深度学习和Eaton法耦合驱动地层孔隙压力预测方法

深度学习和eaton法耦合驱动地层孔隙压力预测方法
技术领域
1.本发明涉及油气钻井领域，具体涉及一种深度学习和eaton法耦合驱动地层孔隙压力预测方法。


背景技术：

2.准确预测地层孔隙压力是保障钻井工程设计合理性、降低钻井工程风险的关键技术之一。eaton法是目前较常用的地层孔隙压力预测方法，其综合考虑了压实作用以及其他高压形成机制作用，并总结和参考了钻井实测压力与各种测井信息之间的关系，是一种比较实用的方法。通过分析，常规的eaton法是将eaton指数取定值，这往往不能很好的预测深部地层孔隙压力。随着人工智能技术和钻井大数据的发展，机器学习算法被引入地层压力预测中，为其的精准预测提供了新思路。
3.如，中国专利cn 112100930 a公开了一种基于卷积神经网络和eaton公式的地层孔隙压力计算方法，并具体公开了方法如下：测井曲线重叠采样；基于短时傅里叶变换的样本1d-2d变换预处理，将一维的深度域测井曲线样本转换为二维的深频图；基于卷积神经网络的正常压实层段智能识别模型，采用数据驱动的方式，对测井曲线进行分段特征提取，识别正常压实层段；根据识别出的正常压实层段测井曲线，构建正常压实趋势线拟合方程；根据正常压实趋势线方程，采用eaton公式进行地层孔隙压力剖面计算。该专利可避免正常压实趋势线构建过程中存在的人为主观性，提高地层孔隙压力的计算精度，但该方法重点关注正常压实趋势线的选取，并没有关注影响更大的eaton指数。


技术实现要素：

4.本发明的目的是为了解决上述现有技术的不足，提供一种基于cnn-lstm深度学习模型对目标井全井eaton指数精细反演，再结合传统eaton模型对地层孔隙压力进行预测。为了使得训练数据扩充，本发明还创新性提出根据测井曲线变化率及岩性剖面对为数不多的实测点数据进行扩充、优化。构建的cnn-ltsm深度学习模型，不仅能很好的对复杂多源数据进行特征提取，能很好的处理地层信息的前后关联性，该模型还能沿深度分别向前向后提取测井数据、录井数据、地震序列特征数据。
5.为了解决上述技术问题，本发明提供了一种cnn-lstm深度学习和eaton法耦合驱动的地层孔隙压力预测方法，具体方法为：s1、对已钻井地层孔隙压力实测点的测井数据进行归一化处理：考虑到不同测井数据之间量纲的影响，将已钻井地层孔隙压力实测点的测井数据归一化处理到0~1的范围内，归一化后的测井数据yi为：（1）其中，yi为已钻井地层孔隙压力实测点处第i种归一化后的测井数据，xi为已钻井地层孔隙压力实测点处第i种原始测井数据。
6.s2、以归一化后的测井数据变化率为依据，将实测点深度h0进行二次扩充得到二次扩充连续点深度集hh″
：将实测点深度h0进行一次扩充，一次扩充连续点深度集；对一次扩充连续点深度集hh′
进行二次扩充，二次扩充得到二次扩充连续点深度集hh″
。
7.所述二次扩充连续点深度集hh″
包括二次扩充实测点深度h
11 h
21
...h
01
...h
h1
。
8.所述二次扩充连续深度集hh″
满足如下公式：(2)其中为二次扩充实测点深度h
b1
处的测井数据；为二次扩充实测点深度h
(b-1)1
处的测井数据；为二次扩充实测点深度集hh″
对应的平均测井数据；kb为二次扩充实测点深度h
b1
处测井数据的变化率；为阈值，不同测井数据下变化率的最大值应小于阈值；上式中，b为1到h之间的自然数。
9.s3、避开断层、岩性界面，将二次扩充实测点连续深度集hh″
优化为优化后的连续点深度集h
p
‴
：由于地层构造断裂作用会使地层内部孔隙体积缩小，从而导致在地层内部产生压力异常的现象，这会使得地层压力会发生较大变化。因此在对实测点进一步优选深度范围时应该避开断层，岩性界面。通过测井解释构建岩性剖面，利用该剖面将二次扩充实测点连续深度集hh″
进一步缩短为优化后的连续点深度集h
p
‴
。
10.所述优化后的连续点深度集h
p
‴
包括优化后的深度h
12 h
22
...h
02
...h
p2
。
11.s4、反算eaton指数：利用eaton模型进行eaton指数反算如下式（3）：(3)式中，n为easton指数；p0为上覆地层压力，mpa；p
p
为地层孔隙压力，mpa；pc为地层水静液柱压力，mpa；为实测点正常趋势线上的声波时差值，；为实测点的实测声波时差值，。
12.s5、结合pearson相关矩阵对各特征数据与eaton指数进行相关性分析，筛选作为cnn-lstm模型输入参数的特征数据：结合pearson相关矩阵对各特征数据与eaton指数进行相关性分析:(4)上式中，为皮尔逊相关系数，kj为该特征的第j个变量，为该特征变量的算数平均值，nj为该特征的第j个eaton指数，为该特征eaton指数的算数平均值，r为变量样本数。
13.所述特征数据包括：录井数据、测井数据、地震数据。
14.所述录井数据包括：钻速、钻压、大钩载荷、钻盘钻速、扭矩、泵压、排量、钻井液入口密度、钻井液出口密度、入口泥浆温度、出口泥浆温度；所述测井数据包括：自然伽马、声波时差、岩石密度、p40h；所述地震数据包括：层速度。
15.所述皮尔逊相关系数的数值范围为-1到1，皮尔逊相关系数越接近1说明两个变量正相关性越强，越接近-1说明两个变量负相关性越强，越接近0说明两个变量相关性越弱。
16.当时，选择该特征数据作为cnn-lstm模型的输入参数。
17.s6、搭建cnn-lstm模型并进行eaton指数训练：所述cnn的构建原理为：卷积层是由多个特征面的组合，每个特征面有很多个神经元，而每个神经元通过卷积核与上一层的特征面局部连接，其中卷积核是一个权值矩阵。卷积层输出的第d层的第i种特征为:(5)其中，d表示为网络层数；为第d层的第i种特征；k为网络行数；为选择输入的特征集合；为第d-1层的第m种特征；是卷积核的权重；为第d层的第i个特征对应的偏置；“*”表示卷积操作。
18.搭建cnn-lstm模型，所述cnn-lstm模型包含输入层、卷积运算层、池化层、展平层、lstm层、全连接层、输出层。
19.输入集为s3、s4处理后的测井数据、录井数据、地震数据集以及反算eaton指数，输出集为实测点扩充后的反演的eaton指数，进行eaton指数训练。
20.通过正交试验确定模型训练参数。
21.所述正交试验是从全面试验中挑选出部分有代表性的点进行试验，这些有代表性的点具备了“均匀分散，齐整可比”的特点。通过误差分析对cnn卷积核数、lstm隐含层神经元个数、输出层神经元个数、激活函数的不同参数组合进行评价。
22.所述误差分析的方法为：在训练集中以一口井为的真实eaton指数为验证集，并结合指标平均绝对误差百分比(mape)和均方根误差(rmse)对eaton指数进行评价：(6)(7)其中，mape为平均绝对误差百分比，n为样本数，为eaton指数预测值，nq为eaton指数真实值，rmse为均方根误差。
23.当mape及rmse数值均为最小值时，选择所对应的eaton指数参数组合作为最优参数组合。
24.其次，本技术还提供一种上述cnn-lstm深度学习和eaton法耦合驱动的地层孔隙
压力预测方法在eaton指数分布预测中应用。
25.所述应用方法为：通过s6模型训练达到最优时，同样将目标井特征参数作为输入集输入上述cnn-lstm模型中，以此对目标井全井eaton分布进行精细化预测。
26.最后，本技术还提供一种上述cnn-lstm深度学习和eaton法耦合驱动的地层孔隙压力预测方法在预测地层孔隙压力中的应用。
27.所述应用方法为：将目标井特征参数作为输入集输入至训练得到的cnn-lstm模型中，结合式（3）对地层孔隙压力进行预测。
28.本发明相较于现有技术的有益效果：1、本发明所提供的cnn-lstm深度学习可以结合cnn的数据挖掘能力与lstm的记忆能力，将之前的数据特征与新输数据结合在一起，能对多源数据特征进行学习；2、本发明创新性的提出根据测井曲线变化率及岩性剖面对实测点数据进行扩充，丰富深度学习训练样本量，进而提高预测结果的精确度；3、通过该模型对全井eaton指数精细反演，对目标井地层孔隙压力预测更为精准；同时，若通过已钻井数据三维体构建的技术手段加上钻前地震数据，该方法有望对待钻井地层孔隙压力进行预测。
附图说明
29.图1 实测点扩充示意图；图2 cnn-lstm深度学习模型示意图；图3 基于深度学习eaton精细反演图；图4 地层孔隙压力预测结果对比图；图5 深度学习和传统模型耦合驱动预测地层孔隙压力原理图。
具体实施方式
30.以下实施例是对本发明的进一步说明，但本发明并不局限于此。因本发明比较复杂，因此实施方式仅对本发明的发明点部分进行详述，本发明未详述部分均可采用现有技术。
31.实施例一：中国南海某区块具有深部地层高温高压、地层情况复杂的特点，由于成压机制较复杂，常规eaton法在该地区深部复杂地层中的适用性和预测准确性较差。该区块已钻井8口，地层孔隙压力实测点共计47个。
32.根据本发明提供的基于cnn-lstm深度学习和传统eaton模型结合的地层孔隙压力预测方法，本实施例包括以下步骤。
33.s1、将已钻井地层孔隙压力实测点的测井数据进行归一化处理，考虑到不同测井数据之间量纲的影响，将测井数据归一化处理到0~1的范围内，归一化后的测井数据yi为： (1)其中，yi为已钻井地层孔隙压力实测点处第i种归一化后的测井数据，xi为已钻井地层孔隙压力实测点处第i种原始测井数据。
34.所述测井数据的种类包括声波时差、自然伽马、岩石密度、p40h。
35.s2、将实测点深度h0进行二次扩充得到二次扩充连续点深度集hh″
，如图1所示。
36.将实测点深度h0进行一次扩充，一次扩充连续点深度集；对一次扩充连续点深度集hh′
进行二次扩充，二次扩充得到二次扩充连续点深度集hh″
，如图1所示，以及分别为两个实测点经二次扩充后得到的深度范围。
37.所述二次扩充连续点深度集hh″
包括二次扩充实测点深度h
11 h
21
...h
01
...h
h1
。
38.所述二次扩充连续点深度集hh″
满足如下公式：
ꢀꢀ
(2)其中为二次扩充实测点深度h
b1
处的测井数据；为二次扩充实测点深度h
(b-1)1
处的测井数据；为二次扩充实测点深度集hh″
对应的平均测井数据；kb为二次扩充实测点深度h
b1
处测井数据的变化率；为阈值，不同特征下变化率的最大值应小于阈值；上式中，b为1到h之间的自然数。
39.其中，阈值为0.1。
40.在二次扩充连续深度集hh″
上下地层孔隙压力当量密度相等的条件下来丰富训练样本，往往不能充分考虑岩性变化对地层压力的影响，因此需要对二次扩充连续深度集hh″
进一步优化。
41.s3、避开断层、岩性界面，将二次扩充连续点深度集hh″
优化为优化后的连续点深度集h
p
‴
：考虑到地层构造断裂作用会使地层内部孔隙体积缩小，从而导致在地层内部产生压力异常的现象，这会使得地层压力会发生较大变化。因此在对实测点进一步优选深度范围时应该避开断层，岩性界面。将二次扩充连续点深度集hh″
进一步缩短为优化后的连续点深度集h
p
‴
。
42.所述优化后的连续点深度集h
p
‴
包括优化后的深度h
12 h
22
...h
02
...h
p2
。如图1所示，、分别为、经优化后得到的深度范围。
43.根据步骤s1、s2、s3进行扩充后，整个区块实测点扩充至1522个，增幅为31.38倍。
44.如图1所示，gr为自然伽马，dtco为声波时差，p40h、p28h、p16h均为随钻电阻，rhob为岩石密度。
45.s4、利用eaton模型进行eaton指数反算如下式（3）所示：
ꢀꢀꢀ
(3)式中，n为easton指数；p0为上覆地层压力，mpa；p
p
为地层孔隙压力，mpa；pc为地层水静液柱压力，mpa；为实测点正常趋势线上的声波时差值，；为实测点的实测声波时差值，。
46.s5、结合pearson相关矩阵对各特征数据与eaton指数进行相关性分析，筛选作为cnn-lstm模型输入参数的特征数据：结合pearson相关矩阵对各特征数据与eaton指数进行相关性分析：
(4)上式中，为皮尔逊相关系数，kj为该特征的第j个变量，为该特征变量的算数平均值，nj为该特征的第j个eaton指数，为该特征eaton指数的算数平均值，r为变量样本数。
47.本次试验通过扩充后一共得到1522个深度点，步长为0.1米，以此构建的数据样本，因此，上式（4）中r为15220。
48.所述皮尔逊相关系数的数值范围为-1到1，皮尔逊相关系数越接近1说明两个变量正相关性越强，越接近-1说明两个变量负相关性越强，越接近0说明两个变量相关性越弱。
49.当时，选择该特征数据作为cnn-lstm模型的输入参数。
50.所述特征数据包括：录井数据、测井数据、地震数据。
51.所述录井数据包括：钻速、钻压、大钩载荷、钻盘钻速、扭矩、泵压、排量、钻井液入口密度、钻井液出口密度、入口泥浆温度、出口泥浆温度；所述测井数据包括：自然伽马、声波时差、岩石密度、p40h；所述地震数据包括：层速度。
52.筛选后得到的特征数据为：钻速、钻压、大钩载荷、钻盘钻速、扭矩、泵压、排量、钻井液入口密度、钻井液出口密度、自然伽马、声波时差、岩石密度、p40h、层速度。
53.s6、搭建cnn-lstm模型包含输入层、卷积运算层、池化层、展平层、lstm层、全连接层、输出层具体构架如图2所示。
54.构建cnn原理为：卷积层是由多个特征面的组合，每个特征面有很多个神经元，而每个神经元通过卷积核与上一层的特征面局部连接，其中卷积核是一个权值矩阵。卷积层输出的第d层的第i种特征为:（5）其中d表示为网络层数；为第d层的第i种特征；k为网络行数；为选择输入的特征集合；为第d-1层的第m种特征，是卷积核的权重；为第d层的第i个特征对应的偏置；“*”表示卷积操作。
55.输入集为s3、s4处理后的测井数据、录井数据、地震数据集以及反算eaton指数，输出集为实测点扩充后的反演的eaton指数，进行eaton指数训练。
56.所述eaton指数训练中输入序列长度为0.1，dropout参数为0.2，训练迭代轮数为50，cnn卷积层数为6。
57.通过正交试验确定模型训练参数。
58.所述正交试验是从全面试验中挑选出部分有代表性的点进行试验，这些有代表性的点具备了“均匀分散，齐整可比”的特点。该试验通过对cnn卷积核数、lstm隐含层神经元个数、输出层神经元个数、激活函数的不同参数进行组合，设计出16种具有代表性的组合，
最后通过误差分析对其评价。
59.所述误差分析的方法如下：在训练集中以一口井为的真实eaton指数为验证集，并结合指标平均绝对误差百分比(mape)和均方根误差(rmse)对其评价： (6)(7)其中，mape为平均绝对误差百分比，n为样本数，为eaton指数预测值，nq为eaton指数真实值，rmse为均方根误差。
60.所述16种具有代表性的组合及其误差分析如表1所示。
61.表1 参数组合及误差分析通过上述评价可得，当卷积核数为32，lstm隐含层神经元180，lstm输出神经元256，激活函数为sigmoid时误差最小，认为模型达到最优。
62.实施例二将目标井特征参数作为输入集输入实施例一训练后的cnn-lstm模型中，以此对目标井eaton指数全井分布进行精细化预测。
63.实施例三根据实施例二得到的目标井eaton指数全井分布，结合式（3）对地层孔隙压力进行预测，为了验证其准确性，对实测点进行标定，结果如图4所示。
64.对比例一为了突出对比，对实施例二所述的地层实测点进行eaton反算，然后按照层组进行统计（求其均值），其结果如下图3。其余步骤均同实施例三。
65.根据图3得到的eaton指数结合式（3）计算得到地层孔隙压力，如图4所示。
66.通过对比例一与实施例三的方法得到的地层孔隙压力结果如图4所示，上部地层中采用对比例一与实施例三的方法得到的预测结果相差不大；而对于下部复杂地层，实施例三得到的预测结果准确度更高，这对深部复杂地层孔隙压力预测具有重要意义。