一种结合深度学习的裂缝型漏失压力计算方法技术

本发明专利技术公开一种结合深度学习的裂缝型漏失压力计算方法，属于地球物理技术领域，用于进行漏失压力计算，包括识别裂缝层段的完整性地层与非完整性地层，进行裂缝类型识别，获得完整性和非完整性地层漏失压力训练样本，采用相关性分析法进行相关性分析；搭建长短期记忆卷积神经网络模型，进行全井段漏失压力拼接，对长短期记忆卷积神经网络模型进行评价。本发明专利技术长短期记忆神经网络的特性可以弥补现有技术的不足，利用卷积神经网络可以将多个特征信号有效融合，可以更加有效、合理的对漏失压力进行预测，提高漏失压力预测的科学性和准确性。性。性。

【技术实现步骤摘要】
一种结合深度学习的裂缝型漏失压力计算方法


[0001]本专利技术公开一种结合深度学习的裂缝型漏失压力计算方法，属于地球物理


技术介绍

[0002]深层、超深层油气资源是我国未来能源的接替领域，由于深部地层地质条件复杂多变，缺乏对待钻地层的了解，导致钻井过程中漏失事故频发，不但增加了钻井成本、降低了钻井时效，严重漏失还会引发井涌井喷事故，目前对漏失压力的精准预测仍然是一大难题。目前针对裂缝型地层的漏失压力预测的方法还不够完善，其中统计学漏失压力计算模型、最小水平地应力漏失压力计算模型等现有的裂缝型漏失压力计算模型都有一定的局限性，不适用于所有的裂缝型地层。
[0003]近年来，随着人工智和机器学习在钻井领域的应用日趋完善，基于数据驱动的方法在钻前、钻中、钻后都发挥出较大的优势，钻井历史数据是一个具有体量大特点的典型的时间序列数据，所以采用循环神经网络来预测漏失压力很容易产生梯度消失问题，而长短期记忆神经网络的特性就可以弥补循环神经网络的不足，并且漏失压力很难只通过单个属性或少量属性来预测，利用卷积神经网络可以将多个特征信号有效融合。所以利用卷积神经网络和长短期记忆神经网络融合的神经网络模型可以更加有效、合理的对漏失压力进行预测，提高漏失压力预测的科学性和准确性。

技术实现思路

[0004]本专利技术的目的在于提供一种结合深度学习的裂缝型漏失压力计算方法，以解决现有技术中，漏失压力难以精准预测的问题。
[0005]一种结合深度学习的裂缝型漏失压力计算方法，包括：S1.基于电阻率侵入校正差比法，识别裂缝层段的完整性地层与非完整性地层；S2.进行裂缝类型识别，利用裂缝类型识别指数与深浅电阻率和无铀伽马的交会图进行裂缝类型识别；S3.获得完整性地层漏失压力训练样本，利用最小水平主应力模型对漏失压力进行预测；S4.获得非完整性地层漏失压力训练样本；S5.采用Pearson相关性分析法进行相关性分析；S6.搭建长短期记忆卷积神经网络模型；S7.将相关性分析后选出的特征作为输入集，漏失压力作为输出集，进行全井段漏失压力拼接；S8.对长短期记忆卷积神经网络模型进行评价；划分训练集和测试集，结合指标平均绝对误差百分比MAPE和均方根误差RMSE对预测漏失压力进行评价。
[0006]S1包括：电阻率侵入校正差比法以深浅侧向电阻率为基础计算，利用电阻率双侧向测井资料，计算出地层的真电阻率，构造电阻率侵入校正差比值对裂缝层段进行识别，计算公式如下：；；式中，为侵入校正的地层真电阻率，为深侧向电阻率，为浅侧向电阻率值，为深浅电阻率差比值；利用井史和完井报告与计算出的深浅电阻率差比值，确定出识别完整性地层与非完整性地层的阈值。
[0007]S2包括：裂缝类型识别指数计算公式如下：。
[0008]S3包括：漏失压力近似等于最小水平主应力，计算公式如下：；式中，为最小水平主应力模型确定的漏失压力，为水平构造应力系数，为泊松比，为上覆岩层压力，为地层孔隙压力。
[0009]S4包括：裂缝型漏失压力的修正公式为：；式中，为修正后的裂缝型漏失压力，为裂缝型漏失压差；修正后的漏失压力当量钻井液密度为：；式中，为修正后的漏失压力当量钻井液密度，为液柱的垂直高度。
[0010]S4包括：S4.1.用幂函数拟合天然裂缝型漏失压差：；式中，为天然裂缝型漏失压差，为天然裂缝型漏失强度系数，为天然裂缝型漏失速率，为天然裂缝型漏失状态参数；S4.2.诱导裂缝型漏失压差公式为：；式中，为诱导裂缝型漏失压差，为诱导裂缝型漏失强度系数，为裂缝孔隙度，为诱导裂缝型漏失速率，为诱导裂缝型漏失状态参数。
[0011]S6包括：S6.1.搭建卷积神经网络，卷积神经网络包括输入层、隐含层和输出层；S6.1.1.输入层预处理多维数据或图像，减少输入数据量纲的差异对模型的影响，提高模型的学习效率；S6.1.2.隐含层包括卷积层、池化层和展平以及全连接层，隐含层完成特征提取和学习；卷积层也称为特征提取层，设置了一个3
×
3的卷积核，步长为1；池化层的对原始数据进行采样，降低原始数据维数，通过滤波器和滑动窗口进行降维下采样，最大限度激活权重大的特征，去除干扰和噪声信息；展平以及全连接层将数据展平作为时间序列输入到长短期记忆神经网络。
[0012]S6包括：S6.2.搭建长短期记忆神经网络；S6.2.1.在新的信息被输入后，由遗忘门来确定哪些信息要被遗忘，遗忘门将上一个记忆单元的输出和此时刻的输入数据作为此时刻的输入，通过激活函数输出一个0
‑
1的数值来决定上一个长期状态中信息的保留与丢失，若为“0”则全部丢失，若为“1”则全部保留，遗忘门计算公式为：；式中，为和到遗忘门的权重矩阵；为的偏置。
[0013]S6包括：S6.2.2.输入门决定哪些新的信息将被加入，将上一时刻的输出和此时刻的输入数据输入至激活函数中得到，通过一个层得到新的候选记忆单元信息，和计算公式为：；；式中，为和到输入门激活函数的权重矩阵；为和到的权重矩阵；为的偏置；为的偏置；将更新为：；输出门将上一个时刻的输出和此时的输入数据输入到激活函数，确定要输出信息，再通过一个层处理记忆单元信息，将与相乘即得到此时刻的输出：；；式中，为和到输出门激活函数的权重矩阵；为的偏置。
[0014]相对比现有技术，本专利技术具有以下有益效果：本专利技术长短期记忆神经网络的特性可以弥补现有技术的不足，利用卷积神经网络可以将多个特征信号有效融合，可以更加有效、合理的对漏失压力进行预测，提高漏失压力预测的科学性和准确性。
附图说明
[0015]图1是FI与两种裂缝型漏失深浅电阻率交会图；图2是天然裂缝漏失平均绝对误差图；图3是诱导裂缝漏失平均绝对误差图；图4是C井全井段漏失压力剖面构建结果图。
具体实施方式
[0016]为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术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的一部分实施例，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作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。
[0017]一种结合深度学习的裂缝型漏失压力计算方法，包括：
S1.基于电阻率侵入校正差比法，识别裂缝层段的完整性地层与非完整性地层；S2.进行裂缝类型识别，利用裂缝类型识别指数与深浅电阻率和无铀伽马的交会图进行裂缝类型识别；S3.获得完整性地层漏失压力训练样本，利用最小水平主应力模型对漏失压力进行预测；S4.获得非完整性地层漏失压力训练样本；S5.采用Pearson相关性分析法进行相关性分析；S6.搭建长短期记忆卷积神经网络模型；S7.将相关性分析后选出的特征作为输入集，漏失压力作为输出集，进行全井段漏失压力拼接；S8.对长短期记忆卷积神经网络模型进行评价；划分训练集和测试集，结合指标平均绝对误差百分比MAPE和均方根误差RMSE对预测漏失压力进行评价。
[0018]S1包括：电阻率侵入校正差比法以深浅侧向电阻率为基础本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，包括：S1.基于电阻率侵入校正差比法，识别裂缝层段的完整性地层与非完整性地层；S2.进行裂缝类型识别，利用裂缝类型识别指数与深浅电阻率和无铀伽马的交会图进行裂缝类型识别；S3.获得完整性地层漏失压力训练样本，利用最小水平主应力模型对漏失压力进行预测；S4.获得非完整性地层漏失压力训练样本；S5.采用Pearson相关性分析法进行相关性分析；S6.搭建长短期记忆卷积神经网络模型；S7.将相关性分析后选出的特征作为输入集，漏失压力作为输出集，进行全井段漏失压力拼接；S8.对长短期记忆卷积神经网络模型进行评价；划分训练集和测试集，结合指标平均绝对误差百分比MAPE和均方根误差RMSE对预测漏失压力进行评价。2.根据权利要求1所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S1包括：电阻率侵入校正差比法以深浅侧向电阻率为基础计算，利用电阻率双侧向测井资料，计算出地层的真电阻率，构造电阻率侵入校正差比值对裂缝层段进行识别，计算公式如下：；；式中，为侵入校正的地层真电阻率，为深侧向电阻率，为浅侧向电阻率值，为深浅电阻率差比值；利用井史和完井报告与计算出的深浅电阻率差比值，确定出识别完整性地层与非完整性地层的阈值。3.根据权利要求2所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S2包括：裂缝类型识别指数计算公式如下：。4.根据权利要求3所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S3包括：漏失压力近似等于最小水平主应力，计算公式如下：；式中，为最小水平主应力模型确定的漏失压力，为水平构造应力系数，为泊松比，为上覆岩层压力，为地层孔隙压力。5.根据权利要求4所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S4包括：裂缝型漏失压力的修正公式为：；式中，为修正后的裂缝型漏失压力，为裂缝型漏失压差；修正后的漏失压力当量钻井液密度为：；
式中，为修正后的漏失压力当量钻井液密度，为液柱的垂直高度。6.根据权利要求5所述的一种结合深度学习的裂缝型漏失压力计算方法，其特征在于，S4包括：S4.1.用幂函数拟合天然裂缝型漏失压差：；式中，为...

【专利技术属性】
技术研发人员：宿振国，来福辉，王龑舒，陈栋，许玉强，何保伦，
申请(专利权)人：中石化经纬有限公司，
类型：发明
国别省市：