一种机械钻速预测方法及系统与流程

本发明涉及油气井勘探，具体而言，涉及一种机械钻速预测方法及系统。

背景技术：

1、机械钻速是评估钻井工作的一项重要指标。我国进入二十一世纪以来，随着经济快速的发展，对油气资源的需求也日益增加。我国开发重心已从浅层油气藏转向深层油气藏、超深层油气藏，这无疑大大提高了钻井的周期和成本。若可以有效地预测机械钻速，就可以为钻井决策提供精准的依据、优化施工参数和资源分配、提高设备和人员的工作效率，从而达到降低开采成本、提高油田经济效益的目的。

2、影响机械钻速的因素多且复杂，各种因素之间相互影响、制约，研究起来十分复杂。为了提高机械钻速，钻井工程师们在施工前需要经过长时间的大量计算，并根据自己积累的工作经验来设计施工方案，但设计出来的施工方案多与实际相差较大，甚至因设计方案时某种因素考虑不周导致钻井工期严重超标。

3、在机械钻速预测方面,国内外学者初步建立了模型。国外a bahari(bahari a,baradaran seyed a.trust-region approach to find constants of bourgoyne andyoung penetration rate model in khangiran iranian gas field[j].society ofpetroleum engineers.)、b adebayo(adebayo b,akande j m.textural properties ofrock for penetration rate prediction[j].daffodil international universityjournal of science and technology,2011,6(1).)、kumar(kumar,suraj,murthy,etal.experimental studies on drill penetration rate prediction in coal measurerocks through cerchar hardness index tests.[j].journal of mines,2014.)、nvhung(hung n v,gerbaud l,souchal r,et al.penetration rate prediction forpercussive drilling with rotary in very hard rock[j].vietnam journal ofscience and technology,2016,54(1).)等都得出了机械钻速的预测方法，但均存在考虑因素不够全面的问，使得方法有一定的适应性；国内巨满成(巨满成.岩石可钻性与钻头纯钻时线性回归及应用[j].石油钻采工艺,1992,14(1):6.)、杜镰(杜镰,水运震,邢纪国,等.钻井过程中预测钻速的一种新方法[j].江汉石油学院学报,1995(3).)、郭永峰(郭永峰.用回归分析法预测钻头最佳进尺及钻速[j].石油钻采工艺,1994(01):24-26+80-99.)等也对机械钻速的预测方法进行了研究，但其成果的共性是均只引用了少量的钻井参数，基于大量统计数据并应用各种数学方法进行处理而建立钻速方程，不具有普遍性，应用受到限制；景宁等(景宁，樊洪海，纪荣艺，等.基于数据挖掘技术的深井钻速预测方法研究[j].石油机械，2012,40(7):17-20.)结合钻头尺寸等5种影响因素进行分析，建立了一种基于层析分析法和神经网络的钻速预测模型，预测相对误差小于10％；李昌盛等(李昌盛.基于多元回归分析的钻速预测方法研究[j].科学技术与工程,2013,13(07):1740-1744.)利用多元回归的方法改进了b-y钻速方程，使得不同地层的系数得到改变，但该方程只针对钻井液钻井。传统方法对机械钻速的预测提供了实际的贡献，但是这些方法大多依靠控制变量方法进行实验或者依靠经验、钻井理论公式推导，不仅费时费力，且在考虑多种影响因素的情况下已经无法满足当前钻井工程的需要。

4、有鉴于此，特提出本技术。

技术实现思路

1、本发明所要解决的技术问题是：传统的机械钻速预测方法效率低，不能适用于当前钻井工程。目的在于提供一种机械钻速预测方法及系统，能够实现快速、准确地对机械钻速进行预测，为钻井工程施工提供参数优化的依据。

2、本发明通过下述技术方案实现：

3、一方面，

4、本技术提供一种一种机械钻速预测方法，包括以下步骤：

5、采集钻井数据，建立初始样本数据集；

6、对所述初始样本数据集进行预处理，得到训练集；

7、利用stacking算法将k近邻knn算法、核岭回归krr算法和支持向量机svn算法进行融合，得到stacking机械钻速预测模型；

8、利用所述训练集对所述stacking机械钻速预测模型进行训练；

9、利用训练后的stacking机械钻速预测模型对机械钻速进行预测。

10、进一步的，

11、所述钻井数据包括：油气井钻井过程中的动态特征数据和静态特征数据；

12、所述动态特征数据包括：井新度、出井新度、牙齿磨损量、钻压、转速、钻井液排量、钻井液密度、漏斗粘度和钻头压降；

13、所述静态特征数据包括：钻头直径。

14、进一步的，

15、所述建立初始样本数据集包括以下步骤：

16、利用excel或txt文本对所述钻进数据进行整理；

17、对整理后的现场钻井数据进行清洗、筛选和去噪；

18、对经过清洗、筛选和去噪后的现场钻井数据进行缺失值处理；

19、对经过缺失值处理后的钻井数据中除机械钻速数据外的其余特征数据进行归一化处理；

20、将归一化处理后的特征数据随机划分为训练集和测试集；

21、获取影响机械钻速的多个影响因素；针对每一个影响因素，根据影响因素的特征属性，从所述经过缺失值处理后的钻井数据中筛选出具有相同特征属性的钻井数据，利用筛选出的钻井数据建立对应的输入特征向量，得到与所述多个影响因素一一对应的对个输入特征向量；针对每一个输入特征向量，将输入特征向量中的钻井数据作为输入变量x，将机械钻速作为输出变量y。

22、进一步的，

23、所述得到训练集之后，包括以下步骤：分别对所述k近邻knn算法的参数、所述核岭回归krr算法的参数、所述支持向量机svn算法的参数和所述stacking融合模型的目标函数进行设置。

24、进一步的，

25、所述核岭回归krr算法的参数包括：核函数类型、正则化参数和核函数参数；

26、所述k近邻knn算法的参数包括：近邻样本数、近邻样本投票权重和近邻距离标准；

27、所述支持向量机svm算法的参数包括：惩罚系数、核函数类型和核函数参数。

28、进一步的，

29、所述得到stacking机械钻速预测模型之后，包括以下步骤：在python语言环境下，通过geatpy库利用遗传算法ga对所述stacking机械钻速预测模型进行优化。

30、另一方面，

31、本技术提供一种机械钻速预测系统，包括：

32、数据采集模块，用于采集钻井数据，建立初始样本数据集；

33、数据处理模块，用于对所述初始样本数据集进行预处理，得到训练集；

34、模型融合模块，用于利用stacking算法将k近邻knn算法、核岭回归krr算法和支持向量机svn算法进行融合，得到stacking机械钻速预测模型；

35、模型训练模块，用于利用所述训练集对所述stacking机械钻速预测模型进行训练；

36、结果预测模块，用于利用训练后的stacking机械钻速预测模型对机械钻速进行预测。

37、进一步的，

38、所述数据处理模块包括：

39、数据整理单元，用于利用excel或txt文本对所述钻进数据进行整理；

40、清洗/筛选/去噪单元，用于对整理后的现场钻井数据进行清洗、筛选和去噪处理；

41、缺失值处理单元，用于对经过清洗、筛选和去噪后的现场钻井数据进行缺失值处理；

42、归一化处理单元，用于对整理后的现场钻井数据进行去噪；

43、数据划分单元，用于将归一化处理后的特征数据随机划分为训练集和测试集；

44、数据筛选单元，用于获取影响机械钻速的多个影响因素；针对每一个影响因素，根据影响因素的特征属性，从所述经过缺失值处理后的钻井数据中筛选出具有相同特征属性的钻井数据；

45、特征向量获取单元，用于利用筛选出的钻井数据建立对应的输入特征向量，得到与所述多个影响因素一一对应的对个输入特征向量；

46、变量设置单元，用于针对每一个输入特征向量，将输入特征向量中的钻井数据作为输入变量x，将机械钻速作为输出变量y。

47、进一步的，

48、所述机械钻速预测系统，还包括：

49、参数设置模块，用于对所述k近邻knn算法的参数、所述核岭回归krr算法的参数和所述支持向量机svn算法的参数进行设置；

50、模型设置模块，用于对所述stacking融合模型的目标函数进行设置。

51、进一步的，

52、所述机械钻速预测系统，还包括：模型优化模块，用于在python语言环境下，通过geatpy库利用遗传算法ga对所述stacking机械钻速预测模型进行优化。

53、本技术与现有技术相比，具有如下的优点和有益效果：本技术提供的提供一种机械钻速预测方法及系统基于现场获取的大量钻井机械钻速数据，进行数据预处理后，利用k近邻knn算法、核岭回归krr算法、支持向量机svm算法共三种算法构建模型，再利用stacking算法将三种算法进行融合形成最终的机械钻速预测模型，从而更精确地预测机械钻速。通过机械钻速的多种影响因素做出了全面、系统的分析，并结合钻井过程中多种影响因素的数据建立了机械钻速预测模型，并测试模型的精度和泛化性，操作简单、预测准确度高。该方法避开了现有预测机械钻速方法存在的不足，且能精确地对机械钻速进行分类预测；在充分考虑多种影响机械钻速因素的同时，还充分利用钻井全过程的大数据价值，对数据进行了充分的挖掘可大幅提升机械钻速预测效率，其预测结果可以作为施工参数优化的依据。