[发明专利]机械钻速预测方法及装置

说明书

本发明公开了一种机械钻速预测方法及装置，其中方法包括：获得机械钻井数据；根据破岩机理信息，对机械钻井数据进行分类；将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数；将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数；将线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。本发明可以预测机械钻速，在发掘数据背后物理机理的基础上提高预测精度。

技术领域

本发明涉及石油勘探技术领域，尤其涉及机械钻速预测方法及装置。

背景技术

预测机械钻速是优化钻井的重要组成部分，可以指导现场施工，提高效率。目前现有的机械钻速预测方法主要可分为机理方程、物理仿真、多元回归、机器学习、深度学习五种，国内均开展了许多的研究。一般来说物理仿真和机理方程方法二者结合使用，先基于物理仿真获取地层的可钻性数据，再基于机理方程对钻速进行预测。除此之外，也有学者基于地球物理数据反演地层属性，进而基于岩石破碎机理预测机械钻速。多元线性回归方法也是一种常用的预测机械钻速的方法，该方法往往以钻速方法为基础，利用大量的数据通过多元回归分析方法进行钻速方程系数的求解。但以上方法存在较为严重的问题，基于破碎机理预测方法假设多，考虑因素过少，误差过大，现场使用效果较差；多元回归方法再一口井上预测效果较好，但在其他井效果差，迁移性低，且需要大量数据，不切合实际作业。

随着人工智能算法的进步和计算机算力的提升，人工智能方法也开始逐渐用于机械钻速的预测。现有的人工智能预测机械算法主要分为两方面，分别是机器学习、深度学习。基于机器学习的预测方法有贝叶斯方法、主成分分析方法等。基于机器学习的预测方法与传统方法相比具有更好的鲁棒性和精确度，针对中小规模的数据具有一定较好的效果。除了机器学习方法，基于深度学习预测机械钻速国内外也开展了大量研究比如反向传播神经网络、长短期记忆循环神经网络等方法。基于深度学习的机械钻速预测方法与机器学习方法相比由于具有更高的模型复杂度，深度学习模型具有更好的拟合能力和更高的精度，获取更多的数据信息。因此基于深度学习所建立的神经网络方法现在被广泛使用和研究。

现有的机械钻速预测方法无法在发掘数据背后物理机理的基础上保证预测精度。因此，亟需一种可以克服上述问题的机械钻速预测方案。

发明内容

本发明实施例提供一种机械钻速预测方法，用以预测机械钻速，在发掘数据背后物理机理的基础上提高预测精度，该方法包括：

获得机械钻井数据；

根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；

将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；

将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；

将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；

将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。

本发明实施例提供一种机械钻速预测装置，用以预测机械钻速，在发掘数据背后物理机理的基础上提高预测精度，该装置包括：

数据获得模块，用于获得机械钻井数据；