CN104121014A - 基于神经网络融合技术的钻井井漏类型诊断方法 - Google Patents

Abstract

本发明公开了一种基于神经网络融合技术的钻井井漏类型诊断方法，它包括以下步骤：S1：确定融合神经网络结构、建立井漏类型诊断参数空间；S11：选择融合神经网络结构；S12:网络训练；S13:检验网络；建立井漏类型诊断参数空间；S2：数据预处理；S3:将归一化处理后的数据分别输入各个神经网络；S4:运用多种神经网络融合算法将各个神经网络的输出值进行数据融合，得出最终井漏类型诊断结果。本发明采用多种神经网络处理数据，使用数据融合算法处理多个神经网络输出结果，性能高效，结果可靠性强。

Description

基于神经网络融合技术的钻井井漏类型诊断方法

技术领域

本发明涉及一种基于神经网络融合技术的钻井井漏类型诊断方法。

背景技术

钻井工程是石油天然气勘探开发的首要技术。在钻井作业过程中，井下复杂情况和钻井事故一直威胁着钻井的整个过程，不仅对建井质量和钻速产生严重影响，而且也大大降低了勘探效益。随着钻井工艺技术突飞猛进的发展，当前石油行业努力追求的目标着重在于降低钻井事故的发生率与钻井成本，提高钻井质量和效率。

目前在钻井作业时，事故诊断和识别异常情况主要凭借现场操作者和工程技术人员的肉眼观察，再结合以往经验与钻井参数对异常情况进行判断。这需要高度的责任心和工作人员较高的专业知识水平与实际经验，但目前难以达到此要求。

井漏是钻井作业过程中常见的井内复杂情况，漏失严重甚至可能会导致井喷]。近年来，随着勘探开发不断向西部地区发展，而西部地区的地质构造大多数属于高陡复杂构造，因此，井漏的发生更加频繁，治漏难度更大。近几年的统计数据显示：几乎每钻一口井都会出现不同性质、不同程度的井漏。尽管近年来处理钻井事故与复杂情况的工艺技术有一定的进步，但随着地质复杂程度的加深，相应的难度也在增大。同时又面临着许多新问题，如储层为碳酸岩的地层，在钻井过程中不可避免地会出现长段地层的井漏。又如在压力***地层，常常会出现诱导性漏失，井漏问题非常突出。

国内外，有关井漏的技术分析与治理研究在许多方面都取得了很多有效成果，比如开发了大量的堵漏材料，形成了一套较成熟的封堵技术等。尤其在“七·五”以来，在井漏的处理和研究方面，川庆钻探工程有限公司(原四川石油管理局)取得了显著成绩，如制定出了堵漏的“十项技艺”和“十项方法”，在处理一般性井漏问题上形成了一套比较成熟的处理技术等。但在处理一些地质构造较复杂的井漏方面，目前尚无有效的措施与途径，井漏问题仍然十分突出。

井漏处理的关键是确定漏层位置，因此，正确判断漏层位置是处理井漏问题首先遇到的一个技术难题。国外多选用仪器测试法判断漏层位置，但该方法确定漏层位置需要专业队伍且花费大，而国内目前尚未开发出较成熟的漏层位置测试仪器，通常是靠经验来判断漏层位置，或是采用试堵漏的方法来确定漏层位置，准确性较差，且降低了堵漏的成功率。目前，常见的漏层位置判断法有以下8种：

(1)观察法

主要通过观察钻进情况，观测岩芯、岩屑情况以及观测钻井液变化情况进行漏层位置的判断。

(2)动液压法

在正循环过程中测出钻井液流出井口的流量和相应的漏失量，再进行反循环洗井。在该过程中不断变化注入量，待补全正循环过程中的漏失量时，测出从井口流出的流量，再根据一定的公式便可计算出漏层深度。

(3)井温测量法

此方法主要利用井内钻井液受地层温度的作用形成井温梯度的原理，进行漏层位置的判断。当钻遇漏失地层，井内上方出现带有温度的钻井液漏入地层，而使得井内下方钻井液的温度较高。

(4)传感器测量法

该传感器含有一个中空的金属圆筒，在筒的一边带有有一个氯丁橡胶薄膜的窗孔，在这层薄膜上附有一个电极，当膜的两边压力改变，电路中的电位随之发生变化，从中测出钻井液的流量。如果仪器位于漏层位置上方，地面读值无异常，如果仪器处于漏层处，则液体不通过仪器，无信号显示。在井内慢慢移动该仪器，待信号显示全流量降为零流量截止，便可判断该处为漏失点。

(5)转子流量计法

该方法主要是利用在漏层位置处漏失的钻井液会使转子转速加快以及增大通过流量计的流量的原理，对漏层位置做出较精确的判断。

(6)热电阻法

用以探测漏层位置的普通电阻测量仪器，由电子仪、储液罐、两个电极和定心弹簧组成。仪器下部装有记录式电阻温度计。

(7)放射性示踪迹测量法

该方法的原理是在钻井液中加入示踪剂，并根据该剂片测出钻井液循环一周的时间。利用示踪剂测得井漏发生前后的钻井液循环一周的时间，其差便是因漏失推迟返出井口的时间，在根据这个时间差以及钻井液的进出口量求出漏层位置。

(8)环空摩阻法

在钻井过程中，若发生有进有出的漏失，则泵入井内的一部分钻井液会漏入地层，另一部分将环空返回地面，从而减小漏层以上的环空摩阻，立管压力也相应改变。当井漏发生以后，测出钻井液循环***中的进入和返出流量以及立管压力的变化值，并按环空摩阻公式便可计算出漏层深度。

以上8种判断漏层位置的方法局限性很大，并且不能及时诊断出井漏发生的类型以及严重程度。

总之，国内外对钻井下的卡钻和井喷等事故的诊断模型研究较多，在井漏类型诊断模型研究方面却比较少，且已有的井漏研究还存在以下不足：(1)基础参数不准确，主要在于测量技术差、实验手段有限、以及理论计算模型不完善；(2)井漏的理论研究不完善；(3)井漏的机理还停留在定性或半定量的描述阶段，缺乏比较准确的定量评价。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于神经网络融合技术的钻井井漏类型诊断方法，采用多种神经网络处理数据，使用数据融合算法处理多个神经网络输出结果，性能高效，结果可靠性强。

1.本发明的目的是通过以下技术方案来实现的：一种基于神经网络融合技术的钻井井漏类型诊断方法，它包括以下步骤：

S1：确定融合神经网络结构、建立井漏类型诊断参数空间：

确定融合神经网络结构的步骤包括：

S11：选择融合神经网络结构：选定所需融合的神经网络，确定各个神经网络的输入节点数、输出节点数、隐含层节点数；

S12:网络训练：采集大量样本对所选定的各个神经网络进行训练，达到预设精度后保存网络；

S13:检验网络：对保存后的各个神经网络进行检验，使用未参与网络训练的数据进行仿真；

建立井漏类型诊断参数空间：确定需要采集的井漏影响因素；

S2：数据预处理：对采集的参数进行归一化处理，所述的归一化处理是将有量纲的数据转换为无量纲的数据，使得输入数据都成为纯量，从而达到减小不同量纲给网络的输出造成的影响；将该预处理后的参数空间内的参数作为神经网络的输入参数；

S3:将归一化处理后的数据分别输入各个神经网络，保存各个神经网络输出的输出值；

S4:运用多种神经网络融合算法将各个神经网络的输出值进行数据融合，得出最终井漏类型诊断结果。

所述的神经网络包括BP网络、Hopfield网络、RBF网络、Kohonen网络和ART网络。

所述的归一化处理包括线性函数处理、对数函数处理、反正切函数处理。

所述的未参与网络训练的数据必须包括井漏事故发生与否以及发生的各种类型。

所述的参数包括钻井液密度，钻井液静切力，钻井液粘度，下钻速度，钻具外径，井深，井眼直径，钻井液排量，漏失通道性质，泵压，立管压力，套管压力，地层孔隙压力。

所述的多种神经网络融合算法包括最小二乘法、多数投票法、模糊积分法、加权平均法、平均贝叶斯法、证据理论的数据融合法。

本发明的有益效果是：

(1)采用了神经网络融合技术，使用了多种神经网络对数据进行处理，将多种神经网络的优点相接合，最后输出结果可靠性高，准确性强。

(2)采集了足够广泛的参数，建立了样本量足够大的参数空间，增强了样本的代表性，使输出结果真实可靠。

(3)采用了证据理论算法对多个神经网络的输出数据进行融合，证据理论算法在处理不确定信息组合、表示以及测度方面有着其他数学方法或模型不可比拟的优势，在改进自身缺点的同时还可结合其它方法的优点，从概念范围推广到模糊集，不但能结合先验信息，还能处理概念比较模糊，从而提高了井漏类型诊断的精度。

附图说明

图1为本发明流程图；

图2为本发明漏失类型诊断参数结构图；

图3为本发明多神经网络结构一般模型图；

图4为本发明神经网络与证据理论合成模型图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案：

如图1所示，基于神经网络融合技术的钻井井漏类型诊断方法，它包括以下步骤：

S1：确定融合神经网络结构、建立井漏类型诊断参数空间：

确定融合神经网络结构的步骤包括：

S11：选择融合神经网络结构：选定所需融合的神经网络，确定各个神经网络的输入节点数、输出节点数、隐含层节点数；

以BP神经网络为例：

(1)输入节点数的确定

当影响井漏事故发生的因素(即网络的输入数据)个数确定后，输入层的节点数也即确定。如，只需年龄、身高两个特征参数，则输入节点数为2。

(2)输出节点数的确定

当事故类型个数确定后，BP网络的输出层节点数即确定。因为神经网络只能输出数值，所以还存在一个编码的问题。如，若以“1”代表井漏，“0”则代表无井漏发生，则只需一个输出节点。若以“01”代表井漏，以“10”代表无井漏发生，则需两个输出节点。

(3)隐含层节点数的确定

从理论上来说，只要合理选择隐含层节点数，三层BP网络就可以实现对任意非线性函数的逼近。而针对隐含层节点个数的确定方法，目前尚无成熟理论。实验表明，若是隐含层节点个数太少，则可能无法训练出成熟网络，也无法识别未出现过的样本，并且其容错性差，缺乏必要的学习和信息处理能力。反之，若过多，则网络易陷入局部最优化，并造成网络结构复杂，从而使得学习速度变慢。因此，隐含层节点数的选取对神经网络模型的建立至关重要]。迄今为止，在BP网络隐含层节点数的确定方面，还缺乏严格的理论依据指导，大多数是根据实际所用模型以及具体问题来确定。目前，常见的隐含层节点数确定方法有如下几种：

$n=\sqrt{m_i+m_j}+c$

$n=\left\{\begin{array}{cc}{m}_i+0.618(m_i-m_j)& m_i\≥m_j\\ m_i-0.618(m_j-m_i)& m_i\≤m_j\end{array}\right.$

n＝log2m_i

n＝2m_i+1

其中，n—隐层节点数；

m_i—输入层节点数；

m_j—输出层节点数；

c可取10～15之间任一常整数；

S12:网络训练：采集大量样本对所选定的各个神经网络进行训练，达到预设精度后保存网络；

S13:检验网络：在网络训练完成后，还需对网络的实际诊断精度进行检验，也叫做仿真。一般来说，需要用没有参与网络训练的数据来进行仿真。这些数据还必须包括井漏事故发生与否以及发生的各种类型。这样才能全面的反应出网络的诊断精度。

建立井漏类型诊断参数空间：采集参数构成参数空间，将该参数空间内的参数作为神经网络的输入参数；

S2：数据预处理：对采集的参数进行归一化处理，所述的归一化处理是将有量纲的数据转换为无量纲的数据，使得输入数据都成为纯量，从而达到减小不同量纲给网络的输出造成的影响，神经网络的输入数据经过归一化处理可以加快网络训练的收敛速度；

因不同激励函数的输入数据的范围不同，故不同的网络需要根据所选的激励函数选取相应的数据归一化处理公式，从而达到优化网络，加快网络收敛的目的。

S3:将归一化处理后的数据分别输入各个神经网络，保存各个神经网络输出的输出值；

S4:运用多种神经网络融合算法将各个神经网络的输出值进行数据融合，得出最终井漏类型诊断结果。

所述的神经网络包括BP网络、Hopfield网络、RBF网络、Kohonen网络和ART网络。

所述的归一化处理包括线性函数处理、对数函数处理、反正切函数处理。

所述的未参与网络训练的数据必须包括井漏事故发生与否以及发生的各种类型。

所述的参数包括钻井液密度，钻井液静切力，钻井液粘度，下钻速度，钻具外径，井深，井眼直径，钻井液排量，漏失通道性质，泵压，立管压力，套管压力，地层孔隙压力。

所述的多种神经网络融合算法包括最小二乘法、多数投票法、模糊积分法、加权平均法、平均贝叶斯法、证据理论的数据融合法。

影响井漏事故的因素多而复杂，每种因素之间都相互关联，影响井漏事故的因素主要分为三个部分：漏失通道性质、漏失压差、泥浆性能(即钻井液性能)，每一个因素又由其它子因素组成，而子因素又受其他因素的影响，将井漏事故的影响因素按因果关系，建立井漏类型参数结构图。

如图2所示，第二层的三个综合因素最终决定井漏发生的几种类型：渗透性漏失、裂缝性漏失、溶洞性漏失、破裂性漏失以及无井漏，其中渗透性漏失、裂缝性漏失和溶洞性漏失最显著的特点是其漏失压力远远小于破裂压力，而破裂性漏失的漏失压力等于破裂压力。从图2选取最底层的因素构成漏失类型诊断的参数空间作为基于神经网络的漏失类型诊断模型的输入参数，该参数空间由13个参数组成，分别为：钻井液密度，钻井液静切力，钻井液粘度，下钻速度，钻具外径，井深，井眼直径，钻井液排量，漏失通道性质，泵压，立管压力，套管压力，地层孔隙压力。大部分参数都能直接从钻井现场的录井资料获取相应的数据，而有些参数需通过录井资料和测井曲线中的相关数据进行计算得到(如地层孔隙压力)，还有些参数在钻井作业中是定性描述的，需要通过定性转化为定量来获取(如漏失通道的性质)。

钻井井漏事故发生的因素关系错综复杂，诊断实时性要求高，且有些参数需要通过定量化后才能用于网络的训练。由于单一的神经网络虽然可以实现钻井井漏事故诊断，但是诊断的结果不稳定，且诊断的精度还无法令人满意。结合钻井井漏的特点及钻井施工过程的特点，设计一种采用相同的输入参数加载于不同结构的多个神经网络进行钻井井漏类型诊断，再将多个神经网络诊断的结果运用某种算法进行组合来诊断钻井井漏，从而达到既能保证诊断结果稳定又能保证诊断精度的目的。

如图3所示，f₁表示对输入空间X的一种划分算法，f₂表示将输出子空间进行组合的一种算法。X₁～X_n是输入空间X的子集。输出空间的Y与Y₁～Y_n的关系与输入空间之间的关系类似。

对输入空间进行细分的算法较少，常用的是K-均值聚类法等。对输出子空间进行融合的算法常见的有：最小二乘法、模糊积分法、平均加权法、多数投票、证据理论合成法、平均贝叶斯法等融合方法。

为取得更高的井漏类型诊断精度，需融合网络NN₁、NN₂的输出结果。目前常见的对输出空间进行融合的算法有：最小二乘法、多数投票法、模糊积分法、加权平均法、平均贝叶斯法、证据理论的数据融合法等融合方法。

本发明采用证据理论算法对数据进行融合，证据理论(Dempster-Shafer理论，简称D-S理论)合成法在处理不确定信息的组合、表示以及测度等方面有着其他数学方法或者模型不可比拟的优势。并且能够结合BP网络的优点进一步提高诊断精度。

D-S证据理论合成法则(称为Dempsetr合成法则)是一种反应证据之间联结作用的法则，具体内容如下：

设Bel₁、Bel₂是辨识框架U上的两个基本信任函数，m₁，m₂分别是其对应的基本概率分配函数，A_i和B_j为焦元，若有A_i∩B_j＝A，则称m₁(A_i)m₂(B_j)是分配到A上地信度，因此，分配到A上地总信度为：

$\underset{A_i\∩B_j}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right)---(4-13)$

两个信度合成法则为：

$m\left(A\right)=m_1\⊕m_2\left(A\right)=\left\{\begin{array}{cc}0& A=\mathrm{\Φ}\\ \frac{\underset{A_i\∩B_j=A}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right)}{1-\underset{A_i\∩B_j=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_1\left(A_i\right)m_2\left(B_j\right)}& \∀A\⊆U,A\≠\mathrm{\Φ}\end{array}\right.---(4-14)$

令为冲突权值，若K>0，则代表这两组证据部分一致或完全一致，此时可以对这两组证据进行组合，若K＝0，则说明这两组证据是完全矛盾的，此时不能对这两组证据进行组合。

D-S证据理论在改进自身缺点的同时还可结合其它方法的优点，从概念范围推广到模糊集，不但能结合先验信息，还能处理概念比较模糊的证据。

如图4所示，由于网络NN1、NN2诊断的误差是由训练精度所决定的，它表示在精度范围内所允许的不正确性。因此，本文将网络NN₁、NN₂的输出结果及训练误差作为D-S证据理论合成的证据体。设网络NN₁、NN₂的训练误差分别为e₁，e₂，且诊断结果有5种(无漏失，渗透性漏失、裂缝性漏失、溶洞性漏失、破裂性漏失)，第1个网络即网络NN₁的输出结果用y_1j表示，第2个网络即NN₂网络的输出结果用y_2j表示，其中j＝1,2,3,4,5，那么这两个神经网络对各种结果的支持度的计算函数分别为m_1j，m_2j，其计算如下：

$m_{1j}=\frac{y_{1j}}{\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{y}_{1j}+e_1},m_{2j}=\frac{y_{2j}}{\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{y}_{2j}+e_2}$

$m\left(U_1\right)=1-\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{m}_{1j},m\left(U_2\right)=1-\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{m}_{2j}$

其中：U₁为网络NN₁的输出结果所构成的识别框架；

U₂为网络NN₂的输出结果所构成的识别框架。

该融合算法的具体实现过程如下：

(1)根据4.2.2节中设定好的神经网络参数，建立两个不同结构的BP神经网络模型；

(2)将获取的神经网络参数初始数据按式(4-4)进行归一化处理，其处理后的数据作为BP神经网络的输入值；

(3)将归一化处理后的数据输入神经网络，分别运用两个不同结构的BP神经网络进行训练，达到预设精度要求后，保存其各自的连接权值；

(4)利用(3)中保存的连接权值对需要诊断的数据进行诊断，将其诊断结果的输出值作为D-S证据理论合成的证据，运用D-S证据理论合成法则进行数据融合，得到最终的诊断结果。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.基于多神经网络融合技术的钻井井漏类型诊断方法，其特征在于：它包括以下步骤：

S1：确定融合神经网络结构、建立井漏类型诊断参数空间：

确定融合神经网络结构的步骤包括：

S11：选择融合神经网络结构：选定所需融合的神经网络，确定各个神经网络的输入节点数、输出节点数、隐含层节点数；

S12:网络训练：采集大量样本对所选定的各个神经网络进行训练，达到预设精度后保存网络；

S13:检验网络：对保存后的各个神经网络进行检验，使用未参与网络训练的数据进行仿真；

建立井漏类型诊断参数空间：确定需要采集的井漏影响因素；

S2：数据预处理：对采集的参数进行归一化处理，所述的归一化处理是将有量纲的数据转换为无量纲的数据，使得输入数据都成为纯量，从而达到减小不同量纲给网络的输出造成的影响；将该预处理后的参数空间内的参数作为神经网络的输入参数；

S3:将归一化处理后的数据分别输入各个神经网络，保存各个神经网络输出的输出值；

S4:运用多种神经网络融合算法将各个神经网络的输出值进行数据融合，得出最终井漏类型诊断结果。

2.根据权利要求1所述的基于神经网络融合技术的钻井井漏类型诊断方法，其特征在于：所述的神经网络为BP网络。

3.根据权利要求1所述的基于神经网络融合技术的钻井井漏类型诊断方法，其特征在于：所述的归一化处理包括线性函数处理、对数函数处理、反正切函数处理。

4.根据权利要求1所述的基于神经网络融合技术的钻井井漏类型诊断方法，其特征在于：所述的未参与网络训练的数据必须包括井漏事故发生与否以及发生的各种类型。

5.根据权利要求1所述的基于神经网络融合技术的钻井井漏类型诊断方法，其特征在于：所述的参数包括钻井液密度，钻井液静切力，钻井液粘度，下钻速度，钻具外径，井深，井眼直径，钻井液排量，漏失通道性质，泵压，立管压力，套管压力，地层孔隙压力。

6.根据权利要求1所述的基于神经网络融合技术的钻井井漏类型诊断方法，其特征在于：所述的多种神经网络融合算法为证据理论数据融合法。