一种井壁风险等级预测方法

本发明涉及石油勘探领域，更具体地，涉及一种井壁风险等级预测方法。

背景技术：

1、在石油勘探开发过程中，保持井壁的稳定状态对于安全钻井和生产具有至关重要的意义。在实际中，由于地层复杂性、钻头磨损等因素的影响，往往会出现井壁失稳等问题，它不仅会影响钻井速度还会造成严重的安全事故。对井壁稳定性进行预测和分析，可以更好地制定钻井方案，从而降低钻井风险并提高采油效率。

2、井径扩大率是判断井壁失稳比较直观的参数，当井壁失稳时，井眼周围的岩石会发生塑性变形或破裂，导致井径扩大率急剧增加。因此，通过预测井径扩大率的变化来分析井壁的失稳情况。

3、在预测井壁稳定性的方法中，经验公式法易受限于地质条件和岩石类型，无法考虑到不同地区和层位之间的差异；数值模拟方法需要大量的参数和复杂的计算，其结果还会受模型误差的影响。在深部地层中，影响井壁稳定的参数较多，且各参数之间存在复杂的非线性关系，而机器学习方法解决多目标非线性复杂问题的效果较好，可以充分发掘钻井数据与井壁稳定性之间隐藏的潜在关系，实现对井壁稳定性的准确预测。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供一种井壁风险等级预测方法，解决现有技术中井壁稳定性预测存在的地质条件限制和模型误差的问题，该预测方法包括：

2、获取目标地层连续型的钻井特征参数和井径扩大率数据；

3、根据所述井径扩大率数据的统计分布情况，将所述井径扩大率数据进行离散化，获得井径扩大率的离散化值，所述井径扩大率的离散化值表征井壁的风险等级值；

4、基于自组织特征映射sofm神经网络将连续型的每一个钻井特征参数进行离散化，获取每一个钻井特征参数的离散化值；

5、将每一个钻井特征参数的离散化值和井径扩大率的离散化值对应组合，组成决策表；

6、计算每一个钻井特征参数对决策表的信息增益，选取信息增益较大的多个钻井特征参数；

7、获取训练集，所述训练集中包括多个训练样本，每一个训练样本包括信息增益较大的多个钻井特征参数的离散化值和对应的井径扩大率的离散化值；

8、基于训练集对预测模型进行训练；

9、将待测的多个钻井特征参数的离散化值输出训练后的预测模型中，输出井壁的风险等级值。

10、本发明提供的一种井壁风险等级预测方法，通过神经网络对连续型钻井特征参数进行离散，无需预先标记训练数据，通过调整权重向量和邻域来适应输入数据的分布和特点，最大程度保留原始数据的信息；以及通过属性重要性中的信息增益来提取特征参数，显著减少了模型输入参数的数量并提高了预测效果。

技术特征：

1.一种井壁风险等级预测方法，其特征在于，包括：

2.根据权利要求1所述的井壁风险等级预测方法，其特征在于，根据所述井径扩大率数据的统计分布情况，将所述井径扩大率数据进行离散化，获得井径扩大率的离散化值，所述井径扩大率的离散化值表征井壁的风险等级值，包括：

3.根据权利要求1所述的井壁风险等级预测方法，其特征在于，所述基于自组织特征映射sofm神经网络将连续型的每一个钻井特征参数进行离散化，获取每一个钻井特征参数的离散化值，包括：

4.根据权利要求3所述的井壁风险等级预测方法，其特征在于，所述b中，对于任一个钻井特征参数包括的连续的多个采样点数据，计算任一个采样点数据与每一个离散化值的权值向量wj之间的距离，并获取最小距离的权值向量wm，包括：

5.根据权利要求4所述的井壁风险等级预测方法，其特征在于，

6.根据权利要求3所述的井壁风险等级预测方法，其特征在于，所述e之后还包括：

7.根据权利要求6所述的井壁风险等级预测方法，其特征在于，所述f、基于每一个钻井特征参数的每一个采样点数据的初始离散化值，确定每一个钻井特征参数对应的离散化值的最优数目，包括：

8.根据权利要求7所述的井壁风险等级预测方法，其特征在于，所述确定依赖度最大值对应的钻井特征参数xp，并通过迭代计算钻井特征参数xp对应的离散化值的最优数量h1，包括：

9.根据权利要求1所述的井壁风险等级预测方法，其特征在于，所述计算每一个钻井特征参数对决策表的信息增益，包括：

10.根据权利要求1所述的井壁风险等级预测方法，其特征在于，所述获取训练集，包括：

技术总结
本发明提供一种井壁风险等级预测方法，通过SOFM神经网络对连续型钻井特征参数进行离散，无需预先标记训练数据，通过调整权重向量和邻域来适应输入数据的分布和特点，最大程度保留原始数据的信息；以及通过属性重要性中的信息增益来提取特征参数，显著减少了模型输入参数的数量并提高了预测效果。

技术研发人员：杨明合,许楷,李博志,蔡旭龙,何清旖
受保护的技术使用者：长江大学武汉校区
技术研发日：
技术公布日：2024/1/15