基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法，它包括以下步驟：S1：確定融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、建立井漏類(lèi)型診斷參數(shù)空間；S11：選擇融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；S12:網(wǎng)絡(luò)訓(xùn)練；S13:檢驗(yàn)網(wǎng)絡(luò)；建立井漏類(lèi)型診斷參數(shù)空間；S2：數(shù)據(jù)預(yù)處理；S3:將歸一化處理后的數(shù)據(jù)分別輸入各個(gè)神經(jīng)網(wǎng)絡(luò)；S4:運(yùn)用多種神經(jīng)網(wǎng)絡(luò)融合算法將各個(gè)神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行數(shù)據(jù)融合，得出最終井漏類(lèi)型診斷結(jié)果。本發(fā)明采用多種神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)，使用數(shù)據(jù)融合算法處理多個(gè)神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，性能高效，結(jié)果可靠性強(qiáng)。
【專(zhuān)利說(shuō)明】基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法。

【背景技術(shù)】
[0002] 鉆井工程是石油天然氣勘探開(kāi)發(fā)的首要技術(shù)。在鉆井作業(yè)過(guò)程中，井下復(fù)雜情況 和鉆井事故一直威脅著鉆井的整個(gè)過(guò)程，不僅對(duì)建井質(zhì)量和鉆速產(chǎn)生嚴(yán)重影響，而且也大 大降低了勘探效益。隨著鉆井工藝技術(shù)突飛猛進(jìn)的發(fā)展，當(dāng)前石油行業(yè)努力追求的目標(biāo)著 重在于降低鉆井事故的發(fā)生率與鉆井成本，提高鉆井質(zhì)量和效率。
[0003] 目前在鉆井作業(yè)時(shí)，事故診斷和識(shí)別異常情況主要憑借現(xiàn)場(chǎng)操作者和工程技術(shù)人 員的肉眼觀(guān)察，再結(jié)合以往經(jīng)驗(yàn)與鉆井參數(shù)對(duì)異常情況進(jìn)行判斷。這需要高度的責(zé)任心和 工作人員較高的專(zhuān)業(yè)知識(shí)水平與實(shí)際經(jīng)驗(yàn)，但目前難以達(dá)到此要求。
[0004] 井漏是鉆井作業(yè)過(guò)程中常見(jiàn)的井內(nèi)復(fù)雜情況，漏失嚴(yán)重甚至可能會(huì)導(dǎo)致井噴]。近 年來(lái)，隨著勘探開(kāi)發(fā)不斷向西部地區(qū)發(fā)展，而西部地區(qū)的地質(zhì)構(gòu)造大多數(shù)屬于高陡復(fù)雜構(gòu) 造，因此，井漏的發(fā)生更加頻繁，治漏難度更大。近幾年的統(tǒng)計(jì)數(shù)據(jù)顯示：幾乎每鉆一 口井都 會(huì)出現(xiàn)不同性質(zhì)、不同程度的井漏。盡管近年來(lái)處理鉆井事故與復(fù)雜情況的工藝技術(shù)有一 定的進(jìn)步，但隨著地質(zhì)復(fù)雜程度的加深，相應(yīng)的難度也在增大。同時(shí)又面臨著許多新問(wèn)題， 如儲(chǔ)層為碳酸巖的地層，在鉆井過(guò)程中不可避免地會(huì)出現(xiàn)長(zhǎng)段地層的井漏。又如在壓力敏 感帶地層，常常會(huì)出現(xiàn)誘導(dǎo)性漏失，井漏問(wèn)題非常突出。
[0005] 國(guó)內(nèi)外，有關(guān)井漏的技術(shù)分析與治理研究在許多方面都取得了很多有效成果，t匕 如開(kāi)發(fā)了大量的堵漏材料，形成了一套較成熟的封堵技術(shù)等。尤其在"七?五"以來(lái)，在井 漏的處理和研究方面，川慶鉆探工程有限公司（原四川石油管理局）取得了顯著成績(jī)，如制 定出了堵漏的"十項(xiàng)技藝"和"十項(xiàng)方法"，在處理一般性井漏問(wèn)題上形成了一套比較成熟的 處理技術(shù)等。但在處理一些地質(zhì)構(gòu)造較復(fù)雜的井漏方面，目前尚無(wú)有效的措施與途徑，井漏 問(wèn)題仍然十分突出。
[0006] 井漏處理的關(guān)鍵是確定漏層位置，因此，正確判斷漏層位置是處理井漏問(wèn)題首先 遇到的一個(gè)技術(shù)難題。國(guó)外多選用儀器測(cè)試法判斷漏層位置，但該方法確定漏層位置需要 專(zhuān)業(yè)隊(duì)伍且花費(fèi)大，而國(guó)內(nèi)目前尚未開(kāi)發(fā)出較成熟的漏層位置測(cè)試儀器，通常是靠經(jīng)驗(yàn)來(lái) 判斷漏層位置，或是采用試堵漏的方法來(lái)確定漏層位置，準(zhǔn)確性較差，且降低了堵漏的成功 率。目前，常見(jiàn)的漏層位置判斷法有以下8種：
[0007] (1)觀(guān)察法
[0008] 主要通過(guò)觀(guān)察鉆進(jìn)情況，觀(guān)測(cè)巖芯、巖屑情況以及觀(guān)測(cè)鉆井液變化情況進(jìn)行漏層 位置的判斷。
[0009] (2)動(dòng)液壓法
[0010] 在正循環(huán)過(guò)程中測(cè)出鉆井液流出井口的流量和相應(yīng)的漏失量，再進(jìn)行反循環(huán)洗 井。在該過(guò)程中不斷變化注入量，待補(bǔ)全正循環(huán)過(guò)程中的漏失量時(shí)，測(cè)出從井口流出的流 量，再根據(jù)一定的公式便可計(jì)算出漏層深度。
[0011] (3)井溫測(cè)量法
[0012] 此方法主要利用井內(nèi)鉆井液受地層溫度的作用形成井溫梯度的原理，進(jìn)行漏層位 置的判斷。當(dāng)鉆遇漏失地層，井內(nèi)上方出現(xiàn)帶有溫度的鉆井液漏入地層，而使得井內(nèi)下方鉆 井液的溫度較高。
[0013] (4)傳感器測(cè)量法
[0014] 該傳感器含有一個(gè)中空的金屬圓筒，在筒的一邊帶有有一個(gè)氯丁橡膠薄膜的窗 孔，在這層薄膜上附有一個(gè)電極，當(dāng)膜的兩邊壓力改變，電路中的電位隨之發(fā)生變化，從中 測(cè)出鉆井液的流量。如果儀器位于漏層位置上方，地面讀值無(wú)異常，如果儀器處于漏層處， 則液體不通過(guò)儀器，無(wú)信號(hào)顯示。在井內(nèi)慢慢移動(dòng)該儀器，待信號(hào)顯示全流量降為零流量截 止，便可判斷該處為漏失點(diǎn)。
[0015] (5)轉(zhuǎn)子流量計(jì)法
[0016] 該方法主要是利用在漏層位置處漏失的鉆井液會(huì)使轉(zhuǎn)子轉(zhuǎn)速加快以及增大通過(guò) 流量計(jì)的流量的原理，對(duì)漏層位置做出較精確的判斷。
[0017] (6)熱電阻法
[0018] 用以探測(cè)漏層位置的普通電阻測(cè)量?jī)x器，由電子儀、儲(chǔ)液罐、兩個(gè)電極和定心彈簧 組成。儀器下部裝有記錄式電阻溫度計(jì)。
[0019] (7)放射性示蹤跡測(cè)量法
[0020] 該方法的原理是在鉆井液中加入示蹤劑，并根據(jù)該劑片測(cè)出鉆井液循環(huán)一周的時(shí) 間。利用示蹤劑測(cè)得井漏發(fā)生前后的鉆井液循環(huán)一周的時(shí)間，其差便是因漏失推遲返出井 口的時(shí)間，在根據(jù)這個(gè)時(shí)間差以及鉆井液的進(jìn)出口量求出漏層位置。
[0021] (8)環(huán)空摩阻法
[0022] 在鉆井過(guò)程中，若發(fā)生有進(jìn)有出的漏失，則泵入井內(nèi)的一部分鉆井液會(huì)漏入地層， 另一部分將環(huán)空返回地面，從而減小漏層以上的環(huán)空摩阻，立管壓力也相應(yīng)改變。當(dāng)井漏發(fā) 生以后，測(cè)出鉆井液循環(huán)系統(tǒng)中的進(jìn)入和返出流量以及立管壓力的變化值，并按環(huán)空摩阻 公式便可計(jì)算出漏層深度。
[0023] 以上8種判斷漏層位置的方法局限性很大，并且不能及時(shí)診斷出井漏發(fā)生的類(lèi)型 以及嚴(yán)重程度。
[0024] 總之，國(guó)內(nèi)外對(duì)鉆井下的卡鉆和井噴等事故的診斷模型研究較多，在井漏類(lèi)型診 斷模型研究方面卻比較少，且已有的井漏研究還存在以下不足：（1)基礎(chǔ)參數(shù)不準(zhǔn)確，主要 在于測(cè)量技術(shù)差、實(shí)驗(yàn)手段有限、以及理論計(jì)算模型不完善；（2)井漏的理論研究不完善； (3)井漏的機(jī)理還停留在定性或半定量的描述階段，缺乏比較準(zhǔn)確的定量評(píng)價(jià)。


【發(fā)明內(nèi)容】

[0025] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井 井漏類(lèi)型診斷方法，采用多種神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)，使用數(shù)據(jù)融合算法處理多個(gè)神經(jīng)網(wǎng)絡(luò)輸 出結(jié)果，性能高效，結(jié)果可靠性強(qiáng)。
[0026] 1.本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：一種基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的 鉆井井漏類(lèi)型診斷方法，它包括以下步驟：
[0027] S1 :確定融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、建立井漏類(lèi)型診斷參數(shù)空間：
[0028] 確定融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的步驟包括：
[0029] S11 :選擇融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：選定所需融合的神經(jīng)網(wǎng)絡(luò)，確定各個(gè)神經(jīng)網(wǎng)絡(luò)的輸 入節(jié)點(diǎn)數(shù)、輸出節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)；
[0030] S12:網(wǎng)絡(luò)訓(xùn)練：采集大量樣本對(duì)所選定的各個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到預(yù)設(shè)精度 后保存網(wǎng)絡(luò)；
[0031] S13:檢驗(yàn)網(wǎng)絡(luò)：對(duì)保存后的各個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，使用未參與網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù) 進(jìn)行仿真；
[0032] 建立井漏類(lèi)型診斷參數(shù)空間：確定需要采集的井漏影響因素；
[0033] S2 :數(shù)據(jù)預(yù)處理：對(duì)采集的參數(shù)進(jìn)行歸一化處理，所述的歸一化處理是將有量綱 的數(shù)據(jù)轉(zhuǎn)換為無(wú)量綱的數(shù)據(jù)，使得輸入數(shù)據(jù)都成為純量，從而達(dá)到減小不同量綱給網(wǎng)絡(luò)的 輸出造成的影響；將該預(yù)處理后的參數(shù)空間內(nèi)的參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)；
[0034] S3:將歸一化處理后的數(shù)據(jù)分別輸入各個(gè)神經(jīng)網(wǎng)絡(luò)，保存各個(gè)神經(jīng)網(wǎng)絡(luò)輸出的輸 出值；
[0035] S4:運(yùn)用多種神經(jīng)網(wǎng)絡(luò)融合算法將各個(gè)神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行數(shù)據(jù)融合，得出最 終井漏類(lèi)型診斷結(jié)果。
[0036] 所述的神經(jīng)網(wǎng)絡(luò)包括BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、Kohonen網(wǎng)絡(luò)和ART網(wǎng)絡(luò)。
[0037] 所述的歸一化處理包括線(xiàn)性函數(shù)處理、對(duì)數(shù)函數(shù)處理、反正切函數(shù)處理。
[0038] 所述的未參與網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)必須包括井漏事故發(fā)生與否以及發(fā)生的各種類(lèi)型。
[0039] 所述的參數(shù)包括鉆井液密度，鉆井液靜切力，鉆井液粘度，下鉆速度，鉆具外徑，井 深，井眼直徑，鉆井液排量，漏失通道性質(zhì)，泵壓，立管壓力，套管壓力，地層孔隙壓力。
[0040] 所述的多種神經(jīng)網(wǎng)絡(luò)融合算法包括最小二乘法、多數(shù)投票法、模糊積分法、加權(quán)平 均法、平均貝葉斯法、證據(jù)理論的數(shù)據(jù)融合法。
[0041] 本發(fā)明的有益效果是：
[0042] (1)采用了神經(jīng)網(wǎng)絡(luò)融合技術(shù)，使用了多種神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行處理，將多種神經(jīng) 網(wǎng)絡(luò)的優(yōu)點(diǎn)相接合，最后輸出結(jié)果可靠性高，準(zhǔn)確性強(qiáng)。
[0043] (2)采集了足夠廣泛的參數(shù)，建立了樣本量足夠大的參數(shù)空間，增強(qiáng)了樣本的代表 性，使輸出結(jié)果真實(shí)可靠。
[0044] (3)采用了證據(jù)理論算法對(duì)多個(gè)神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)進(jìn)行融合，證據(jù)理論算法在 處理不確定信息組合、表示以及測(cè)度方面有著其他數(shù)學(xué)方法或模型不可比擬的優(yōu)勢(shì)，在改 進(jìn)自身缺點(diǎn)的同時(shí)還可結(jié)合其它方法的優(yōu)點(diǎn)，從概念范圍推廣到模糊集，不但能結(jié)合先驗(yàn) 信息，還能處理概念比較模糊，從而提高了井漏類(lèi)型診斷的精度。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0045] 圖1為本發(fā)明流程圖；
[0046] 圖2為本發(fā)明漏失類(lèi)型診斷參數(shù)結(jié)構(gòu)圖；
[0047] 圖3為本發(fā)明多神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般模型圖；
[0048] 圖4為本發(fā)明神經(jīng)網(wǎng)絡(luò)與證據(jù)理論合成模型圖。

【具體實(shí)施方式】
[0049] 下面結(jié)合附圖進(jìn)一步詳細(xì)描述本發(fā)明的技術(shù)方案：
[0050] 如圖1所示，基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法，它包括以下步驟：
[0051] S1 :確定融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、建立井漏類(lèi)型診斷參數(shù)空間：
[0052] 確定融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的步驟包括：
[0053] S11 :選擇融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：選定所需融合的神經(jīng)網(wǎng)絡(luò)，確定各個(gè)神經(jīng)網(wǎng)絡(luò)的輸 入節(jié)點(diǎn)數(shù)、輸出節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)；
[0054] 以BP神經(jīng)網(wǎng)絡(luò)為例：
[0055] (1)輸入節(jié)點(diǎn)數(shù)的確定
[0056] 當(dāng)影響井漏事故發(fā)生的因素（即網(wǎng)絡(luò)的輸入數(shù)據(jù)）個(gè)數(shù)確定后，輸入層的節(jié)點(diǎn)數(shù) 也即確定。如，只需年齡、身高兩個(gè)特征參數(shù)，則輸入節(jié)點(diǎn)數(shù)為2。
[0057] (2)輸出節(jié)點(diǎn)數(shù)的確定
[0058] 當(dāng)事故類(lèi)型個(gè)數(shù)確定后，BP網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)即確定。因?yàn)樯窠?jīng)網(wǎng)絡(luò)只能輸出 數(shù)值，所以還存在一個(gè)編碼的問(wèn)題。如，若以"1"代表井漏，"〇"則代表無(wú)井漏發(fā)生，則只需 一個(gè)輸出節(jié)點(diǎn)。若以"01"代表井漏，以" 10"代表無(wú)井漏發(fā)生，則需兩個(gè)輸出節(jié)點(diǎn)。
[0059] (3)隱含層節(jié)點(diǎn)數(shù)的確定
[0060] 從理論上來(lái)說(shuō)，只要合理選擇隱含層節(jié)點(diǎn)數(shù)，三層BP網(wǎng)絡(luò)就可以實(shí)現(xiàn)對(duì)任意非線(xiàn) 性函數(shù)的逼近。而針對(duì)隱含層節(jié)點(diǎn)個(gè)數(shù)的確定方法，目前尚無(wú)成熟理論。實(shí)驗(yàn)表明，若是隱 含層節(jié)點(diǎn)個(gè)數(shù)太少，則可能無(wú)法訓(xùn)練出成熟網(wǎng)絡(luò)，也無(wú)法識(shí)別未出現(xiàn)過(guò)的樣本，并且其容錯(cuò) 性差，缺乏必要的學(xué)習(xí)和信息處理能力。反之，若過(guò)多，則網(wǎng)絡(luò)易陷入局部最優(yōu)化，并造成網(wǎng) 絡(luò)結(jié)構(gòu)復(fù)雜，從而使得學(xué)習(xí)速度變慢。因此，隱含層節(jié)點(diǎn)數(shù)的選取對(duì)神經(jīng)網(wǎng)絡(luò)模型的建立至 關(guān)重要]。迄今為止，在BP網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的確定方面，還缺乏嚴(yán)格的理論依據(jù)指導(dǎo)，大 多數(shù)是根據(jù)實(shí)際所用模型以及具體問(wèn)題來(lái)確定。目前，常見(jiàn)的隱含層節(jié)點(diǎn)數(shù)確定方法有如 下幾種：
[0061] η = φη; + m 丨:+ c imi +0.6\S(m,-ntj) mi > ntj
[0062] n = \ \mi -0.618(/;j/ - mi < nij
[0063] n = log2mi
[0064] n = 2mi+l
[0065] 其中，n-隱層節(jié)點(diǎn)數(shù)；
[0066] nii一輸入層節(jié)點(diǎn)數(shù)；
[0067] nij-輸出層節(jié)點(diǎn)數(shù)；
[0068] c可取10?15之間任一常整數(shù)；
[0069] S12:網(wǎng)絡(luò)訓(xùn)練：采集大量樣本對(duì)所選定的各個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到預(yù)設(shè)精度 后保存網(wǎng)絡(luò)；
[0070] S13:檢驗(yàn)網(wǎng)絡(luò)：在網(wǎng)絡(luò)訓(xùn)練完成后，還需對(duì)網(wǎng)絡(luò)的實(shí)際診斷精度進(jìn)行檢驗(yàn)，也叫 做仿真。一般來(lái)說(shuō)，需要用沒(méi)有參與網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)來(lái)進(jìn)行仿真。這些數(shù)據(jù)還必須包括井 漏事故發(fā)生與否以及發(fā)生的各種類(lèi)型。這樣才能全面的反應(yīng)出網(wǎng)絡(luò)的診斷精度。
[0071] 建立井漏類(lèi)型診斷參數(shù)空間：采集參數(shù)構(gòu)成參數(shù)空間，將該參數(shù)空間內(nèi)的參數(shù)作 為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)；
[0072] S2 :數(shù)據(jù)預(yù)處理：對(duì)采集的參數(shù)進(jìn)行歸一化處理，所述的歸一化處理是將有量綱 的數(shù)據(jù)轉(zhuǎn)換為無(wú)量綱的數(shù)據(jù)，使得輸入數(shù)據(jù)都成為純量，從而達(dá)到減小不同量綱給網(wǎng)絡(luò)的 輸出造成的影響，神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)經(jīng)過(guò)歸一化處理可以加快網(wǎng)絡(luò)訓(xùn)練的收斂速度；
[0073] 因不同激勵(lì)函數(shù)的輸入數(shù)據(jù)的范圍不同，故不同的網(wǎng)絡(luò)需要根據(jù)所選的激勵(lì)函數(shù) 選取相應(yīng)的數(shù)據(jù)歸一化處理公式，從而達(dá)到優(yōu)化網(wǎng)絡(luò)，加快網(wǎng)絡(luò)收斂的目的。
[0074] S3:將歸一化處理后的數(shù)據(jù)分別輸入各個(gè)神經(jīng)網(wǎng)絡(luò)，保存各個(gè)神經(jīng)網(wǎng)絡(luò)輸出的輸 出值；
[0075] S4:運(yùn)用多種神經(jīng)網(wǎng)絡(luò)融合算法將各個(gè)神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行數(shù)據(jù)融合，得出最 終井漏類(lèi)型診斷結(jié)果。
[0076] 所述的神經(jīng)網(wǎng)絡(luò)包括BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、Kohonen網(wǎng)絡(luò)和ART網(wǎng)絡(luò)。
[0077] 所述的歸一化處理包括線(xiàn)性函數(shù)處理、對(duì)數(shù)函數(shù)處理、反正切函數(shù)處理。
[0078] 所述的未參與網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)必須包括井漏事故發(fā)生與否以及發(fā)生的各種類(lèi)型。
[0079] 所述的參數(shù)包括鉆井液密度，鉆井液靜切力，鉆井液粘度，下鉆速度，鉆具外徑，井 深，井眼直徑，鉆井液排量，漏失通道性質(zhì)，泵壓，立管壓力，套管壓力，地層孔隙壓力。
[0080] 所述的多種神經(jīng)網(wǎng)絡(luò)融合算法包括最小二乘法、多數(shù)投票法、模糊積分法、加權(quán)平 均法、平均貝葉斯法、證據(jù)理論的數(shù)據(jù)融合法。
[0081] 影響井漏事故的因素多而復(fù)雜，每種因素之間都相互關(guān)聯(lián)，影響井漏事故的因素 主要分為三個(gè)部分：漏失通道性質(zhì)、漏失壓差、泥漿性能（即鉆井液性能），每一個(gè)因素又由 其它子因素組成，而子因素又受其他因素的影響，將井漏事故的影響因素按因果關(guān)系，建立 井漏類(lèi)型參數(shù)結(jié)構(gòu)圖。
[0082] 如圖2所示，第二層的三個(gè)綜合因素最終決定井漏發(fā)生的幾種類(lèi)型：滲透性漏失、 裂縫性漏失、溶洞性漏失、破裂性漏失以及無(wú)井漏，其中滲透性漏失、裂縫性漏失和溶洞性 漏失最顯著的特點(diǎn)是其漏失壓力遠(yuǎn)遠(yuǎn)小于破裂壓力，而破裂性漏失的漏失壓力等于破裂壓 力。從圖2選取最底層的因素構(gòu)成漏失類(lèi)型診斷的參數(shù)空間作為基于神經(jīng)網(wǎng)絡(luò)的漏失類(lèi)型 診斷模型的輸入?yún)?shù)，該參數(shù)空間由13個(gè)參數(shù)組成，分別為：鉆井液密度，鉆井液靜切力， 鉆井液粘度，下鉆速度，鉆具外徑，井深，井眼直徑，鉆井液排量，漏失通道性質(zhì)，泵壓，立管 壓力，套管壓力，地層孔隙壓力。大部分參數(shù)都能直接從鉆井現(xiàn)場(chǎng)的錄井資料獲取相應(yīng)的 數(shù)據(jù)，而有些參數(shù)需通過(guò)錄井資料和測(cè)井曲線(xiàn)中的相關(guān)數(shù)據(jù)進(jìn)行計(jì)算得到（如地層孔隙壓 力），還有些參數(shù)在鉆井作業(yè)中是定性描述的，需要通過(guò)定性轉(zhuǎn)化為定量來(lái)獲?。ㄈ缏┦?道的性質(zhì)）。
[0083] 鉆井井漏事故發(fā)生的因素關(guān)系錯(cuò)綜復(fù)雜，診斷實(shí)時(shí)性要求高，且有些參數(shù)需要通 過(guò)定量化后才能用于網(wǎng)絡(luò)的訓(xùn)練。由于單一的神經(jīng)網(wǎng)絡(luò)雖然可以實(shí)現(xiàn)鉆井井漏事故診斷， 但是診斷的結(jié)果不穩(wěn)定，且診斷的精度還無(wú)法令人滿(mǎn)意。結(jié)合鉆井井漏的特點(diǎn)及鉆井施工 過(guò)程的特點(diǎn)，設(shè)計(jì)一種采用相同的輸入?yún)?shù)加載于不同結(jié)構(gòu)的多個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行鉆井井漏 類(lèi)型診斷，再將多個(gè)神經(jīng)網(wǎng)絡(luò)診斷的結(jié)果運(yùn)用某種算法進(jìn)行組合來(lái)診斷鉆井井漏，從而達(dá) 到既能保證診斷結(jié)果穩(wěn)定又能保證診斷精度的目的。
[0084] 如圖3所示，表示對(duì)輸入空間X的一種劃分算法，f2表示將輸出子空間進(jìn)行組 合的一種算法。Xi?X n是輸入空間X的子集。輸出空間的￥與￥1?￥"的關(guān)系與輸入空間 之間的關(guān)系類(lèi)似。
[0085] 對(duì)輸入空間進(jìn)行細(xì)分的算法較少，常用的是K-均值聚類(lèi)法等。對(duì)輸出子空間進(jìn)行 融合的算法常見(jiàn)的有：最小二乘法、模糊積分法、平均加權(quán)法、多數(shù)投票、證據(jù)理論合成法、 平均貝葉斯法等融合方法。
[0086] 為取得更高的井漏類(lèi)型診斷精度，需融合網(wǎng)絡(luò)NNpNN2的輸出結(jié)果。目前常見(jiàn)的對(duì) 輸出空間進(jìn)行融合的算法有：最小二乘法、多數(shù)投票法、模糊積分法、加權(quán)平均法、平均貝葉 斯法、證據(jù)理論的數(shù)據(jù)融合法等融合方法。
[0087] 本發(fā)明采用證據(jù)理論算法對(duì)數(shù)據(jù)進(jìn)行融合，證據(jù)理論（Dempster-Shafer理論，簡(jiǎn) 稱(chēng)D-S理論）合成法在處理不確定信息的組合、表示以及測(cè)度等方面有著其他數(shù)學(xué)方法或 者模型不可比擬的優(yōu)勢(shì)。并且能夠結(jié)合BP網(wǎng)絡(luò)的優(yōu)點(diǎn)進(jìn)一步提高診斷精度。
[0088] D-S證據(jù)理論合成法則（稱(chēng)為Dempsetr合成法則）是一種反應(yīng)證據(jù)之間聯(lián)結(jié)作用 的法則，具體內(nèi)容如下：
[0089] 設(shè)Be、、Bel2是辨識(shí)框架U上的兩個(gè)基本信任函數(shù)，mi，m2分別是其對(duì)應(yīng)的基本概 率分配函數(shù)，Ai和Β」為焦元，若有Ai Π Β」=A，則稱(chēng)叫(Ai)!^ (Β」）是分配到A上地信度，因 此，分配到A上地總信度為：
[0090] Σ 〃7ι(〇2(? (4-13)
[0091] 兩個(gè)信度合成法則為： 0 Α = Φ I "i丨⑷〃廠(chǎng),(",_)
[0092] m{A) = nh?nh{A) = \ 丨_ ν^(=?/^^Φ >-Σ - ~ 典=φ (4-14)
[0093] 令為沖突權(quán)值，若Κ>0,則代表這兩組證據(jù)部分一致 Afl )Bj=W 或完全一致，此時(shí)可以對(duì)這兩組證據(jù)進(jìn)行組合，若K = 0,則說(shuō)明這兩組證據(jù)是完全矛盾的， 此時(shí)不能對(duì)這兩組證據(jù)進(jìn)行組合。
[0094] D-S證據(jù)理論在改進(jìn)自身缺點(diǎn)的同時(shí)還可結(jié)合其它方法的優(yōu)點(diǎn)，從概念范圍推廣 到模糊集，不但能結(jié)合先驗(yàn)信息，還能處理概念比較模糊的證據(jù)。
[0095] 如圖4所示，由于網(wǎng)絡(luò)NN1、NN2診斷的誤差是由訓(xùn)練精度所決定的，它表示在精度 范圍內(nèi)所允許的不正確性。因此，本文將網(wǎng)絡(luò)NNpNN 2的輸出結(jié)果及訓(xùn)練誤差作為D-S證據(jù) 理論合成的證據(jù)體。設(shè)網(wǎng)絡(luò)NNpNNj^訓(xùn)練誤差分別*ei，e 2，且診斷結(jié)果有5種（無(wú)漏失， 滲透性漏失、裂縫性漏失、溶洞性漏失、破裂性漏失），第1個(gè)網(wǎng)絡(luò)即網(wǎng)絡(luò)NR的輸出結(jié)果用 yij表示，第2個(gè)網(wǎng)絡(luò)即NN2網(wǎng)絡(luò)的輸出結(jié)果用y2j表示，其中j = 1，2, 3, 4, 5,那么這兩個(gè)神 經(jīng)網(wǎng)絡(luò)對(duì)各種結(jié)果的支持度的計(jì)算函數(shù)分別為，其計(jì)算如下： Ju y2J 「 ? = S-，mij= 1-
[0_ Σμ Μ Μ
[0097] /η (",) = 1 - Z /?，/? ("2) = 1 - Z /?2, 7=1 " 7=1
[0098] 其中屯為網(wǎng)絡(luò)N&的輸出結(jié)果所構(gòu)成的識(shí)別框架；
[0099] U2為網(wǎng)絡(luò)NN2的輸出結(jié)果所構(gòu)成的識(shí)別框架。
[0100] 該融合算法的具體實(shí)現(xiàn)過(guò)程如下：
[0101] (1)根據(jù)4. 2. 2節(jié)中設(shè)定好的神經(jīng)網(wǎng)絡(luò)參數(shù)，建立兩個(gè)不同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模 型；
[0102] (2)將獲取的神經(jīng)網(wǎng)絡(luò)參數(shù)初始數(shù)據(jù)按式（4-4)進(jìn)行歸一化處理，其處理后的數(shù) 據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入值；
[0103] (3)將歸一化處理后的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，分別運(yùn)用兩個(gè)不同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練，達(dá)到預(yù)設(shè)精度要求后，保存其各自的連接權(quán)值；
[0104] (4)利用（3)中保存的連接權(quán)值對(duì)需要診斷的數(shù)據(jù)進(jìn)行診斷，將其診斷結(jié)果的輸 出值作為D-S證據(jù)理論合成的證據(jù)，運(yùn)用D-S證據(jù)理論合成法則進(jìn)行數(shù)據(jù)融合，得到最終的 診斷結(jié)果。
[0105] 以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)理解本發(fā)明并非局限于本文所披露的 形式，不應(yīng)看作是對(duì)其他實(shí)施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本 文所述構(gòu)想范圍內(nèi)，通過(guò)上述教導(dǎo)或相關(guān)領(lǐng)域的技術(shù)或知識(shí)進(jìn)行改動(dòng)。而本領(lǐng)域人員所進(jìn) 行的改動(dòng)和變化不脫離本發(fā)明的精神和范圍，則都應(yīng)在本發(fā)明所附權(quán)利要求的保護(hù)范圍 內(nèi)。
【權(quán)利要求】
1. 基于多神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法，其特征在于：它包括以下步 驟： 51 :確定融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、建立井漏類(lèi)型診斷參數(shù)空間： 確定融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的步驟包括： S11 :選擇融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：選定所需融合的神經(jīng)網(wǎng)絡(luò)，確定各個(gè)神經(jīng)網(wǎng)絡(luò)的輸入節(jié) 點(diǎn)數(shù)、輸出節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)； S12:網(wǎng)絡(luò)訓(xùn)練：采集大量樣本對(duì)所選定的各個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到預(yù)設(shè)精度后保 存網(wǎng)絡(luò)； S13:檢驗(yàn)網(wǎng)絡(luò)：對(duì)保存后的各個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，使用未參與網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)進(jìn)行 仿真； 建立井漏類(lèi)型診斷參數(shù)空間：確定需要采集的井漏影響因素； 52 :數(shù)據(jù)預(yù)處理：對(duì)采集的參數(shù)進(jìn)行歸一化處理，所述的歸一化處理是將有量綱的數(shù) 據(jù)轉(zhuǎn)換為無(wú)量綱的數(shù)據(jù)，使得輸入數(shù)據(jù)都成為純量，從而達(dá)到減小不同量綱給網(wǎng)絡(luò)的輸出 造成的影響；將該預(yù)處理后的參數(shù)空間內(nèi)的參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)； S3:將歸一化處理后的數(shù)據(jù)分別輸入各個(gè)神經(jīng)網(wǎng)絡(luò)，保存各個(gè)神經(jīng)網(wǎng)絡(luò)輸出的輸出 值； S4:運(yùn)用多種神經(jīng)網(wǎng)絡(luò)融合算法將各個(gè)神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行數(shù)據(jù)融合，得出最終井 漏類(lèi)型診斷結(jié)果。
2. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法，其特征在 于：所述的神經(jīng)網(wǎng)絡(luò)為BP網(wǎng)絡(luò)。
3. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法，其特征在 于：所述的歸一化處理包括線(xiàn)性函數(shù)處理、對(duì)數(shù)函數(shù)處理、反正切函數(shù)處理。
4. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法，其特征在 于：所述的未參與網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)必須包括井漏事故發(fā)生與否以及發(fā)生的各種類(lèi)型。
5. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法，其特征在 于：所述的參數(shù)包括鉆井液密度，鉆井液靜切力，鉆井液粘度，下鉆速度，鉆具外徑，井深，井 眼直徑，鉆井液排量，漏失通道性質(zhì)，泵壓，立管壓力，套管壓力，地層孔隙壓力。
6. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井井漏類(lèi)型診斷方法，其特征在 于：所述的多種神經(jīng)網(wǎng)絡(luò)融合算法為證據(jù)理論數(shù)據(jù)融合法。
【文檔編號(hào)】E21B47/10GK104121014SQ201410268625
【公開(kāi)日】2014年10月29日 申請(qǐng)日期:2014年6月16日 優(yōu)先權(quán)日:2014年6月16日
【發(fā)明者】李建, 王兵, 肖斌, 蔡汶君, 梁大川, 趙春蘭, 汪敏, 李珂, 江琳, 蒲曉 申請(qǐng)人:西南石油大學(xué)