一种面向跨井溢漏监测的双粒度无监督域迁移与自适应方法

本发明涉及井工程智能监测，具体涉及一种在目标井或目标工区缺少人工标注数据的情况下，利用源井/源工区已标注钻井实时工程参数，实现跨井、跨工区溢流、井漏等溢漏风险监测模型迁移与自适应的方法。

背景技术：

1、随着油气勘探开发向深层、超深层及复杂地质构造区域推进，钻井过程中发生井漏、溢流等风险的概率和处置难度均显著增加。井漏通常表现为井筒与地层压力失衡导致钻井液向地层漏失，溢流通常表现为地层流体侵入井筒。上述风险若不能及时识别和处置，可能导致井控风险、储层污染、非生产时间增加和钻井成本上升。

2、现有钻井风险监测方法主要包括基于规则推理的方法和基于人工智能的方法。基于规则推理的方法依赖专家经验、固定阈值或模糊规则，部署成本较低，但在复杂工况下难以覆盖不同设备配置、不同地质层位和不同作业制度导致的多样化数据分布。基于人工智能的方法可利用立管压力、套管压力、入口流量、出口流量、泥浆罐体积、钻压、大钩载荷等多源实时工程参数训练模型，对溢流、漏失及正常工况进行识别。

3、然而，已有人工智能模型在跨井或跨工区应用时通常面临两类问题。第一，不同井位、不同工区和不同层位之间存在设备配置、地质条件、钻井液性能和作业制度差异，导致源域与目标域之间的全局数据分布发生偏移。第二，同一目标井内部不同层位、不同工况类别之间也可能存在局部分布差异，仅进行整体分布对齐容易造成类别混淆。第三，目标井通常在实际部署初期缺少可靠人工标签，难以直接使用有监督训练方式重新训练模型。

4、现有无监督域适应方法，如基于最大均值差异的dan方法、基于协方差对齐的coral方法、基于特征谱结构约束的bsp方法等，能够在一定程度上减小源域与目标域的整体差异，但多数方法主要关注全局域分布对齐，未充分利用目标域样本的类别结构信息。当不同类别样本在目标域内发生局部偏移时，全局对齐可能将不同类别样本拉近，造成溢流、漏失和正常工况之间的特征边界不清，从而影响跨域监测精度和虚警率。

技术实现思路

1、本发明提供一种面向跨井溢漏监测的双粒度无监督域迁移与自适应方法，用于解决深度学习溢漏监测模型在目标井无标签、源域与目标域分布不一致、以及域内不同工况类别局部分布差异明显时迁移性能下降的问题。

2、本发明通过多源钻井工程参数的自注意力特征融合、域间对抗性粗粒度对齐以及域内同类最大均值差异细粒度对齐，使模型在无需目标井人工标注数据的情况下学习兼具任务可分性和域不变性的特征表示，从而提升模型在新井位或新工区上的溢流、漏失等风险工况识别能力。

3、为解决上述技术问题，本发明采用如下技术方案：

4、一种面向跨井溢漏监测的双粒度无监督域迁移与自适应方法，包括：

5、获取已标注的源域多源钻井工程参数序列及未标注的目标域多源钻井工程参数序列；对源域和目标域的多源钻井工程参数序列分别进行滑动窗口切分，得到源域和目标域的多源参数窗口；

6、通过共享的自注意力深度特征提取器，将源域和目标域的多源参数窗口分别映射为源域深层特征和目标域深层特征；

7、利用工况分类器对源域深层特征进行监督分类，并采用域判别器结合梯度反转层对源域深层特征和目标域深层特征进行对抗性域间粗粒度对齐；

8、根据分类器对目标域多源钻井工程参数序列样本的输出概率，筛选置信度不低于阈值的样本并赋予伪标签，基于源域真实标签与伪标签，对每一工况类别构建同类样本子集，计算再生核希尔伯特空间中的最大均值差异损失，实现域内细粒度对齐；

9、以分类损失、对抗损失和最大均值差异损失的加权和作为总损失，联合优化特征提取器、分类器和域判别器，直至收敛；

10、将训练后的特征提取器和分类器部署于目标井，用于实时工况识别与溢漏预警。

11、在其中一个实施例中，所述多源钻井工程参数包括立管压力、套管压力、入口流量、出口流量、泥浆罐体积、钻压、大钩载荷、转盘扭矩、机械钻速、泵冲、钻头位置、井深、钻井液密度和钻井液黏度中的一种或多种。

12、在其中一个实施例中，所述通过共享的自注意力深度特征提取器，将源域和目标域的多源参数窗口分别映射为源域深层特征和目标域深层特征，具体包括：

13、输入多源参数窗口x后，先通过线性映射、卷积映射或循环网络映射得到隐层表示h，再构造查询矩阵、键矩阵、值矩阵，并按如下公式计算注意力输出：

14、；

15、其中，、、为可学习参数，为键向量维度；

16、注意力输出经池化层、全连接层或归一化层得到深层特征。

17、在其中一个实施例中，所述根据分类器对目标域多源钻井工程参数序列样本的输出概率，筛选置信度不低于阈值的样本并赋予伪标签，具体包括：

18、利用当前分类器对目标域多源钻井工程参数序列样本输出类别概率，取置信度，当时，将该目标域多源钻井工程参数序列样本作为高置信样本并赋予伪标签；当时，该目标域多源钻井工程参数序列样本不参与最大均值差异损失计算但仍参与域间对抗对齐；伪标签在每个训练轮次或每若干批次中动态更新，表示工况类别的索引，表示条件概率，为工况类别标签。

19、在其中一个实施例中，所述基于源域真实标签与伪标签，对每一工况类别构建同类样本子集，计算再生核希尔伯特空间中的最大均值差异损失，实现域内细粒度对齐，具体包括：

20、对于每一类别c，构建源域同类样本子集和目标域高置信同类样本子集，为源域第i个多源钻井工程参数序列样本的源域深层特征，为的真实工况标签，为目标域第i个多源钻井工程参数序列样本的目标域深层特征

21、当和均非空时，在再生核希尔伯特空间中计算两类子集的最大均值差异距离：

22、；

23、为中的样本，为中的样本，表示再生核希尔伯特空间中的范数，表示特征映射函数；

24、所有非空类别的最大均值差异损失取平均，得到域内同类粒度最大均值差异损失：

25、；

26、表示目标域高置信同类样本子集非空且源域同类样本子集非空的类别集合。

27、在其中一个实施例中，所述最大均值差异距离采用核函数形式的经验估计，具体按如下公式计算：

28、；

29、，，表示源域同类样本子集中任意两个深层特征样本，为源域同类样本的索引，表示目标域高置信同类样本子集中任意两个深层特征样本，为目标域同类样本的索引，为再生核希尔伯特空间对应的正定核函数，为源域同类样本子集的样本总数，为目标域高置信同类样本子集的样本总数。

30、在其中一个实施例中，所述以分类损失、对抗损失和最大均值差异损失的加权和作为总损失，联合优化特征提取器、分类器和域判别器，直至收敛，具体包括：

31、源域工况分类任务采用分类损失：

32、；

33、为源域多源钻井工程参数序列样本的总数，为工况类别总数，为第i个多源钻井工程参数序列样本的真实工况标签，为工况类别的索引，为分类器对源域第i个多源钻井工程参数序列样本输出的类别概率；为指示函数；

34、域判别损失为：

35、；

36、在采用梯度反转层时，将域间对抗损失记为；为目标域多源钻井工程参数序列样本的总数，为域判别器；

37、与采用相同的公式，区别在于对不同网络参数的梯度方向不同：对于域判别器参数，优化方向为最小化域判别损失；特征提取器参数接受域间对抗损失的更新，具体来说，梯度反转层使来自域判别器的梯度反向传播，等价于促使特征提取器生成域不可区分的特征；

38、；

39、总损失为：

40、；

41、和为权重系数。

42、在其中一个实施例中，所述用于实时工况识别与溢漏预警，具体包括：

43、在线部署阶段仅使用训练后的特征提取器和工况分类器，不使用域判别器；将目标井实时工程参数输入特征提取器和分类器，输出各工况类别概率，当溢流类别概率或漏失类别概率超过预设预警阈值时，输出溢漏预警信息。

44、在其中一个实施例中，所述工况类别至少包括正常、溢流和漏失三类；目标域为新井位，新工区、同一井位的新层位，或新工区、同一井位的不同作业阶段；工况识别输出为二分类异常识别或多分类识别。

45、与现有技术相比，本发明的有益技术效果是：

46、提出面向跨井/跨工区溢漏监测的双粒度无监督域适应框架，在目标域无人工标签条件下同时处理域间整体分布偏移和域内类别级局部分布偏移。

47、在多源钻井工程参数序列上引入自注意力深度特征提取器，自动学习不同参数和不同时间步对溢流、漏失等工况识别的贡献权重。

48、利用梯度反转层和域判别器实现域间粗粒度对齐，使源域与目标域特征在整体分布层面接近。

49、利用目标域高置信伪标签构建源域和目标域同类样本子集，并对同类样本子集计算最大均值差异，实现类别级细粒度对齐，降低不同工况类别被错误混合的风险。

50、通过任务分类损失、域间对抗损失和域内同类最大均值差异损失联合优化，在不依赖目标井标注数据的前提下实现跨域溢漏监测模型迁移。

51、与仅进行源域监督训练的方法相比，本发明增加了目标域无标签数据参与的域适应训练；与仅进行全局最大均值差异、协方差对齐或特征谱约束的无监督域适应方法相比，本发明进一步利用目标域高置信伪标签进行同类样本子集划分，并对同类样本进行最大均值差异细粒度对齐。因此，本发明的区别性技术特征不在于单独使用注意力、对抗训练或最大均值差异，而在于将多源钻井工程参数场景下的自注意力特征提取、域间对抗粗粒度对齐和域内同类最大均值差异细粒度对齐组合为统一训练流程。