一种漏失压力预测模型生成方法和装置

1.本发明涉及石油工程安全技术领域，尤其涉及一种漏失压力预测模型生成方法和装置。


背景技术：

2.钻井是一项复杂的地下系统工程，工程规律认识和钻井工程理论体系的建立受到很大制约，钻井过程面临井漏、井涌等复杂漏洞频发的问题，漏失压力和井漏息息相关，漏失压力的准确预测是保证钻井安全的重要基础。相关技术中，通过勘探数据和复杂风险数据直接建立模型进行风险预测，这种方式建立的模型是以预设参数阈值以及纯粹的数据分析进行风险预测的，或者通过邻井资料对比法、测井法以及经验法进行漏失压力预测，上述方法的预测准确率较低且不适用于复杂井，适应度较差。


技术实现要素：

3.本发明的一个目的在于提供一种漏失压力预测模型生成方法，通过漏失压力预测模型能够准确预测漏失压力，提高预测准确率和模型的适应度。本发明的另一个目的在于提供一种漏失压力预测模型生成装置。本发明的再一个目的在于提供一种计算机可读介质。本发明的还一个目的在于提供一种计算机设备。
4.为了达到以上目的，本发明一方面公开了一种漏失压力预测模型生成方法，包括：
5.通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；
6.根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型。
7.优选的，在通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数之前，还包括：
8.通过精英反向学习，对初始麻雀算法进行优化，得到改进麻雀算法。
9.优选的，在根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型之前，还包括：
10.通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据。
11.优选的，历史数据包括原始测井数据和对应的实际漏失压力数据；
12.通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据，包括：
13.从原始测井数据中选取出指定漏失压力参数的初始数据集；
14.对初始数据集进行清洗预处理，得到清洗后的参数数据集；
15.通过灰色关联分析法，根据参数数据集和实际漏失压力数据，得到样本数据。
16.优选的，通过灰色关联分析法，根据参数数据集和实际漏失压力数据，得到样本数据，包括：
17.通过灰色关联分析法，对参数数据集和实际漏失压力数据进行关联度计算，得到每个参数对应的灰色关联度结果；
18.对灰色关联度结果进行排序；
19.从排序后的灰色关联度结果中选取出指定数量的灰色关联度结果，并将选取出的指定数量的灰色关联度结果对应的参数确定为样本参数；
20.根据样本参数和实际漏失压力数据，生成样本数据。
21.优选的，根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型，包括：
22.按照设定比例对样本数据进行划分，得到训练集和测试集；
23.按照最优网络参数和设定的超参数对反向传播神经网络模型进行设置，得到待训练的反向传播神经网络模型；
24.通过训练集对待训练的反向传播神经网络模型进行迭代训练，得到漏失压力预测模型。
25.优选的，测试集包括测试数据和对应的实际结果；
26.在通过训练集对待训练的反向传播神经网络模型进行迭代训练，得到漏失压力预测模型之后，还包括：
27.通过测试数据，对漏失压力预测模型进行测试，得到测试结果；
28.通过设定的性能评价指标，对测试结果和实际结果进行性能评估，得到性能评估结果。
29.优选的，在根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型之后，还包括：
30.获取实况测井数据；
31.将实况测井数据输入漏失压力预测模型进行预测，得到预测漏失压力。
32.本发明还公开了一种漏失压力预测模型生成装置，包括：
33.优化单元，用于通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；
34.模型训练单元，用于根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型。
35.优选的，装置还包括：
36.改进单元，用于通过精英反向学习，对初始麻雀算法进行优化，得到改进麻雀算法。
37.优选的，装置还包括：
38.标准化单元，用于通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据。
39.优选的，历史数据包括原始测井数据和对应的实际漏失压力数据；
40.标准化单元，具体用于从原始测井数据中选取出指定漏失压力参数的初始数据集；对初始数据集进行清洗预处理，得到清洗后的参数数据集；通过灰色关联分析法，根据参数数据集和实际漏失压力数据，得到样本数据。
41.优选的，标准化单元，具体用于通过灰色关联分析法，对参数数据集和实际漏失压力数据进行关联度计算，得到每个参数对应的灰色关联度结果；对灰色关联度结果进行排序；从排序后的灰色关联度结果中选取出指定数量的灰色关联度结果，并将选取出的指定
数量的灰色关联度结果对应的参数确定为样本参数；根据样本参数和实际漏失压力数据，生成样本数据。
42.优选的，模型训练单元，具体用于按照设定比例对样本数据进行划分，得到训练集和测试集；按照最优网络参数和设定的超参数对反向传播神经网络模型进行设置，得到待训练的反向传播神经网络模型；通过训练集对待训练的反向传播神经网络模型进行迭代训练，得到漏失压力预测模型。
43.优选的，测试集包括测试数据和对应的实际结果；装置还包括：
44.测试单元，用于通过测试数据，对漏失压力预测模型进行测试，得到测试结果；
45.性能评估单元，用于通过设定的性能评价指标，对测试结果和实际结果进行性能评估，得到性能评估结果。
46.优选的，装置还包括：
47.获取单元，用于获取实况测井数据；
48.预测单元，用于将实况测井数据输入漏失压力预测模型进行预测，得到预测漏失压力。
49.本发明还公开了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。
50.本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述处理器执行所述程序时实现如上所述方法。
51.本发明还公开了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现如上所述方法。
52.本发明通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型，通过漏失压力预测模型能够准确预测漏失压力，提高预测准确率和模型的适应度。
附图说明
53.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，下面描述中的附图仅仅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。
54.图1为本发明实施例提供的一种漏失压力预测模型生成方法的流程图；
55.图2为本发明实施例提供的又一种漏失压力预测模型生成方法的流程图；
56.图3为本发明实施例提供一种对初始麻雀算法进行优化的逻辑示意图；
57.图4为本发明实施例提供的一种灰色关联度分析的示意图；
58.图5为本发明实施例提供的一种漏失压力预测模型的预测漏失压力与真实漏失压力的对比图；
59.图6为本发明实施例提供的一种漏失压力预测模型生成装置的结构示意图；
60.图7为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
61.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、完整地描述，显然，所描述的实施例仅仅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。
62.为了便于理解本技术提供的技术方案，下面先对本技术技术方案的相关内容进行说明。在裂缝发育的地层钻井时，漏失是一种常见的井下复杂情况，而准确预测漏失压力是提高地层防漏、堵漏成功率的前提。为避免钻井液漏失并合理设计钻井液安全密度窗口，需要以漏失压力预测为基础，由此可见，漏失压力的准确预测是保证钻井安全的重要基础，可以给复杂风险的预测提供指导性意义。
63.本发明提供的漏失压力预测模型可实现漏失压力的预测，漏失压力预测模型将改进麻雀算法和反向传播(back propagation，简称：bp)神经网络相结合，针对bp神经网络泛化性弱，使用改进麻雀优化算法弥补缺点，保留bp神经网络对数据要求不高的优点，结合实际数据，为现场提供发生漏失等井下复杂情况的判断依据，使预测准确性更高，对于保障安全高效的钻完井施工具有重要意义。
64.下面以漏失压力预测模型生成装置作为执行主体为例，说明本发明实施例提供的漏失压力预测模型生成方法的实现过程。可理解的是，本发明实施例提供的漏失压力预测模型生成方法的执行主体包括但不限于漏失压力预测模型生成装置。
65.图1为本发明实施例提供的一种漏失压力预测模型生成方法的流程图，如图1所示，该方法包括：
66.步骤101、通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数。
67.步骤102、根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型。
68.本发明实施例提供的技术方案中，通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型，通过漏失压力预测模型能够准确预测漏失压力，提高预测准确率和模型的适应度。
69.图2为本发明实施例提供的又一种漏失压力预测模型生成方法的流程图，如图2所示，该方法包括：
70.步骤201、通过精英反向学习，对初始麻雀算法进行优化，得到改进麻雀算法。
71.本发明实施例中，各步骤由漏失压力预测模型生成装置执行。
72.图3为本发明实施例提供一种对初始麻雀算法进行优化的逻辑示意图，如图3所示，首先通过精英反向学习方法对种群、迭代次数、捕食者和加入者比例进行初始化赋值；通过预先确定的适应度函数，对麻雀进行适应度计算，并对捕食者、加入者和警戒者的位置进行更新；通过预先确定的适应度函数，对麻雀进行适应度计算，并更新麻雀位置；取麻雀适应度排名10％作为精英解，同时获取精英麻雀的动态边界，利用精英反向学习策略更新精英麻雀；通过预先确定的适应度函数，对麻雀进行适应度计算，并更新麻雀位置以及精英麻雀，直至满足麻雀算法中设置的停止条件，得到改进麻雀算法。
73.其中，利用精英反向学习策略更新精英麻雀具体过程如下：
74.设xi(t)＝(x
i1
,x
i2
,
…
,x
id
)是麻雀算法第t次迭代的一个解，其反向解为xi(t)
*
，f(x)为目标函数，即：适应性函数。当f(xi(t))≥f(xi(t)
*
)时，称xi(t)为第t次迭代的精英个体，记为ni(t)；当f(xi(t))《f(xi(t)
*
)时，称xi(t)为第t次迭代的普通个体，记为qi(t)。若精英群体的规模为p(1《p≤n,n为解的总个数)时，则p个精英个体可表示为：
75.{n1(t),n2(t),
…
,n
p
(t)}∈{x1(t),x2(t),
…
,xn(t)}
76.精英反向解设x
ij
为普通个体xi在j维上的值，则其反向解可定义为：
[0077][0078]aj
(t)＝min(n
1j
(t),
…
,n
pj
(t))
[0079]bj
(t)＝min(n
1j
(t),
…
,n
pj
(t))
[0080]
其中，k是介于0至1之间的随机数；[aj(t),bj(t)]为精英群体所构造的区间。
[0081]
本发明实施例中，通过精英反向学习方法进行麻雀算法参数的初始化，加快最优值的寻找效率，从而缓解算法压力，提升时间性能；通过精英反向学习策略求解反向解，对比更新前后麻雀，如果更优则替代之前的麻雀，提升了精英个体被选择的概率，避免算法过早陷入局部最优，提高了麻雀个体的信息交互能力，避免了迭代后期个体相似性增加易造成的搜索暂停现象，进而提升了算法的全局寻优能力。
[0082]
步骤202、通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数。
[0083]
本发明实施例中，网络参数是bp神经网络中的参数，网络参数包括但不限于网络权值和网络阈值。
[0084]
本发明实施例中，通过随机编码获取初始网络参数；通过改进麻雀算法，对bp神经网络中的初始网络参数进行修正，得到最优网络参数。
[0085]
具体地，确定bp神经网络结构，包括但不限于输入层节点的数量、隐藏层节点的数量和输出层节点的数量；通过d＝i
×
h h h
×
o o，对输入层节点的数量、隐藏层节点的数量和输出层节点的数量进行计算，得到改进麻雀算法中麻雀个体总维度，其中，i为输入层节点的数量，h为隐藏层节点的数量，o为输出层节点的数量，d为麻雀个体总维度，bp神经网络中的网络参数为改进麻雀算法寻优中的个体。以均方误差(mse)函数确定为适应度函数为例，根据bp神经网络结构随机初始化麻雀种群，每一只麻雀个体代表一组bp神经网络的网络参数，即：网络权值和网络阈值；通过mse函数，计算种群个体适应度，根据优化后的适应度值调整麻雀个体的位置，产生新的种群，再将新的种群再次带入bp神经网络进行计算，依次迭代，直到满足设置的停止条件，将产生的最优个体进行解码，输出最优网络参数，即：最优权值和最优阈值。
[0086]
本发明实施例中，由于bp神经网络对初始权值和阈值非常敏感，在固定范围内通过改进麻雀算法对bp神经网络的权值和阈值进行修正，从而得到收敛速度更快、预测精度更高、稳定性更强的模型。
[0087]
进一步地，本发明实施例将bp神经网络中的梯度下降法更新为改进麻雀算法，以提高预测精度。为了验证改进麻雀算法的寻优性能，选取多个基准函数对改进麻雀算法进行测试。选取的多个基准函数的函数性质如表1所示：
[0088]
表1
[0089][0090]
其中，function为基准函数名称，formulation为基准函数公式，x为测试函数自变量；d为自变量维度；range为自变量取值范围；xmin为全局最优位置，ymin为全局最优值。通过表1所示的多个基准函数，多个基准函数采用相同的参数设置，种群规模为50，最大迭代次数为5000，每个测试函数上独立运行100次，以平均值(mean)、标准差(std)和最佳值(best)作为算法结果误差为评价指标，对梯度下降算法和改进麻雀算法进行测试，测试结果如表2所示：
[0091]
表2
[0092][0093]
其中，type为基准函数类型，基准函数包括单峰(u)和多峰(m)两类，sphere、sumsquares和schwefel 2.22属于单峰函数类型，griewank和booth属于多峰函数类型；function为基准函数名称，ymin为全局最优值，indicator为评价指标，评价指标包括平均值(mean)、标准差(std)和最佳值(best)。对于单峰类型函数，改进麻雀算法均可以找到最优解；对于多峰类型函数，改进麻雀算法在均值、标准差和最优值的综合考虑下，均能得到精度更优的寻优结果，且寻优速度快于梯度下降算法；改进麻雀算法拥有跳出局部极值的能力，为后续bp神经网络训练奠定了良好的基础。
[0094]
本发明实施例中，用改进麻雀算法取代梯度下降法，在一定范围内对bp神经网络中的权值和阈值进行修正。将改进麻雀算法精度高，收敛速度快的特点，运用到bp神经网络中，可得到预测精度较高的模型。
[0095]
步骤203、通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据。
[0096]
本发明实施例中，历史数据包括原始测井数据和对应的实际漏失压力数据。
[0097]
本发明实施例中，步骤203具体包括：
[0098]
步骤2031、从原始测井数据中选取出指定漏失压力参数的初始数据集。
[0099]
本发明实施例中，漏失压力参数是根据经验确定的与漏失压力有关的参数，本发明实施例对漏失压力参数的具体参数不作限定。作为一种可选方案，漏失压力参数包括自然伽马(gr)、自然电位(sp)、孔隙度特征(声波时差(ac)、密度值(den)、光电吸收截面指数(pe))、径向电阻率(rr)、双井径(cl)、微电阻率(fmi)。
[0100]
本发明实施例中，从勘探区的样本井中获取原始测井数据，原始测井数据中包括多种参数及其对应的参数值；从原始测井数据中选取出指定漏失压力参数，生成初始数据集。
[0101]
步骤2032、对初始数据集进行清洗预处理，得到清洗后的参数数据集。
[0102]
本发明实施例中，清洗预处理包括但不限于剔除异常值和剔除重复数据的操作，其中，异常值包括机器故障或人为失误造成的数据异常的异常值；将清洗后的数据集作为参数数据集。
[0103]
步骤2033、通过灰色关联分析法，根据参数数据集和实际漏失压力数据，得到样本数据。
[0104]
本发明实施例中，步骤2033具体包括：
[0105]
步骤a、通过灰色关联分析法，对参数数据集和实际漏失压力数据进行关联度计算，得到每个参数对应的灰色关联度结果。
[0106]
灰色关联分析法以灰色系统理论为基础，通过计算反映系统行为特征的参考数列和影响系统行为的比较数列的关联度，来衡量各因素间的关联程度。若参考数列和比较数列变化趋势不一致，则说明关联度较低，反之关联度较强。灰色关联分析是以目标输出为参考序列，基于灰色关联度理论计算参考序列与比较序列之间的关联度大小，以此明确影响目标输出值的主要因子。
[0107]
本发明实施例中，参考序列(x0＝{x0(k)|k＝1,2,...,n})为实际漏失压力数据，比较数列(xi＝{xi(k)|k＝1,2,...,n}(i＝1,2,..,m))为参数数据集，其中，m表示参数个数，n表示每个参数的实验次数。
[0108]
具体地，通过其中,i＝0,1,
…
,m，对参数数据集进行数据无因此化，得到中间参数序列；通过,m，对参数数据集进行数据无因此化，得到中间参数序列；通过其中,i＝1,2,
…
,m，对中间参数序列和实际漏失压力数据进行差值计算，得到差值序列从差值序列中获取最大差值和最小差值通过对最大差值m和最小差值m进行关联计算，得到关联系数ξ
0i
(k)，其中，ξ∈(0,1)，作为一种可选方案，ξ＝0.5。
[0109]
步骤b、对灰色关联度结果进行排序。
[0110]
本发明实施例中，可以对灰色关联度结果按照升序排序，也可以按照降序排序，得到有序的灰色关联度结果。
[0111]
步骤c、从排序后的灰色关联度结果中选取出指定数量的灰色关联度结果，并将选取出的指定数量的灰色关联度结果对应的参数确定为样本参数。
[0112]
本发明实施例中，若对灰色关联度结果按照升序排序，表明排名越靠后，关联度越高，取后n个灰色关联度结果，将选取出的n个灰色关联度结果对应的参数确定为样本参数；若对灰色关联度结果按照降序排序，表明排名越靠前，关联度越高，取前n个灰色关联度结果，将选取出的n个灰色关联度结果对应的参数确定为样本参数。其中，指定数量n可以根据实际情况进行设置，本发明实施例对此不作限定。作为一种可选方案，n＝6。
[0113]
图4为本发明实施例提供的一种灰色关联度分析的示意图，如图4所示，排序后的灰色关联度结果以柱状图表示，横轴为漏失压力参数，纵轴为灰色关联度结果，图4示出的是对灰色关联度结果按照降序排序的示意图，排名前6的漏失压力参参数明显具有很强的关联度，从排序后的灰色关联度结果中选取前6个参数，即：gr(0.9516)、sp(0.9426)、ac(0.9418)、den(0.9387)、rr(0.9359)和fmi(0.9226)。
[0114]
步骤d、根据样本参数和实际漏失压力数据，生成样本数据。
[0115]
本发明实施例中，采用离差标准化对样本参数(x1,x2,...,xn)进行标准化处理。具体地，通过对样本参数(x1,x2,...,xn)进行变换，得到标准化样本参数(y1,y2,
…
,yn，yn∈[0,1])且标准化样本参数无量纲；将标准化样本参数和对应的实际漏失压力数据确定为样本数据。
[0116]
本发明实施例中，预备输入bp神经网络的6个输入参数具有不同的量纲和数量级，而影响参数之间水平相差过大则会突出数值较高的参数在最终分析中的作用，相对削弱数值水平较低的参数的作用。因此，为保证结果的可靠性，需要对样本参数进行标准化处理，将其转化为无量纲的纯数值，便于不同单位或量级的参数能够进行比较和加权。
[0117]
本发明实施例中，通过灰色关联分析法对历史数据进行标准化处理，获取到与漏失压力具有高关联度的参数作为bp神经网络的输入参数，从而在保证预测精度的前提下提高数据处理效率，实现高效精准的漏失压力预测。
[0118]
步骤204、根据最优网络参数和获取的样本数据，对bp神经网络模型进行训练，生成漏失压力预测模型。
[0119]
本发明实施例中，步骤204具体包括：
[0120]
步骤2041、按照设定比例对样本数据进行划分，得到训练集和测试集。
[0121]
本发明实施例中，设定比例可以根据实际情况进行设置，本发明实施例对此不作限定。作为一种可选方案，用于划分训练集和测试集的设定比例为8：2。其中，训练集包括训练数据和对应的实际结果；测试集包括测试数据和对应的实际结果。例如：样本数据来自某勘探区a、b两口井，共1492条数据，其中，1200条作为训练集，292条作为测试集。数据均包含声波时差、自然电位等多个参数。
[0122]
步骤2042、按照最优网络参数和设定的超参数对bp神经网络模型进行设置，得到待训练的bp神经网络模型。
[0123]
本发明实施例中，超参数是根据实际情况预先在bp神经网络模型中设置的，本发明实施例对超参数的具体设置不作限定。作为一种可选方案，设定超参数包括隐含层层数为1，包含5个神经元；传递函数采用tansig函数；训练函数采用trainlm函数；学习率为0.0001；最大训练次数为5000。
[0124]
本发明实施例中，将超参数和最优网络参数设置于bp神经网络模型，得到待训练的bp神经网络模型。
[0125]
本发明实施例中，通过改进麻雀算法精度高，收敛速度快的特点，将修正得到的最优网络参数运用到bp神经网络中进行训练，可得到预测精度较高的漏失压力预测模型。
[0126]
步骤2043、通过训练集对待训练的bp神经网络模型进行迭代训练，得到漏失压力预测模型。
[0127]
具体地，将训练集中的训练数据作为待训练的bp神经网络模型的输入，训练数据对应的实际结果作为待训练的bp神经网络模型的输出，对待训练的bp神经网络模型进行迭代训练，得到漏失压力预测模型。其中，训练数据为测井数据，对应的实际结果为漏失压力。
[0128]
进一步地，通过测试数据，对漏失压力预测模型进行测试，得到测试结果；通过设定的性能评价指标，对测试结果和实际结果进行性能评估，得到性能评估结果。具体地，将测试集输入到漏失压力预测模型中，预测出测试结果；对比分析测试结果与实际结果，根据设定的性能评价指标评价漏失压力预测模型的预测性能。作为一种可选方案，性能评价指标为均方误差(mse)和均方根误差(rmse)，均方误差(mse)和均方根误差(rmse)越小，表明漏失压力预测模型的预测性能越好。
[0129]
步骤205、获取实况测井数据。
[0130]
本发明实施例中，测量待预测井的指定深度范围，获取实况测井数据。作为一种可选方案，待预测井的指定深度范围为902至1120m。实况测井数据包括：gr、sp、ac、den、rr和fmi。
[0131]
步骤206、将实况测井数据输入漏失压力预测模型进行预测，得到预测漏失压力。
[0132]
作为一种可选方案，漏失压力预测模型的隐含层层数为1，包含5个神经元；传递函数采用tansig；训练函数采用trainlm；学习率为0.0001；最大训练次数为5000。将实况测井数据输入漏失压力预测模型进行预测，得到预测漏失压力。
[0133]
进一步地，通过mse和rmse评价漏失压力预测模型和传统bp神经网络模型的预测性能，对比分析结果如表3所示。
[0134]
表3
[0135][0136]
其中，training error为训练误差，test error为测试误差。由表2所示，漏失压力预测模型比传统bp神经网络模型的误差小，预测性能更好。
[0137]
图5为本发明实施例提供的一种漏失压力预测模型的预测漏失压力与真实漏失压力的对比图，如图5所示，该对比图的横轴为样本数量，纵轴为漏失压力，单位为克每立方厘米(g/cm3)。图5所示，可以清楚的看出预测结果有一定的可信度，根据结果计算误差在0.5之内，预测效果良好。
[0138]
本发明实施例提供的漏失压力预测模型生成方法的技术方案中，通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型，通过漏失压力预测模型能够准确预测漏失压力，提高预测准确率和模型的适应度。
[0139]
图6为本发明实施例提供的一种漏失压力预测模型生成装置的结构示意图，该装置用于执行上述漏失压力预测模型生成方法，如图6所示，该装置包括：优化单元11和模型训练单元12。
[0140]
优化单元11用于通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数。
[0141]
模型训练单元12用于根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型。
[0142]
本发明实施例中，该装置还包括：改进单元13。
[0143]
改进单元13用于通过精英反向学习，对初始麻雀算法进行优化，得到改进麻雀算法。
[0144]
本发明实施例中，装置还包括：标准化单元14。
[0145]
标准化单元14用于通过灰色关联分析法，对获取的历史数据进行标准化处理，得到样本数据。
[0146]
本发明实施例中，历史数据包括原始测井数据和对应的实际漏失压力数据；标准化单元14具体用于从原始测井数据中选取出指定漏失压力参数的初始数据集；对初始数据集进行清洗预处理，得到清洗后的参数数据集；通过灰色关联分析法，根据参数数据集和实际漏失压力数据，得到样本数据。
[0147]
本发明实施例中，标准化单元14具体用于通过灰色关联分析法，对参数数据集和实际漏失压力数据进行关联度计算，得到每个参数对应的灰色关联度结果；对灰色关联度结果进行排序；从排序后的灰色关联度结果中选取出指定数量的灰色关联度结果，并将选取出的指定数量的灰色关联度结果对应的参数确定为样本参数；根据样本参数和实际漏失压力数据，生成样本数据。
[0148]
本发明实施例中，模型训练单元12具体用于按照设定比例对样本数据进行划分，得到训练集和测试集；按照最优网络参数和设定的超参数对反向传播神经网络模型进行设置，得到待训练的反向传播神经网络模型；通过训练集对待训练的反向传播神经网络模型进行迭代训练，得到漏失压力预测模型。
[0149]
本发明实施例中，测试集包括测试数据和对应的实际结果；装置还包括：测试单元15和性能评估单元16。
[0150]
测试单元15用于通过测试数据，对漏失压力预测模型进行测试，得到测试结果。
[0151]
性能评估单元16用于通过设定的性能评价指标，对测试结果和实际结果进行性能评估，得到性能评估结果。
[0152]
本发明实施例中，装置还包括：获取单元17和预测单元18。
[0153]
获取单元17用于获取实况测井数据。
[0154]
预测单元18用于将实况测井数据输入漏失压力预测模型进行预测，得到预测漏失压力。
[0155]
本发明实施例的方案中，通过改进麻雀算法，对获取的初始网络参数进行优化，得到最优网络参数；根据最优网络参数和获取的样本数据，对反向传播神经网络模型进行训练，生成漏失压力预测模型，通过漏失压力预测模型能够准确预测漏失压力，提高预测准确率和模型的适应度。
[0156]
上述实施例阐明的系统、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计算机设备，具体的，计算机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。
[0157]
本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述漏失压力预测模型生成方法的实施例的各步骤，具体描述可参见上述漏失压力预测模型生成方法的实施例。
[0158]
下面参考图7，其示出了适于用来实现本技术实施例的计算机设备600的结构示意图。
[0159]
如图7所示，计算机设备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，还存储有计算机设备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。
[0160]
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)、液晶反馈器(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。
[0161]
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程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。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。
[0162]
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。
[0163]
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。
[0164]
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。
[0165]
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。
[0166]
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。
[0167]
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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0168]
本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
[0169]
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。
[0170]
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。
[0171]
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。
[0172]
以上所述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。