一种井壁风险等级预测方法技术

本发明专利技术提供一种井壁风险等级预测方法，通过SOFM神经网络对连续型钻井特征参数进行离散，无需预先标记训练数据，通过调整权重向量和邻域来适应输入数据的分布和特点，最大程度保留原始数据的信息；以及通过属性重要性中的信息增益来提取特征参数，显著减少了模型输入参数的数量并提高了预测效果。参数的数量并提高了预测效果。参数的数量并提高了预测效果。

【技术实现步骤摘要】
一种井壁风险等级预测方法


[0001]本专利技术涉及石油勘探领域，更具体地，涉及一种井壁风险等级预测方法。

技术介绍

[0002]在石油勘探开发过程中，保持井壁的稳定状态对于安全钻井和生产具有至关重要的意义。在实际中，由于地层复杂性、钻头磨损等因素的影响，往往会出现井壁失稳等问题，它不仅会影响钻井速度还会造成严重的安全事故。对井壁稳定性进行预测和分析，可以更好地制定钻井方案，从而降低钻井风险并提高采油效率。
[0003]井径扩大率是判断井壁失稳比较直观的参数，当井壁失稳时，井眼周围的岩石会发生塑性变形或破裂，导致井径扩大率急剧增加。因此，通过预测井径扩大率的变化来分析井壁的失稳情况。
[0004]在预测井壁稳定性的方法中，经验公式法易受限于地质条件和岩石类型，无法考虑到不同地区和层位之间的差异；数值模拟方法需要大量的参数和复杂的计算，其结果还会受模型误差的影响。在深部地层中，影响井壁稳定的参数较多，且各参数之间存在复杂的非线性关系，而机器学习方法解决多目标非线性复杂问题的效果较好，可以充分发掘钻井数据与井壁稳定性之间隐藏的潜在关系，实现对井壁稳定性的准确预测。

技术实现思路

[0005]本专利技术针对现有技术中存在的技术问题，提供一种井壁风险等级预测方法，解决现有技术中井壁稳定性预测存在的地质条件限制和模型误差的问题，该预测方法包括：
[0006]获取目标地层连续型的钻井特征参数和井径扩大率数据；
[0007]根据所述井径扩大率数据的统计分布情况，将所述井径扩大率数据进行离散化，获得井径扩大率的离散化值，所述井径扩大率的离散化值表征井壁的风险等级值；
[0008]基于自组织特征映射SOFM神经网络将连续型的每一个钻井特征参数进行离散化，获取每一个钻井特征参数的离散化值；
[0009]将每一个钻井特征参数的离散化值和井径扩大率的离散化值对应组合，组成决策表；
[0010]计算每一个钻井特征参数对决策表的信息增益，选取信息增益较大的多个钻井特征参数；
[0011]获取训练集，所述训练集中包括多个训练样本，每一个训练样本包括信息增益较大的多个钻井特征参数的离散化值和对应的井径扩大率的离散化值；
[0012]基于训练集对预测模型进行训练；
[0013]将待测的多个钻井特征参数的离散化值输出训练后的预测模型中，输出井壁的风险等级值。
[0014]本专利技术提供的一种井壁风险等级预测方法，通过神经网络对连续型钻井特征参数进行离散，无需预先标记训练数据，通过调整权重向量和邻域来适应输入数据的
分布和特点，最大程度保留原始数据的信息；以及通过属性重要性中的信息增益来提取特征参数，显著减少了模型输入参数的数量并提高了预测效果。
附图说明
[0015]图1为本专利技术提供的一种井壁风险等级预测方法的流程示意图；
[0016]图2为对预测模型进行训练的流程示意图。
具体实施方式
[0017]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。另外，本专利技术提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。
[0018]图1为本专利技术提供的一种井壁风险等级预测方法流程图，如图1所示，方法包括：
[0019]步骤1，获取目标地层连续型的钻井特征参数和井径扩大率数据。
[0020]可理解的是，获取的目标地层的钻井特征参数和井径扩大率数据均为连续型的数据，每一个钻井特征参数包括n个采样点数据，组成连续型的钻井特征参数，同样的，井径扩大率数据也包括n个采样点数据。本专利技术中获取的钻井特征参数包括14个。
[0021]对所有的钻井特征参数进行预处理，首先，对所有钻井特征参数，剔除异常值和空缺值。
[0022]其次，对钻井特征参数进行归一化预处理，采用最大、最小标准化法将特征数据的原始值映射到区间[0,1]之间。
[0023]；
[0024]式中，为钻井特征参数；和分别为所有钻井特征参数中的最大值和最小值；X
i
为归一化后的钻井特征参数。
[0025]步骤2，根据所述井径扩大率数据的统计分布情况，将所述井径扩大率数据进行离散化，获得井径扩大率的离散化值，所述井径扩大率的离散化值表征井壁的风险等级值。
[0026]可理解的是，获取到连续的井径扩大率数据后，对根据连续型的井径扩大率的统计分布情况，将连续型的井径扩大率按照等距离划分为多个区间，对每一个区间按照不同风险等级编码赋值，获取每一个区间的井径扩大率对应的风险等级编码值，即为离散化值。比如，井径扩大率的100个采样点数据为1,2,3，....，100，将其划分为10个区间，1~10为一个区间，11~20一个区间，....，91~100一个区间，那么在1~10之内的采样点数据均离散化为1，在11~20区间的采样点数据被离散化为2，以此类推，得到井径扩大率的每一个采样点数据的离散化值，其中，离散化值代表井壁风险等级。
[0027]步骤3，基于自组织特征映射SOFM神经网络将连续型的每一个钻井特征参数进行离散化，获取每一个钻井特征参数的离散化值。
[0028]可理解的是，步骤2对井径扩大率数据进行了离散化，该步骤对每一个钻井特征参数进行离散化。其中，影响井壁稳定性的连续型变量有井斜角、方位角、狗腿度、钻井液密度、漏斗粘度、钻速、泵压、钻压、转速、排量、立管压力、钻头压降、环空压耗和喷射速度共14个钻井参数，对连续型变量的离散化按（1）
‑
（2）步骤进行。
[0029]（1）初始离散。
[0030]作为实施例，所述基于SOFM神经网络将连续型的每一个钻井特征参数进行离散化，获取每一个钻井特征参数的离散化值，包括：
[0031]A、初始化每一个钻井特征参数对应的离散化值的数目H0、初始化SOFM神经网络的学习率和邻域N
c
（0）、设置学习次数T以及初始化每一个钻井特征参数的每一个离散化值的权值向量w
j
，其中，j为离散化值编号，j=1,2...，H0。
[0032]可理解的是，将每一个钻井特征参数的离散化值的数目均初始化为H0，设置SOFM神经网络的初始学习率和初始邻域N
c
（0）以及学习次数T，对每个离散化值的权值向量w
j
赋予[0,1]范围内的随机值作为权值向量的初始值。令，为每一个钻井特征参数X中的采样点数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种井壁风险等级预测方法，其特征在于，包括：获取目标地层连续型的钻井特征参数和井径扩大率数据；根据所述井径扩大率数据的统计分布情况，将所述井径扩大率数据进行离散化，获得井径扩大率的离散化值，所述井径扩大率的离散化值表征井壁的风险等级值；基于自组织特征映射SOFM神经网络将连续型的每一个钻井特征参数进行离散化，获取每一个钻井特征参数的离散化值；将每一个钻井特征参数的离散化值和井径扩大率的离散化值对应组合，组成决策表；计算每一个钻井特征参数对决策表的信息增益，选取信息增益较大的多个钻井特征参数；获取训练集，所述训练集中包括多个训练样本，每一个训练样本包括信息增益较大的多个钻井特征参数的离散化值和对应的井径扩大率的离散化值；基于训练集对预测模型进行训练；将待测的多个钻井特征参数的离散化值输出训练后的预测模型中，输出井壁的风险等级值。2.根据权利要求1所述的井壁风险等级预测方法，其特征在于，根据所述井径扩大率数据的统计分布情况，将所述井径扩大率数据进行离散化，获得井径扩大率的离散化值，所述井径扩大率的离散化值表征井壁的风险等级值，包括：根据连续型的井径扩大率的统计分布情况，将连续型的井径扩大率按照等距离划分为多个区间，对每一个区间按照不同风险等级编码赋值，获取每一个区间的井径扩大率对应的风险等级编码值，即为离散化值。3.根据权利要求1所述的井壁风险等级预测方法，其特征在于，所述基于自组织特征映射SOFM神经网络将连续型的每一个钻井特征参数进行离散化，获取每一个钻井特征参数的离散化值，包括：A、初始化每一个钻井特征参数对应的离散化值的数目H0、初始化SOFM神经网络的学习率和邻域N
c
（0）、设置学习次数T以及初始化每一个钻井特征参数的每一个离散化值的权值向量w
j
，其中，j为离散化值编号，j=1,2...，H0；B、对于任一个钻井特征参数包括的连续的多个采样点数据，计算任一个采样点数据与每一个离散化值的权值向量w
j
之间的距离，并获取最小距离的权值向量w
m
；C、在下一次迭代过程中，对最小距离的权值向量w
m
以及SOFM神经网络的学习率和邻域进行迭代更新；D、重复执行A、B和C，直到迭代更新的次数达到设置的学习次数T，获取与所述任一个采样点数据之间距离最小的权值向量w
m
'，则权值向量w
m
'对应的离散化值为所述任一个采样点数据的离散化值；E、对每一个钻井特征参数的每一个采样点数据，均执行A、B、C和D，得到每一个钻井特征参数的每一个采样点数据的初始离散化值。4.根据权利要求3所述的井壁风险等级预测方法，其特征在于，所述B中，对于任一个钻井特征参数包括的连续的多个采样点数据，计算任一个采样点数据与每一个离散化值的权值向量w
j
之间的距离，并获取最小距离的权值向量w
m
，包括：
计算所述任一个钻井特征参数中采样点数据x
i
与各个离散化值的权重向量w
j
之间的距离d
ij
：；其中，所述任一个钻井特征参数包括采样点数据（x1，x2，...，x
i
，...，x
n
），n为采样点个数，j=1,2，...，H0，i=1,2，...，n；获取d
ij
中最小距离d
im
，并获取对应的权值向量w
m
，m=1,2，...，H0。5.根据权利要求4所述的井壁风险等级预测方法，其特征在于，所述C、在下一次迭代过程中，对最小距离的权值向量以及SOFM神经网络的学习率和邻域进行迭代更新，包括：；其中，；；其中，t为当前迭代次数。6.根据权利要求3所述的井壁风险等级预测方法，其特征在于，所述E之后还包括：F、基于每一个钻井特征参数的每一个采样点数据的初始离散化值，确定每一个钻井特征参数对应的离散化值的最优数目；G、基于每一个钻井特征参数对应的离散化值的最优数目更新A中初始化的每一个钻井特征参数对应的离散化值的数目H0，执...

【专利技术属性】
技术研发人员：杨明合，许楷，李博志，蔡旭龙，何清旖，
申请(专利权)人：长江大学武汉校区，
类型：发明
国别省市：