[发明专利]一种测井遇阻遇卡的预测方法及装置

权利要求书

1.一种测井遇阻遇卡的预测方法，其特征在于，包括：

获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：SLAM电缆下井次数、PCL下井次数、井径、井斜以及泥浆密度；

利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。

2.如权利要求1所述的测井遇阻遇卡的预测方法，其特征在于，所述机器学习模型为前馈式深度机器学习模型，建立所述机器学习模型的步骤包括：

收集所述目标区块测井数据的历史数据；

根据历史遇阻遇卡数据以及其对应的历史数据生成所述前馈式深度机器学习模型的标签；

根据信噪比大于预设数值的历史数据以及标签对所述前馈式深度机器学习模型的初始模型进行训练，以生成所述机器学习模型。

3.如权利要求2所述的测井遇阻遇卡的预测方法，其特征在于，所述根据信噪比大于预设数值的历史数据以及标签对所述前馈式深度机器学习模型的初始模型进行训练，以生成所述机器学习模型，包括：

根据历史遇阻遇卡数据、所述历史遇阻遇卡数据对应的历史数据、所述前馈式深度机器学习模型中的可见层偏置以及隐含层偏置生成所述可见层偏置的连接权重以及隐含层偏置的连接权重，以训练所述初始模型。

4.如权利要求3所述的测井遇阻遇卡的预测方法，其特征在于，所述根据历史遇阻遇卡数据、所述历史遇阻遇卡数据对应的历史数据、所述前馈式深度机器学习模型中的可见层偏置以及隐含层偏置生成所述可见层偏置的连接权重以及隐含层偏置的连接权重，以训练所述初始模型，包括：

分别设置所述可见层偏置的初值、所述隐含层偏置的初值及所述连接权重的初值为三个小于预设数值的随机数；

将所述历史数据输入所述初始模型中；

进行以下迭代操作，直至所述初始模型的预测误差小于预设误差，得到所述深度信念网络模型；

由下向上逐层训练所述初始模型至n-1层，并将训练结果输入至所述初始模型的第n层，得到所述第n层的训练结果；其中，n为所述前馈式深度机器学习模型的训练总层数；

根据所述第n层的训练结果及所述历史数据计算所述预测误差；

当所述预测误差大于预设误差时，根据所述预测误差，由上向下逐层优化所述初始至第1层。

5.如权利要求2所述的测井遇阻遇卡的预测方法，其特征在于，在建立所述机器学习模型之前，还包括：

将所述历史数据进行滤波；

将所述历史数据进行归一化；

去除所述历史数据中的异常值。

6.如权利要求2所述的测井遇阻遇卡的预测方法，其特征在于，所述历史遇阻遇卡数据包括：立管压力、大钩载荷、井口压力、出口流量、泵冲、入口流量、钻时、井底环空压力、全烃、C1数据以及工况数据；

所述工况数据包括：溢流、漏失及正常。

7.一种测井遇阻遇卡的预测装置，其特征在于，包括：

测井数据获取单元，用于获取目标区块待预测遇阻遇卡的测井数据，所述测井数据包括：SLAM电缆下井次数、PCL下井次数、井径、井斜以及泥浆密度；

遇阻遇卡预测单元，用于利用所述测井数据及预先建立的机器学习模型预测所述目标区块的测井遇阻遇卡。

8.如权利要求7所述的测井遇阻遇卡的预测装置，其特征在于，所述机器学习模型为前馈式深度机器学习模型，还包括：模型建立单元，用于建立所述机器学习模型，所述模型建立单元包括：

历史数据收集模块，用于收集所述目标区块测井数据的历史数据；

标签生成模块，用于根据历史遇阻遇卡数据以及其对应的历史数据生成所述前馈式深度机器学习模型的标签；

模型训练模块，用于根据信噪比大于预设数值的历史数据以及标签对所述前馈式深度机器学习模型的初始模型进行训练，以生成所述机器学习模型。