本申請涉及鉆井，特別涉及一種鉆速預測模型的訓練方法、裝置、設備及存儲介質(zhì)。

背景技術(shù)：

1、我國油氣資源開發(fā)重心已從淺層油氣藏轉(zhuǎn)向深層、超深層油氣藏，開發(fā)區(qū)塊的儲層具有裂縫和孔洞發(fā)育、分布規(guī)律復雜、埋藏深和溫度高等特點，平均埋深7000m以上，溫度高達200℃，壓力高達180mpa。復雜嚴苛的地層條件導致深層、超深層油氣藏鉆井周期長、成本高。為提高鉆井效率，有必要對這些區(qū)塊的機械鉆速和其主要影響因素進行系統(tǒng)分析，探明鉆頭直徑、鉆壓、轉(zhuǎn)速及鉆井液密度、排量和流變性等參數(shù)對機械鉆速的影響規(guī)律，為后續(xù)建立機械鉆速預測模型和指導現(xiàn)場施工提供幫助。

2、在機械鉆速預測方面，國內(nèi)外學者都做過一定研究。從機械鉆速預測方法發(fā)展來看，傳統(tǒng)依靠控制變量法等思路進行實驗或者依靠圖版、經(jīng)驗公式等方法建立的機械鉆速預測模型在更為復雜的鉆井條件下已經(jīng)無法滿足當前鉆井工程的需要，國內(nèi)外學者預測機械鉆速的方法也從傳統(tǒng)數(shù)學統(tǒng)計漸漸轉(zhuǎn)向了基于海量數(shù)據(jù)處理的機器學習、深度學習等。

3、然而，目前的機械鉆速預測方法其預測精度較低，且模型訓練速度較慢。因此，有必要探索和建立一種利用機器學習方法和海量錄井數(shù)據(jù)的機械鉆速預測模型，提高機械鉆速預測精度和適用范圍。

技術(shù)實現(xiàn)思路

1、本申請?zhí)峁┝艘环N鉆速預測模型的訓練方法、裝置、設備及存儲介質(zhì)，能夠從而加快模型訓練效率以及鉆速預測準確度。該技術(shù)方案如下：

2、一方面，本申請實施例提供了一種鉆速預測模型的訓練方法，所述方法包括：

3、基于參數(shù)優(yōu)化算法生成的鉆速預測模型參數(shù)更新鉆速預測模型；

4、將樣本特征向量輸入更新后的所述鉆速預測模型，得到樣本預測鉆速；

5、基于所述樣本預測鉆速與樣本標簽鉆速之間的誤差，確定所述參數(shù)優(yōu)化算法對應的適應度值；

6、基于所述適應度值對所述參數(shù)優(yōu)化算法的算法參數(shù)以及所述鉆速預測模型進行迭代更新；

7、響應于所述模型訓練滿足預設條件，停止迭代更新，得到訓練完成后的所述鉆速預測模型。

8、另一方面，本申請實施例提供了一種鉆速預測模型的訓練裝置，所述裝置包括：

9、模型更新模塊，用于基于參數(shù)優(yōu)化算法生成的鉆速預測模型參數(shù)更新鉆速預測模型；

10、預測模塊，用于將樣本特征向量輸入所述鉆速預測模型，得到樣本預測鉆速；

11、確定模塊，用于基于所述樣本預測鉆速與樣本標簽鉆速之間的誤差確定所述參數(shù)優(yōu)化算法對應的適應度值；

12、所述模型更新模塊，還用于基于所述適應度值的變化趨勢對所述參數(shù)優(yōu)化算法的算法參數(shù)以及所述鉆速預測模型參數(shù)進行迭代更新；

13、控制模塊，用于響應于所述模型訓練滿足預設條件，停止迭代更新，得到訓練完成后的所述鉆速預測模型。

14、另一方面，本申請實施例提供了一種計算機設備，所述計算機設備包括處理器和存儲器，所述存儲器中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、所述至少一段程序、所述代碼集或指令集由所述處理器加載并執(zhí)行以實現(xiàn)如上述方面所述的方法。

15、另一方面，本申請實施例提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、至少一段程序、代碼集或指令集由處理器加載并執(zhí)行以實現(xiàn)如上述方面所述的方法。

16、本申請?zhí)峁┑募夹g(shù)方案至少包括以下有益效果：

17、本申請?zhí)峁┑囊环N鉆速預測模型的訓練方法、裝置、設備及存儲介質(zhì)，利用參數(shù)優(yōu)化算法輔助鉆速預測模型的訓練，基于每一輪模型更新后得到的樣本預測鉆速與樣本標簽鉆速之間的誤差，指導參數(shù)優(yōu)化算法的算法參數(shù)更新方向，不斷對鉆速預測模型的模型參數(shù)進行優(yōu)化，從而加快模型訓練效率以及鉆速預測準確度。

技術(shù)特征：

1.一種鉆速預測模型的訓練方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述參數(shù)優(yōu)化算法包括粒子群算法和/或遺傳算法，所述鉆速預測模型為隨機森林模型，所述鉆速預測模型參數(shù)包括所述隨機森林模型的決策樹棵樹以及決策樹深度。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述參數(shù)優(yōu)化算法為所述粒子群算法；

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述基于所述樣本預測鉆速與樣本標簽鉆速之間的誤差，確定所述參數(shù)優(yōu)化算法對應的適應度值，包括：

5.根據(jù)權(quán)利要求2所述的算法，其特征在于，所述參數(shù)優(yōu)化算法為所述遺傳算法；

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述基于所述樣本預測鉆速與樣本標簽鉆速之間的誤差，確定所述參數(shù)優(yōu)化算法對應的適應度值，包括：

7.根據(jù)權(quán)利要求1至6任一所述的方法，其特征在于，所述響應于所述模型訓練滿足預設條件，停止迭代更新，得到訓練完成后的所述鉆速預測模型，包括：

8.根據(jù)權(quán)利要求1至6任一所述的方法，其特征在于，所述基于參數(shù)優(yōu)化算法生成的鉆速預測模型參數(shù)更新鉆速預測模型之前，所述方法還包括：

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述對所述原始數(shù)據(jù)進行預處理，包括：

10.一種鉆速預測模型的訓練裝置，其特征在于，所述裝置包括：

11.一種計算機設備，其特征在于，所述計算機設備包括處理器和存儲器，所述存儲器中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、所述至少一段程序、所述代碼集或指令集由所述處理器加載并執(zhí)行以實現(xiàn)如權(quán)利要求1至9任意一項所述的方法。

12.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、至少一段程序、代碼集或指令集由處理器加載并執(zhí)行以實現(xiàn)如權(quán)利要求1至9任意一項所述的方法。

技術(shù)總結(jié)
本申請?zhí)峁┝艘环N鉆速預測模型的訓練方法、裝置、設備及存儲介質(zhì)，屬于鉆井技術(shù)領域。該方法包括：基于參數(shù)優(yōu)化算法生成的鉆速預測模型參數(shù)更新鉆速預測模型；將樣本特征向量輸入更新后的鉆速預測模型，得到樣本預測鉆速；基于樣本預測鉆速與樣本標簽鉆速之間的誤差，確定參數(shù)優(yōu)化算法對應的適應度值；基于適應度值對參數(shù)優(yōu)化算法的算法參數(shù)以及鉆速預測模型進行迭代更新；響應于模型訓練滿足預設條件，停止迭代更新，得到訓練完成后的鉆速預測模型?；谀Ｐ透潞蟮玫降臉颖绢A測鉆速與樣本標簽鉆速之間的誤差，指導參數(shù)優(yōu)化算法的算法參數(shù)更新方向，不斷對鉆速預測模型的模型參數(shù)進行優(yōu)化，從而加快模型訓練效率以及鉆速預測準確度。

技術(shù)研發(fā)人員：楊順輝,鄭雙進,張洪寶,趙向陽,潘少偉,馬帥,高啟超
受保護的技術(shù)使用者：中國石油化工股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2