一种钻井事故预警方法、装置、电子设备及存储介质与流程

本发明涉及数据处理，尤其涉及一种钻井事故预警方法、装置、电子设备及存储介质。

背景技术：

1、现有技术中，井漏、井涌、井喷等钻井事故的预测高度依赖技术人员依据传感器实时数据所做的主观判断，这要求技术人员具备深厚的实战经验。然而，人工判断难免受主观偏见影响，存在局限性。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术局限性问题。为此，本发明提出一种钻井事故预警方法、装置、电子设备及存储介质，能够高效准确进行多源钻井事故预警。

2、一方面，本发明实施例提供了一种钻井事故预警方法，包括：

3、获取标注有的钻井事故类型的钻井数据，基于钻井数据整理得到测试集和验证集；

4、初始化初始神经网络的网络拓扑结构；将初始神经网络作为第一神经网络；

5、初始化初始种群；将初始种群作为第一种群；第一种群中包括第一数量的个体，个体包括与第一神经网络的网络拓扑结构对应的第一网络参数，第一网络参数基于二进制编码得到；

6、基于第一种群中的个体初始化第一神经网络的网络参数，进而通过测试集处理得到每个个体对应的第一预测正确率；

7、基于第一预测正确率对第一种群中的所有个体进行排序，得到第二种群；对第二种群进行遗传处理，得到第三种群；将迭代次数加1；其中，迭代次数初始为0；

8、当迭代次数达到迭代阈值，根据最后一次迭代得到的第三种群确定目标个体；否则，将第三种群作为第一种群，然后返回执行基于第一种群中的个体初始化第一神经网络的网络参数的步骤；

9、基于目标个体初始化第一神经网络的网络参数，进而通过验证集处理得到目标个体的第二预测正确率；

10、当第二预测正确率符合准确率要求，将根据目标个体初始化网络参数的第一神经网络作为目标神经网络；否则，优化调整第一神经网络的网络拓扑结构，得到第二神经网络，将迭代次数重置为0，将第二神经网络作为第一神经网络，然后返回执行初始化初始种群的步骤；

11、通过目标神经网络根据待预测钻井数据进行钻井事故预测，根据钻井事故预测的结果进行预警处理。

12、可选地，初始化初始种群，包括以下步骤：

13、基于第一区间内的随机数初始化第一神经网络的网络拓扑结构对应的所有初始网络参数；

14、对初始网络参数进行二进制编码，得到第一网络参数；

15、根据所有第一网络参数整理得到个体，返回执行基于第一区间内的随机数初始化第一神经网络的网络拓扑结构对应的所有初始网络参数的步骤，直至得到第一数量的个体，根据第一数量的个体整理得到初始种群。

16、可选地，基于第一种群中的个体初始化第一神经网络的网络参数，包括以下步骤：

17、对第一种群的个体的所有基因中包括的第一网络参数进行二进制解码，得到十进制表示的第二网络参数；

18、将第二网络参数应用到第一神经网络，对应得到基于第一种群中每个个体进行网络参数初始化后相应的第一神经网络。

19、可选地，通过测试集处理得到每个个体对应的第一预测正确率，包括以下步骤：

20、遍历测试集中每条钻井数据输入基于第一种群的个体进行网络参数初始化后相应的第一神经网络，获得输出的预测结果；

21、将预测结果与输入的钻井数据对应标注的钻井事故类型进行比对，获得测试集中预测结果一致的钻井数据的第二数量；

22、根据第二数量与测试集的数据总数量的比值获得对应的个体进行网络参数初始化后相应的第一神经网络的第一预测正确率。

23、可选地，对第二种群进行遗传处理，包括以下步骤：

24、对第二种群的个体进行选择处理；

25、其中，选择处理包括以下步骤：

26、将第二种群中第一预测正确率最高的第三数量的个体作为第一选择；

27、随机从第二种群中获取第四数量的个体作为第二选择；

28、根据第一选择和第二选择作为选择处理的结果；

29、其中，第三数量与第四数量的和不大于第一数量。

30、可选地，对第二种群进行遗传处理，还包括以下步骤：

31、基于第一预测正确率对选择处理的结果中包含的所有个体进行排序，得到第四种群；

32、对第四种群中相应位置上正序遍历的个体和反序遍历的个体进行基因交叉操作；和/或，

33、对第四种群中所有个体进行基因变异操作。

34、可选地，第一神经网络包括输入层、隐藏层和输出层；优化调整第一神经网络的网络拓扑结构，包括以下步骤：

35、基于第二区间内的整数随机值对隐藏层的数量进行增加调整。

36、另一方面，本发明实施例提供了一种钻井事故预警装置，包括：

37、第一模块，用于获取标注有的钻井事故类型的钻井数据，基于钻井数据整理得到测试集和验证集；

38、第二模块，用于初始化初始神经网络的网络拓扑结构；将初始神经网络作为第一神经网络；

39、第三模块，用于初始化初始种群；将初始种群作为第一种群；第一种群中包括第一数量的个体，个体包括与第一神经网络的网络拓扑结构对应的第一网络参数，第一网络参数基于二进制编码得到；

40、第四模块，用于基于第一种群中的个体初始化第一神经网络的网络参数，进而通过测试集处理得到每个个体对应的第一预测正确率；

41、第五模块，用于基于第一预测正确率对第一种群中的所有个体进行排序，得到第二种群；对第二种群进行遗传处理，得到第三种群；将迭代次数加1；其中，迭代次数初始为0；

42、第六模块，用于当迭代次数达到迭代阈值，根据最后一次迭代得到的第三种群确定目标个体；否则，将第三种群作为第一种群，然后返回执行第四模块；

43、第七模块，用于基于目标个体初始化第一神经网络的网络参数，进而通过验证集处理得到目标个体的第二预测正确率；

44、第八模块，用于当第二预测正确率符合准确率要求，将根据目标个体初始化网络参数的第一神经网络作为目标神经网络；否则，优化调整第一神经网络的网络拓扑结构，得到第二神经网络，将迭代次数重置为0，将第二神经网络作为第一神经网络，然后返回执行第三模块；

45、第九模块，用于通过目标神经网络根据待预测钻井数据进行钻井事故预测，根据钻井事故预测的结果进行预警处理。

46、另一方面，本发明实施例提供了一种电子设备，包括：处理器以及存储器；存储器用于存储程序；处理器执行程序实现上述钻井事故预警方法。

47、另一方面，本发明实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现上述钻井事故预警方法。

48、本发明实施例通过获取标注有的钻井事故类型的钻井数据，基于钻井数据整理得到测试集和验证集；初始化初始神经网络的网络拓扑结构；将初始神经网络作为第一神经网络；初始化初始种群；将初始种群作为第一种群；第一种群中包括第一数量的个体，个体包括与第一神经网络的网络拓扑结构对应的第一网络参数，第一网络参数基于二进制编码得到；基于第一种群中的个体初始化第一神经网络的网络参数，进而通过测试集处理得到每个个体对应的第一预测正确率；基于第一预测正确率对第一种群中的所有个体进行排序，得到第二种群；对第二种群进行遗传处理，得到第三种群；将迭代次数加1；其中，迭代次数初始为0；当迭代次数达到迭代阈值，根据最后一次迭代得到的第三种群确定目标个体；否则，将第三种群作为第一种群，然后返回执行基于第一种群中的个体初始化第一神经网络的网络参数的步骤；基于目标个体初始化第一神经网络的网络参数，进而通过验证集处理得到目标个体的第二预测正确率；当第二预测正确率符合准确率要求，将根据目标个体初始化网络参数的第一神经网络作为目标神经网络；否则，优化调整第一神经网络的网络拓扑结构，得到第二神经网络，将迭代次数重置为0，将第二神经网络作为第一神经网络，然后返回执行初始化初始种群的步骤；通过目标神经网络根据待预测钻井数据进行钻井事故预测，根据钻井事故预测的结果进行预警处理。本发明实施例通过提出了基于神经网络的钻井事故预测方法，依托于神经网络，显著增强了事故预警的智能化水平；并且通过结合二进制编码和遗传迭代去寻找最优的网络参数，二进制编码能够辅助提高遗传处理的效率，遗传迭代能够有效提高神经网络的预测精度；同时本发明实施例提出了测试集和验证集双轨校验流程，强化了对输入数据多维度扩展的支持，保障了神经网络模型的适用性和泛化能力。本发明实施例能够高效准确进行钻井事故预警。