[发明专利]基于深度神经网络Sequential模型的深井钻井机械钻速预测方法

说明书

本发明涉及基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，包括：采集不同井的数据，作为原始钻井数据；将原始钻井数据分为输入参数和输出参数，输入参数包含井深、原始地层参数、钻井参数和钻头参数，输出参数为机械钻速，得到初始数据集D；进行非结构化数据的量化表征和结构化数据的标准化；使用基于深度神经网络的Sequential模型来进行预测；随机划分训练集D1和测试集D2；模型建立和训练，以影响机械钻速的参数作为输入层，机械钻速作为输出层，采用Rule函数作为网格传递的激活函数，Adam优化器进行函数权值的优化，损失函数MAE和MSE计算预测值和真实值的误差；模型的预测和结果的可视化。本发明能够准确预测机械钻速，克服现有技术的缺陷和不足。

技术领域

本发明涉及一种基于深度神经网络来预测机械钻速的方法，属于石油钻井领域，特别是涉及一种基于Sequential模型来预测机械钻速的方法。

背景技术

在深井、超深井钻井过程中，由于地质条件和井下工况复杂，工程施工面临很大风险和挑战，深井钻井周期长、钻井成本高和钻井效率低成为制约深部油气资源开发的重要技术瓶颈之一。机械钻速是钻井工程重要的技术指标之一，直接影响了钻井周期、成本及效率，准确预测机械钻速能够为优化配置资源、提高人员和设备的使用效率、降低钻井成本等方面具有重要意义。

机械钻速(ROP，Rate of Penetration)是表示单位纯钻进时间内所钻开岩石的进尺，是反应所用的碎岩方法、所钻的岩石性质、所用的钻进工艺和技术状况的一个指标，同时也是钻井所需时间的一个直接量度。从20世纪50年代开始，Siman、Woods等人先后分别对影响钻速的几个主要因如钻压、井眼直径、排量和转速等进行统计分析得出了一系列含有一些待定系数的钻速方程。大量的统计和待定系数的不确定性导致了传统的通过公式计算机械钻速的方法准确度大大降低。因此，(J-J HOPFIELD.Neural network and physicalsystems with emergent collective computational abilities[J].Proc.natl.sci,1992,79)提出了仿照了人类大脑的记忆存储功能的Hopield神经网络模型，网络拥有极佳的联想记忆功能，但是设计并搭建一个对应的机械钻速预测模型存在很大的困难。之后，Geoffrey Hinton和他的同事们提出了误差反向传播神经网络(Back Propagation,BP)，也就是俗称的BP神经网络误差反向传播的基本算法。本发明采用的一种基于深度神经网络Sequential模型的基础结构模型，能够构建非线性的复杂关系模型，解决多种参数影响下的复杂预测问题。

发明内容

本发明的目的在于提供基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，该方法原理可靠，操作简便，通过构建非线性的复杂关系模型，能够准确预测机械钻速，克服了现有技术的缺陷和不足。

为达到以上技术目的，本发明采用以下技术方案。

基于深度神经网络Sequential模型的深井钻井机械钻速预测方法，依次包括以下步骤：

步骤1：数据采集。选择一个特定区块，采集该区块中不同井的数据，得到数据样本集，该数据样本集包含录井数据和测井数据，统一整理到Excel表格或TXT文本中，作为原始钻井数据。由于不同的区块中地层条件差异很大，需选择一个特定的区块建立模型。

步骤2：数据参数的确定。将步骤1得到的原始钻井数据分为输入参数和输出参数，所述输入参数一共包含四类，分别是井深、原始地层参数、钻井参数和钻头参数，其中原始地层参数包括岩性、伽马系数GR和声波时差AC，钻井参数包括钻压、钻速、钻井液密度、立管压力、排量和扭矩；钻头参数包括钻头类型和钻头尺寸(即开次)；所述输出参数为机械钻速。将12个输入参数作为不同的特征属性，每个特征属性所包含的原始钻井数据作为输入变量X，机械钻速作为输出变量Y，得到初始数据集D。