一种面向海上石油钻井的深度可迁移多因子事故预警方法及系统与流程

1.本发明涉及海上石油钻井安全监测技术领域，更具体地，涉及一种面向海上石油钻井的深度可迁移多因子事故预警方法及系统。


背景技术：

2.海上石油钻井是一项复杂的地下工程，钻井过程中伴随着大量随机不可控的因素。由地层结构、水文、钻井工艺、油气分布等诸多原因造成的钻井事故，严重威胁着钻井安全，严重的事故会造成巨大的经济损失。实时检测、准确预警钻井事故一直是海上石油钻井领域的强硬需求，对该项技术的研究对于保障钻井安全、降低成本和提高效益具有重要的意义。目前该项技术现有的方法大多基于异常检测，此类方法利用在一段时间内单个或少数几个单属性因子的值的异常波动来定义异常给出预警，基于这种原理的方法有如下几个缺点，(1)仅考虑单个或少数几个关键因子值的异常波动来进行事故的预警，此种简单表述异常特征的方法容易造成虚警率高或者预警置信度低；(2)无法将单个或少数几个属性因子的异常波动与事故的发生有效地联系起来，事故发生可能性的预估仍需人为介入进行判断；3)在不同数据环境下需要设计不同的参数体系，可迁移性较差。
3.中国专利cn109508827a公开了一种基于时间递归神经网络的钻井事故预警模型，通过构建时间递归神经网络模型，随机选取部分标注的时序数据作为训练集，具体输入为各特征的组合和时间窗口的选取，并对模型进行训练，预测输出一分钟后的事故发生概率与事故发生的类型。该方案中采用同时考虑多个属性因子进行事故预警，但其多个属性因子是随机的，并非经过挑选的与事故关联性较高的属性因子，然后通过对这些随机的属性因子进行训练及预测获取预警，因此，该预警结果缺乏数据针对性，使整个预测模型杂音太多，容易造成虚警率高。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种应用在海上石油钻井上且可针对多个导致事故发生的关键因子进行筛选后用于预测事故发生的预警方法。
5.为解决上述技术问题，本发明采用的技术方案是：
6.提供一种海上石油钻井的事故预警方法，包括以下具体步骤：
7.s1：根据海上石油钻井事故与各钻井数据单属性因子在时序维度的关联分析，确定事故与各单属性因子的相关性程度；
8.s2：根据海上石油钻井事故与各单属性因子的相关性程度大小，挑选相关性较高的多个因子作为关键因子；
9.s3：利用长短时序记忆网络，预测步骤s2选定的多个关键因子的数据走向；
10.s4：综合考虑多个关键因子之间的联系以及多个关键因子在时序维度的信息，结合步骤s3的预测数据，利用深度学习网络表述数据的深度特征；
11.s5：根据步骤s4提取的深度特征，训练可迁移的多因子检测器，实现面向海上石油钻井的深度可迁移多因子事故预测。
12.本发明通过筛选出多个与卡钻事故相关的单属性因子作为关键因子，然后将这些关键因子结合起来，进行数据走向预测分析，最终获得预测结果实现面向海上石油钻井的事故预测；本发明的事故预警方法综合了多种海上石油钻井事故发生的关键因子，可避免某单属性因子的异常而造成的虚警率高的现象，进一步提升了预测的准确性，而且，现实中海上石油钻井事故的发生也是由于多因素导致的，而非单因素造成的，本发明具有现实意义；同时，本发明将若干关键因子准确地提取出来，还可以作为后续对这些关键因子进行深入研究的基础，探索多个关键因子与海上石油钻井事故发生之间的联系。
13.进一步地，在步骤s1中，采用相关性分数来衡量海上石油钻井事故与各单因子的相关性程度，具体步骤如下：
14.s11：获取在海上石油钻井事故发生前后的数据分布及进行分类，得到海上石油钻井事故发生前后的数据集合；
15.s12：基于在海上石油钻井事故发生前后的数据分布不一样的原则，以时间距离为衡量标准判定海上石油钻井事故发生前的数据集合与海上石油钻井事故发生后的数据集合的可区分度；
16.s13：通过时间序列与可区分度确定海上石油钻井事故与各钻井数据单属性因子的相关性分数，进而确定相关性程度。
17.进一步地，数据集合的可区分度判定公式如下：
[0018][0019]
i
r
(x,a1,a2)＝1 when x∈a
i
&&nn
r
(x,a)∈a
i
,a＝a1∪a2，
[0020]
i
r
(x,a1,a2)＝0 when otherwise，
[0021]
其中a1为海上石油钻井事故发生前或发生后的时间序列的集合，a2为对整个时间序列数据随机采样的子序列的集合，x为海上石油钻井事故发生前的数据集合或海上石油钻井事故发生后的数据集合中的时间序列，对a＝a1∪a2，x∈a，nn
r
(x,a)表示a
‑
{x}中距离x最近的第r个元素；i
r
(x,a1,a2)表示x与x的第r个距离最近的元素是否在同一个子集内；t
r,p
表示a1与a2不属于同一种数据分布的概率，其中p为集合a的大小，r表示x第r个最近的元素的索引，如果t
r,p
小，则说明两类数据a1,a2无区分度；如果t
r,p
大，则说明两类数据a1，a2有区分度。
[0022]
进一步地，在步骤s2中得到关键因子具体步骤如下：
[0023]
s21：将所述各钻井数据单属性因子的相关性分数按照从高到低进行排序；
[0024]
s22；设定相关性分数阈值，然后筛除出所有高于相关性分数阈值的各钻井数据单属性因子作为关键因子。
[0025]
进一步地，在步骤s3中预测结果的获取具体步骤如下：
[0026]
s31：划分记忆单元：将长短时序记忆网络划分为多个记忆单元，
[0027]
s32：对记忆单元进行预测：对每个关键因子的每个记忆单元进行预测；
[0028]
s33：获取预测结果：将各记忆单元的预测信息收集起来即可得到每个关键因子的预测信息，然后进行汇总得到预测结果。
[0029]
进一步地，所述步骤s32中记忆单元的预测公式如下：
[0030]
(h
t
,c
t
)＝h(h
t
‑1,x
t
,c
t
‑1)
[0031]
其中h
t
‑1为记忆单元上一时刻的输出数据，c
t
‑1为记忆单元上一时刻的记忆状态，x
t
为当前时刻输入的各关键因子的数据，h
t
为记忆单元下一时刻的预测的数据，c
t
为记忆单元当前的记忆状态。
[0032]
进一步地，所述h
t
，c
t
的具体计算公式为：
[0033]
f
t
＝σ(w
f
[h
t
‑1,x
t
] b
f
)，
[0034]
i
t
＝σ(w
i
[h
t
‑1,x
t
] b
i
)，
[0035]
o
t
＝σ(w
o
[h
t
‑1,x
t
] b
o
)，
[0036][0037][0038]
h
t
＝o
t
*tanh(c
t
)，
[0039]
其中w
f
、w
i
、w
o
、w
c
分别表示在计算过程中不同位置的单个神经元学习的权重，b
f
、b
i
、b
o
、b
c
分别表示在计算过程中不同位置的单个神经元的偏移量，tanh为神经网络的激活函数，其函数的定义如下：
[0040][0041][0042]
进一步地，在步骤s4中数据深度特征获取的具体步骤如下：
[0043]
s41：构建训练样本及特征提取网络；
[0044]
s42：将训练样本数据带入特征提取网络，获取数据深度特征。
[0045]
进一步地，还包括针对面向海上石油钻井的深度可迁移多因子事故预警下一次预测结果的优化步骤，优化步骤通过本次的预测结果对下一次的预测结果进行优化提升，具体如下：
[0046]
s61：构建多因子检测器；
[0047]
s62：进行检测器训练，利用深度特征计算所述预测结果的损失函数；
[0048]
s63：在所述的损失函数中，增加动态调整样本损失权重的系数函数；
[0049]
s64：通过系数函数对所述预测模型进行优化，以提升预测结果的准确性。
[0050]
本发明还提供一种海上石油钻井的事故预警系统，包括依次电连接的关联性分析模块、关键因子筛选模块、深度特征表述模块、数据预测模块。
[0051]
优选地，还包括可以用于优化所述预测模型的多因子检测模块，所述多因子检测模块与所述数据预测模块、所述关联性分析模块电连接。
[0052]
与现有技术相比，本发明的有益效果是：
[0053]
(1)综合考虑海上石油钻井数据中多种单属性因子之间的联系以及多种单属性因子在时序维度的信息，利用深度学习的方法表述数据立体的、深层的、高语义的特征，大大降低了虚警率，提高了预警的可信度；
[0054]
(2)利用海上石油钻井事故发生点附近的关键语义信息，提取海上石油钻井事故发生前的异常数据特征，将关键因子的异常波动与海上石油钻井事故的发生有效地联系起来，实现智能预警，无需人为介入；
[0055]
(3)基于多个关键因子预测与多个关键因子检测，利用深度学习的方法训练了一个深度可迁移的多因子事故预测模型，提高了模型的可迁移性。
附图说明
[0056]
图1为本发明一种海上石油钻井的事故预警方法的流程图；
[0057]
图2为本发明一种海上石油钻井的事故预警的结构框图；
[0058]
图3为海上石油钻井事故与各单属性因子关联分析的结果示意图；
[0059]
图4为在b口井上模型迁移的实验结果图；
[0060]
图5为在c口井上模型迁移的实验结果图；
具体实施方式
[0061]
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0062]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0063]
实施例1
[0064]
如图1所示为本发明一种海上石油钻井的事故预警方法的第一实施例，包括以下具体步骤：
[0065]
s1：根据海上石油钻井事故与各钻井数据单属性因子在时序维度的关联分析，确定事故与各单属性因子的相关性程度；
[0066]
s11：获取在海上石油钻井事故发生前后的数据分布及进行分类，得到海上石油钻井事故发生前后的数据集合；
[0067]
s12：基于在海上石油钻井事故发生前后的数据分布不一样的原则，以时间距离为衡量标准判定两个数据集合的可区分度；
[0068]
基于在海上石油钻井事故发生前后的数据分布不一样的原则的表述如下：
[0069][0070]
其中，s为时间序列，e
i
为某个海上石油钻井事故，表示时间序列s在海上石油钻井事故e
i
之前的长度为k的子序列；表示时间序列s在事故e
i
之后的长度为
k的子序列，γ
front
为海上石油钻井事故发生前的时间子序列数据集合，γ
rear
为海上石油钻井事故发生后的时间子序列数据集合，即在海上石油钻井事故发生前后的数据分布应该是不一样的。
[0071]
判定两个数据分布是否相同的衡量标准为距离，更进一步基于该衡量标准定义了如下判定两个数据集合可区分度的公式：
[0072][0073]
i
r
(x,a1,a2)＝1 when x∈a
i
&&nn
r
(x,a)∈a
i
,a＝a1∪a2，
[0074]
i
r
(x,a1,a2)＝0 when otherwise；
[0075]
其中a1为海上石油钻井事故发生前或发生后的时间序列的集合，a2为对整个时间序列数据随机采样的子序列的集合，x为海上石油钻井事故发生前的数据集合或海上石油钻井事故发生后的数据集合中的时间序列，对a＝a1∪a2，x∈a，nn
r
(x,a)表示a
‑
{x}中距离x最近的第r个元素；i
r
(x,a1,a2)表示x与x的第r个距离最近的元素是否在同一个子集内；t
r,p
表示a1与a2不属于同一种数据分布的概率，其中p为集合a的大小，r表示x第r个最近的元素的索引，如果t
r,p
小，则说明两类数据a1,a2无区分度；如果t
r,p
大，则说明两类数据a1，a2有区分度。
[0076]
s13：通过时间序列与可区分度确定海上石油钻井事故与各钻井数据单属性因子的相关性分数，进而确定相关性程度。
[0077]
s2：根据海上石油钻井事故与各单属性因子的相关性程度大小，挑选相关性较高的多个因子作为关键因子；
[0078]
s21：将各钻井数据单属性因子的相关性分数按照从高到低进行排序；
[0079]
s22；设定相关性分数阈值，然后筛除出所有高于相关性分数阈值的各钻井数据单属性因子作为关键因子。
[0080]
选取相关性分数最高的k个单属性因子作为关键因子；
[0081]
s3：利用长短时序记忆网络，预测步骤s2选定的多个关键因子的数据走向；
[0082]
s31：划分记忆单元：将长短时序记忆网络划分为多个记忆单元；
[0083]
利用长短序记忆网络预测多个关键因子的数据走向，长短时序记忆网络由多个记忆单元组成，根据每个时刻预测的数据量不同，网络的记忆单元的数量也不同；
[0084]
s32：对记忆单元进行预测：对每个关键因子的每个记忆单元进行预测，公式如下：
[0085]
(h
t
,c
t
)＝h(h
t
‑1,x
t
,c
t
‑1)，
[0086]
其中h
t
‑1为记忆单元上一时刻的输出数据，c
t
‑1为记忆单元上一时刻的记忆状态，x
t
为当前时刻输入的各关键因子的数据，h
t
为记忆单元下一时刻的预测的数据，c
t
为记忆单元当前的记忆状态；
[0087]
而h
t
，c
t
的具体计算公式为：
[0088]
f
t
＝σ(w
f
[h
t
‑1,x
t
] b
f
)，
[0089]
i
t
＝σ(w
i
[h
t
‑1,x
t
] b
i
)，
[0090]
o
t
＝σ(w
o
[h
t
‑1,x
t
] b
o
)，
[0091]
[0092][0093]
h
t
＝o
t
*tanh(c
t
)，
[0094]
其中w
f
、w
i
、w
o
、w
c
分别表示在计算过程中不同位置的单个神经元学习的权重，b
f
、b
i
、b
o
、b
c
分别表示在计算过程中不同位置的单个神经元的偏移量，tanh为神经网络的激活函数，f其函数的定义如下：
[0095][0096][0097]
s33：获取关键因子的数据走向：将各记忆单元的预测结果收集起来即可得到每个关键因子的预测信息，然后进行汇总得到所有关键因子的数据走向。
[0098]
s4：综合考虑多个关键因子之间的联系以及多个关键因子在时序维度的信息，结合步骤s3的预测数据，利用深度学习网络表述数据的深度特征；
[0099]
s41：构建训练样本；
[0100]
利用步骤s22中确定的k个关键因子，对每个关键因子在时间序列上选取连续的w个数据点构建一个样本，样本大小为k*w，其中，通过取各个关键因子每w个连续的时间点的数据作为一个样本，数据点之间的时间间隔根据源数据的采样频率而定；
[0101]
构建特征提取网络；
[0102]
特征提取网络是由一个两层的卷积层构成，卷积核的大小分别为7和3，每个卷积层输出通过一个激活函数，最终两个卷积的输出通过一个卷积核为2的最大池化层，完成多个关键因子
‑
时序深度特征提取；
[0103]
s42：将训练样本数据带入特征提取网络，获取数据深度特征；
[0104]
数据深度特征是指得到综合考虑多个关键因子之间的联系及时序信息深度的、立体的语义特征。
[0105]
s5：根据步骤s4提取的深度特征，训练可迁移的多因子检测器，实现面向海上石油钻井的深度可迁移多因子事故预测。
[0106]
进一步地，还包括针对面向海上石油钻井的深度可迁移多因子事故预警下一次预测结果的优化步骤，具体如下：
[0107]
s61：构建多因子检测器；
[0108]
本方案中可迁移的多因子检测器由两层连续的神经网络构成，神经元个数分别为784和64；
[0109]
s62：进行检测器训练，利用深度特征计算预测结果的损失函数；
[0110]
利用训练样本训练检测器，采用反向传播的方式指导网络提取用于检测事故发生前的深度特征，反向传播过程中用于计算预测结果的损失函数定义为：
[0111][0112]
其中y
i
表示样本的标注，y
i
的取值为0或1，(0为负样本，表示包含事故的数据，1为正样本，)和p
i
表示样本被预测为正样本的概率，pi取值是0～1的一个小数，n表示预测样本
的数目。
[0113]
s63：在的损失函数中，增加动态调整样本损失权重的系数函数；
[0114]
动态调整样本损失权重的系数函数设立的目的是为了平衡样本的极度不平衡，该函数定义为：
[0115]
r＝{r
i
|1≤i≤n},r
max
＝max r
[0116][0117]
r表示不同类别样本数量的集合，其中r
i
表示第i类样本的数量，max为求最大值的函数，b表示不同类别样本损失的权重系数，l
i
表示第i类样本预测结果的损失；
[0118]
s64：通过系数函数对预测模型进行优化，以提升预测结果的准确性。
[0119]
上述优化步骤应用于前期训练模式中，可以针对预测结果的准确性进行调整，缩小预测结果与实际结果之间的偏差，使整个预测模型得到优化，进而缩小在后续实际使用过程中预测结果与实际结果之间的偏差。
[0120]
实施例2
[0121]
以下为本发明一种海上石油钻井的事故预警方法第二实施例，本实施例与实施例1类似，所不同之处在于，在步骤s1中提取关键因子的方法不同，可以用以下方法代替步骤s11至s13以用于提取关键因子。
[0122]
公式如下：
[0123][0124]
其中，x
t
为用于计算自相关性的时间序列数据，x
t
‑1表示t
‑
1时刻的时间序列，
n
为时间序列的长度，μ为该时间序列的均值，σ2为该时间序列的方差，l表示滞后值，整个等式的值是表示单属性因子的相关性分数；若在海上石油钻井事故发生附近时间序列中，该公式计算出的自相关性大，表示与海上石油钻井事故的关联层度低；若在海上石油钻井事故发生附近的时间序列中，该公式计算出的自相关性小，表示与海上石油钻井事故的关联层度高。
[0125]
需要说明的是，本实施例是在上述实施例1的基础上进行的说明的，在本实施例2中确定实施例1中提到的海上石油钻井事故与各单属性因子的关联性，对于已知发生海上石油钻井事故的数据，取海上石油钻井事故发生前后的时间序列数据进行自相关性分析，根据上述公式可以计算各单属性因子的自相关性系数，从而确定海上石油钻井事故与各单属性因子的关联性。
[0126]
实施例3
[0127]
以下为本发明一种海上石油钻井的事故预警方法第三实施例，本实施例与实施例1类似，所不同之处在于，在步骤s2中，确定关键因子的方法不同，可用以下方法代替步骤s21至s22，具体地，结合人为经验对于不同单属性因子赋予不同的权重，对与海上石油钻井事故关联可信度较高单属性因子赋予较高的权重，对与海上石油钻井事故关联可信度不确定的赋予较低的权重，然后计算不同单属性因子集和的权重值，关键因子的确定可通过如下公式：
[0128][0129]
其中，h为所有数据单属性因子的集和，h
k
为h的一个子集，k表示该子集中单属性因子的数量，为一个固定的常数，h
i
为一个单属性因子，p为权重函数，p(h
i
)表示单属性因子h
i
的权重，max为求最大值的函数。
[0130]
实施例4
[0131]
以下为本发明一种海上石油钻井的事故预警方法第四实施例，本实施例与实施例1类似，所不同之处在于，在步骤s3中获取关键因子的数据走向的方法不同，可用以下方法代替步骤s31至s33：
[0132]
sa：利用循环神经网络预测各个关键因子的数据走向，循环神经网络由神经元组成，根据每个时刻预测的数据量不同，网络的记忆单元的数量也不同，单个记忆单元的预测公式定义为：
[0133]
h
t
＝f(h
t
‑1,x
t
)，
[0134]
其中h
t
‑1为神经元上一时刻的输出，x
t
为当前时刻输入的各关键因子的数据，h
t
为该记忆单元预测的下一时刻的数据；
[0135]
其中，h
t
的具体计算公式为：
[0136]
h
t
＝tanh(w
h
[h
t
‑1,x
t
] b
h
)
[0137]
其中w
h
，b
h
为单个神经元学习的权重和偏移量，tanh为神经网络的激活函数，其函数的定义如下：
[0138][0139]
sb：将步骤sa中各个神经元的输出收集起来即可得到所有关键因子的数据走向。
[0140]
以下是利用真实海上石油钻井数据验证本发明技术方案的有效性。选取了海上石油发生的较多类型事故中的卡钻事故，共有a,b,c三口发生卡钻事故的钻井数据，每口井数据中包含39种不同的单属性因子，记过卡钻事故与各单属性因子的关联层度分析结果如附图3所示：
[0141]
选取其中关联层度最高的14个单属性因子{x1,x2,
…
,x
14
}作为关键因子，主要包括tva泥浆池体积,mfia入口泥浆流量,mfop泥浆池流量,sppa泵压,bpos大勾高度,mtia入口泥浆温度,tvca泥浆池体积变化,hkla大勾悬重,tqa扭矩,rpma转盘转速,dbtm钻头深度等因子。
[0142]
利用选取出来的14个单属性因子分别在a,b,c三口井上构建数据样本，然后再a井的数据上训练模型，并直接把模型迁移到b，c两口井上进行实验，实验结果如图4、图5所示，图4和图5中横轴表示模型在训练集上的训练次数，纵轴表示每次模型训练后在测试集上的测试精度。
[0143]
b,c数据上的实验，均选取真实海上石油钻井事故发生前的一段数据对模型进行测试，实验结果如图所示，模型均在真实海上石油钻井事故发生之前检测到事故的发生，给出预警，说明了本发明的有效性。
[0144]
实施例5
[0145]
如图2所示为本发明一种海上石油钻井的事故预警系统的实施例，包括依次电连接的关联性分析模块、关键因子筛选模块、深度特征表述模块、数据预测模块。
[0146]
关联性分析模块用于对海上石油钻井事故与各钻井数据单属性因子在时序维度进行关联分析，确定海上石油钻井事故与各单属性因子的相关性程度；关键因子筛选模块用于对根据海上石油钻井事故与各单属性因子的相关性程度进行多个单属性因子筛选，确定关键因子；深度特征表述模块用于利用深度学习网络，构建关键因子之间以及多个关键因子在时序维度的立体的、深度的、高语义的特征；数据预测模块，用于借助长短时序记忆网络，预测关键因子的数据走向，获取预测结果；
[0147]
作为本发明的一个实施方式，还包括可以用于优化预测模型的多因子检测模块，多因子检测模块与数据预测模块、关联性分析模块电连接。
[0148]
多因子检测模块用于训练可迁移的多因子检测器，以进一步提升预测结果的准确性，减小预测结果与实际结果之间的偏差，数据预测模块将预测结果反馈给多因子检测模块，经过多因子检测模块比较预测结果与实际结果，然后通过损失函数和损失权重的系数函数进行调整，将调整结果反馈给关联性分析模块，使在下一次进行数据预测的时候，从源头更严格地对关键因子进行筛选，重新定义因子的相关性分数，来提升后续预测结果的准确性，在这个过程中可优化预测模型，实现面向海上石油钻井的深度可迁移多因子事故预测。通过多因子检测模块训练一个具有较好迁移能力的可检测数据异常特征的稳定的检测器，以提升预测结果的准确性，及可进一步提升预测模型的功能，使预测模型可在各种复杂的环境下检测出海上石油钻井事故发生前的异常。
[0149]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。