一种测井遇阻遇卡的预测方法及装置与流程

1.本发明涉及石油天然气勘探技术领域，具体涉及一种测井遇阻遇卡的预测方法及装置。


背景技术：

2.测井技术是石油钻井到设计井深后，获得各种石油地质及工程技术资料的相关技术，作为完井和开发油田的原始资料的必要手段。根据地质和地球物理条件，合理地选用综合测井方法，可以详细研究钻孔地质剖面、探测有用矿产、详细提供计算储量所必需的数据，如油层的有效厚度、孔隙度、含油气饱和度和渗透率等，以及研究钻孔技术情况等任务。目前造成测井遇阻遇卡的原因很多，且无法精准预测，往往是依靠人工经验判断，没有形成系统的方法，如何准确预测某一特定地区的测井遇阻遇卡，对于该地区测井的顺利进行，降低施工风险，具有重要的意义。


技术实现要素：

3.针对现有技术中的问题，本发明提供的测井遇阻遇卡的预测方法及装置，可准确预测遇阻遇卡问题，为定向井钻井施工作业提供借鉴。为解决上述技术问题，本发明提供以下技术方案：
4.第一方面，本发明提供一种测井遇阻遇卡的预测方法，包括：
5.获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度；
6.利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。
7.一实施例中，所述机器学习模型为前馈式深度机器学习模型，建立所述机器学习模型的步骤包括：
8.收集所述目标区块测井数据的历史数据；
9.根据历史遇阻遇卡数据以及其对应的历史数据生成所述前馈式深度机器学习模型的标签；
10.根据信噪比大于预设数值的历史数据以及标签对所述前馈式深度机器学习模型的初始模型进行训练，以生成所述机器学习模型。
11.一实施例中，所述根据信噪比大于预设数值的历史数据以及标签对所述前馈式深度机器学习模型的初始模型进行训练，以生成所述机器学习模型，包括：
12.根据历史遇阻遇卡数据、所述历史遇阻遇卡数据对应的历史数据、所述前馈式深度机器学习模型中的可见层偏置以及隐含层偏置生成所述可见层偏置的连接权重以及隐含层偏置的连接权重，以训练所述初始模型。
13.一实施例中，所述根据历史遇阻遇卡数据、所述历史遇阻遇卡数据对应的历史数据、所述前馈式深度机器学习模型中的可见层偏置以及隐含层偏置生成所述可见层偏置的
连接权重以及隐含层偏置的连接权重，以训练所述初始模型，包括：
14.分别设置所述可见层偏置的初值、所述隐含层偏置的初值及所述连接权重的初值为三个小于预设数值的随机数；
15.将所述历史数据输入所述初始模型中；
16.进行以下迭代操作，直至所述初始模型的预测误差小于预设误差，得到所述深度信念网络模型；
17.由下向上逐层训练所述初始模型至n-1层，并将训练结果输入至所述初始模型的第n层，得到所述第n层的训练结果；其中，n为所述前馈式深度机器学习模型的训练总层数；
18.根据所述第n层的训练结果及所述历史数据计算所述预测误差；
19.当所述预测误差大于预设误差时，根据所述预测误差，由上向下逐层优化所述初始至第1层。
20.一实施例中，在建立所述机器学习模型之前，还包括：
21.将所述历史数据进行滤波；
22.将所述历史数据进行归一化；
23.去除所述历史数据中的异常值。
24.一实施例中，所述历史遇阻遇卡数据包括：立管压力、大钩载荷、井口压力、出口流量、泵冲、入口流量、钻时、井底环空压力、全烃、c1数据以及工况数据；
25.所述工况数据包括：溢流、漏失及正常。
26.第二方面，本发明提供一种测井遇阻遇卡的预测装置，包括：
27.测井数据获取单元，用于获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度；
28.遇阻遇卡预测单元，用于利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。
29.一实施例中，所述机器学习模型为前馈式深度机器学习模型，测井遇阻遇卡的预测装置还包括：模型建立单元，用于建立所述机器学习模型，所述模型建立单元包括：
30.历史数据收集模块，用于收集所述目标区块测井数据的历史数据；
31.标签生成模块，用于根据历史遇阻遇卡数据以及其对应的历史数据生成所述前馈式深度机器学习模型的标签；
32.模型训练模块，用于根据信噪比大于预设数值的历史数据以及标签对所述前馈式深度机器学习模型的初始模型进行训练，以生成所述机器学习模型。
33.一实施例中，所述模型训练模块包括：
34.初始模型训练模块，用于根据历史遇阻遇卡数据、所述历史遇阻遇卡数据对应的历史数据、所述前馈式深度机器学习模型中的可见层偏置以及隐含层偏置生成所述可见层偏置的连接权重以及隐含层偏置的连接权重，以训练所述初始模型。
35.一实施例中，所述初始模型训练模块包括：
36.随机数设置模块，用于分别设置所述可见层偏置的初值、所述隐含层偏置的初值及所述连接权重的初值为三个小于预设数值的随机数；
37.历史数据输入模块，用于将所述历史数据输入所述初始模型中；
38.迭代操作模块，用于进行以下迭代操作，直至所述初始模型的预测误差小于预设
误差，得到所述深度信念网络模型；
39.由下向上逐层训练所述初始模型至n-1层，并将训练结果输入至所述初始模型的第n层，得到所述第n层的训练结果；其中，n为所述前馈式深度机器学习模型的训练总层数；
40.根据所述第n层的训练结果及所述历史数据计算所述预测误差；
41.当所述预测误差大于预设误差时，根据所述预测误差，由上向下逐层优化所述初始至第1层。
42.一实施例中，测井遇阻遇卡的预测装置还包括：
43.数据滤波单元，用于将所述历史数据进行滤波；
44.数据归一化单元，用于将所述历史数据进行归一化；
45.异常值去除单元，用于去除所述历史数据中的异常值。
46.一实施例中，所述历史遇阻遇卡数据包括：立管压力、大钩载荷、井口压力、出口流量、泵冲、入口流量、钻时、井底环空压力、全烃、c1数据以及工况数据；
47.所述工况数据包括：溢流、漏失及正常。
48.第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现测井遇阻遇卡的预测方法的步骤。
49.第四方面，本发明提供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测井遇阻遇卡的预测方法的步骤。
50.从上述描述可知，本发明实施例提供的测井遇阻遇卡的预测方法及装置，首先获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度；利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。本发明可准确预测测井施工过程中的遇阻遇卡问题，降低复杂风险，为定向井钻井施工作业提供技术支持。
附图说明
51.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
52.图1为本技术实施例的一种测井遇阻遇卡的预测系统的第一种结构示意图；
53.图2为本技术实施例的一种测井遇阻遇卡的预测系统的第二种结构示意图；
54.图3为本发明的实施例中测井遇阻遇卡的预测方法第一种流程示意图；
55.图4为本发明的实施例中步骤300的流程示意图；
56.图5为本发明的实施例中步骤303的流程示意图；
57.图6为本发明的实施例中步骤3031的流程示意图；
58.图7为本发明的实施例中测井遇阻遇卡的预测方法第二种流程示意图；
59.图8为本发明的具体应用实例中测井遇阻遇卡的预测方法的流程示意图；
60.图9为本发明的实施例中测井遇阻遇卡的预测装置的第一种结构框图；
61.图10为本发明的实施例中测井遇阻遇卡的预测装置的第二种结构框图；
62.图11为本发明的实施例中模型建立单元的结构示意图；
63.图12为本发明的实施例中模型训练模块的结构示意图；
64.图13为本发明的实施例中初始模型训练模块的结构示意图；
65.图14为本发明的实施例中测井遇阻遇卡的预测装置的第三种结构框图；
66.图15为本发明的实施例中的电子设备的结构示意图。
具体实施方式
67.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
68.本技术提供一种测井遇阻遇卡的预测系统，该系统包含有一测井遇阻遇卡的预测装置，参见图1，该装置可以为一种服务器a1，该服务器a1可以与多个测井数据接收端b1通信连接，服务器a1还可以与多个数据库分别通信连接，或者如图2所示，这些数据库也可以之间设置在服务器a1中。其中，钻井数据接收端b1用于接收钻井过程中的立管压力、大钩载荷、井口压力、出口流量、泵冲、入口流量、钻时、井底环空压力、全烃、c1数据以及工况等数据。服务器a1在收取测井数据之后，对该测井数据进行实时预测，并将预测结果通过客户端c1显示给用户。
69.可以理解的是，测井数据接收端b1可以为一种传感器，该传感器可以为压力传感器、流量传感器、位移传感器以及气体传感器等，客户端c1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
70.在实际应用中，进行测井遇阻遇卡的预测的部分可以在如上述内容的服务器a1侧执行，即，如图1或图2所示的架构，也可以所有的操作都在客户端c1设备中完成。具体可以根据客户端设备的处理能力，以及用户使用场景的限制等进行选择。本技术对此不作限定。若所有的操作都在客户端设备中完成，客户端设备还可以包括处理器，用于进行对钻井溢流漏失工况预测结果的处理等操作。
71.上述的客户端c1设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与服务器的数据传输。服务器可以包括测井遇阻遇卡的预测一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与测井遇阻遇卡的预测服务器有通信链接的第三方服务器平台的服务器。服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
72.服务器与客户端设备之间可以使用任何合适的网络协议进行通信，包括在本技术提交日尚未开发出的网络协议。网络协议例如可以包括tcp/ip协议、udp/ip协议、http协议、https协议等。当然，网络协议例如还可以包括在上述协议之上使用的rpc协议(remote procedure call protocol，远程过程调用协议)、rest协议(representational state transfer，表述性状态转移协议)等。
73.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
74.本发明的实施例提供一种测井遇阻遇卡的预测方法的具体实施方式，参见图3，该
方法具体包括如下内容：
75.步骤100：获取目标区块待预测遇阻遇卡的测井数据。
76.可以理解的是，步骤100中的测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度。具体地，收集目标区块现场实际测井作业统计数据，为测井遇阻遇卡主控因素做准备。主要包括遇阻遇卡深度、遇阻遇卡位置泥浆密度、遇阻遇卡位置井斜、slam电缆下井次数、pcl下井次数等。
77.步骤200：利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。
78.可以理解的是，机器学习模型是指使用算法解析数据，从中学习，然后对某件事情做出决定或预测，其可以在经验学习中改善具体算法的性能，可以通过经验自动改进的计算机算法，一般用数据或者以往的经验作为优化算法的性能标准。
79.测井过程中遭遇阻、卡而导致通井处理，一直是影响测井时效的重要因素之一。由于石油地质条件复杂，经常采用小靶区、大斜度、大位移定向井技术进行勘探开发，同时近年来为了提高勘探效率，缩短工程周期而加快钻探进度，若井眼和泥浆处理不好也会造成井壁不稳定、井眼轨迹差等复杂的井眼环境，大大增加了测井施工遇阻、卡的几率。而通过机器学习的方便，并基于大量历史数据可以较为精确的预测目标工区的测井遇阻遇卡情况。
80.从上述描述可知，本发明实施例提供的测井遇阻遇卡的预测方法，首先获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度；利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。本发明可准确预测测井施工过程中的遇阻遇卡问题，降低复杂风险，为定向井钻井施工作业提供技术支持。
81.一实施例中，所述机器学习模型为前馈式深度机器学习模型，测井遇阻遇卡的预测方法还包括：步骤300：建立所述机器学习模型。参见图4，步骤300进一步包括：
82.步骤301：收集所述目标区块测井数据的历史数据；
83.具体地，收集目标区块过往发生过的遇阻遇卡时所对应的slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度。
84.步骤302：根据历史遇阻遇卡数据以及其对应的历史数据生成所述前馈式深度机器学习模型的标签；
85.步骤303：根据信噪比大于预设数值的历史数据以及标签对所述前馈式深度机器学习模型的初始模型进行训练，以生成所述机器学习模型。
86.在步骤301至步骤303中，选择信噪比高的测井数据作为样本数据，并标定出slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度作为模型训练约束条件，采用前馈式深度学习网络对样本和标签进行训练，获得配置后的机器学习模型。
87.一实施例中，参见图5，步骤303进一步包括：
88.步骤3031：根据历史遇阻遇卡数据、所述历史遇阻遇卡数据对应的历史数据、所述前馈式深度机器学习模型中的可见层偏置以及隐含层偏置生成所述可见层偏置的连接权重以及隐含层偏置的连接权重，以训练所述初始模型。
89.一实施例中，参见图6，步骤3031进一步包括：
90.步骤30311：分别设置所述可见层偏置的初值、所述隐含层偏置的初值及所述连接权重的初值为三个小于预设数值的随机数；
91.步骤30312：将所述历史数据输入所述初始模型中；
92.步骤30313：进行以下迭代操作，直至所述初始模型的预测误差小于预设误差，得到所述深度信念网络模型；
93.由下向上逐层训练所述初始模型至n-1层，并将训练结果输入至所述初始模型的第n层，得到所述第n层的训练结果；其中，n为所述前馈式深度机器学习模型的训练总层数；
94.根据所述第n层的训练结果及所述历史数据计算所述预测误差；
95.当所述预测误差大于预设误差时，根据所述预测误差，由上向下逐层优化所述初始至第1层。
96.在步骤30311至步骤30313中，可以将连接权重的初始值、可见层偏置初始值及隐含层偏置设置为同一随机数，也可以设置为三个不同的随机数。将预处理过的训练数据集代入初始模型中，并由下向上逐层训练，得到连接权重、可见层偏置、隐含层偏置等各层参数，直至训练到n-1层，将第n-1层训练结果输入第n层(顶层)机器学习模型中，将第n层的训练结果与训练数据集中的工况数据(实际数据)进行对比，并得到对应的误差。接着，将该误差由上向下逐层传输，并根据每层误差微调每一层中的连接权重、可见层偏置、隐含层偏置，直至第1层，然后再利用训练数据向上逐层训练，循环往复
……
直到误差小于预设误差，得到深度信念网络模型。
97.一实施例中，参见图7，在步骤300之前，测井遇阻遇卡的预测方法还包括：
98.步骤400：将所述历史数据进行滤波；
99.步骤500：将所述历史数据进行归一化；
100.步骤600：去除所述历史数据中的异常值。
101.可以理解的是，历史数据需要进行预处理，包括滤波、归一化等处理，去除意外取值，并将历史数据通过归一化处理成前馈式深度机器学习模型要求的格式。
102.一实施例中，所述历史遇阻遇卡数据包括：立管压力、大钩载荷、井口压力、出口流量、泵冲、入口流量、钻时、井底环空压力、全烃、c1数据以及工况数据；
103.所述工况数据包括：溢流、漏失及正常。
104.为进一步地说明本方案，本发明以k区块为例，提供测井遇阻遇卡的预测方法的具体应用实例，具体包括如下内容，参见图8。
105.k区块r层欠压实，钻进参数不当会出现井壁垮塌、井径扩大率大(俗称“大肚子”，井径扩大率大于0.15即为“大肚子”)等情况；s层和l层主要以泥页岩为主，泥页岩遇水膨胀，会形成缩颈、卡钻等的情况；ss层主要以砂泥岩互层，钻进参数不当会形成“糖葫芦”井径。并且在测井施工中发现，定向井测井遇阻遇卡问题严重(52％)。
106.s1：建立前馈式深度机器学习模型。
107.可以理解的是，前馈网络的目标是近似某个函数。例如，对于分类器，y＝f*(x)将输入x映射到一个类别y。前馈网络定义了一个映射y＝f(x；θ)，并且学习参数θ的值，使它能够得到最佳的函数近似。在前馈神经网络内部，参数从输入层向输出层单向传播，通常前馈式深度学习网络包含隐含层偏置、可见层偏置、卷积层、池化层、全连接层。
108.s2：实时获取k区块待预测遇阻遇卡的测井数据。
109.步骤s2中的测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度。
110.s3：对步骤s2中的测井数据进行预处理。
111.具体实施时，s3中预处理包括以下内容：将训练数据集及测试数据集进行滤波、归一化、去除异常值等操作处理成前馈式深度机器学习模型要求的格式，如数据在[0,1]范围内。
[0112]
优选的，步骤s3中选取的归一化方法为：将数据除以该组数据中最大的一个数值。
[0113][0114]
xi′
——经过归一化处理后的某个数据，xi——归一化处理前的某个数据，xj——归一化处理前的所有数据。
[0115]
s4：利用测井数据及前馈式深度机器学习模型预测k区块的测井遇阻遇卡。
[0116]
具体地，将由步骤s3预处理之后的测井数据输入至由步骤s1生成的前馈式深度机器学习模型中，以预测k区块测井遇阻遇卡情况。
[0117]
从上述描述可知，本发明实施例提供的测井遇阻遇卡的预测方法，首先获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度；利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。本发明可准确预测测井施工过程中的遇阻遇卡问题，降低复杂风险，为定向井钻井施工作业提供技术支持。
[0118]
基于同一发明构思，本技术实施例还提供了测井遇阻遇卡的预测装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于测井遇阻遇卡的预测装置解决问题的原理与测井遇阻遇卡的预测方法相似，因此测井遇阻遇卡的预测装置的实施可以参见测井遇阻遇卡的预测方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0119]
本发明的实施例提供一种能够实现测井遇阻遇卡的预测方法的测井遇阻遇卡的预测装置的具体实施方式，参见图9，测井遇阻遇卡的预测装置具体包括如下内容：
[0120]
测井数据获取单元10，用于获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度；
[0121]
遇阻遇卡预测单元20，用于利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。
[0122]
一实施例中，参见图10，所述机器学习模型为前馈式深度机器学习模型，测井遇阻遇卡的预测装置还包括：模型建立单元30，用于建立所述机器学习模型，参见图11，所述模型建立单元30包括：
[0123]
历史数据收集模块301，用于收集所述目标区块测井数据的历史数据；
[0124]
标签生成模块302，用于根据历史遇阻遇卡数据以及其对应的历史数据生成所述前馈式深度机器学习模型的标签；
[0125]
模型训练模块303，用于根据信噪比大于预设数值的历史数据以及标签对所述前馈式深度机器学习模型的初始模型进行训练，以生成所述机器学习模型。
[0126]
一实施例中，参见图12，所述模型训练模块303包括：
[0127]
初始模型训练模块3031，用于根据历史遇阻遇卡数据、所述历史遇阻遇卡数据对应的历史数据、所述前馈式深度机器学习模型中的可见层偏置以及隐含层偏置生成所述可见层偏置的连接权重以及隐含层偏置的连接权重，以训练所述初始模型。
[0128]
一实施例中，参见图13，所述初始模型训练模块3031包括：
[0129]
随机数设置模块30311，用于分别设置所述可见层偏置的初值、所述隐含层偏置的初值及所述连接权重的初值为三个小于预设数值的随机数；
[0130]
历史数据输入模块30312，用于将所述历史数据输入所述初始模型中；
[0131]
迭代操作模块30313，用于进行以下迭代操作，直至所述初始模型的预测误差小于预设误差，得到所述深度信念网络模型；
[0132]
由下向上逐层训练所述初始模型至n-1层，并将训练结果输入至所述初始模型的第n层，得到所述第n层的训练结果；其中，n为所述前馈式深度机器学习模型的训练总层数；
[0133]
根据所述第n层的训练结果及所述历史数据计算所述预测误差；
[0134]
当所述预测误差大于预设误差时，根据所述预测误差，由上向下逐层优化所述初始至第1层。
[0135]
一实施例中，参见图14，测井遇阻遇卡的预测装置还包括：
[0136]
数据滤波单元40，用于将所述历史数据进行滤波；
[0137]
数据归一化单元50，用于将所述历史数据进行归一化；
[0138]
异常值去除单元60，用于去除所述历史数据中的异常值。
[0139]
一实施例中，所述历史遇阻遇卡数据包括：立管压力、大钩载荷、井口压力、出口流量、泵冲、入口流量、钻时、井底环空压力、全烃、c1数据以及工况数据；
[0140]
所述工况数据包括：溢流、漏失及正常。
[0141]
从上述描述可知，本发明实施例提供的测井遇阻遇卡的预测装置，首先获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度；利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。本发明可准确预测测井施工过程中的遇阻遇卡问题，降低复杂风险，为定向井钻井施工作业提供技术支持。
[0142]
上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备，具体的，电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0143]
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现上述测井遇阻遇卡的预测方法的步骤，该步骤包括：
[0144]
步骤100：获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度；
[0145]
步骤200：利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。
[0146]
下面参考图15，其示出了适于用来实现本技术实施例的电子设备600的结构示意图。
[0147]
如图15所示，电子设备600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram))603中的程序而执行各种适当的工作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602、以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0148]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
[0149]
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括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测井遇阻遇卡的预测方法的步骤，该步骤包括：
[0150]
步骤100：获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：slam电缆下井次数、pcl下井次数、井径、井斜以及泥浆密度；
[0151]
步骤200：利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。
[0152]
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
[0153]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0154]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0155]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0156]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0157]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0158]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0159]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0160]
本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0161]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0162]
以上该仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。