钻井漏失位置预测方法、装置、计算机设备和存储介质与流程

本发明涉及钻井漏失预测，特别涉及一种钻井漏失位置预测方法、装置、计算机设备和存储介质。

背景技术：

1、随着油气资源勘探开发钻井深度的不断深入，钻遇破碎、裂缝性、缝洞性复杂地层，钻井漏失问题愈发严重。井漏发生不仅浪费大量的人力物力，严重时会导致井喷、卡钻、井壁失稳等井下复杂事故的发生。

2、目前钻井漏失层位预测困难、人工智能与传统钻井方向的结合较少，传统漏层判断方法依靠大量的人工经验判断，对多漏层判断准确性难以保证。

3、通过结合现场实钻数据与计算机算法，预防井漏发生成为近年来的研究方向。基于人工智能神经网络学习的方法对钻井井漏层位进行预测的一种方法是采用支持向量机，基于实际工况和统计多参数演算对导致井漏层位的大量有效数据进行整合，从而构建针对井漏层位判断的有效预警系统。kelessisis建立了基于规则推理的诱导裂缝宽度变化计算方法，建立了控制漏失压力与井漏的反演模型和裂缝宽度与漏速的幂函数关系模型。利用数据挖掘技术对传统的石油天然气工业进行深度提取和机器学习，辅助传统能源行业的高质量发展，是石油工业发展的新方向与新热点。mohan基于随机森林、案例推理的机器学习算法预测井下复杂、监测报警、辅助决策，深化了人工智能与传统石油开采的应用。线性回归方法来源于数理统计中的回归分析，是机器学习和数据挖掘的重要利用方法之一，该方法对数据处理的效率高，误差小，使用反演可以多次验算数据，对数据缺失不敏感，通过该方法对实际工程数据进行高效处理进行钻井漏失层位判断预测具有良好的应用前景。

4、综上所述，国内外现有技术的漏失方法主要分为基于压力预测及油藏历史数据预测两大类。其中，基于压力预测的方法不能判断漏层附加是否存在其他多漏层。基于油藏历史数据的预测对不同位置新钻井没有准确的指导意义。因此，现有的钻井漏失位置预测方法存在着缺陷。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种钻井漏失位置预测方法、装置、计算机设备和存储介质。

2、一种钻井漏失位置预测方法，包括：

3、获取钻井样本数据；

4、将所述钻井样本数据作为特征向量输入至神经网络，利用所述钻井样本数据基于softmax线性回归函数估算每一所述钻井样本数据所归属的漏失类别的概率，建立softmax线性回归方程学习模型；

5、采集实时钻井参数；

6、将所述实时钻井参数输入至所述softmax线性回归方程学习模型，输出预测钻井漏失位置。

7、在其中一个实施例中，

8、所述将所述钻井样本数据作为特征向量输入至神经网络，利用所述钻井样本数据基于softmax线性回归函数估算每一所述钻井样本数据所归属的漏失类别的概率，建立softmax线性回归方程学习模型的步骤包括：

9、从所述钻井样本数据中确定特征属性，确定所述特征属性的取值为所述softmax线性回归方程学习模型的特征输入参数，确定所述softmax线性回归方程学习模型的输出类别；

10、将所述钻井样本数据划分为训练集和测试集；

11、将所述训练集作为特征向量输入至神经网络，利用所述训练集基于softmax线性回归函数估算每一所述钻井样本数据所归属的漏失类别的概率，建立所述softmax线性回归方程学习模型；

12、所述建立softmax线性回归方程学习模型的步骤之后还包括：

13、将所述测试集输入至所述softmax线性回归方程学习模型，利用所述测试集验证所述softmax线性回归方程学习模型输出的所述预测钻井漏失位置。

14、在一个实施例中，所述利用所述训练集基于softmax线性回归函数估算每一所述钻井样本数据所归属的漏失类别的概率，建立所述softmax线性回归方程学习模型的步骤包括：

15、利用所述训练集基于softmax线性回归函数估算每一所述钻井样本数据所归属的漏失类别的概率，并利用交叉熵ce对所述漏失类别的概率进行计算，建立所述softmax线性回归方程学习模型。

16、在其中一个实施例中，所述将所述钻井样本数据划分为训练集和测试集包括：

17、采用随机分层抽样的方式将所述钻井样本数据划分为训练集和测试集。

18、在其中一个实施例中，所述将所述钻井样本数据作为特征向量输入至神经网络，利用所述钻井样本数据基于softmax线性回归函数估算每一所述钻井样本数据所归属的漏失类别的概率，建立softmax线性回归方程学习模型的步骤包括：

19、将所述钻井样本数据作为特征向量输入至神经网络；

20、在同类的所述钻井样本数据和全部非同类的所述钻井样本数据中各选取k个最临近值；

21、计算基于k个最临近值的各所述特征向量的权重；

22、检测是否达到预设次数迭代；

23、当未达到所述预设次数迭代时，则返回所述采用随机分层抽样的方式将所述钻井样本数据划分为训练集和测试集的步骤；

24、当达到所述预设次数迭代时，则输出特征优选子集。

25、在其中一个实施例中，所述获取钻井样本数据包括：

26、获取所述钻井样本数据；

27、对所述钻井样本数据进行预处理；

28、基于井漏参数风险等级对预处理后的各所述钻井样本数据进行筛选，得到筛选后的所述钻井样本数据；

29、获得预设划分比例，根据所述预设划分比例将筛选后所述钻井样本数据划分为训练集和测试集。

30、在其中一个实施例中，所述对所述钻井样本数据进行预处理包括：

31、对所述钻井样本数据进行清洗和集成。

32、一种钻井漏失位置预测装置，包括：

33、样本数据获取模块，用于获取钻井样本数据；

34、训练模块，用于将所述钻井样本数据作为特征向量输入至神经网络，利用所述钻井样本数据基于softmax线性回归函数估算每一所述钻井样本数据所归属的漏失类别的概率，并据此进行学习训练，建立softmax线性回归方程学习模型；

35、参数采集模块，用于采集实时钻井参数；

36、预测模块，用于将所述实时钻井参数输入至所述softmax线性回归方程学习模型，输出预测钻井漏失位置。

37、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一实施例中的钻井漏失位置预测方法的步骤。

38、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例中的钻井漏失位置预测方法的步骤。

39、上述钻井漏失位置预测方法、装置、计算机设备和存储介质，以钻井样本数据作为处理基础，保证了结果的真实性、准确性，并且确保了数据量级，softmax线性回归函数作为离散概率分布的形式可以将多分类特征对一维向量进行定义，减少数据误差，从而使得对钻井漏失位置的预测结果更为准确。