基于深度学习的水下井口弯曲应力预测方法

水下井口系统是海洋油气勘探开发的关键装备,为保证其在钻完井作业过程中的安全性,水下井口系统的疲劳状态监测成为保障安全的重要手段,水下井口的弯曲应力预测是基于监测数据疲劳损伤评估的重要内容。为此,提出了一种基于深度学习的水下井口系统弯曲应力预测方法,该方法使用防喷器处的加速度监测数据预测水下井口系统的弯曲应力。根据设计海况矩阵进行隔水管-水下井口系统动力响应分析,以分析得到的时序数据为基础,利用长短期记忆网络(LSTM)建立水下井口系统弯曲应力预测模型,最后对预测模型进行验证。研究结果表明,提出的水下井口系统弯曲应力预测模型得到的预测值准确度较高,相对误差低于0.2%,决定系数大于0.999。该弯曲应力预测方法可为水下井口疲劳损伤评估提供支撑。     

基于小样本数据深度学习的砂体厚度预测方法及应用

沾化凹陷渤南洼陷北部Y184井区沙四上亚段储集层为多期扇三角洲沉积,具有单砂体厚度小、横向变化快、砂泥岩互层等特征,无法定量预测,制约了该井区的高效开发。综合利用深度学习和地震属性预测方法,通过构建虚拟井,解决研究区深度学习训练样本不足的问题,从而挖掘出砂体厚度与地震属性之间的非线性关系,建立了利用地震属性预测砂体厚度的网络模型,该方法能够较为准确地预测砂体厚度及其横向展布特征,提高了预测精度,为致密砂岩储集层预测提供了新的思路和方法。     

深水钻井溢流早期监测技术研究现状

深水油气井溢流及井喷的预防和控制是深水钻井过程中的重要工作,墨西哥湾“深水地平线”井喷溢油事故发生后,井喷的预防和控制成为海洋油气开发亟待解决的重大难题。应对深水钻井溢流及井喷问题,切实有效的技术措施是在早期监测和识别溢流的基础上及时采取应对措施。为此,通过分析深水钻井井控面临的主要困难,从平台监测、海水段监测和井下随钻监测3个层面,综述了国内外井下溢流早期监测技术研究现状,重点分析了井下随钻监测的发展现状,指出深水钻井井下溢流监测技术将朝着有利于更加及时准确发现和识别井下溢流的技术领域发展。最后,根据深水钻井和溢流监测技术的特点,优选出适合深水钻井环境的井下溢流早期监测方法,包括井口流量法、泥浆池液面法、钻井参数法、隔水管超声波法、PWD/LWD监测法、随钻超声波井下流量测量法6种方法;建立了溢流早期综合监测和识别技术,该技术不仅可以用于深水钻井井下溢流监测,还可用于压井和井筒压力精确控制过程的综合监控,为深水钻井提供技术保障。     

基于数据挖掘的长短期记忆网络模型油井产量预测方法

传统的BP神经网络及其改进算法广泛应用于产量预测,但并不适宜时间序列预测问题。基于产油量变化的时间序列特征,提出利用长短期记忆网络（LSTM）深度学习模型实现具有长期记忆能力的时间序列预测,在描述LSTM神经网络的基本结构和算法原理基础上,阐述了样本数据处理,输入层、隐藏层和输出层节点数选择及表征方式,形成产量预测模型。实例应用表明,LSTM模型可以准确预测油井产量,整体平均误差约为1.46%,并指出无预兆停产、特殊情况以及部分数据量缺失是影响预测准确性的主要原因。该模型的提出对于大数据和深度学习在石油方面的应用研究具有重要意义。     

基于深度前馈神经网络方法的横波速度预测

针对横波速度预测问题,在分析经验公式法和岩石物理建模法优缺点的基础上,结合横波速度预测原理,提出基于深度前馈神经网络方法（DFNN）进行横波速度的预测。研究从纵、横波速度关系入手,详细阐述了DFNN方法应用于横波速度预测的可行性,并介绍了该深度学习方法的基本原理;选择声波时差、密度、中子孔隙度、泥质含量、孔隙度5个储层参数与横波速度进行深度神经网络训练,建立可靠的横波速度预测模型。将该模型应用于不同研究区的横波速度预测,结果表明基于DFNN方法预测横波速度能够有效提高预测的精度和效率,适用范围广,可以为叠前AVO分析、叠前反演提供可靠的横波数据,具有较高的实际应用价值和推广意义。     

预测地层深度的一种方法

针对以往钻井地质设计中采用构造图结合实钻资料法进行剖面深度设计误差较大的不足，该提出了一种新方法。它以地震等T0图为基础，结合实钻资料，根据最小二乘法原理预测地层深度。实际应用表明，该方法简便易行，具有较高的精度。     

基于核主成分分析-半监督极限学习机的钻井溢流诊断方法

溢流是钻井作业中最常见的事故之一,如果对溢流监测与诊断不及时,可能导致严重的井控风险,甚至井喷。钻井现场监测数据较多,直接采用这些数据作为溢流诊断模型的输入会增加模型的复杂度,影响模型的准确率,并且在诊断模型建立过程中存在溢流样本数据标记代价较高的问题。为此建立了基于核主成分分析-半监督极限学习机（KPCA-SSELM）的钻井溢流诊断方法。首先利用核主成分分析（KPCA）算法对钻井各参数进行信息整合,提取其主成分以反映原数据的核心信息,然后选用半监督极限学习机（SSELM）算法进行模型训练,最后利用现场钻井数据与SSELM和KPCA-ELM等模型进行对比实验,验证模型的有效性。结果表明,基于KPCA-SSELM的模型较其他模型具有较高的溢流诊断率及模型泛化能力,采用半监督极限学习机算法能够在钻井数据标记样本比较少的情况下充分挖掘无标签样本所包含的信息训练网络,进一步提高模型的性能,具有很好的应用前景。     

基于深度学习的饱和度场样本库建立及预测

复杂断块油藏剩余油预测一直是指导油藏开发后期井位部署、剩余油挖潜工作的关键。为了提高复杂断块油藏剩余油饱和度场预测效率和精度,构建了反映不同构造深度、储层厚度、渗透率、孔隙度等属性的2×10⁴个数值模拟正演模型,并得到相应的各个模型的剩余油饱和度场分布,从而构建形成饱和度场数据样本库。通过深度卷积对抗神经网络模型对样本库数据进行训练,其中,随机选取70%的数据作为训练集,30%的数据作为测试集,最终建立形成能够应用于实际区块的饱和度场预测方法。研究结果表明：新的方法无需再对实际区块进行数值模拟研究,只需输入实际区块的储层物性参数、井位坐标、注采量等信息,即可通过深度卷积对抗神经网络模型得到区块在不同时刻下的剩余油饱和度分布,方法预测精度达到90%以上。经过测试,深度卷积对抗神经网络模型表现出较好的泛化能力,模型能够被广泛应用于相似的复杂断块油藏剩余油饱和度场预测中,从而提高油藏开发研究的工作效率。     

基于卷积门控循环单元网络的储层参数预测方法

储层参数是储层评价的一项重要内容。针对传统储层预测方法难以摆脱线性方程的束缚及预测精度不高的问题,将卷积神经网络与门控循环单元网络相结合,提出了卷积门控循环单元网络模型。该模型不仅具备卷积神经网络局部感知的特性,还具备门控循环单元网络长期记忆的功能,从而具有表达数据时空特征的能力。基于某井区A井已知井段测井资料建立卷积门控循环单元网络孔隙度预测模型,预测该井区未知深度段的孔隙度,并提出变学习率训练方法。实验证明,与单一的卷积神经网络模型、门控循环单元网络模型相比,卷积门控循环单元网络模型能够更有效地提取数据特征,预测精度更高,可为储层参数的预测提供新的思路。     

基于深度学习的地震波逆时偏移补偿方法

逆时偏移作为重要的地震偏移技术,已经成为复杂构造成像的有力工具。地下构造的强衰减体引起地震波振幅减弱和相位失真,直接影响地下有效油气储层的识别精度,而现有逆时偏移补偿技术具有计算复杂、补偿精度低等不足。为优化计算、提高补偿精度,提出一种基于TensorFlow框架的地震波逆时偏移补偿方法,将传统循环生成对抗网络(Cyc...     

面向早期溢流监测的钻井工程参数仿真建模方法

研究表明,智能识别方法能够有效提高早期溢流监测的准确性,但由于溢流是钻井过程中的小概率事件,现场可获取的溢流样本数据十分有限,限制了智能识别方法的应用。针对该问题,在分析常用溢流监测参数与钻井设计参数、地质相关参数以及钻井工况之间关系的基础上,建立了钻进、起钻、下钻三种工况下常用溢流监测参数的数值模拟模型,为溢流智能识别方法的应用提供数据基础。利用现场实测数据对所建模型进行了验证实验。结果表明:在给定的钻井条件下,仿真得到的数据与现场实测数据间的相似度达到83.85%,具有较高的吻合度;溢流智能识别模型识别准确率较缺乏训练样本的专家经验模型提高了23.1%,识别准确率得到了显著提升。     

基于深度学习的子波整形反褶积方法

地震数据偏移成像是地下介质反射系数估计的重要方法之一,其结果通常受子波影响而波数带展布有限。有效拓展成像结果的波数带、提高空间分辨率是宽带反射系数估计的一个重要目的。为此,首先从反演成像的角度分析,指出子波和观测系统照明是影响成像结果分辨率的两个主要因素;其次,基于卷积神经网络（CNN）,利用宽频子波构建标签,将常规成像结果作为输入,利用CNN挖掘其中的映射关系,提出了相应的深度学习算法子波整形反褶积方法;然后,针对反褶积中初始子波估计不准确的问题,设计了子波与反射系数串联、迭代、更新的实现方案,定制的宽频子波能兼顾低波数和高波数信息,用于训练网络时可以更好地恢复宽带的反射系数;最后,利用已知模型进行网络的预训练,将基于目标数据体提取的有效子波作为靶区数据反褶积的初始子波,进行子波整形反褶积处理,并通过薄层模型测试了该方法的正确性和可靠性。实际资料处理结果表明了该方法具有较好的应用潜力。     

叠前随机噪声深度残差网络压制方法

深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。     

基于马尔科夫链和贝叶斯网络的钻井风险预测

钻井作业是高风险高投资的过程,这个过程中存在许多可能导致重大钻井事故的不确定因素,对此类不确定性因素进行预测进而达到预警或控制的目的,提前做好风险预防或降低风险损失具有较大的经济意义。通过研究钻井风险预测、马尔科夫链和贝叶斯网络方法,根据现场采用的指标体系,提出融合马尔科夫链和贝叶斯网络的钻井风险预测新方法。该方法可从纵、横两方面预测钻井事故的风险、弥补单独用马尔科夫链处理上层指标数据欠缺的不足;并可为诊断、监测和控制风险提供理论依据。实例研究表明,该方法是正确和可行的,用马尔科夫链进行纵向预测与实际的吻合度为82%,而贝叶斯网络仅为46%,融合后的方法优于现有方法。     

基于深度学习的鲁棒地震数据去噪

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布.深度学习 通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力 自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路.但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了...     

基于CNN-GRU神经网络的测井曲线预测方法

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题.为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法.以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时...     

基于注意力机制和双向长短时记忆网络的横波速度预测方法及应用

横波速度信息对油气勘探而言至关重要,但实际测井资料中常常缺失横波速度资料。横波速度与测井参数之间存在非线性相关性,二者关系复杂难以用解析解表征。为此,提出了一种基于注意力机制和双向长短时记忆网络的横波速度预测方法(AT-BLSTM)。该方法首先利用注意力机制为测井参数分配权重,自动聚焦对横波速度预测贡献大的测井参数,然后利用双向长短时记忆网络以及横波速度曲线纵向上的时序特征,挖掘各种测井参数与横波速度之间的相关关系,获得各种测井参数与横波速度之间的学习模型,再输入优选测井参数,最终可直接获得横波速度的预测结果。将上述方法应用于挪威北海Volve油田和我国西南某工区的实际测井资料进行横波速度预测,并将预测结果与常规双向长短时记忆网络、门控循环神经网络以及基于经验公式的传统方法的预测结果进行对比。结果表明,利用基于注意力机制和双向长短时记忆网络的横波速度预测方法得到的测井参数权重分配合理,横波速度预测结果与实测横波速度误差较小、相关系数较高,有效提高了横波速度预测精度,预测结果具有良好的稳定性。     

深水钻井井口吸力锚最小下入深度预测方法

深水油气田采用井口吸力锚进行表层建井时,存在井口塌陷或地层过硬不能下入到位的风险。在分析井口吸力锚下入原理的基础上,建立了考虑安装效应的井口吸力锚承载力模型;针对二开固井最危险工况,推导了钻井过程中井口最大荷载计算公式;考虑桩基安全系数,建立了基于承载力的井口吸力锚下入深度模型。利用该下入深度计算模型,计算得到南海X井的井口吸力锚最小入泥深度为10.56 m。采用ABAQUS软件,以南海X井环境参数为基础,建立了有限元模型,计算了井口吸力桩的竖向承载力为8 593.22 kN;同等入泥深度理论计算承载力为8 063.59 kN,误差为6.16%,准确度较高。研究结果表明,基于极限承载力的井口吸力锚下入深度模型能够精准预测井口吸力锚的最小下入深度,提高水下井口下入安装和钻井阶段的安全性。     

基于LSTM循环神经网络的横波预测方法

针对碳酸盐岩储层岩性多样、孔隙结构复杂导致传统横波预测方法受限的问题,文中提出利用长短时记忆神经网络(LSTM)预测复杂碳酸盐岩储层的横波时差.相对于传统的简单点对点学习模式,LSTM通过复用神经元结构,有效学习测井参数的序列信息.以苏里格气田苏东地区碳酸盐岩储层为例,选择声波时差、密度、自然伽马等16个对横波速度较为...     

利用先验信息约束的深度学习方法定量预测致密砂岩“甜点”

鄂尔多斯盆地东缘LX区块二叠系石盒子组发育河流相致密砂岩储层,高产气层具有孔隙度大于12%、渗透率大于1 mD、含气饱和度大于50%等特征,寻找高产“甜点”亟需开展储层参数定量评价。基于传统地震反演间接预测孔隙度等参数的方法精度低。LX区块地震数据与测井曲线对应关系不一致,存在大量矛盾样本,导致常规卷积神经网络难以应用。为此,在常规卷积神经网络模型的基础上增加一个全连接网络结构。地震数据与测井数据之间通过托布里兹局部网络结构连接,用于解决储层参数与地震数据不直接相关问题。全连接网络结构通过引入线(道)号、层位、地震相等先验信息,可以解决矛盾样本问题。通过引入地层格架、地震相等先验约束信息,构建了适用于致密储层的深度学习网络模型,形成了地质导向的样本井优选方法,从而定量预测储层参数、刻画了高产气层“甜点”平面展布。实际应用结果表明,孔隙度、渗透率、含气饱和度预测结果与井数据吻合度高,新部署的5口钻井测试无阻流量均超过1万m³/d,有力推动了致密气高效开发。