申请/专利权人：西南石油大学

申请日：2021-12-07

公开（公告）日：2024-06-18

公开（公告）号：CN114139458B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/214;G06F18/23;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2022.03.22#实质审查的生效;2022.03.04#公开

摘要：本发明公开了一种基于机器学习的钻井参数优化方法，包括：采集钻井所在区域的地层特征参数，并对地层特征参数进行预处理；对预处理的地层特征参数进行地层特征聚类；结合聚类后的地层特征和钻井参数，并利用BP神经网络或循环神经网络进行机械钻速预测，并构建获得钻井参数优化模型。通过上述方案，本发明具有逻辑简单、准确可靠等优点，在钻井技术领域具有很高的实用价值和推广价值。

主权项：1.基于机器学习的钻井参数优化方法，其特征在于，包括以下步骤：采集钻井所在区域的地层特征参数，并对地层特征参数进行预处理；对预处理的地层特征参数进行地层特征聚类；结合聚类后的地层特征和钻井参数，并利用BP神经网络或循环神经网络进行机械钻速预测，并构建获得钻井参数优化模型；所述地层特征参数包括地层岩性参数、泥质含量、抗压强度、抗剪强度、内摩擦角、内摩擦力、岩石硬度、可钻性极值和岩石研磨性参数；对地层特征参数进行预处理，包括数据清理、离散处理、归一化和数据降维；采用K-means算法、MeanShif算法、BDSCAN算法、模糊聚类、基于高斯混合模型的期望最大化聚类其中之一对地层特征参数进行地层特征聚类；采用BP神经网络进行机械钻速预测，其包括以下步骤：第一步，对数据进行归一化处理，其表达式为： 其中，Xk表示输入样本；表示输入样本的一个特征；Ck表示归一化后的输入样本；表示归一化后的输入样本的一个特征；k表示输入样本的数量；给任一输入样本的信号源的权重ωij，阈值μjt随机赋值；第二步，求得BP神经网络中隐藏层和输出层任一神经元的输入和输出，其表达式为： 其中，表示隐藏层神经元的输出；表示输出层神经元的输出；m表示隐藏层神经元总数；n表示输出层神经元总数；第三步，求得输出层和隐藏层的误差，其表达式为： 其中，表示输出层的误差；表示隐藏层误差；第四步，更新权重和阈值，其表示为： 其中，r表示误差修正次数；η表示学习率；α表示动量系数；第五步，设k＝k+1， 重复第二步至第五步，直到训练完成全部的k值，再执行第六步；第六步，添加误差函数值，其表示为： 其中，Loss表示误差函数值，Ek表示单次误差值；第七步，重复步骤第二步至第六步，直至误差函数值小于预设的误差值；采用循环神经网络进行机械钻速预测，其包括以下步骤：第一步，将聚类后的地层特征对应的数据依次输入至循环神经网络的更新门，其表达式为：zt＝σWz·[ht-1,xt]+bf3-1其中，zt表示指更新门；ht-1表示同层上一个神经元的输出信号；ht表示本次神经元的输出信号；xt表示本次神经元的输入；Wz表示更新门的权重；σ表示sigmoid函数；bf表示表连接向量；第二步，将经过更新门的数据输入至重置门，其表达式为：rt＝σWr·[ht-1,xt]3-2其中，rt表示重置门；Wr表示重置门的权重；第三步，求得待定的输出值，其表达式为： 其中，表示待定输出值；表示待定输出值所占权重；表示待定输出值的补偿值；第四步，求得最终的输出值及信号的输出ht，其表达式为： 其中，表示待定输出值。

全文数据：

权利要求：

百度查询： 西南石油大学 基于机器学习的钻井参数优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD