一种基于BP神经网络的复杂井况钻前泥浆漏失预测方法

一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法
技术领域
1.本发明涉及钻井施工技术领域，具体涉及一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法。


背景技术：

2.在钻井生产过程中，当钻遇裂缝发育带和/或溶洞发育带时，常常会发生井漏。若在容易发生井漏情况的地层进行钻井，则是一个较为复杂的钻井工作，在上述地层进行钻井极易诱发井喷、卡钻等重大井下事故。更为重要的是，钻井工程事故直接影响油气层的发现和保护，造成勘探开发成效下降。例如塔里木盆地塔中北坡地区目前常用的技术手段主要是通过测井对井漏进行测试分析，找准漏层位置，确定漏层通道性质，即先进行钻井工作，在遇到井漏时才能知道钻井地层为钻井漏失层段。该方法不能在钻井前对地层进行井漏进行预测，从而不能对钻井提供指导，避开钻井漏失层段。所以该方法钻探成功率较低。
3.中国专利申请号cn 110941010 a，申请公布日为2020年3月31日，发明创造名称为一种利用地震资料预测钻井漏失的方法，包括以下步骤：本发明提供了一种利用地震资料预测钻井漏失的方法，包括以下步骤：s1：对原始地震数据体进行降噪滤波处理，得到滤波数据体；s2：对所述滤波数据体进行相干处理得到相干体；s3：将所述相干体与所述原始地震数据体进行融合得到融合数据体；s4：根据所述融合数据体的剖面确定相干体的分布区域，根据所述相干体的分布区域预测裂缝发育带和/或溶洞发育带的位置；s5：根据所述裂缝发育带和/或溶洞发育带的位置预测钻井漏失层段。该申请案提出了一种利用地震资料预测钻井漏失的技术方案，但其不足之处在于：第一，该申请案所描述的方法中地震数据体处理及融合具有很大的不误差性，会影响最终预测裂缝发育带和/或溶洞发育带的位置结果；第二，该方法只能初步确定裂缝发育带和/或溶洞发育带的位置，不能仅凭借裂缝发育带和/或溶洞发育带的位置确定漏失位置，影响漏失的因素有很多，故而具有很大的局限性、不确定性。因此，需要一种针对复杂井况钻前泥浆漏失预测方法，提升安全性。


技术实现要素：

4.为此，本发明提供一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法，以解决现有复杂井况钻前难以准确预测井内状况、容易出现泥浆漏失的问题。
5.为了实现上述目的，本发明提供如下技术方案：
6.本发明公开了一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法，所述方法为：
7.s1、收集目标区域历史地震属性数据、漏失案例相应的工程及地质数据资料；
8.s2、对收集数据进行标准化处理，并且为了方便方法的实施，对所有数据进行转换处理；
9.s3、以预处理后的历史地震数据为输入，以漏失情况为输出，以真实漏失状态为标准值，监督训练并优化得到漏失预测神经网络模型；
10.s4、输入目标区域地震即时地震数据，由模型自动评判出此区域各深度对应的漏失情况。
11.进一步地，所述s1步骤中，通过对目标区块历史钻井漏失地质参数和工程参数，地质参数主要包括漏失时的地质层位、漏失段的岩性，工程参数包括泥浆漏失速度、累计泥浆漏失量、泥浆密度以及泥浆漏失时的施工工况的收集、整理和验证，确定了5个输入参数的变量集：原始振幅、afe、均方根振幅、瞬时频率、响应相位等地震属性数据，将收集到的该区块漏失情况真实值，设漏失为数值1，未漏失设为数值0，作为模型训练的标准值。
12.进一步地，所述s2步骤中，标准化处理的方法为采用直方图法；确定相对层；绘制直方图；获取研究区各数据标准值；获取单井曲线校正值。
13.进一步地，所述确定相对层中将将研究区志留系顶面作为相对标准层，地震识别特征明显；所述绘制直方图，提取各单井的标准层数据，通过高斯正态分布函数对地震响应频率分布直方图进行拟合，获得各地震属性的峰值读数。
14.进一步地，所述获取研究区各数据标准值，取各单井的地震属性响应值绘制全区的原始振幅、afe、均方根振幅、瞬时频率、响应相位的频率分布直方图，得到全区直方图峰值，即各属性的标准值。
15.进一步地，所述获取单井曲线校正值中，校正值＝全区标准值-单井峰值。
16.进一步地，所述s2步骤中，数据进行转换处理为对数据归一化，数据归一化是将预处理的数据被限定在[-1,1]的范围内，从而将数据的所有特征都映射到同一尺度上。
[0017]
进一步地，所述s3步骤中设置训练集的输入参数inputdata，将收集整理的5个地震属性参数作为神经网络训练的数据；设置训练集的输出标准值outputtarget，标准值为实测该区块对应深度的漏失情况；建立bp神经网络，设置输入层、隐含层、输出层的节点个数，设置传递函数，并利用批处理梯度下降算法对模型进行无约束非线性优化。
[0018]
进一步地，所述监督训练并优化得到漏失预测神经网络模型的方法为：对原始变量参数进行初始化，设置初始权重、阈值和学习速率，然后输入给定样本通过sigmoid作用函数计算各层的输入值和输出值，每一层神经元状态只影响下一层神经元状态，并逐渐向隐含层传播，隐含层的输入等于输入层信号的加权和，输出层等于上一层隐含层的输出通过激励函数映射后的输出值，在输出端产生输出信号，若在输出层不能得到理想的输出值，则系统转入误差信号反向传播过程，误差信号从输出层向输入层传播并沿途调整各层间连接权值以及各层神经元的偏置值，执行误差函数梯度下降策略以使误差信号不断减少，权值不断调整使网络误差函数达到最小值。
[0019]
进一步地，所述s4步骤中，基于漏失情况预测值和漏失情况实测值之间的差距，反向传播算法会相应更新神经网络参数的权值，并根据权值来对神经网络进行修改，模型预测值在不断地修改中接近目标值，直到达到一定的准确率或训练次数为止。
[0020]
本发明具有如下优点：
[0021]
本发明公开了一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法，通过预测得出的漏失情况，作为井位部署开发的判断依据，为钻井技术人员和施工人员提供更加准确、有效的决策依据，从而提高规避复杂井况的概率，增加钻井作业的实施效率，避免了重复作业，节省工程时间。可以快速、精准的进行钻前漏失情况预测，从而为钻井提供决策支持，提高规避漏失减少钻井时长的概率。
附图说明
[0022]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引申获得其它的实施附图。
[0023]
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
[0024]
图1为本发明实施例提供的一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法的流程图；
[0025]
图2为本发明实施例提供的bp网络运算结构示意图；
[0026]
图3为本发明实施例提供的bp网络算法流程图；
[0027]
图4为本发明实施例提供的模型训练寻优曲线图；
[0028]
图5为本发明实施例提供的验证集漏失预测结果对比图。
具体实施方式
[0029]
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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做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。
[0030]
实施例
[0031]
参考图1，本实施例公开了一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法，所述方法为：
[0032]
s1、收集目标区域历史地震属性数据、漏失案例相应的工程及地质数据资料；
[0033]
s2、对收集数据进行标准化处理，并且为了方便方法的实施，对所有数据进行转换处理；
[0034]
s3、以预处理后的历史地震数据为输入，以漏失情况为输出，以真实漏失状态为标准值，监督训练并优化得到漏失预测神经网络模型；
[0035]
s4、输入目标区域地震即时地震数据，由模型自动评判出此区域各深度对应的漏失情况。
[0036]
参考图2是本发明技术方案中的bp网络运算结构示意，由图2可知，典型的bp神经网络主要指拥有三层及以上网络结构的前向网络，该结构的首层和和尾层一般叫做输入层和输出层，中间各层均称为隐含层或中间层。网络之间无反馈，网络层内也不互相连同。主要依靠系统的复杂程度，来动态调整网络内部节点的连接关系和连接强度，进而更好地反映系统的构造情况。
[0037]
图3是本发明技术方案中的bp网络算法流程图，学习过程一般为：首先对原始变量参数依次进行标准化、转换及初始化处理，设置初始权重、阈值和学习速率等，然后输入给定样本通过sigmoid作用函数计算各层的输入值和输出值，每一层神经元状态只影响下一
层神经元状态，并逐渐向隐含层传播，隐含层的输入等于输入层信号的加权和，输出层等于上一层隐含层的输出通过激励函数映射后的输出值，在输出端产生输出信号。若在输出层不能得到理想的输出值，则系统转入误差信号反向传播过程，误差信号从输出层向输入层传播并沿途调整各层间连接权值以及各层神经元的偏置值，执行误差函数梯度下降策略以使误差信号不断减少，权值不断调整使网络误差函数达到最小值；该神经网络的学习速率设为0.01，最小目标误差0.001，迭代次数最高为1000，其他参数保持默认，隐含层神经元个数设为12，输入层为5，输出层为1，采用下式来计算隐含层节点个数k，
[0038][0039]
式中，m为隐含层节点数；n为输入层节点数；l为输出层节点数；α为1-10之间的整数，故k为4-13，选择不同的k值训练模型，最终得到最佳精度的隐含层节点数为12。
[0040]
s1步骤中，通过对目标区块历史钻井漏失地质参数和工程参数，地质参数主要包括漏失时的地质层位、漏失段的岩性，工程参数包括泥浆漏失速度、累计泥浆漏失量、泥浆密度以及泥浆漏失时的施工工况的收集、整理和验证，确定了5个输入参数的变量集：原始振幅、afe、均方根振幅、瞬时频率、响应相位等地震属性数据，将收集到的该区块漏失情况真实值，设漏失为数值1，未漏失设为数值0，作为模型训练的标准值。
[0041]
由于每口井所在区块地震数据所测时间不同，深度、井下环境、仪器系列不同，并且后期标准刻度的操作方式也不一定相同，由此可能会导致不同区块地震属性之间存在误差。因此应用这些地震属性资料时，必须对其进行标准化处理，并且为了方便方法的实施，对所有数据也会进行转换处理。
[0042]
标准化处理的方法为采用直方图法；确定相对层；绘制直方图；获取研究区各数据标准值；获取单井曲线校正值。
[0043]
确定相对层中将将研究区志留系顶面作为相对标准层，地震识别特征明显；所述绘制直方图，提取各单井的标准层数据，通过高斯正态分布函数对地震响应频率分布直方图进行拟合，获得各地震属性的峰值读数。获取研究区各数据标准值，取各单井的地震属性响应值绘制全区的原始振幅、afe、均方根振幅、瞬时频率、响应相位的频率分布直方图，得到全区直方图峰值，即各属性的标准值，获取单井曲线校正值中，校正值＝全区标准值-单井峰值。
[0044]
转换处理就是数据归一化，数据归一化是将预处理的数据被限定在[-1,1]的范围内，从而将数据的所有特征都映射到同一尺度上，这样可以避免由于量纲的不同使数据的某些特征形成主导作用。
[0045]
在s3步骤中设置训练集的输入参数inputdata，将收集整理的5个地震属性参数作为神经网络训练的数据；设置训练集的输出标准值outputtarget，标准值为实测该区块对应深度的漏失情况；建立bp神经网络，设置输入层、隐含层、输出层的节点个数，设置传递函数，并利用批处理梯度下降算法对模型进行无约束非线性优化。
[0046]
对钻前泥浆漏失预测神经网络模型监督训练及优化的具体过程如下，首先对原始变量参数进行初始化，设置初始权重、阈值和学习速率等，如图3，然后输入给定样本通过sigmoid作用函数计算各层的输入值和输出值，每一层神经元状态只影响下一层神经元状态，并逐渐向隐含层传播，隐含层的输入等于输入层信号的加权和，输出层等于上一层隐含层的输出通过激励函数映射后的输出值，在输出端产生输出信号。若在输出层不能得到理
想的输出值，则系统转入误差信号反向传播过程，误差信号从输出层向输入层传播并沿途调整各层间连接权值以及各层神经元的偏置值，执行误差函数梯度下降策略以使误差信号不断减少，权值不断调整使网络误差函数达到最小值。
[0047]
为保证模型运行时权值和阈值的自动初始化，将newff函数用作网络模型的生成函数——newff函数，指的是训练前馈网络的第一步是建立网络对象，实质是newff函数的参数。这个命令建立了网络对象并且初始化了网络权重和偏置，因此网络就可以进行训练了。
[0048]
动量的批处理梯度下降法用训练函数traingdm触发；
[0049]
输入层与隐含层间选用双曲线正切函数tansig作为传递函数；logsigz作为隐含层与输出层间的传递函数；
[0050]
选用traingdx函数作为“误差逆传播”过程的训练函数。
[0051]
在s4步骤中，利用漏失情况预测值与标准值等数据进行监督训练的方式为：基于漏失情况预测值和漏失情况实测值之间的差距，反向传播算法会相应更新神经网络参数的权值，并根据权值来对神经网络进行修改，模型预测值在不断地修改中接近目标值，直到达到一定的准确率或训练次数为止。
[0052]
参考图4是模型训练寻优曲线图，由图可知，当迭代9次时结果连续6次小于误差0.001，满足训练要求，成功建立神经网络训练模型。
[0053]
参考图5是验证集漏失预测结果对比图，由图可知，整体预测的符合率已经达到80％以上，证明了综合利用这些信息预测漏失的有效性，同时说明bp神经网络适合该地区漏失的判定，预测偏差的主要原因可能还是由于不同地区的地质情况，地震属性的多解性或者数据代表性不够等。
[0054]
本实施例公开的一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法，通过预测得出的漏失情况，作为井位部署开发的判断依据，为钻井技术人员和施工人员提供更加准确、有效的决策依据，从而提高规避复杂井况的概率，增加钻井作业的实施效率，避免了重复作业，节省工程时间。可以快速、精准的进行钻前漏失情况预测，从而为钻井提供决策支持，提高规避漏失减少钻井时长的概率。
[0055]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。