[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

说明书

本发明属于油气井工程领域，涉及一种基于机器学习的漏速概率分布预测方法和系统，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。其能够对漏速范围进行准确预测，并结合预测结果不确定性，为钻井参数优化提供参考，实现漏失控制。

技术领域

本发明涉及一种基于机器学习的漏速概率分布预测方法和系统，属于油气井工程领域。

背景技术

漏失是钻井工程中十分常见的事故，不仅会造成钻井液的损失，同时可能会导致卡钻等其他井下复杂事故，从而增加钻井成本和钻井周期。因此漏失问题是钻井工程中面临的一大难题。

此前已有许多专家学者，就钻井漏失问题提出了漏失的预测、诊断和控制的模型与方法。这些模型主要可以分为两大类，即经验模型和数学模型。经验模型建立方法简单，针对特定的问题适应性较强，通过相关性分析，采用二元回归方法拟合经验公式，进行漏失诊断、预测及控制。经验模型需要大量的漏失数据作为基础，因此其通用性和准确性受到了限制。数学模型基于对物理现象的抽象和描述，使得通用性和准确性大大提高，也成为研究漏失问题的主要方法，但数学模型中个别参数的选取存在不确定性，且在不同条件下求解获得的结果也大相径庭，与实际结果差异较大。近年来随着人工智能技术的发展，也有不少专家从人工智能相关技术着手，进行漏失的研究。目前基于人工智能技术对漏失的研究主要分为两类，即预测和诊断。在漏失预测方面，主要是基于机器学习技术，结合地震属性数据，利用测井数据实现漏失数据与地震数据的连接，进行漏失风险的概率预测。在漏失诊断方面，主要是利用录井数据，运用机器学习方法以漏速为标签，进行漏失诊断，判断漏失是否会发生。也有进行漏速预测的，但预测得到的大多是单一漏速值，与真实的漏速往往有一定偏差，并不是十分准确。

发明内容

针对上述问题，本发明的目的是提供一种基于机器学习的漏速概率分布预测方法和系统，其能够对漏速范围进行准确预测，并结合预测结果不确定性，为钻井参数优化提供参考，实现漏失控制。

为实现上述目的，本发明采取以下技术方案：一种基于机器学习的漏速概率分布预测方法，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计算混合密度神经网络模型的不确定性，获得混合密度神经网络模型的方差；S4根据方差调整漏速范围，获得漏速概率分布情况。

进一步，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，选出与漏速相关性最高的特征参数，作为漏速预测的特征参数。

进一步，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。

进一步，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。

进一步，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按照不同的权重组合成混合高斯模型，预测得到符合混合高斯分布的漏速范围。

进一步，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。

进一步，混合密度神经网络模型的表达式为：