【技术实现步骤摘要】
本专利技术涉及石油勘探开发，尤其涉及一种基于非均衡回归的机械钻速预测方法及系统。
技术介绍
1、机械钻速反映钻头破坏岩石的速度，它直接影响着钻井的效率、成本以及钻井过程的安全性。传统的经验法则机械钻速预测模型存在误差大、适应性差的问题，无法满足对机械钻速预测精度的要求。随着计算机技术和算法理论的发展，各类智能算法被引入到机械钻速预测研究中，以期望利用算法自适应学习能力提高预测效果。基于神经网络的方法由于其强大的非线性拟合能力，已经在机械钻速预测任务中显示出比传统计学模型更高的预测精度。特别是基于卷积神经网络的方法，可以从原始的录井资料中自动提取预测抽象特征，并建立映射到钻速输出的模型，避免了人工特征工程中试错过程的麻烦。
2、然而，现有的深度神经网络模型主要是针对样本数量均衡的标准机械钻速数据集进行设计和验证的，它们往往假设不同钻速值样本遵循相同的分布，这与实际录井资料的分布情况不相符合。实际获得的录井资料由于地层变化多样、井段复杂等原因，不同机械钻速值对应的样本数量存在明显的不平衡现象。这会导致训练过程中，模型对相同钻速值数量大的类别拟合效果好，而对钻速值量少的类别拟合效果差，从而无法准确预测全范围的机械钻速。
技术实现思路
1、本专利技术的目的是提供一种基于非均衡回归的机械钻速预测方法及系统，以解决如何提高机械钻速预测精度的技术问题。
2、本专利技术是采用以下技术方案实现的：一种基于非均衡回归的机械钻速预测方法，包括如下步骤：
3、s1：对获
4、s2：通过皮尔逊相关性分析确定特征并进行小波变换合成录井参数序列数据图像；
5、s3：划分数据集，并构建机械钻速预测网络模型；
6、s4：采用特征分布平滑算法对机械钻速预测网络模型提取到的录井数据特征表示进行矫正；
7、s5：采用回归边界矫正算法调整机械钻速预测网络模型的预测值；
8、s6：对机械钻速预测网络模型进行训练，使用训练完成的模型对录井数据集进行预测，得到目标机械钻速值。
9、进一步的，步骤s1包括如下子步骤：
10、s11：删除重复录井样本数据，并采用线性插值法对数据进行补全，线性插值法公式为：
11、；
12、其中x为需要填充值的位置，y为计算所填充的值，与为缺失值邻近的已知录井参数值，且；
13、s12：针对非数值录井参数变量采用独热编码one-hot转化为离散的数值向量；
14、s13：对录井参数数据进行归一标准化处理，消除回归设置中不同尺度的影响，标准化的公式为：
15、；
16、其中为标准化后得值，x为原始值，为数据集中最小值，是数据集中的最大值。
17、进一步的，步骤s2包括如下子步骤：
18、s21：通过皮尔逊相关系数选择特征，皮尔逊系数r用来衡量两个特征的相关程度，具体计算公式可表示为：
19、；
20、其中为均值，为方差，表示特征向量x, y的协方差，其结果范围为[-1,1]，当两个结果为正数时代表两个特征正相关，若为负数则代表两特征负相关，相关系数r的绝对值越大，则表明两个特征相关度越高；
21、s22：使用小波变换将录井参数数据构建为多层图像形式的输入，将机械钻速问题转换为有监督的图像回归任务；
22、s23：将不同录井参数序列段生成的小波信号数据合并成为一个三通道的二维矩阵数据集。
23、进一步的，步骤s3包括如下子步骤：
24、s31：计算每个机械钻速值在训练集和测试集中的样本数量，并设置划分阈值，根据阈值将样本数量划分为高、中、低三个子集；
25、s32：构建机械钻速预测网络模型，并设置回归损失函数度量模型预测值与真实机械钻速标签之间的差异，并通过最小化目标损失函数来优化模型；
26、s33：使用训练集中的数据样本和对应的机械钻速标签进行模型训练，并采用自适应优化算法最小化损失以调整模型的参数；
27、s34：使用测试集中的录井参数数据对模型的性能进行评估，得到初始预测模型函数。
28、进一步的，步骤s4包括如下子步骤：
29、s41：采用特征分布平滑算法先将连续的机械钻速标签值空间y划分为b个目标值区间；
30、s42：对第b个目标钻速值区间，估计其特征统计量；
31、s43：使用高斯核对录井参数特征统计进行平滑，得到平滑后的特征统计量；
32、s44：对第i个样本进行特征矫正：
33、；
34、其中，z是原始录井参数特征；是当前目标值区间的原始特征均值；平滑后的特征均值通过高斯核对各目标值区间的原始均值进行平滑而得到；代表原始协方差均值矩阵的逆平方根，进行白化；表示用平滑后的协方差均值矩阵的平方根，进行重染色；
35、s45：将校准后的录井参数特征传入回归模型进行训练和预测。
36、进一步的，步骤s5包括如下子步骤：
37、s51：对步骤s41中每个目标钻速值区间初始化权重为1，其中第b个目标值区间的权重为，初始化偏置为1，其中第b个目标值区间为，其中录井样本数量多的为头样本，数量少的为尾样本；
38、s52：设计回归边界矫正算法函数：
39、；
40、其中，是第i个样本的预测值，是样本所在目标值区间的权重，是样本所在目标值区间的偏置，是样本在线性层的原始权重；
41、s53：重新计算定标后模型的损失函数，反向传播，不断迭代更新权重参数和偏置参数。
42、进一步的，步骤s6包括如下子步骤：
43、s61：使用录井数据样本进行训练优化后的机械钻速预测网络模型；
44、s62：使用训练完成的模型对录井数据集进行机械钻速预测，得到机械钻速预测值；
45、s63：采用均方误差、平均绝对误差和决定系数指标针对所有样本数据集以及低量样本数据集、中量样本数据集和高量样本数据集三个子集分别对机械钻速值预测效果进行评估。
46、一种基于非均衡回归的机械钻速预测系统，用以实现上述所述的一种基于非均衡回归的机械钻速预测方法，包括数据预处理模块、小波变换模块、模型构建模块、矫正模块和训练模块，其中，
47、数据预处理模块，用以对获取的录井数据进行预处理，规范每个数据参数值；
48、小波变换模块，通过皮尔逊相关性分析确定特征并进行小波变换合成录井参数序列数据图像；
49、模型构建模块，用以划分数据集，构建机械钻速预测网络模型；
50、矫正模块，采用特征分布平滑算法对机械钻速预测网络模型提取到的录井数据特征表示进行矫正，并采用回归边界矫正算法调整机械钻速预测网络模型的预测值；
51、训练模块，用以对机械钻速预测网络本文档来自技高网...
【技术保护点】
1.一种基于非均衡回归的机械钻速预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，步骤S1包括如下子步骤：
3.如权利要求1所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，步骤S2包括如下子步骤：
4.如权利要求1所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，步骤S3包括如下子步骤：
5.如权利要求1所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，步骤S4包括如下子步骤：
6.如权利要求5所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，步骤S5包括如下子步骤：
7.如权利要求6所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，步骤S6包括如下子步骤：
8.一种基于非均衡回归的机械钻速预测系统，用以实现权利要求1~7任意一项所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，包括数据预处理模块、小波变换模块、模型构建模块、矫正模块和训练模块，其中，
【技术特征摘要】
1.一种基于非均衡回归的机械钻速预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，步骤s1包括如下子步骤：
3.如权利要求1所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，步骤s2包括如下子步骤：
4.如权利要求1所述的一种基于非均衡回归的机械钻速预测方法，其特征在于，步骤s3包括如下子步骤：
5.如权利要求1所述的一种基于非均衡回归的机械钻速预测方法，...
【专利技术属性】
技术研发人员：蒋俊，钟典，李皋，肖东，夏文鹤，李红涛，刘厚彬，方潘，杨旭，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。