一种旋转导向钻井井眼轨迹预测方法、系统、设备及介质

本发明涉及石油工程和深度学习，具体涉及一种旋转导向钻井井眼轨迹预测方法、系统、设备及介质。

背景技术：

1、在石油和天然气工业中，井眼轨迹预测是一项至关重要的任务，井眼轨迹即钻井的路径，是工程师们实施精确钻探的关键因素，通过准确预测井眼轨迹，工程师不仅可以精确地规划钻井过程，还可以更好地控制钻井过程，以尽可能地减小钻井过程中可能出现的风险；传统的井眼轨迹预测主要依赖于物理模型和工程师的经验，物理模型，如钻井流体动力学模型和地层压力模型，能够在一定程度上模拟钻井过程，帮助工程师制定初步的钻井计划，然而，由于地下复杂的地质条件和不可预测的钻井参数变化，这些模型往往只能提供有限的预测准确度；此外，这些模型通常需要大量的数据输入和复杂的计算，而这些都需要工程师的专业知识和经验。

2、近年来，随着人工智能和机器学习技术的飞速发展，一些新的预测方法开始被应用到井眼轨迹预测中，长短时记忆网络(long short-term memory，简称lstm)是一种特殊的循环神经网络(recurrent neural network，简称rnn)，特别适合处理和预测时间序列数据，lstm通过其独特的“门”结构，可以解决传统rnn在处理长序列数据时面临的长期依赖问题，从而提高预测的准确性。

3、公开号为cn114996796a的专利申请，公开了一种井眼轨迹预测方法及装置和系统，该发明将当前测点和第一预设数量的在先测点的井眼轨迹参数和录井参数输入预设的轨迹预测模型，得到预测点的第一井眼轨迹预测值；将当前测点和第二预设数量的在先测点的井眼轨迹参数输入至少一个预设的几何外推算法模型，得到预测点的至少一组第二井眼轨迹预测值；将第一井眼轨迹预测值和至少一组第二井眼轨迹预测值输入预设的轨迹回归模型，得到预测点的第三井眼轨迹预测值；根据当前测点的预测误差与第三井眼轨迹预测值，确定预测点的井眼轨迹预测结果；但由于其预测方法仅针对单一测点进行预测，进而导致其预测结果误差较大。

技术实现思路

1、为了克服上述现有技术的缺点，本发明的目的在于提供一种旋转导向钻井井眼轨迹预测方法、系统、设备及介质，通过构建lstm网络模型并进行训练，通过训练好的模型对井眼轨迹数据进行学习并对待预测的井眼轨迹从井斜角与方位角分别进行预测，本发明具有模型训练成本低，易于实现，步骤简单，预测效率高以及预测结果精确的优点。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种旋转导向钻井井眼轨迹预测方法，包括以下步骤：

4、步骤1、数据预处理，包括对获取的井眼轨迹时间序列数据进行数据划分、归一化以及格式转换处理；

5、步骤2、搭建lstm网络模型，并使用步骤1中预处理后数据中的训练集对lstm网络模型进行训练，使其具有井眼轨迹预测的能力，得到训练好的lstm网络模型；

6、步骤3、使用步骤2中训练好的lstm网络模型对待预测的井眼轨迹进行预测，得出预测结果。

7、所述步骤1中，对获取的井眼轨迹时间序列数据进行数据划分、归一化以及格式转换处理，具体为：

8、步骤1.1、获取井眼轨迹数据并进行整理，包括井斜角、方位角和测深的实钻数据，在excel中构成以第一列测深，第二列井斜角的2列n行井斜角数据集；

9、步骤1.2、在构成的井斜角数据集中有n个数据点，将井斜角数据集的n个数据点按如下方式划分为n-n个组：第1组为第1个数据点到第n+1个数据点，第2组为第2个数据点到第n+2个数据点，以此类推，将井斜角数据集划分为n-n个组；

10、步骤1.3、选择步骤1.2中划分的n-n个组中的前80-90％的组作为训练集，剩余10-20％的组作为测试集，对每一组中的前n个数据点做训练数据，最后一个数据点做预测数据，将训练集中的训练数据命名为p_train,预测数据命名为p_test，将测试集中的训练数据命名为t_train,预测数据命名为t_test；

11、步骤1.4、利用mapminmax函数对步骤1.3中的训练集数据进行归一化处理，将归一化处理后的训练集数据映射到[0,1]的区间，并将归一化处理的参数保存在ps_input的结构体中，方便后续进行数据的反归一化操作；

12、步骤1.5、通过reshape函数对数据进行平铺，即将原数据重新整形为指定的维度，维度数是数据输入的维度数为一维；

13、步骤1.6、利用for函数将数据转换为元胞数组，转换方法为：先通过循环遍历训练集中的每个数据点样本，将步骤1.3中训练集的训练数据作为输入数据存储在p_train的元胞数组中，在每次循环中，将输入数据的样本提取出来，并存储在元胞数组的相应位置，所述for函数的具体形式如下：

14、{for i＝1:m

15、p_train{i,1}＝p_train(:,:,1,i)；

16、end}

17、其中，for，end表示运行循环操作的固定函数结构；i表示循环过程中随机选取量；m表示选取的最大值，满足m≤n；1:m表示选取范围为1到m；p_train(:,:,1,i)表示从训练集的训练数据中提取第i个数据点样本，然后存储在p_train{i,1}的元胞中；

18、步骤1.7、利用与步骤1.6中同样的方式对步骤1.3中训练集的测试数据进行转换，具体函数如下：

19、{for i＝1:n

20、p_test{i,1}＝p_test(:,:,1,i)；

21、end}

22、其中，for，end为运行循环操作的固定函数结构；i为循环过程中随机选取量；n为选取最大值；1:n表示选取范围为1到n；p_test(:,:,1,i)表示从训练集的测试数据中提取第i个数据点样本，然后存储在p_test{i,1}的元胞中。

23、所述步骤2中，使用步骤1中预处理后数据中的训练集对lstm网络模型进行训练，使其具有井眼轨迹预测的能力，得到训练好的lstm网络模型，具体为：在matlab中，利用深度网络设计器进行搭建；包括：

24、步骤2.1、对lstm网络模型框架选择序列到序列；

25、步骤2.2、对lstm网络模型选择序列输入层，lstm层，sigmiod激活层，全连接层以及回归层，其中lstm可设置1-20个隐藏单元；

26、步骤2.3、对lstm网络模型的具体参数进行设置，包括：使用adam梯度下降算法，最大训练次数为800-1000次，初始学习率为0.001-0.1，学习率下降方式为分段衰减，学习率衰减因子为0.1-0.5，学习率衰减周期为800-1000次训练，每次训练时打乱数据集顺序，并绘制训练进度曲线；

27、步骤2.4、利用搭建好的lstm网络模型对步骤1中已处理为元胞数组的训练集进行训练，得到训练好的lstm网络模型。

28、所述步骤3中，使用步骤2中训练好的lstm网络模型对待预测的井眼轨迹进行预测，得出预测结果，具体为：

29、步骤3.1、井斜角预测，包括：

30、步骤3.1.1、对步骤1中的测试集数据按照与训练集相同的方法进行预处理，确保输入数据格式和尺度与训练集数据一致，即将t_train和t_test转换为t_train和t_test的元胞数组；

31、步骤3.1.2、使用训练过的lstm网络模型的代码加载系统保存的模型权重；

32、步骤3.1.3、将测试集数据按照与训练集相同的序列形式，输入到lstm网络模型中，每个时间步的输入应该与模型训练时的时间步相对应；

33、步骤3.1.4、使用系统加载的lstm网络模型对生成的输入序列进行前向传播，得到预测的轨迹数据；

34、步骤3.1.5、将被转换为元胞数组的t_train和t_test,转换为原测试集的t_trian和t_test，再将归一化的数据进行反归一化处理后转换回轨迹点的形式；

35、步骤3.1.6、将预测的轨迹利用matlab的plot函数绘制曲线图，实现可视化以便观察结果，另将预测的轨迹与实际测试数据进行比较，以评估lstm网络模型的预测能力；

36、步骤3.2、方位角预测，包括：在步骤1中改为使用含有测深、方位角信息的实钻数据，在excel中，构成以第一列测深，第二列方位角的2列n行方位角数据集，之后按照与步骤3.1中井斜角预测相同的方法进行方位角预测。

37、一种旋转导向钻井井眼轨迹预测系统，包括：

38、数据预处理模块，用于对井眼轨迹的原始数据进行去噪和归一化等处理，并将处理后的数据输入至井眼轨迹预测模块进行训练；

39、模型训练模块，用于对lstm网络模型进行训练，使其具有数据预测能力；

40、井眼轨迹预测模块，用于对待预测的井眼轨迹结合训练好的lstm网络模型进行实时预测，并输出预测结果。

41、一种旋转导向钻井井眼轨迹预测设备，包括：

42、存储器，用于存储计算机程序；

43、处理器，用于执行所述计算机程序时实现所述的一种旋转导向钻井井眼轨迹预测方法。

44、一种计算机可读介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现所述的一种旋转导向钻井井眼轨迹预测方法。

45、相对于现有技术，本发明的有益效果在于：

46、1.由于本发明基于lstm网络模型使用训练集对其进行训练，其模型训练成本低，易于实现。

47、2.通过使用训练好的lstm网络模型对训练集进行训练并使其具有预测能力，并对井眼轨迹按照井斜角与方位角两种方式进行井眼轨迹预测，其预测结果更加准确，预测效率更高。

48、3.由于仅需对获取的井眼轨迹时间序列数据进行简单的预处理，即可输入至训练好的lstm网络模型结合预测模块对井眼轨迹进行预测，因此本发明的步骤简单。

49、综上所述，本发明通过构建lstm网络模型，使用预处理后的训练集对其进行训练，并通过训练好的模型对待预测的井眼轨迹分别从井斜角和方位角进行预测，以得出预测结果，本发明具有模型训练成本低，易于实现，步骤简单，预测效率高以及预测结果精确的优点。