE068
表示漏失通道尺寸范围预测模型的偏置，
Figure 71375DEST_PATH_IMAGE069
表示漏失通道尺寸范围预测模型的学习率，
Figure 129330DEST_PATH_IMAGE070
表示无穷小量。
本发明的有益效果是：本发明了克服了常规方法对井下漏失通道尺寸预测值单一、不准确与实时性不足等缺点，利用深度学习模型对井下漏失通道尺寸范围进行实时预测，消除了传统手工选择特征的繁琐与不确定性，更加符合现场工程施工规范，对井漏处理方案的快速决策、钻井工程安全和成本控制都具有积极的现实意义。
附图说明
图1为漏失通道尺寸范围预测方法的流程图；
图2为ReLU函数示意图；
图3为漏失通道尺寸范围预测模型示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
在描述本发明的具体实施例之前，为使本发明的方案更加清楚完整，首先对本发明中出现的缩略语和关键术语定义进行说明：
反向传播算法：适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。BP网络的输入输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。
最优性能评价指标MSE：性能评价指标为深度学习模型评价指标之一，当漏失通道尺寸范围预测模型迭代至性能评价指标不再减小时，达到最优性能评价指标MSE。
Momentum：动量梯度下降算法。
RMSprop：均方根传递算法。
如图1所示，本发明提供了一种基于深度学习的漏失通道尺寸范围预测方法包括以下步骤：
S1：采集漏失通道数据，建立漏失通道尺寸范围预测数据集；
S2：对漏失通道尺寸范围预测数据集进行预处理，并确定漏失通道尺寸范围；
S3：将预处理后的漏失通道尺寸范围预测数据集作为输入，将漏失通道尺寸范围作为输出，构建漏失通道尺寸范围预测模型；
S4：对漏失通道尺寸范围预测模型进行优化训练，并利用优化训练后的漏失通道尺寸范围预测模型进行漏失通道尺寸范围预测。
在本发明实施例中，步骤S1中，漏失通道尺寸范围预测数据集包括钻井参数、钻井液参数、地质力学模型参数和漏失参数；
钻井参数包括井深、井眼尺寸、钻速、转盘转速、扭矩、钻压、排量、泵压、泵冲和井眼轨迹；钻井液参数包括密度、马氏漏斗粘度、塑性粘度、屈服点、初切、终切、滤失量和固相含量；地质力学模型参数包括岩性类型、岩石力学参数、孔隙压力、地层破裂压力、垂直应力、最小水平应力和最大水平应力；漏失参数包括漏失速度、漏失量、漏失时间、漏失程度、漏失工况和钻头位置；其中，岩石力学参数包括弹性参数、无侧限抗压强度、抗拉强度、抗剪强度、内摩擦角和内聚强度。
在本发明实施例中，数据集的质量和真实性在预测过程的可靠性和深度学习技术做出的决策中起着至关重要的作用。学习数据集应该足够大并且质量足够高，以让模型自我完善，否则可能会产生大量噪声，从而对模型产生负面影响。井漏是一种井下复杂情况，井下漏失通道尺寸受多种因素的综合影响，本发明通过调研文献，收集整理相关钻井报告资料，确定漏失通道尺寸范围预测数据集特征参数。
在本发明实施例中，步骤S2中，对漏失通道尺寸范围预测数据集进行预处理的具体方法为：对漏失通道尺寸范围预测数据集依次进行数据清洗、特征编码和数据归一化，得到特征向量，完成数据预处理。
数据清洗方法具体为：去除漏失通道尺寸范围预测数据集中无效样本；补全非空缺失漏失通道尺寸范围预测数据集数据；对异常漏失通道尺寸范围预测数据集数据进行数值处理。
深度学习方法不能用文本或符号数据进行训练。在这种情况下，必须将文本或非数字信息转换为数值数据。常见的文本编码方法包括序号编码、独热编码和二进制编码。本发明使用独热编码将非数值型数据转换为数字形式，如岩石类型特征，编码如表1所示。
表1
Figure 267050DEST_PATH_IMAGE071
在本发明实施例中，步骤S2中，由于原始数据类型不同，数值存在巨大差异。例如排量和钻井液密度这两个参数值有三个数量级。在构建深度学习模型时，量级较大的特征数据会显著影响模型的性能，从而“吞下”较小的特征数据，并且还会导致训练时收敛慢甚至不收敛的问题。因此，需要对数据清洗后的数据集进行归一化处理。归一化方法主要有Min-max方法、Log scaling方法和Z-score方法等。根据构建深度学习模型时应用的传递函数以及采集的数据集数据特征，本发明选择Min-max归一化方法对数据集数据进行归一化，进行数据归一化的计算公式为：
Figure 103157DEST_PATH_IMAGE072
其中，
Figure 326328DEST_PATH_IMAGE073
，n表示漏失通道尺寸范围预测数据集特征总数，
Figure 656815DEST_PATH_IMAGE003
表示归一化漏失通道尺寸范围特征数据，
Figure 914621DEST_PATH_IMAGE004
表示原始特征数据，
Figure 813307DEST_PATH_IMAGE005
表示特征数据的最小值，
Figure 399140DEST_PATH_IMAGE006
表示特征数据的最大值；
步骤S2中，当通过钻井报告资料采集困难时，根据堵漏配方设计准则与相应堵漏配方参数计算漏失通道尺寸范围，漏失通道尺寸范围的计算公式为：
Figure 143106DEST_PATH_IMAGE074
其中，
Figure 380052DEST_PATH_IMAGE008
表示漏失通道尺寸范围向量，
Figure 184060DEST_PATH_IMAGE009
表示漏失通道尺寸范围的最小值，
Figure 21303DEST_PATH_IMAGE010
表示漏失通道尺寸范围的最大值，
Figure 568959DEST_PATH_IMAGE011
表示堵漏配方的累计粒度分布达到50%时所对应的粒径，
Figure 660412DEST_PATH_IMAGE012
表示堵漏配方的累计粒度分布达到90%时所对应的粒径，
Figure 900901DEST_PATH_IMAGE013
表示漏失通道尺寸。
在本发明实施例中，步骤S3中，深度学习作为一种流行的机器学习方法，具有自学习、自组织、自适应性和特征学习等优点，算法的创新和计算机硬件计算能力的巨大提升使得深度学习为预测、诊断和解决钻井工程问题提供了新思路。典型的深度学习模型包括输入层、多个隐藏层和输出层，本发明以预处理后的漏失通道尺寸范围数据集特征向量作为输入，漏失通道尺寸范围向量作为输出。本发明将随机分配80%的数据作为训练集，10%作为验证集，10%作为测试集。其中训练集用于开发漏失通道尺寸范围预测深度学习模型，训练集中的输出向量用于帮助模型调整每个输入的权重；验证集用于提高模型的泛化能力，并在泛化停止改进时停止训练；测试集用于在训练和验证步骤之后测试模型的准确性。
建立漏失通道尺寸范围预测模型的具体方法为：将预处理后的漏失通道尺寸范围预测数据集作为输入，设计漏失通道尺寸范围预测模型的正则化损失函数
Figure 195747DEST_PATH_IMAGE014
和性能评价指标
Figure 812673DEST_PATH_IMAGE015
，并设定漏失通道尺寸范围预测模型的隐藏层数L、每个隐藏层的神经元数量
Figure 633999DEST_PATH_IMAGE016
和每个隐藏层对应的激活函数为
Figure 170022DEST_PATH_IMAGE017
(x)，根据漏失通道尺寸范围预测模型的正则化损失函数
Figure 76798DEST_PATH_IMAGE014
对隐藏层数L、每个隐藏层的神经元数量
Figure 340158DEST_PATH_IMAGE016
和每个隐藏层对应的激活函数为
Figure 281569DEST_PATH_IMAGE017
(x) 的模型进行迭代，直至达到最优性能评价指标
Figure 254074DEST_PATH_IMAGE015
，完成漏失通道尺寸范围预测模型构建，其中，
Figure 648146DEST_PATH_IMAGE018
表示漏失通道尺寸范围预测模型的预测向量，
Figure 216661DEST_PATH_IMAGE019
表示真实漏失通道尺寸范围向量。
在本发明实施例中，如图2所示，为了模型的快速收敛，防止梯度消失，漏失通道尺寸范围预测模型的输出层采用ReLU函数作为激活函数；
为了得到理想的漏失通道尺寸范围，本发明设计输出层中包含两个神经元，分别表示输出漏失通道尺寸的最小值和最大值。对比模型的性能评价指标，得到最优的深度学习模型。最终建立的漏失通道尺寸范围预测模型如图3所示。
在本发明实施例中，漏失通道尺寸范围预测模型的输出层采用ReLU函数作为激活函数；
为了计算漏失通道尺寸范围预测模型所产生的误差，漏失通道尺寸范围预测模型的正则化损失函数
Figure 747000DEST_PATH_IMAGE014
的表达式为：
Figure 624826DEST_PATH_IMAGE075
其中，
Figure 506194DEST_PATH_IMAGE018
表示漏失通道尺寸范围预测模型的预测向量，
Figure 268614DEST_PATH_IMAGE019
表示真实漏失通道尺寸范围向量，m表示数据集样本数量，
Figure 292940DEST_PATH_IMAGE021
表示漏失通道尺寸范围预测模型的正则化参数，W表示漏失通道尺寸范围预测模型的权重矩阵，
Figure 951454DEST_PATH_IMAGE022
表示权重矩阵的欧几里得范数；
为了评价漏失通道尺寸范围预测模型的好坏，漏失通道尺寸范围预测模型的性能评价指标
Figure 710331DEST_PATH_IMAGE015
的计算公式为：
Figure 745284DEST_PATH_IMAGE076
。
在本发明实施例中，深度学习的应用是一个高度依赖经验的过程，伴随着大量迭代的过程，需要经过反复的训练，才能找到最优的模型，而合适的优化算法能够快速高效的训练模型。本发明采用mini-batch梯度下降加Adam优化算法对所建立漏失通道尺寸范围模型进行优化训练，其中mini-batch是指把训练集分割为多个子集加速模型的迭代，而Adam优化算法结合了Momentum算法和RMSprop算法的优点，适用于不同深度学习结构的优化训练。步骤S4包括以下子步骤：
S41：构建漏失通道尺寸范围预测模型的训练样本矩阵；
S42：对训练样本矩阵划分子集，并设置迭代次数；以256个漏失通道尺寸范围预测数据样本为一个子集划分mini-batch，共划分t个子集，记为
Figure 391160DEST_PATH_IMAGE077
和
Figure 220575DEST_PATH_IMAGE078
；
S43：计算每个子集的漏失通道尺寸范围预测模型每一层的输入向量和输出向量，直至得到漏失通道尺寸范围预测模型的预测向量；
S44：根据漏失通道尺寸范围预测模型的预测向量，计算每个子集的漏失通道尺寸范围预测模型的损失成本函数；
S45：通过反向传播算法计算漏失通道尺寸范围预测模型每一层权重的微分和偏置的微分；
S46：计算Momentum权重微分指数加权平均数、Momentum偏置微分指数加权平均数、RMSprop权重微分平方的加权平均数和RMSprop偏置微分平方的加权平均数，并根据Momentum权重微分指数加权平均数、Momentum偏置微分指数加权平均数、RMSprop权重微分平方的加权平均数和RMSprop偏置微分平方的加权平均数计算偏差修正Momentum权重微分指数加权平均数、偏差修正Momentum偏置微分指数加权平均数、偏差修正RMSprop权重微分平方的加权平均数和偏差修正RMSprop偏置微分平方的加权平均数；
S47：更新漏失通道尺寸范围预测模型的权重和偏置；
S48：重复步骤S43-S47，直至达到设置的迭代次数，完成漏失通道尺寸范围预测模型优化训练，并利用优化训练后的漏失通道尺寸范围预测模型进行漏失通道尺寸范围预测。
在完成优化训练并选择和部署最佳模型后，可根据现场数据对井下漏失通道尺寸范围进行实时预测，为施工人员选择最佳漏失处理方案提供决策支持。
在本发明实施例中，步骤S41中，训练样本矩阵包括由特征向量组成的输入矩阵
Figure 201170DEST_PATH_IMAGE024
和由漏失通道尺寸范围向量组成的输出矩阵Y，其中，
Figure 305392DEST_PATH_IMAGE079
，
Figure 664829DEST_PATH_IMAGE080
，
Figure 304627DEST_PATH_IMAGE081
表示漏失通道尺寸范围预测模型的输入参数向量，每一项由特征向量
Figure 382304DEST_PATH_IMAGE082
组成，
Figure 149272DEST_PATH_IMAGE029
和
Figure 894374DEST_PATH_IMAGE030
表示漏失通道尺寸范围预测模型的输出向量，每一项由漏失通道尺寸范围向量
Figure 206538DEST_PATH_IMAGE008
组成，m表示漏失通道尺寸范围预测模型训练样本数量，n表示漏失通道尺寸范围预测数据集特征总数，
Figure 771511DEST_PATH_IMAGE009
表示漏失通道尺寸范围的最小值，
Figure 76591DEST_PATH_IMAGE010
表示漏失通道尺寸范围的最大值；
步骤S43中，漏失通道尺寸范围预测模型每一层的输入向量
Figure 676199DEST_PATH_IMAGE031
和输出向量
Figure 283898DEST_PATH_IMAGE032
的计算公式分别为：
Figure 710069DEST_PATH_IMAGE083
其中，
Figure 428627DEST_PATH_IMAGE034
表示漏失通道尺寸范围预测模型每一层的权重矩阵，
Figure 272955DEST_PATH_IMAGE035
表示漏失通道尺寸范围预测模型每一层的偏置，
Figure 51555DEST_PATH_IMAGE036
表示漏失通道尺寸范围预测模型每一层的激活函数；
步骤S43中，漏失通道尺寸范围预测模型的预测向量
Figure 466487DEST_PATH_IMAGE018
的计算公式为：
Figure 988735DEST_PATH_IMAGE084
其中，
Figure 421990DEST_PATH_IMAGE038
表示漏失通道尺寸范围预测模型最后一层的激活函数，
Figure 371492DEST_PATH_IMAGE039
表示漏失通道尺寸范围预测模型最后一层的输入向量；
步骤S44中，漏失通道尺寸范围预测模型的损失成本函数
Figure 398354DEST_PATH_IMAGE040
的计算公式为：
Figure 98194DEST_PATH_IMAGE085
，
其中，
Figure 261322DEST_PATH_IMAGE018
表示漏失通道尺寸范围预测模型的预测向量，
Figure 506359DEST_PATH_IMAGE019
表示真实漏失通道尺寸范围向量，
Figure 286096DEST_PATH_IMAGE014
表示漏失通道尺寸范围预测模型的正则化损失函数，
Figure 25513DEST_PATH_IMAGE021
表示漏失通道尺寸范围预测模型的正则化参数，
Figure 43148DEST_PATH_IMAGE042
表示漏失通道尺寸范围预测模型的权重矩阵的弗罗贝尼乌斯二范数；
步骤S46中，Momentum权重微分指数加权平均数
Figure 724665DEST_PATH_IMAGE043
、Momentum偏置微分指数加权平均数
Figure 460539DEST_PATH_IMAGE044
、RMSprop权重微分平方的加权平均数
Figure 393860DEST_PATH_IMAGE045
和RMSprop偏置微分平方的加权平均数
Figure 639903DEST_PATH_IMAGE046
的计算公式分别为：
Figure 367687DEST_PATH_IMAGE086
其中，
Figure 715492DEST_PATH_IMAGE048
表示漏失通道尺寸范围预测模型的权重矩阵的微分，
Figure 921345DEST_PATH_IMAGE049
表示漏失通道尺寸范围预测模型的偏置的微分，
Figure 54518DEST_PATH_IMAGE050
表示原始Momentum权重微分指数加权平均数，
Figure 953204DEST_PATH_IMAGE051
表示原始Momentum偏置微分指数加权平均数，
Figure 522725DEST_PATH_IMAGE052
表示原始RMSprop权重微分平方的加权平均数，
Figure 797849DEST_PATH_IMAGE053
表示原始RMSprop偏置微分平方的加权平均数，
Figure 910161DEST_PATH_IMAGE054
表示漏失通道尺寸范围预测模型的第一超参数，
Figure 111508DEST_PATH_IMAGE055
表示漏失通道尺寸范围预测模型的第二超参数，分别设定为0.9和0.999；
Figure 309271DEST_PATH_IMAGE087
和
Figure 247140DEST_PATH_IMAGE053
均初始化为0；
步骤S46中，偏差修正Momentum权重微分指数加权平均数
Figure 213959DEST_PATH_IMAGE056
、偏差修正Momentum偏置微分指数加权平均数
Figure 64235DEST_PATH_IMAGE057
、偏差修正RMSprop权重微分平方的加权平均数
Figure 749294DEST_PATH_IMAGE058
和偏差修正RMSprop偏置微分平方的加权平均数
Figure 225275DEST_PATH_IMAGE059
的计算公式分别为：
Figure 312179DEST_PATH_IMAGE060
Figure 723569DEST_PATH_IMAGE061
Figure 4247DEST_PATH_IMAGE062
Figure 893705DEST_PATH_IMAGE063
其中，q表示当前迭代次数；
步骤S47中，更新漏失通道尺寸范围预测模型的权重和偏置的计算公式分别为：
Figure 959750DEST_PATH_IMAGE064
Figure 542041DEST_PATH_IMAGE065
其中，
Figure 811480DEST_PATH_IMAGE066
表示更新后漏失通道尺寸范围预测模型的权重，
Figure 504629DEST_PATH_IMAGE067
表示更新后漏失通道尺寸范围预测模型的偏置，W表示漏失通道尺寸范围预测模型的权重，
Figure 425181DEST_PATH_IMAGE068
表示漏失通道尺寸范围预测模型的偏置，
Figure 443952DEST_PATH_IMAGE069
表示漏失通道尺寸范围预测模型的学习率，
Figure 325321DEST_PATH_IMAGE070
表示无穷小量，设定为
Figure 930483DEST_PATH_IMAGE088
。
本发明的工作原理及过程为：首先收集和整理井下漏失通道相关钻井报告资料，建立数据集；随后进行数据清洗、特征编码和数据归一化等数据预处理，并计算漏失通道尺寸范围；其次，以预处理的数据为输入，漏失通道尺寸范围为输出建立深度学习模型；最后对漏失通道尺寸预测模型进行优化训练，达到实时预测目的。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种基于深度学习的漏失通道尺寸范围预测方法，其特征在于，包括以下步骤：
S1：采集漏失通道数据，建立漏失通道尺寸范围预测数据集；
S2：对漏失通道尺寸范围预测数据集进行预处理，并确定漏失通道尺寸范围；
S3：将预处理后的漏失通道尺寸范围预测数据集作为输入，将漏失通道尺寸范围作为输出，构建漏失通道尺寸范围预测模型；
S4：对漏失通道尺寸范围预测模型进行优化训练，并利用优化训练后的漏失通道尺寸范围预测模型进行漏失通道尺寸范围预测；
所述步骤S2中，对漏失通道尺寸范围预测数据集进行预处理的具体方法为：对漏失通道尺寸范围预测数据集依次进行数据清洗、特征编码和数据归一化，得到特征向量，完成数据预处理；
所述步骤S2中，进行数据归一化的计算公式为：
Figure FDA0003955764590000011
其中，xi∈{x1，x1…，xn}，n表示漏失通道尺寸范围预测数据集特征总数，xi表示归一化漏失通道尺寸范围特征数据，xraw表示原始特征数据，xmin表示特征数据的最小值，xmax表示特征数据的最大值；
所述步骤S2中，漏失通道尺寸范围的计算公式为：
D50＝(0.2-0.5)Wf
D90＝(0.5-0.7)Wf
Figure FDA0003955764590000021
Figure FDA0003955764590000022
其中，(y1，y2)表示漏失通道尺寸范围向量，y1表示漏失通道尺寸范围的最小值，y2表示漏失通道尺寸范围的最大值，D50表示堵漏配方的累计粒度分布达到50％时所对应的粒径，D90表示堵漏配方的累计粒度分布达到90％时所对应的粒径，Wf表示漏失通道尺寸；
所述步骤S4包括以下子步骤：
S41：构建漏失通道尺寸范围预测模型的训练样本矩阵；
S42：对训练样本矩阵划分子集，并设置迭代次数；
S43：计算每个子集的漏失通道尺寸范围预测模型每一层的输入向量和输出向量，直至得到漏失通道尺寸范围预测模型的预测向量；
S44：根据漏失通道尺寸范围预测模型的预测向量，计算每个子集的漏失通道尺寸范围预测模型的损失成本函数；
S45：通过反向传播算法计算漏失通道尺寸范围预测模型每一层权重的微分和偏置的微分；
S46：计算Momentum权重微分指数加权平均数、Momentum偏置微分指数加权平均数、RMSprop权重微分平方的加权平均数和RMSprop偏置微分平方的加权平均数，并根据Momentum权重微分指数加权平均数、Momentum偏置微分指数加权平均数、RMSprop权重微分平方的加权平均数和RMSprop偏置微分平方的加权平均数计算偏差修正Momentum权重微分指数加权平均数、偏差修正Momentum偏置微分指数加权平均数、偏差修正RMSprop权重微分平方的加权平均数和偏差修正RMSprop偏置微分平方的加权平均数；
S47：更新漏失通道尺寸范围预测模型的权重和偏置；
S48：重复步骤S43-S47，直至达到设置的迭代次数，完成漏失通道尺寸范围预测模型优化训练，并利用优化训练后的漏失通道尺寸范围预测模型进行漏失通道尺寸范围预测；
所述步骤S41中，训练样本矩阵包括由特征向量组成的输入矩阵X和由漏失通道尺寸范围向量组成的输出矩阵Y，其中，X＝[x(1)|x(2)|x(3)......x(m)]，Y＝[y(1)|y(2)]，x(1)...x(m)表示漏失通道尺寸范围预测模型的输入参数向量，每一项由特征向量(x1，x1…，xn)组成，y(1)和y(2)表示漏失通道尺寸范围预测模型的输出向量，每一项由漏失通道尺寸范围向量(y1，y2)组成，m表示漏失通道尺寸范围预测模型训练样本数量，n表示漏失通道尺寸范围预测数据集特征总数，y1表示漏失通道尺寸范围的最小值，y2表示漏失通道尺寸范围的最大值；
所述步骤S43中，漏失通道尺寸范围预测模型每一层的输入向量Z[i]和输出向量A[i]的计算公式分别为：
Z[i]＝W[i]X{i}+b[i]
A[i]＝g[i](Z[i])
其中，W[i]表示漏失通道尺寸范围预测模型每一层的权重矩阵，b[i]表示漏失通道尺寸范围预测模型每一层的偏置，g[i]表示漏失通道尺寸范围预测模型每一层的激活函数；
所述步骤S43中，漏失通道尺寸范围预测模型的预测向量
Figure FDA0003955764590000041
的计算公式为：
Figure FDA0003955764590000042
其中，g[L]表示漏失通道尺寸范围预测模型最后一层的激活函数，Z[L]表示漏失通道尺寸范围预测模型最后一层的输入向量；
所述步骤S44中，漏失通道尺寸范围预测模型的损失成本函数J的计算公式为：
Figure FDA0003955764590000043
其中，
Figure FDA0003955764590000044
表示漏失通道尺寸范围预测模型的预测向量，y(i)表示真实漏失通道尺寸范围向量，
Figure FDA0003955764590000045
表示漏失通道尺寸范围预测模型的正则化损失函数，λ表示漏失通道尺寸范围预测模型的正则化参数，
Figure FDA0003955764590000051
表示漏失通道尺寸范围预测模型的权重矩阵的弗罗贝尼乌斯二范数；
所述步骤S46中，Momentum权重微分指数加权平均数vdW *、Momentum偏置微分指数加权平均数vdb *、RMSprop权重微分平方的加权平均数SdW *和RMSprop偏置微分平方的加权平均数Sdb *的计算公式分别为：
vdW *＝β1vdW+(1-β1)dW
vdb *＝β1vdb+(1-β1)db
SdW *＝β2SdW+(1-β2)(dW)2
Sdb *＝β2Sdb+(1-β2)(db)2
其中，dW表示漏失通道尺寸范围预测模型的权重矩阵的微分，db表示漏失通道尺寸范围预测模型的偏置的微分，vdW表示原始Momentum权重微分指数加权平均数，vdb表示原始Momentum偏置微分指数加权平均数，SdW表示原始RMSprop权重微分平方的加权平均数，Sdb表示原始RMSprop偏置微分平方的加权平均数，β1表示漏失通道尺寸范围预测模型的第一超参数，β2表示漏失通道尺寸范围预测模型的第二超参数；
所述步骤S46中，偏差修正Momentum权重微分指数加权平均数
Figure FDA0003955764590000052
偏差修正Momentum偏置微分指数加权平均数
Figure FDA0003955764590000061
偏差修正RMSprop权重微分平方的加权平均数
Figure FDA0003955764590000062
和偏差修正RMSprop偏置微分平方的加权平均数
Figure FDA0003955764590000063
的计算公式分别为：
Figure FDA0003955764590000064
Figure FDA0003955764590000065
Figure FDA0003955764590000066
Figure FDA0003955764590000067
其中，q表示当前迭代次数；
所述步骤S47中，更新漏失通道尺寸范围预测模型的权重和偏置的计算公式分别为：
Figure FDA0003955764590000071
Figure FDA0003955764590000072
其中，W*表示更新后漏失通道尺寸范围预测模型的权重，b*表示更新后漏失通道尺寸范围预测模型的偏置，W表示漏失通道尺寸范围预测模型的权重，b表示漏失通道尺寸范围预测模型的偏置，α表示漏失通道尺寸范围预测模型的学习率，ε表示无穷小量。
2.根据权利要求1所述的基于深度学习的漏失通道尺寸范围预测方法，其特征在于，所述步骤S1中，漏失通道尺寸范围预测数据集包括钻井参数、钻井液参数、地质力学模型参数和漏失参数；
所述钻井参数包括井深、井眼尺寸、钻速、转盘转速、扭矩、钻压、排量、泵压、泵冲和井眼轨迹；所述钻井液参数包括密度、马氏漏斗粘度、塑性粘度、屈服点、初切、终切、滤失量和固相含量；所述地质力学模型参数包括岩性类型、岩石力学参数、孔隙压力、地层破裂压力、垂直应力、最小水平应力和最大水平应力；所述漏失参数包括漏失速度、漏失量、漏失时间、漏失程度、漏失工况和钻头位置；其中，岩石力学参数包括弹性参数、无侧限抗压强度、抗拉强度、抗剪强度、内摩擦角和内聚强度。
3.根据权利要求1所述的基于深度学习的漏失通道尺寸范围预测方法，其特征在于，所述步骤S3中，建立漏失通道尺寸范围预测模型的具体方法为：将预处理后的漏失通道尺寸范围预测数据集作为输入，设计漏失通道尺寸范围预测模型的正则化损失函数
Figure FDA0003955764590000081
和性能评价指标MSE，并设定漏失通道尺寸范围预测模型的隐藏层数L、每个隐藏层的神经元数量n(L)和每个隐藏层对应的激活函数为g(x)，根据漏失通道尺寸范围预测模型的正则化损失函数
Figure FDA0003955764590000082
对隐藏层数L、每个隐藏层的神经元数量n(L)和每个隐藏层对应的激活函数为g(x)的模型进行迭代，直至达到最优性能评价指标MSE，完成漏失通道尺寸范围预测模型构建，其中，
Figure FDA0003955764590000083
表示漏失通道尺寸范围预测模型的预测向量，y(i)表示真实漏失通道尺寸范围向量。
4.根据权利要求3所述的基于深度学习的漏失通道尺寸范围预测方法，其特征在于，所述漏失通道尺寸范围预测模型的输出层采用ReLU函数作为激活函数；
所述漏失通道尺寸范围预测模型的正则化损失函数
Figure FDA0003955764590000084
的表达式为：
Figure FDA0003955764590000091
其中，
Figure FDA0003955764590000092
表示漏失通道尺寸范围预测模型的预测向量，y(i)表示真实漏失通道尺寸范围向量，m表示数据集样本数量，λ表示漏失通道尺寸范围预测模型的正则化参数，W表示漏失通道尺寸范围预测模型的权重矩阵，||W||2表示权重矩阵的欧几里得范数；
所述漏失通道尺寸范围预测模型的性能评价指标MSE的计算公式为：
Figure FDA0003955764590000093
CN202211219444.5A 2022-10-08 2022-10-08 一种基于深度学习的漏失通道尺寸范围预测方法 Active CN115293462B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211219444.5A CN115293462B (zh) 2022-10-08 2022-10-08 一种基于深度学习的漏失通道尺寸范围预测方法
US18/128,245 US20240125959A1 (en) 2022-10-08 2023-03-30 Method for predicting the size range of lost circulation channel based on deep learning (dl)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211219444.5A CN115293462B (zh) 2022-10-08 2022-10-08 一种基于深度学习的漏失通道尺寸范围预测方法

Publications (2)

Publication Number Publication Date
CN115293462A CN115293462A (zh) 2022-11-04
CN115293462B true CN115293462B (zh) 2023-01-10

Family

ID=83833541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211219444.5A Active CN115293462B (zh) 2022-10-08 2022-10-08 一种基于深度学习的漏失通道尺寸范围预测方法

Country Status (2)

Country Link
US (1) US20240125959A1 (zh)
CN (1) CN115293462B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357887A (zh) * 2022-01-06 2022-04-15 中国地质大学（北京） 一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5005643A (en) * 1990-05-11 1991-04-09 Halliburton Company Method of determining fracture parameters for heterogenous formations
CN104500054B (zh) * 2014-12-15 2017-07-07 中国石油天然气集团公司 地层孔隙压力的确定方法及装置
GB2567850B (en) * 2017-10-26 2020-11-04 Gb Gas Holdings Ltd Determining operating state from complex sensor data
CN109854194A (zh) * 2019-01-29 2019-06-07 长江大学 钻井液循环系统、减小钻井起钻抽吸压力的方法及设备
CN110766192B (zh) * 2019-09-10 2022-09-09 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
CN111236925B (zh) * 2020-01-19 2021-04-06 中国石油大学(华东) 一种裂缝性地层钻井液漏失量预测方法
US20220260746A1 (en) * 2021-02-12 2022-08-18 Saudi Arabian Oil Company Method and system for determining permeability and lost circulation
CN112901137B (zh) * 2021-03-08 2021-11-16 西南石油大学 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法
CN114708435B (zh) * 2022-04-24 2024-07-19 湖南科技大学 基于语义分割的障碍物尺寸预测与不确定性分析方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357887A (zh) * 2022-01-06 2022-04-15 中国地质大学（北京） 一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法

Also Published As

Publication number Publication date
CN115293462A (zh) 2022-11-04
US20240125959A1 (en) 2024-04-18

Similar Documents

Publication Publication Date Title
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
CN109635461B (zh) 一种应用随钻参数来自动识别围岩级别的方法和系统
CN108573320B (zh) 页岩气藏最终可采储量的计算方法和系统
Wu et al. Machine learning-based method for automated well-log processing and interpretation
CN112989708B (zh) 一种基于lstm神经网络的测井岩性识别方法及系统
CN113553780B (zh) 一种基于机器学习的地层孔隙压力预测方法
CN114358434A (zh) 基于lstm循环神经网络模型的钻井机械钻速预测方法
Amirian et al. Data-driven modeling approach for recovery performance prediction in SAGD operations
CN117035197B (zh) 一种代价最低化的井漏智能预测方法
CN116384554A (zh) 机械钻速预测方法、装置、电子设备及计算机存储介质
CN115049173A (zh) 深度学习和Eaton法耦合驱动地层孔隙压力预测方法
Cao et al. Feature investigation on the ROP machine learning model using realtime drilling data
CN114065909A (zh) 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法
CN115293462B (zh) 一种基于深度学习的漏失通道尺寸范围预测方法
CN117236191A (zh) 一种基于深度学习技术的预测储层物性参数方法
CN117591894A (zh) 一种基于遗传算法的海洋钻井机械钻速预测方法和系统
Anifowose et al. A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs
CN111751878A (zh) 横波速度的预测方法和装置
CN115238860B (zh) 一种漏失压力预测模型生成方法和装置
CN116070767A (zh) 一种基于胶囊神经网络的钻井液漏失层位预测方法
CN114519291A (zh) 工况监测和控制模型建立方法及其应用方法和装置
Liao et al. Predictive Analytics and Statistical Learning for Waterflooding Operations in Reservoir Simulations
Ansari Reservoir Simulation of the Volve Oil field using AI-based Top-Down Modeling Approach
Morgenroth et al. Comparison of Bayesian Belief Networks and Artificial Neural Networks for prediction of tunnel ground class
CN113344729B (zh) 一种基于小样本学习的剩余油挖潜方法

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