【技术实现步骤摘要】
本专利技术涉及钻井开发，尤其涉及一种基于两阶段学习的钻井异常工况诊断方法及系统。
技术介绍
1、气体欠平衡钻井技术是近年来为适应油气开发而提出的及时发现、保护油气层和增产、提高产能的新型工艺技术。与钻井液钻井技术相比，气体钻井具有较低的综合成本、能有效克服传统钻井液钻井的漏失情况和提高钻井的机械钻速等优点。同时由于气体钻井低密度与高流速的特殊性，在进行气体钻井大面积推广应用同时，也暴露出了一些安全隐患与风险。比如钻井过程中发生的地层产气不仅容易造成人员伤亡和经济损失，对环境也造成污染，地层产水、卡钻、接立柱等安全事故的发生也会对大家的生命有威胁。
2、近年来，随着人工智能技术在全球范围内迅猛发展，油气勘探开发智能化成为全球油气行业发展的热点，也成为保障中国能源战略安全的变革性技术。各界人士对于气体钻井安全问题也有了更高的期望，随着对钻井安全风险研究的深入，专家从研究气体钻井过程中发生安全问题的主要影响因素与对应参数变化的关系模型到提出采用钻井模型与专家系统相结合，不断总结挖掘判断安全风险的方法。钻井技术正由传统模式向机器学习与人工智能相结合的方向发展。
技术实现思路
1、本专利技术的目的是提供一种基于两阶段学习的钻井异常工况诊断方法及系统，以解决实际的钻井样本不均衡导致异常识别准确率低的技术问题。
2、本专利技术是采用以下技术方案实现的：一种基于两阶段学习的钻井异常工况诊断方法，包括如下步骤：
3、s1：处理随钻录井参数，对每个特征通道采用滑动窗
4、s2：采用异常检测模型进行第一阶段的异常检测：学习分块之间和分块内部两种数据表示，并计算两者之间的差异，给出异常判断；
5、s3：将判断结果重新整理到新的数据集中；
6、s4：采用不均衡多分类模型进行第二阶段的不均衡多分类：结合标签分布相关边界损失函数和延迟重赋权训练，达到对异常结果的识别。
7、进一步的，步骤s1包括如下子步骤：
8、s11：采用三次样条插值将不同钻井采样点的原始数据时间间隔统一，并进行归一化处理；
9、s12：设置不同的滑动窗口大小，即为读取数据的长度，每个长度的滑动窗口所采样的数据记为一个分块；每一个分块由多个特征通道组成，组成分块的所有特征通道记为分块内。
10、进一步的，步骤s2包括如下子步骤：
11、s21：通过多头自注意力网络对分块之间的关系进行建模，得到分块间的数据表示，记为：
12、，其中，表示连接，为一个可学习参数矩阵，为网络层的维度，表示实数集，为分块的注意力权重；
13、s22：通过多头自注意力网络对分块内的数据之间的关系进行建模，得到分块内的数据表示，记为：
14、，其中，为一个可学习参数矩阵，为分块的注意力权重；
15、s23：将不同尺度下的分块的数据表示映射到原始时间序列的形状中，对于分块间分支，使用重复分块的方式进行上采样，得到分块间最终的数据表示，记为：
16、，
17、对于分块内分支，使用重复分块内的点的方式进行上采样，得到分块内最终的数据表示，记为：
18、，其中，表示上采样，表示分块集合，表示分块内的数据表示，表示分块间的数据表示。
19、进一步的，步骤s2还包括如下子步骤：
20、s24：使用基于库尔贝克-莱布勒散度的损失函数来衡量分块间数据表示和分块内数据表示的相似性；
21、s25：反复上述步骤，使用梯度下降法和梯度停止法异步更新双注意力对比网络，通过优化器最小化损失函数，进行模型训练。
22、进一步的，步骤s2还包括如下子步骤：
23、s26：定义原始随钻录井数据，异常得分记为，计算公式如下：
24、，其中，为实数集，为随钻录井数据的长度，为随钻录井数据的维度，表示输入的时间序列，为分快内的数据表示，为分块间的数据表示，表示两个输出向量和的相似性度量，计算公式如下：
25、，
26、s27：基于逐个数据点的异常得分，记为，设置一个超参数用来决定一个点是否是异常：。
27、进一步的，步骤s3具体为：将第一阶段识别的异常数据重新组合为数据集，将第一阶段识别为正常的数据重新组合为数据集，对于任意录井参数，其中表示特征向量，表示标签：
28、如果，则将样本加入集合，即；
29、如果，则将样本加入集合，即。
30、进一步的，步骤s4包括如下子步骤：
31、s41：在训练轮次1到指定训练轮次，使用标签分布相关边界损失函数训练多分类模型，使用随机梯度下降来进行反向传播并更新模型网络参数；
32、s42：在训练轮次到训练轮次，使用样本数量对损失函数进行重赋权，使用在归一化的学习率的随机梯度下降优化器优化多分类模型；
33、s43：通过多分类模型输出结果：
34、，其中，是一个k维向量，诊断的类别，其中k表示样本的类别数量，置信度最高的类别为最终诊断类别。
35、一种基于两阶段学习的钻井异常工况诊断系统，用以实现上述所述的一种基于两阶段学习的钻井异常工况诊断方法，包括数据处理模块、异常检测模型和不均衡多分类模型，其中，
36、数据处理模块，用以处理随钻录井参数，对每个特征通道采用滑动窗口进行多尺度划分，得到分块；
37、常检测模型，用以进行第一阶段的异常检测，学习分块之间和分块内部两种数据表示，并计算两者之间的差异，给出异常判断；
38、不均衡多分类模型，用以进行第二阶段的不均衡多分类，结合标签分布相关边界损失函数和延迟重赋权训练，达到对异常结果的识别。
39、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，实现上述所述的一种基于两阶段学习的钻井异常工况诊断方法。
40、一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的一种基于两阶段学习的钻井异常工况诊断方法。
41、本专利技术的有益效果在于：本专利技术利用两阶段学习的思想解决实际的钻井样本不均衡导致的异常识别准确率低的问题。首先对已经获取的钻井工况进行数据预处理包括特征筛选、时序数据插值、钻井工况编码；然后使用滑动窗口将时序数据划分成固定长度的小序列，用于捕捉时序序列的局部信息。将固定长度的小序列输入到两个具有相同注意力的网络分支。这两个分支共享网络权重，但是计算过程不共享，一个分支学习不同固定长度的小序列之间的关系，得到一种表示，另一个网络学习固定长度小序列内部的关系，得到另一种表示。通过对比两种不同视角的表示，正常点两种表示接近，异常点两种表示差异大，从而进行有效的钻井工况检测。实现一阶段的异常检测，对于第二阶段将标签分布相关边界损失函数替换原来的交叉熵损失函数，使得模型更加偏向于小样本数据，在使用延迟重赋本文档来自技高网...
【技术保护点】
1.一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤S1包括如下子步骤：
3.如权利要求1所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤S2包括如下子步骤：
4.如权利要求3所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤S2还包括如下子步骤：
5.如权利要求4所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤S2还包括如下子步骤：
6.如权利要求1所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤S3具体为：将第一阶段识别的异常数据重新组合为数据集，将第一阶段识别为正常的数据重新组合为数据集，对于任意录井参数，其中表示特征向量，表示标签：
7.如权利要求1所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤S4包括如下子步骤：
8.一种基于两阶段学习的钻井异常工况诊断系统，用以实现权利要求1~7任意一项所述的一种基于两阶段
9.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时，实现权利要求1~7任意一项所述的一种基于两阶段学习的钻井异常工况诊断方法。
10.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1~7任意一项所述的一种基于两阶段学习的钻井异常工况诊断方法。
...【技术特征摘要】
1.一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤s1包括如下子步骤：
3.如权利要求1所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤s2包括如下子步骤：
4.如权利要求3所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤s2还包括如下子步骤：
5.如权利要求4所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤s2还包括如下子步骤：
6.如权利要求1所述的一种基于两阶段学习的钻井异常工况诊断方法，其特征在于，步骤s3具体为：将第一阶段识别的异常数据重新组合为数据集，将第一阶段识别为正常的数据重新组合为数据集，...
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。