[发明专利]一种测井遇阻遇卡的预测方法及装置

说明书

本发明提供了一种测井遇阻遇卡的预测方法及装置，测井遇阻遇卡的预测方法包括：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。本发明可准确预测测井施工过程中的遇阻遇卡问题，降低复杂风险，为定向井钻井施工作业提供技术支持。

技术领域

本发明涉及石油天然气勘探技术领域，具体涉及一种测井遇阻遇卡的预测方法及装置。

背景技术

测井技术是石油钻井到设计井深后，获得各种石油地质及工程技术资料的相关技术，作为完井和开发油田的原始资料的必要手段。根据地质和地球物理条件，合理地选用综合测井方法，可以详细研究钻孔地质剖面、探测有用矿产、详细提供计算储量所必需的数据，如油层的有效厚度、孔隙度、含油气饱和度和渗透率等，以及研究钻孔技术情况等任务。目前造成测井遇阻遇卡的原因很多，且无法精准预测，往往是依靠人工经验判断，没有形成系统的方法，如何准确预测某一特定地区的测井遇阻遇卡，对于该地区测井的顺利进行，降低施工风险，具有重要的意义。

发明内容

针对现有技术中的问题，本发明提供的测井遇阻遇卡的预测方法及装置，可准确预测遇阻遇卡问题，为定向井钻井施工作业提供借鉴。为解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供一种测井遇阻遇卡的预测方法，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。

一实施例中，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。

一实施例中，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。

一实施例中，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。

一实施例中，在建立所述机器学习模型之前，还包括：