【技术实现步骤摘要】
本专利技术涉及油气井领域中地层压力系数的预测方法，特别涉及一种基于机器学习改进算法的地层压力预测方法。
技术介绍
1、地层压力是油气井领域勘探开发的关键参数，在地层被打开后，如果钻井液液柱压力低于地层孔隙压力，如果处理不当会导致井涌甚至井喷等严重钻井事故，不仅会对环境造成不可逆转的伤害，还会危及人身安全，造成设备财产损失。因此准确的地层孔隙压力系数预测关乎着合理钻井液密度的设计与钻井任务的安全、高效。
2、但是，目前传统的地层孔隙压力预测方法一般采用：dc指数法，bowers法，sigma法，岩石强度法等，每一次地层压力计算不仅需要人工的正常压实趋势线经验判断，还需要进行大量数据的回归处理，工作流程耗时耗力。此外，由于pdc钻头的普及导致基于牙轮钻头的方法误差偏大，在高温高压条件下与复杂异常压力成因下的地层压力失准，精准性不高，增加了井涌、井壁失稳等工程风险的可能。目前急需一种新的方法构建钻井参数间的非线性关系模型，精度更高、更加易于工程人员使用。
技术实现思路
1、本专利技术的目的就是针对现有技术存在的上述缺陷，提供一种基于机器学习改进算法的地层压力预测方法，从而节省模型训练时间提高效率、提高地层压力预测的准确性，该方法可以为钻井工程安全钻进提供参考，在未来人工智能与石油工程结合应用中有着更大的应用潜在性。
2、本专利技术提到的一种基于机器学习改进算法的地层压力预测方法，其技术方案是：包括以下步骤：
3、步骤1，根据钻井工程及地质勘探需要，收集
4、步骤2，对收集到的数据进行预处理：数据清洗，去除数据异常值、空值，对数据分布进行统计；
5、步骤3，对录井数据与地层压力进行斯皮尔曼相关系数分析，得出合适的lstm训练参数；
6、步骤4，建立pso-lstm模型，并利用步骤2处理后已有的区块录井资料进行神经网络学习训练；
7、步骤4-1，确定lstm神经网络拓扑结构，将数据进行min-max归一化；
8、步骤4-2，确定粒子群优化算法中的参数设置，包括但不限于粒子数量，迭代次数，惯性权重参数，使用粒子群优化算法优化lstm神经网络参数，从而使模型预测精准度提升；
9、步骤4-3，将训练数据按比例划分为训练集和验证集，同时读取训练集数据，利用pso-lstm模型进行训练，同时读取验证集数据，在训练过程中进行验证，保存误差损失符合预期要求的模型；
10、步骤4-4，读取测试集数据，经过归一化处理后输入到步骤4-3中保存的pso-lstm模型中进行预测，输出预测结果。
11、优选的，步骤2中对数据进行预处理，包括对录井数据转化为时间序列数据后顺序进行数据清洗、缺失值填充、min-max归一化，其中，数据清洗针对录井数据中存在的nan值及异常工况值进行剔除，缺失值填充通过邻近均值填充，其中归一化公式如式（1）所示：
12、 （1）
13、其中表示原始数据，表示归一化后数据，表示数据集中的最大值，表示数据集中的最小值。
14、优选的，步骤3中对数据进行斯皮尔曼相关性分析，相关性分析公式如式（2）所示：
15、 （2）
16、其中是等级个数，d为两列成对变量的等级差数。
17、优选的，在步骤4-1中使用的lstm神经网络算法模型包括：遗忘门控制单元；更新门控制单元;输出门控制单元，其中是上一时刻的单元状态，是当前时刻的单元状态，是上一时刻隐藏层的输出，与是激活函数，是当前时刻的输入，和分别是遗忘门、更新门、输出门的权重和偏置参数。
18、优选的，步骤4-2中使用粒子群优化算法优化lstm神经网络的学习率、隐藏层大小的超参数中的一项，具体过程包括：
19、假设在一个s维的解空间内，有n个粒子，粒子本身没有体积、质量，本身属性只具有速度和位置，每个粒子都在这个解空间中运动，通过速度改变其方向与位置，其中第i个粒子的位置坐标为；速度向量为；
20、第t代向第t+1代位置变化更新公式如式（3）所示：
21、 （3）
22、其中是介于（0,1）之间的随机数，为惯性权重，是学习因子，是个体历史最优值，是种群历史最优值。
23、优选的，本专利技术对于模型预测准确度的评价指标为mse，公式如式（4）所示：
24、 （4）
25、n为样本数量，是实际地层压力系数，是模型预测地层压力系数。
26、与现有技术相比，本专利技术的有益效果具体如下：
27、本专利技术通过建立长短期记忆神经网络（lstm）对处理后的录井数据进行训练、预测，再结合粒子群优化算法（pso）对其隐藏层单元数、学习率等超参数进行优化，从而节省模型训练时间提高效率、提高地层压力预测的准确性，该方法可以为钻井工程安全钻进提供参考，在未来人工智能与石油工程结合应用中有着更大的应用潜在性；
28、本专利技术通过利用神经网络强大的非线性拟合功能，在众多录井要素中寻找合适的参数，进而建立预测地层孔隙压力的机器学习模型，拥有比dc指数法、svr、lstm等方法更高的精准度，无论是在正常压实地层，还是异常高压层段表现出相当高的准确性。
本文档来自技高网...【技术保护点】
1.一种基于机器学习改进算法的地层压力预测方法，其特征是：包括以下步骤：
2.根据权利要求1所述的基于机器学习改进算法的地层压力预测方法，其特征是：步骤2中对数据进行预处理，包括对录井数据转化为时间序列数据后顺序进行数据清洗、缺失值填充、Min-Max归一化，其中，数据清洗针对录井数据中存在的Nan值及异常工况值进行剔除，缺失值填充通过邻近均值填充，其中归一化公式如式（1）所示：
3.根据权利要求2所述的基于机器学习改进算法的地层压力预测方法，其特征是：步骤3中对数据进行斯皮尔曼相关性分析，相关性分析公式如式（2）所示：
4.根据权利要求3所述的基于机器学习改进算法的地层压力预测方法，其特征是：在步骤4-1中使用的LSTM神经网络算法模型包括：遗忘门控制单元；更新门控制单元;输出门控制单元，其中是上一时刻的单元状态，是当前时刻的单元状态，是上一时刻隐藏层的输出，与是激活函数，是当前时刻的输入，和分别是遗忘门、更新门、输出门的权重和偏置参数。
5.根据权利要求4所述的基于机器学习改进算法的地层压力预测方法，其特征是：
6.
...【技术特征摘要】
1.一种基于机器学习改进算法的地层压力预测方法，其特征是：包括以下步骤：
2.根据权利要求1所述的基于机器学习改进算法的地层压力预测方法，其特征是：步骤2中对数据进行预处理，包括对录井数据转化为时间序列数据后顺序进行数据清洗、缺失值填充、min-max归一化，其中，数据清洗针对录井数据中存在的nan值及异常工况值进行剔除，缺失值填充通过邻近均值填充，其中归一化公式如式（1）所示：
3.根据权利要求2所述的基于机器学习改进算法的地层压力预测方法，其特征是：步骤3中对数据进行斯皮尔曼相关性分析，相关性分析公式如式（2）所示：
【专利技术属性】
技术研发人员：闫传梁，张振，吴斯霓，程远方，韩忠英，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。