【技术实现步骤摘要】
本专利技术涉及石油勘探开发，特别涉及一种基于粒子群优化神经网络及细观结构的可钻性预测方法。
技术介绍
1、岩石可钻性的研究对于油气勘探和开发至关重要。深入了解地下岩石的性质可以提供宝贵的地质信息，有助于准确评估储层的特征和油气资源的分布情况。这样的了解有助于优化勘探定位、降低勘探风险，提高资源开发的效率和可行性。岩石可钻性预测在钻井工程中具有重要意义。准确预测岩石的可钻性可以帮助优化钻井设计和操作，提高钻井效率和成功率。通过预测地下岩层的物理性质，工程人员可以更好地了解钻进过程中可能遇到的地质情况，从而采取相应的钻井策略。这有助于减少钻井事故的风险，提高钻井的安全性。总体而言，岩石可钻性预测在钻井工程和地质资源开发中发挥着关键作用，为工程决策提供了基础性的地质信息，从而推动了能源行业的科技进步和可持续发展。
2、在专利号cn115078362b的专利技术中提出了一种基于岩石细观结构的可钻性表征方法，这种方法通过tc这种单一指标评价岩石可钻性，没有全面考虑影响岩石可钻性的影响因素，例如，周长、孔隙度等，也没有使用粒子群优化神经网络来提高岩石可钻性预测模型的精度。
3、在专利号cn102606151b的专利技术中提出了一种野猫井岩石可钻性钻前预测方法和装置，这种方法通过待钻地层的地震速度谱拾取该野猫井岩石的不同岩石的不同地层的层速度作为相互分析，使用bp神经网络进行训练，得到层速度与岩石可钻性的关系，但是却没有考虑岩石本身的结构对可钻性的影响。
4、在文章《基于bp神经网络的岩石可钻性测井计算研究
5、综上所述，目前亟需一种基于粒子群优化神经网络即细观结构的岩石可钻性预测方法，实现岩石可钻性影响因素全面化考虑，预测模型精度大幅度提高的目的。
技术实现思路
1、本专利技术的目的是提供一种基于粒子群优化神经网络及细观结构的可钻性预测方法，以解决上述现有技术存在的问题。
2、本专利技术提供的一种基于粒子群优化神经网络及细观结构的可钻性预测方法，包括：
3、获取待测岩样的岩样薄片图像，计算所述岩样薄片图像的细观结构参数；
4、基于粒子群优化神经网络构建岩石可钻性预测模型，将所述岩样薄片图像的细观结构参数输入至岩石可钻性预测模型得到岩石可钻性的预测值。
5、可选地，获取细观结构参数的过程包括：
6、将所述岩样制成岩样薄片；
7、采用显微镜获取所述岩样薄片的单偏光和正交偏光图像；
8、基于imagej图像处理软件计算所述单偏光和正交偏光图像的矿物颗粒轮廓；
9、基于所述矿物颗粒轮廓得到几何结构数据；
10、基于所述几何结构数据得到细观结构参数。
11、可选地，所述细观结构参数包括：直径、面积、周长、最小长宽比、圆度、细观结构系数。
12、可选地，所述基于粒子群优化神经网络构建岩石可钻性预测模型中包括基于粒子群算法得到最优网络权值和阈值；其中，基于粒子群算法得到最优网络权值和阈值的过程包括：
13、s1、初始化粒子的初始速度和位移；
14、s2、基于粒子群算法更新粒子的速度和位置；
15、s3、根据粒子的位置更新个体最优值和全局极值，并计算全局最优适应度；
16、s4、循环执行s1-s3，直至所述全局最优适应度收敛，得到最优网络权值和阈值。
17、可选地，所述全局最优适应度的计算公式为：
18、
19、式中，n是采样点个数，y(t)为第t点的期望输出，为第t点的实际输出。
20、可选地，构建岩石可钻性预测模型后还包括模型学习训练过程，其中，对所述岩石可钻性预测模型进行学习训练的过程包括：
21、初始化容许误差和平移因子；
22、对试验岩样进行可钻性试验得到目标输出参数；
23、计算所述试验岩样的薄片图像的细观结构参数得到输入参数；
24、将所述输入参数输入所述岩石可钻性预测模型得到实际输出值；
25、基于所述实际输出值和目标输出参数得到误差；
26、当所述误差小于所述容许误差，则得到训练好的岩石可钻性预测模型，否则进行重新学习训练。
27、可选地，所述误差的计算公式为：
28、
29、式中，ek表示误差。
30、本专利技术具有如下技术效果：
31、本专利技术提供的一种基于粒子群优化神经网络及细观结构的岩石可钻性预测方法，该方法原理可靠，操作简便，能够基于井下岩屑快速且准确预测岩石可钻性，提高钻井效率，从而大幅度提高油气资源的开发效率，具有广阔的市场应用前景。
32、本专利技术可以更好地挖掘数据中的潜在规律和特征，提高预测的精度和效率；本专利技术能够快速收敛到最优解并减少模型训练所需的时间；本专利技术可以为工程师更精细地设计钻井方案和工艺流程提供科学依据，从而降低钻井风险和成本；本专利技术能够提高资源勘探和开发的效率和可行性。
本文档来自技高网...【技术保护点】
1.一种基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，获取细观结构参数的过程包括：
3.根据权利要求2所述的基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，所述细观结构参数包括：直径、面积、周长、最小长宽比、圆度、细观结构系数。
4.根据权利要求3所述的基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，所述基于粒子群优化神经网络构建岩石可钻性预测模型中包括基于粒子群算法得到最优网络权值和阈值；其中，基于粒子群算法得到最优网络权值和阈值的过程包括：
5.根据权利要求4所述的基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，所述全局最优适应度的计算公式为：
6.根据权利要求1所述的基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，构建岩石可钻性预测模型后还包括模型学习训练过程，其中，对所述岩石可钻性预测模型进行学习训练的过程包括：
7.根据权利要求
...【技术特征摘要】
1.一种基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，获取细观结构参数的过程包括：
3.根据权利要求2所述的基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，所述细观结构参数包括：直径、面积、周长、最小长宽比、圆度、细观结构系数。
4.根据权利要求3所述的基于粒子群优化神经网络及细观结构的可钻性预测方法，其特征在于，所述基于粒子群优化神经网络构建岩石可钻性预测模型中包括基于粒...
【专利技术属性】
技术研发人员：石祥超，陈帅，王宇鸣，卓云，肖文强，陈雁，王兆巍，段浩德，
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。