岩石可钻性预测方法、系统、存储介质及电子终端技术方案

本发明专利技术提供岩石可钻性预测方法、系统、存储介质及电子终端，本发明专利技术采用非线性回归与人工神经网络相结合的方式，通过一元和多元非线性回归法首先剔除无效测井变量和无效测井参数，之后利用人工神经网络建立预测岩石可钻性的计算模型。该方法计算流程简单，岩石可钻性预测的准确性高、稳定性强、成本低，有利于现场推广和应用。

【技术实现步骤摘要】
岩石可钻性预测方法、系统、存储介质及电子终端
本专利技术涉及石油与天然气钻井
，特别是涉及岩石可钻性预测方法、系统、存储介质及电子终端。
技术介绍
在钻井过程中，常常出现因选用的钻头型号与地层性质不匹配而导致的钻头机械钻速低、钻头磨损严重、进尺减少等情况。目前，对岩石可钻性级值的获取途径主要有两种，一种是通过岩石可钻性室内实验直接测量，另一种是通过测井数据解释得到，通常是采用多元回归的方法，建立多种测井参数预测岩石可钻性的计算模型。但是，上述两种针对岩石可钻性的预测方法存在多方面的不足。通过岩石可钻性室内实验直接测量的方式，其操作比较复杂，实验成本高，周期长，得到的数据点有限且离散，不能对岩石可钻性的分布情况进行全面测定；而且，岩石可钻性室内实验属于钻后可钻性分析，不能在开钻前对地层的岩石可钻性进行预测。采用多元回归的方法预测岩石可钻性时，由于某些测井数据可靠性不足，特别是深部复杂地层，导致建立的计算模型精确度不高，泛化能力差。因此，为了进一步提高对岩石可钻性预测的准确性，为钻头选型和设计提供依据，亟需提供一种能够快速准确对岩石可钻性进行预测的方法。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供岩石可钻性预测方法、系统、存储介质及电子终端，用于解决现有技术无法快速高效且准确地进行岩石可钻性预测的问题。为实现上述目的及其他相关目的，本专利技术提供一种岩石可钻性预测方法，其包括：步骤1：获取多个岩石可钻性级值实验数据；步骤2：建立单测井参数与岩石可钻性级值之间的一元回归模型，以基于单测井参数与岩石可钻性级值之间相关性，筛选出与岩石可钻性级值关联的多个第一有效测井参数；步骤3：建立多测井参数与岩石可钻性级值之间的多元回归模型，以从所述第一有效测井参数中筛选出满足模型显著性要求的多个第二有效测井参数；步骤4：以所述第二有效测井参数作为输入变量，且以岩石可钻性级值的实验值作为期望输出变量，建立用于预测岩石可钻性级值的第一神经网络模型，且令基于所述第一神经网络模型获得的岩石可钻性级值为岩石可钻性初步预测级值；步骤5：以所述岩石可钻性初步预测级值以及岩石特征参数作为输入变量，且以岩石可钻性级值的实验值作为期望输出变量，建立用于预测岩石可钻性级值的第二神经网络模型，且令基于所述第二神经网络模型获得的岩石可钻性级值作为岩石可钻性最终预测级值。于本专利技术的一实施例中，步骤1还包括：步骤11：归位取自岩心库的岩心的岩心深度；步骤12：基于归位后的岩心进行岩石可钻性室内微钻实验，以获取所述岩石可钻性级值实验数据。于本专利技术的一实施例中，步骤11中所述归位取自岩心库的岩心的岩心深度的方式具体包括：通过以岩心岩性分析的孔隙度、渗透率值与测井计算值进行对比同时兼顾取心岩样描述的方式，对岩心进行深度归位。于本专利技术的一实施例中，步骤2包括：建立与步骤1所述岩心归位深度相对应的单测井参数数据与岩石可钻性级值实验值之间在置信水平95％条件下的一元回归模型。于本专利技术的一实施例中，步骤3包括：基于步骤2所述第一有效测井参数，建立多测井参数数据与岩石可钻性级值之间在置信水平95％条件下的多元回归模型；通过F检验，验证所述多元回归模型的回归结果的显著性；所述F检验服从自由度为(k，n-k-1)的F分布，其计算公式为：其中，n为测井数据点的个数，k为测井变量数，为预测值，为实验值平均数，yi为实验值。于本专利技术的一实施例中，所述第一神经网络模型为级联BP神经网络模型；所述第二神经网络模型为RBF径向基神经网络模型；所述级联BP神经网络模型和RBF径向基神经网络模型组合构成BP-RBF双级联神经网络模型。于本专利技术的一实施例中，所述测井参数包括声波时差、泥质含量、岩石密度或电阻率中的任一种或多种组合；所述岩石特征参数包括岩石硬度、抗压强度、或塑性系数中的任一种或多种组合。为实现上述目的及其他相关目的，本专利技术提供一种岩石可钻性预测系统，其包括：数据获取模块，用于获取多个岩石可钻性级值实验数据；模型建立模块，用于建立单测井参数数据与岩石可钻性级值之间的一元回归模型，以基于单测井参数与岩石可钻性级值之间相关性，筛选出与岩石可钻性级值关联的多个第一有效测井参数；并用于建立多测井参数数据与岩石可钻性级值之间的多元回归模型，以从所述第一有效测井参数中筛选出满足模型显著性要求的第二有效测井参数；并用于以所述第二有效测井参数作为输入变量，以岩石可钻性级值的实验值作为期望输出变量，建立用于预测岩石可钻性级值的第一神经网络模型，其中，令基于所述第一神经网络模型获得的岩石可钻性级值为岩石可钻性初步预测级值；并用于以所述岩石可钻性初步预测级值以及岩石特征参数作为输入变量，且以岩石可钻性级值的实验值作为期望输出变量，建立用于预测岩石可钻性级值的第二神经网络模型，且令基于所述第二神经网络模型获得的岩石可钻性级值作为岩石可钻性最终预测级值。为实现上述目的及其他相关目的，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述岩石可钻性预测方法方法。为实现上述目的及其他相关目的，本专利技术提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述岩石可钻性预测方法方法。如上所述，本专利技术的岩石可钻性预测方法、系统、存储介质及电子终端，具有以下有益效果：本专利技术采用非线性回归与人工神经网络相结合的方式，通过一元和多元非线性回归法首先剔除无效测井变量和无效测井参数，之后利用人工神经网络建立预测岩石可钻性的计算模型。该方法计算流程简单，岩石可钻性预测的准确性高、稳定性强、成本低，有利于现场推广和应用。附图说明图1显示为本专利技术一实施例中岩石可钻性预测方法的流程示意图。图2显示为一实施例中BP-RBF双级联神经网络模型的结构示意图。图3显示为本专利技术一实施例中岩石可钻性预测系统的结构示意图。图4显示为本专利技术一实施例中电子终端的结构示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或本文档来自技高网...

【技术保护点】
1.一种岩石可钻性预测方法，其特征在于，包括：步骤1：获取多个岩石可钻性级值实验数据；步骤2：建立单测井参数与岩石可钻性级值之间的一元回归模型，以基于单测井参数与岩石可钻性级值之间相关性，筛选出与岩石可钻性级值关联的多个第一有效测井参数；步骤3：建立多测井参数与岩石可钻性级值之间的多元回归模型，以从所述第一有效测井参数中筛选出满足模型显著性要求的多个第二有效测井参数；步骤4：以所述第二有效测井参数作为输入变量，且以岩石可钻性级值的实验值作为期望输出变量，建立用于预测岩石可钻性级值的第一神经网络模型，且令基于所述第一神经网络模型获得的岩石可钻性级值为岩石可钻性初步预测级值；步骤5：以所述岩石可钻性初步预测级值以及岩石特征参数作为输入变量，且以岩石可钻性级值的实验值作为期望输出变量，建立用于预测岩石可钻性级值的第二神经网络模型，且令基于所述第二神经网络模型获得的岩石可钻性级值作为岩石可钻性最终预测级值。

【技术特征摘要】
1.一种岩石可钻性预测方法，其特征在于，包括：步骤1：获取多个岩石可钻性级值实验数据；步骤2：建立单测井参数与岩石可钻性级值之间的一元回归模型，以基于单测井参数与岩石可钻性级值之间相关性，筛选出与岩石可钻性级值关联的多个第一有效测井参数；步骤3：建立多测井参数与岩石可钻性级值之间的多元回归模型，以从所述第一有效测井参数中筛选出满足模型显著性要求的多个第二有效测井参数；步骤4：以所述第二有效测井参数作为输入变量，且以岩石可钻性级值的实验值作为期望输出变量，建立用于预测岩石可钻性级值的第一神经网络模型，且令基于所述第一神经网络模型获得的岩石可钻性级值为岩石可钻性初步预测级值；步骤5：以所述岩石可钻性初步预测级值以及岩石特征参数作为输入变量，且以岩石可钻性级值的实验值作为期望输出变量，建立用于预测岩石可钻性级值的第二神经网络模型，且令基于所述第二神经网络模型获得的岩石可钻性级值作为岩石可钻性最终预测级值。2.根据权利要求1所述的岩石可钻性预测方法，其特征在于，步骤1还包括：步骤11：归位取自岩心库的岩心的岩心深度；步骤12：基于归位后的岩心进行岩石可钻性室内微钻实验，以获取所述岩石可钻性级值实验数据。3.根据权利要求2所述的岩石可钻性预测方法，其特征在于，步骤11中所述归位取自岩心库的岩心的岩心深度的方式具体包括：通过以岩心岩性分析的孔隙度、渗透率值与测井计算值进行对比同时兼顾取心岩样描述的方式，对岩心进行深度归位。4.根据权利要求1所述的岩石可钻性预测方法，其特征在于，步骤2包括：建立与步骤1所述岩心归位深度相对应的单测井参数数据与岩石可钻性级值实验值之间在置信水平95％条件下的一元回归模型。5.根据权利要求1所述的岩石可钻性预测方法，其特征在于，步骤3包括：基于步骤2所述第一有效测井参数，建立多测井参数数据与岩石可钻性级值之间在置信水平95％条件下的多元回归模型。通过F检验，验证所述多元回归模型的回归结果的显著性；所述F检验服从自由度为(k，n-k-1)的F分布，其计算公式为：其中，n为测井数据...

【专利技术属性】
技术研发人员：李乾，王孝山，邱康，郭志辉，陆国琛，
申请(专利权)人：中石化石油工程技术服务有限公司，中石化海洋石油工程有限公司石油工程技术研究院，
类型：发明
国别省市：北京,11