基于Attention-LSTM的机械钻速时序特征表征与预测方法技术

基于Attention

【技术实现步骤摘要】
基于Attention
‑
LSTM的机械钻速时序特征表征与预测方法


[0001]本专利技术属于油田天然气采集和钻井领域，特别涉及一种基于Attention
‑
LSTM的机械钻速时序特征表征与预测方法。

技术介绍

[0002]随着经济、民生等领域的不断发展，石油、天然气等资源的使用急剧增长。中国每年对石油的进口持续扩大，勘探力度增加，石油开采和勘探力度变得越来越重要。钻速作为评估石油工程钻井作业的一项重要指标，其预测模型表征了诸多影响因素与机械钻速之间的联系，如何有效挖掘这些影响因素与钻速之间的联系，也是未来钻井提速与优化的基础。
[0003]以数据为驱动的机械钻速预测模型分为两大类，包括统计方法和机器学习。统计方法的主要目的是为了在钻井变量之间建立准确的数学方程，得出钻速的预测函数。统计方法虽然对钻速预测有一定的效果，但预测方法大多依靠经验加入对钻速影响较高的特征变量，简单的对理论钻井公式进行扩展推理并验证，但事实上，钻井变量之间的关系是非常复杂的。
[0004]现有的以数据为驱动的机械钻速时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Attention
‑
LSTM模型机械钻速时序特征表征与预测方法，其特征在于，包括以下步骤：步骤S1、选取某地区采集的三口井的钻井数据，数据以米为单位来作为时间序列数据集的间隔单位，使用其获取到属性数据进行对井的钻速预测；步骤S2、数据预处理；采用归一化的规范化方法，使得各处使用同一个数量级；步骤S3、在处理过的数据集上，通过神经网络学习模型对其进行训练，神经网络学习模型包括Attention模型，LSTM模型；步骤S4、使用预测模型的预测精度对实验结果进行评价。2.根据权利要求1所述的基于Attention
‑
LSTM模型机械钻速时序特征表征与预测方法，其特征在于，所述的步骤S1包括的步骤如下：S1.1.在选取钻井数据时，当钻头每钻深一米深度，检测设备将当前时间点的各项钻井参数保存；S1.2.将三口井的数据集采用对一、二号井的数据进行对模型训练，使其能够学习从浅到深的全井段钻井规律，预测的测试集使用完整的三号井进行，钻井所用到的钻井参数，包括钻头深度、钻压、大沟负载、转盘转速、扭矩、泵量、泵压、泵冲以及泵送时间；S1.3.在数据集中，需要加入时间序列特征，将t
‑
n(n＝1:T)时刻的机械转速作为当时间序列的特征，其中T为时间步长，因此在t时刻的样本输入格式为：X＝[x
t
‑
T
‑1,x
t
‑
T+1
,
···
,x
t
‑
Y+i
,x
t
]
T
x
t
＝[Depth
t
,WOH
t
,WOB
t
,
···
,PumpTime
t
,ROP
t
‑1]。3.根据权利要求1所述的基于Attention
‑
LSTM模型机械钻速时序特征表征与预测方法，其特征在于，所述的步骤S2包括如下步骤：采用最大最小标准化方法和最大最小标准化方法逆向，表示如下：x＝x
′
*(max(x
train
)
‑
min(x
train
))+min(x
train
)。4.根据权利要求1所述的基于Attention
‑
LSTM模型机械钻速时序特征表征与预测方法，其特征在于，所述的步骤S3包括如下步骤：S3.1.设计基于Attention
‑
LSTM的机械钻速预测模型，模型由LSTM和Attention两个模型构成，其中，LSTM由多个记忆单元和遗忘门、输入门和输出门这三个门控构成，LSTM的计算公式如下：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
))O
t
＝σ(W
o

【专利技术属性】
技术研发人员：刘烨，张富强，杨硕鹏，伍佳，朱文瑞，韩雨伯，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：