一种融合分析多源数据的钻头优选方法与流程

技术特征：
1.一种融合分析多源数据的钻头优选方法，其特征在于：包括：收集资料，收集的资料包括地质资料、钻井资料、录井资料、测井资料、岩石力学及抗钻特性参数；从收集的资料中提取出所有钻井时使用过的钻头类型，从中筛选出钻速和进尺均大于平均值的钻头类型作为钻头选型标签数据；从收集的资料中提取出所述筛选出的钻头所钻进层位的地层特征参数，将所述地层特征参数组成钻头选型指标数据；对所述钻头选型指标数据进行主成分分析，提取出累计贡献率达预设比例并能表征所述钻头选型指标数据的前n项相互独立的主成分作为钻头选型综合指标；基于钻头选型标签数据和钻头选型综合指标数据，采用神经网络算法，建立钻头选型神经网络模型；将待预测钻头类型井的相关地层特征参数输入所述钻头选型神经网络模型，获取该井全井段预测钻头类型。2.根据权利要求1所述的融合分析多源数据的钻头优选方法，其特征在于：所述钻头选型指标数据包括：地质分层、钻速、钻井液密度、钻井液类型、岩性、扩径率k、自然伽马gr、自然电位sp、声波时差ac、浅电阻率、深电阻率、单轴抗压强度ucs、内聚力c、内摩擦角φ、硬度、可钻性级值、研磨性。3.根据权利要求1或2所述的融合分析多源数据的钻头优选方法，其特征在于：提取出累计贡献率占85.85%的前7项相互独立的主成分作为钻头选型综合指标。4.根据权利要求3所述的融合分析多源数据的钻头优选方法，其特征在于：第一项主成分可表征硬度、单轴抗压强度、研磨性、可钻性级值、声波时差、内聚力；第二项主成分可表征钻井液密度、地质分层、岩性和钻井液类型；第三项主成分可表征浅电阻率；第四项主成分可表征内摩擦角；第五项主成分可表征深电阻率和自然伽马；第六项主成分可表征扩径率和自然电位；第七项主成分可表征钻速。5.根据权利要求1、2或4所述的融合分析多源数据的钻头优选方法，其特征在于：对所述钻头类型标签数据、钻头选型综合指标数据进行归一化处理；以归一化处理后的钻头选型综合指标数据作为神经网络输入数据，归一化处理后的钻头类型标签数据作为神经网络输出数据，对构建的钻头选型神经网络进行训练，获得所述钻头选型神经网络模型。6.根据权利要求5所述的融合分析多源数据的钻头优选方法，其特征在于：神经网络为深度置信神经网络。7.根据权利要求6所述的融合分析多源数据的钻头优选方法，其特征在于：神经网络的网络层数以及节点数根据输入参数实际情况分别设置，具体如下：神经网络共4层，其中受限玻尔兹曼机个数为2个，设置网络输入层节点数为7，第1层隐含层节点数为28，第2层隐含层节点数为14，输出层节点数为1。
8.根据权利要求7所述的融合分析多源数据的钻头优选方法，其特征在于：设置每个受限玻尔兹曼机训练次数为200000次，每次随机的样本数量为训练样本总数，学习率为0.05，反向微调层训练函数为sigmoid，训练次数为200000次，反向微调层激活函数为logsig，反向微调层误差计算函数为traingdx。

技术总结
本发明涉及一种融合分析多源数据的钻头优选方法，基于已钻井的地质资料、钻井资料、录井资料、测井资料以及实验测试资料等多源数据，从中提取出部分能反映地层性质的参数组成钻头选型指标数据；使用主成分分析方法对以上钻头选型指标数据进行主成分分析，开展降维处理，提取出累计贡献率占85%以上并能表征以上多源钻头选型指标数据的彼此独立的综合指标，作为最终的钻头选型指标数据。以提取出的综合指标作为神经网络的输入参数，以实际钻井过程中钻速和进尺均大于平均值的钻头类型作为标签数据，通过神经网络训练分析综合指标与钻头类型之间的内在联系，建立钻头选型的神经网络数学模型，从而实现邻井全井段钻头类型的优选。选。选。


技术研发人员：万有维 熊健 刘向君 梁利喜 丁乙
受保护的技术使用者：西南石油大学
技术研发日：2021.07.22
技术公布日：2022/3/18