钻井风险识别模型及建立方法、识别方法和计算机设备技术

本发明专利技术提供了一种钻井风险识别模型及建立方法、识别方法和计算机设备。所述钻井风险识别模型建立方法包括：建立包含有风险表征参数的数据库；基于数据库建立复合网络模型，该模型包括卷积网络层和RBF网络层；训练所述网络模型，得到钻井风险识别模型。所述模型由上述方法得到。所述识别方法基于上述模型实现。所述设备包括处理器，存储有计算机程序的存储器，当处理器执行时，实现上述的建立方法，或者实现上述的识别方法。本发明专利技术能够对气体钻井风险进行快速有效的识别，有利于维护钻井正常运行，降低钻井成本。降低钻井成本。降低钻井成本。

【技术实现步骤摘要】
钻井风险识别模型及建立方法、识别方法和计算机设备


[0001]本专利技术涉及油气钻井领域，具体来讲，涉及一种钻井风险智能识别模型、一种钻井风险智能识别模型的建立方法、一种钻井风险智能识别方法、以及实现一种钻井风险智能识别方法的计算机设备和计算机可读存储介质。

技术介绍

[0002]近年来，钻井技术在国内发展迅速，但同时也存在着一些安全问题。目前，对于钻井技术的安全风险监测手段仍存在不足，监测数据出现异常时，需要监测人员及时、准确地进行判断。这就导致现场对于异常风险的诊断存在较强的主观性和滞后性，同时因不同地区钻井条件的差异性导致反映异常风险是否发生的相关参数特征差异较大，也增加了现场监测的难度。如何及时、准确地识别随钻安全风险并做出相应处理，已经成为了保证气体钻井成功率的重要环节。
[0003]就目前而言，对于智能化识别钻井风险进行安全监测还缺乏研究。例如，于2020年12月01日公开的专利技术名称为一种基于长短期记忆网络的油气井钻井溢漏预警方法，公开号为CN112016766A的专利文献记载了了一种基于长短期记忆网络的油气井钻井溢漏预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钻井风险识别模型的建立方法，其特征在于，所述方法包括以下步骤：建立包含有风险表征参数的数据库；基于数据库，建立复合网络模型，该模型包括卷积神经网络层和RBF神经网络层；其中，卷积神经网络层包括有第一卷积层和第二卷积层，第一卷积层能够提取各参数本身所隐含的特征信息，第二卷积层能够提取各参数之间所隐含的联系，并能将不同尺度的特征信息结合起来得到复合的特征信息；RBF神经网络层能够将所述复合的特征信息进行分类；训练所述复合网络模型，得到钻井风险识别模型。2.根据权利要求1所述的钻井风险识别模型的建立方法，其特征在于，所述第一和第二卷积层均使用了三个不同尺度的卷积核。3.根据权利要求1所述的钻井风险识别模型的建立方法，其特征在于，在建立复合网络模型之后，所述方法还包括对模型进行优化的步骤。4.根据权利要求3所述的钻井风险识别模型的建立方法，其特征在于，所述优化包括K
‑
means算法的优化方式。5.根据权利要求4所述的钻井风险识别模型的建立方法，其特征在于，所述训练包括：基于距离均方误差的损失函数分量训练并更新K
‑
means算法的聚类中心。6.根据权利要求1所述的钻井风险识别模型的建立方法，其特征在于，在所述训练中制定了隐藏层节点数选取准则，以提高所述模型的计算效率和泛化性。7.一种钻井风险识别模型，所述模型由权利要求1至6中任一项所述的方法得到。8.一种钻井风险智能识别方法，其特征在于，所述方法包括以下步骤：获取多个风险表征参数；利用卷积神经网络提取所述各参数的特征信息以及各参数之间的联系，得到复合的特征信息；利用RBF神经网络将所述复合的特征信息进行分类；通过不同风险的隐藏层节点数与评价值关系对钻井风险进行实时风险识别，得到所述风险表征参数模型的风险发生的概率。9.根据权利要求8所述的钻井风险智能识别方法，其特征在于，所述RBF神经网络是经优化和训练后的网络；其中，所述优化包括：采用K
‑
means算法对所述RBF神经网络的聚类中心以及中心宽度进行初始化；所述训练包括：基于距离均方误差的损失函数分量，训练并更新K
‑
means算法的聚类中心。10.根据权利要求8所述的钻井风险智能识别方法，其特征在于，在所述智能识别方法中制定了隐藏层节点数选取准则，以提高所述模型的计算效率和泛化性。11.根据权利要求10所述的钻井风险智能识别方法，其特征在于，所述隐藏层选取规则包括：对网络模型训练的准确率以及网络模型的训练时间赋予权重，并根据不同隐藏层节点数对应的两个参数的比值来判定隐藏层节点的选取是否合理。12.根据权利要求11所述的钻井风险智能识别方法，其特征在于，所述隐藏层节点...

【专利技术属性】
技术研发人员：李宬晓，刘殿琛，颜海，周长虹，蒲克勇，李中权，赵友，李金和，黄述春，谢静，
申请(专利权)人：中国石油集团川庆钻探工程有限公司，
类型：发明
国别省市：