本發(fā)明涉及鉆井漏失預(yù)測，特別涉及一種鉆井漏失位置預(yù)測方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)。

背景技術(shù)：

1、隨著油氣資源勘探開發(fā)鉆井深度的不斷深入，鉆遇破碎、裂縫性、縫洞性復(fù)雜地層，鉆井漏失問題愈發(fā)嚴(yán)重。井漏發(fā)生不僅浪費(fèi)大量的人力物力，嚴(yán)重時會導(dǎo)致井噴、卡鉆、井壁失穩(wěn)等井下復(fù)雜事故的發(fā)生。

2、目前鉆井漏失層位預(yù)測困難、人工智能與傳統(tǒng)鉆井方向的結(jié)合較少，傳統(tǒng)漏層判斷方法依靠大量的人工經(jīng)驗(yàn)判斷，對多漏層判斷準(zhǔn)確性難以保證。

3、通過結(jié)合現(xiàn)場實(shí)鉆數(shù)據(jù)與計(jì)算機(jī)算法，預(yù)防井漏發(fā)生成為近年來的研究方向?；谌斯ぶ悄苌窠?jīng)網(wǎng)絡(luò)學(xué)習(xí)的方法對鉆井井漏層位進(jìn)行預(yù)測的一種方法是采用支持向量機(jī)，基于實(shí)際工況和統(tǒng)計(jì)多參數(shù)演算對導(dǎo)致井漏層位的大量有效數(shù)據(jù)進(jìn)行整合，從而構(gòu)建針對井漏層位判斷的有效預(yù)警系統(tǒng)。kelessisis建立了基于規(guī)則推理的誘導(dǎo)裂縫寬度變化計(jì)算方法，建立了控制漏失壓力與井漏的反演模型和裂縫寬度與漏速的冪函數(shù)關(guān)系模型。利用數(shù)據(jù)挖掘技術(shù)對傳統(tǒng)的石油天然氣工業(yè)進(jìn)行深度提取和機(jī)器學(xué)習(xí)，輔助傳統(tǒng)能源行業(yè)的高質(zhì)量發(fā)展，是石油工業(yè)發(fā)展的新方向與新熱點(diǎn)。mohan基于隨機(jī)森林、案例推理的機(jī)器學(xué)習(xí)算法預(yù)測井下復(fù)雜、監(jiān)測報警、輔助決策，深化了人工智能與傳統(tǒng)石油開采的應(yīng)用。線性回歸方法來源于數(shù)理統(tǒng)計(jì)中的回歸分析，是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的重要利用方法之一，該方法對數(shù)據(jù)處理的效率高，誤差小，使用反演可以多次驗(yàn)算數(shù)據(jù)，對數(shù)據(jù)缺失不敏感，通過該方法對實(shí)際工程數(shù)據(jù)進(jìn)行高效處理進(jìn)行鉆井漏失層位判斷預(yù)測具有良好的應(yīng)用前景。

4、綜上所述，國內(nèi)外現(xiàn)有技術(shù)的漏失方法主要分為基于壓力預(yù)測及油藏歷史數(shù)據(jù)預(yù)測兩大類。其中，基于壓力預(yù)測的方法不能判斷漏層附加是否存在其他多漏層?；谟筒貧v史數(shù)據(jù)的預(yù)測對不同位置新鉆井沒有準(zhǔn)確的指導(dǎo)意義。因此，現(xiàn)有的鉆井漏失位置預(yù)測方法存在著缺陷。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種鉆井漏失位置預(yù)測方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)。

2、一種鉆井漏失位置預(yù)測方法，包括：

3、獲取鉆井樣本數(shù)據(jù)；

4、將所述鉆井樣本數(shù)據(jù)作為特征向量輸入至神經(jīng)網(wǎng)絡(luò)，利用所述鉆井樣本數(shù)據(jù)基于softmax線性回歸函數(shù)估算每一所述鉆井樣本數(shù)據(jù)所歸屬的漏失類別的概率，建立softmax線性回歸方程學(xué)習(xí)模型；

5、采集實(shí)時鉆井參數(shù)；

6、將所述實(shí)時鉆井參數(shù)輸入至所述softmax線性回歸方程學(xué)習(xí)模型，輸出預(yù)測鉆井漏失位置。

7、在其中一個實(shí)施例中，

8、所述將所述鉆井樣本數(shù)據(jù)作為特征向量輸入至神經(jīng)網(wǎng)絡(luò)，利用所述鉆井樣本數(shù)據(jù)基于softmax線性回歸函數(shù)估算每一所述鉆井樣本數(shù)據(jù)所歸屬的漏失類別的概率，建立softmax線性回歸方程學(xué)習(xí)模型的步驟包括：

9、從所述鉆井樣本數(shù)據(jù)中確定特征屬性，確定所述特征屬性的取值為所述softmax線性回歸方程學(xué)習(xí)模型的特征輸入?yún)?shù)，確定所述softmax線性回歸方程學(xué)習(xí)模型的輸出類別；

10、將所述鉆井樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集；

11、將所述訓(xùn)練集作為特征向量輸入至神經(jīng)網(wǎng)絡(luò)，利用所述訓(xùn)練集基于softmax線性回歸函數(shù)估算每一所述鉆井樣本數(shù)據(jù)所歸屬的漏失類別的概率，建立所述softmax線性回歸方程學(xué)習(xí)模型；

12、所述建立softmax線性回歸方程學(xué)習(xí)模型的步驟之后還包括：

13、將所述測試集輸入至所述softmax線性回歸方程學(xué)習(xí)模型，利用所述測試集驗(yàn)證所述softmax線性回歸方程學(xué)習(xí)模型輸出的所述預(yù)測鉆井漏失位置。

14、在一個實(shí)施例中，所述利用所述訓(xùn)練集基于softmax線性回歸函數(shù)估算每一所述鉆井樣本數(shù)據(jù)所歸屬的漏失類別的概率，建立所述softmax線性回歸方程學(xué)習(xí)模型的步驟包括：

15、利用所述訓(xùn)練集基于softmax線性回歸函數(shù)估算每一所述鉆井樣本數(shù)據(jù)所歸屬的漏失類別的概率，并利用交叉熵ce對所述漏失類別的概率進(jìn)行計(jì)算，建立所述softmax線性回歸方程學(xué)習(xí)模型。

16、在其中一個實(shí)施例中，所述將所述鉆井樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集包括：

17、采用隨機(jī)分層抽樣的方式將所述鉆井樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集。

18、在其中一個實(shí)施例中，所述將所述鉆井樣本數(shù)據(jù)作為特征向量輸入至神經(jīng)網(wǎng)絡(luò)，利用所述鉆井樣本數(shù)據(jù)基于softmax線性回歸函數(shù)估算每一所述鉆井樣本數(shù)據(jù)所歸屬的漏失類別的概率，建立softmax線性回歸方程學(xué)習(xí)模型的步驟包括：

19、將所述鉆井樣本數(shù)據(jù)作為特征向量輸入至神經(jīng)網(wǎng)絡(luò)；

20、在同類的所述鉆井樣本數(shù)據(jù)和全部非同類的所述鉆井樣本數(shù)據(jù)中各選取k個最臨近值；

21、計(jì)算基于k個最臨近值的各所述特征向量的權(quán)重；

22、檢測是否達(dá)到預(yù)設(shè)次數(shù)迭代；

23、當(dāng)未達(dá)到所述預(yù)設(shè)次數(shù)迭代時，則返回所述采用隨機(jī)分層抽樣的方式將所述鉆井樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集的步驟；

24、當(dāng)達(dá)到所述預(yù)設(shè)次數(shù)迭代時，則輸出特征優(yōu)選子集。

25、在其中一個實(shí)施例中，所述獲取鉆井樣本數(shù)據(jù)包括：

26、獲取所述鉆井樣本數(shù)據(jù)；

27、對所述鉆井樣本數(shù)據(jù)進(jìn)行預(yù)處理；

28、基于井漏參數(shù)風(fēng)險等級對預(yù)處理后的各所述鉆井樣本數(shù)據(jù)進(jìn)行篩選，得到篩選后的所述鉆井樣本數(shù)據(jù)；

29、獲得預(yù)設(shè)劃分比例，根據(jù)所述預(yù)設(shè)劃分比例將篩選后所述鉆井樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集。

30、在其中一個實(shí)施例中，所述對所述鉆井樣本數(shù)據(jù)進(jìn)行預(yù)處理包括：

31、對所述鉆井樣本數(shù)據(jù)進(jìn)行清洗和集成。

32、一種鉆井漏失位置預(yù)測裝置，包括：

33、樣本數(shù)據(jù)獲取模塊，用于獲取鉆井樣本數(shù)據(jù)；

34、訓(xùn)練模塊，用于將所述鉆井樣本數(shù)據(jù)作為特征向量輸入至神經(jīng)網(wǎng)絡(luò)，利用所述鉆井樣本數(shù)據(jù)基于softmax線性回歸函數(shù)估算每一所述鉆井樣本數(shù)據(jù)所歸屬的漏失類別的概率，并據(jù)此進(jìn)行學(xué)習(xí)訓(xùn)練，建立softmax線性回歸方程學(xué)習(xí)模型；

35、參數(shù)采集模塊，用于采集實(shí)時鉆井參數(shù)；

36、預(yù)測模塊，用于將所述實(shí)時鉆井參數(shù)輸入至所述softmax線性回歸方程學(xué)習(xí)模型，輸出預(yù)測鉆井漏失位置。

37、一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時實(shí)現(xiàn)上述任一實(shí)施例中的鉆井漏失位置預(yù)測方法的步驟。

38、一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)上述任一實(shí)施例中的鉆井漏失位置預(yù)測方法的步驟。

39、上述鉆井漏失位置預(yù)測方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)，以鉆井樣本數(shù)據(jù)作為處理基礎(chǔ)，保證了結(jié)果的真實(shí)性、準(zhǔn)確性，并且確保了數(shù)據(jù)量級，softmax線性回歸函數(shù)作為離散概率分布的形式可以將多分類特征對一維向量進(jìn)行定義，減少數(shù)據(jù)誤差，從而使得對鉆井漏失位置的預(yù)測結(jié)果更為準(zhǔn)確。