基于多源信息融合的钻进过程钻速在线预测方法及系统技术方案

本发明专利技术提出一种基于多源信息融合的钻进过程钻速在线预测方法及系统，包括：钻进数据预处理阶段，是对钻压、转速、扭矩进行过滤；优化钻速建模阶段，通过混合蝙蝠算法改进受限玻尔兹曼机与反向传播神经网络的模型结构，形成一种新型的混合蝙蝠算法优化

【技术实现步骤摘要】
基于多源信息融合的钻进过程钻速在线预测方法及系统


[0001]本专利技术涉及地质钻探工程领域，尤其涉及一种基于多源信息融合的钻进过程钻速在线预测方法及系统。

技术介绍

[0002]我国资源能源消费总量逐年上升，战略性资源能源供需矛盾激增且对外依存度高，保障资源能源安全对国家经济发展与战略安全十分重要。随着中浅层资源能源的持续开采和大量深部埋藏资源的不断探明，深部地质勘探与开发已成为必然。然而深地环境复杂恶劣，地层岩性丰富多样，时常遭遇软硬交替、岩石破碎等地层，导致钻进过程存在多源变量、低质量钻进数据、强非线性、岩性变化剧烈等显著特征，严重影响到钻进效率和总体效益同时，钻速是决定钻进效率的关键参数，通过建立准确的钻速预测模型有助于降低钻进周期与成本。因此，需要加快推进深部地质钻进过程钻速预测相关研究。
[0003]现有钻速预测研究可以分为离线钻速预测和在线钻速预测两类。其中离线钻速预测模型是利用附近井场或区域的工业数据进行静态建模，在地层环境变化不大的情况下可以取得不错的预测效果；在线钻速预测模型是通过钻进过程中的流式工业数据动态更新模型，具有实时预测能力并能够获取较高的预测精度，但这些模型多以时间间隔或钻进深度为更新指标，未充分考虑地层岩性信息，依然难以有效应对复杂地层环境。因此，针对上述现状和难点问题，需要建立综合考虑地层与钻进信息融合的钻速高精度在线预测模型，为实现深部地质钻进过程智能优化控制提供技术支撑。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。<br/>
技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种基于多源信息融合的钻进过程钻速在线预测方法及系统，该方法主要利用混合蝙蝠算法改进受限玻尔兹曼机与反向传播神经网络的模型结构，通过融合地层、钻进多源信息建立钻速在线预测模型，可以有效提升模型的预测精度和捕捉能力，实现钻进过程节能提效。
[0006]为实现上述技术目的，本专利技术所采用的技术方案是：一种基于多源信息融合的钻进过程钻速在线预测方法，包括以下步骤：
[0007]S1：选取钻压、转速和扭矩作为钻速预测模型输入，运用异常值剔除与小波滤波分析对钻进数据进行筛选和过滤，利用岩性识别技术获取地层可钻性辨识值，判断地层岩性变化情况；
[0008]S2：引入混合蝙蝠算法优化
‑
受限玻尔兹曼机
‑
反向传播神经网络算法，通过混合蝙蝠算法优化、受限玻尔兹曼机训练、反向传播神经网络训练与反向微调三个步骤建立面向复杂地层环境的离线钻速预测模型；
[0009]S3：将岩性变化与时间间隔作为钻速预测模型更新条件，在地层可钻性信息与钻
进过程信息的基础上运用滑动窗口策略来实时更新钻速预测模型；
[0010]S4：将实际获取的钻压、转速和扭矩输入至更新后的钻速预测模型，得到下一刻的钻速。
[0011]进一步地，步骤S1的具体过程为：
[0012]S11：在工程经验的基础上运用异常值剔除方法对钻进数据进行筛选，所述钻进数据包括钻压、转速、扭矩和钻速，该钻进数据的测量范围为：
[0013][0014]其中，WOB为钻压，其单位为KN，RPM为转速，其单位为rpm，Torque为扭矩，其单位为Nm，ROP为钻速，其单位为cm/min；
[0015]S12：采用小波滤波方法过滤钻进数据中的尖峰和毛刺，小波变换表达式为：
[0016][0017]其中，W
f
(a,b)为小波正变换后的钻进特征信息，f(t)为原始钻进数据，a为伸缩因子，b为尺度因子，t为时间，ψ()为小波基函数，小波逆变换表达式为：
[0018][0019]其中，g(t)为小波逆变换后的钻进数据，c
ψ
为小波因子；
[0020]S13：对钻取岩芯进行标记，在适宜的环境中利用岩性识别技术对岩芯进行分析，获取地层可钻性信息，同时，根据连续时刻的地层可钻性信息实时判断地层岩性是否发生变化。
[0021]进一步地，步骤S2具体包括如下过程：
[0022]S21：引入试错法和混合蝙蝠算法优化钻速预测模型的超参数，该超参数包括：批量大小、训练迭代次数、隐藏层神经元数、学习率和动量；
[0023]S22：通过训练受限玻尔兹曼机提取钻进数据中的关键特征，受限玻尔兹曼机包括可视层v和隐藏层h，定义给定状态(v,h)下的能量函数为：
[0024][0025]其中，E
θ
(v,h)为受限玻尔兹曼机的能量函数，θ＝{w
ij
,c
i
,d
j
}为受限玻尔兹曼机的模型参数，p和q为可视层和隐藏层的神经元数量，c
i
和d
j
为第i个可视层神经元和第j个隐藏层神经元的偏置，v
i
为第i个可视层神经元，h
j
为第j个隐藏层神经元，w
ij
为第i个可视层神经元和第j个隐藏层神经元之间的权重，i＝1,2
…
,p，j＝1,2
…
,q；
[0026]给定钻进训练集给定钻进训练集为第n
k
组钻进数据，受限玻尔兹曼机在K上的对数似然函数L(θ)为：
[0027][0028]其中，r为第r个钻进数据样本，r＝1,2
…
,n
k
，n
k
为样本总数量，v
r
为第r个可视层，P(v
r
)为可视层v
r
的边际概率分布；
[0029]S23：将受限玻尔兹曼机的输出特征作为反向传播神经网络的输入，该反向传播神经网络包含前向传递和反向传播两部分，前向传递可以表示为：
[0030][0031]其中，为前向传递输出的钻速预测值，f()为激活函数，g
r
为输出层偏置，k表示第k个隐藏层节点，k＝1,2
…
,n，n为隐藏层节点总数量，w
kr
为隐藏层与输出层之间的连接权重，x
k
为隐藏层节点；
[0032]同时，利用反向传播不断调整网络结构，反向传播神经网络的误差函数可以表示为：
[0033][0034]其中，E
y
为反向传播神经网络的均方误差，n
k
为样本总数量，为钻速预测值，y
r
为钻速实际值，然后运用梯度下降方法更新反向传播神经网络的参数(w
kr
,g
r
)。
[0035]进一步地，步骤S3的具体过程为：
[0036]将岩性变化与时间间隔同时作为模型更新条件，在地层、钻进多源信息融合的基础上运用滑动窗口策略实时更新钻速预测模型，模型更新条件表示为：
[0037][0038]其中，u()为钻速预测模型更新的开关变量，Δu
r
为岩性变化更新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源信息融合的钻进过程钻速在线预测方法，其特征在于，包括以下步骤：S1：选取钻压、转速和扭矩作为钻速预测模型输入，运用异常值剔除与小波滤波分析对钻进数据进行筛选和过滤，利用岩性识别技术获取地层可钻性辨识值，判断地层岩性变化情况；S2：引入混合蝙蝠算法优化
‑
受限玻尔兹曼机
‑
反向传播神经网络算法，通过混合蝙蝠算法优化、受限玻尔兹曼机训练、反向传播神经网络训练与反向微调三个步骤建立面向复杂地层环境的离线钻速预测模型；S3：将岩性变化与时间间隔作为钻速预测模型更新条件，在地层可钻性信息与钻进过程信息的基础上运用滑动窗口策略来实时更新钻速预测模型；S4：将实际获取的钻压、转速和扭矩输入至更新后的钻速预测模型，得到下一刻的钻速。2.根据权利要求1所述的一种基于多源信息融合的钻进过程钻速在线预测方法，其特征在于，步骤S1具体包括以下过程：S11：在工程经验的基础上运用异常值剔除方法对钻进数据进行筛选，所述钻进数据包括钻压、转速、扭矩和钻速，该钻进数据的测量范围为：其中，WOB为钻压，其单位为KN，RPM为转速，其单位为rpm，Torque为扭矩，其单位为Nm，ROP为钻速，其单位为cm/min；S12：采用小波滤波方法过滤钻进数据中的尖峰和毛刺，小波变换表达式为：其中，W
f
(a,b)为小波正变换后的钻进特征信息，f(t)为原始钻进数据，a为伸缩因子，b为尺度因子，t为时间，ψ为小波基函数，小波逆变换表达式为：其中，g(t)为小波逆变换后的钻进数据，c
ψ
为小波因子；S13：对钻取岩芯进行标记，在适宜的环境中利用岩性识别技术对岩芯进行分析，获取地层可钻性信息，同时，根据连续时刻的地层可钻性信息实时判断地层岩性是否发生变化。3.根据权利要求1所述的一种基于多源信息融合的钻进过程钻速在线预测方法，其特征在于，步骤S2具体包括以下过程：S21：引入试错法和混合蝙蝠算法优化钻速预测模型的超参数，该超参数包括：批量大小、训练迭代次数、隐藏层神经元数、学习率和动量；S22：通过训练受限玻尔兹曼机提取钻进数据中的关键特征，受限玻尔兹曼机包括可视层v和隐藏层h，定义给定状态(v，h)下的能量函数为：
其中，E
θ
(v，h)为受限玻尔兹曼机的能量函数，θ＝{w
ij
，c
i
，d
j
}为受限玻尔兹曼机的模型参数，p和q为可视层和隐藏层的神经元数量，c
i
和d
j
为第i个可视层神经元和第j个隐藏层神经元的偏置，v
i
为第i个可视层神经元，h
j
为第j个隐藏层神经元，w
ij
为第i个可视层神经元和第j个隐藏层神经元之间的权重，i＝1，2
…
，p，j＝1，2
…
，q；给定钻进训练集给定钻进训练集为第n
k
组钻进数据，受限玻尔兹曼机在K上的对数似然函数L(θ)为：其中，r为第r个钻进数据样本，r＝1，2
…
，n
k
，n
k
为样本总数量，v
r
为第r个可视层，P(v
r
)为可视层v
r
的边际概率分布；S23：将受限玻尔兹曼机的输出特征作为反向传播神经网络的输入，该反向传播神经网络包含前向传递和反向传播两部分，前向传递可以表示为：其中，为前向传递输出的钻速预测值，f()为激活函数，g
r
为输出层偏置，k表示第k个隐藏层节点，k＝1，2
…
，n，n为隐藏层节点总数量，w
kr
为隐藏层与输出层之间的连接权重，x
k
为隐藏层节点；同时，利用反向传播不断调整网络结构，反向传播神经网络的误差函数可以表示为：其中，E
y
为反向传播神经网络的均方误差，n
k
为样本总数量，为钻速预测值，y
r
为钻速实际值，然后运用梯度下降方法更新反向传播神经网络的参数(w
kr
，g
r
)。4.根据权利要求1所述的一种基于多源信息融合的钻进过程钻速在线预测方法，其特征在于，步骤S3的具体过程为：将岩性变化与时间间隔同时作为模型更新条件，在地层、钻进多源信息融合的基础上运用滑动窗口策略实时更新钻速预测模型，模型更新条件表示为：其中，u()为钻速预测模型更新的开关变量，Δu
r
为岩性变化更新的状态变量，Δu
t
为时间间隔更新的状态变量，r
s
和r
s+1
为两个连续时刻对应的地层可钻性，r
z
为岩性变化更新阈
值，t
a
和t
a+1
为两个连续时刻对应的时间点，t
b
是时间间隔更新阈值，当Δu
r
大于或等于r
z
时，钻速预测模型将根据地层岩性信息进行更新；当Δu
t
等于t
b
时，钻速预测模型将在以时间为基准的情况下通过持续学习实钻数据进行更新；当满足上述条件之一时，钻速预测模型都将进行实时更新和预测。5.根据权利要求1所述的一种基于多源信息融合的钻进过程钻速在线预测方法，其特征在于，该方法还包括利用模型评价指标来评估该方法的预测性能，具体公式为：征在于，该方法还包括利用模型评价指标来评估该方法的预测性能，具体公式为：其中，RMSE为均方根误差，NRMSE为归一化均方根误差，y
r
是钻速实际值，是钻速预测值，r为第r个钻进数据样本，r＝1，2
…
，n
k
，n
k
为样本总数量。6.一种基于多源信息融合的钻进过程钻速在线预...

【专利技术属性】
技术研发人员：甘超，汪祥，曹卫华，吴敏，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：