CN116259168B - 用于油田录井的报警方法和装置 - Google Patents
用于油田录井的报警方法和装置 Download PDFInfo
- Publication number
- CN116259168B CN116259168B CN202310548409.6A CN202310548409A CN116259168B CN 116259168 B CN116259168 B CN 116259168B CN 202310548409 A CN202310548409 A CN 202310548409A CN 116259168 B CN116259168 B CN 116259168B
- Authority
- CN
- China
- Prior art keywords
- logging
- curve
- data
- training
- oil well
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000003129 oil well Substances 0.000 claims abstract description 95
- 238000013528 artificial neural network Methods 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 67
- 238000009826 distribution Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 2
- 238000005553 drilling Methods 0.000 description 13
- 239000007789 gas Substances 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请涉及一种用于油田录井的报警方法和装置。所述报警方法包括：每隔预定深度对目标油井进行一次录井以采集所述目标油井的录井数据；根据所述录井数据，绘制所述目标油井的录井特征参数的录井曲线；选择所述录井曲线上的预定数量的数据点；将所述数据点输入预先训练的LSTM神经网络，以获得预测值；响应于所述预测值大于所述录井特征参数的预设参考阈值，发送报警信号。通过本申请的技术方案，能够在油田录井过程中准确预测可能出现的异常，从而发出报警以提醒相关人员及时采取应对措施以避免损失和降低危险。
Description
技术领域
本申请一般地涉及油田开采技术领域，尤其涉及一种用于油田录井的报警方法和装置。
背景技术
石油作业现场分布在野外，点多面广，是一个复杂的生产过程，时常伴随着一系列的工程异常，例如井喷、井漏、钻具刺、钻具断、卡钻、气体异常等，这些异常往往会导致钻井工程事故，造成巨大的经济损失。
录井是用岩矿分析、地球物理、地球化学等方法，观察、采集、收集、记录、分析随钻过程中的固体、液体、气体等井筒返出物信息的服务过程。主要作用为判断井下地质及含油气情况，分析判断井下钻探工程概况。
目前主要是基于专家系统对录井设备所采集的数据进行分析，并利用管理人员的生产经验和专业知识发现参数变化中的异常，然而这种人工判定容易存在错判漏判的情况，且在数据出现异常时难以第一时间通知到相关人员采取应对措施，因此需要对录井过程中的数据进行分析并预测潜在异常，从而在第一时间通过报警器提醒所有的工作人员。
发明内容
为了解决本申请的上述技术问题，本申请提供了一种用于油田录井的报警方法和装置，以期在油田录井过程中准确预测可能出现的异常，从而发出报警以提醒相关人员及时采取应对措施以避免损失和降低危险。
根据本申请的第一方面，提供了一种用于油田录井的报警方法，其中所述油田包括多个油井，所述报警方法包括：每隔预定深度对目标油井进行一次录井以采集所述目标油井的录井数据，其中所述录井数据包括至少一个录井特征参数，所述录井特征参数包括自然电位、自然伽马、井径、深侧向、浅侧向、补偿中子、补偿密度和声波时差；根据所述录井数据，绘制所述目标油井的录井特征参数的录井曲线；选择所述录井曲线上的预定数量的数据点，其中所述预定数量的数据点之间的时间间隔相等；将所述数据点输入预先训练的LSTM神经网络，以获得一个或多个时间间隔后所述录井特征参数的预测值，其中所述LSTM神经网络的训练包括：获取所述油田中各油井的历史录井数据；根据所述历史录井数据，绘制所述各油井的所述录井特征参数的录井曲线；针对所述油田中的每一油井，选择与所述油井的录井曲线最相似的预定半径内的一个或多个邻井的录井曲线；根据所述油井的录井曲线和所述邻井的录井曲线，计算所述油井对应的平均化录井曲线；根据所述油田中所有油井的录井曲线和平均化录井曲线，计算每一油井的优化录井曲线；针对每一油井的优化录井曲线，根据所述预定深度采样所述优化录井曲线上的数据点；将每一预定深度区间对应的数据点作为一个单位数据点集，输入所述LSTM神经网络以分批次训练所述LSTM神经网络，直至所述LSTM神经网络的损失值达到预设目标值时，结束训练，其中每一单位数据点集对应一个训练批次；响应于所述预测值大于所述录井特征参数的预设参考阈值，发送报警信号。
在一个实施例中，在所述LSTM神经网络的训练过程中，根据所述油田中所有油井的录井曲线和平均化录井曲线，计算每一油井的优化录井曲线包括：针对每一深度点，分别获取所有油井的录井曲线和平均化录井曲线上所述深度点对应的录井特征参数值；根据所述录井特征参数值，分别计算所述录井曲线和所述平均化录井曲线对应的实际正态分布和理论正态分布；根据所述实际正态分布和所述理论正态分布，以及所述油井的录井曲线和平均化录井曲线上所述深度点对应的录井特征参数值，计算所述深度点对应的优化录井值；根据所有深度点对应的优化录井值，拟合所述油井的优化录井曲线。
在一个实施例中，所述根据所述实际正态分布和所述理论正态分布，以及所述油井的录井曲线和平均化录井曲线上所述深度点对应的录井特征参数值，计算所述深度点对应的优化录井值包括：分别计算所述实际正态分布和所述理论正态分布的标准差；根据所述标准差和所述录井特征参数值，根据以下关系式计算所述优化录井值：
其中，p为所述优化录井值，m为所述录井曲线上所述深度点对应的录井特征参数值，n为所述平均化录井曲线上所述深度点对应的录井特征参数值，为所述实际正态分布的标准差，/>为所述理论正态分布的标准差。
在一个实施例中，所述根据所述油井的录井曲线和所述邻井的录井曲线，计算所述油井对应的平均化录井曲线包括：计算每一邻井的录井曲线与所述油井的录井曲线的相似度；对所有邻井对应的相似度进行归一化，以获得所有邻井对应的归一后相似度；以所述归一后相似度作为权重，计算所述油井对应的平均化录井曲线。
在一个实施例中，在所述LSTM神经网络的训练过程中，针对每一油井的优化曲线，根据所述预定深度采样所述优化曲线上的数据点包括：测量所述油井每次录井与前一次录井之间的时间间隔，以获得所有录井对应的时间间隔；计算所有时间间隔的最大公约数；以所述最大公约数的约数作为采样周期对所述优化曲线上每一预定深度区间对应的数据点进行采样。
在一个实施例中，在所述LSTM神经网络的训练过程中，将每一预定深度区间对应的数据点作为一个单位数据点集，输入所述LSTM神经网络以分批次训练所述LSTM神经网络，直至所述LSTM神经网络的损失值达到预设目标值时，结束训练包括：统计每一训练批次内每一个采样点的损失值；计算所述训练批次内所有采样点的损失值的和，以获得所述训练批次的总损失；根据所述训练批次的总损失，完成所述训练批次内所述LSTM神经网络的训练。
在一个实施例中，所述计算所述训练批次内所有采样点的损失值的和，以获得所述训练批次的总损失包括：放大所述训练批次内两个端点处采样点的损失值，以获得两个端点处采样点的放大后损失值；计算所述两个端点处采样点的放大后损失值和中间采样点的损失值的和，作为所述训练批次的总损失。
在一个实施例中，所述放大所述训练批次内两个端点处采样点的损失值，以获得两个端点处采样点的放大后损失值包括：根据所述训练批次内的采样点数量，放大所述两个端点处采样点的损失值，其中放大倍数与所述采样点数量成正比。
根据本申请的第二方面，提供了一种用于油田录井的报警装置，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现本申请的第一方面所述的用于油田录井的报警方法。
本申请的技术方案具有以下有益技术效果：
在本申请的技术方案中，每隔预定深度采集目标油井的录井数据，并根据所述录井数据绘制所述目标油井的录井特征参数的录井曲线，选择所述录井曲线上的预定数量的等时间间隔数据点并将所述数据点输入预先训练的LSTM神经网络，以获得所述录井特征参数的预测值，并在所述预测值大于预设参考阈值时发送报警信号，从而提醒相关人员采取应对措施。
在所述LSTM神经网络的训练过程中，在采集某一油井的录井数据时，不仅考虑当前油井的录井数据，还根据当前油井的若干邻井乃至整个油田的所有油井的录井数据对当前油井的录井数据进行优化后，再输入到LSTM神经网络中进行训练。由于油田中各油井所处的地质条件类似，各油井，尤其是相邻油井的录井数据之间具有很高的相互参考价值，从而优化了LSTM神经网络的训练数据，使得LSTM神经网络的训练更精确，进而使得LSTM神经网络的预测结果更为准确。
此外，在LSTM神经网络的训练过程中，根据预定深度将录井数据分割为多个单位数据点集，分批次输入LSTM神经网络中对所述LSTM神经网络进行批次训练，提高了LSTM神经网络的训练效率。
进一步，通过放大每个训练批次内置信度更高的采样点的损失值，赋予置信度更高的采样点以更高权重，从而使得LSTM神经网络的训练更为准确。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是根据本申请实施例的用于油田录井的报警方法的流程图；
图2是根据本申请实施例的声波时差测井曲线的示意图；
图3是根据本申请实施例的LSTM神经网络的训练流程图；
图4是根据本申请实施例的用于油田录井的报警装置的结构示意图。
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，都属于本申请保护的范围。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面，本申请提供了一种用于油田录井的报警方法。所述报警方法应用于包括多个油井的油田。一个油田中可同时存在上百个油井，因此可对油井进行编号，所述编号可以为字母、符号和数字等，本申请对此不做具体限制。
图1是根据本申请实施例的用于油田录井的报警方法的流程图。所述报警方法在油田录井报警系统中实施。所述油田录井报警系统包括用于采集各项数据的多种传感器、综合录井仪和随钻测井仪，传感器将采集到的录井数据实时通过物联网传递到基地指挥中心，声光报警器通过网络与基地指挥中心相连。所述油田录井报警系统可以包括服务器以及手机等移动终端，在收到报警信号时，声光报警器发出警报，并可以同时在手机终端发送警示信息。
如图1所示，所述报警方法包括步骤S101至S105，具体说明如下。
S101，每隔预定深度对目标油井进行一次录井以采集所述目标油井的录井数据，其中所述录井数据包括至少一个录井特征参数。
具体而言，所述录井特征参数包括自然电位、自然伽马、井径、深侧向、浅侧向、补偿中子、补偿密度和声波时差等。所述录井特征参数通过传感器或综合录井仪或随钻测井进行测量。
对于油气勘探以及钻井工程，主要通过岩屑录井获得地层性质信息。目前，针对油井所在地层的地层性质的识别方法主要通过钻井取心，一般每1米或2米进行岩屑的取样检测，进行岩屑观察并分析化验岩屑中的矿物组分来确定地层性质。在一个实例中，以1m作为一个层级进行一次录井，采集声波时差作为录井特征参数为例进行说明，因此在目标油井的深度1m、2m、3m … 处依次进行录井，并实时采集各深度时的声波时差。
S102，根据所述录井数据，绘制所述目标油井的录井特征参数的录井曲线。
具体而言，根据所采集的所述实时录井数据，绘制所述目标油井的录井特征参数的实时录井曲线。在上述实例中，根据各深度时的声波时差，绘制所述目标油井的声波时差的录井曲线。图2是根据本申请实施例的声波时差测井曲线的示意图。
S103，选择所述录井曲线上的预定数量的数据点，其中所述预定数量的数据点之间的时间间隔相等。
具体而言，由于不同深度的地质条件不断变化，钻头的钻井难度不同，不同深度区间对应的钻井时间不同，因此每两次录井之间的时间间隔可能各不相同。由于LSTM神经网络要求输入为等时间间隔的数值序列，为了通过LSTM神经网络对录井特征参数进行预测，需要选择所述录井曲线上的预定数量的等时间间隔的数据点，组成录井特征参数值序列。在上述实例中，例如从深度10m时开始，每隔1分钟选择一个数据点，持续采样30分钟，共选择30个数据点，组成长度为30的声波时差序列。
S104，将所述数据点输入预先训练的LSTM神经网络，以获得一个或多个时间间隔后所述录井特征参数的预测值。
具体而言，将上述录井特征参数值序列输入预先训练的LSTM神经网络，以获得一个或多个时间间隔后所述录井特征参数的预测值。在上述实例中，将所述声波时差序列输入LSTM神经网络中，以计算第35分钟时的声波时差。
长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计出来的。LSTM引入了细胞状态，并使用输入门、遗忘门、输出门三种门来保持和控制信息。LSTM既能够处理短期依赖问题，又能够处理长期依赖问题，适于根据等时间间隔数值序列预测一个或更多时间间隔后的数值。
以下详细描述LSTM神经网络的训练过程。图3是根据本申请实施例的LSTM神经网络的训练流程图。如图3所示，所述LSTM神经网络的训练包括步骤S301至S307，具体如下：
S301，获取所述油田中各油井的历史录井数据。
具体而言，各油井的历史录井数据可以从所述油田的历史录井数据中查询获得。所述历史录井数据同样包括各种录井特征参数，在此仍然以声波时差作为录井特征参数为例进行说明。例如，所述目标油井所在的油田中共包括100个油井，则获取100个油井的历史录井数据，其中包含声波时差数据。在获得所述历史录井数据后，可以对所述历史录井数据进行格式标准化，即对非标准单位的数据进行转换，使其格式统一。
S302，根据所述历史录井数据，绘制所述各油井的所述录井特征参数的录井曲线。
具体而言，对各油井的历史录井数据进行曲线拟合，以拟合出所述各油井的所述录井特征参数的录井曲线。在上述实例中，利用曲线拟合工具如CurveFitter将各油井的声波时差数据拟合为曲线，共拟合出100个油井对应的100条声波时差录井曲线。
S303，针对所述油田中的每一油井，选择与所述油井的录井曲线最相似的预定半径内的一个或多个邻井的录井曲线。
具体而言，由于油田中各油井所处的地质条件类似，各油井，尤其是相邻油井的录井数据之间具有很高的相互参考价值，因此为了提高LSTM神经网络的训练数据的准确性，在分析某一油井的录井数据时，同时参考所述油井的邻井的录井数据。具体地，可以通过皮尔逊相关系数法或者余弦相似度等算法计算不同油井的录井曲线之间的相似性，并针对所述油田中的每一油井，选择与所述油井的录井曲线最相似的预定半径内的一个或多个邻井的录井曲线。在上述实例中，选择每一油井的100m半径内与所述油井的录井曲线最相似的2个油井的录井曲线。
S304，根据所述油井的录井曲线和所述邻井的录井曲线，计算所述油井对应的平均化录井曲线。
具体而言，所述根据所述油井的录井曲线和所述邻井的录井曲线，计算所述油井对应的平均化录井曲线包括：计算每一邻井的录井曲线与所述油井的录井曲线的相似度；对所有邻井对应的相似度进行归一化，以获得所有邻井对应的归一后相似度；以所述归一后相似度作为权重，计算所述油井对应的平均化录井曲线。
在上述实例中，将当前油井的相似度作为1，与其他的两个邻井之间的相似度进行归一化后作为拟合权重，利用获得的拟合权重对三条邻井曲线进行加权拟合获得平均化录井曲线。一共获得100个油井对应的100条平均化录井曲线。
S305，根据所述油田中所有油井的录井曲线和平均化录井曲线，计算每一油井的优化录井曲线。
具体而言，根据所述油田中所有油井的录井曲线和平均化录井曲线，计算每一油井的优化录井曲线包括：针对每一深度点，分别获取所有油井的录井曲线和平均化录井曲线上所述深度点对应的录井特征参数值；根据所述录井特征参数值，分别计算所述录井曲线和所述平均化录井曲线对应的实际正态分布和理论正态分布；根据所述实际正态分布和所述理论正态分布，以及所述油井的录井曲线和平均化录井曲线上所述深度点对应的录井特征参数值，计算所述深度点对应的优化录井值；根据所有深度点对应的优化录井值，拟合所述油井的优化录井曲线。
由于油井所在地理环境条件复杂多变，例如受磁场变化等因素的影响，传感器的测量值有时也会存在较大误差，因此需要对每一个深度点的录井曲线值和平均化录井曲线值做加权平均，既不完全相信传感器的测量数据也不完全相信平均化录井曲线数据。为了计算录井曲线值和平均化录井曲线值之间的权重分配，在每一个深度点，可以认为在所述油田的所有油井的范围内，该深度点对应的录井曲线值和平均化录井曲线值都服从正态分布。例如，在上述实例中，在20m处，100个油井的录井曲线和平均化录井曲线上的声波时差数据均服从正态分布，在此称前者的分布为实际正态分布，后者的分布称理论正态分布。认为标准差更小，即更稳定的数据的置信度更高，赋予其更高权重。
具体而言，根据所述实际正态分布和所述理论正态分布，以及所述油井的录井曲线和平均化录井曲线上所述深度点对应的录井特征参数值，计算所述深度点对应的优化录井值包括：分别计算所述实际正态分布和所述理论正态分布的标准差；根据所述标准差和所述录井特征参数值，计算所述优化录井值。
更具体地，可以根据以下关系式计算所述优化录井值：
其中，p为所述优化录井值，m为所述录井曲线上所述深度点对应的录井特征参数值，n为所述平均化录井曲线上所述深度点对应的录井特征参数值，为所述实际正态分布的标准差，/>为所述理论正态分布的标准差。
S306，针对每一油井的优化录井曲线，根据所述预定深度采样所述优化录井曲线上的数据点。
具体而言，针对每一油井的优化曲线，根据所述预定深度采样所述优化曲线上的数据点包括：测量所述油井每次录井与前一次录井之间的时间间隔，以获得所有录井对应的时间间隔；计算所有时间间隔的最大公约数；以所述最大公约数的约数作为采样周期对所述优化曲线上每一预定深度区间对应的数据点进行采样。
如上述步骤S103中所提及，由于不同深度的地质条件不断变化，钻头的钻井难度不同，钻头下降不同深度区间所需的钻井时间不同，因此每两次录井之间的时间间隔可能不固定。本方案中通过计算这些录井节点所对应的时间间隔的最大公约数来获取固定的采样间隔。例如，钻头从深度10m掘进到11m需要6分钟，从11m到12米需要8分钟，从12m到13m需要10分钟，则取其最大公约数2分钟作为采样间隔。同时为了扩充训练集，还可以在以最大公约数为基准的基础上，选择与最大公约数保持整除关系的其他时间单位作为采样周期。示例性的，如当前所有录井所对应的时间间隔的最大公约数为2min，则可以选择每2min采样一次，也可以选择每隔1min、30s、20s、10s等间隔作为基本的采样周期，从而扩充采样点，增大训练数据集。
S307，将每一预定深度区间对应的数据点作为一个单位数据点集，输入所述LSTM神经网络以分批次训练所述LSTM神经网络，直至所述LSTM神经网络的损失值达到预设目标值时，结束训练，其中每一单位数据点集对应一个训练批次。
具体而言，在LSTM神经网络的训练过程中，统计每一训练批次内每一个采样点的损失值；计算所述训练批次内所有采样点的损失值的和，以获得所述训练批次的总损失；根据所述训练批次的总损失，完成所述训练批次内所述LSTM神经网络的训练。如上所述，上述优化录井曲线是以深度点作为节点绘制的，每个深度点对应一次录井。以两次录井（分别对应两个深度点）之间的深度区间为单位，将上述优化录井曲线的采样值划分成多个单位数据点集。例如以从深度10m到11m之间的采样点作为一个单位数据点集，以从深度11m到12m之间的采样点作为一个单位数据点集，等等。将每个单位数据点集作为一个批次输入所述LSTM神经网络以分批次训练所述LSTM神经网络。由于每个深度区间对应的掘进时间不同，不同深度区间对应的单位数据点集的大小也不同。本方案中通过相邻优化录井值将所有的采样数据划分为多个长度不固定的批次，在训练的时候统计同一批次内每一个采样点的损失值，并进行求和获得当前批次的总损失，从而指导下一次的迭代过程，每训练一个批次进行一次迭代。训练过程中输入为固定时间长度的序列，如按照时间顺序每次输入5个连续的指标数据序列，从而输出下一时刻的指标数据，损失函数为均方差损失函数，所述优化曲线上每个采样点的数值作为对应的标签值，与对应的预测值进行计算，从而输出同一批次下的总损失，通过反向传播调整随机下降梯度，多次迭代后在损失值达到预设的目标值或者为0时完成训练。通过上述分批次训练，可以优化训练过程的效率，同时可以适当提高训练的准确度。
另外，虽然每个单位数据点集大小不固定，但由于上述取最大公约数的操作，能够保证每个单位数据点集的两个端点都是优化录井值，即两个端点的值都是经传感器实际录井得到的，而两个端点之间的采样点是根据优化录井曲线经数学运算求得的，并非实际录井获得。由于优化录井值的数据置信度更高（经过传感器测量），其他的采样点仅通过拟合得到，因此在训练LSTM时可以在计算每一批次的损失时，使相邻优化录井值对应的损失值的权重更高，从而实现对LSTM的更准确训练。
为此，上述分批次训练包括：放大所述训练批次内两个端点处采样点的损失值，以获得两个端点处采样点的放大后损失值；计算所述两个端点处采样点的放大后损失值和中间采样点的损失值的和，作为所述训练批次的总损失。通过上述操作，可以对两个优化录井值的损失值进行扩大，如同时扩大为两倍或多倍，从而提升优化录井值的损失值在当前批次的总损失值中的占比。
进一步，每个单位数据点集中包含的采样点的数量不一，包含采样点更多的单位数据点集的训练价值更高。为了提高训练效率和准确性，还可以根据相邻优化录井值的间隔内的采样点的数量进行调整优化录井值对应的损失值的倍数关系。也就是说，根据所述训练批次内的采样点数量，放大所述两个端点处采样点的损失值，其中放大倍数与所述采样点数量成正比。例如，间隔内没有采样点就不调整，有一个采样点就将优化录井值对应的损失值调整为2倍，有2个采样点调整为3倍等，本方案中对具体调整形式不做限制。
S105，响应于所述预测值大于所述录井特征参数的预设参考阈值，发送报警信号。
具体而言，当所述预测值大于所述预设参考阈值时，向报警器发送报警信号，从而使报警器发出警报提醒相关人员采取应对措施。
以上通过具体实施例介绍了本申请的油田录井的报警方法的技术原理和实施细节。在本申请的技术方案中，每隔预定深度采集目标油井的录井数据，并根据所述录井数据绘制所述目标油井的录井特征参数的录井曲线，选择所述录井曲线上的预定数量的等时间间隔数据点并将所述数据点输入预先训练的LSTM神经网络，以获得所述录井特征参数的预测值，并在所述预测值大于预设参考阈值时发送报警信号，从而提醒相关人员采取应对措施。
在所述LSTM神经网络的训练过程中，在采集某一油井的录井数据时，不仅考虑当前油井的录井数据，还根据当前油井的若干邻井乃至整个油田的所有油井的录井数据对当前油井的录井数据进行优化后，再输入到LSTM神经网络中进行训练。由于油田中各油井所处的地质条件类似，各油井，尤其是相邻油井的录井数据之间具有很高的相互参考价值，从而优化了LSTM神经网络的训练数据，使得LSTM神经网络的训练更精确，进而使得LSTM神经网络的预测结果更为准确。
此外，在LSTM神经网络的训练过程中，根据预定深度将录井数据分割为多个单位数据点集，分批次输入LSTM神经网络中对所述LSTM神经网络进行批次训练，提高了LSTM神经网络的训练效率。
进一步，通过放大每个训练批次内置信度更高的采样点的损失值，赋予置信度更高的采样点以更高权重，从而使得LSTM神经网络的训练更为准确。
根据本申请的第二方面，本申请还提供了一种用于油田录井的报警装置。
图4是根据本申请实施例的用于油田录井的报警装置40的结构示意图。所述装置包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的用于油田录井的报警方法。所述装置还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本申请中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本申请描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种用于油田录井的报警方法，其中所述油田包括多个油井，其特征在于，所述报警方法包括：
每隔预定深度对目标油井进行一次录井以采集所述目标油井的录井数据，其中所述录井数据包括至少一个录井特征参数，所述录井特征参数包括自然电位、自然伽马、井径、深侧向、浅侧向、补偿中子、补偿密度和声波时差；
根据所述录井数据，绘制所述目标油井的录井特征参数的录井曲线；
选择所述录井曲线上的预定数量的数据点，其中所述预定数量的数据点之间的时间间隔相等；
将所述数据点输入预先训练的LSTM 神经网络，以获得一个或多个时间间隔后所述录井特征参数的预测值，其中所述LSTM 神经网络的训练包括：获取所述油田中各油井的历史录井数据；根据所述历史录井数据，绘制所述各油井的所述录井特征参数的录井曲线；针对所述油田中的每一油井，选择与所述油井的录井曲线最相似的预定半径内的一个或多个邻井的录井曲线；根据所述油井的录井曲线和所述邻井的录井曲线，计算所述油井对应的平均化录井曲线；根据所述油田中所有油井的录井曲线和平均化录井曲线，计算每一油井的优化录井曲线；
针对每一油井的优化录井曲线，根据所述预定深度采样所述优化录井曲线上的数据点；将每一预定深度区间对应的数据点作为一个单位数据点集，输入所述LSTM 神经网络以分批次训练所述LSTM 神经网络，直至所述LSTM 神经网络的损失值达到预设目标值时，结束训练，其中每一单位数据点集对应一个训练批次；
响应于所述预测值大于所述录井特征参数的预设参考阈值，发送报警信号；
在所述LSTM 神经网络的训练过程中，根据所述油田中所有油井的录井曲线和平均化录井曲线，计算每一油井的优化录井曲线包括：
针对每一深度点，分别获取所有油井的录井曲线和平均化录井曲线上所述深度点对应的录井特征参数值；
根据所述录井特征参数值，分别计算所述录井曲线和所述平均化录井曲线对应的实际正态分布和理论正态分布；
根据所述实际正态分布和所述理论正态分布，以及所述油井的录井曲线和平均化录井曲线上所述深度点对应的录井特征参数值，计算所述深度点对应的优化录井值；
根据所有深度点对应的优化录井值，拟合所述油井的优化录井曲线。
2. 根据权利要求1 所述的用于油田录井的报警方法，其特征在于，所述根据所述实际正态分布和所述理论正态分布，以及所述油井的录井曲线和平均化录井曲线上所述深度点对应的录井特征参数值，计算所述深度点对应的优化录井值包括：
分别计算所述实际正态分布和所述理论正态分布的标准差；
根据所述标准差和所述录井特征参数值，根据以下关系式计算所述优化录井值：
其中，p为所述优化录井值，m为所述录井曲线上所述深度点对应的录井特征参数值，n为所述平均化录井曲线上所述深度点对应的录井特征参数值，为所述实际正态分布的标准差，/>为所述理论正态分布的标准差。
3. 根据权利要求2 所述的用于油田录井的报警方法，其特征在于，所述根据所述油井的录井曲线和所述邻井的录井曲线，计算所述油井对应的平均化录井曲线包括：
计算每一邻井的录井曲线与所述油井的录井曲线的相似度；
对所有邻井对应的相似度进行归一化，以获得所有邻井对应的归一化后相似度；
以所述归一化后相似度作为权重，计算所述油井对应的平均化录井曲线。
4. 根据权利要求3 所述的用于油田录井的报警方法，其特征在于，在所述LSTM 神经网络的训练过程中，针对每一油井的优化曲线，根据所述预定深度采样所述优化曲线上的数据点包括：
测量所述油井每次录井与前一次录井之间的时间间隔，以获得所有录井对应的时间间隔；
计算所有时间间隔的最大公约数；
以所述最大公约数的约数作为采样周期对所述优化曲线上每一预定深度区间对应的数据点进行采样。
5. 根据权利要求4 所述的用于油田录井的报警方法，其特征在于，在所述LSTM 神经网络的训练过程中，将每一预定深度区间对应的数据点作为一个单位数据点集，输入所述LSTM神经网络以分批次训练所述LSTM 神经网络，直至所述LSTM神经网络的损失值达到预设目标值时，结束训练包括：
统计每一训练批次内每一个采样点的损失值；
计算所述训练批次内所有采样点的损失值的和，以获得所述训练批次的总损失；
根据所述训练批次的总损失，完成所述训练批次内所述LSTM神经网络的训练。
6. 根据权利要求5 所述的用于油田录井的报警方法，其特征在于，所述计算所述训练批次内所有采样点的损失值的和，以获得所述训练批次的总损失包括：
放大所述训练批次内两个端点处采样点的损失值，以获得两个端点处采样点的放大后损失值；
计算所述两个端点处采样点的放大后损失值和中间采样点的损失值的和，作为所述训练批次的总损失。
7. 根据权利要求6 所述的用于油田录井的报警方法，其特征在于，所述放大所述训练批次内两个端点处采样点的损失值，以获得两个端点处采样点的放大后损失值包括：
根据所述训练批次内的采样点数量，放大所述两个端点处采样点的损失值，其中放大倍数与所述采样点数量成正比。
8. 一种用于油田录井的报警装置，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1 至7 中任一项所述的用于油田录井的报警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310548409.6A CN116259168B (zh) | 2023-05-16 | 2023-05-16 | 用于油田录井的报警方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310548409.6A CN116259168B (zh) | 2023-05-16 | 2023-05-16 | 用于油田录井的报警方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116259168A CN116259168A (zh) | 2023-06-13 |
| CN116259168B true CN116259168B (zh) | 2023-07-21 |
Family
ID=86686561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310548409.6A Active CN116259168B (zh) | 2023-05-16 | 2023-05-16 | 用于油田录井的报警方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116259168B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117189071A (zh) * | 2023-11-07 | 2023-12-08 | 克拉玛依市远山石油科技有限公司 | 岩心钻探钻机运行的自动化控制方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065909A (zh) * | 2021-10-13 | 2022-02-18 | 西安石油大学 | 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2578700B (en) * | 2017-08-21 | 2022-09-21 | Landmark Graphics Corp | Neural network models for real-time optimization of drilling parameters during drilling operations |
| CN110148285B (zh) * | 2019-05-15 | 2021-04-02 | 山东云科汉威软件有限公司 | 一种基于大数据技术的油井参数智能预警系统及其预警方法 |
| KR102314824B1 (ko) * | 2019-11-25 | 2021-10-19 | 광주과학기술원 | 딥러닝 기반 감지상황에서의 음향 사건 탐지 방법 |
| CN113378344A (zh) * | 2020-02-25 | 2021-09-10 | 中国石油化工股份有限公司 | 一种用于优化钻井起下钻速度阈值的方法及系统 |
| CN114723095A (zh) * | 2021-01-05 | 2022-07-08 | 中国石油天然气股份有限公司 | 缺失测井曲线预测方法及装置 |
| CN113887637A (zh) * | 2021-10-09 | 2022-01-04 | 安徽理工大学 | 一种基于深度循环神经网络的煤与瓦斯突出事故预测与识别方法 |
| CN114741944A (zh) * | 2022-02-21 | 2022-07-12 | 袁正茹 | 一种利用机器学习和深度学习算法预测测井曲线的方法 |
| CN115688578A (zh) * | 2022-11-01 | 2023-02-03 | 长江大学 | 一种基于粒子群优化lstm神经网络模型的机械钻速预测方法 |
-
2023
- 2023-05-16 CN CN202310548409.6A patent/CN116259168B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065909A (zh) * | 2021-10-13 | 2022-02-18 | 西安石油大学 | 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116259168A (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109779602B (zh) | 一种钻井工程智能安全风险预警方法及系统 | |
| US12050981B2 (en) | Petroleum reservoir behavior prediction using a proxy flow model | |
| EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| EP3039237B1 (en) | Three-dimensional reservoir pressure determination using real time pressure data from downhole gauges | |
| US8670960B2 (en) | Proxy methods for expensive function optimization with expensive nonlinear constraints | |
| US20170096881A1 (en) | Completion design optimization using machine learning and big data solutions | |
| CN116259168B (zh) | 用于油田录井的报警方法和装置 | |
| BR112015009197B1 (pt) | Método e sistema para realizar uma operação de perfuração | |
| US20220083873A1 (en) | Predictive Modeling of Well Performance Using Learning and Time-Series Techniques | |
| Blessent et al. | Inverse modeling of hydraulic tests in fractured crystalline rock based on a transition probability geostatistical approach | |
| CN104616353A (zh) | 储层随机地质模型的建模及优选方法 | |
| US20100312536A1 (en) | Integrating field data | |
| CN115263269A (zh) | 一种钻井井下工况自动识别方法、装置、设备和存储介质 | |
| Su et al. | Prediction of drilling leakage locations based on optimized neural networks and the standard random forest method | |
| CN118153420A (zh) | 基于深度学习和数字孪生的井眼轨迹预测方法、系统、设备和介质 | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| CN116739310B (zh) | 一种基于地理信息的建筑场地勘测规划系统 | |
| CN117588197A (zh) | 一种页岩气水平井压裂智能监测的方法 | |
| CN106934725B (zh) | 岩石储层中值半径预测模型建立方法、装置及系统 | |
| Zhao et al. | SPT-CPT correlation and its application for liquefaction evaluation in China | |
| CN112946740A (zh) | 一种智能化地震震源搜寻定位系统 | |
| US20230325369A1 (en) | Multiple source data change journal system | |
| AU2012385936B2 (en) | Systems and methods for estimating opportunity in a reservoir system | |
| CN109138969B (zh) | 一种钻进状态变量的预测方法、设备及存储设备 | |
| RU2782505C2 (ru) | Способ и компьютерная система обработки скважинных данных |
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 |