基于深度神经网络Sequential模型的深井钻井机械钻速预测方法技术

本发明专利技术涉及基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，包括：采集不同井的数据，作为原始钻井数据；将原始钻井数据分为输入参数和输出参数，输入参数包含井深、原始地层参数、钻井参数和钻头参数，输出参数为机械钻速，得到初始数据集D；进行非结构化数据的量化表征和结构化数据的标准化；使用基于深度神经网络的Sequential模型来进行预测；随机划分训练集D1和测试集D2；模型建立和训练，以影响机械钻速的参数作为输入层，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，Adam优化器进行函数权值的优化，损失函数MAE和MSE计算预测值和真实值的误差；模型的预测和结果的可视化。本发明专利技术能够准确预测机械钻速，克服现有技术的缺陷和不足。克服现有技术的缺陷和不足。克服现有技术的缺陷和不足。

【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脑的记忆存储功能的Hopield神经网络模型，网络拥有极佳的联想记忆功能，但是设计并搭建一个对应的机械钻速预测模型存在很大的困难。之后，Geoffrey Hinton和他的同事们提出了误差反向传播神经网络(Back Propagation,BP)，也就是俗称的BP神经网络误差反向传播的基本算法。本专利技术采用的一种基于深度神经网络Sequential模型的基础结构模型，能够构建非线性的复杂关系模型，解决多种参数影响下的复杂预测问题。

技术实现思路

[0004]本专利技术的目的在于提供基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，该方法原理可靠，操作简便，通过构建非线性的复杂关系模型，能够准确预测机械钻速，克服了现有技术的缺陷和不足。
[0005]为达到以上技术目的，本专利技术采用以下技术方案。
[0006]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：
[0007]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，得到数据样本集，该数据样本集包含录井数据和测井数据，统一整理到Excel表格或TXT文本中，作为原始钻井数据。由于不同的区块中地层条件差异很大，需选择一个特定的区块建立模型。
[0008]步骤2：数据参数的确定。将步骤1得到的原始钻井数据分为输入参数和输出参数，
所述输入参数一共包含四类，分别是井深、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(即开次)；所述输出参数为机械钻速。将12个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。
[0009]步骤3：数据的特征工程。数据特征工程包括两个部分，即非结构化数据的量化表征和结构化数据的标准化。通过步骤1、2得到的数据参数中并不全为结构化数据，如数据中岩性和钻头类型都是非结构化数据，将这些非结构化数据转化成数值型数据，采用顺序编码(Ordinalencoder)方式来进行编码。将结构化数据标准化，目的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，以便不同单位或两级的指标能加权和比较，减少数值过大的数据对模型权重的影响。
[0010]步骤4：模型的确定。深度神经网络是一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。本专利技术使用基于深度神经网络的Sequential模型，也就是多个网络层通过堆叠，构建出深度神经网络Sequential模型进行预测。Sequential模型也可以构建出其他非常复杂的神经网络，包括全连接神经网络、卷积神经网络(CNN)、循环神经网络(RNN)等。
[0011]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，其中训练集占数据集D的80％，测试集占20％。
[0012]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(TLU)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。
[0013]步骤7：模型的预测和结果的可视化。利用Sequential算法得到一个基于深度学习的机械钻速预测模型，需设置模型参数的各个数值，再采用R2指标反映评价拟合好坏，并实现图像可视化，包括模型最终预测值和真实的差值分布图、模型训练次数与模拟结果误差的柱状关系图、机械钻速与井深的关系图。
[0014]进一步的，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。
[0015]进一步的，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，即并非0或1。假设单个非结构化因素为X＝{A1，A2，B1，B2，B3，C1，C2}，经过顺序编码后为X＝{01，02，11，12，13，21，22}。单个因素的不同的特征属性对应不同的编码。
[0016]进一步的，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：
[0017][0018]其中x
i
表示某一参数下任意一点；
[0019]x
min
表示某一参数下的最小值；
[0020]x
max
表示某一参数下的最大值；
[0021]X
i
表示某一参数下归一化的值。
[0022]进一步的，步骤5中数据集的划分，是指在训练模型时，需要训练的结果和真实值不断迭代来减小误差，提高模型的预测准确性，所以在训练时还需将数据集分为训练集和测试集，比例为8∶2。
[0023]进一步的，步骤6中Sequential网络模型为7层深层神经网络，输入层包含12个神经元，为步骤3标准化后的输入参数；隐藏层一共5层，以及一个输出层，迭代次数为1000次。
[0024]进一步的，步骤6中激本文档来自技高网...

【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：