【技术实现步骤摘要】
本专利技术涉及地质工程领域，具体涉及一种地层可钻性无监督的评估方法及装置。
技术介绍
1、岩石可钻性可衡量岩石抵抗钻头破坏的能力，对其准确评估有助于理解地层性质、合理选择钻头和钻井参数，提高钻井的效率。但是岩心的获取是困难和昂贵的，大量岩心可钻性的实验室测定是一项费时费力的工作。智能化具有省时省力的优点，是地层可钻性评价的发展方向。
2、然而，现有的地层可钻性智能评价方法需要在有监督的情况下完成，只有获取大量的可钻性标签，才会取得好的预测效果，成为智能可钻性预测模型。
3、总之，目前的地层可钻性评价方法，要么在实验室对岩心开展可钻性试验，岩心的获取困难和昂贵，大量岩心可钻性的实验室测定也费时费力；要么智能化偏低，需要在有监督的情况下完成。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种地层可钻性无监督的评估方法及装置，用于解决目前的地层可钻性评价方法，要么在实验室对岩心开展可钻性试验，岩心的获取困难和昂贵，大量岩心可钻性的实验室测定也费时费力；要么智能化偏低，需要在有监督的情况下完成的问题。
2、为实现上述目的，本专利技术采取以下技术方案：
3、第一方面，本专利技术公开了一种地层可钻性无监督的评估方法，包括
4、步骤1：假定可钻性预测模型的基础模型，其中该基础模型采用自组织映射神经网络算法，所述自组织映射神经网络算法包括多个神经元，该基础模型的输入参数包括声波时差和地层密度，输出参数包括地层类别及地层类别数量；
5、步骤2：对所述假定可钻性预测模型的基础模型进行预训练，确定其中之一的输出变量——地层类别数量；
6、步骤3：将声波时差和地层密度的数值作为基础模型的输入参数，将所述地层类别数量作为已知量，代入所述基础模型进行正式训练迭代，确定正式可钻性预测模型；
7、步骤4：根据所述正式可钻性预测模型，评估待测地层可钻性。
8、具体地，所述步骤2包括以下具体步骤：
9、步骤21：假定地层类别数量作为训练参数；
10、步骤22：根据地层类别数量，将地层测井数据分成不同类别；
11、步骤23：根据不同类别下的地层测井数据的分类结果，分别测试基础模型的量化误差；
12、步骤24：逐渐增加地层类别数量，重复步骤22至步骤23，直至基础模型的量化误差趋于平稳；
13、当所述基础模型的量化误差趋于平稳时所对应的地层类别数量，即为可钻性预测模型的基础模型的地层类别数量。
14、具体地，所述步骤3包括以下具体步骤：
15、步骤31：将声波时差和地层密度作为基础模型的输入参数x＝{x1，x2}，确定基础模型的自组织映射神经网络算法的连接权重w的初始值w0∈(0，1)；
16、步骤32：通过竞争过程、协作过程和适应过程，对所述自组织映射神经网络算法的连接权重w的初始值w0∈(0，1)进行第一次迭代，获得保留的神经元和其邻域半径γ内的神经元的连接权重w；
17、步骤33：对保留的神经元和其邻域半径γ内的神经元的连接权重w重复所述步骤32，进行n次迭代，其中n≥100，获得目标连接权重wn，所述目标连接权重wn即为可钻性预测模型的基础模型的自组织映射神经网络算法的连接权重；
18、步骤34：根据基础模型的自组织映射神经网络算法的连接权重，确定自组织映射神经网络算法，结合所述基础模型的输入参数和所述基础模型的输出参数中的地层类别数量，确定正式可钻性预测模型。
19、具体地，所述步骤32包括以下具体步骤：
20、竞争过程：首先计算基础模型的输入参数x＝{x1，x2}与基础模型的自组织映射神经网络算法的所有神经元的连接权重w之间的距离d，其表达式为：
21、
22、式中，d为基础模型的输入参数x＝{x1，x2}与基础模型的自组织映射神经网络算法的所有神经元的连接权重w之间的距离；
23、i为1或2，当i＝1时，x＝{x1}；当i＝2时，x＝{x2}；
24、w为初始值以后的连接权重；
25、当基础模型的输入参数x＝{x1，x2}与基础模型的自组织映射神经网络算法的所有神经元的连接权重w之间的距离d最小时，保留此时的连接权重w对应的该神经元；
26、协作过程：根据所述保留的神经元的连接权重w与其对应的基础模型的输入参数x＝{x1，x2}之间的距离d和所述保留的神经元与其邻域半径γ，计算在保留的神经元邻域半径γ内的连接权重w的更新步长g，其表达式为；
27、g＝exp(-d/2γ2) (式2)
28、式中，g为在保留的神经元邻域半径γ内的连接权重w的更新步长；
29、γ为保留的神经元的邻域半径；
30、d为保留的神经元的连接权重w与其对应的基础模型的输入参数x＝{x1，x2}之间的距离；
31、适应过程：根据所述在保留的神经元邻域半径γ内的连接权重w的更新步长g，更新获得保留的神经元和其邻域半径γ内的神经元的连接权重，其表达式为：
32、wt＝wt-1+η×g×(x-wt-1) (式3)
33、式中，wt为更新后t时刻的连接权重；
34、wt-1为更新前t-1时刻的连接权重；
35、η为学习率；
36、g为在保留的神经元邻域半径γ内的连接权重w的更新步长；
37、x为基础模型的输入参数x＝{x1，x2}。
38、具体地，所述步骤4包括以下具体步骤：
39、步骤41：将待测地层的地层类别数量作为已知量，将待测地层的声波时差和地层密度作为所述正式可钻性预测模型的输入参数，输出待测地层的地层类别；
40、步骤42：计算待测地层的不同地层类别对应的钻速平均值；
41、步骤43：根据钻速越小、地层可钻性越大的关系，获得待测地层的可钻性；
42、步骤44：按照每类地层的钻速平均值从高到低依次分为不同的等级，完成对待测地层的可钻性的评估。
43、第二方面，本专利技术还公开了一种地层可钻性无监督的评估装置，包括
44、第一单元，用于假定可钻性预测模型的基础模型，其中该基础模型采用自组织映射神经网络算法，所述自组织映射神经网络算法包括多个神经元，该基础模型的输入参数包括声波时差和地层密度，输出参数包括地层类别及地层类别数量；
45、第二单元，用于对所述假定可钻性预测模型的基础模型进行预训练，确定其中之一的输出变量——地层类别数量；
46、第三单元，用于将声波时差和地层密度的数值作为基础模型的输入参数，将所述地层类别数量作为已知量，代入所述基础模型进行正式训练迭代，确定正式可钻性预测模型；
47、第四单元，用于根据所述正式可钻性预测模本文档来自技高网...
【技术保护点】
1.一种地层可钻性无监督的评估方法，其特征在于，包括
2.根据权利要求1所述的地层可钻性无监督的评估方法，其特征在于，所述步骤2包括以下具体步骤：
3.根据权利要求2所述的地层可钻性无监督的评估方法，其特征在于，所述步骤3包括以下具体步骤：
4.根据权利要求3所述的地层可钻性无监督的评估方法，其特征在于，所述步骤32包括以下具体步骤：
5.根据权利要求4所述的地层可钻性无监督的评估方法，其特征在于，所述步骤4包括以下具体步骤：
6.一种地层可钻性无监督的评估装置，其特征在于，包括
7.一种计算机可读存储介质，其上存储有计算机程序，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1-5任一项所述的方法的步骤。
8.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-5任一所述的方法的步骤。
【技术特征摘要】
1.一种地层可钻性无监督的评估方法，其特征在于，包括
2.根据权利要求1所述的地层可钻性无监督的评估方法，其特征在于，所述步骤2包括以下具体步骤：
3.根据权利要求2所述的地层可钻性无监督的评估方法，其特征在于，所述步骤3包括以下具体步骤：
4.根据权利要求3所述的地层可钻性无监督的评估方法，其特征在于，所述步骤32包括以下具体步骤：
5.根据权利要求4所述的地层可钻性无监督的评估方法，...
【专利技术属性】
技术研发人员：李中，吴怡，庞照宇，谢仁军，马英文，焦金刚，宋先知，叶山林，马宝东，祝兆鹏，
申请(专利权)人：中海石油中国有限公司，
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。