[发明专利]一种基于机器学习的地层岩性随钻识别方法

说明书

本发明公开了一种基于机器学习的地层岩性随钻识别方法，包括首先获取待识别地层区块的钻进特征参数，然后使用不同核函数的PCA方法对钻进特征参数进行降维处理得到不同数据集，随后分别使用不同算法对不同降维方法降维后的数据集进行聚类，根据不同聚类结果分别使用不同算法训练出不同的地层岩性识别模型分别进行地层岩性识别，最后，将不同降维方法，不同聚类方法，不同地层岩性识别模型正交组合实验后的识别结果进行对比，筛选出此地层区块最优的地层岩性随钻识别方法，解决了单一模型对数据集要求高、泛化能力差以及识别精度低等缺点，本发明公开的方法识别精度高，能够根据钻井参数随钻识别地层岩性，为现场施工提高机械钻速提供参考。

技术领域

本发明涉及地层岩性识别方法领域，特别涉及一种基于机器学习的地层岩性随钻识别方法。

背景技术

随钻识别地层岩性，根据识别结果及时调整钻井参数能够有效提高钻井效率。在钻井工程中，钻速是衡量各类岩石可钻性的基本指标，钻压、转速、泵压及排量是影响钻速的主控因素，可直接利用钻井参数对地层岩性进行随钻识别，根据识别结果实时调整钻井参数，提高机械钻速。随着机器学习技术的快速发展，基于机器学习，利用钻井参数驱动智能模型为随钻识别地层岩性提供了一种新思路和新方法。

起源于20世纪50年代初的机器学习依次经历了推理期、知识期和学习期3个历史阶段。1943年，皮兹对MCP(Master Content Provider)模型的提出，迎来了人工神经网络的发展时期，夯实了神经网络模型的理论基础，同时，也标志着深度学习的开端。21世纪以来，随着大数据技术的发展，机器学习算法在计算能力、图像识别等领域取得了快速的发展，机器学习方法主要包括：有监督学习，如决策树、回归、神经网络等；无监督学习，如降维、聚类等；强化学习，如策略迭代、蒙特卡洛等。目前机器学习已广泛应用于油气行业中，刘兆年等利用录井数据，结合神经网络和遗传算法，找出了适用于渤海某区域不同地层的最优机械钻速及其对应的钻井参数。谷建伟等利用支持向量机和长短期记忆神经网络模型分别开展见水波及识别和剩余油分布预测训练，搭建剩余油预测模型，实现了预测油藏平面剩余油分布。孙歧峰等基于长短期记忆神经网络设计地层识别分类器模型，判定轮廓点集合描述地层信息的真伪，提高地层识别的准确度。Ben等利用RF(Random Forest)，CNN(Convolutional Neural Networks)，CNN/RNN(Recursive Neural Network)混合模型3种机器学习方法，获得了对实时钻井状态的模式识别方法。赵艳红等针对套管损坏问题，采用机器学习技术，根据油水井历史生产数据，分别采用随机森林和支持向量机算法建立单井套损预测模型，提出预测套管损坏的方法。张瑞等基于多变量时间序列(MTS)及向量自回归(VAR)机器学习模型，用于预测水驱油藏的产量。Cao等开发了包括钻井导向系统模块、实时摩阻扭矩模块及实时水力学模块等7个模块的实时钻井分析系统，将人工智能方法与实时钻井分析相融合形成了钻井的实时决策支持工具，得到了现场作业队的认可。Aliyev等利用随机森林结合其他钻井参数建立径向基函数网络模型和多层感知机模型来预测机械钻速。Kiss等构建了一个32输入单输出的神经网络，对139个压裂施工数据的地层破裂压力进行学习，实现了地层破裂压力的预测。Bruyelle等利用人工神经网络来模拟注采关系，进而以NPV最大值来建立优化模型，实现了注采参数优化。邴绍强利用皮尔逊相关系数分析方法，确定了7项主控参数，并创建了结蜡预警规则模型，利用LSTM(Long Short-TermMemory)进行训练，预测抽油机井的结蜡程度。樊浩杰将卷积神经网络、栈式稀疏自编码神经网络与支持向量机相结合形成改进模型，应用于抽油机井故障智能诊断中，实现了自动学习示功图特征的能力，提高了油田作业效率。侯春华针对油田常用人工智能产油量预测方法无法考虑数据在时间上相关性的问题，提出了采用基于LSTM的油田新井产油量预测方法。段友祥等利用阻抗数据、采用K-Means聚类方法进行沉积相估计，获得储层的相带空间展布特征，然后对不同相带使用岭回归的方法对孔隙度进行预测。孙鑫蕾等通过在时域上提取信号的分散特征和形状分布特征，然后利用主成分分析法对时域特征进行降维处理，得到主要特征成分后，利用支持向量机对特征进行分类训练，实现对钻进地层和钻遇水泥环、套管的自动识别。檀朝东提出了一种具有动作自寻优能力的螺杆泵排采强化模型的框架和Q学习及Sarsa、Sarsa(lambda)算法，通过与环境的交互式学习，对动态环境进行灵活奖惩，实现智能体在复杂环境下智能决策和参数优化，可有效获取煤层气螺杆泵排采最优协调控制。