跨区块钻井造斜率预测方法、装置、设备、介质及产品与流程

摘要: 本发明涉及钻井,特别地涉及一种跨区块钻井造斜率预测方法、装置、设备、介质及产品。背景技术:1、准确预测造斜率对于提前规划井眼轨迹、确保钻井过程符合设计要求、避免...
跨区块钻井造斜率预测方法、装置、设备、介质及产品与流程

本发明涉及钻井,特别地涉及一种跨区块钻井造斜率预测方法、装置、设备、介质及产品。

背景技术:

1、准确预测造斜率对于提前规划井眼轨迹、确保钻井过程符合设计要求、避免井眼轨迹偏离目标区域具有重要意义。这不仅能够减少钻井过程中的调整次数,降低钻井时间和成本,还能避免因造斜率预测不准确导致的井眼轨迹复杂化,降低卡钻、井漏等事故风险。

2、本领域存在如何提高跨区块钻井造斜率预测精度的技术问题。

技术实现思路

1、本发明提供一种跨区块钻井造斜率预测方法、装置、设备、介质及产品,解决了如何提高跨区块钻井造斜率预测精度的技术问题。

2、第一方面,本发明提供了一种跨区块钻井造斜率预测方法,方法包括:s100,基于预设地质区块的钻井数据对生成对抗网络进行训练,生成钻井数据的模拟数据;s200,基于遗传算法对卷积神经网络的网络结构进行优化,得到遗传算法优化的卷积神经网络;s300,基于钻井数据以及模拟数据对遗传算法优化的卷积神经网络的网络权重进行更新,得到预训练模型;s400,基于目标地质区块的样本数据对预训练模型进行调整,得到适应目标地质区块的神经网络模型用于钻井造斜率的预测。

3、在一些实施例中,方法还包括:s500,将采集自目标地质区块的钻井数据输入适应目标地质区块的神经网络模型进行钻井造斜率的预测。

4、在一些实施例中,方法还包括:s600,将适应目标地质区块的神经网络模型部署至边缘设备和/或云端平台,以进行钻井造斜率的预测。

5、在一些实施例中,s100,基于预设地质区块的钻井数据对生成对抗网络进行训练,生成钻井数据的模拟数据的步骤,包括:s101,构建生成对抗网络模型,其中,生成对抗网络模型包括生成器和判别器,其中生成器用于生成模拟数据,判别器用于区分预设地质区块的钻井数据与生成的模拟数据;s102,基于预设地质区块的钻井数据训练生成对抗网络模型,直至生成的模拟数据与预设地质区块的钻井数据的分布接近;s103,利用训练好的生成对抗网络模型生成与钻井数据的分布接近的模拟数据。

6、在一些实施例中,s200,基于遗传算法对卷积神经网络的网络结构进行优化,得到遗传算法优化的卷积神经网络的步骤,包括:s201,随机生成一组初始网络结构的卷积神经网络作为初始种群;s202,基于预设的适应度函数评估初始种群中每个网络结构的性能,得到网络结构最优的卷积神经网络。

7、在一些实施例中,s300,基于钻井数据以及模拟数据对遗传算法优化的卷积神经网络的网络权重进行更新,得到预训练模型的步骤,包括:s301,从钻井数据以及模拟数据中选出训练集,并对遗传算法优化的卷积神经网络赋予初始网络权重;s302,将训练集输入卷积神经网络,利用反向传播算法更新卷积神经网络的网络权重得到预训练模型。

8、第二方面,本发明提供了一种跨区块钻井造斜率预测装置,装置包括:生成对抗模块,用于基于预设地质区块的钻井数据对生成对抗网络进行训练,生成钻井数据的模拟数据;遗传优化模块,用于基于遗传算法对卷积神经网络的网络结构进行优化,得到遗传算法优化的卷积神经网络;预训练模块,用于基于钻井数据以及模拟数据对遗传算法优化的卷积神经网络的网络权重进行更新,得到预训练模型;迁移学习模块,用于基于目标地质区块的样本数据对预训练模型进行调整,得到适应目标地质区块的神经网络模型用于钻井造斜率的预测。

9、第三方面,本发明提供了一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序以实现上述方面任一项跨区块钻井造斜率预测方法的步骤。

10、第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方面任一项跨区块钻井造斜率预测方法的步骤。

11、第五方面,本发明提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方面任一项跨区块钻井造斜率预测方法的步骤。

12、本发明提供了一种跨区块钻井造斜率预测方法、装置、设备、介质及产品,其中方法包括:s100,基于预设地质区块的钻井数据对生成对抗网络进行训练,生成钻井数据的模拟数据;s200,基于遗传算法对卷积神经网络的网络结构进行优化,得到遗传算法优化的卷积神经网络;s300,基于钻井数据以及模拟数据对遗传算法优化的卷积神经网络的网络权重进行更新,得到预训练模型;s400,基于目标地质区块的样本数据对预训练模型进行调整,得到适应目标地质区块的神经网络模型用于钻井造斜率的预测;能够提高跨区块钻井造斜率预测的精度。

1.一种跨区块钻井造斜率预测方法,其特征在于,所述方法包括:

2.根据权利要求1所述的跨区块钻井造斜率预测方法,其特征在于,所述方法还包括:

3.根据权利要求1或2所述的跨区块钻井造斜率预测方法,其特征在于,所述方法还包括:

4.根据权利要求1所述的跨区块钻井造斜率预测方法,其特征在于,所述s100,基于预设地质区块的钻井数据对生成对抗网络进行训练,生成钻井数据的模拟数据的步骤,包括:

5.根据权利要求1所述的跨区块钻井造斜率预测方法,其特征在于,所述s200,基于遗传算法对卷积神经网络的网络结构进行优化,得到遗传算法优化的卷积神经网络的步骤,包括:

6.根据权利要求1所述的跨区块钻井造斜率预测方法,其特征在于,所述s300,基于钻井数据以及模拟数据对遗传算法优化的卷积神经网络的网络权重进行更新,得到预训练模型的步骤,包括:

7.一种跨区块钻井造斜率预测装置,其特征在于,所述装置包括:

8.一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1至6中任一项所述跨区块钻井造斜率预测方法的步骤。

9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述跨区块钻井造斜率预测方法的步骤。

10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述跨区块钻井造斜率预测方法的步骤。