基于地层岩性重构的可解释连续学习井漏预测方法技术

本发明专利技术涉及井漏预测领域，具体涉及一种基于地层岩性重构的可解释连续学习井漏预测方法，方法包括：S1，构建基于井深的地质工程数据集，重构，得到基于地层岩性的地质工程数据集；S2，按岩性抽取不同岩性地层数据，通过信号时频分析方法提取不同岩性地层典型井漏特征；S3，基于不同岩性地层典型井漏特征建立不同岩性地层井漏特征的激励函数，基于多个激励函数构建激励函数自适应进化机制，以此机制作为井漏预测模型的连续学习机制，对井漏预测模型进行验证和优化；S4，将目标井设计数据输入井漏预测模型，得到输出结果。本发明专利技术解决了传统机器学习井漏预测方法普适性差的问题，并提高了井漏预测的准确性。

【技术实现步骤摘要】

本专利技术涉及井漏预测领域，具体涉及一种基于地层岩性重构的可解释连续学习井漏预测方法。

技术介绍

1、随着石油资源开采的难度逐步增加，井漏是钻井工程中极易出现的事故。井漏不仅消耗大量钻井液，延长钻井周期，处理不当易出现井塌、井喷、卡钻等复杂情况，甚至造成重大工程事故，所以井漏预测是保障安全可靠钻井的重要手段。

2、目前，基于神经网络、支持向量机、决策树和深度学习等机器学习模型的井漏预测方法取得了大量研究成果，表现出优异的性能，但是在实际生产中仍存在一定的局限性：首先，随井筒延伸采集的测录井和井史数据具有明显的时变特性，而随机选择的训练数据会降低地层岩性物性与测录井参数之间的内在联系，从而使利用测录井数据训练得到的常规井漏智能预测方法区域性强，不具备普适性；再者，常规井漏智能预测模型的黑盒特性使研究人员无法探知这些模型究竟从数据中学到了哪些知识、模型如何进行最终决策、错误决策的原因以及改正错误的途径等，所以常规机器学习模型可解释性的缺乏降低了井漏预测方法的可信度；最后，传统井漏智能预测方法多为批量学习模式，若在预测过程中收集到了新数据，除非重新学本文档来自技高网...

【技术保护点】

1.一种基于地层岩性重构的可解释连续学习井漏预测方法，其特征在于，

2.根据权利要求1所述的基于地层岩性重构的可解释连续学习井漏预测方法，其特征在于，

3.根据权利要求1所述的基于地层岩性重构的可解释连续学习井漏预测方法，其特征在于，

4.根据权利要求1所述的基于地层岩性重构的可解释连续学习井漏预测方法，其特征在于，

5.根据权利要求1所述的基于地层岩性重构的可解释连续学习井漏预测方法，其特征在于，

6.根据权利要求5所述的基于地层岩性重构的可解释连续学习井漏预测方法，其特征在于，

7.根据权利要求1所述的基于地层岩...

【技术特征摘要】

1.一种基于地层岩性重构的可解释连续学习井漏预测方法，其特征在于，

2.根据权利要求1所述的基于地层岩性重构的可解释连续学习井漏预测方法，其特征在于，

3.根据权利要求1所述的基于地层岩性重构的可解释连续学习井漏预测方法，其特征在于，

4.根据权利要求1所述的基于地层岩性重构的可解释连...

【专利技术属性】
技术研发人员：李栋，单汪唯一，贾玉洁，刘佳，邓嵩，王江帅，邵冬冬，
申请(专利权)人：常州大学，
类型：发明
国别省市：