[发明专利]一种基于误分类代价的钻井早期溢流智能监测方法

权利要求书

1.一种基于误分类代价的钻井早期溢流智能监测方法，其特征在于，该方法选择选择立管压力差、总池体积差、进出口流量差、进出口钻井液密度差、进出口钻井液温度差、进出口钻井液电导率、钻时这7个参数作为溢流预警的特征参数，以误分类代价最低为模型的优化目标，将代价敏感引入到早期溢流监测中，构建基于代价敏感的早期溢流监测模型，用于监测早期溢流；该模型由依次进行的特征转换模块、代价敏感数据集构建模块、集成学习模块这三个模块构成；其中，所述特征转换模块，用于将输入数据集进行归一化处理及转换原始的特征空间；所述代价敏感数据集构建模块，用于构建包含代价信息的训练数据集；所述集成学习模块，用于集成多个弱分类器以得到强分类器。

2.如权利要求1所述的基于误分类代价的钻井早期溢流智能监测方法，其特征在于，步骤如下：

S1、选择立管压力差、总池体积差、进出口流量差、进出口钻井液密度差、进出口钻井液温度差、进出口钻井液电导率、钻时这7个参数作为溢流预警的特征参数；

S2、建立基于代价敏感的早期溢流监测模型，其中，

所述特征转换模块，将各特征参数下一时刻相对于上一时刻的累积变化量作为输入参数输入到特征转换模块进行预处理，获得归一化及特征降维处理后的数据集；

所述代价敏感数据集构建模块，将预处理后的数据集送入代价敏感数据集构建模块中，正类样本得到扩增，扩增后的正类样本与负类样本构成代价敏感的训练集；

所述集成学习模块，用于集成多个弱分类器以得到强分类器；

S3、以某区块真实的钻井数据对基于代价敏感的早期溢流监测模型进行训练及测试。

3.如权利要求2所述的基于误分类代价的钻井早期溢流智能监测方法，其特征在于，所述特征转换模块中，对原始数据进行线性变换，转换函数如下：

采用KPCA算法转换特征，通过非线性映射Φ，将低维输入空间每一个X＝(x₁，x₂，…，x_p)(x_i∈Rⁿ，i＝1,2,…,p)中不可分的数据映射到高维特征空间Y，即：

在高维特征空间中进行数据处理，使输入空间中不可分的数据在高维特征空间中变得可分，再在这个更高的维度空间中利用特征的协方差矩阵判断变量间的方差一致性，寻找出变量之间的最佳的线性组合，来代替特征，从而达到降维的目的。

4.如权利要求3所述的基于误分类代价的钻井早期溢流智能监测方法，其特征在于，KPCA算法中，采用的多项式核函数如下：

k(x,y)＝(ax^ty+c)^d (3)

5.如权利要求2所述的基于误分类代价的钻井早期溢流智能监测方法，其特征在于，所述代价敏感数据集构建模块包括以下操作：

(1)代价敏感采用代价矩阵表示分类器错分时需要付出的代价，c₀为正类样本，c₁为负类样本，C(i，j)表示将i错分为j要付出的代价；

(2)通过代价矩阵获取代价信息后，根据代价嵌入过程的不同，将代价敏感学习分为三类方法：数据前处理方法、直接的代价敏感学习方法与结果后处理方法；

(3)通过扩增数据集中正类样本的数量，改变数据集不平衡比，将代价信息嵌入到数据集中。