[发明专利]一种基于时间递归神经网络的钻井事故预警方法

权利要求书

1.一种基于时间递归神经网络的钻井事故预警方法，其特征在于，包括：

S1、采用自回归模型分析方法预测某一时刻的钻井的特征值，并衡量预测得到的特征值与所述时刻钻井真实数据之间的差异，得到事故候选集合；利用专家知识对事故候选集合中的事故进行真伪判断，并划分事故类型，获得已标注的若干钻井时序数据，包括：

确定平滑窗口大小；

根据自回归模型分析方法，利用时间序列数据一个时刻前的一个平滑窗口数据预测本时刻的特征数据值；

根据相似性衡量标准衡量所述时刻的特征数据值与真实值之间的相似性，若所述相似性低于预设的阈值，则判断为事故，并得到特征数据值的事故候选集合；

基于专家知识对事故候选集合中事故进行真伪判断，筛选钻井生产过程中真实的事故，并对事故类别划分，获得标注的大量钻井时序数据；

其中，相似性衡量标准包括一范数相似性、二范数相似性和余弦相似性中的任意一种；

S2、基于深度学习，构建时间递归神经网络模型；随机选取部分标注的时序数据作为训练集，具体输入为各特征的组合和时间窗口的选取，并对模型进行训练，预测输出一分钟后的事故发生概率与事故发生的类型，包括：

构建预测事故的神经网络模型，确定输入节点数、输出节点数及隐藏层节点数：

其中，输入节点数即是标注了的钻井时序数据的标签数，标注钻井时序数据的标签包括取自提升系统的钻压、大钩负荷、大钩高度、井眼深度、钻头位置；取自旋转系统的转盘转速、转盘扭矩；取自循环系统的泥浆密度、泥浆进出口温度、地面泥浆总体积、进出口泥浆流量、泥浆进出口电导率、泵压、泵排量、烃类气体含量；取自监测参数的水力参数、钻井参数；上述特征数据与泥浆性能有关，与机械特性相联系，综合反映了钻井工程各个设备与系统的工作状态，并很好地反映钻井过程的运行状况，是后续事故发生预测的基础；

隐藏层节点数没有固定的公式，根据经验选取；

输出层的节点数为3，分别对应卡钻、井涌、井喷三种异常情况；

随机选出步骤S1中标注的若干钻井时序数据中的部分数据，并将部分数据作为训练集；

将钻井中产生的36个特征数据进行组合，并根据设置的时间窗口大小切分钻井实时数据，得到输入矩阵；

迭代所述训练集中的数据，并输出1分钟后钻井现场事故发生概率和事故类型，进而得到钻井事故预警模型。

2.根据权利要求1所述的基于时间递归神经网络的钻井事故预警方法，其特征在于：若所述特征数据值与真实值之间的差异高于预设的阈值，则弃用所述特征数据值；若所述特征数据值与真实值之间的差异低于预设的阈值，则得到所述特征数据值的事故候选集。