一种钻井过程中岩性识别方法和系统与流程

1.本发明涉及钻井工程技术领域，尤其涉及一种钻井过程中岩性识别方法和系统。


背景技术：

2.国内油气勘探开发力度持续加大，效益开发要求不断提高，逐渐开发非常规油气、超深层油气藏，井壁稳定、钻井参数优化、井下风险问题突出，地层岩性识别可保障安全快速钻井并有效预防井下风险。传统岩性识别方法多基于钻井现场岩屑录井，岩屑受钻井液浸泡，识别精度受限；基于测井资料分析的方法具有明显的滞后性，基于随钻测井工具的岩性识别方法虽然能够满足低时延要求，但受适用环境限制且维护成本高。近几年利用机器学习算法进行岩性识别及预测的方法较多，比如通过人工神经网络、支持向量机、随机森林、gbdt等算法处理录井数据和测井数据。通过地震施工时采集的不同频率的地层反射信号，进行清洗、校正和反演处理进行岩性识别，该方法会由于岩石重叠的弹性参数而增加难度。


技术实现要素：

3.本发明所要解决的技术问题是针对现有技术的不足，提供一种钻井过程中岩性识别方法和系统。
4.本发明解决上述技术问题的技术方案如下：
5.一种钻井过程中岩性识别方法，包括：
6.实时获取钻井过程中的振动数据；
7.通过训练后的地层岩性识别模型提取所述振动数据的时频图像特征，并对所述时频图像特征进行分类识别，获得地层岩性类别。
8.本发明的有益效果是：本方案通过接收井下实时振动数据，通过训练后的地层岩性识别模型实时开展岩性识别，辅助钻井工程师优化钻井参数，预防井下复杂。
9.进一步地，还包括：
10.通过resnet和mobilenet网络结构构建地层岩性识别模型。
11.采用上述进一步方案的有益效果是：本方案通过残差网络resnet用于抑制神经网络堆叠导致的性能退化问题，提高神经网络模型的深度可同时提升神经网络的表达能力，但网络深度的增加意味着梯度消失风险的增加，这就会导致网络退化性能下降，残差结构可以有效解决深度网络的模型退化问题。
12.轻量化网络mobilenet可用于有效减小模型网络的存储和计算开销。googlenet、resnet等结构单元都进一步提升了cnn在图像识别领域的准确度，模型的存储和计算开销骤然增大，明显制约了cnn在低功耗领域的应用。mobilenet轻量化网络的提出为卷积计算和参数存储开销提供了一种有效的解决方案。
13.进一步地，还包括：
14.对原始振动数据进行数据预处理；
15.通过短时傅里叶变换从预处理后的原始振动数据中，提取时频图像；
16.对所述时频图像进行数据增强，获得数据集；并将所述数据集划分为训练集、验证集和测试集；
17.通过数据集对所述地层岩性识别模型进行训练，直至训练结果满足精度要求，获得训练后的地层岩性识别模型。
18.采用上述进一步方案的有益效果是：本方案通过数据预处理、时频图像整合、数据增强和数据集拆分等完成训练模型，保证数据质量可靠、分类标签准确无误。
19.进一步地，所述对原始振动数据进行数据预处理，具体包括：通过巴特沃斯高通滤波器对原始振动数据进行数据清洗。
20.进一步地，所述通过resnet和mobilenet网络结构构建地层岩性识别模型，具体包括：
21.通过12层网络堆叠而成，其中，前6层为mobilenet层网络结构，每个mobilenet层网络结构中均嵌有resnet的跳跃连接结构，后6层为常规卷积和全连接层结构。
22.本发明解决上述技术问题的另一种技术方案如下：
23.一种钻井过程中岩性识别系统，包括：采集模块和地层岩性识别模块；
24.所述采集模块用于实时获取钻井过程中的振动数据；
25.所述地层岩性识别模块用于通过训练后的地层岩性识别模型提取所述振动数据的时频图像特征，并对所述时频图像特征进行分类识别，获得地层岩性类别。
26.本发明的有益效果是：本方案通过接收井下实时振动数据，通过训练后的地层岩性识别模型实时开展岩性识别，辅助钻井工程师优化钻井参数，预防井下复杂。
27.进一步地，还包括：模型构建模块，用于通过resnet和mobilenet网络结构构建地层岩性识别模型。
28.采用上述进一步方案的有益效果是：本方案通过残差网络resnet用于抑制神经网络堆叠导致的性能退化问题，提高神经网络模型的深度可同时提升神经网络的表达能力，但网络深度的增加意味着梯度消失风险的增加，这就会导致网络退化性能下降，残差结构可以有效解决深度网络的模型退化问题。
29.轻量化网络mobilenet可用于有效减小模型网络的存储和计算开销。googlenet、resnet等结构单元都进一步提升了cnn在图像识别领域的准确度，模型的存储和计算开销骤然增大，明显制约了cnn在低功耗领域的应用。mobilenet轻量化网络的提出为卷积计算和参数存储开销提供了一种有效的解决方案。
30.进一步地，还包括：训练模块，用于对原始振动数据进行数据预处理；
31.通过短时傅里叶变换从预处理后的原始振动数据中，提取时频图像；
32.对所述时频图像进行数据增强，获得数据集；并将所述数据集划分为训练集、验证集和测试集；
33.通过数据集对所述地层岩性识别模型进行训练，直至训练结果满足精度要求，获得训练后的地层岩性识别模型。
34.采用上述进一步方案的有益效果是：本方案通过数据预处理、时频图像整合、数据增强和数据集拆分等完成训练模型，保证数据质量可靠、分类标签准确无误。
35.进一步地，所述训练模块用于通过巴特沃斯高通滤波器对原始振动数据进行数据
清洗。
36.进一步地，所述模型构建模块具体用于通过12层网络堆叠而成，其中，前6层为mobilenet层网络结构，每个mobilenet层网络结构中均嵌有resnet的跳跃连接结构，后6层为常规卷积和全连接层结构。
37.本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
38.图1为本发明的实施例提供的一种钻井过程中岩性识别方法的流程示意图；
39.图2为本发明的实施例提供的一种钻井过程中岩性识别系统的结构框架图；
40.图3为本发明的其他实施例提供的短时傅里叶变换下的时频图像示意图；
41.图4为本发明的其他实施例提供的全连接层的计算过程示意图；
42.图5为本发明的其他实施例提供的岩性识别模型计算框架示意图；
43.图6为本发明的其他实施例提供的岩性识别模型训练流程图；
44.图7为本发明的其他实施例提供的三种不同岩性典型频率图；
45.图8为本发明的其他实施例提供的短时傅立叶变换下的三种岩性时频图像；
46.图9为本发明的其他实施例提供的测试集的归一化混淆矩阵；
47.图10为本发明的其他实施例提供的特征值计算示意图。
具体实施方式
48.以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
49.如图1所示，为本发明实施例提供的一种钻井过程中岩性识别方法，包括：
50.需要说明的是，井下钻具振动数据是钻井过程中大量产生的高密度附属数据，具有实时获取的低时延和低成本的优势，其高频段可反馈地层岩性特征，因此通过利用井下振动数据识别地层岩性具有重要意义。
51.本发明将钻进过程中的钻具振动数据作为信号源，提取振动时频特征转化为时频图像，构建以卷积神经网络算法为基础的复杂地层岩性随钻识别模型，并形成装置，供钻井工程师使用。
52.针对传统岩性识别方法的数据获取滞后性、数据特征提取的复杂性、特征解释的局限性。
53.s1，实时获取钻井过程中的振动数据；
54.s2，通过训练后的地层岩性识别模型提取所述振动数据的时频图像特征，并对所述时频图像特征进行分类识别，获得地层岩性类别。
55.需要说明的是，井下振动数据采集处理，需要保证采样频率能够覆盖各岩性频段，高频段反映岩性特点，体现岩性差异。
56.本方案通过接收井下实时振动数据，通过训练后的地层岩性识别模型实时开展岩性识别，辅助钻井工程师优化钻井参数，预防井下复杂。
57.可选地，在一些实施例中，还包括：
58.通过resnet和mob i l enet网络结构构建地层岩性识别模型。
59.本方案通过残差网络resnet用于抑制神经网络堆叠导致的性能退化问题，提高神经网络模型的深度可同时提升神经网络的表达能力，但网络深度的增加意味着梯度消失风险的增加，这就会导致网络退化性能下降，残差结构可以有效解决深度网络的模型退化问题。
60.轻量化网络mob i l enet可用于有效减小模型网络的存储和计算开销。goog l enet、resnet等结构单元都进一步提升了cnn在图像识别领域的准确度，模型的存储和计算开销骤然增大，明显制约了cnn在低功耗领域的应用。mob i l enet轻量化网络的提出为卷积计算和参数存储开销提供了一种有效的解决方案。
61.可选地，在一些实施例中，还包括：
62.对原始振动数据进行数据预处理；
63.通过短时傅里叶变换从预处理后的原始振动数据中，提取时频图像；
64.对所述时频图像进行数据增强，获得数据集；并将所述数据集划分为训练集、验证集和测试集；
65.通过数据集对所述地层岩性识别模型进行训练，直至训练结果满足精度要求，获得训练后的地层岩性识别模型。
66.本方案通过数据预处理、时频图像整合、数据增强和数据集拆分等完成训练模型，保证数据质量可靠、分类标签准确无误。
67.可选地，在一些实施例中，所述对原始振动数据进行数据预处理，具体包括：通过巴特沃斯高通滤波器对原始振动数据进行数据清洗。
68.需要说明的是，在一些实施例中，选用巴特沃斯高通滤波器清洗数据，巴特沃斯高通滤波器的传递函数为：
[0069][0070]
其中，h(u,v)为传递系数；n为滤波阶数；d0及d(u,v)为截止频率和信号频率，hz。
[0071]
可选地，在一些实施例中，所述通过resnet和mob i l enet网络结构构建地层岩性识别模型，具体包括：
[0072]
通过12层网络堆叠而成，其中，前6层为mobilenet层网络结构，每个mobilenet层网络结构中均嵌有resnet的跳跃连接结构，后6层为常规卷积和全连接层结构。
[0073]
在另一实施例中，一种端到端的岩性识别新方法，包括：
[0074]
步骤11、井下振动数据采集处理，需要保证采样频率能够覆盖各岩性频段，高频段反映岩性特点，体现岩性差异；
[0075]
步骤12、选用巴特沃斯高通滤波器清洗数据，巴特沃斯高通滤波器的传递函数为：
[0076][0077]
其中，h(u,v)为传递系数；n为滤波阶数；d0及d(u,v)为截止频率和信号频率，hz。
[0078]
步骤13、通过傅里叶变换提取步骤12中振动数据的频域特征，不同岩性的频谱特征有明显的差异。需要说明的是，这里提取的频域特征为一维特征，对比步骤14中的时频域二维特征，时域和频域特征较为单一，因此选用时频域特征进行机器学习。
[0079]
步骤14、在步骤13中单方面观察时域和频域维度特征有一定局限，为提取更丰富的振动数据信息，清洗后的数据；采用短时傅里叶变换逐窗口选取局部的时频变化，构成振动信号的时频域特征图像。
[0080][0081]
其中，x[n]表示待变换信号；w[n-m]表示窗函数，m为信号重叠区域。高斯函数为常见的窗函数，且加伯变换是以高斯函数为窗函数的短时傅立叶变换。
[0082]
步骤15、在步骤14中获得的非结构化时频图像数据附图3，可使用深度卷积神经网络实现端到端的特征提取及分类过程。需要说明的是，岩性识别模型采用一种端到端的计算思路，基本的流程包括：数据预处理、数据增强、模型构建初始化、模型训练、模型评估和模型调优过程。其中，数据的预处理和增强部分决定了模型表达预测能力的上限，而模型的构建、训练和调优过程决定了模型接近该上限的能力。
[0083]
步骤16、将步骤15中获得的时频图像数据集进行分类，分为训练集、验证集和测试集。
[0084]
步骤17、在步骤16中提到的卷积神经网络特征更新计算公式如下
[0085][0086]
式中，mj表示该层需要映射的元素集合；f
lj
表示第l层位置j的特征值；k
lij
表示第l层位置ij的卷积核权重；*表示卷积计算，可类比为映射集合范围内特征值的加权求和计算；b
lj
表示第l层位置j添加的额外偏置项。需要说明的是，第l层位置j的特征值，是将3*3的卷积核(过滤器)与输入的图像矩阵对应位置相乘再相加得到特征层某一特征值，如图10所示。
[0087]
步骤18、全连接层的计算过程如附图4所示。
[0088]
步骤19、使用卷积层提取时频图像特征，再利用全连接层进行岩性分类，各层之间有特殊的跳转连接，将特殊的连接和组合构成基本单元，步骤17中的模型构建可以基于该基本单元展开。
[0089]
步骤20、利用概率归一化指数函数softmax，对最终的有限离散预测值转化为[0,1]范围的概率值。具体公式如下
[0090][0091]
其中，p(y＝j|x)表示样本x约束下第j分类的输出概率；x代表样本向量。
[0092]
其中，softmax函数是一种概率归一化指数函数，常用于在多分类问题中对最终的有限离散预测值转化为[0,1]范围的概率值。
[0093]
步骤21、步骤20中提到的基本单元采用两种结构，分别是resnet和mobi l enet网络结构，用于保障岩性识别模型的计算效率和预测精度。岩性识别模型共有12层网络堆叠而成，前6层为mobi l enet层结构，网络中嵌有resnet的跳跃连接结构，后6层为常规卷积和全连接层结构，模型计算框架如图5，整个岩性识别模型的计算流程可以实现从数据预处理、数据规约聚合、特征抽取和目标分类的端到端工作流(end2end-streami ng)，在岩性时
频图像识别分类过程中选择使用卷积神经网络的高效特征抽取方法而不是需要强人工干预的传统图像特征提取算子。图中省略了数据采集和数据增强步骤，且网络结构仅为实际识别模型的概略示意结构，整个计算框架示意图主要说明数据预处理，提取时频数据，通道整合，特征提取，全局特征整合，激活预测概率，预测结果等步骤。
[0094]
步骤22、利用步骤21中提到的岩性识别模型，开展岩性识别模型训练，完整的训练流程图如附图6所示。训练模型需要完成数据预处理、时频图像整合、数据增强和数据集拆分等基础工作，保证数据质量可靠、分类标签准确无误。
[0095]
其中，时频图像整合可以是将3个方向的时频数据做为3个通道构成卷积层输入时频图像。
[0096]
数据增强可以包括：考虑到岩性识别模型的数据源是将采集的振动数据转换为时频图像，考虑到时频图像具有时间和频率维度信息，不易采用水平翻转或随机旋转方法，因此可采用色彩抖动模拟噪声扰动，随机裁剪模拟信号采集不完整两种工况条件。
[0097]
步骤23、针对步骤22中的岩性识别模型预测结果进行模型预测泛化性能检验，使用步骤16中提到的测试集，计算预测查准率和查全率。查全率和查准率越高，表示预测准确度越高。
[0098]
步骤24、根据步骤22中模型调优选出的最佳模型，取小节中层次抽样出的测试集样本作为模型最终泛化性能的评价数据集，依次统计测试集的查准率、查全率、宏查准率、宏查全率和混淆矩阵。其中，查准率(又叫准确率)：我们以为的正例中，真正的正例占多少。查全率(又叫召回率)：所有的正例中，我们找出的正例占多少。混淆矩阵是一种特殊的列联表，具有两个维度分别表示预测类别和真实标签。对于多分类问题，在各二分类混淆矩阵上分别计算出查准率和查全率，再计算平均值得到“宏查准率”、“宏查全率”。
[0099]
步骤25、根据最终的查准率和查全率评价指标，可知岩性识别模型具有良好的识别结果，且模型存储空间仅为50kb，单样本预测时间可控制在10ms内，达到计算效率和存储占比的双重优势。
[0100]
本发明将原始振动信号经过滤波降噪处理，并使用短时傅里叶变换提取振动时频图像，提取高维度时频特征，并利用数据增强技术将训练样本集扩充。
[0101]
以mob i l enet和resnet为基础单元，使用python脚本和mxnet框架实现具体模型，并完成训练、调优和评估等迭代流程。
[0102]
残差网络resnet用于抑制神经网络堆叠导致的性能退化问题，提高神经网络模型的深度可同时提升神经网络的表达能力，但网络深度的增加意味着梯度消失风险的增加，这就会导致网络退化性能下降，残差结构可以有效解决深度网络的模型退化问题。
[0103]
轻量化网络mobi l enet可用于有效减小模型网络的存储和计算开销。googl enet、resnet等结构单元都进一步提升了cnn在图像识别领域的准确度，模型的存储和计算开销骤然增大，明显制约了cnn在低功耗领域的应用。mobi l enet轻量化网络的提出为卷积计算和参数存储开销提供了一种有效的解决方案。
[0104]
在一些实施例中，所选数据为实钻井井下振动数据。井下钻具振动产生的高低频代表不同的物理意义，低频段反映钻具工作状态，高频段反映岩性特征。根据文献采样频率设定为20khz，采集岩性为含砾细砂岩层，细砂岩层和泥岩层；采用巴特沃斯高通滤波器(bhpf)进行数据清洗，基于提取岩性在时间和频率图像上的一维特征，采用短时傅立叶
(stft)选取时间频率变化，构成振动信号的时频域特征图像。
[0105]
对比附图7的频谱图可以发现附图8时频图像沿时间轴方向描述频率强度，通过观察色标，发现三种岩性主频分布不同，其中砂岩沿三个方向的时频图像相似，并无明显突出主频，类似为覆盖频率范围的规律振动，其中泥岩在x、z方向存在明显的突出主频。
[0106]
利用训练后的岩性识别模型对测试样本进行预测，并将测试结果与样本真实标签计算归一化的混淆矩阵，见附图9。前述得到的岩性识别模型对含砾细砂岩具有很好的识别效果查全率，而泥岩的查全率为78％。根据最终的宏查准率和宏查全率评价指标分别为90％和89.3％，可知岩性识别模型具有良好的识别结果，且模型存储空间仅为49.38kb，单样本预测时间可控制在10ms内，达到计算效率和存储占比的双重优势。
[0107]
本方法通过卷积神经网络建立的岩性识别模型，建立了一种同心双管反循环钻井过程中利用振动数据进行随钻岩性识别方法，该方法有助于钻井过程中低成本高效预测岩性，实时优化钻井参数，助力钻井提质增效。
[0108]
在某一实施例中，如图2所示，一种钻井过程中岩性识别系统，包括：采集模块110和地层岩性识别模块111；
[0109]
所述采集模块110用于实时获取钻井过程中的振动数据；
[0110]
所述地层岩性识别模块111用于通过训练后的地层岩性识别模型提取所述振动数据的时频图像特征，并对所述时频图像特征进行分类识别，获得地层岩性类别。
[0111]
本方案通过接收井下实时振动数据，通过训练后的地层岩性识别模型实时开展岩性识别，辅助钻井工程师优化钻井参数，预防井下复杂。
[0112]
可选地，在一些实施例中，还包括：模型构建模块，用于通过resnet和mobi l enet网络结构构建地层岩性识别模型。
[0113]
本方案通过残差网络resnet用于抑制神经网络堆叠导致的性能退化问题，提高神经网络模型的深度可同时提升神经网络的表达能力，但网络深度的增加意味着梯度消失风险的增加，这就会导致网络退化性能下降，残差结构可以有效解决深度网络的模型退化问题。
[0114]
轻量化网络mobi l enet可用于有效减小模型网络的存储和计算开销。googl enet、resnet等结构单元都进一步提升了cnn在图像识别领域的准确度，模型的存储和计算开销骤然增大，明显制约了cnn在低功耗领域的应用。mobi l enet轻量化网络的提出为卷积计算和参数存储开销提供了一种有效的解决方案。
[0115]
可选地，在一些实施例中，还包括：训练模块，用于对原始振动数据进行数据预处理；
[0116]
通过短时傅里叶变换从预处理后的原始振动数据中，提取时频图像；
[0117]
对所述时频图像进行数据增强，获得数据集；并将所述数据集划分为训练集、验证集和测试集；
[0118]
通过数据集对所述地层岩性识别模型进行训练，直至训练结果满足精度要求，获得训练后的地层岩性识别模型。
[0119]
本方案通过数据预处理、时频图像整合、数据增强和数据集拆分等完成训练模型，保证数据质量可靠、分类标签准确无误。
[0120]
可选地，在一些实施例中，所述训练模块用于通过巴特沃斯高通滤波器对原始振
动数据进行数据清洗。
[0121]
可选地，在一些实施例中，所述模型构建模块具体用于通过12层网络堆叠而成，其中，前6层为mobilenet层网络结构，每个mobilenet层网络结构中均嵌有resnet的跳跃连接结构，后6层为常规卷积和全连接层结构。
[0122]
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
[0123]
需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
[0124]
读者应理解，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发明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。
[0125]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，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，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
[0126]
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0127]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。