买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：辽宁石油化工大学

摘要：本发明公开了一种钻井溢流工况智能预测模型的训练、预测方法及井下溢流风险概率预测系统，包括：数据预处理、训练机器学习群智能模型、取最优融合模型、最优融合模型预测及可视化。本发明不仅能实时监测溢流工况，还能实现溢流的超前预测，并可视化当前及未来时间段的溢流发生概率，并能在预测到溢流工况时给出针对性AI操作建议，进一步帮助避免溢流发生；本发明融合了多种机器学习模型并对其进行改进，这其中概括了大部分主流预测算法，并根据用户提供的录井数据进行训练和新样本数据预测评估，通过多种误差评估结果结合出最优融合模型，相比单个模型的预测能够提供更高的预测精度，解决溢流早期特征不明显，容易发生误报警的情况。

主权项：1.一种钻井溢流工况智能预测模型的训练、预测方法，其特征在于，包括：数据预处理步骤、训练机器学习群智能模型步骤、取最优融合模型步骤、最优融合模型预测及可视化步骤，其中：数据预处理步骤：采集原始录井数据、新井录井数据和待预测井录井数据这三组数据，对原始录井数据依次进行数据清洗、PCA属性降维、数据集划分与归一化和SMOTE非平衡数据处理操作，对新井录井数据和待预测井录井数据进行数据清洗、数据集划分与归一化和取溢流关键特征列操作；其中，原始录井数据和新井录井数据是临近井的不同井数据；训练机器学习群智能模型步骤：基于经过了数据预处理步骤的所述原始录井数据，分别用于训练改进粒子群算法优化的长短期记忆网络模型IPSO-LSTM、改进粒子群算法IPSO优化的BP神经网络模型IPSO-BP，同时设置改进粒子群算法的同类算法：遗传算法GA、退火算法SA，和长短期记忆网络LSTM的同类算法ARIMA时间序列模型作为对比参照，组成另外七种模型，分别是遗传算法优化的长短期记忆网络模型GA-LSTM、遗传算法优化的ARIMA时间序列模型GA-ARIMA、遗传算法优化的BP神经网络模型GA-BP、退火算法优化的长短期记忆网络模型SA-LSTM、退火算法优化的BP神经网络模型SA-BP、退火算法优化的ARIMA时间序列模型SA-ARIMA、改进粒子群算法优化的ARIMA时间序列模型IPSO-ARIMA，以及两个不使用优化算法，作为参照的BP神经网络模型和LSTM长短期记忆网络模型共11种模型；取最优融合模型步骤：基于经过了数据清洗、数据集划分与归一化和取溢流关键特征列三步操作的新井录井数据，使用所述11种模型分别对该份数据进行预测，对比11种模型各自的预测结果和8项误差评估值：MAPE、MAE、RMSE、R-squared、准确率、召回率、F1Score和精确率，择优选出回归和分类这两个阶段分别的最优模型，组合成最优融合模型；最优融合模型预测及可视化步骤：基于所述的最优融合模型和经过了数据清洗、数据集划分与归一化和取溢流关键特征列三步操作的待预测井录井数据，使用最优融合模型对待预测井录井数据依次进行两步预测：先使用回归模型进行超前预测，再使用分类模型进行溢流预测，得到最终的溢流预测结果，并将预测结果可视化展示在井下溢流风险概率预测系统中；其中，所述数据预处理步骤具体包括：先对采集的发生溢流前后五天的录井数据进行缺失值填充、光滑噪声数据、识别并删除离群点和无效数据这三步数据清洗过程，将录井数据标准化；再对d维原始录井数据进行PCA数据降维处理：将原始录井数据按列组成n行d维矩阵X，将X的每一行减去本行的均值，求出X的协方差矩阵，以及协方差矩阵的特征值和对应的特征向量，再将特征向量根据对应的特征值大小从上到下按行排列，取前m行组成矩阵P，Y=PX即为降维到m维的数据，作为经过PCA数据降维方法处理后的溢流重要特征；所述训练机器学习群智能模型步骤具体包括：基于经过了预处理的原始录井数据，分别训练11种模型，根据各模型所属流程阶段不同可分为回归阶段：LSTM参照回归模型、IPSO-LSTM优化回归模型、GA-LSTM优化回归模型、SA-LSTM优化回归模型、IPSO-ARIMA优化回归模型、GA-ARIMA优化回归模型、SA-ARIMA优化回归模型，以及分类阶段：BP参照分类模型、IPSO-BP优化分类模型、GA-BP优化分类模型、SA-BP优化分类模型，即使用IPSO、GA、SA三种优化算法与两种回归模型LSTM、ARIMA和一种分类模型BP神经网络分别交叉组合，形成9种优化模型，再附加未进行优化的BP神经网络分类模型和LSTM回归模型；取最优融合模型步骤中，使用所述11种模型对经过了数据清洗和取溢流关键特征列的新井录井数据进行预测，并分别计算误差值：1对于回归模型LSTM、IPSO-LSTM、GA-LATM、SA-LSTM、IPSO-ARIMA、GA-ARIMA、SA-ARIMA，分别计算这7个模型的预测值与真实值的MAPE、MAE、RMSE和R-squared这4项误差评估值；2对于分类模型BP、IPSO-BP、GA-BP、SA-BP，分别计算这4个模型的预测值与真实值的准确率、召回率、F1Score和精确率这4项误差评估值；基于统计的各回归、分类模型的预测结果和误差评估值，分别选出所述回归、分类的最优模型，按照回归模型在前，分类模型在后，且分类模型的输入数据为回归模型的预测结果数据的规则组合为最优融合模型；最优融合模型预测及可视化步骤中：使用最优融合模型对经过数据清洗并取溢流关键特征列的待预测井录井数据进行预测：先将所述溢流关键特征列数据送入所述最优融合模型内的回归模型中预测出指定时间步长的具体数值，再将回归模型预测输出的数据送入最优融合模型内的分类模型中，根据所述回归模型预测的未来时间段溢流关键特征列数据来分类预测未来时间段发生溢流的概率，并将模型预测结果展示在所述井下溢流风险概率预测系统中。

全文数据：

权利要求：

百度查询： 辽宁石油化工大学 一种钻井溢流工况智能预测模型的训练、预测方法及井下溢流风险概率预测系统