一种漏失压力预测模型生成方法和装置制造方法及图纸

本发明专利技术实施例提供了一种漏失压力预测模型生成方法和装置，所述方法包括：通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型，通过漏失压力预测模型能够准确预测漏失压力，提高预测准确率和模型的适应度。应度。应度。

【技术实现步骤摘要】
一种漏失压力预测模型生成方法和装置


[0001]本专利技术涉及石油工程安全
，尤其涉及一种漏失压力预测模型生成方法和装置。

技术介绍

[0002]钻井是一项复杂的地下系统工程，工程规律认识和钻井工程理论体系的建立受到很大制约，钻井过程面临井漏、井涌等复杂漏洞频发的问题，漏失压力和井漏息息相关，漏失压力的准确预测是保证钻井安全的重要基础。相关技术中，通过勘探数据和复杂风险数据直接建立模型进行风险预测，这种方式建立的模型是以预设参数阈值以及纯粹的数据分析进行风险预测的，或者通过邻井资料对比法、测井法以及经验法进行漏失压力预测，上述方法的预测准确率较低且不适用于复杂井，适应度较差。

技术实现思路

[0003]本专利技术的一个目的在于提供一种漏失压力预测模型生成方法，通过漏失压力预测模型能够准确预测漏失压力，提高预测准确率和模型的适应度。本专利技术的另一个目的在于提供一种漏失压力预测模型生成装置。本专利技术的再一个目的在于提供一种计算机可读介质。本专利技术的还一个目的在于提供一种计算机设备。
[0004]为了达到以上目的，本专利技术一方面公开了一种漏失压力预测模型生成方法，包括：
[0005]通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；
[0006]根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型。
[0007]优选的，在通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数之前，还包括：
[0008]通过精英反向学习，对初始麻雀算法进行优化，得到改进麻雀算法。
[0009]优选的，在根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型之前，还包括：
[0010]通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据。
[0011]优选的，历史数据包括原始测井数据和对应的实际漏失压力数据；
[0012]通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据，包括：
[0013]从原始测井数据中选取出指定漏失压力参数的初始数据集；
[0014]对初始数据集进行清洗预处理，得到清洗后的参数数据集；
[0015]通过灰色关联分析法，根据参数数据集和实际漏失压力数据，得到样本数据。
[0016]优选的，通过灰色关联分析法，根据参数数据集和实际漏失压力数据，得到样本数据，包括：
[0017]通过灰色关联分析法，对参数数据集和实际漏失压力数据进行关联度计算，得到每个参数对应的灰色关联度结果；
[0018]对灰色关联度结果进行排序；
[0019]从排序后的灰色关联度结果中选取出指定数量的灰色关联度结果，并将选取出的指定数量的灰色关联度结果对应的参数确定为样本参数；
[0020]根据样本参数和实际漏失压力数据，生成样本数据。
[0021]优选的，根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型，包括：
[0022]按照设定比例对样本数据进行划分，得到训练集和测试集；
[0023]按照最优网络参数和设定的超参数对反向传播神经网络模型进行设置，得到待训练的反向传播神经网络模型；
[0024]通过训练集对待训练的反向传播神经网络模型进行迭代训练，得到漏失压力预测模型。
[0025]优选的，测试集包括测试数据和对应的实际结果；
[0026]在通过训练集对待训练的反向传播神经网络模型进行迭代训练，得到漏失压力预测模型之后，还包括：
[0027]通过测试数据，对漏失压力预测模型进行测试，得到测试结果；
[0028]通过设定的性能评价指标，对测试结果和实际结果进行性能评估，得到性能评估结果。
[0029]优选的，在根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型之后，还包括：
[0030]获取实况测井数据；
[0031]将实况测井数据输入漏失压力预测模型进行预测，得到预测漏失压力。
[0032]本专利技术还公开了一种漏失压力预测模型生成装置，包括：
[0033]优化单元，用于通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；
[0034]模型训练单元，用于根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型。
[0035]优选的，装置还包括：
[0036]改进单元，用于通过精英反向学习，对初始麻雀算法进行优化，得到改进麻雀算法。
[0037]优选的，装置还包括：
[0038]标准化单元，用于通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据。
[0039]优选的，历史数据包括原始测井数据和对应的实际漏失压力数据；
[0040]标准化单元，具体用于从原始测井数据中选取出指定漏失压力参数的初始数据集；对初始数据集进行清洗预处理，得到清洗后的参数数据集；通过灰色关联分析法，根据参数数据集和实际漏失压力数据，得到样本数据。
[0041]优选的，标准化单元，具体用于通过灰色关联分析法，对参数数据集和实际漏失压力数据进行关联度计算，得到每个参数对应的灰色关联度结果；对灰色关联度结果进行排序；从排序后的灰色关联度结果中选取出指定数量的灰色关联度结果，并将选取出的指定
数量的灰色关联度结果对应的参数确定为样本参数；根据样本参数和实际漏失压力数据，生成样本数据。
[0042]优选的，模型训练单元，具体用于按照设定比例对样本数据进行划分，得到训练集和测试集；按照最优网络参数和设定的超参数对反向传播神经网络模型进行设置，得到待训练的反向传播神经网络模型；通过训练集对待训练的反向传播神经网络模型进行迭代训练，得到漏失压力预测模型。
[0043]优选的，测试集包括测试数据和对应的实际结果；装置还包括：
[0044]测试单元，用于通过测试数据，对漏失压力预测模型进行测试，得到测试结果；
[0045]性能评估单元，用于通过设定的性能评价指标，对测试结果和实际结果进行性能评估，得到性能评估结果。
[0046]优选的，装置还包括：
[0047]获取单元，用于获取实况测井数据；
[0048]预测单元，用于将实况测井数据输入漏失压力预测模型进行预测，得到预测漏失压力。
[0049]本专利技术还公开了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。
[0050]本专利技术还公开了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述处理器执行所述程序时实现如上所述方法。
[0051]本专利技术还公开了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现如上所述方法。
[0052]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种漏失压力预测模型生成方法，其特征在于，所述方法包括：通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；根据所述最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型。2.根据权利要求1所述的漏失压力预测模型生成方法，其特征在于，在所述通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数之前，还包括：通过精英反向学习，对初始麻雀算法进行优化，得到改进麻雀算法。3.根据权利要求1所述的漏失压力预测模型生成方法，其特征在于，在所述根据所述最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型之前，还包括：通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据。4.根据权利要求3所述的漏失压力预测模型生成方法，其特征在于，所述历史数据包括原始测井数据和对应的实际漏失压力数据；所述通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据，包括：从所述原始测井数据中选取出指定漏失压力参数的初始数据集；对所述初始数据集进行清洗预处理，得到清洗后的参数数据集；通过所述灰色关联分析法，根据所述参数数据集和所述实际漏失压力数据，得到样本数据。5.根据权利要求4所述的漏失压力预测模型生成方法，其特征在于，所述通过所述灰色关联分析法，根据所述参数数据集和所述实际漏失压力数据，得到样本数据，包括：通过所述灰色关联分析法，对所述参数数据集和所述实际漏失压力数据进行关联度计算，得到每个参数对应的灰色关联度结果；对所述灰色关联度结果进行排序；从排序后的灰色关联度结果中选取出指定数量的灰色关联度结果，并将选取出的指定数量的灰色关联度结果对应的参数确定为样本参数；根据所述样本参数和所述实际漏失压力数据，生成样本数据。6.根据权利要求1所述的漏失压力预测模型生成方法，其特征在于，所述根据所述最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型，包括：按照设定比例对所述样本数据进行划分，得到训练集和测试集；按照所述最优网络参数和设定的超参数对所述反向传播神经网络模型进行设置，得到待训练的反向传播神经网络模型；通过所述训练集对待训练的反向传播神经网络模型进行迭代训练，得到所述漏失压力预测模型。7.根据权利要求6所述的漏失压力预测模型生成方法，其特征在于，所述测试集包括测试数据和对应的实际结果；在所述通过所述训练集对待训练的反向传播神经网络模型进行迭代训练，得到所述漏失压力预测模型之后，还包括：通过所述测试数据，对所述漏失压力预测模型进行测试，得到测试结果；
通过设定的性能评价指标，对所述测试结果和所述实际结果进行性能评估，得到性能评估结果。8.根据权利要求1所述的漏失压力预测模型生成方法，其特征在于，在所述根据所述最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型之后，还包括：获取实况测井数据；将所述实况测井数据输入所述漏失压力预测模型进行预测，得到预测漏失压力。9.一种漏失压力预测模型生成装置，其特征在于，所述装置...

【专利技术属性】
技术研发人员：蒋宏伟，邓嵩，李雅飞，付加胜，刘伟，赵庆，翟小强，李牧，计杨杨，裴纯玉，贺嘉蕾，王晓颖，
申请(专利权)人：中国石油集团工程技术研究院有限公司常州大学，
类型：发明
国别省市：