钻井溢流漏失工况预测方法及装置与流程

本发明涉及石油天然气领域，尤其是钻探领域的危险工况的预测方法，具体涉及一种钻井溢流漏失工况预测方法及装置。

背景技术：

随着石油勘探开发向深部复杂地层发展，窄密度窗口钻井安全问题愈发显著，钻井风险，特别是溢流、井漏发生频繁，井控的要求也随之增高，因此对溢流、漏失等风险的及时预警就显得至关重要。从四川地区百余口井的资料统计中发现，从溢流发现到井喷之间的时间非常短，在30分钟之内的占67％，其中又有50％的在10分钟之内，可以理解的是，一旦发生钻井事故，需花费大量时间进行处理，严重影响钻井周期和经济效益，有时处理钻井事故时效甚至占总钻井时间的15％，在此过程中耗费了大量人力、物力和时间，严重事故的发生甚至会威胁到施工人员的人身安全。这使得自钻井工程出现以来，钻井事故的监测和预防就受到了高度重视。能否在钻井事故发生的早期，给出某种程度、某种意义上的预警，对于预防和控制事故，并最大限度地减少损失，具有重大意义。

随着信息网络技术的发展，国内外许多专家、学者将人工智能技术应用到石油钻井过程中，采用计算机实时分析钻井现场实测数据，实时监控风险参数的变化，利用人工智能分析方法对风险进行实时分析和预警。可以理解的是，采用人工智能方法能够降低工作量，极大程度上避免了人为主观性判断带来的错误，提高预警准确度。

人工智能预警方法主要有贝叶斯方法、人工神经网络法、专家系统、模糊推理等方法。hargreaves(2001)采用贝叶斯概率对深海钻井溢流进行了监测，其通过分析声波数据采用贝叶斯模型对溢流发生的概率进行计算，得出可能发生溢流的概率。nybo(2008)，建立bp神经网络预测模型，通过对出口流量的预测值和实际数据值对比，对溢流情况进行实时预警，但不是对数据进行实时动态计算。moazzeni(2012)采用神经网络对钻井作业参数和地质数据进行计算，对钻井井漏进行预测计算。蔡汉君(2014)采用神经网络融合技术对井漏诊断进行了研究。司孟菡(2016)采用bp神经网络构建了基于征兆参数的实时预警模型。史玉升(1999)提出了将专家系统与人工智能相结合的实时监测和故障检测方法，着重分析如何建立专家知识库。韩朝晖(2008)对钻井事故领域的知识构建的应用进行了研究。吴俊杰(2006)提出采用模糊理论对钻井工程异常进行预警，并设计了相关技术方法和思想路线。王杰(2008)针对钻井过程中风险种类多、测量参数多、主要判断参数难确定等困难，开发了基于分层模糊推理的钻井风险预瞥系统。郭建明(2012)引入本体和贝叶斯网络融合方法对钻井风险进行分析。李璐(2015)采用核主元分析方法对井漏风险进行预警。通过调研国内外在溢流及其他钻井风险预警方面的研究发现，一方面现场溢流漏失监测需要依靠现场工程师人工分析；另一方面国内外专家、学者在人工智能引入到钻井风险分析的研均处于探索阶段，具有较大的研究空间。

因此，如何发现并预警溢流、漏失工况，是亟待解决的问题。

技术实现要素：

针对现有技术中的问题，本发明能够建立可以提供一种及时发现溢流、漏失钻井工况的方法。

为解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供一种钻井溢流漏失工况预测方法，包括：

获取待预测工况的钻井数据；

利用待预测工况的钻井数据及预先建立的深度信念网络模型进行钻井溢流漏失工况预测。

一实施例中，钻井溢流漏失工况预测方法还包括：根据钻井历史数据建立深度信念网络模型。

一实施例中，钻井溢流漏失工况预测方法还包括：根据钻井历史数据、深度信念网络模型的可见层偏置、隐含层偏置以及可见层偏置与隐含层偏置的连接权重，训练预先建立的深度信念网络模型。

一实施例中，在根据钻井历史数据建立深度信念网络模型之前，还包括：

将钻井历史数据进行滤波；

将钻井历史数据进行归一化；

去除钻井历史数据中的异常值。

一实施例中，钻井数据包括必要特征参数及辅助特征参数，其中，必要特征参数包括：立管压力、井口压力、出口流量及入口流量；辅助特征参数包括：泵冲、大钩载荷、钻时、井底环空压力、全烃及c1数据；

钻井历史数据包括必要特征参数、辅助特征参数及工况数据，其中，工况数据包括：溢流、漏失及正常。

一实施例中，根据钻井历史数据、深度信念网络模型的可见层偏置、隐含层偏置以及可见层偏置与隐含层偏置的连接权重，训练预先建立的深度信念网络模型，包括：

分别设置可见层偏置的初始值、隐含层偏置的初始值及连接权重的初始值为三个小于预设数值的随机数；

将钻井历史数据输入深度信念网络模型中；

进行以下迭代操作，直至深度信念网络模型的预测误差小于或等于预设误差，得到深度信念网络模型：

由下向上逐层训练深度信念网络模型至n-1层，并将训练结果输入至深度信念网络模型的第n层，得到第n层的训练结果；其中，n为深度信念网络模型的训练总层数；

根据第n层的训练结果及钻井历史数据计算预测误差；

当预测误差大于预设误差时，根据预测误差，由上向下逐层优化深度信念网络模型至第1层。

一实施例中，由上向下逐层优化深度信念网络模型至第1层，包括

由上向下逐层调整深度信念网络模型中各层的可见层偏置、隐含层偏置及连接权重至第1层。

第二方面，本发明提供一种钻井溢流漏失工况预测装置，该装置包括：

钻井数据获取单元，用于获取待预测工况的钻井数据；

工况预测单元，用于利用待预测工况的钻井数据及预先建立的深度信念网络模型进行钻井溢流漏失工况预测。

一实施例中，钻井溢流漏失工况预测装置还包括：

深度信念网络模型建立单元，用于根据钻井历史数据建立深度信念网络模型。

一实施例中，钻井溢流漏失工况预测装置还包括：

深度信念网络模型训练单元，用于根据钻井历史数据、深度信念网络模型的可见层偏置、隐含层偏置以及可见层偏置与隐含层偏置的连接权重，训练预先建立的深度信念网络模型。

一实施例中，钻井溢流漏失工况预测装置还包括：

钻井历史数据滤波单元，用于将钻井历史数据进行滤波；

钻井历史数据归一化单元，用于将钻井历史数据进行归一化；

钻井历史数据异常值去除单元，用于去除钻井历史数据中的异常值。

一实施例中，深度信念网络模型训练单元包括：

初始值设置模块，用于分别设置可见层偏置的初始值、隐含层偏置的初始值及连接权重的初始值为三个小于预设数值的随机数；

钻井历史数据输入模块，用于将钻井历史数据输入深度信念网络模型中；

迭代模块，用于进行以下迭代操作，直至深度信念网络模型的预测误差小于或等于预设误差，得到深度信念网络模型：

由下向上逐层训练深度信念网络模型至n-1层，并将训练结果输入至深度信念网络模型的第n层，得到第n层的训练结果；其中，n为深度信念网络模型的训练总层数；

根据第n层的训练结果及历史数据计算预测误差；

当预测误差大于预设误差时，根据预测误差，由上向下逐层优化深度信念网络模型至第1层。

一实施例中，迭代模块，具体用于由上向下逐层调整深度信念网络模型中各层的可见层偏置、隐含层偏置及连接权重至第1层。

第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现钻井溢流漏失工况预测方法的步骤。

第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现钻井溢流漏失工况预测方法的步骤。

从上述描述可知，本发明提供一种钻井溢流漏失工况预测方法及装置，通过已知工况数据及其所对应的钻井数据对深度信念网络模型进行训练，并根据训练好的深度信念网络模型预测实际钻井数据所对应工况，本方法将深度信念网络方法的强大容错性、自学习、自适应能力等优点，与精细控压钻井实时采集的压力、流量等关键钻井数据相结合，通过模型训练得到溢流漏失工况预测模型，从而实现对溢流漏失工况做出自动识别判断，最大程度避免人工判断造成的误判，及时做出复杂工况预测。综上，本发明能够建立可以提供一种及时发现溢流、漏失钻井工况的方法，从而在实际生产中提前采取应对和处理溢流、漏失复杂工况的有效措施，降低复杂工况造成的钻井损失。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。

图1为本申请实施例的一种钻井溢流漏失工况预测系统的第一种结构示意图；

图2为本申请实施例的一种钻井溢流漏失工况预测系统的第二种结构示意图；

图3为本发明的实施例中钻井溢流漏失工况预测方法的流程示意图；

图4为本发明的实施例中dbn模型训练流程示意图；

图5为本发明的具体实施方式中钻井溢流漏失工况预测方法的流程示意图；

图6为本发明的钻井溢流漏失工况预测方法的具体应用实例的思路导图；

图7为本发明的具体应用实例中钻井溢流漏失工况预测方法的流程示意图；

图8为本发明的实施例中dbn模型测试样本预测工况示意图；

图9为本发明的实施例中的钻井溢流漏失工况预测装置的结构示意图；

图10为本发明的实施例中的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请提供一种钻井溢流漏失工况预测系统，该系统包含有一钻井溢流漏失工况预测装置，参见图1，该装置可以为一种服务器a1，该服务器a1可以与多个钻井数据接收端b1通信连接，服务器a1还可以与多个数据库分别通信连接，或者如图2所示，这些数据库也可以之间设置在服务器a1中。其中，钻井数据接收端b1用于接收钻井过程中的立管压力、井口压力、出口流量、入口流量泵冲、大钩载荷、钻时、井底环空压力、全烃及c1等数据。服务器a1在收取钻井数据之后，对该钻井数据进行实时预测，并将预测结果通过客户端c1显示给用户。

可以理解的是，钻井数据接收端b1可以为一种传感器，该传感器可以为压力传感器、流量传感器、位移传感器以及气体传感器等，客户端c1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在实际应用中，进行钻井溢流漏失工况预测的部分可以在如上述内容的服务器a1侧执行，即，如图1或图2所示的架构，也可以所有的操作都在客户端c1设备中完成。具体可以根据客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在客户端设备中完成，客户端设备还可以包括处理器，用于进行对钻井溢流漏失工况预测结果的处理等操作。

上述的客户端c1设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与服务器的数据传输。服务器可以包括钻井溢流漏失工况预测一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与钻井溢流漏失工况预测服务器有通信链接的第三方服务器平台的服务器。服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

服务器与客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。网络协议例如可以包括tcp/ip协议、udp/ip协议、http协议、https协议等。当然，网络协议例如还可以包括在上述协议之上使用的rpc协议(remoteprocedurecallprotocol，远程过程调用协议)、rest协议(representationalstatetransfer，表述性状态转移协议)等。

本发明的实施例提供一种钻井溢流漏失工况预测方法的具体实施方式，参见图3，钻井溢流漏失工况预测方法具体包括如下内容：

步骤100：获取待预测工况的钻井数据。

步骤100中的待预测工况的钻井数据包括：必要特征参数及辅助特征参数。

必要特征参数包括：立管压力、井口压力、出口流量及入口流量；

辅助特征参数包括：泵冲、大钩载荷、钻时、井底环空压力、全烃及c1数据；

步骤200：利用待预测工况的钻井数据及预先建立的深度信念网络模型进行钻井溢流漏失工况预测。

可以理解的是，深度信念网络(deepbeliefnetwork,dbn)是一种生成模型，通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数据。不仅可以使用dbn识别特征、分类数据，还可以用来生成数据。dbn由多层神经元构成，这些神经元又分为可见层神经元和隐含层神经元。可见层神经元用于接受输入，隐含层神经元用于提取特征。

进一步地，钻井溢流漏失工况预测方法还包括：根据钻井历史数据建立深度信念网络模型。

可以理解的是，该步骤在步骤200之前，此时的深度信念网络模型为初始模型，参见图4，即未经过训练的深度信念网络模型。该步骤中的钻井历史数据在步骤100中的钻井数据的基础上，还包括工况数据，即溢流、漏失及正常。

进一步地，钻井溢流漏失工况预测方法还包括：根据钻井历史数据、深度信念网络模型的可见层偏置、隐含层偏置以及可见层偏置与隐含层偏置的连接权重，训练预先建立的深度信念网络模型。

可以理解的是，该步骤是对深度信念网络模型(初始模型)进行训练，具体为，将钻井历史数据中的立管压力、井口压力、出口流量及入口流量、泵冲、大钩载荷、钻时、井底环空压力、全烃、c1数据及工况输入深度信念网络模型，然后把逐层训练处的结果与实际的工况结果进行误差计算，接着，根据误差对深度信念网络模型进行调整，直至误差小于预先设定的误差值，最后得到训练后的深度信念网络模型。

进一步地，在根据钻井历史数据建立深度信念网络模型之前，还包括：对钻井历史数据进行预处理，包括：将钻井历史数据进行滤波；将钻井历史数据进行归一化；去除钻井历史数据中的异常值。在一种优选的实施例中，对待预测工况的钻井数据同样需要进行预处理。

进一步地，根据钻井历史数据、深度信念网络模型的可见层偏置、隐含层偏置以及可见层偏置与隐含层偏置的连接权重，训练预先建立的深度信念网络模型，包括：

分别设置可见层偏置的初始值、隐含层偏置的初始值及连接权重的初始值为三个小于预设数值的随机数；

将钻井历史数据输入深度信念网络模型中；

进行以下迭代操作，直至深度信念网络模型的预测误差小于或等于预设误差，得到深度信念网络模型：

由下向上逐层训练深度信念网络模型至n-1层，并将训练结果输入至深度信念网络模型的第n层，得到第n层的训练结果；其中，n为深度信念网络模型的训练总层数；

根据第n层的训练结果及钻井历史数据计算预测误差；

当预测误差大于预设误差时，根据预测误差，由上向下逐层优化深度信念网络模型至第1层。

进一步地，由上向下逐层优化深度信念网络模型至第1层，包括：由上向下逐层调整深度信念网络模型中各层的可见层偏置、隐含层偏置及连接权重至第1层。

从上述描述可知，本发明提供一种钻井溢流漏失工况预测方法，通过已知工况数据及其所对应的钻井数据对深度信念网络模型进行训练，并根据训练好的深度信念网络模型预测实际钻井数据所对应工况，本方法将深度信念网络方法的强大容错性、自学习、自适应能力等优点，与精细控压钻井实时采集的压力、流量等关键钻井数据相结合，通过模型训练得到溢流漏失工况预测模型，从而实现对溢流漏失工况做出自动识别判断，最大程度避免人工判断造成的误判，及时做出复杂工况预测。综上，本发明能够建立可以提供一种及时发现溢流、漏失钻井工况的方法，从而在实际生产中提前采取应对和处理溢流、漏失复杂工况的有效措施，降低复杂工况造成的钻井损失。

在一种具体实施方式中，本发明还提供钻井溢流漏失工况预测定方法中的具体实施方式，参见图5。

步骤401：对钻井历史数据进行预处理。

钻井历史数据需要进行预处理，包括滤波、归一化等处理，去除意外取值，并将钻井历史数据通过归一化处理成dbn方法要求的格式。

步骤402：根据钻井历史数据建立深度信念网络模型。

深度信念网络通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。使用深度学习方法，可以在不知道参数之间具体关系或模型的条件下进行学习，或者参数之间不存在物理模型的复杂条件下也可以应用深度学习方法。深度信念网络(deepbeliefnetwork，dbn)属于多层神经网络的一种，既可以用于非监督学习，也可以用于监督学习。从非监督学习来讲，其目的是尽可能地保留原始特征的特点，同时降低特征的维度。从监督学习来讲，其目的在于使得分类错误率尽可能地小。dbn的本质都是特征学习的过程，即如何得到更好的特征表达。经典的dbn网络结构是由若干层受限玻尔兹曼机(restrictedboltzmannmachine，rbm)和一层反向传播(backpropagation，bp)神经网络组成的一种深层神经网络。深度信念网络克服了bp网络易陷入局部最优和训练时间长的缺点，加入特征学习部分，用于训练的大数据集只包含很少的标记。dbn的训练过程是使用非监督贪婪逐层训练算法去预训练获得权值。深度信念网络是一种良好的无监督学习方法，其特征提取功能能够针对不同概念的粒度大小，能够在很多领域得到广泛的应用。但目前dbn主要用于图像、语音识别。本申请首次将该方法引入到钻井溢流漏失工况预测的技术领域中。

步骤402中的钻井历史数据包括：立管压力、井口压力、出口流量及入口流量、泵冲、大钩载荷、钻时、井底环空压力、全烃、c1数据以及工况数据(溢流、漏失及正常)。

步骤403：将钻井历史数据输入深度信念网络模型，并训练该模型。

dbn模型中，可见层和隐含层之间的连接权重w、可见层偏置a、隐含层偏置b的初始值为较小的随机数。可以理解的是，可以将连接权重w的初始值、可见层偏置a初始值及隐含层偏置b设置为同一随机数，也可以设置为三个不同的随机数。将预处理过的训练数据集代入dbn初始模型中，并由下向上逐层训练，得到连接权重w、可见层偏置a、隐含层偏置b等各层参数，直至训练到n-1层，将第n-1层训练结果输入第n层(顶层)神经网络中，将第n层的训练结果与训练数据集中的工况数据(实际数据)进行对比，并得到对应的误差。接着，将该误差由上向下逐层传输，并根据每层误差微调每一层中的连接权重w、可见层偏置a、隐含层偏置b，直至第1层，然后再利用训练数据向上逐层训练，循环往复……直到误差小于预设误差，得到dbn预测模型。

步骤404：实时获取待预测工况的钻井数据。

溢流、漏失工况为地层压力与井底压力失去平衡以后井下和井口所出现的现象。溢流或漏失发生时，出口流量都会发生变化，而井口回压、立压可能会变化，也可能没有变化。所以选取出口流量、入口流量、立压、井口回压等作为识别溢流漏失工况的必要特征参数，而以泵冲、大钩载荷、钻时、井底环空压力、全烃及c1数据作为识别溢流漏失工况的辅助特征参数。

步骤405：对待预测工况的钻井数据进行预处理。

可以理解的是，本步骤405中的预处理内容与步骤401中的预处理内容一致。

步骤406：将待预测工况的钻井数据输入训练好的深度信念网络模型中，预测待预测工况的钻井数据所对应的钻井溢流漏失工况。

从上述描述可知，本发明提供一种钻井溢流漏失工况预测方法，通过已知工况数据及其所对应的钻井数据对深度信念网络模型进行训练，并根据训练好的深度信念网络模型预测实际钻井数据所对应工况，本方法将深度信念网络方法的强大容错性、自学习、自适应能力等优点，与精细控压钻井实时采集的压力、流量等关键钻井数据相结合，通过模型训练得到溢流漏失工况预测模型，从而实现对溢流漏失工况做出自动识别判断，最大程度避免人工判断造成的误判，及时做出复杂工况预测。综上，本发明能够建立可以提供一种及时发现溢流、漏失钻井工况的方法，从而在实际生产中提前采取应对和处理溢流、漏失复杂工况的有效措施，降低复杂工况造成的钻井损失。

为进一步地说明本方案，本发明以塔里木盆地h1井区为例，提供钻井溢流漏失工况预测方法的具体应用实例，钻井溢流漏失工况预测方法的具体应用实例具体包括如下内容：参见图6，本具体应用实例整体思路为：首先将采集到的现场钻井历史数据(样本数据)分为两部分，一部分用来训练深度信念网络模型，一部分用来测试深度信念网络模型。通过对钻井历史数据预处理之后，使之符合dbn方法的要求，并通过逐层对深度信念网络模型训练，使之达到预期效果。

参见图7，钻井溢流漏失工况预测方法具体实施例包括：

s0：将采集到的现场钻井历史数据分为训练数据集及测试数据集。

训练数据集包括：立管压力、井口压力、出口流量、入口流量及泵冲、大钩载荷、钻时、井底环空压力、全烃、c1数据及工况数据(溢流、漏失及正常)。

测试数据集包括：立管压力、井口压力、出口流量、入口流量及泵冲、大钩载荷、钻时、井底环空压力、全烃、c1数据。

s1：对训练数据集及测试数据集进行预处理。

具体实施时，s1中预处理包括以下内容：将训练数据集及测试数据集进行滤波、归一化、去除异常值等操作处理成dbn方法要求的格式，如数据在[0,1]范围内。

优选的，步骤s1中选取的归一化方法为：将数据除以该组数据中最大的一个数值。

xi′——经过归一化处理后的某个数据，xi——归一化处理前的某个数据，xj——归一化处理前的所有数据。

s2：根据训练数据集建立dbn初始模型。

s3：根据训练数据集训练dbn初始模型，以生成dbn预测模型。

dbn模型中，可见层和隐含层之间的连接权重w、可见层偏置a、隐含层偏置b的初始值为较小的随机数。可以理解的是，可以将连接权重w的初始值、可见层偏置a初始值及隐含层偏置b设置为同一随机数，也可以设置为三个不同的随机数。将预处理过的训练数据集代入dbn初始模型中，并由下向上逐层训练，得到连接权重w、可见层偏置a、隐含层偏置b等各层参数，直至训练到n-1层，将第n-1层训练结果输入第n层(顶层)神经网络中，将第n层的训练结果与训练数据集中的工况数据(实际数据)进行对比，并得到对应的误差。接着，将该误差由上向下逐层传输，并根据每层误差微调每一层中的连接权重w、可见层偏置a、隐含层偏置b，直至第1层，然后再利用训练数据向上逐层训练，循环往复……直到误差小于预设误差，得到dbn预测模型。

上述训练dbn初始模型过程中，连接权重w、可见层偏置a、隐含层偏置b等参数在训练过程中的更新规则：

δwi,j＝p(hi＝1|v⁽⁰⁾)vj⁽⁰⁾-p(hi＝1|v^(k))vj^(k)

δaj＝vj⁽⁰⁾-vj^(k)

δbi＝p(hi＝1|v⁽⁰⁾)-p(hi＝1|v^(k))

模型训练后将得到的工况预测判断值(正常工况、溢流工况或漏失工况中的一种)与验证数据集中期望的工况(正常工况、溢流工况或漏失工况中的一种)进行对比验证得到误差，该误差被逐层向后回传从而微调dbn的参数(连接权重w、可见层偏置a、隐含层偏置b)，后向传播过程中，需要计算每一层的δ(灵敏度)数值，灵敏度δ被自上向下传递以修正网络的权值参数。

对于输出层，假设第i个节点的实际输出为oi，期望输出为di，则灵敏度δ的计算表达式为：

δ＝oi(1-oi)(di-oi)

对于第l个隐含层，灵敏度δ的计算表达式为

得到各层的灵敏度δ之后，dbn的网络权值根据以下两式进行更新：

经过多次训练后得到的工况预测判断值符合期望工况，则训练完毕。最终得到合理的dbn预测模型，包括其中的连接权重w、可见层偏置a、隐含层偏置b。

s4：dbn预测模型测试。

将测试数据集输入到dbn预测模型中，得到相应的预测工况，即溢流、漏失或者正常工况的一种，参见图8。

从上述描述可知，本发明提供一种钻井溢流漏失工况预测方法，通过已知工况数据及其所对应的钻井数据对深度信念网络模型进行训练，并根据训练好的深度信念网络模型预测实际钻井数据所对应工况，本方法将深度信念网络方法的强大容错性、自学习、自适应能力等优点，与精细控压钻井实时采集的压力、流量等关键钻井数据相结合，通过模型训练得到溢流漏失工况预测模型，从而实现对溢流漏失工况做出自动识别判断，最大程度避免人工判断造成的误判，及时做出复杂工况预测。综上，本发明能够建立可以提供一种及时发现溢流、漏失钻井工况的方法，从而在实际生产中提前采取应对和处理溢流、漏失复杂工况的有效措施，降低复杂工况造成的钻井损失。

基于同一发明构思，本申请实施例还提供了一种钻井溢流漏失工况预测装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于钻井溢流漏失工况预测装置解决问题的原理与钻井溢流漏失工况预测方法相似，因此钻井溢流漏失工况预测装置的实施可以参见钻井溢流漏失工况预测方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本发明的实施例提供一种能够实现钻井溢流漏失工况预测方法的钻井溢流漏失工况预测装置的具体实施方式，参见图9，钻井溢流漏失工况预测装置具体包括如下内容：

钻井数据获取单元10，用于获取待预测工况的钻井数据；

工况预测单元20，用于利用待预测工况的钻井数据及预先建立的深度信念网络模型进行钻井溢流漏失工况预测。

一实施例中，钻井溢流漏失工况预测装置还包括：

深度信念网络模型建立单元，用于根据钻井历史数据建立深度信念网络模型。

一实施例中，钻井溢流漏失工况预测装置还包括：

深度信念网络模型训练单元，用于根据钻井历史数据、深度信念网络模型的可见层偏置、隐含层偏置以及可见层偏置与隐含层偏置的连接权重，训练预先建立的深度信念网络模型。

一实施例中，钻井溢流漏失工况预测装置还包括：

钻井历史数据滤波单元，用于将钻井历史数据进行滤波；

钻井历史数据归一化单元，用于将钻井历史数据进行归一化；

钻井历史数据异常值去除单元，用于去除钻井历史数据中的异常值。

一实施例中，深度信念网络模型训练单元包括：

初始值设置模块，用于分别设置可见层偏置的初始值、隐含层偏置的初始值及连接权重的初始值为三个小于预设数值的随机数；

钻井历史数据输入模块，用于将钻井历史数据输入深度信念网络模型中。

迭代模块，用于进行以下迭代操作，直至深度信念网络模型的预测误差小于或等于预设误差，得到深度信念网络模型：

由下向上逐层训练深度信念网络模型至n-1层，并将训练结果输入至深度信念网络模型的第n层，得到第n层的训练结果；其中，n为深度信念网络模型的训练总层数；

根据第n层的训练结果及历史数据计算预测误差；

当预测误差大于预设误差时，根据预测误差，由上向下逐层优化深度信念网络模型至第1层。

一实施例中，迭代模块，具体用于由上向下逐层调整深度信念网络模型中各层的可见层偏置、隐含层偏置及连接权重至第1层。

从上述描述可知，本发明提供一种钻井溢流漏失工况预测装置，通过已知工况数据及其所对应的钻井数据对深度信念网络模型进行训练，并根据训练好的深度信念网络模型预测实际钻井数据所对应工况，本方法将深度信念网络方法的强大容错性、自学习、自适应能力等优点，与精细控压钻井实时采集的压力、流量等关键钻井数据相结合，通过模型训练得到溢流漏失工况预测模型，从而实现对溢流漏失工况做出自动识别判断，最大程度避免人工判断造成的误判，及时做出复杂工况预测。综上，本发明能够建立可以提供一种及时发现溢流、漏失钻井工况的方法，从而在实际生产中提前采取应对和处理溢流、漏失复杂工况的有效措施，降低复杂工况造成的钻井损失。

本申请的实施例还提供能够实现上述实施例中的钻井溢流漏失工况预测方法中全部步骤的一种电子设备的具体实施方式，参见图10，电子设备具体包括如下内容：

处理器(processor)1201、存储器(memory)1202、通信接口(communicationsinterface)1203和总线1204；

其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备、钻井数据接收端以及客户端设备等相关设备之间的信息传输；

处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的钻井溢流漏失工况预测方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：

步骤401：对钻井历史数据进行预处理。

步骤402：根据钻井历史数据建立深度信念网络模型。

步骤403：将钻井历史数据输入深度信念网络模型，并训练该模型。

步骤404：实时获取待预测工况的钻井数据。

步骤405：对待预测工况的钻井数据进行预处理。

步骤406：将待预测工况的钻井数据输入训练好的深度信念网络模型中，预测待预测工况的钻井数据所对应的钻井溢流漏失工况。

从上述描述可知，本申请实施例中的电子设备，通过已知工况数据及其所对应的钻井数据对深度信念网络模型进行训练，并根据训练好的深度信念网络模型预测实际钻井数据所对应工况，本方法将深度信念网络方法的强大容错性、自学习、自适应能力等优点，与精细控压钻井实时采集的压力、流量等关键钻井数据相结合，通过模型训练得到溢流漏失工况预测模型，从而实现对溢流漏失工况做出自动识别判断，最大程度避免人工判断造成的误判，及时做出复杂工况预测。综上，本发明能够建立可以提供一种及时发现溢流、漏失钻井工况的方法，从而在实际生产中提前采取应对和处理溢流、漏失复杂工况的有效措施，降低复杂工况造成的钻井损失。

本申请的实施例还提供能够实现上述实施例中的钻井溢流漏失工况预测方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的钻井溢流漏失工况预测方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：

步骤401：对钻井历史数据进行预处理。

步骤402：根据钻井历史数据建立深度信念网络模型。

步骤403：将钻井历史数据输入深度信念网络模型，并训练该模型。

步骤404：实时获取待预测工况的钻井数据。

步骤405：对待预测工况的钻井数据进行预处理。

步骤406：将待预测工况的钻井数据输入训练好的深度信念网络模型中，预测待预测工况的钻井数据所对应的钻井溢流漏失工况。

从上述描述可知，本申请实施例中的计算机可读存储介质，通过已知工况数据及其所对应的钻井数据对深度信念网络模型进行训练，并根据训练好的深度信念网络模型预测实际钻井数据所对应工况，本方法将深度信念网络方法的强大容错性、自学习、自适应能力等优点，与精细控压钻井实时采集的压力、流量等关键钻井数据相结合，通过模型训练得到溢流漏失工况预测模型，从而实现对溢流漏失工况做出自动识别判断，最大程度避免人工判断造成的误判，及时做出复杂工况预测。综上，本发明能够建立可以提供一种及时发现溢流、漏失钻井工况的方法，从而在实际生产中大大减小因溢流、漏失工况所导致的钻井事故的发生次数。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

虽然本说明书实施例提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。