钻进溢流风险预测模型建立方法及装置、预测方法及装置制造方法及图纸

本说明书涉及油气井钻井技术领域，提供了一种钻进溢流风险预测模型建立方法及装置、预测方法及装置。该方法包括：接收目标井对应的钻进特征数据集、地层压力剖面数据集和溢流风险数据集；将钻进特征数据集中的随钻测井子数据集和地层压力剖面数据集构建为第一训练样本集并训练第一神经网络模型；根据第一神经网络模型预测并超前更新地层压力剖面数据集；将钻进特征数据集中的钻井子数据集、录井子数据集、超前更新后的地层压力剖面数据集和溢流风险数据集构建为第二训练样本集以训练第二神经网络，将训练完成的第二神经网络模型作为钻进溢流风险预测模型。通过本说明书实施例，可解决现有钻进溢流风险预测主观性强、准确率低的问题。的问题。的问题。

【技术实现步骤摘要】
钻进溢流风险预测模型建立方法及装置、预测方法及装置


[0001]本说明书涉及油气井钻井
，尤其是涉及一种钻进溢流风险预测模型建立方法及装置、预测方法及装置。

技术介绍

[0002]随着油气勘探开发的不断深入，油气勘探开发的重点向非常规油气、深层、超深层发展，但随着油气构造埋藏深度的增加，油气勘探开发过程往往具有温度高、地层压力层系复杂、安全钻井液密度窗口窄的特点，若钻井工艺措施不当，极易发生溢流、气侵等复杂井下情况，造成极大损失，因此需要准确计算预测地层压力，以合理设计钻井液密度，预测钻进过程中的溢流风险。
[0003]然而，传统的地层压力预测是基于经验公式计算得到的，在复杂地层条件下存在预测精度低、可靠性差等问题，且由于经验公式中的经验参数多为人工给定，存在较强的主观性，并且适用性不强、预测误差较大、钻井液密度设计不合理，使溢流、井漏等风险大大增加，传统的溢流风险预测是通过综合录井仪器实时监测录井参数是否超过设定的阈值来诊断井下是否发生复杂溢流，但阈值设定依赖于技术人员专业经验，耗费人力且具有较强的主观性，导致溢流风险预测的准确率有限，存在漏警、虚报的问题，尽管近年来，在油气勘探开发领域人工智能技术已广泛应用于工况诊断、参数优化等方面，但由于缺乏地质学机理和传统经验知识的约束，导致其在稳定性和准确性方面仍有欠缺。因此亟需一种钻进溢流风险智能预测方法，以解决现有钻进溢流风险预测主观性强、准确率低的问题。

技术实现思路

[0004]鉴于目前钻进溢流风险预测主观性强、准确率低，存在漏警、虚报的问题，提出了本方案以便克服上述问题或者至少部分地解决上述问题。
[0005]一方面，本说明书的一些实施例的目的在于提供一种钻进溢流风险预测模型建立方法，所述方法包括：
[0006]接收目标井对应的钻进特征数据集、地层压力剖面数据集和溢流风险数据集；
[0007]将所述钻进特征数据集中的随钻测井子数据集和所述地层压力剖面数据集构建为第一训练样本集；
[0008]利用所述第一训练样本集训练第一神经网络，得到第一神经网络模型；
[0009]根据所述第一神经网络模型预测并超前更新所述地层压力剖面数据集；
[0010]将所述钻进特征数据集中的钻井子数据集、录井子数据集、超前更新后的地层压力剖面数据集和所述溢流风险数据集构建为第二训练样本集；
[0011]利用所述第二训练样本集训练第二神经网络，将训练完成的第二神经网络模型作为钻进溢流风险预测模型。
[0012]进一步地，，接收目标井对应的地层压力剖面数据集后，进一步包括：
[0013]将所述钻进特征数据集和所述地层压力剖面数据集作为第三训练样本，构建第三
训练样本集；
[0014]利用所述第三训练样本集训练第三神经网络，得到第三神经网络模型；
[0015]根据所述第三神经网络模型实时更新所述地层压力剖面数据集。
[0016]进一步地，所述利用所述第三训练样本集训练第三神经网络，得到第三神经网络模型，进一步包括：
[0017]将所述第三训练样本集中的钻进特征数据集输入至第一子神经网络，以得到所述钻进特征数据集对应的钻进时序特征数据集；
[0018]将所述钻进时序特征数据集输入至第二子神经网络，得到训练结果；
[0019]根据所述训练结果及第三训练样本集中的地层压力剖面数据集计算准确率；
[0020]若所述准确率小于第一阈值，则重新训练所述第三神经网络；
[0021]若所述准确率不小于所述第一阈值，则完成所述第三神经网络的训练，得到第三神经网络模型。
[0022]进一步地，所述第一子神经网络为序列性神经网络；所述第二子神经网络为前馈神经网络。
[0023]进一步地，构建所述第一训练样本集后，进一步包括：
[0024]根据如下公式计算所述第一训练样本集中随钻测井子数据集的各第一子特征数据集与所述地层压力剖面数据集的相关度：
[0025][0026]其中，R2(X
i
,Y
p
)为第i种第一子特征数据集与地层压力剖面数据集的相关度，X
i
为第i种第一子特征数据集，Y
p
为地层压力剖面数据集，V2(X
i
,Y
p
)为第i种第一子特征数据集与地层压力剖面数据集的距离协方差，V2(X
i
)为第i种第一子特征数据集的距离方差，V2(Y
p
)为地层压力剖面数据集的距离方差；
[0027]筛选所述相关度大于第二阈值的第一子特征数据集；
[0028]利用筛选后的第一子特征数据集更新所述随钻测井子数据集；
[0029]构建所述第二训练样本集后，进一步包括：
[0030]根据如下公式计算所述第二训练样本集中输入数据集的各第二子特征数据集与所述溢流风险数据集的相关度：
[0031][0032]其中，r2(X
j
,Y
q
)为第j种第二子特征数据集与溢流风险数据集的相关度，X
j
为第j种第二子特征数据集，Y
q
为溢流风险数据集，V2(X
j
,Y
q
)为第j种第二子特征数据集与溢流风险数据集的距离协方差，V2(X
j
)为第j种第二子特征数据集的距离方差，V2(Y
q
)为溢流风险数据集的距离方差；其中，所述输入数据集包括钻井子数据集、录井子数据集和超前更新后的地层压力剖面数据集；
[0033]筛选所述相关度大于第三阈值的第二子特征数据集；
[0034]利用筛选后的第二子特征数据集更新所述输入数据集。
[0035]进一步地，所述第一神经网络包括编码器和解码器：
[0036]所述编码器包括第一注意力单元和第一序列性神经网络单元，所述第一注意力单元用于根据所述随钻测井子数据集中各随钻测井子数据以及各随钻测井子数据间的输入关系得到各随钻测井子数据间的输入参数注意力，所述第一序列性神经网络单元用于根据各随钻测井子数据间的输入参数注意力和上一时刻编码器的隐藏状态对编码器的隐藏状态进行实时更新；
[0037]所述解码器包括第二注意力单元、第二序列性神经网络单元和非线性拟合单元，所述第二注意力模块用于根据实时更新的编码器的隐藏状态确定编码器隐藏状态的地层深度注意力，并根据编码器隐藏状态的地层深度注意力确定上下文向量，所述第二序列性神经网络单元用于根据所述上下文向量和上一时刻解码器的隐藏状态对解码器的隐藏状态进行实时更新，所述非线性拟合单元用于根据更新后的解码器的隐藏状态和对应时刻的上下文向量对地层压力进行拟合预测。
[0038]进一步地，利用如下公式构建第一注意力单元和/或第二注意力单元：
[0039][0040][0041]其中，表示注意力计算得分，h
t
表示第一状态矩阵，h...

【技术保护点】

【技术特征摘要】
1.一种钻进溢流风险预测模型建立方法，其特征在于，所述方法包括：接收目标井对应的钻进特征数据集、地层压力剖面数据集和溢流风险数据集；将所述钻进特征数据集中的随钻测井子数据集和所述地层压力剖面数据集构建为第一训练样本集；利用所述第一训练样本集训练第一神经网络，得到第一神经网络模型；根据所述第一神经网络模型预测并超前更新所述地层压力剖面数据集；将所述钻进特征数据集中的钻井子数据集、录井子数据集、超前更新后的地层压力剖面数据集和所述溢流风险数据集构建为第二训练样本集；利用所述第二训练样本集训练第二神经网络，将训练完成的第二神经网络模型作为钻进溢流风险预测模型。2.根据权利要求1所述的方法，其特征在于，接收目标井对应的地层压力剖面数据集后，进一步包括：将所述钻进特征数据集和所述地层压力剖面数据集作为第三训练样本，构建第三训练样本集；利用所述第三训练样本集训练第三神经网络，得到第三神经网络模型；根据所述第三神经网络模型实时更新所述地层压力剖面数据集。3.根据权利要求2所述的方法，其特征在于，所述利用所述第三训练样本集训练第三神经网络，得到第三神经网络模型，进一步包括：将所述第三训练样本集中的钻进特征数据集输入至第一子神经网络，以得到所述钻进特征数据集对应的钻进时序特征数据集；将所述钻进时序特征数据集输入至第二子神经网络，得到训练结果；根据所述训练结果及第三训练样本集中的地层压力剖面数据集计算准确率；若所述准确率小于第一阈值，则重新训练所述第三神经网络；若所述准确率不小于所述第一阈值，则完成所述第三神经网络的训练，得到第三神经网络模型。4.根据权利要求3所述的方法，其特征在于，所述第一子神经网络为序列性神经网络；所述第二子神经网络为前馈神经网络。5.根据权利要求1所述的方法，其特征在于，构建所述第一训练样本集后，进一步包括：根据如下公式计算所述第一训练样本集中随钻测井子数据集的各第一子特征数据集与所述地层压力剖面数据集的相关度：其中，R2(X
i
,Y
p
)为第i种第一子特征数据集与地层压力剖面数据集的相关度，X
i
为第i种第一子特征数据集，Y
p
为地层压力剖面数据集，V2(X
i
,Y
p
)为第i种第一子特征数据集与地层压力剖面数据集的距离协方差，V2(X
i
)为第i种第一子特征数据集的距离方差，V2(Y
p
)为地层压力剖面数据集的距离方差；筛选所述相关度大于第二阈值的第一子特征数据集；
利用筛选后的第一子特征数据集更新所述随钻测井子数据集；构建所述第二训练样本集后，进一步包括：根据如下公式计算所述第二训练样本集中输入数据集的各第二子特征数据集与所述溢流风险数据集的相关度：其中，r2(X
j
,Y
q
)为第j种第二子特征数据集与溢流风险数据集的相关度，X
j
为第j种第二子特征数据集，Y
q
为溢流风险数据集，V2(X
j
,Y
q
)为第j种第二子特征数据集与溢流风险数据集的距离协方差，V2(X...

【专利技术属性】
技术研发人员：宋先知，姚学喆，祝兆鹏，李根生，周蒙蒙，田守嶒，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：