CN115906310A - 基于变分自编码器人工智能模型的钻井参数优化方法 - Google Patents

Abstract

本发明涉及基于变分自编码器人工智能模型的钻井参数优化方法，包括以下步骤：首先采集钻井工程参数数据、测井数据以及钻井液性能数据；将采集到的井史数据资料进行数据预处理，数据预处理包括数据筛选、离群点处理、数据标准化处理，最终得到经过预处理的钻井工程参数数据、测井数据以及钻井液性能数据。将预处理的数据作为输入，构建并训练无监督变分自编码器的人工智能模型，输出隐变量空间特征变量。将隐变量空间特征变量与机械钻速相关联，实现由目标机械钻速到隐变量空间特征变量，进而到最优钻井参数组合的推荐。本发明能够更加精准、更加便捷的提出不同井段下的最优钻井参数推荐，进而确保钻进提速提效的顺利开展。

Description

基于变分自编码器人工智能模型的钻井参数优化方法

技术领域

本发明涉及钻井工程钻井参数优化领域，更具体地说，涉及一种基于变分自编码器人工智能模型的钻井参数优化方法。

背景技术

钻井工程技术发展至今，提速提效一直是钻井人追求的目标之一。提速提效的关键在于两点，第一装备、工具作为提速的基础，在提速提效的过程中承担着至关重要的角色；第二在当前的工具与装备的条件下，装备、工具与钻井参数匹配性提升，充分发挥装备、工具的潜力，也是提速提效的关键抓手之一。当前，钻井参数与钻井装备匹配性低的问题一直存在。钻井参数匹配性低的问题严重制约了钻进速度，严重的会造成井下工具的损坏失效以及其他井下复杂情况等的发生，这就造成了极大的经济损失。正由于此原因，提高装备、工具与钻井参数之间的匹配性一直成为国内外石油工作者关注的问题之一，同时也是一直以来提速提效的有效途径之一。

作为提速的关键点之一，现行的研究钻井参数优化的主要方法包括机械比能以及钻速方程等。其中机械比能是通过计算钻头破岩能量的大小，通过破岩能量的大小，判断钻头井底工况，进而优化钻压、转速、排量等钻井参数；钻速方程是通过多元回归手段，针对牙轮钻头或PDC钻头，拟合钻压、钻速、排量等钻井参数以及测井数据等与机械钻速的回归关系，通过回归方程，确定在不同目标钻速下的钻井参数组合。然而上述两种方法，在现场实际应用过程中依旧存在着人为干预过大，主观性强的问题。

发明内容

本发明要解决的技术问题在于，提供一种基于变分自编码器人工智能模型的钻井参数优化方法，能够更加精准、更加便捷的提出不同井段下的最优钻井参数推荐，进而确保钻进提速提效的顺利开展。

本发明解决其技术问题所采用的技术方案是：构造一种基于变分自编码器人工智能模型的钻井参数优化方法，包括以下步骤：

S1、通过对采集到的井史数据资料整理得到预测堵漏配方所需的14个参数：体积模量、杨氏模量、泊松比、岩石单轴抗压强度、最大水平主应力、最小水平主应力、剪切模量、地层种类、钻压、转速、排量、扭矩、钻井液密度、钻井液粘度；

S2、将采集到的井史数据资料进行数据预处理，数据预处理内容包括线性相关数据删除、离群点处理、数据归一化处理，最终得到预处理后的工程参数数据；

S3、将预处理后的数据作为输入，以重构误差以及KL损失达到稳定并且和最小作为标准，建立并优化无监督的变分自编码器人工智能钻井参数优化模型；

S4、在变分自编码器训练完成后，通过将变分自编码器输出隐变量参数，将目标机械钻速范围与隐变量进行对应框选，并再次通过变分自编码器根据框选范围后的隐变量参数，给出对应的钻井参数组合；

S5、根据特定层段的地质参数范围以及工程参数预设范围进行筛选，最终得出目标钻速下的推荐钻井参数组合。

按上述方案，在所述步骤S2中，数线性相关数据删除具体步骤为：

参数间相关性计算采用斯皮尔曼相关系数，求取参数之间的相关性大小；

依据各特征参数之间的相关性大小，评价各参数之间的线性相关性，剔除高度线性相关的数据；

数据预处理中离群点处理的具体步骤为：对特征进行离群点删除处理，将数据中偏离均值三倍标准差数据进行删除；

所述的数据处理中归一化处理的具体步骤为：

采用最大最小归一化法对数据进行预处理；

最大最小归一化法，即将数据减去数据中最小值后再除以数据中最大值和最小值之差，如下式：

式中，X_i为原数据，X_norm为新数据，X_max为特征列中最大数据值，X_min为特征列中最小数据值。

按上述方案，在所述步骤S3中，建立并优化无监督的变分自编码器人工智能钻井参数优化模型的方法为：

确定编码器与解码器中全连接神经网络模型隐含层层数，利用预处理后的数据作为编码器输入数据，确定解码器与编码器中的全连接神经网络激活函数，实现多维数据向隐变量空间的低维数据的非线性拟合，同时解码器输出层数据将与编码器输入层数据进行对比，确定拟合精度；确定梯度优化算法，提高模型训练精度，加快KL损失、重建损失趋于最小。

按上述方案，编码器与解码器中全连接神经网络模型隐含层层数由经验法确定。

按上述方案，全连接神经网络激活函数采用Selu激活函数，如下式：

式中，λ与α为模型预设定参数，x为隐含层节点输出值，selu(x)为经过隐含层激活函数处理后值，输出层采用线性函数。

按上述方案，实现多维数据向隐变量空间的低维数据的非线性拟合是通过对编码器输出值进行正态分布采样，得到隐变量低维数据。

按上述方案，确定梯度优化算法，提高模型训练精度，加快KL损失、重建损失趋于最小的方法中，训练的目标函数如下：

其中，

其用于表征隐变量分布与标准正态分布的接近程度，重建损失＝-∫q(z|x)log p(x|z)dz，其用于表征由隐变量空间升维输出的数据集与原始数据集的接近程度。

按上述方案，在所述步骤S4中，将目标机械钻速范围与隐变量进行对应框选，并再次通过变分自编码器根据框选范围后的隐变量参数，给出对应的钻井参数组合的具体步骤为：

通过选定目标机械钻速范围，可在隐变量空间中，确定对应隐变量参数范围；通过在对应隐变量空间范围内随机选择隐变量点，此处可设置所需隐变量点个数；通过变分自编码器的解码器，可将隐变量点一一升维至实际钻参组合维度，实现钻参组合的初步推荐。

按上述方案，在所述步骤S5中，根据特定层段的地质参数范围以及工程参数预设范围进行筛选的具体步骤为：

地质筛选即为删除推荐的钻井参数组合中测井参数超过设定地层的原始测井数据范围的参数组合；

工程筛选即为对地质筛选后的钻井参数组合进行工程方面的二次筛选；首先，通过传统钻速计算的理论模型，将推荐钻井组合带入，进行计算；对与目标钻速相差大于用户预期的推荐组合，进行删除；对于保留的钻参组合，根据工程机械的适用范围，进行再次筛选。

实施本发明的基于变分自编码器人工智能模型的钻井参数优化方法，具有以下有益效果：

本发明运用人工智能方法优化钻井参数，能够更加精准、更加便捷的提出不同井段下的最优钻井参数推荐，进而确保钻进提速提效的顺利开展，解决了钻井过程中钻井参数匹配性不强，钻井参数优化主观性强的问题。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明基于变分自编码器人工智能模型的钻井参数优化方法的数据处理框图；

图2是变分自编码器模型结构示意图；

图3是变分自编码器推荐钻井参数组合后，地质筛选与工程筛选实施流程图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

图1是本发明技术方案中的数据预处理框图，数据预处理包括线性相关数据删除、离群点处理、归一化处理，其中线性相关数据删除为检查各数据之间的相关性，由于模型中编码器与解码器均为全连接神经网络，高度共线性特征无法提供新增信息，且占用计算量，通过评估线性相关大小，进行高度共线性数据删除；离群点处理指在尽量保持数据原貌的前提下，最大限度的将数据进行平滑处理，删除离群点；数据归一化处理的内容是通过Min-Max标准化使数据的所有特征都映射到同一尺度上。

图2是本发明技术方案中的神经网络结构示意图，本实例为了全面考虑地层情况、钻井参数、钻井液性能对机械钻速的影响，将预处理后的测井数据、钻井工程参数、钻井液性能参数资料作为输入，训练变分自编码器模型，满足高维钻井参数组合至低维隐变量空间的非线性投射。

本发明基于变分自编码器人工智能模型的钻井参数优化方法包括以下步骤：

1)基于数据挖掘采集堵漏配方井史数据资料。

通过对采集后的钻井参数、测井数据、钻井液性能数据整理得到钻井参数优化所需的14个参数：体积模量、杨氏模量、泊松比、岩石单轴抗压强度、最大水平主应力、最小水平主应力、剪切模量、地层、钻压、转速、排量、扭矩、钻井液密度、钻井液粘度；将所采集的数据资料作为训练模型的标准样本。

2)将采集到的数据资料进行数据预处理，数据预处理内容包括线性相关数据删除、离群点处理、归一化处理，最终得到经过预处理后的数据资料。

上述数据预处理的进一步特征在于：

2-1)所述数据预处理是通过分析原数据集，构建数据清洗模型和算法完成数据预处理，以确保人工智能模型训练精度，以及应用稳定性。

针对上述数据预处理，其主要包括线性相关数据删除、离群点处理、归一化处理，是人工智能模型构建前不可或缺的一个环节。其主要处理步骤如下：

2-2-1)由于数据特征列可能无法满足正态分布要求，因此采用斯皮尔曼相关系数计算特征列间相关性，并对高度线性相关特征列进行删除；

2-2-2)针对已删除线性相关列的数据，为提升信噪比，保证模型高鲁棒性，提高模型泛化能力，对特征进行离群点删除处理，将数据中偏离均值三倍标准差数据进行删除。

2-2-3)为了提升模型精度，以及加快模型训练的收敛速度，采用最大最小归一化法对数据进行预处理；

最大最小归一化法，即将数据减去数据中最小值后再除以数据中最大值和最小值之差，如下式：

上式中，其中X_i为原数据，X_norm为新数据，X_max为特征列中最大数据值，X_min为特征列中最小数据值。

3)将预处理后的特征数据作为输入，构建无监督人工智能变分自编码器模型；

上述技术方案的进一步特征在于，所述的变分自编码器模型构建方案如下；

3-1)变分自编码器由编码器与解码器两部分组成，均为全连接神经网络。进一步地，编码器为4层全连接神经网络，解码器为3层全连接神经网络。确定使用梯度优化算法，提高模型训练精度，加快KL损失、重建损失趋于最小，其中训练的目标函数如下：

其中

其用于表征隐变量分布与标准正态分布的接近程度，重建损失＝-∫q(z|x)log p(x|z)dz，其用于表征由隐变量空间升维输出的数据集与原始数据集的接近程度。

3-2)确定激活函数。编码器与解码器中隐含层激活函数采用Selu激活函数，输出层采用线性函数。

其中λ与α为模型预设定参数，x为隐含层节点输出值，selu(x)为经过隐含层激活函数处理后值。输出层采用线性函数。

3-3)通过编码器，确定输入组合分布的统计学均值、方差特征，并对其进行标准正态分布内的采样，以获得低维度下的隐变量参数。

3-4)基于所获得的隐变量参数，得到已知机械钻速与隐变量参数的隐变量空间。

图3是本发明技术方案的钻井参数组合筛选实施流程，具体如下：

4)将编码器给出的隐变量参数，与已知的机械钻速进行对应，进而给出目标机械钻速范围下，对应的隐变量区间范围。

5)在隐变量区间范围内，随机选择隐变量点，并作为变分自编码器中解码器的输入，输出为未经筛选的钻井参数组合。

6)在上述钻井参数组合内，进行地质筛选。将超出已知地层特性(体积模量、杨氏模量、泊松比、岩石单轴抗压强度、最大水平主应力、最小水平主应力、剪切模量、地层种类)范围的钻井参数组合，进行删除。以确保推荐参数组合，适用于目标地层。

7)将经过6)筛选的钻井参数组合，输入进传统钻速计算模型，以验证钻井参数组合推荐的机械钻速值。对超出用户允许误差的钻井参数组合，进行删除。

8)将经过7)筛选的钻井参数组合，根据钻井机械设备的客观适用条件进行筛选，保留工程施工能力范围内的参数组合。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.一种基于变分自编码器人工智能模型的钻井参数优化方法，其特征在于，包括以下步骤：

S1、通过对采集到的井史数据资料整理得到预测堵漏配方所需的14个参数：体积模量、杨氏模量、泊松比、岩石单轴抗压强度、最大水平主应力、最小水平主应力、剪切模量、地层种类、钻压、转速、排量、扭矩、钻井液密度、钻井液粘度；

S2、将采集到的井史数据资料进行数据预处理，数据预处理内容包括线性相关数据删除、离群点处理、数据归一化处理，最终得到预处理后的工程参数数据；

S3、将预处理后的数据作为输入，以重构误差以及KL损失达到稳定并且和最小作为标准，建立并优化无监督的变分自编码器人工智能钻井参数优化模型；

S4、在变分自编码器训练完成后，通过将变分自编码器输出隐变量参数，将目标机械钻速范围与隐变量进行对应框选，并再次通过变分自编码器根据框选范围后的隐变量参数，给出对应的钻井参数组合；

S5、根据特定层段的地质参数范围以及工程参数预设范围进行筛选，最终得出目标钻速下的推荐钻井参数组合。

2.根据权利要求1所述的基于变分自编码器人工智能模型的钻井参数优化方法，其特征在于，在所述步骤S2中，数线性相关数据删除具体步骤为：

参数间相关性计算采用斯皮尔曼相关系数，求取参数之间的相关性大小；

依据各特征参数之间的相关性大小，评价各参数之间的线性相关性，剔除高度线性相关的数据；

数据预处理中离群点处理的具体步骤为：对特征进行离群点删除处理，将数据中偏离均值三倍标准差数据进行删除；

所述的数据处理中归一化处理的具体步骤为：

采用最大最小归一化法对数据进行预处理；

最大最小归一化法，即将数据减去数据中最小值后再除以数据中最大值和最小值之差，如下式：

式中，X_i为原数据，X_norm为新数据，X_max为特征列中最大数据值，X_min为特征列中最小数据值。

3.根据权利要求1所述的基于变分自编码器人工智能模型的钻井参数优化方法，其特征在于，在所述步骤S3中，建立并优化无监督的变分自编码器人工智能钻井参数优化模型的方法为：

确定编码器与解码器中全连接神经网络模型隐含层层数，利用预处理后的数据作为编码器输入数据，确定解码器与编码器中的全连接神经网络激活函数，实现多维数据向隐变量空间的低维数据的非线性拟合，同时解码器输出层数据将与编码器输入层数据进行对比，确定拟合精度；确定梯度优化算法，提高模型训练精度，加快KL损失、重建损失趋于最小。

4.根据权利要求3所述的基于变分自编码器人工智能模型的钻井参数优化方法，其特征在于，编码器与解码器中全连接神经网络模型隐含层层数由经验法确定。

5.根据权利要求3所述的基于变分自编码器人工智能模型的钻井参数优化方法，其特征在于，全连接神经网络激活函数采用Selu激活函数，如下式：

式中，λ与α为模型预设定参数，x为隐含层节点输出值，selu(x)为经过隐含层激活函数处理后值，输出层采用线性函数。

6.根据权利要求3所述的基于变分自编码器人工智能模型的钻井参数优化方法，其特征在于，实现多维数据向隐变量空间的低维数据的非线性拟合是通过对编码器输出值进行正态分布采样，得到隐变量低维数据。

7.根据权利要求3所述的基于变分自编码器人工智能模型的钻井参数优化方法，其特征在于，确定梯度优化算法，提高模型训练精度，加快KL损失、重建损失趋于最小的方法中，训练的目标函数如下：

其中，

其用于表征隐变量分布与标准正态分布的接近程度，重建损失＝-∫q(z|x)logp(x|z)dz，其用于表征由隐变量空间升维输出的数据集与原始数据集的接近程度。

8.根据权利要求1所述的基于变分自编码器人工智能模型的钻井参数优化方法，其特征在于，在所述步骤S4中，将目标机械钻速范围与隐变量进行对应框选，并再次通过变分自编码器根据框选范围后的隐变量参数，给出对应的钻井参数组合的具体步骤为：

通过选定目标机械钻速范围，可在隐变量空间中，确定对应隐变量参数范围；通过在对应隐变量空间范围内随机选择隐变量点，此处可设置所需隐变量点个数；通过变分自编码器的解码器，可将隐变量点一一升维至实际钻参组合维度，实现钻参组合的初步推荐。

9.根据权利要求1所述的基于变分自编码器人工智能模型的钻井参数优化方法，其特征在于，在所述步骤S5中，根据特定层段的地质参数范围以及工程参数预设范围进行筛选的具体步骤为：

地质筛选即为删除推荐的钻井参数组合中测井参数超过设定地层的原始测井数据范围的参数组合；

工程筛选即为对地质筛选后的钻井参数组合进行工程方面的二次筛选；首先，通过传统钻速计算的理论模型，将推荐钻井组合带入，进行计算；对与目标钻速相差大于用户预期的推荐组合，进行删除；对于保留的钻参组合，根据工程机械的适用范围，进行再次筛选。

Images