CN115099406A - 基于多元时间序列的地层压力反演方法及装置 - Google Patents
基于多元时间序列的地层压力反演方法及装置 Download PDFInfo
- Publication number
- CN115099406A CN115099406A CN202210766854.5A CN202210766854A CN115099406A CN 115099406 A CN115099406 A CN 115099406A CN 202210766854 A CN202210766854 A CN 202210766854A CN 115099406 A CN115099406 A CN 115099406A
- Authority
- CN
- China
- Prior art keywords
- matrix
- convolution
- time sequence
- graph
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 47
- 238000005553 drilling Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 description 36
- 230000002159 abnormal effect Effects 0.000 description 27
- 238000005516 engineering process Methods 0.000 description 23
- 238000013527 convolutional neural network Methods 0.000 description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 239000007789 gas Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 239000003345 natural gas Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 239000011148 porous material Substances 0.000 description 4
- 230000009545 invasion Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000005514 two-phase flow Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- JHNLZOVBAQWGQU-UHFFFAOYSA-N 380814_sial Chemical compound CS(O)(=O)=O.O=P(=O)OP(=O)=O JHNLZOVBAQWGQU-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010013883 Dwarfism Diseases 0.000 description 1
- 241000152447 Hades Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于多元时间序列的地层压力反演方法，包括：采集钻井的多元时序特征数据，并进行卷积、映射处理，得到高级时序特征矩阵，并与井筒几何约束特征矩阵进行拼接后得到属性特征矩阵；采用图自适应学习算法自动学习到最优的邻接矩阵；利用图卷积求得属性特征矩阵和邻接矩阵的节点之间隐藏的关联，并求得深度属性特征矩阵；利用多层感知机并结合深度属性特征矩阵进行地层压力预测。本发明还公开了基于多元时间序列的地层压力反演的装置。通过上述方案，本发明具有逻辑简单、准确可靠等优点，在钻井技术领域具有很高的实用价值和推广价值。
Description
技术领域
本发明涉及钻井技术领域，尤其是基于多元时间序列的地层压力反演方法 及装置。
背景技术
全世界对更清洁的地下能源越来越感兴趣。例如，可再生的地热资源和天 然气。2021，全球地热发电量增加了1.6GW，而天然气消费量增长了4.6％。为 了满足日益增长的需求，需要钻更多的井。值得注意的是，在地热资源和非常 规天然气的钻探过程中，井涌和井喷风险得到了充分考虑。地热资源的很大一 部分是热液。地热储层中储存的高温、高压水或蒸汽通常会导致异常高的孔隙 压力，表明存在巨大的井涌风险。由于天然气开采的重点是非常规天然气(如 页岩气和致密气)，因此目标储层更深、更复杂。为了提高天然气产量，水平井 的长度不断增加。例如：四川盆地最近钻取的水平井平均深度超过5000m(1800m+水平段)。深度的增加，以及复杂的地下条件，导致在钻井过程中地层流体 侵入井筒的概率更大，溢流事故时有发生，难以完全避免。
溢流是指当地层压力大于井底压力时，油气水等地层流体侵入井筒中，出 现钻井液出口流量大于入口流量，井筒内流体自动从井口外溢的现象。一旦发 生溢流，若不及时采取或调整井控措施，就会演变成井涌、井喷等严重的事故。 快速、准确的获取地层异常力，能够有效提高井涌余量，降低井控风险。准确 求取地层异常压力，是后续处理溢流的首要前提。溢流后，传统的求取地层异 常压力的方法有两种：第一种，关井后通过读取套管压力和立管压力来确定地 层压力，该方法简单可靠。但在溢流过程中，由于近井眼区域地层压力下降， 在溢流关井初期井底压力不等于地层压力，关井后需要等待一段时间，直至井底压力恢复至地层压力。对于渗透率良好的地层，关井到地层压力趋于稳定需 要等待10-15min，但对于渗透率较差的地层，需要等待更长的时间。对于气侵 导致的溢流而言(大部分的溢流均是由于气侵引起)，长时间的关井等待会导致 气体向上滑脱较大的高度，进一步减小了井筒内泥浆的静液柱压力，最终导致 井口压力过高，处理溢流时井涌余量较小，增加了井控风险。另一种方法，数 值模拟，通过研究气侵过程中气液两相流的特点，建立气液两相流模型，模拟 溢流过程。此类模型多由各相的连续性方程和混合动量方程组成。通过给定的 初始条件及边界条件，通过有限插分的方法求解模型。该方法在实际的地层压力预测中，通过假设初始井底负压差与气侵量，去拟合边界条件，边界条件多 由井口信息决定，最后根据合理的井底负压差确定地层压力。此方法计算量庞 大且计算过程极为复杂，需要计算大量的中间过程、用到较多的中间参数，中 间过程计算的偏差以及中间参数的取值对计算结果影响极大。数值模拟方法的 准确率，极大程度上依赖于模型中初始条件、边界条件的设置以及模型中的参 数选择。溢流发生后，快速、准确的预测地层异常压力对保障井控安全至关重 要，因此，针对传统方法获取地层异常压力时间长、计算复杂及准确率较低的 问题，有必要开展快速、准确预测地层异常压力方法的研究。
随着机器学习的不断发展，大量的机器学习技术已成功应用于石油行业中。 机器学习端到端的计算特点，为预测地层异常压力提供了新的研究方向。目前， 阎铁等人基于LSTM(Long Short-Term Memory)算法，捕捉溢流后泥浆池增量 随时间的变化的规律，建立了地层异常压力预测模型，取得了不错的效果。但 有两个关键因素阻碍了该模型应用于实际钻井中。首先，训练模型的数据来源 与人工数据，通过数值模型获取不同的地层压力下，泥浆池增量随着时间变化 的时序数据，与现场数据存在较大的差异。其次，仅使用了泥浆池增量(Pit gain) 预测地层异常压力，在实际钻井过程中，由于地层情况复杂、现场施工环境较 差，工具测量时会产生一定的误差，增加了地层异常压力预测的难度，基于单 因素的地层异常压力预测受误差噪声的影响极大。本技术考虑到溢流期间，泥 浆池增量、井口立管压力、进出口流量差等参数均会受到影响，这些参数随时 间变化的序列中隐含了地层异常压力的信息。同时，本技术还考虑到，这些参 数的变化还受到如井眼轨迹、井眼尺寸等因素的约束，因此，仅通过时序特征 参数预测地层异常压力不够准确，必须将井筒本身的几何约束条件与时序特征 之间的非线性关系加入到模型中。因此，可以在确定发生溢流后，提取泥浆池 增量、井口立管压力等参数在溢流点之后的时序特征，结合井筒本身的几何约 束特征，基于机器学习算法预测地层异常压力。
基于机器学习算法预测地层异常压力面临着两个重要的挑战：多元时序特 征的提取与小样本条件下如何训练出可靠的模型。传统的RNN模型及其变体 (LSTM、GRU)，在时间序列建模中取得了巨大的成功。石宇提出了一种 LSTM+MLP的组合神经网络，结合了时序特征与物理约束特征，其中LSTM用 于提取生产数据的序列关系，MLP用于学习地热产能与约束条件之间的非线性 关系，该模型在预测地热产能中取得良好的效果。但有两个主要因素阻碍了RNN 在地层压力预测中的应用。首先，RNN网络对数据的质量与数量要求很高，但即使处于区块开发的中后期，本技术仍然难以提供大量高质量的溢流样本。其 次，虽然LSTM与GRU的出现改善了RNN模型在处理较长时间序列时梯度消 失的问题，但该问题仍然存在。随着技术的进步，在录井过程中，2s左右就会 获得一组数据，这意味着本技术需要从多个较长的时间序列中提取特征，难以 通过RNN训练出可靠的模型。CNN(ConvolutionalNeural Networks)因其局部 连接、权值共享及多层次结果的特点，拥有极强的特征提取能力和泛化能力， 在计算机视觉领域中取得了巨大的成功。近年来，一些研究人员将CNN应用于 NLP(NaturalLanguage Processing)领域中，同样获得了令人惊讶的效果。对于 绝大多数的NLP任务，都是通过处理序列问题完成的，输入为矩阵形式的句子， 矩阵的每一行都对应一个单词的向量。预测地层异常压力中的多元时序特征提 取任务与NLP的任务极其相似，因此，同样可以使用CNN提取如泥浆池增量 等参数的时间序列。
站在机器学习的角度，溢流后地层异常压力预测实质为一个回归问题。由 于神经网络的表达能力和任意非线性，在回归任务中极具竞争力。但同样受限 于溢流样本数量，有限的信息量不足以支撑神经网络进行模型参数推断，难以 训练出高性能的地层异常压力预测模型。近年来，图神经网络(Graph Neural Network，GNN)由于其置换不变性、局部连通性和组合性，在处理关系依赖方 面表现出了极强的能力(图是描述不同实体之间关系的一种特殊形式的数据)。 图神经网络被广泛应用于。基于图的视角，本技术可以很自然的将多元时序特 征与几何约束条件结合，并观察它们与地层异常压力之间的关系。同时，通过在图结构中传播信息，图神经网络允许图中的每个节点知道其邻域信息。通过 向目标节点汇聚其邻居节点的信息，能够有效的增加数据集的信息丰度与样本 的多样性。得益于信息的充分利用，使得即使在小样本的条件下，也能够很好 的完成下游任务。
针对传统求方法求取溢流后地层异常压力时间长、精度低的问题，急需要 提出一种逻辑简单、准确可靠的基于多元时间序列的地层压力反演方法。
发明内容
针对上述问题，本发明的目的在于提供基于多元时间序列的地层压力反演 方法，本发明采用的技术方案如下：
第一部分，本技术公开了基于多元时间序列的地层压力反演方法，其包括 以下步骤：
采集钻井的多元时序特征数据，并进行卷积、映射处理，得到高级时序特 征矩阵，并结合井筒几何约束特征拼接得到属性特征矩阵；
采用图自适应学习算法自适应的学习到邻接矩阵；
利用图卷积求得属性特征矩阵和邻接矩阵的节点之间隐藏的关联，并求得 深度属性特征矩阵；
利用多层感知机并结合深度属性特征矩阵进行地层压力预测。
第二部分，本技术公开了一种基于多元时间序列的地层压力反演的装置， 其包括：
时间卷积模块，根据采集的多元时序特征数据，并进行卷积、映射处理， 得到高级时序特征矩阵，并结合井筒几何约束特征拼接得到属性特征矩阵；
图自适应模块，自适应的学习到邻接矩阵；
图卷积模块，与图自适应模块连接，求得属性特征矩阵和邻接矩阵的节点 之间隐藏的关联，并输出深度属性特征矩阵；
以及，多层感知机输出模块，与图卷积模块连接，根据深度属性特征矩阵 进行地层压力预测。
第三部分，本技术提供了一种电子设备，包括存储器、处理器及存储在所 述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程 序时实现基于多元时间序列的地层压力反演方法。
第四部分，本技术提供了一种计算机可读存储介质，其存储有计算机程序， 其特征在于，所述计算机程序被处理器执行时，实现基于多元时间序列的地层 压力反演方法的步骤。
与现有技术相比，本发明具有以下有益效果：
(1)本发明巧妙地构建了一个新的模型反演地层异常压力，该模型由四个 模块构成，时间卷积模块用于提取泥浆池增量等6个参数的时序特征，并与几 何约束特征进行拼接后得到属性特征矩阵；图自适应学习模块用于自动学习图 结构；图卷积模块用于提取节点之间隐藏的关联；输出模块用于最终的预测任 务。
(2)本发明巧妙地对多元时序特征数据进行卷积、映射处理，得到高级时 序特征矩阵，其好处在于，提取到的高级时序特征质量更高，表征能力更强。
(3)本发明基于图的视角，将溢流视为节点，巧妙的多元时序特征与井筒 几何约束特征拼接后，作为节点的属性特征矩阵，其好处在于，能够基于图的 信息传递方式训练模型。
(4)本发明巧妙地利用图卷积求得属性特征矩阵和邻接矩阵的节点之间隐 藏的关联，并求得深度属性特征矩阵，其好处在于，通过向目标节点汇聚其邻 居节点的信息，能够有效的增加数据集的信息丰度与样本的多样性。其得益于 信息的充分利用，使得即使在小样本的条件下，也能够很好的完成下游任务。
(5)本发明利用多层感知机并结合深度属性特征矩阵进行地层压力预测， 其好处在于，模型拥有较高的预测精度与良好的鲁棒性。
综上所述，本发明具有逻辑简单、准确可靠等优点，在钻井技术领域具有 很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用 的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此 不应被看作是对保护范围的限定，对于本领域技术人员来说，在不付出创造性 劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的逻辑流程图。
图2为本发明的时间卷积模块工作示意图。
图3为本发明的图自适应学习模块示意图。
图4为本发明的图卷积模块及输出模块工作流程示意图。
图5为本发明的页岩气储层位置示意图。
图6为本发明的目标储层的典型地质分层和井结构图。
图7为本发明的井3218～3696m井段地层孔隙压力剖面图。
图8为本发明的TGP模型测试相对误差分布图。
图9为本发明的TGP模型测试RMS图。
图10为本发明的TGP模型测试MAPE图。
图11为本发明的CNN+MLP模型相对误差图。
图12为本发明的邻接矩阵图。
图13为本发明的测试中使用的LSTM网络架构图。
图14为本发明的LSTM网络测试相对误差图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对 本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申 请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的 所有其他实施例，都属于本申请保护的范围。
实施例
如图1至图14所示，本实施例提供了基于多元时间序列的地层压力反演方 法及装置。首先，为了捕捉多元时间序列中包含的关键信息，时间卷积模块对 原始的多元时序特征数据进行卷积、映射操作，得到高级时序特征矩阵，该矩 阵将被用作于图自适应模块的输入。随后，在图自适应学习模块中，高级时序 特征及井筒几何约束特征被拼接成属性特征矩阵后输出，同时输出自适应的邻 接矩阵。属性特征矩阵及邻接矩阵作为图卷积模块的输入，通过图卷积获得节 点之间隐藏的关联。最后，由MLP(多层感知机)构成的输出模块，将根据图 卷积模块输出的深度属性特征矩阵，对地层压力进行预测。
本实施例的时间卷积模块应用多个不同大小的一维卷积核来提取高级时序 特征。卷积神经网络与普通神经网络的区别在于，CNN包含了一个由卷积层和 子采样层(池化层)构成的特征抽取器。在CNN的卷积层中，一个神经元只与 部分邻层神经元连接，并且在一个卷积层中，通常包含若干个特征图 (featureMap)，每个特征图由一些矩形排列的的神经元组成，同一特征图的神经 元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式 初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积 核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。 子采样也叫做池化(pooling)，通常有均值子采样(mean pooling)和最大值子采 样(maxpooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采 样大大简化了模型复杂度，减少了模型的参数。
通过使用多个不同大小的卷积核，能够有效的处理较长的时间序列，避免 了梯度消失的问题，同时又能够捕捉不同范围内的时序特征。本实施例构建的 时间卷积模块的工作流程如图2所示。
图2中，xij为第i个样本中第j个时序特征。时间序列总长为T，ti为第i个 时间步。首先，分别使用四种不同长度的卷积核，卷积核的长度分别为f1＝1×3，f2＝1×5，f3＝1×6，f4＝1×7，对原始时序特征数据进行卷积，卷积完成后得到不 同范围内的时序特征。随后，对四种卷积核的卷积结果进行拼接。本技术共进 行了两次拼接，第一次将同一时序特征xij对应的不同卷积核的卷积结果进行拼 接，完成第一次拼接后，将对应时刻ti不同卷积核的卷积结果求平均，得到xij[ti] 时刻的值。第二次，本技术将得到样本xij按照原始时序样本的排序重新拼接在 一起，得到卷积后的时序特征矩阵。最后，在将新的时序特征矩阵映射为指定 的大小，得到高级时序特征矩阵。
在本实施例中，图自适应学习模块旨在自动学习节点与节点之间的连接关 系。具体地，不使用预定义图结构，通过节点嵌入计算图中节点之间的关联关 系，用于表示图结构，基于预测目标的损失后向传播优化节点表示，进而改变 图结构，实现基于数据驱动的图结构定义。相对于传统的通过距离(点积、欧 式距离等)来度量的节点之间的相似性后，预先给出的图结构，图自适应学习 能够获得的更优的图结构。
目前，现有技术中已经提出了多种图自适应的学习的策略，常用的方法可 以概括为：初始化的节点嵌入表示，通过节点之间向量计算表示节点之间的关 联关系，得到一个参数化后的邻接矩阵，基于梯度下降优化在后向传播中不断 “调整”节点表示，进而改变邻接矩阵，最终使其收敛到稳定状态，如图3所 示。
在预测地层异常压力的这项研究中，溢流事件被视为节点，节点与节点之 间的连接是无向的，因此，本技术的自适应的邻接矩阵计算公式为：
Aadp＝softmax(ReLU(EET))
其中，Aadp为自适应学习到的邻接矩阵，E为随机初始化的节点的嵌入。通 过将E和ET相乘，得出源节点和目标节点之间的权重。再使用ReLU激活功能 消除弱连接。应用SoftMax函数来归一化自适应邻接矩阵。
在本实施例中，图卷积模块旨在将节点信息与其邻居的信息进行汇聚，获 取节点之间隐藏的关联，充分的利用特征矩阵中的信息。虽然，本技术可以在 拼接得到属性特征矩阵后，直接通过MLP来预测未知节点的标签。但此时，每 个节点中仅包含了自身的信息，丢失了节点之间潜在的关联。换句话说，与未 知节点相邻的节点，相对来说，对预测未知节点的标签贡献度越大，但仍然被 视为与其他不相邻节点同等重要，显然这是不合理的。图卷积模块的目的可以 理解为，进一步的提取特征，增加特征矩阵中数据信息的丰度与样本的多样性。 本实施例使用了GCN来实现这一想法。
GCN(Graph Convolutional Networks)是一种基于谱域的图卷积神经网络， GCN在考虑到图结构数据中，节点自身及邻接节点属性后，对节点周边节点进 行加权求和，获得节点的新的特征向量，再通过激活函数后，完成特征提取。 GCN每一次卷积(隐藏层)的输入是图的邻接矩阵A和节点的特征属性H(l)， 输出是新的节点特征属性H(l+1)，在初始输入层特征属性H0就是特征矩阵X。在 融入中心节点自身特征属性与节点归一化平滑后，最终GCN的卷积核表达式 为：
式中，AN＝A+I，I为单位矩阵(添加自环)，DN为AN的度矩阵，H为每一 层的特征，W为每层的权重，σ为非线性激活函数，在实际的应用中本技术使 用了ReLU函数。
本实施例并没有直接使用GCN完成对未知节点标签的预测，而是单独构建 了一个MLP用作最终的地层异常压力预测，如图4所示。
在本实施例中，通过收集川东某页岩气藏的现场钻井数据(图5)作为原始 数据。地质上，它位于挤压-滑脱带中。总体地层较为平坦，主要为侏罗系和白 垩系地层。目标储层的典型地质分层和井结构如图6所示。埋深3750～3950米 (龙马溪)。为了增加与储层的接触面积，所有部署井均为水平井。截至2021 年6月，已钻取水平井32口，未来几年还有更多规划井。迄今为止，平均MD 约为5500m，水平段平均长度约为1800m。
至2021年6月，YX区块共发生溢流事故112次，出现溢流的频率较高。溢 流层位主要集中在嘉陵江组、飞仙关组及龙马溪组，累积造成钻井的损失时间 超过227.9天。图7所示为Eaton法计算得到的L202井3218～3696m井段地层压 力剖面。
图8中第一道为自然伽马曲线、第二道为纵波时差曲线、第三道为井斜曲 线、第四道为井径曲线、第五道为地层压力剖面。可以看出：3218～3696m井段 地层孔隙压力介于57～77MPa之间，地层孔隙压力梯度介于1.80～2.15g/cm3之间， 属于典型的异常高压地层。
本技术根据YX区块中100组溢流样本(其余溢流样本数据缺失过多)构建 了原始的时序特征数据集Dataset_T与几何约束数据集Dataset_P，用以训练及测 试模型。
在本实施例中，采用Relative Error(RE)、RMSE(Root mean square error) 及MAPE(Mean absolute percentage error)来评估模型的性能。
在本实施例中，考虑到溢流样本数量较少，本实施例在构建TGP模型时， 尽可能的简化了每个模块的结构，以避免模型出现欠拟合的现象。在本次测试 中，TGP模型的结构如表1所示。
表1用于测试的TGP模型结构及部分参数
在时间卷积模块中，4种长度的卷积核各使用了8个，在进行两次卷积操作 后，进行一次最大池化。在图卷积层中，进行了两次图卷积，向每个节点中汇 聚了一跳与二跳邻居的信息。在输出模块中，使用了3层的全连接神经网络， 隐藏层的神经元个数设置为16。该结构是多次测试后得到的最优结构。
在本实施例中，采用80％的数据用于训练，并利用20％的数据进行测试。 由于每次测试中数据集会被随机的划分，导致模型每次预测产生的误差不同， 为了充分检验模型的性能，本技术共进行了10次测试。测试结果见表2所示。
表2 TGP模型测试结果
根据模型的预测结果，各个指标的变化如图8-图10所示。
由图8可知，在10次测试中，TGP模型产生的最大相对误差为9.89％，10 次测试中产生的最大相对误差均小于10％。10次测试中相对误差大多数集中在 2％-6％之间。结合图10、图12可知，10次测试中，RMSE最小为0.063，最大为 0.11，平均为0.09，MAPE最小为2.5，最大为4.7，平均为3.9。测试结果表明了 TGP模型拥有极高的预测精度，同时鲁棒性好，泛化能力强。总的来说，TGP 模型展现出令人满意的性能，能够应用于实际的地层异常压力预测中。
通过TGP模型的消融实验，评估了图自适应学***均值)，节点之间有边连接。当模型缺少GCN模块时， GAL模块是不存在的，高级时序特征与井筒几何约束特征在卷积完成后进行拼 接。同样本技术进行了10次测试，各个模型计算结果见表3所示。
表3消融实验结果
由表3可知，当模型缺少GAL模块时，模型产生的最大的相对误差由9.89％ 增加至18.5％，RMSE与MAPE均有一定程度的增加。当TGP模型缺少GCN模 块时，模型产生的误差大幅增加，最大相对误差由9.89％增加至46.1％，RMSE 与MAPE均大幅度的增长。接下来，本技术对产生这些现象的原因进行分析。
当模型中缺少GCN模型时，模型总的性能显著下降，但有趣的是，某些组 的测试结果与TGP模型相差不大，CNN+MLP的10次测试中的相对误差如图 11所示。
由图11可知，CNN+MLP在Test 2，Test 4及Test 8中展现出的性能与TGP 模型相差不大，但在其他组的测试中，产生的相对误差明显增大。这表明模型 的鲁棒性较差，也就是泛化能力不足。产生这一结果的根本原因在于溢流样本 的数量不足，模型出现了欠拟合的现象。由此可以说明，基于图的信息传播方 式，通过图卷积的方式向节点中汇聚信息，能够增加数据集中信息的丰度与样 本的多样性，进而提升分类器的性能。
当模型中缺少GAL模块时，模型的性能下降。本技术对比了基于欧式距离 计算的出的图邻接矩阵(加自环)与GAL学习得出的图结构(加自环)如图12 所示。
由图可知，通过欧式距离计算得出的临界矩阵中的值为0或1，而通过GAL 计算出的临界矩阵中值介于[0,1]之间。也就是说，通过GAL计算得出的邻接矩 阵能够为边赋予权重，相对于欧式距离计算得出的节点与节点之间严格的连接 关系，GAL能够为节点赋予更多信息，进一步的增加了特征矩阵中样本的多样 性。
在本实施例中，还列举了几种方法的对比：
为了验证本技术的优越性，本实施例与主流的LSTM方法进行了对比。本 实施例构建了4个LSTM网络，将时间步分别设置为3,5,7,9，用以捕捉不同范围 内的多元时序特征。单个LSTM网络在获取时序特征后，会被映射为1×6的向 量。随后再将4个映射后的向量进行合并，得到最终的时序特征样本，如图13 所示。
对LSTM模型进行了10次测试，测试结果与TGP模型对比见表4所示。
表4 TGP模型与LSTM对比
由表4可知，LSTM模型在测试中产生的最大相对误差达到了惊人的94.7％， 是TGP模型产生的最大相对误差的9.5倍。10次测试的平均RMSE与MAPE分 别为0.5，21.74，分别为TGP模型的5.5，5.6倍。由此可见，TGP模型的性能 明显优于LSTM模型。
LSTM模型在10次测试中的相对误差如图14所示。由图14可知，与 CNN+MLP模型相似，LSTM模型在某些组的测试中，LSTM也有相对不错的预 测精度，如在Test 4中，最小相对误差为5.23，最大相对误差为19.6，平均相对 误差为13.3。但模型的鲁棒性极差，泛化能力不足。造成这一现象的主要原因在 于数据量不足，导致模型出出现了欠拟合的现象。另一方面，通过与CNN+MLP 模型对比可知，LSTM模型用于提取多元时序特征的能力也不如CNN。
溢流发生后，快速准确预测地层异常压力，是制定井控措施的基础，对保 障井控安全至关重要。在这项工作中，本技术构建了一种端对端快速反演地层 异常压力的智能模型。本技术首先通过一维卷积提取了立管压力，泥浆池增量， 钻时，出入口温度差、出入口流量差及出入口电导率差在溢流后随时间变化的 高级时序特征。本技术使用了多个不同长度的卷积核来具体完成这一任务，提 取的到的高级时序特征中包含了不同范围内的时序特征。随后基于图的视角， 将溢流事件视为节点，卷积提取到的高级时序特征与井筒约束条件拼接后作为 节点的属性向量，通过自适应的图结构学习模块获得节点之间最优的连接关系， 并基于图的信息传递方式，通过图卷积的形式向每个节点中汇聚了二跳邻居的信息后，得到深度特征矩阵，最后一个3层的MLP根据深度特征矩阵，对未知 节点的地层异常压力进行预测。
本技术使用了YX区块真实的溢流数据对TGP模型进行了训练及测试，选 取了相对误差、RMSE及MAPE评估模型性能，并与LSTM+MLP的组合神经网 络模型进行了对比。在10次测试中，TGP模型产生的最大相对误差为9.89％， 平均RMSE为0.09，平均MAPE为3.9。相对于LSTM+MLP模型，最大相对误 差降低了93.7％，RMSE降低了82％，MAPE降低了82％。TGP模型在地层异常 压力预测任务中，拥有良好的预测精度与鲁棒性，相较于其他方法展现出极强的竞争能力。
本技术将一维卷积与图学习引入到地层异常压力反演中，为预测地层异常 压力提供了新的方向，并且取得了较好的效果。但仍然存在几个问题需要进一 步的研究。首先，在这项研究中，溢流样本的个数是固定的，也就是说，在图 结构自适应学习中，节点与节点之间的连接关系是静态学习，本技术暂时没有 考虑当新的节点加入后，如何更新已有模型，对新的节点做出预测，这将是本 技术下一步的研究方向。另一点，TGP模型的最优架构是通过多次测试后得到 的，本技术并没有对模型的参数进行分析，因为本技术也尚不清楚最优的架构 与地层异常压力预测任务之间具体的联系。在进一步的研究中，本技术准备通过收集更多区块的数据，通过不同区块数据集的结构来分析TGP模型的最优架 构。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但 凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化， 均应属于本发明的保护范围之内。
Claims (9)
1.基于多元时间序列的地层压力反演方法，其特征在于，包括以下步骤：
采集钻井的多元时序特征数据，并进行卷积、映射处理，得到高级时序特征矩阵，并与井筒几何约束特征矩阵进行拼接后得到属性特征矩阵；
采用图自适应学习算法自动学习到最优的邻接矩阵；
利用图卷积求得属性特征矩阵和邻接矩阵的节点之间隐藏的关联，并求得深度属性特征矩阵；
利用多层感知机并结合深度属性特征矩阵进行地层压力预测。
2.根据权利要求1所述的基于多元时间序列的地层压力反演方法，其特征在于，所述多元时序特征数据采用时间卷积模块进行卷积、映射处理；所述时间卷积模块含有一个由卷积层和子采样层构成的特征抽取器；所述子采样层为池化层。
3.根据权利要求1所述的基于多元时间序列的地层压力反演方法，其特征在于，所述邻接矩阵的表达式为：
Aadp＝softmax(ReLU(EET))
其中，Aadp表示自适应学习到的邻接矩阵，E表示随机初始化的节点的嵌入；T表示矩阵转置。
4.根据权利要求3所述的基于多元时间序列的地层压力反演方法，其特征在于，所述图卷积采用基于谱域的图卷积神经网络，其卷积核表达式为：
AN＝A+I
其中，I表示单位矩阵，DN表示AN的度矩阵，H表示每一层的特征，W表示每层的权重，σ为非线性激活函数。
5.根据权利要求1所述的基于多元时间序列的地层压力反演方法，其特征在于，所述井筒几何约束特征包括井深、井斜、方位角及钻头尺寸。
6.根据权利要求1所述的基于多元时间序列的地层压力反演方法，其特征在于，利用图卷积求得属性特征矩阵和邻接矩阵的节点之间隐藏的关联，包括：基于图的信息传递方式，通过图卷积的形式向每个节点中汇聚二跳邻居的信息，并更新每个节点的属性特征向量。
7.一种基于多元时间序列的地层压力反演的装置，其特征在于，包括：
时间卷积模块，根据采集的多元时序特征数据，并进行卷积、映射处理，得到高级时序特征矩阵，并结合井筒几何约束特征拼接得到属性特征矩阵；
图自适应模块，自适应的学习到邻接矩阵；
图卷积模块，与图自适应模块连接，求得属性特征矩阵和邻接矩阵的节点之间隐藏的关联，并输出深度属性特征矩阵；
以及，多层感知机输出模块，与图卷积模块连接，根据深度属性特征矩阵进行地层压力预测。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权要求1至6任一项项所述的基于多元时间序列的地层压力反演方法。
9.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权要求1至6任一项项所述的基于多元时间序列的地层压力反演方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210766854.5A CN115099406A (zh) | 2022-06-30 | 2022-06-30 | 基于多元时间序列的地层压力反演方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210766854.5A CN115099406A (zh) | 2022-06-30 | 2022-06-30 | 基于多元时间序列的地层压力反演方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115099406A true CN115099406A (zh) | 2022-09-23 |
Family
ID=83295266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210766854.5A Pending CN115099406A (zh) | 2022-06-30 | 2022-06-30 | 基于多元时间序列的地层压力反演方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115099406A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117717342A (zh) * | 2024-02-07 | 2024-03-19 | 吉林大学 | 用于盆底康复的评估***及方法 |
-
2022
- 2022-06-30 CN CN202210766854.5A patent/CN115099406A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117717342A (zh) * | 2024-02-07 | 2024-03-19 | 吉林大学 | 用于盆底康复的评估***及方法 |
| CN117717342B (zh) * | 2024-02-07 | 2024-04-09 | 吉林大学 | 用于盆底康复的评估***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alkinani et al. | Applications of artificial neural networks in the petroleum industry: a review | |
| CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及*** | |
| US20220164657A1 (en) | Deep reinforcement learning for field development planning optimization | |
| CN111080021B (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
| Cao et al. | A review on application of data-driven models in hydrocarbon production forecast | |
| CN112541572A (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
| CN112539054B (zh) | 地面管网与地下油藏复杂***生产优化方法 | |
| Zhang et al. | The prediction of reservoir production based proxy model considering spatial data and vector data | |
| CN107895092A (zh) | 一种基于复杂非线性注采建模的井间连通定量评价方法 | |
| CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及*** | |
| CN110533224B (zh) | 一种油页岩接续勘探钻孔位置优选方法 | |
| CN115099406A (zh) | 基于多元时间序列的地层压力反演方法及装置 | |
| CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
| Chen et al. | Prediction of the rate of penetration in offshore large-scale cluster extended reach wells drilling based on machine learning and big-data techniques | |
| Qingfeng et al. | A deep learning approach for abnormal pore pressure prediction based on multivariate time series of kick | |
| Huang et al. | A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls | |
| CN114971070B (zh) | 一种预测矿区地下水位的方法 | |
| CN115618750A (zh) | 一种基于耦合神经网络的地下油水渗流代理模型 | |
| CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
| CN112906760B (zh) | 一种水平井压裂段分段方法、***、设备及存储介质 | |
| Ebrahimi et al. | Young’s Modulus Estimation Using Machine Learning Methods and Daily Drilling Reports | |
| Min et al. | Multisource data fusion for single-well production rate prediction | |
| Liao et al. | Predictive Analytics and Statistical Learning for Waterflooding Operations in Reservoir Simulations | |
| Min et al. | Prediction of single well production rate in water-flooding oil fields driven by the fusion of static, temporal and spatial information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |