(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110419715.0 (22)申请日 2021.04.19 (65)同一申请的已公布的文献号 申请公布号 CN 113111586 A (43)申请公布日 2021.07.13 (73)专利权人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 苏俊霖　程瀚锐　黄诚　尹玉红　 张爱　蒲亮　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06F 111/06(2020.01)(56)对比文件 CN 110952978 A,2020.04.0 3 CN 111738620 A,2020.10.02 CN 112561211 A,2021.0 3.26 陈曾伟.基于神经网络算法的井下裂缝诊断 与堵漏技 术. 《钻井液与完 井液》 .2019,第3 6卷 (第1期),第20 -24页. 王雷雯.基于BP神经网络的钻井防漏堵漏关 键参数研究. 《中国优秀博硕士学位 论文全文数 据库(硕士)工程科技 Ⅰ辑》 .2020,(第0 6期),第 B019-151页. Wangde Q iu 等.A Back-Propa gation Neural Netw ork Model Based o n Genetic Algorithm for Predicti on of Bui ld-Up Rate in Drilling Proces s. 《Arabian Journal for Science and Engi neering》 .2021,第1-1 1页. 审查员 陈鸣 (54)发明名称 一种基于神经网络的钻井堵漏配方预测方 法 (57)摘要 本发明是一种基于神经网络的钻井堵漏配 方预测方法， 其中实施例涉及数据挖掘技术领域 和钻井堵漏领域， 具体涉及一种基于神经网络数 据挖掘的钻井堵漏配方预测方法。 所述方法为： 首先基于 数据挖掘采集堵漏配方井史数据资料； 将采集到的井史数据资料进行数据预处理， 数据 预处理内容包括数据清洗、 数据集成、 数据转换、 数据归约、 数据归一化处理， 最终得到经过预处 理后的井史数据资料； 将预处理后的堵漏配方井 史数据资料作为输入， 堵漏配方作为输出， 以真 实堵漏配方为标准值， 构建并优化神经网络堵漏 配方预测模型； 训练改进后的BP神经网络模型； 正钻井堵漏配方即时预测； 本发 明能够实现钻井 循环压耗自动预测。 权利要求书3页 说明书6页 附图2页 CN 113111586 B 2022.02.18 CN 113111586 B 1.一种基于神经网络的钻井堵漏配方 预测方法， 其特 征在于， 包括： 通过对采集到的井史数据资料整理得到预测堵漏配方所需的10个参数： 各层段岩性、 地层孔隙压力系数、 井深结构、 钻井液粘度、 钻井液密度、 井史漏失泵压、 井史漏失钻速、 井 史漏失速度、 井史漏失量、 井史不同层段漏失所用配方； 将采集到的井史数据资料进行数据预处理， 数据 预处理内容包括数据清洗、 数据集成、 数据转换、 数据归约、 数据归一 化处理， 最终得到经 过预处理后的堵漏配方井史数据； 将预处理后的堵漏配方井史数据资料作为输入， 堵漏配方作为输出， 以真实堵漏配方 为标准值， 建立并优化神经网络堵漏配方 预测模型； 按照梯度下降法训练优化后的神经网络堵漏配方 预测模型； 根据给定的钻井液性能要求， 输入目标正钻井相关钻井即时数据， 由所设置的模型自 动判断并给 出相应的堵漏配方； 所述的数据预处 理中数据清洗步骤具体为： 根据每个变量的合理取值范围和相互关系进行一致性检查， 检查数据是否合乎要求， 将超出正常范围、 逻辑上不 合理或者相互矛盾的数据进行纠正和剔除； 将逻辑内容与原数据不一致的数据进行剔除， 同时对于逻辑错误的数据先进行去重， 然后去除不 合理值， 最后修 正矛盾内容； 将清洗过程中所缺失的值利用极大似然估计法进行填补； 通过分箱方法考 察数据近邻的值 来光滑有序的数据值； 所述的数据预处 理中数据集成的内容具体为： 将存储在MySQL、 excel、 Access三种数据格式下的不同数据全部导入Access数据库中， 使其格式得到统一， 通过采用数据仓库的方法将数据存放于模型中； 所述的数据预处 理中数据转换的内容具体为： 数据转换的主要内容有数据平滑、 数据聚集、 数据泛化、 数据规范化， 所述的数据转换 进一步特征在于， 数据转换的具体过程 为： 将原数据通过回归方法除去数据中的噪声， 然后将有关属性数据按比例投射到特定的 小范围之中， 再根据已有属性 集构造新的属性， 最后对数据进行总结和合计操作； 所述的数据预处 理中数据归约的内容具体为： 数据归约的主 要内容有特 征归约、 数量归约、 维归约、 值归约； 上述所述数据归约的再进一 步特征为： 所述特征归约是从原有的特征中删除不重要或不相关的特征数据， 然后 通过对特征数 据进行重组来减少特 征的个数； 所述数量归约就是用可替代的、 小于预设值的数据替换原始数据， 使用模型估计数据 的方法， 使得模型中只存放模型 所需参数 数据； 所述维归约是运用主成分 分析方法减少所考虑的随机变量或属性的个数； 所述值归约是利用特征离散化技术， 减少已知特征的离散值数目， 将连续型特征的值 离散化， 使之成为少量的区间； 所述数据预处 理中数据归一 化处理的具体内容 为： 采用Min‑Max标准化进行数据预处 理； Min‑Max标准化， 即将数据减去数据中最小值后再除以数据中最大值和最小值之差， 如权　利　要　求　书 1/3 页 2 CN 113111586 B 2下式： 上式进一步特征在于， 其中x为原数据， x ′为新数据， Max(x)为数据 中最大数据值， Min (x)为数据中最小数据值。 2.根据权利要求1所述一种基于神经网络的钻井堵漏配方预测方法， 其特征在于， 所述 的建立并优化神经网络堵漏配方预测模型中， 神经网络堵漏配方预测模型的建立及 优化过 程为： 确定输入层和输出层神经元参数， 将预测堵漏配方所需的10个参数作为输入层神经元 参数， 将所求不同层段堵漏配方作为输出层参数， 本次所求不同层段设定为3个层段； 确定 隐层神经 元； 确定传递 函数； 采用P SO算法对 模型进行 无约束优化。 3.根据权利要求2所述一种基于神经网络的钻井堵漏配方预测方法， 其特征在于， 所述 确定隐层神经 元， 进一步特征在于， 神经网络隐层神经 元个数使用下式来确定： 其中， m为输入层神经元的个数， 对应等于10， n为输出层神经元的个数， 对应等于3， 表示向下取整符号， a为[1， 10] 的整数， 本实施例中a取5， 计算可得隐层神经元个数为8， 则 本实施例中网络结构为10 ‑8‑3的三层BP神经网络； 所述确定传递 函数具体内容 为： 隐层传递函数采用S型函数， 表达式为 输出层传递函数采用线性函 数， 表达式为fo(x)＝kx； 所述采用P SO算法对 模型进行 无约束优化具体方案为： (1)确定PSO算法优化对象， 将BP神经网络模型中的权值和阈值的集合作为算法要PSO 优化的参数， 参数个数为每 个粒子的维数d， 使用下式来确定： d＝ml+nl+n＝10×8+8×3+3＝107 (2)确定的粒子维数构 建初始粒子群； 由系统随机生成200个粒子构 建初始粒子群， 第i 个粒子的位置矢量表示为xi＝[xi1， xi2，…， xid]T， 速度矢量表示为vi＝[vi1， vi2，…， vid]T， 到 当前迭代为止粒子个体最优位置记为pi＝[pi1， pi2，…， pid]T， 全局最优位置记为pg＝[pg1， pg2，…， pgd]T； (3)计算粒子的适应度函数， 使用下式确定： 其中M表示训练样本的个数， Pp1， Pp2， Pp3分别表示第p个样本在三个不同层段预测输出 的堵漏配方误差值， Tp1， Tp2， Tp3分别表示第p个样本在三个不同层段实 际的堵漏配方误差 值； (4)根据步骤(3)中的适应度值评价粒子群中所有个体， 并更新当前粒子的个体最优值 pi和全局最优值pg；权　利　要　求　书 2/3 页 3 CN 113111586 B 3