技术特征：
1.一种基于神经网络的钻井液含砂量的测量方法，其特征在于，包括：采集泥浆的性能参数；筛选所述性能参数，根据筛选后的所述性能参数计算获得赫谢尔-巴尔克莱三参数，将所述筛选后的性能参数和赫谢尔-巴尔克莱三参数作为输入参数；对所述输入参数进行数据扩展和划分，得到训练集、验证集和测试集；构建ann神经网络模型，利用训练集和验证集迭代训练并验证所述ann神经网络模型；利用测试集评估训练后的所述ann神经网络模型的预测效果，利用满足预设预测效果的所述ann神经网络模型测量钻井液的含砂量。2.如权利要求1所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，筛选所述泥浆的性能参数，获得输入参数包括：采集多组不同含砂量的泥浆的密度、马氏漏斗粘度、旋转粘度和含砂量；剔除所述密度、所述马氏漏斗粘度、所述旋转粘度、和所述含砂量中的异常数据；利用剔除异常数据后的所述旋转粘度计算赫谢尔-巴尔克莱三参数、表观粘度和塑性粘度；将剔除异常数据后的所述密度、所述马氏漏斗粘度、所述旋转粘度、所述赫谢尔-巴尔克莱三参数、所述表观粘度和所述塑性粘度作为所述ann神经网络模型的输入参数，将剔除异常数据后的所述含砂量作为所述ann神经网络模型的输出参数。3.如权利要求2所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，对所述输入参数进行数据扩展和划分，得到训练集、验证集和测试集包括：对剔除异常数据后的所述密度、马氏漏斗粘度、旋转粘度、含砂量和赫谢尔-巴尔克莱三参数分别利用三次样条法进行插值扩展，获得对应的扩展数据；将对应的所述扩展数据分别划分为训练集、验证集和测试集。4.如权利要求2所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，利用剔除异常数据后的旋转粘度计算赫谢尔-巴尔克莱三参数包括步骤：基于剔除异常数据后的旋转粘度，利用公式一计算赫谢尔-巴尔克莱三参数流变模型的动切力τ
y
，公式一为：τ
y
＝0.511θ3其中，θ3为旋转粘度计3r/min时测得的刻度盘读数；基于剔除异常数据后的旋转粘度，利用公式二计算赫谢尔-巴尔克莱三参数流变模型的流体行为指数n，公式二为:n＝3.322lg[(θ
600-θ3)/(θ
300-θ3)]其中，θ
600
、θ
300
和θ3分别为旋转粘度计测得的600r/min、300r/min和3r/min时的读数；基于剔除异常数据后的旋转粘度，利用公式三计算赫谢尔-巴尔克莱三参数流变模型的流体稠度k,公式三为:k＝0.511(θ
300-θ3)/511
n
。5.如权利要求3所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，构建ann神经网络模型，利用训练集和验证集迭代训练所述ann神经网络模型包括：构建基于钻井液粘度的ann神经网络模型和基于赫谢尔-巴尔克莱三参数流变模式的ann神经网络模型；
将基于剔除异常数据后的所述密度、所述马氏漏斗粘度和所述旋转粘度，以及基于所述表观粘度和所述塑性粘度划分的所述训练集和所述验证集，输入所述基于钻井液粘度的ann神经网络模型进行迭代训练并验证训练效果；将基于剔除异常数据后的所述密度、所述马氏漏斗粘度和所述旋转粘度，以及基于所述赫谢尔-巴尔克莱三参数划分的所述训练集和所述验证集，输入所述基于赫谢尔-巴尔克莱三参数流变模式的ann神经网络模型进行迭代训练并验证训练效果。6.如权利要求1所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，利用训练集和验证集迭代训练所述ann神经网络模型包括：在模型训练时，还利用编程方法生成训练噪音，模拟钻进过程中的环境因素对采集数据的干扰。7.如权利要求1所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，利用测试集评估训练后的所述神经网络模型的预测效果，包括：输入所述测试集，以预设的预估误差和相关系数为标准评价训练完成后的所述ann神经网络模型的预测性能。8.如权利要求7所述的一种基于神经网络的钻井液含砂量的测量方法，其特征在于，利用测试集评估训练后的所述神经网络模型的预测效果，利用满足预设预测效果的所述神经网络模型测量钻井液的含砂量，还包括：当训练完成后的所述ann神经网络模型的预估误差满足阈值范围，且相关系数满足预设阈值时，利用训练完成后的所述神经网络模型测量钻井液的含砂量。9.一种基于神经网络的钻井液含砂量的测量设备，其特征在于，所述测量设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的钻井液含砂量的测量方法，所述基于神经网络的钻井液含砂量的测量程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于神经网络的钻井液含砂量的测量方法的步骤。
技术总结
本发明提供了一种基于人工神经网络的钻井液含砂量的测量方法，采集多组不同含砂量的泥浆的性能参数；筛选分析泥浆的性能参数，根据筛选分析后的性能参数计算获得赫谢尔-巴尔克莱三参数，将筛选分析法后的性能参数和赫谢尔-巴尔克莱三参数作为输入参数；对输入参数进行数据扩展和划分，得到训练集、验证集和测试集；构建ANN神经网络模型，利用训练集和验证集迭代训练并验证ANN神经网络模型；利用测试集评估训练后的神经网络模型的预测效果，利用满足预设预测效果的神经网络模型测量钻井液的含砂量。通过对有限的少量已有数据进行分析、处理和扩展，以得到精确的预测模型。以得到精确的预测模型。以得到精确的预测模型。
技术研发人员：张棣 段隆臣 高辉 赵振 刘乃鹏
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2021.11.22
技术公布日：2022/4/5