CN111980688A - 一种基于集成学习算法的井斜角度预测方法 - Google Patents

Abstract

本发明公开了一种基于集成学习算法的井斜角度预测方法，其运用机器学习中的SVR学习器模型、神经网络回归算法学习器模型、随机森林回归算法学习器模型和高斯回归算法学习器模型，对某一口井的已钻井眼轨迹数据、钻进方式和底部钻具结构参数等组成的学习样本进行学习，训练上述四个学习器模型，分别预测该井井底盲区井斜角，然后将训练结果与目标值进行线性回归，得出最终预测结果。通过对实钻数据的验证结果表明，本发明的方法预测精度高，有效地降低了传统定曲率外推法预测井底井斜的误差，提高预测井斜角的准确性。

Description

一种基于集成学习算法的井斜角度预测方法

技术领域

本发明属于石油、天然气钻井设备技术领域，尤其是应用于旋转导向***技术领域的一种基于集成学习算法的井斜角度预测方法。

背景技术

近年来，由于近钻头井下随钻测量技术难度大、成本高，基本由三大石油公司垄断，目前国内主要使用MWD、LWD无线随钻仪器，测点位置距离钻头8-20m，因此测量点的数据不能正确反映钻头位置的实际井眼状况，给井眼轨迹的预测和控制带来一定的困难。在传统的井眼轨迹预测当中，涉及钻井施工的影响参数数量众多，并且井下地层参数复杂数据收集困难，运用传统的力—位移模型计算方法较难实施，而几何法预测井眼轨迹的精度又不高。所以为了确保钻井生产的安全，急需一种既简单可行又准确可靠的井眼轨迹预测方法。

国外方面，首先Bradley WB和Fischer FJ第一次应用有限差分法研究了在直井和定向井中钻柱的二维状态；Walker BH和Friedman MB于20世纪70年代应用数学弹性理论中的弯曲扭转杆件理论提出了一个井底钻具组合的三维静态模型，并对此模型进行了分析。他们得到的结论很重要，它证明了二维钻柱分析的正确性，并指出了二维钻柱分析的应用范围。Birades M和Fenoul S对BHA应用二维静态有限元进行了研究，并用平衡曲率法定量地预测井眼的轨迹。在国内，刘修善与苏义脑教授的理论，为国内井眼轨迹的测斜计算与井眼轨迹的几何预测奠定了基础。利用随钻监测得到的测斜数据，通过井眼轨迹几何学的理论体系，用井眼轨迹所具的几何趋势进行井眼轨迹的外推，这是传统的且简便可行的井眼轨迹预测方法。但是随着钻井技术工艺的进步，定向、水平钻井技术的兴起，传统的井眼轨迹预测方法愈发的不适用于现代钻井监控了，因此急需研制一种新型的井底井斜角度预测方法，以克服上述缺陷。

发明内容

本发明的目的在于弥补现有技术的不足之处，提供一种基于集成学习算法的井斜角度预测方法，其利用信息处理技术及计算机智能对测点零长的井眼轨迹进行预测，减少钻头井眼轨迹的不确定性，相比于单个回归模型，将多个回归模型集成起来的集成学习算法往往可获得更高的预测精度。

为了解决上述技术问题，本发明采用如下技术方案：

一种基于集成学习算法的井斜角度预测方法，包括以下步骤：

步骤1、采集已钻井眼的井眼轨迹参数；

步骤2、对已钻井眼的井眼轨迹参数进行主成分分析，优选参数特征分量，得出优选的训练样本；

步骤3、建立非线性回归基学习器模型，其中非线性回归基学习器模型包括四个基学习器模型且分别为支持向量机回归算法学习器模型、神经网络回归算法学习器模型、随机森林回归算法学习器模型和高斯回归算法学习器模型，基于迭代算法分别对训练样本集进行学习得到每个基学习器模型的权值参数，然后利用各自的基学习器模型计算得到每个基学习器模型的预测结果；

步骤4、将四个基学习器模型的预测结果与目标值构成新训练样本，利用lasso线性回归算法学习器模型对新训练样本进行训练，基于迭代算法对新训练样本集进行学习得出四个基学习器模型的权值；

步骤5、根据集成预测步骤、基于每个基学习器模型的权值，利用lasso线性回归算法学习器模型将每个基学习器模型的预测结果集成得到最终预测结果。

进一步地，所述已钻井眼的井眼轨迹参数包括各测点的井斜角、方位角、井斜变化率、方位变化率、狗腿度、井眼曲率、平均工具面角度、测点间距、钻进方式。

进一步地，对所述训练样本中的输入参数数据进行规范化处理，统一输入向量的量级，以消除输入参数向量单位差异和数量级不同引起的影响。

进一步地，所述支持向量机回归算法学习器模型的超参数选取：核函数选取高斯积核函数，SVR超参数惩罚因子C和核函数系数sigma运用粒子群优化算法进行寻优，得出最优超参数。

进一步地，所述神经网络回归算法学习器模型的超参数选取：激活函数为tanh函数；优化器选用lbfgs方法；学习率为0.0001；神经网络1结构为：输入层4个神经元，隐层2层，分别为40个和20个神经元；训练精度为均方误差达到0.01，隐藏层激活函数为Relu。

进一步地，所述随机森林回归算法学习器模型根据网格搜索法优取超参数：决策树的最大叶子深度20，决策树的个数200。

进一步地，所述高斯回归算法学习器模型的超参数选取：核函数RBF(0.5,(1e-4,10))，最大优化器个数100。

进一步地，所述lasso线性回归算法学习器模型的超参数为alpha＝0.01。

与现有技术相比，本发明的有益效果是：

(1)在几何预测方法的原理的研究基础下，针对井眼轨迹预测的实际需求，提出针对小样本学习的支持向量机的井眼轨迹预测方法，并根据钻井施工工作的特性，确定影响井眼轨迹变化的主要因素，选取简单易取得的数据作为井眼轨迹预测的输入样本。

(2)针对各自算法的单独预测不准确的缺陷，提出运用集成学习算法对其关键参数选取进行寻优，实现了参数的自动优化选取。

(3)通过实测试验数据验证了该方法的有效性,与传统随钻测量方法相比，本发明的方法能更高效、准确地完成井下定向钻孔。

附图说明

为了使本发明的优点更容易理解，将通过参考在附图中示出的具体实施方式更详细地描述上文简要描述的本发明。可以理解这些附图只描绘了本发明的典型实施方式，因此不应认为是对其保护范围的限制，通过附图以附加的特性和细节描述和解释本发明。

图1为本发明提供的关于一种基于集成学习算法的井斜角度预测方法的算法流程；

图2为本发明提供的关于一种基于集成学习算法的井斜角度预测方法的粒子群优化算法流程图；

图3为本发明提供的关于一种基于集成学习算法的井斜角度预测方法的训练结果与原始数据的对比图；

图4为本发明提供的关于一种基于集成学习算法的井斜角度预测方法的PCA柱状图；

图5为本发明提供的关于一种基于集成学习算法的井斜角度预测方法的定曲率预测法和集成学习算法预测法误差比较图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明实施方式可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施方式发生混淆，对于本领域公知的一些技术特征未进行描述。

为了彻底了解本发明实施方式，将在下列的描述中提出详细的结构。显然，本发明实施方式的施行并不限定于本领域的技术人员所熟习的特殊细节。本发明的较佳实施方式详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。

下面结合附图对本发明的实施例作进一步详细的说明：

本发明提供的一种基于集成学习算法的井斜角度预测方法，其流程图如图1所示。

步骤1：根据已知反复试验分析和专家理论研究得出：预测点的井斜与上测点和上上测点的井眼轨迹参数关系最密切，所以选取上测点和上上测点的井斜角、方位角以及计算得出的各测点的井斜变化率、方位变化率、狗腿度、井眼曲率、平均工具面角度、测点间距和钻进方式作为备选参数。

进一步地，在步骤1中，钻进方式＝kmax×m×cos|TF|；其中，kmax为最大造斜率，m为定向长度，TF为定向平均工具面，TF在左边为负，TF在右边为正。测点间距：为上下两测点之间的斜深差；其中，第一个测点间距为0，最后的预测点的测点间距为井底钻头到无线随钻仪器测点之间的距离。井眼曲率＝狗腿度/测点间距。

步骤2：根据统计学中相关性分析法，对已钻井眼的所有井眼轨迹参数(备选参数)进行主成分分析(PCA)，选出对预测井斜角相关程度最高的并且各自相关性系数低的参数。

最终选出的参数为：与钻头相邻的最后一个测点的钻具钻进方式x1以及上一测点的钻具钻进方式x2；最后一个测点的井斜角x3和方位角x4；钻头最近的最后一个测点与其上一测点间井段的井眼曲率x5以及上一测点与其上上一测点间井段的井眼曲率x6。将与钻头最近的最后一个测点作为输出向量(目标向量)Y；若记

X＝[x1,x2,x3,x4,x5,x6]^T (1)

Y＝[y] (2)

则由{(Xi,Yi)i＝0,1,2,3…l}构成训练样本,其中l为训练样本数。

步骤3：为了消除训练样本中的输入参数向量单位差异和数量级不同引起的影响，需要对每一个输入参数数据进行规范化的处理，统一输入向量的量级。

进一步地，步骤3中数据的规范化处理包括：

步骤301：将井斜角、井眼曲率、钻进方式全部换算成弧度值；

步骤302：对所有模型中的输入参数进行归一化处理；

其中，Xij′为归一化后第i个输入参数的j个样本值的样本值，Xij为第i个输入参数的j个样本值，

为第i个输入参数所有样本的平均值，σ_i第i个输入参数所有样本的标准差。

步骤4：运用支持向量机回归算法(SVR)学习器模型对训练样本进行训练，基于迭代算法对训练样本集进行学习得到该学习器模型的相应参数，然后利用该学习器模型对预测点进行预测，得出y_svr。

进一步地，步骤4中SVR学习器模型的超参数选取：核函数选取高斯积核函数，SVR超参数惩罚因子C和核函数系数sigma运用粒子群优化算法(PSO)对其寻优，得出最优超参数。

粒子群优化算法(PSO)，它属于进化算法的一种，来源于研究鸟类捕食行为，PSO的核心思想是通过群体中个体之间的协作和信息共享来寻找最优解，即其算法随机将数据初始化为一群粒子，然后利用迭代的方式寻找最优解。其后，在一次次的迭代中，引入两个极值(pbest，gbest)，来对粒子自身进行更新。其中，pbest被叫做个体极值，其作用是标示出个体粒子所找到的最优解；gbest就是全局极值，它是整个种群所寻找到的最优解。在标准粒子群优化算法中，粒子对自身速度和位置进行更新，需要用到的公式为：

V_id＝ω·V_id+c1·r1(p_id-x_id)+c2·r2(p_gd-x_id) (4)

x_id ⁺＝V_id+x_id (5)

其中，ω为惯性权重因子(其值非负)，其经典取值为ω₀＝0.9,ω_end＝0.4；c1和c2叫做学习常数(其值也是非负的)；r1和r2为随机数，取值范围是[0，l]；p_id为第i个变量的个体极值的第d维；p_gd为第i个变量的全局极值的第d维，x_id ⁺为下一时刻粒子位置，x_id为当前时刻粒子位置。

步骤5：运用神经网络回归算法学习器模型对训练样本进行训练，基于迭代算法对训练样本集进行学习得到该学习器模型相应参数，然后利用该学习器模型对预测点进行预测，得出y_mlp。

进一步地，步骤5中神经网络回归算法学习器模型的超参数选取：激活函数为tanh函数；优化器选用lbfgs(准牛顿)方法；学习率为0.0001；神经网络1结构为：输入层4个神经元，隐层2层，分别为40个和20个神经元；训练精度为均方误差(Mean Squared Error，MSE)达到0.01，隐藏层激活函数为Relu。

步骤6：运用随机森林回归算法学习器模型对训练样本进行训练，基于迭代算法对训练样本集进行学习得到该学习器模型相应参数，然后该学习器模型对预测点进行预测，得出y_rf。

进一步地，步骤6中随机森林回归算法学习器模型根据网格搜索法优取超参数：决策树的最大叶子深度20，决策树的个数200。

步骤7：运用高斯回归算法学习器模型对训练样本进行训练，基于迭代算法对训练样本集进行学习得到该学习器模型相应参数，然后利用该学习器模型对预测点进行预测，得出y_gpr。

进一步地，步骤7中高斯回归算法学习器模型的超参数选取：核函数RBF(0.5,(1e-4,10))，最大优化器个数100。

步骤8，利用上述四个基学习器模型(包括支持向量机回归算法学习器模型、神经网络回归算法学习器模型、随机森林回归算法学习器模型和高斯回归算法学习器模型)预测结果,记

Xs＝[y_svr,y_rf,y_gpr,y_mlp] (6)

Ys＝[y] (7)

由{(Xsi,Ysi),i＝0,1,2,3…l}构成新训练样本,其中l为训练样本数。

运用lasso线性回归算法学习器模型对新训练样本进行训练，基于迭代算法对新训练样本集进行学习得到四个基学习器模型的相应权值W_svr、W_rf、W_gpr、W_mlp，然后利用lasso线性回归算法学习器模型对预测点进行预测，作为最终的预测结果：

y_final＝W_svr·y_svr+W_rf·y_rf+W_gpr·y_gpr+W_mlp·y_mlp (8)

进一步地，步骤8中的lasso线性回归算法学习器模型的超参数为alpha＝0.01。

如图2所示，示出了粒子群优化算法(PSO)流程图，根据该流程图，得出最优的SVR学习器模型的超参数惩罚系数C＝0.026，核函数系数sigma＝2530。

如图3所示，预测了华北油田某地区某井的井眼轨迹井斜角预测数据，将预测所得的结果与该井的实际井眼轨迹井斜角预测数据作比较，采用平均绝对值的误差计算方法。上述四个基学习器模型预测的井眼轨迹井斜角的误差都低于4％。

如图4所示，PCA设置为98％的情况下，得出相关性最高的参数为钻进方式、井眼曲率、井斜角度、方位角度、段长。

如图5所示，运用集成学***均误差为0.2，传统定曲率预测最大误差0.89，平均误差为0.75，说明集成学习算法预测准确率更高，鲁棒性更好。

综上所述，本发明的内容并不局限在上述的实施例中，本领域的技术人员可以在本发明的技术指导思想之内提出其他的实施例，但这些实施例都包括在本发明的范围之内。

Claims (8)

1.一种基于集成学习算法的井斜角度预测方法，其特征在于，包括以下步骤：

步骤1、采集已钻井眼的井眼轨迹参数；

步骤2、对已钻井眼的井眼轨迹参数进行主成分分析，优选参数特征分量，得出优选的训练样本；

步骤3、建立非线性回归基学习器模型，其中非线性回归基学习器模型包括四个基学习器模型且分别为支持向量机回归算法学习器模型、神经网络回归算法学习器模型、随机森林回归算法学习器模型和高斯回归算法学习器模型，基于迭代算法分别对训练样本集进行学习得到每个基学习器模型的权值参数，然后利用各自的基学习器模型计算得到每个基学习器模型的预测结果；

步骤4、将四个基学习器模型的预测结果与目标值构成新训练样本，利用lasso线性回归算法学习器模型对新训练样本进行训练，基于迭代算法对新训练样本集进行学习得出四个基学习器模型的权值；

步骤5、根据集成预测步骤、基于每个基学习器模型的权值，利用lasso线性回归算法学习器模型将每个基学习器模型的预测结果集成得到最终预测结果。

2.根据权利要求1所述的一种基于集成学***均工具面角度、测点间距、钻进方式。

3.根据权利要求1所述的一种基于集成学习算法的井斜角度预测方法，其特征在于，对所述训练样本中的输入参数数据进行规范化处理，统一输入向量的量级，以消除输入参数向量单位差异和数量级不同引起的影响。

4.根据权利要求1所述的一种基于集成学习算法的井斜角度预测方法，其特征在于，所述支持向量机回归算法学习器模型的超参数选取：核函数选取高斯积核函数，SVR超参数惩罚因子C和核函数系数sigma运用粒子群优化算法进行寻优，得出最优超参数。

5.根据权利要求1所述的一种基于集成学习算法的井斜角度预测方法，其特征在于，所述神经网络回归算法学习器模型的超参数选取：激活函数为tanh函数；优化器选用lbfgs方法；学习率为0.0001；神经网络1结构为：输入层4个神经元，隐层2层，分别为40个和20个神经元；训练精度为均方误差达到0.01，隐藏层激活函数为Relu。

6.根据权利要求1所述的一种基于集成学习算法的井斜角度预测方法，其特征在于，所述随机森林回归算法学习器模型根据网格搜索法优取超参数：决策树的最大叶子深度20，决策树的个数200。

7.根据权利要求1所述的一种基于集成学习算法的井斜角度预测方法，其特征在于，所述高斯回归算法学习器模型的超参数选取：核函数RBF(0.5,(1e-4,10))，最大优化器个数100。

8.根据权利要求1所述的一种基于集成学习算法的井斜角度预测方法，其特征在于，所述lasso线性回归算法学习器模型的超参数为alpha＝0.01。

Images