[发明专利]一种基于时间递归神经网络的钻井事故预警方法

说明书

本发明公开了一种基于时间递归神经网络的钻井事故预警方法。第一步，采用自回归模型分析方法预测某一时刻的钻井特征值，并衡量预测得到的特征值与该时刻钻井真实数据之间的差异，由此得到事故候选集合。然后利用专家知识对事故候选集合中的事故进行真伪判断，并划分事故类型；最后获得已标注的若干钻井时序数据；在获得标注数据的前提下，训练一个有监督的模型，第二步，基于深度学习，构建时间递归神经网络模型。首先，随机选取部分标注的时序数据作为训练集，具体输入为各特征的组合和时间窗口的选取，然后对模型进行训练，最终预测输出一分钟后的事故发生概率与事故发生的类型。

技术领域

本发明属于钻井预警模型的技术领域，具体涉及一种基于时间递归神经网络的钻井事故预警方法。

背景技术

在钻井施工过程中，工程事故发生的可能性随时都存在，事故的发生会造成资金的巨大损失和时间的巨大浪费。而在工程事故发生前给出某种程度、某种意义上的警示，对于预防事故的发生、控制事故的发展、最大限度的减少损失都具有重大意义。长期以来，安全钻井和优化钻井一直是钻探工程的重要研究课题之一，根据钻井过程中的参数变化，分析和处理钻井数据，建立事故预警模型来预测并诊断事故现象，及时知道各种可能出现的钻井事故，如井涌、井喷及卡钻等，才能保证钻井作业正常进行。

现已有的用于预测钻井事故的方法，主要包括：通过计算计划的预期井眼能量和计划的井身的预期迂曲度来对钻井事故的发生进行预测；用液压循环系统模拟过程中套管内油气输运特性；通过水压缓冲器的波动变化信号，使报警器发出事故报警。

这三种方法，都通过对钻井时一个或两个特征信号改变，如根据计算计划的预期井眼能量和计划的井身的预期迂曲度或是根据泵压的改变等来对钻井事故是否会发生进行判断，而事故发生的影响因素又有很多，所以现有的技术对钻井事故的预测不够准确和全面。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种基于时间递归神经网络的钻井事故预警方法，以解决现有钻井预警方法对钻井事故的预测不够准确和全面的问题。

为达到上述目的，本发明采取的技术方案是：

一种基于时间递归神经网络的钻井事故预警方法，其包括：

S1、采用自回归模型分析方法预测某一时刻的钻井特征值，并衡量预测得到的特征值与所述时刻钻井真实数据之间的差异，得到事故候选集合；利用专家知识对事故候选集合中的事故进行真伪判断，并划分事故类型，获得已标注的若干钻井时序数据；

S2、基于深度学习，构建时间递归神经网络模型；随机选取部分标注的时序数据作为训练集，具体输入为各特征的组合和时间窗口的选取，并对模型进行训练，预测输出一分钟后的事故发生概率与事故发生的类型。

优选地，实现步骤S1的方法为：

确定平滑窗口大小；

根据自回归模型分析方法，利用时间序列数据一个时刻前的一个平滑窗口中的数据预测本时刻的钻井特征值；

根据相似性衡量标准衡量所述时刻的特征值与钻井真实数据之间的相似性，若所述相似性低于预设的阈值，则判断所述时刻出现钻井事故，并得到钻井事故候选集合；

基于专家知识对事故候选集合中事故进行真伪判断，筛选钻井生产过程中真实的事故，并对事故类别划分，获得标注的大量钻井时序数据。

优选地，输出一分钟后的事故发生概率与事故发生的类型的方法为：

构建预测事故的神经网络模型；

随机选出步骤S1中标注的若干钻井时序数据中的部分数据，并将部分数据作为训练集；

将钻井中产生的36个特征数据进行组合，并根据设置的时间窗口大小切分钻井实时数据，得到模型的输入；