一种水平井地层压力人工智能预测方法及系统技术方案

本发明专利技术属于油气勘探领域，公开了一种水平井地层压力人工智能预测方法及系统，包括：水平井测井资料敏感响应特征构建；原始测井响应特征数据预处理；压力系数的软化处理；基于神经网络回归的压力预测模型训练；水平井压力系数预测。本发明专利技术是现有人工智能方法在油气勘探领域的一次跨界创新。通过实测压力系数与预测压力系数的对比分析，可以证明本发明专利技术的合理性与明显优势。作为一种有效的水平井压力系数预测方法，本发明专利技术显著改善了传统地层压力预测方法的性能精度，使地层压力预测方法能够广泛适用于不同岩性条件，保证了地层压力预测方法在水平井应用中的性能稳定性，精准解决了传统地层压力预测方法的“痛点”。。。

【技术实现步骤摘要】
一种水平井地层压力人工智能预测方法及系统


[0001]本专利技术属于油气勘探领域，尤其涉及一种水平井地层压力人工智能预测方法及系统。

技术介绍

[0002]地层压力是指岩石孔隙中地层水、石油、天然气等地质流体作用产生的压力。通常情况下，当地层压力超过静液柱压力时，地层将出现异常高压现象。在油气地质勘探、油气井工程领域中，异常高压地层不仅会严重影响钻井过程中的井壁稳定性，还可能增加井涌、井喷等钻井事故的发生风险。因此，地层压力的准确预测可以有效防止井壁失稳，起到提升钻井效率、节约钻井成本的作用，给钻井液密度和井身结构的合理设计提供重要依据。传统的地层压力预测方法中，Eaton和Bowers法多用于直井地层压力预测，这些方法的有效性依赖于正常压实趋势线的建立。在连续地层中，正常压实趋势线的建立通常依赖于专家经验，这会使得地层压力的预测结果存在极强的主观性与较大误差。
[0003]从石油勘探开发的角度而言，水平井的应用更利于实现高产稳产，进一步增加了水平井地层压力预测方法研究的紧迫性。尽管不同研究者已相继提出各种水平井地层压力预测方法，但上述方法始终无法摆脱对垂深的依赖性。解决上述问题的直接途径就是挖掘测井压力系数与测井资料敏感响应特征之间的联系，利用测井过程中的相关响应特征，以达到预测水平井地层压力的目的。
[0004]通过上述分析，现有技术存在的问题及缺陷为：
[0005](1)传统的地层压力预测方法的有效性依赖于正常压实趋势线的建立，在连续地层中，正常压实趋势线的建立通常依赖于专家经验，使得地层压力的预测结果存在极强的主观性与较大误差；
[0006](2)现有的水平井地层压力预测方法始终无法摆脱对垂深的依赖性；
[0007](3)现有方法难以适用于不同岩性条件，在水平井应用中的性能不稳定性。

技术实现思路

[0008]针对现有技术存在的问题，本专利技术提供了一种水平井地层压力人工智能预测方法及系统。
[0009]本专利技术是这样实现的，一种水平井地层压力人工智能预测方法，所述水平井地层压力人工智能预测方法包括：
[0010]步骤一，水平井测井资料敏感响应特征构建，结合研究区及邻区实测地层压力，采用油气充注差异、抬升破坏逸散、构造作用差异造成的天然气充注丰度、地应力载荷差异对地层压力差异的响应，根据成因机制差异、压力分布特征差异开展水平井地层压力敏感响应参数研究，提取出垂深(TVD)、声波时差(AC)等原始测井响应特征；
[0011]步骤二，原始测井响应特征数据预处理，剔除原始测井响应特征中泥岩部分所对应的特征数据；
[0012]步骤三，压力系数的软化处理，对已知水平井压力系数软化处理；
[0013]步骤四，基于神经网络回归的压力预测模型训练，采用神经网络模型，凭借相同砂组条件下的测井响应特征X
new
与压力系数Y
new
，神经网络回归模型就得到了不同网络层逻辑单元之间的权重W
ij
,W
jk
，训练出用于水平井压力预测的神经网络回归模型；
[0014]步骤五，水平井压力系数预测，通过采集未知测井的垂深(TVD)、声波时差(AC)、中子孔隙度(CNL)、密度(DEN)、伽玛(GR)、电阻率(RT)、孔隙度(POR)、渗透率(PERM)等在内的测井响应特征进行如步骤2的数据预处理后，利用如步骤4训练得出的神经网络回归模型，对未知水平井进行有效的压力系数预测。
[0015]进一步，所述原始测井响应特征具体包括：垂深(TVD)、声波时差(AC)、中子孔隙度(CNL)、密度(DEN)、伽玛(GR)、电阻率(RT)、孔隙度(POR)、渗透率(PERM)。
[0016]进一步，所述砂泥互层的地层中会剔除原始测井响应特征中泥岩部分所对应的特征数据，需要按照如下规则对原始测井响应特征X
ori
进行归一化处理：
[0017][0018]其中，X
max
为各类测井响应特征的最大值数据，X
min
各类测井响应特征的最小值数据，X
new
代表的是“最大
‑
最小归一化”后的测井响应特征，测井响应特征的归一化处理则严格在剔除泥岩数据后进行。
[0019]进一步，所述对已知水平井压力系数软化处理，具体为：
[0020]Y
new
＝Y
old
+randn(1,i)*10
‑3[0021]其中，Y
old
为已知水平井的原始压力系数，Y
new
代表的是经过软化处理后的水平井压力系数。
[0022]进一步，所述神经网络模型，将垂深(TVD)、声波时差(AC)、中子孔隙度(CNL)、密度(DEN)、伽玛(GR)、电阻率(RT)、孔隙度(POR)、渗透率(PERM)等在内的测井响应特征进行数据预处理后，得到的测井响应特征X
new
作为神经网络逻辑单元的输入，神经网络回归值的预测标签则采用进行软化处理后的压力系数值Y
new
。
[0023]本专利技术的另一目的在于提供一种水平井地层压力人工智能预测系统，所述水平井地层压力人工智能预测系统包括：
[0024]输入模块，用于构建水平井测井资料敏感响应特征；
[0025]数据预处理模块，用于剔除原始测井响应特征中泥岩部分所对应的特征数据；
[0026]系数软化模块，用于对已知水平井压力系数进行软化处理，作为神经网络回归值的预测标签；
[0027]训练模块，用于训练基于神经网络回归的压力预测模型；
[0028]预测模块，用于基于训练得出的神经网络回归模型，对未知水平井进行压力系数预测。
[0029]本专利技术的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述水平井地层压力人工智能预测方法的步骤。
[0030]本专利技术的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述水平井地层压力人工智能预测方法
的步骤。
[0031]本专利技术的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述水平井地层压力人工智能预测系统。
[0032]结合上述的技术方案和解决的技术问题，本专利技术所要保护的技术方案所具备的优点及积极效果为：
[0033]第一、本专利技术剔除了原始测井响应特征中泥岩部分所对应的特征数据，有效避免了水平井段中的泥岩部分所对应的测井响应特征对整体地层压力预测结果的干扰。
[0034]本专利技术对已知水平井压力系数进行软化处理，增强了回归预测模型的可解性。
[0035]本专利技术基于神经网络回归模型，对未知水平井进行有效的压力系数预测。
[0036]第二，本专利技术提出的水平井地层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水平井地层压力人工智能预测方法，其特征在于，包括：步骤一，水平井测井资料敏感响应特征构建，结合研究区及邻区实测地层压力，采用油气充注差异、抬升破坏逸散、构造作用差异造成的天然气充注丰度、地应力载荷差异对地层压力差异的响应，根据成因机制差异、压力分布特征差异开展水平井地层压力敏感响应参数研究，提取出垂深、声波时差等原始测井响应特征；步骤二，原始测井响应特征数据预处理，剔除原始测井响应特征中泥岩部分所对应的特征数据；步骤三，压力系数的软化处理，对已知水平井压力系数软化处理；步骤四，基于神经网络回归的压力预测模型训练，采用神经网络模型，凭借相同砂组条件下的测井响应特征X
new
与压力系数Y
new
，神经网络回归模型就得到了不同网络层逻辑单元之间的权重W
ij
,W
jk
，训练出用于水平井压力预测的神经网络回归模型；步骤五，水平井压力系数预测，通过采集未知测井的垂深、声波时差(AC)、中子孔隙度、密度、伽玛、电阻率、孔隙度、渗透率在内的测井响应特征进行如步骤二的数据预处理后，利用如步骤4训练得出的神经网络回归模型，对未知水平井进行有效的压力系数预测。2.根据权利要求1所述的水平井地层压力人工智能预测方法，其特征在于，所述原始测井响应特征具体包括：垂深、声波时差、中子孔隙度、密度、伽玛、电阻率、孔隙度、渗透率。3.根据权利要求1所述的水平井地层压力人工智能预测方法，其特征在于，所述砂泥互层的地层中会剔除原始测井响应特征中泥岩部分所对应的特征数据，需要按照如下规则对原始测井响应特征X
ori
进行归一化处理：其中，X
max
为各类测井响应特征的最大值数据，X
min
各类测井响应特征的最小值数据，X
new
代表的是“最大
‑
最小归一化”后的测井响应特征，测井响应特征的归一化处理则严格在剔除泥岩数据后进行。4.根据权利要...

【专利技术属性】
技术研发人员：曹昌杰，邓虎成，吴冬，曹凯旋，邹璐羽，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：