[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

本發明屬于油氣井工程領域，涉及一種基于機器學習的漏速概率分布預測方法和系統，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。其能夠對漏速范圍進行準確預測，并結合預測結果不確定性，為鉆井參數優化提供參考，實現漏失控制。

技術領域

本發明涉及一種基于機器學習的漏速概率分布預測方法和系統，屬于油氣井工程領域。

背景技術

漏失是鉆井工程中十分常見的事故，不僅會造成鉆井液的損失，同時可能會導致卡鉆等其他井下復雜事故，從而增加鉆井成本和鉆井周期。因此漏失問題是鉆井工程中面臨的一大難題。

此前已有許多專家學者，就鉆井漏失問題提出了漏失的預測、診斷和控制的模型與方法。這些模型主要可以分為兩大類，即經驗模型和數學模型。經驗模型建立方法簡單，針對特定的問題適應性較強，通過相關性分析，采用二元回歸方法擬合經驗公式，進行漏失診斷、預測及控制。經驗模型需要大量的漏失數據作為基礎，因此其通用性和準確性受到了限制。數學模型基于對物理現象的抽象和描述，使得通用性和準確性大大提高，也成為研究漏失問題的主要方法，但數學模型中個別參數的選取存在不確定性，且在不同條件下求解獲得的結果也大相徑庭，與實際結果差異較大。近年來隨著人工智能技術的發展，也有不少專家從人工智能相關技術著手，進行漏失的研究。目前基于人工智能技術對漏失的研究主要分為兩類，即預測和診斷。在漏失預測方面，主要是基于機器學習技術，結合地震屬性數據，利用測井數據實現漏失數據與地震數據的連接，進行漏失風險的概率預測。在漏失診斷方面，主要是利用錄井數據，運用機器學習方法以漏速為標簽，進行漏失診斷，判斷漏失是否會發生。也有進行漏速預測的，但預測得到的大多是單一漏速值，與真實的漏速往往有一定偏差，并不是十分準確。

發明內容

針對上述問題，本發明的目的是提供一種基于機器學習的漏速概率分布預測方法和系統，其能夠對漏速范圍進行準確預測，并結合預測結果不確定性，為鉆井參數優化提供參考，實現漏失控制。

為實現上述目的，本發明采取以下技術方案：一種基于機器學習的漏速概率分布預測方法，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計算混合密度神經網絡模型的不確定性，獲得混合密度神經網絡模型的方差；S4根據方差調整漏速范圍，獲得漏速概率分布情況。

進一步，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，選出與漏速相關性最高的特征參數，作為漏速預測的特征參數。

進一步，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。

進一步，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。

進一步，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按照不同的權重組合成混合高斯模型，預測得到符合混合高斯分布的漏速范圍。

進一步，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。

進一步，混合密度神經網絡模型的表達式為：