【技术实现步骤摘要】
基于深度神经网络Sequential模型的深井钻井机械钻速预测方法
[0001]本专利技术涉及一种基于深度神经网络来预测机械钻速的方法,属于石油钻井领域,特别是涉及一种基于Sequential模型来预测机械钻速的方法。
技术介绍
[0002]在深井、超深井钻井过程中,由于地质条件和井下工况复杂,工程施工面临很大风险和挑战,深井钻井周期长、钻井成本高和钻井效率低成为制约深部油气资源开发的重要技术瓶颈之一。机械钻速是钻井工程重要的技术指标之一,直接影响了钻井周期、成本及效率,准确预测机械钻速能够为优化配置资源、提高人员和设备的使用效率、降低钻井成本等方面具有重要意义。
[0003]机械钻速(ROP,Rate of Penetration)是表示单位纯钻进时间内所钻开岩石的进尺,是反应所用的碎岩方法、所钻的岩石性质、所用的钻进工艺和技术状况的一个指标,同时也是钻井所需时间的一个直接量度。从20世纪50年代开始,Siman、Woods等人先后分别对影响钻速的几个主要因如钻压、井眼直径、排量和转速等进行统计分析得出了一系列含有一些待定系数的钻速方程。大量的统计和待定系数的不确定性导致了传统的通过公式计算机械钻速的方法准确度大大降低。因此,(J
‑
J HOPFIELD.Neural network and physical systems with emergent collective computational abilities[J].Proc.natl.sci,1992,79)提出了仿照了人类大 ...
【技术保护点】
【技术特征摘要】
1.基于深度神经网络Sequential模型的深井钻井机械钻速预测方法,依次包括以下步骤:步骤1:数据采集,选择一个特定区块,采集该区块中不同井的数据,作为原始钻井数据;步骤2:将原始钻井数据分为输入参数和输出参数,所述输入参数包含井深、原始地层参数、钻井参数和钻头参数,其中原始地层参数包括岩性、伽马系数GR和声波时差AC,钻井参数包括钻压、钻速、钻井液密度、立管压力、排量和扭矩,钻头参数包括钻头类型和钻头尺寸;所述输出参数为机械钻速,将输入参数作为不同的特征属性,每个特征属性所包含的原始钻井数据作为输入变量X,机械钻速作为输出变量Y,得到初始数据集D;步骤3:进行非结构化数据的量化表征和结构化数据的标准化,非结构化数据的量化表征是将非结构化数据转化成数值型数据,采用顺序编码方式来进行编码;结构化数据的标准化是将数据落入一个特定区间,使其转化成无量纲的纯数值型;步骤4:确定使用基于深度神经网络的Sequential模型,即多个网络层通过堆叠,构建出深度神经网络Sequential模型来进行预测;步骤5:数据集的划分,使用初始数据集D来训练Sequential模型,随机划分训练集D1和测试集D2,其中训练集占初始数据集D的80%,测试集占20%;步骤6:模型建立和训练,Sequential模型由一层输入层、一层或多层隐藏层和最后一层输出层组成,以影响机械钻速的各种参数作为输入层,机械钻速作为输出层,采用Rule函数作为网格传递的激活函数,采用Adam优化器进行函数权值的优化,使用损失函数MAE和MSE两种方法来计算预测值和真实值的误差;步骤7:模型的预测和结果的可视化,包括利用Sequential算法得到一个基于深度学习的机械钻速预测模型,设置模型参数的各个数值,采用R2指标反映评价拟合好坏,并实现图像可视化。2.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法,其特征在于,所述步骤1中数据采集分开次进行,所述的开次是指钻井过程中使用不同尺寸钻头进行钻进,钻头尺寸随钻井深度依次减小,每更换一次钻头尺寸及下入一层套管,称为一个开次。3.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法,其特征在于,所述步骤3中采用顺序编码是指将每一个类别的特征转换成一个新的整数,并非0或1。4.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法,其特征在于,所述步骤3中数据的标准化采用数据归一化的方式,通过对原始数据的线性变换,使结果值映射到[0,1]之间,公式如下:其中x
i
表示某一参数下任意一点;x
min
表示某一参数下的最小值;x
max
表示某一参数下的最大值;X
i
表示某一参数下归一化的值。
5.如权利要求1所述的基于深度神经网络Sequential模型的深井钻井机械钻速预测方法,其特征在于,所述步骤5中数据集的划分,是指在训练模型...
【专利技术属性】
技术研发人员:石祥超,刘越豪,王宇鸣,陈彦州,章尔罡,
申请(专利权)人:西南石油大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。