基于TabPFN与基学习器集成的造斜率预测方法、设备及其介质
本发明涉及油气井工程,尤其涉及一种基于tabpfn与基学习器集成的造斜率预测方法、设备及其介质。
背景技术:
1、造斜率(dogleg severity, dls)是定向钻井的关键参数,用于描述井眼轨迹单位井深内的弯曲程度,其精确预测对钻井轨迹控制、井眼稳定性和钻具选型具有重要意义。现有的造斜率预测方法主要分为三类:第一类是力学模型方法,通过建立钻具组合、井壁和地层之间的受力与变形关系来推导造斜能力,例如wang等针对钻具组合中的弯外壳和稳定器几何建立了三维力学模型,tian等采用三维动态有限元方法对弯角钻具的造斜过程进行了仿真。该类方法具有较强的机理解释性,但通常依赖地层参数、接触条件及边界假设,而这些信息在现场往往难以准确获取,导致模型在复杂工况下的适用性受到限制。
2、参考文献:wang h, liu b, zhang q, et al. a new analytical model forpredicting build-up rate of push-the-bit rotary steerable system[j]. journalof petroleum science and engineering, 2020, 195: 107586。
3、tian z, he y, chen y, 等. build-up rate prediction for point-the-bitrotary steerable system based on 3d dynamic finite element method[j].processes, 2026, 14(8): 1317. doi: 10.3390/pr14081317。
4、第二类是纯数据驱动方法,包括bp神经网络、随机森林和支持向量机等。该类方法在数据充足时表现良好,但在跨井测试中容易受训练井分布影响,出现明显的精度衰减。毛星等基于bp神经网络在20口井上进行了造斜率预测,mae约0.607°/m(换算约60.700 deg/100m),但跨井泛化能力有限。白佳帅等利用autogluon自动机器学习框架在14口井上取得了mae = 0.610 deg/30m(约 2.033 deg/100m)的结果,精度仍有较大提升空间。
5、参考文献:白佳帅, 樊顺利, 王建, 等. 基于autogluon的定向井轨迹参数预测方法[j]. 石油钻探技术, 2023, 51(4): 87-95。
6、毛星, 岳步江, 宋殿光, 等. 基于bp神经网络的推靠式旋转导向系统造斜率预测方法研究[j]. 石油管材与仪器, 2026, 12(1): 50-56. doi: 10.19459/j.cnki.61-1500/te.2026.01.008。
7、第三类是机理-数据融合方法,将力学参数作为机器学习模型的输入特征并在损失函数中加入力学约束。li等在准噶尔盆地18口水平井上利用digru模型结合力学约束取得了mae = 0.310 deg/30m(约 1.033 deg/100m)的结果。然而,该方法在小样本多模态缺失和跨井迁移场景下仍缺少稳定的实现路径。
8、参考文献:li j, zhang s, wang h, et al. prediction of build-up rate inhorizontal wells based on digru with mechanical constraints[j]. petroleumexploration and development, 2023, 50(2): 1-12。
9、近年来,以tabpfn为代表的表格数据小样本学习器受到关注。tabpfn是一种基于transformer的预训练模型,在大量合成任务上学习先验推断能力,在中小规模结构化数据的新任务上具有较强的零训练推断能力。然而,将tabpfn应用于造斜率预测任务面临两个核心难题:一是缺少面向造斜率任务的跨井迁移机制,tabpfn的先验偏向通用合成任务,难以直接吸收领域测斜数据的统计规律;二是缺少与基学习器协同的集成策略,tabpfn单独使用在多模态缺失条件下稳定性不足。
10、因此,亟需研发一种能够融合大样本测斜预训练先验与小样本多模态微调的造斜率预测方法,以解决现有方法在跨井迁移和小样本条件下的精度不足问题。
技术实现思路
1、本发明要解决的技术问题是:为了解决现有技术在跨井迁移和小样本条件下的精度不足的技术问题,本发明提供一种基于tabpfn与基学习器集成的造斜率预测方法,实现跨井迁移条件下的高精度造斜率预测。
2、本发明解决其技术问题所采用的技术方案是:一种基于tabpfn与基学习器集成的造斜率预测方法,所述方法包括以下步骤:
3、s1,采集同一作业环境下多口井的多源钻井数据;其中,多源钻井数据包括各井的测斜信息,以及至少两口具有witsml记录数据格式的物理井的多模态信息;
4、s2,对每个井的测斜信息进行特征工程,构建31维测斜及轨迹衍生特征;
5、s3,获取所有井的31维测斜及轨迹衍生特征,并输入至梯度提升决策树进行阶段一的预训练集成,得到第一预测值;
6、s4,将第一预测值与多模态信息进行拼接处理,得到拼接特征,将拼接特征输入至tabpfn预训练模型和lightgbm基学习器训练,得到造斜率预测值。
7、进一步,具体地,在所述步骤s5中,还设置有非负物理约束条件,确保造斜率预测值≥0。
8、进一步,具体地,所述步骤s2具体包括以下步骤
9、s21,将测斜信息按测点深度由浅至深排序,对每一测点取历史固定长度窗口,计算历史窗口内的基础特征,其中,基础特征包括井斜变化量、井深变化量以及方位角增量;
10、s22,基于井斜变化量和井深变化量,确定井斜变化率;
11、s23,基于最小曲率法,结合井斜变化率和方位角增量,获取各测点对应的局部狗腿度;
12、s24,将井斜变化量、井深变化量、方位角增量、井斜变化率局部狗腿度以及历史窗口内的统计量进行拼接处理,得到31维测斜及轨迹衍生特征。
13、进一步,具体地,所述步骤s3具体包括以下步骤:
14、s31,获取所有井的31维测斜及轨迹衍生特征,并输入至梯度提升决策树,梯度提升决策树包括xgboost、lightgbm和catboost三个基学习器,三个基学习器统一设置基学习器数量为500、树最大深度为6、学习率为0.05
15、s32,对所有井的31维测斜及轨迹衍生特征执行三次重复的以物理井为单位的留一交叉验证划分,获取全部第一候选权重组合;
16、s33,对每组第一候选权重,基于三次重复的以物理井为单位的留一交叉验证,计算mae,并求取全局平均mae;
17、s34,对比全部第一候选权重对应的平均 mae,选取平均 mae 最小的权重组合为三个基学习器的最优权重;
18、s35,使用步骤s34的最优权重对xgboost、lightgbm和catboost三个基学习器进行加权集成,输出第一预测值。
19、进一步,具体地,所述多模态信息包括:witsml实时钻井记录数据、随钻测井数据和钻具组合结构数据;
20、所述步骤s4具体包括以下步骤:
21、s41,对witsml实时钻井记录数据、随钻测井数据和钻具组合结构数据进预处理,得到witsml聚合特征、随钻测井特征以及钻具组合结构特征;
22、s42,将31维测斜及轨迹衍生特征、witsml聚合特征、随钻测井特征和钻具组合结构特征、3维模态可用性标识与第一预测值按列拼接和标准化处理,得到拼接特征;
23、s42,使用tabpfn和lightgbm基学习器在至少两口物理井的留一交叉验证划分下进行输入建模;
24、s43,以mae为优化目标对第二候选权重组合进行网格搜索,得到推荐权重0.95的tabpfn和0.05的lightgbm;
25、s44,基于推荐权重0.95的tabpfn和0.05的lightgbm加权集成,得到造斜率预测值。
26、进一步,具体地,所述方法还包括以下步骤:
27、s7,采用按物理井分组的三次重复留一交叉验证对模型精度进行评估。
28、进一步,具体地,所述井斜变化率的计算公式如下:
29、
30、式中:为井斜变化量,为井深变化量。进一步,具体地,各测点对应的局部狗腿度
dls,计算公式如下:
31、
32、式中:为井斜变化量;为经[π,π]周期修正后的方位变化量,为相邻测点平均井斜角,为井深变化量。
33、一种计算机设备,包括:
34、处理器;
35、存储器,用于存储可执行指令;
36、其中,所述处理器用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现如上所述的基于tabpfn与基学习器集成的造斜率预测方法。
37、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,使得处理器实现如上所述的基于tabpfn与基学习器集成的造斜率预测方法。
38、本发明的有益效果是,本发明的基于tabpfn与基学习器集成的造斜率预测方法。采用两阶段迁移学习框架,将大样本测斜预训练先验以第一预测值的形式注入物理井的特征空间,使tabpfn预训练模型和lightgbm基学习器在仅有少量多模态样本的条件下仍能稳定收敛;其次,以tabpfn作为主导学习器,其内置先验能够缓解每折仅2~4口训练井的样本不足问题;再次,tabpfn预训练模型和lightgbm基学习器加权集成,兼顾tabpfn的小样本推断能力和lightgbm对局部残差的稳定修正,本发明无需依赖同一口井完整连续的旋转导向或钻测时序数据,即可在样本稀缺、模态缺失的跨井场景下实现高精度预测,工程适用性更强。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com