【技术实现步骤摘要】
本专利技术涉及石油工程、深度学习和数字孪生领域，具体涉及一种基于深度学习和数字孪生的井眼轨迹预测方法、系统、设备和介质。
技术介绍
1、导向钻井技术是当前世界石油钻井领域中的重要新技术，具有自动化程度强、钻井速度快、钻井周期短等优势。导向钻井能够使井眼轨迹由非目标层向目标地层延伸，以最大限度地提高油气产量。而井眼轨迹预测作为该技术的关键部分，直接影响到油气井的钻进路径。准确预测井眼轨迹能够最大限度地提高油气勘探与开发的效率、降低勘探和生产成本，降低钻井事故的风险，保障井下作业人员的安全。因此，研究在复杂地质条件下实现井眼轨迹的精确预测成为导向钻井领域亟待解决的关键难题之一。
2、由于地质结构的多样性和复杂性，采用几何模型、曲率模型等传统模型进行井眼轨迹预测时，由于忽略了井眼轨迹中时间和空间的非线性关系，导致井眼轨迹预测存在较大的不确定性，从而影响导向钻井的准确钻进，难以精确中靶。采用长短时记忆网络、随机森林等基于数据的无模型预测方法存在过拟合、超参数调节困难和运行时间长等问题，因此需要寻求更好的方法来预测井眼轨迹势在必行。
3、中国专利cn115095318b公开了一种基于粒子滤波的井眼轨迹预测方法及装置。该方法包括：获取待预测目标井周边的邻井数据，并基于邻井数据获得预处理数据；根据预处理数据，构建井斜角观测方程和状态方程，以及方位角观测方程和状态方程；基于粒子滤波，求解井斜角观测方程和状态方程，以及方位角观测方程和状态方程，以确定目标井的井眼轨迹参数和井眼轨迹参数置信区间。基于上述方法能够解决现有方法中
技术实现思路
1、为了克服上述现有技术存在的问题，本专利技术的目的在于提供了一种基于深度学习和数字孪生的井眼轨迹预测方法、系统、设备和介质，针对井眼轨迹的可视化问题，采用星雀优化算法(nutcracker optimizer algorithm，noa)结合长短时记忆网络(long-shortterm，lstm)井眼轨迹预测方法(noa-lstm)，并通过数字孪生技术不断收集和整合实际钻井的数据来更新模型，使之保持与物理实体的同步；解决了由于地质结构的多样性和复杂性，传统模型难以精确预测井眼轨迹问题，可以实时掌握井下地质结构和钻进的实际情况，减少意外事故的风险。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于深度学习和数字孪生的井眼轨迹预测方法，包括以下步骤：
4、步骤一、根据井眼轨道设计数据，建立井眼轨道3d模型；根据钻井设备信息、地层信息和井内流体信息，建立井眼轨迹数字孪生模型；
5、步骤二、构建noa-lstm井眼轨迹预测模型；
6、步骤三、将钻井数据输入到noa-lstm井眼轨迹预测模型中，得到井眼轨迹预测数据；
7、步骤四、采用步骤三得到的井眼轨迹预测数据更新井眼轨迹数字孪生模型，得到井眼轨迹数字孪生的预测结果，并进行分析。
8、所述步骤一的具体步骤或方法为：
9、根据井眼轨道设计数据，包括井眼深度范围、井眼直径、井眼轨迹形状、方位角、井斜角，在制图软件上进行建模，导出为fbx或obj文件，再导入到3d软件，完成井眼轨道3d建模；
10、将获取的钻井设备信息，包括钻头和钻柱的类型、规格、几何形状、长度、直径信息，钻头刀具的磨损数据以及传感器获取的温度、压力、振动、钻进参数，在制图软件上进行建模，导出为fbx或obj文件，再导入到3d软件，进行钻柱和钻头数字孪生建模；
11、将获取的地层信息，包括岩石的类型、组成、颗粒大小、颜色、密度、声波反射系数信息，地下岩石的电性、密度、声波传播速度物理性质，地层强度、地层稳定性以及地层渗透性，在制图软件上进行建模，导出为fbx或obj文件，再导入到3d软件，进行地层的数字孪生建模；
12、将获取的井内流体信息，包括钻井液、岩屑和流体的分布和含量信息，在3d软件映射出钻井效果，钻到不同的岩层时，出现不同的钻井效果，进行井内流体的数字孪生建模；
13、综合钻柱和钻头、地层和井内流体的数字孪生建模，完成井眼轨迹数字孪生建模；
14、同时利用传感设备，在线监测井眼轨迹实测数据，并对数字孪生模型进行数据交互、调整与修正；在数字孪生模型的界面增加数据可视化，实时显示钻头、钻柱的类型、规格和尺寸、地层信息、钻进参数信息，了解井下地质结构和钻进的实际情况。
15、所述步骤二具体包括以下步骤：
16、2.1构建lstm井眼轨迹预测模型，包括以下步骤：
17、2.1a数据准备：将步骤一中的钻井设备信息、地层信息和井内流体信息构成的数据集划分为训练集和测试集；
18、2.1b采用matlab深度学习工具箱，构建lstm网络结构，包括通过神经元之间的权重和偏差连接的输入层、lstm隐藏层、dropout层及输出层，设置输入层数、lstm隐藏层数、dropout层数、输出层数；
19、2.1c配置lstm神经网络训练的选项，包括优化器、最大训练次数、最小批次样本数、梯度的阈值、初始学习率、学习率调度策略、学习率下降的周期和学习率下降的因子，然后对lstm神经网络进行训练；
20、2.2采用noa对步骤2.1构建的lstm井眼轨迹预测模型的超参数进行优化，得到基于noa优化的井眼轨迹预测模型即noa-lstm井眼轨迹预测模型，包括以下步骤：
21、2.2a确定lstm网络超参数的优化范围，包括lstm隐藏层数、dropout层数、最大训练次数、最小批次和学习率；采用式(1)对星雀种群位置进行初始化，即获取初始的超参数组合：
22、
23、其中，星雀种群数量为n，星雀种群维度为d，就表示个体i的第j维变量，uj和lj分别表示第j维变量的下界和上界，rm是[0,1]之间的随机向量；
24、2.2b采用觅食存储策略和缓存搜索恢复策略更新星雀种群中个体位置，每个星雀位置代表当前迭代中的一个解即当前迭代中的一组超参数组合，采用该组合更新lstm网络中的超参数并且进行训练和预测；根据式(2)计算适应度函数，并且采用适应度函数对星雀的每个新位置解的质量进行评估；根据式(3)更新每个星雀的位置，如果新位置解的适应度函数值大于当前位置解的适应度函数值，则星雀将保持其当前位置；如果新位置解的适应度函数值小于当前位置解的适应度函数值，则更新当前位置；根据式(4)更新迭代次数；
25、
26、
27、t＝t+1 (4)
28、其中，n为预测样本文档来自技高网...
【技术保护点】
1.一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，所述步骤一的具体步骤或方法为：
3.根据权利要求1所述的一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，所述步骤二具体包括以下步骤：
4.根据权利要求1所述的一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，所述步骤三的具体步骤或方法为：
5.根据权利要求1所述的一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，所述步骤四的具体步骤或方法为：
6.一种基于深度学习和数字孪生的井眼轨迹预测系统，该系统用于实现基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，该系统包括：
7.一种电子设备，包括处理器和存储器，其特征在于，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现上述基于深度学习和数字孪生的井眼轨迹预测方法。
8.一种接收用户输入程序的计算机存储介质，其特征在于，所述存储介质存储
...【技术特征摘要】
1.一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，所述步骤一的具体步骤或方法为：
3.根据权利要求1所述的一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，所述步骤二具体包括以下步骤：
4.根据权利要求1所述的一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，所述步骤三的具体步骤或方法为：
5.根据权利要求1所述的一种基于深度学习和数字孪生的井眼轨迹预测方法，其特征在于，所述步骤四...
【专利技术属性】
技术研发人员：高怡，王娜，马一豪，崔久帅，职承展，杨粉粉，任俊杰，
申请(专利权)人：西安石油大学，
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。