[發明專利]一種基于機器學習的漏速概率分布預測方法和系統

在審

• 申請號: 202110381079.7
• 申請日: 2021-04-09
• 公開（公告）號: CN113077091A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 龐惠文;樊永東;金衍;王漢青
• 申請（專利權）人: 中國石油大學（北京）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/18;G06N3/04;G06N3/08;G06Q50/02
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 趙悅

1.一種基于機器學習的漏速概率分布預測方法，其特征在于，包括以下步驟：

S1對錄井數據進行降維處理；

S2將經過降維處理的錄井數據進行歸一化，采用經過歸一化的數據對混合密度神經網絡模型進行訓練；

S3計算所述混合密度神經網絡模型的不確定性，獲得所述混合密度神經網絡模型的方差；

S4根據所述方差調整漏速范圍，獲得漏速概率分布情況。

2.如權利要求1所述的基于機器學習的漏速概率分布預測方法，其特征在于，所述步驟S1中降維處理的過程為：根據多口已鉆井的綜合錄井數據和漏失記錄，以漏速作為特征值，分析綜合錄井參數和漏失記錄中漏速的相關性，對綜合錄井參數進行篩選，選出與漏速相關性較高的特征參數，作為漏速預測的特征參數。

3.如權利要求2所述的基于機器學習的漏速概率分布預測方法，其特征在于，采用皮爾森相關性分析算法、隨機森林算法和遞歸消除特征算法對綜合錄井參數進行篩選。

4.如權利要求1-3任一項所述的基于機器學習的漏速概率分布預測方法，其特征在于，所述步驟S2中歸一化的公式為：

其中，x_nor代表歸一化后的數據；x_raw代表原始數據；x_max和x_min分別代表每組特征數據中的最大和最小值。

5.如權利要求1-3任一項所述的基于機器學習的漏速概率分布預測方法，其特征在于，所述步驟S3中混合密度神經網絡模型以高斯模型為基礎，通過多個不同方差與均值的高斯模型組合成混合高斯模型，預測得到符合高斯分布的漏速范圍。

6.如權利要求5所述的基于機器學習的漏速概率分布預測方法，其特征在于，所述混合密度神經網絡模型的輸出層包括子高斯模型的均值、子高斯模型的方差以及各子高斯模型在混合高斯模型中的權重。

7.如權利要求6所述的基于機器學習的漏速概率分布預測方法，其特征在于，所述混合密度神經網絡模型的表達式為：

其中，P(r|s)為在s條件下r發生的概率密度，N()表示高斯概率分布，r為漏速，s為綜合錄井參數，ω_g(s)，μ_g(s)和分別為第g個高斯概率分布模型的權重、均值和方差，G是子高斯模型的個數。

8.如權利要求6所述的基于機器學習的漏速概率分布預測方法，其特征在于，所述不確定性包括由模型本身與數據實際模型之間的誤差所引起的不確定性和由數據的變化所引起的不確定性。

9.如權利要求6所述的基于機器學習的漏速概率分布預測方法，其特征在于，所述混合密度神經網絡模型的方差Var(r^*|s^*)為：

其中，r^*為漏速，s^*為綜合錄井參數，E()為對應高斯分布的期望，α_i和μ_i分別為第i個子高斯模型對應的權重與均值。

10.一種基于機器學習的漏速概率分布預測系統，其特征在于，包括：

降維模塊，用于對錄井數據進行降維處理；

模型訓練模塊，用于將經過降維處理的錄井數據進行歸一化，采用經過歸一化的數據對混合密度神經網絡模型進行訓練；

不確定性計算模塊，用于計算所述混合密度神經網絡模型的不確定性，獲得所述混合密度神經網絡模型的方差；

預測模塊，用于根據所述方差調整漏速范圍，獲得漏速概率分布情況。