本发明专利技术涉及基于LSTM循环神经网络模型的钻井机械钻速预测方法，包括：选择特定区块，采集该区块中不同井的数据作为钻井数据；将钻井数据分为输入参数和输出参数，得到初始数据集D；对初始数据集进行处理，包括非结构化数据的量化表征以及结构化数据的标准化；将初始数据集D更改为循环神经网络要求的三维数组，包括样本数、循环核展开步数以及输入特征个数，得到输入数据集D1；利用LSTM算法建立机械钻速预测模型，对模型进行训练，直至达到要求；将输入数据集D1输入到经过训练的模型中，得到预测的机械钻速，采用R2指标评价机械钻速预测值与真实值拟合结果。本发明专利技术通过构建非线性的复杂关系模型，能够准确预测机械钻速，克服现有技术的缺陷和不足。的缺陷和不足。的缺陷和不足。
【技术实现步骤摘要】
基于LSTM循环神经网络模型的钻井机械钻速预测方法
[0001]本专利技术涉及石油钻井领域一种基于循环神经网络预测机械钻速的方法，特别是涉及一种基于长短期记忆(LSTM)的循环神经网络模型来预测机械钻速的方法。
技术介绍
[0002]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。机械钻速是钻井工程的重要指标之一，影响机械钻速的因素繁多，关系复杂，目前为止尚未建立令人信服、普遍适用的数学模型。准确预测机械钻速可以缩短钻井周期，减少钻井成本，对钻井工程优化有着重要意义。
[0003]为计算机械钻速，Bourgoyne和Young(Bourgoyne A T,Young F S.A Multiple Regression Approach to Optimal Drilling and Abnormal Pressure Detection[J].Society of Petroleum Engineers Journal,1974,14(4):371
‑
384)考虑岩石强度、钻压、压差、转速等诸多因素建立了机械钻速模型，但在2016年Soares等(Soares C,Daigle H,Gray K.Evaluation of PDC bit ROP models and the effect of rock strength on model coefficients[J].Journal of Natural Gas Science and Engineering,2016,34:1225
‑
1236)揭示了传统机械钻速模型的局限性，包括Bourgoyne和Young的机械钻速模型。由于影响机械钻速因素多，很难做到建立准确的机械钻速模型，
[0004]随着可以解决大量数据非线性关系的神经网络进入研究人员的视野，Jordan和Elman分别于1986年和1990年提出循环神经网络框架，称为简单循环网络(Simple Recurrent Network，SRN)，被认为是目前广泛流行的RNN的基础版本。基于长短期记忆的(LSTM)循环神经网络(Hochreiter S and Schmidhuber J.Long short
‑
term memory.[J].Neural computation,1997,9(8):1735
‑
80)改进了传统循环神经网络梯度爆炸与梯度消失的问题，是现今在实际应用中最有效的序列模型。本专利技术采用一种基于LSTM循环神经网络模型预测机械钻速，因机械钻速与井深关系密切，故按照钻井的井深将钻井输入参数做序列数据，从而构建关于机械钻速的非线性复杂关系序列模型，解决多种参数影响下的复杂预测问题。
技术实现思路
[0005]本专利技术的目的在于提供基于LSTM循环神经网络模型的钻井机械钻速预测方法，该方法原理可靠，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。
[0006]为达到以上技术目的，本专利技术采用以下技术方案。
[0007]循环神经网络对带有序列特征的非线性数据十分有效，其最大的特点就是神经元在某一刻的输出可以作为输入再次输入到神经元。本专利技术使用基于LSTM循环神经网络模型，该模型引入记忆单元和门控记忆单元保存历史信息和长期状态，使用门控来控制信息
的流动，解决了一般循环神经网络中的梯度消失与梯度爆炸的问题。因机械钻速与井深高度相关，故按照井深将钻井数据作为序列数据，从而通过大量钻井数据预测机械钻速。
[0008]基于LSTM循环神经网络模型的钻井机械钻速预测方法，依次包括以下步骤：
[0009]步骤1：选择一个特定区块，采集该区块中不同井的数据，按不同井号分别整理得到数据样本集，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，作为钻井数据。
[0010]进一步的，所述步骤1中数据采集需从测井资料中提取对应井深的伽马系数、声波时差、地层岩性；在录井资料与钻井日志中提取对应井深的钻压、钻速、钻井液密度、立管压力、排量、扭矩、钻头尺寸、钻头类型。
[0011]步骤2：将步骤1得到的钻井数据分为输入参数和输出参数，所述输入参数由井深、原始地层参数、钻井参数和钻头参数组成，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；将具有不同特征属性的12个输入参数作为输入变量X，机械钻速作为输出变量Y，得到初始数据集D。
[0012]步骤3：对初始数据集进行处理，包括非结构化数据的量化表征以及结构化数据的标准化。通过步骤1得到的钻井数据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。所述非结构化数据的量化表征，是指采用顺序编码(Ordinalencoder)方式进行编码，将非结构化数据转化成数值型数据；所述结构化数据的标准化，是指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。
[0013]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。
[0014]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：
[0015][0016]其中x
i
表示某一参数下任意一点；
[0017]x
min
表示某一参数下的最小值；
[0018]x
max
表示某一参数下的最大值；
[0019]X
i
表示某一参数下归一化的值。
[0020]步骤4：将初始数据集D更改为循环神经网络要求的三维数组，所述三维数组包括样本数、循环核展开步数以及输入特征个数，将每米的钻井数据作为一个矩阵，样本数则为每米钻井数据形成的矩阵数，通过每米的钻井数据预测每米的机械钻速，循环核展开步数为1，输入特征个数为输入参数的种类个数，在本专利技术中为12，得到输入数据集D1。
[0021]步骤5：模型的建立与训练。将输入数据集D1随机划分为训练集D2和测试集D3，其中训练集占输入数据集D1的80％，测试集占输入数据集D1的20％，利用LSTM算法建立机械钻速预测模型(伊恩
·
古德费洛著；赵申剑，黎彧君，符天凡，李凯译.深度学习[M].北京：人民邮电出版社，2017)，将随机划分的训练集D2对模型本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于LSTM循环神经网络模型的钻井机械钻速预测方法，依次包括以下步骤：步骤1：选择一个特定区块，采集该区块中不同井的数据，按不同井号分别整理得到数据样本集，作为钻井数据；步骤2：将步骤1得到的钻井数据分为输入参数和输出参数，所述输入参数由井深、原始地层参数、钻井参数和钻头参数组成，其中原始地层参数包括岩性、伽马系数和声波时差，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12个输入参数作为输入变量X，机械钻速作为输出变量Y，得到初始数据集D；步骤3：对初始数据集进行处理，包括非结构化数据的量化表征以及结构化数据的标准化；所述非结构化数据的量化表征，是指采用顺序编码方式进行编码，将非结构化数据转化成数值型数据；所述结构化数据的标准化，是指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：将初始数据集D更改为循环神经网络要求的三维数组，所述三维数组包括样本数、循环核展开步数以及输入特征个数，将每米的钻井数据作为一个矩阵，样本数为每米钻井数据形成的矩阵数，循环核展开步数为1，输入特征个数为12，得到输入数据集D1；步骤5：将输入数据集D1随机划分为训练集D2和测试集D3，其中训练集占输入数据集D1的80％，测试集占输入数据集D1的20％，利用LSTM算法建立机械钻速预测模型，将随机划分的训练集D2对模型进行训练，并用测试集D3对训练好的模型进行测试，直至达到要求；步骤6：将输入数据集D1输入到经过训练的模型中，得到预测的机械钻速，采用R2指标评价机械钻速预测值与真实值拟合结果。2.如权利要求1所述的基于LSTM循环神经网络模型的钻井机械钻速预测方法，其特征在于，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...
【专利技术属性】
技术研发人员：石祥超，王宇鸣，孔璐琳，邓虎，陈雁，于浩，
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。