深度学习和Eaton法耦合驱动地层孔隙压力预测方法技术

本发明专利技术涉及油气钻井领域，具体是一种基于CNN

【技术实现步骤摘要】
深度学习和Eaton法耦合驱动地层孔隙压力预测方法


[0001]本专利技术涉及油气钻井领域，具体涉及一种深度学习和Eaton法耦合驱动地层孔隙压力预测方法。

技术介绍

[0002]准确预测地层孔隙压力是保障钻井工程设计合理性、降低钻井工程风险的关键技术之一。Eaton法是目前较常用的地层孔隙压力预测方法，其综合考虑了压实作用以及其他高压形成机制作用，并总结和参考了钻井实测压力与各种测井信息之间的关系，是一种比较实用的方法。通过分析，常规的Eaton法是将Eaton指数取定值，这往往不能很好的预测深部地层孔隙压力。随着人工智能技术和钻井大数据的发展，机器学习算法被引入地层压力预测中，为其的精准预测提供了新思路。
[0003]如，中国专利CN 112100930 A公开了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，并具体公开了方法如下：测井曲线重叠采样；基于短时傅里叶变换的样本1D
‑
2D变换预处理，将一维的深度域测井曲线样本转换为二维的深频图；基于卷积神经网络的正常压实层段智能识别模型，采用数据驱动的方式，对测井曲线进行分段特征提取，识别正常压实层段；根据识别出的正常压实层段测井曲线，构建正常压实趋势线拟合方程；根据正常压实趋势线方程，采用Eaton公式进行地层孔隙压力剖面计算。该专利可避免正常压实趋势线构建过程中存在的人为主观性，提高地层孔隙压力的计算精度，但该方法重点关注正常压实趋势线的选取，并没有关注影响更大的Eaton指数。

技术实现思路

[0004]本专利技术的目的是为了解决上述现有技术的不足，提供一种基于CNN
‑
LSTM深度学习模型对目标井全井Eaton指数精细反演，再结合传统Eaton模型对地层孔隙压力进行预测。为了使得训练数据扩充，本专利技术还创新性提出根据测井曲线变化率及岩性剖面对为数不多的实测点数据进行扩充、优化。构建的CNN
‑
LTSM深度学习模型，不仅能很好的对复杂多源数据进行特征提取，能很好的处理地层信息的前后关联性，该模型还能沿深度分别向前向后提取测井数据、录井数据、地震序列特征数据。
[0005]为了解决上述技术问题，本专利技术提供了一种CNN
‑
LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，具体方法为：S1、对已钻井地层孔隙压力实测点的测井数据进行归一化处理：考虑到不同测井数据之间量纲的影响，将已钻井地层孔隙压力实测点的测井数据归一化处理到0~1的范围内，归一化后的测井数据y
i
为：（1）其中，y
i
为已钻井地层孔隙压力实测点处第i种归一化后的测井数据，x
i
为已钻井地层孔隙压力实测点处第i种原始测井数据。
[0006]S2、以归一化后的测井数据变化率为依据，将实测点深度H0进行二次扩充得到二次扩充连续点深度集H
h
″
：将实测点深度H0进行一次扩充，一次扩充连续点深度集；对一次扩充连续点深度集H
h
′
进行二次扩充，二次扩充得到二次扩充连续点深度集H
h
″
。
[0007]所述二次扩充连续点深度集H
h
″
包括二次扩充实测点深度H
11 H
21
...H
01
...H
h1
。
[0008]所述二次扩充连续深度集H
h
″
满足如下公式：(2)其中为二次扩充实测点深度H
b1
处的测井数据；为二次扩充实测点深度H
(b
‑
1)1
处的测井数据；为二次扩充实测点深度集H
h
″
对应的平均测井数据；k
b
为二次扩充实测点深度H
b1
处测井数据的变化率；为阈值，不同测井数据下变化率的最大值应小于阈值；上式中，b为1到h之间的自然数。
[0009]S3、避开断层、岩性界面，将二次扩充实测点连续深度集H
h
″
优化为优化后的连续点深度集H
p
‴
：由于地层构造断裂作用会使地层内部孔隙体积缩小，从而导致在地层内部产生压力异常的现象，这会使得地层压力会发生较大变化。因此在对实测点进一步优选深度范围时应该避开断层，岩性界面。通过测井解释构建岩性剖面，利用该剖面将二次扩充实测点连续深度集H
h
″
进一步缩短为优化后的连续点深度集H
p
‴
。
[0010]所述优化后的连续点深度集H
p
‴
包括优化后的深度H
12 H
22
...H
02
...H
p2
。
[0011]S4、反算Eaton指数：利用Eaton模型进行Eaton指数反算如下式（3）：(3)式中，n为Easton指数；P0为上覆地层压力，MPa；P
p
为地层孔隙压力，MPa；P
c
为地层水静液柱压力，MPa；为实测点正常趋势线上的声波时差值，；为实测点的实测声波时差值，。
[0012]S5、结合Pearson相关矩阵对各特征数据与Eaton指数进行相关性分析，筛选作为CNN
‑
LSTM模型输入参数的特征数据：结合Pearson相关矩阵对各特征数据与Eaton指数进行相关性分析:(4)上式中，为皮尔逊相关系数，k
j
为该特征的第j个变量，为该特征变量的算数平均值，n
j
为该特征的第j个Eaton指数，为该特征Eaton指数的算数平均值，r为变量样本数。
[0013]所述特征数据包括：录井数据、测井数据、地震数据。
[0014]所述录井数据包括：钻速、钻压、大钩载荷、钻盘钻速、扭矩、泵压、排量、钻井液入口密度、钻井液出口密度、入口泥浆温度、出口泥浆温度；所述测井数据包括：自然伽马、声波时差、岩石密度、P40H；所述地震数据包括：层速度。
[0015]所述皮尔逊相关系数的数值范围为
‑
1到1，皮尔逊相关系数越接近1说明两个变量正相关性越强，越接近
‑
1说明两个变量负相关性越强，越接近0说明两个变量相关性越弱。
[0016]当时，选择该特征数据作为CNN
‑
LSTM模型的输入参数。
[0017]S6、搭建CNN
‑
LSTM模型并进行Eaton指数训练：所述CNN的构建原理为：卷积层是由多个特征面的组合，每个特征面有很多个神经元，而每个神经元通过卷积核与上一层的特征面局部连接，其中卷积核是一个权值矩阵。卷积层输出的第d层的第i种特征为:(5)其中，d表示为网络层数；为第d层的第i种特征；k为网络行数；为选择输入的特征集合；为第d
‑
1层的第m种特征；是卷积核的权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，其特征在于，包括以下步骤：S1、对实测点测井数据进行归一化处理；S2、以归一化后的测井数据变化率为依据，将实测点深度H0二次扩充得到二次扩充连续点深度集H
h
″
；S3、避开断层、岩性界面，优化二次扩充连续点深度集H
h
″
为优化后的连续点深度集H
p
‴
；S4、利用Eaton法反算得到Eaton指数；S5、结合Pearson相关矩阵对特征数据与Eaton指数进行相关性分析，筛选作为CNN
‑
LSTM模型输入参数的特征数据；S6、搭建CNN
‑
LSTM模型并进行Eaton指数训练；所述步骤S2的具体步骤为：将实测点深度H0进行一次扩充，一次扩充连续点深度集；对一次扩充连续点深度集H
h
′
进行二次扩充，二次扩充得到二次扩充连续点深度集H
h
″
；所述二次扩充连续点深度集H
h
″
包括二次扩充实测点深度H
11 H
21
...H
01
...H
h1
；所述二次扩充连续深度集H
h
″
满足如下公式：（2）其中为二次扩充实测点深度H
b1
处的测井数据；为二次扩充实测点深度H
(b
‑
1)1
处的测井数据；为二次扩充实测点深度集H
h
″
对应的平均测井数据；k
b
为二次扩充实测点深度H
b1
处测井数据的变化率；为阈值，变化率的最大值应小于阈值；上式中，b为1到h之间的自然数。2.根据权利要求1所述的基于CNN
‑
LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，其特征在于，所述步骤S1中归一化后测井数据y
i
为：（1）其中，y
i
为已钻井地层孔隙压力实测点处第i种特征的归一化后的测井数据，x
i
为已钻井地层孔隙压力实测点处第i种特征的原始测井数据。3.根据权利要求1所述的基于CNN
‑
LSTM深度学习和Eaton法耦合驱动的地层孔隙压力预测方法，其特征在于，所述步骤S4中Eaton指数...

【专利技术属性】
技术研发人员：许玉强，何保伦，管志川，刘宽，韩超，李兵硕，聂嘉骏，杨磊，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：