CN116956754B - 一种结合深度学习的裂缝型漏失压力计算方法 - Google Patents
一种结合深度学习的裂缝型漏失压力计算方法 Download PDFInfo
- Publication number
- CN116956754B CN116956754B CN202311219560.1A CN202311219560A CN116956754B CN 116956754 B CN116956754 B CN 116956754B CN 202311219560 A CN202311219560 A CN 202311219560A CN 116956754 B CN116956754 B CN 116956754B
- Authority
- CN
- China
- Prior art keywords
- pressure
- fracture
- leakage
- resistivity
- layer
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 230000007787 long-term memory Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000006403 short-term memory Effects 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 28
- 238000005553 drilling Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 230000009545 invasion Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000012530 fluid Substances 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 239000011148 porous material Substances 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 102100027611 Rho-related GTP-binding protein RhoB Human genes 0.000 description 2
- 101150054980 Rhob gene Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012795 verification 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种结合深度学习的裂缝型漏失压力计算方法，属于地球物理技术领域，用于进行漏失压力计算，包括识别裂缝层段的完整性地层与非完整性地层，进行裂缝类型识别，获得完整性和非完整性地层漏失压力训练样本，采用相关性分析法进行相关性分析；搭建长短期记忆卷积神经网络模型，进行全井段漏失压力拼接，对长短期记忆卷积神经网络模型进行评价。本发明长短期记忆神经网络的特性可以弥补现有技术的不足，利用卷积神经网络可以将多个特征信号有效融合，可以更加有效、合理的对漏失压力进行预测，提高漏失压力预测的科学性和准确性。
Description
技术领域
本发明公开一种结合深度学习的裂缝型漏失压力计算方法，属于地球物理技术领域。
背景技术
深层、超深层油气资源是我国未来能源的接替领域，由于深部地层地质条件复杂多变，缺乏对待钻地层的了解，导致钻井过程中漏失事故频发，不但增加了钻井成本、降低了钻井时效，严重漏失还会引发井涌井喷事故，目前对漏失压力的精准预测仍然是一大难题。目前针对裂缝型地层的漏失压力预测的方法还不够完善，其中统计学漏失压力计算模型、最小水平地应力漏失压力计算模型等现有的裂缝型漏失压力计算模型都有一定的局限性，不适用于所有的裂缝型地层。
近年来，随着人工智和机器学习在钻井领域的应用日趋完善，基于数据驱动的方法在钻前、钻中、钻后都发挥出较大的优势，钻井历史数据是一个具有体量大特点的典型的时间序列数据，所以采用循环神经网络来预测漏失压力很容易产生梯度消失问题，而长短期记忆神经网络的特性就可以弥补循环神经网络的不足，并且漏失压力很难只通过单个属性或少量属性来预测，利用卷积神经网络可以将多个特征信号有效融合。所以利用卷积神经网络和长短期记忆神经网络融合的神经网络模型可以更加有效、合理的对漏失压力进行预测，提高漏失压力预测的科学性和准确性。
发明内容
本发明的目的在于提供一种结合深度学习的裂缝型漏失压力计算方法，以解决现有技术中，漏失压力难以精准预测的问题。
一种结合深度学习的裂缝型漏失压力计算方法，包括：
S1.基于电阻率侵入校正差比法，识别裂缝层段的完整性地层与非完整性地层；
S2.进行裂缝类型识别，利用裂缝类型识别指数与深浅电阻率和无铀伽马的交会图进行裂缝类型识别；
S3.获得完整性地层漏失压力训练样本，利用最小水平主应力模型对漏失压力进行预测；
S4.获得非完整性地层漏失压力训练样本；
S5.采用Pearson相关性分析法进行相关性分析；
S6.搭建长短期记忆卷积神经网络模型；
S7.将相关性分析后选出的特征作为输入集，漏失压力作为输出集，进行全井段漏失压力拼接；
S8.对长短期记忆卷积神经网络模型进行评价；
划分训练集和测试集，结合指标平均绝对误差百分比MAPE和均方根误差RMSE对预测漏失压力进行评价。
S1包括：电阻率侵入校正差比法以深浅侧向电阻率为基础计算，利用电阻率双侧向测井资料，计算出地层的真电阻率，构造电阻率侵入校正差比值对裂缝层段进行识别，计算公式如下：
；/>；
式中，为侵入校正的地层真电阻率，/>为深侧向电阻率，/>为浅侧向电阻率值，/>为深浅电阻率差比值；
利用井史和完井报告与计算出的深浅电阻率差比值，确定出识别完整性地层与非完整性地层的阈值。
S2包括：裂缝类型识别指数计算公式如下：
。
S3包括：漏失压力近似等于最小水平主应力，计算公式如下：
；
式中，为最小水平主应力模型确定的漏失压力，/>为水平构造应力系数，/>为泊松比，/>为上覆岩层压力，/>为地层孔隙压力。
S4包括：裂缝型漏失压力的修正公式为：
；
式中，为修正后的裂缝型漏失压力，/>为裂缝型漏失压差；
修正后的漏失压力当量钻井液密度为：
；
式中，为修正后的漏失压力当量钻井液密度，/>为液柱的垂直高度。
S4包括：S4.1.用幂函数拟合天然裂缝型漏失压差：
；
式中，为天然裂缝型漏失压差，/>为天然裂缝型漏失强度系数，/>为天然裂缝型漏失速率，/>为天然裂缝型漏失状态参数；
S4.2.诱导裂缝型漏失压差公式为：
；
式中，为诱导裂缝型漏失压差，/>为诱导裂缝型漏失强度系数，/>为裂缝孔隙度，/>为诱导裂缝型漏失速率，/>为诱导裂缝型漏失状态参数。
S6包括：
S6.1.搭建卷积神经网络，卷积神经网络包括输入层、隐含层和输出层；
S6.1.1.输入层预处理多维数据或图像，减少输入数据量纲的差异对模型的影响，提高模型的学习效率；
S6.1.2.隐含层包括卷积层、池化层和展平以及全连接层，隐含层完成特征提取和学习；
卷积层也称为特征提取层，设置了一个3×3的卷积核，步长为1；
池化层的对原始数据进行采样，降低原始数据维数，通过滤波器和滑动窗口进行降维下采样，最大限度激活权重大的特征，去除干扰和噪声信息；
展平以及全连接层将数据展平作为时间序列输入到长短期记忆神经网络。
S6包括：
S6.2.搭建长短期记忆神经网络；
S6.2.1.在新的信息被输入后，由遗忘门来确定哪些信息要被遗忘，遗忘门将上一个记忆单元的输出和此时刻的输入数据/>作为此时刻的输入，通过激活函数/>输出一个0-1的数值来决定上一个长期状态中信息的保留与丢失，若为“0”则全部丢失，若为“1”则全部保留，遗忘门/>计算公式为：
；
式中，为/>和/>到遗忘门的权重矩阵；/>为/>的偏置。
S6包括：
S6.2.2.输入门决定哪些新的信息将被加入，将上一时刻的输出和此时刻的输入数据/>输入至激活函数/>中得到/>，通过一个/>层得到新的候选记忆单元信息，/>和/>计算公式为：
；
；
式中，为/>和/>到输入门激活函数/>的权重矩阵；/>为/>和/>到/>的权重矩阵；/>为/>的偏置；/>为/>的偏置；
将更新为/>：
；
输出门将上一个时刻的输出和此时的输入数据/>输入到激活函数/>，确定要输出信息/>，再通过一个/>层处理记忆单元信息/>，将/>与/>相乘即得到此时刻的输出/>：
；
；
式中，为/>和/>到输出门激活函数/>的权重矩阵；/>为/>的偏置。
相对比现有技术，本发明具有以下有益效果：本发明长短期记忆神经网络的特性可以弥补现有技术的不足，利用卷积神经网络可以将多个特征信号有效融合，可以更加有效、合理的对漏失压力进行预测，提高漏失压力预测的科学性和准确性。
附图说明
图1是FI与两种裂缝型漏失深浅电阻率交会图；
图2是天然裂缝漏失平均绝对误差图；
图3是诱导裂缝漏失平均绝对误差图；
图4是C井全井段漏失压力剖面构建结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明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发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种结合深度学习的裂缝型漏失压力计算方法，包括：
S1.基于电阻率侵入校正差比法，识别裂缝层段的完整性地层与非完整性地层；
S2.进行裂缝类型识别，利用裂缝类型识别指数与深浅电阻率和无铀伽马的交会图进行裂缝类型识别；
S3.获得完整性地层漏失压力训练样本，利用最小水平主应力模型对漏失压力进行预测；
S4.获得非完整性地层漏失压力训练样本；
S5.采用Pearson相关性分析法进行相关性分析；
S6.搭建长短期记忆卷积神经网络模型；
S7.将相关性分析后选出的特征作为输入集，漏失压力作为输出集，进行全井段漏失压力拼接；
S8.对长短期记忆卷积神经网络模型进行评价；
划分训练集和测试集，结合指标平均绝对误差百分比MAPE和均方根误差RMSE对预测漏失压力进行评价。
S1包括：电阻率侵入校正差比法以深浅侧向电阻率为基础计算，利用电阻率双侧向测井资料，计算出地层的真电阻率，构造电阻率侵入校正差比值对裂缝层段进行识别，计算公式如下：
；/>；
式中，为侵入校正的地层真电阻率，/>为深侧向电阻率，/>为浅侧向电阻率值，/>为深浅电阻率差比值；
利用井史和完井报告与计算出的深浅电阻率差比值，确定出识别完整性地层与非完整性地层的阈值。
S2包括：裂缝类型识别指数计算公式如下：
。
S3包括：漏失压力近似等于最小水平主应力，计算公式如下：
；
式中，为最小水平主应力模型确定的漏失压力，/>为水平构造应力系数，/>为泊松比，/>为上覆岩层压力，/>为地层孔隙压力。
S4包括：裂缝型漏失压力的修正公式为：
；
式中，为修正后的裂缝型漏失压力，/>为裂缝型漏失压差；
修正后的漏失压力当量钻井液密度为：
；
式中，为修正后的漏失压力当量钻井液密度，/>为液柱的垂直高度。
S4包括：S4.1.用幂函数拟合天然裂缝型漏失压差：
；
式中，为天然裂缝型漏失压差，/>为天然裂缝型漏失强度系数，/>为天然裂缝型漏失速率，/>为天然裂缝型漏失状态参数；
S4.2.诱导裂缝型漏失压差公式为：
；
式中，为诱导裂缝型漏失压差，/>为诱导裂缝型漏失强度系数，/>为裂缝孔隙度，/>为诱导裂缝型漏失速率，/>为诱导裂缝型漏失状态参数。
S6包括：
S6.1.搭建卷积神经网络，卷积神经网络包括输入层、隐含层和输出层；
S6.1.1.输入层预处理多维数据或图像，减少输入数据量纲的差异对模型的影响，提高模型的学习效率；
S6.1.2.隐含层包括卷积层、池化层和展平以及全连接层，隐含层完成特征提取和学习；
卷积层也称为特征提取层，设置了一个3×3的卷积核，步长为1；
池化层的对原始数据进行采样，降低原始数据维数，通过滤波器和滑动窗口进行降维下采样，最大限度激活权重大的特征，去除干扰和噪声信息；
展平以及全连接层将数据展平作为时间序列输入到长短期记忆神经网络。
S6包括：
S6.2.搭建长短期记忆神经网络；
S6.2.1.在新的信息被输入后，由遗忘门来确定哪些信息要被遗忘，遗忘门将上一个记忆单元的输出和此时刻的输入数据/>作为此时刻的输入，通过激活函数/>输出一个0-1的数值来决定上一个长期状态中信息的保留与丢失，若为“0”则全部丢失，若为“1”则全部保留，遗忘门/>计算公式为：
；
式中，为/>和/>到遗忘门的权重矩阵；/>为/>的偏置。
S6包括：
S6.2.2.输入门决定哪些新的信息将被加入，将上一时刻的输出和此时刻的输入数据/>输入至激活函数/>中得到/>，通过一个/>层得到新的候选记忆单元信息，/>和/>计算公式为：
；
；
式中，为/>和/>到输入门激活函数/>的权重矩阵；/>为/>和/>到/>的权重矩阵；/>为/>的偏置；/>为/>的偏置；
将更新为/>：
；
输出门将上一个时刻的输出和此时的输入数据/>输入到激活函数/>，确定要输出信息/>，再通过一个/>层处理记忆单元信息/>，将/>与/>相乘即得到此时刻的输出/>：
；
；
式中，为/>和/>到输出门激活函数/>的权重矩阵；/>为/>的偏置。
以哈法亚油田某区块为示例，该区块地质条件十分复杂，通过收集整理哈法亚油田102口发生漏失事故的井，漏失发生了400余次并以裂缝型漏失为主，因此很有必要形成一套针对裂缝型漏失压力剖面的构建方法。
利用哈法亚油田区块内已钻井的井史、完井报告等资料，对1井A地层的漏失情况进行了统计并计算，在A地层中，深浅电阻率差比值在0.3-0.75为非完整性地层，如图1所示。上一步骤实现了完整性地层与非完整性地层的划分，然后进行裂缝识别，这两种类型的裂缝在常规测井资料中的差异主要体现在深浅电阻率以及无铀伽马。计算的值，并用哈法亚油田资料分别建立了与深浅电阻率和无铀伽马的交会图，但通过统计发现此地区用裂缝类型识别指数与无铀伽马的交会图区分裂缝类型的效果不明显，所以推荐使用与深浅电阻率交会图来识别裂缝类型，并能得出如下结论：哈法亚油田天然裂缝的深电阻率的范围是2.16-4.25，浅电阻率的范围是1.70-4.70，的范围是0.03-0.08；诱导裂缝的深电阻率的范围是5.97-14.12，浅电阻率的范围是1.00-6.00，的范围是0.28-0.72。根据已钻井实际发生漏失的资料，将发生漏失时的井筒内钻井液柱压力与地层孔隙压力的差值，与漏失速率进行拟合，根据步骤2判断的两种类型漏失，分别建立的两种拟合模型，值得注意的是不同的地层拟合模型也有所不同，本发明提供A、B地层部分具有代表性的漏失点做了拟合，拟合公式如下：
A地层天然裂缝地层层段漏失压力代表式：
；
B地层的漏失压差与漏速和孔隙度的关系式为：
；
完成不同地层不同漏失类型的拟合模型，对已钻井的漏失压力（即输出集）更加进准的求取，在模型训练之前还需要进行特征参数优选，选取相关系数绝对值大于0.55的测井资料。其中天然裂缝型漏失（DEPTH、DTCO、DTSM、CGR、HTEM、LLD、LLS、NPHI、RB、RHOB、RXOZ、SPHI、TENS、TNPH），诱导裂缝型漏失（DEPTH、DTCO、DTSM、CGR、LLD、LLS、NPHI、RHOB、RXOZ、SP、SPHI、TENS、TNPH），具体如下系数如表1，其中深度步长为0.1m。
表1 相关性测试结果
建好数据样本之后，模型的超参数对训练结果也有较大的影响，通过多次试验得到表2超参数组合，通过模型训练得到如下图2和图3的平均绝对误差。
表2 长短期记忆卷积神经网络参数
通过训练好两种漏失类型的CNN-LSTM模型，通过目前井C井用于验证，得到图4，证明本发明所创建的漏失压力预测方法可以比较精准的对裂缝型地层漏失压力进行预测。
以上实施例仅用于说明本发明的技术方案，而非对其限制，尽管参照前述实施例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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，包括：
S1.基于电阻率侵入校正差比法，识别裂缝层段的完整性地层与非完整性地层；
S2.进行裂缝类型识别，利用裂缝类型识别指数与深浅电阻率和无铀伽马的交会图进行裂缝类型识别；
S3.获得完整性地层漏失压力训练样本，利用最小水平主应力模型对漏失压力进行预测；
S4.获得非完整性地层漏失压力训练样本；
S5.采用Pearson相关性分析法进行相关性分析；
S6.搭建长短期记忆卷积神经网络模型；
S7.将相关性分析后选出的特征作为输入集，漏失压力作为输出集，进行全井段漏失压力拼接；
S8.对长短期记忆卷积神经网络模型进行评价；
划分训练集和测试集，结合指标平均绝对误差百分比MAPE和均方根误差RMSE对预测漏失压力进行评价；
S4包括：裂缝型漏失压力的修正公式为：
；
式中，为修正后的裂缝型漏失压力，/>为裂缝型漏失压差；
修正后的漏失压力当量钻井液密度为：
；
式中，为修正后的漏失压力当量钻井液密度，/>为液柱的垂直高度；
S4包括：S4.1.用幂函数拟合天然裂缝型漏失压差：
；
式中，为天然裂缝型漏失压差，/>为天然裂缝型漏失强度系数，/>为天然裂缝型漏失速率，/>为天然裂缝型漏失状态参数；
S4.2.诱导裂缝型漏失压差公式为：
；
式中，为诱导裂缝型漏失压差，/>为诱导裂缝型漏失强度系数，/>为裂缝孔隙度，/>为诱导裂缝型漏失速率，/>为诱导裂缝型漏失状态参数。
2.根据权利要求1所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S1包括：电阻率侵入校正差比法以深浅侧向电阻率为基础计算，利用电阻率双侧向测井资料，计算出地层的真电阻率，构造电阻率侵入校正差比值对裂缝层段进行识别，计算公式如下：
；/>；
式中，为侵入校正的地层真电阻率，/>为深侧向电阻率，/>为浅侧向电阻率值，为深浅电阻率差比值；
利用井史和完井报告与计算出的深浅电阻率差比值，确定出识别完整性地层与非完整性地层的阈值。
3.根据权利要求2所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S2包括：裂缝类型识别指数计算公式如下：
。
4.根据权利要求3所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S3包括：漏失压力近似等于最小水平主应力，计算公式如下：
；
式中，为最小水平主应力模型确定的漏失压力，/>为水平构造应力系数，/>为泊松比，为上覆岩层压力，/>为地层孔隙压力。
5.根据权利要求1所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S6包括：
S6.1.搭建卷积神经网络，卷积神经网络包括输入层、隐含层和输出层；
S6.1.1.输入层预处理多维数据或图像，减少输入数据量纲的差异对模型的影响，提高模型的学习效率；
S6.1.2.隐含层包括卷积层、池化层和展平以及全连接层，隐含层完成特征提取和学习；
卷积层也称为特征提取层，设置了一个3×3的卷积核，步长为1；
池化层的对原始数据进行采样，降低原始数据维数，通过滤波器和滑动窗口进行降维下采样，最大限度激活权重大的特征，去除干扰和噪声信息；
展平以及全连接层将数据展平作为时间序列输入到长短期记忆神经网络。
6.根据权利要求1所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S6包括：
S6.2.搭建长短期记忆神经网络；
S6.2.1.在新的信息被输入后，由遗忘门来确定哪些信息要被遗忘，遗忘门将上一个记忆单元的输出和此时刻的输入数据/>作为此时刻的输入，通过激活函数/>输出一个0-1的数值来决定上一个长期状态中信息的保留与丢失，若为“0”则全部丢失，若为“1”则全部保留，遗忘门/>计算公式为：
；
式中，为/>和/>到遗忘门的权重矩阵；/>为/>的偏置。
7.根据权利要求1所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S6包括：
S6.2.2.输入门决定哪些新的信息将被加入，将上一时刻的输出和此时刻的输入数据/>输入至激活函数/>中得到/>，通过一个/>层得到新的候选记忆单元信息/>，/>和计算公式为：
；
；
式中，为/>和/>到输入门激活函数/>的权重矩阵；/>为/>和/>到/>的权重矩阵；/>为/>的偏置；/>为/>的偏置；
将更新为/>：
；
输出门将上一个时刻的输出和此时的输入数据/>输入到激活函数/>，确定要输出信息/>，再通过一个/>层处理记忆单元信息/>，将/>与/>相乘即得到此时刻的输出/>：
；
；
式中，为/>和/>到输出门激活函数/>的权重矩阵；/>为/>的偏置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311219560.1A CN116956754B (zh) | 2023-09-21 | 2023-09-21 | 一种结合深度学习的裂缝型漏失压力计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311219560.1A CN116956754B (zh) | 2023-09-21 | 2023-09-21 | 一种结合深度学习的裂缝型漏失压力计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116956754A CN116956754A (zh) | 2023-10-27 |
| CN116956754B true CN116956754B (zh) | 2023-12-15 |
Family
ID=88449662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311219560.1A Active CN116956754B (zh) | 2023-09-21 | 2023-09-21 | 一种结合深度学习的裂缝型漏失压力计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956754B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106285646A (zh) * | 2016-09-09 | 2017-01-04 | 中国石油大学(华东) | 基于多信息融合的钻井漏失层位识别方法 |
| CN111324990A (zh) * | 2020-03-19 | 2020-06-23 | 长江大学 | 基于多层长短期记忆神经网络模型的孔隙度预测方法 |
| WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
| CN114320279A (zh) * | 2021-12-29 | 2022-04-12 | 西南石油大学 | 深层裂缝性地层钻井液漏失层位预测方法 |
| CN114638255A (zh) * | 2022-02-18 | 2022-06-17 | 中国地质大学（武汉） | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 |
| CN115130934A (zh) * | 2022-09-01 | 2022-09-30 | 中国石油大学(华东) | 基于zel模型和多源数据的区域井漏风险预评价方法 |
| CN115267905A (zh) * | 2022-07-28 | 2022-11-01 | 中国石油大学(华东) | 一种复杂构造区钻井工程中裂缝性井漏预测方法 |
| CN115951422A (zh) * | 2023-03-14 | 2023-04-11 | 北京阳光杰科科技股份有限公司 | 构建天然裂缝漏失压力模型的方法 |
| US11630228B1 (en) * | 2022-04-27 | 2023-04-18 | China University Of Petroleum (East China) | Physical embedded deep learning formation pressure prediction method, device, medium and equipment |
| CN116090230A (zh) * | 2023-02-07 | 2023-05-09 | 中海油能源发展股份有限公司 | 一种用于裂缝性地层漏失压力分析方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230186002A1 (en) * | 2021-12-15 | 2023-06-15 | Halliburton Energy Services, Inc. | Designing Service for Wellbores With Fluid Losses |
-
2023
- 2023-09-21 CN CN202311219560.1A patent/CN116956754B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106285646A (zh) * | 2016-09-09 | 2017-01-04 | 中国石油大学(华东) | 基于多信息融合的钻井漏失层位识别方法 |
| WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
| CN111324990A (zh) * | 2020-03-19 | 2020-06-23 | 长江大学 | 基于多层长短期记忆神经网络模型的孔隙度预测方法 |
| CN114320279A (zh) * | 2021-12-29 | 2022-04-12 | 西南石油大学 | 深层裂缝性地层钻井液漏失层位预测方法 |
| CN114638255A (zh) * | 2022-02-18 | 2022-06-17 | 中国地质大学（武汉） | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 |
| US11630228B1 (en) * | 2022-04-27 | 2023-04-18 | China University Of Petroleum (East China) | Physical embedded deep learning formation pressure prediction method, device, medium and equipment |
| CN115267905A (zh) * | 2022-07-28 | 2022-11-01 | 中国石油大学(华东) | 一种复杂构造区钻井工程中裂缝性井漏预测方法 |
| CN115130934A (zh) * | 2022-09-01 | 2022-09-30 | 中国石油大学(华东) | 基于zel模型和多源数据的区域井漏风险预评价方法 |
| CN116090230A (zh) * | 2023-02-07 | 2023-05-09 | 中海油能源发展股份有限公司 | 一种用于裂缝性地层漏失压力分析方法和装置 |
| CN115951422A (zh) * | 2023-03-14 | 2023-04-11 | 北京阳光杰科科技股份有限公司 | 构建天然裂缝漏失压力模型的方法 |
Non-Patent Citations (5)
| Title |
|---|
| Comparative analysis between the mechanics-based and statistics-bused calculation models for leakage pressure;ZHU L 等;Natural Gas Industry;全文 * |
| 几种裂缝性漏失压力计算模型的比较分析;张磊;许杰;谢涛;林海;刘海龙;;石油机械(第09期);全文 * |
| 基于录井数据计算地层漏失压力的方法;方俊伟;杨涪杰;贾晓斌;邓明毅;;录井工程(第01期);全文 * |
| 裂缝型储层测井评价方法及应用研究;韩磊;刘俊州;刘振峰;张金强;王震宇;;国外测井技术(第04期);全文 * |
| 裂缝性储层分级评价中的卷积神经网络算法研究与应用;吴正阳;莫修文;柳建华;胡国山;;石油物探(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116956754A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291097B (zh) | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 | |
| CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
| CN104533400B (zh) | 一种重构测井曲线的方法 | |
| 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 | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| CN111665560A (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
| CN109635244A (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
| CN114818076B (zh) | 一种基于机器学习的断层封闭烃柱高度评价方法 | |
| CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
| CN109614883A (zh) | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 | |
| CN110320569B (zh) | 一种致密砂岩储层单井裂缝发育强度定量评价方法 | |
| CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
| CN114066084B (zh) | 一种基于机器学习的相渗曲线预测方法及系统 | |
| CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
| CN116956754B (zh) | 一种结合深度学习的裂缝型漏失压力计算方法 | |
| CN112576238A (zh) | 一种低渗透油藏剩余油位置与含量测定系统、方法及应用 | |
| CN113550741A (zh) | 一种套管最小内径检测方法 | |
| CN111626377A (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
| CN115081485B (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
| CN108898286B (zh) | 储层裂缝发育程度的评价方法及装置 | |
| Damasceno et al. | Source rock evaluation from rock to seismic: Integrated machine learning based workflow | |
| CN117005846B (zh) | 致密砂岩油气藏条件下电阻率测井侵入校正方法及系统 | |
| CN117575106B (zh) | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 | |
| Jacotă et al. | HETEROGENOUS DISTRIBUTION OF INITIAL WATER SATURATION USING ARTIFICIAL NEURAL NETWORKS | |
| CN116468303A (zh) | 工程地质监测系统及多期航拍测绘的三维地质建模方法 |
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 |