[发明专利]一种基于机器学习的漏速概率分布预测方法和系统

权利要求书

1.一种基于机器学习的漏速概率分布预测方法，其特征在于，包括以下步骤：

S1对录井数据进行降维处理；

S2将经过降维处理的录井数据进行归一化，采用经过归一化的数据对混合密度神经网络模型进行训练；

S3计算所述混合密度神经网络模型的不确定性，获得所述混合密度神经网络模型的方差；

S4根据所述方差调整漏速范围，获得漏速概率分布情况。

2.如权利要求1所述的基于机器学习的漏速概率分布预测方法，其特征在于，所述步骤S1中降维处理的过程为：根据多口已钻井的综合录井数据和漏失记录，以漏速作为特征值，分析综合录井参数和漏失记录中漏速的相关性，对综合录井参数进行筛选，选出与漏速相关性较高的特征参数，作为漏速预测的特征参数。

3.如权利要求2所述的基于机器学习的漏速概率分布预测方法，其特征在于，采用皮尔森相关性分析算法、随机森林算法和递归消除特征算法对综合录井参数进行筛选。

4.如权利要求1-3任一项所述的基于机器学习的漏速概率分布预测方法，其特征在于，所述步骤S2中归一化的公式为：

其中，x_nor代表归一化后的数据；x_raw代表原始数据；x_max和x_min分别代表每组特征数据中的最大和最小值。

5.如权利要求1-3任一项所述的基于机器学习的漏速概率分布预测方法，其特征在于，所述步骤S3中混合密度神经网络模型以高斯模型为基础，通过多个不同方差与均值的高斯模型组合成混合高斯模型，预测得到符合高斯分布的漏速范围。

6.如权利要求5所述的基于机器学习的漏速概率分布预测方法，其特征在于，所述混合密度神经网络模型的输出层包括子高斯模型的均值、子高斯模型的方差以及各子高斯模型在混合高斯模型中的权重。

7.如权利要求6所述的基于机器学习的漏速概率分布预测方法，其特征在于，所述混合密度神经网络模型的表达式为：

其中，P(r|s)为在s条件下r发生的概率密度，N()表示高斯概率分布，r为漏速，s为综合录井参数，ω_g(s)，μ_g(s)和分别为第g个高斯概率分布模型的权重、均值和方差，G是子高斯模型的个数。

8.如权利要求6所述的基于机器学习的漏速概率分布预测方法，其特征在于，所述不确定性包括由模型本身与数据实际模型之间的误差所引起的不确定性和由数据的变化所引起的不确定性。

9.如权利要求6所述的基于机器学习的漏速概率分布预测方法，其特征在于，所述混合密度神经网络模型的方差Var(r^*|s^*)为：

其中，r^*为漏速，s^*为综合录井参数，E()为对应高斯分布的期望，α_i和μ_i分别为第i个子高斯模型对应的权重与均值。

10.一种基于机器学习的漏速概率分布预测系统，其特征在于，包括：

降维模块，用于对录井数据进行降维处理；

模型训练模块，用于将经过降维处理的录井数据进行归一化，采用经过归一化的数据对混合密度神经网络模型进行训练；

不确定性计算模块，用于计算所述混合密度神经网络模型的不确定性，获得所述混合密度神经网络模型的方差；

预测模块，用于根据所述方差调整漏速范围，获得漏速概率分布情况。