[发明专利]一种基于机器学习的石油钻井大数据处理方法和装置

权利要求书

1.一种基于机器学习的石油钻井大数据处理方法，其特征在于，包括以下步骤：

步骤S1、获取历史井实时录井数据与钻井风险记录数据；

步骤S2、根据历史井实时录井数据与钻井风险记录数据，利用机器学习算法构建并训练得到多个钻井风险识别预警模型；

步骤S3、将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。

2.如权利要求1所述的基于机器学习的石油钻井大数据处理方法，其特征在于，步骤S1中，根据历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据。

3.如权利要求2所述的基于机器学习的石油钻井大数据处理方法，其特征在于，步骤S2中所述机器学习算法为随机森林算法。

4.如权利要求3所述的基于机器学习的石油钻井大数据处理方法，其特征在于，利用随机森林算法构建并训练得到多个钻井风险识别预警模型包括：

基于钻井风险案例数据库构建训练样本和袋外样本，基于正常钻井下的录井数据库构建测试样本；

基于随机森林算法，构建出钻井风险智能识别预警的初始模型；

从所述训练样本中提取每个钻井风险案例的设定时长的录井数据，对预先构建的初始模型进行训练；

从袋外样本中提取每个钻井风险案例的所述设定时长的录井数据，对训练后的钻井风险识别预警的初始模型进行测试，在测试结果满足小于钻井风险识别的漏报/错报率阈值时，得到相应的钻井风险智能识别预警的初始模型；

从测试样本中提取不同井的设定时长的录井数据，对得到的初始模型进行验证，在验证结果满足小于钻井风险识别的误报率阈值时，形成最终的钻井风险智能识别预警模型。

5.如权利要求4所述的基于机器学习的石油钻井大数据处理方法，其特征在于，还包括：利用预设风险防控模型，根据确定出的目标井当前时刻的风险类型和钻井数据，确定目标井的风险防控方案。

6.一种基于机器学习的石油钻井大数据处理装置，其特征在于，包括：

获取模块，用于获取历史井实时录井数据与钻井风险记录数据；

训练模块，用于根据历史井实时录井数据与钻井风险记录数据，利用机器学习算法构建并训练得到多个钻井风险识别预警模型；

识别模块，用于将目标井的实时录井数据按照不同钻井风险识别预警模型的输入参数要求输入至各个钻井风险识别预警模型，以执行目标井的钻井风险的实时识别预警处理。

7.如权利要求6所述的基于机器学习的石油钻井大数据处理装置，其特征在于，获取模块，还用于根据历史井实时录井数据与钻井风险记录数据，构建钻井风险案例数据库和正常钻井下的录井数据库，所述钻井风险案例数据包括井号、风险类别、风险发生时间点、风险井地质属性、风险发生时间点前后设定时间段的实时录井数据。

8.如权利要求7所述的基于机器学习的石油钻井大数据处理装置，其特征在于，训练模块中所述机器学习算法为随机森林算法。

9.如权利要求8所述的基于机器学习的石油钻井大数据处理装置，其特征在于，还包括：风险防控模块，用于根据确定出的目标井当前时刻的风险类型和钻井数据，确定目标井的风险防控方案。