宋先知 ，姚學(xué)喆，李根生 ，肖立志 ，祝兆鵬

1 中國石油大學(xué)(北京)人工智能學(xué)院，北京 102249

2 中國石油大學(xué)(北京)油氣資源與探測國家重點實驗室，北京 102249

0 引言

地層孔隙壓力是石油勘探開發(fā)過程中最重要的基礎(chǔ)數(shù)據(jù)之一，是合理設(shè)計鉆井方案、分析井壁穩(wěn)定性的重要依據(jù)，在鉆井過程中準(zhǔn)確計算地層孔隙壓力有利于提高機械鉆速，保護(hù)儲層，對提高油氣采收率具有重要作用[1]。

地層孔隙壓力計算主要可分為鉆前預(yù)測、隨鉆監(jiān)測與鉆后評估3個階段[2]。其中鉆前預(yù)測常采用地質(zhì)分析法和地震法；隨鉆監(jiān)測常采用dc指數(shù)法[3-4]、標(biāo)準(zhǔn)鉆速法[5]和巖石強度法[6-7]等；鉆后評估通過等效深度法[8]、Eaton法[9-10]和有效應(yīng)力法[11]。等對地層壓力進(jìn)行計算評估。國內(nèi)外學(xué)者對地層孔隙壓力計算開展了大量研究，吳建忠[12]等對比了dc指數(shù)和sigma指數(shù)法，認(rèn)為dc指數(shù)法更適合計算川西地區(qū)地層壓力；付明川[13]針對dc指數(shù)值波動大，變化頻繁的問題，對dc指數(shù)模型進(jìn)行了修正，穩(wěn)定性、準(zhǔn)確性明顯提升；Primasty[14]等采用等效深度法分析了加拿大Nova Scotia地區(qū)的異?？紫秹毫ι疃?；Bektas[15]等利用卡爾曼濾波過濾隨鉆測井噪聲，基于Eaton法預(yù)測地層孔隙壓力；Ziegler[16]等利用Bowers等方法計算地層孔隙壓力，并利用隨鉆數(shù)據(jù)模型進(jìn)行校正；李中[17]等考慮巖性和孔隙度對聲波速度的影響，修正了傳統(tǒng)Bowers法卸載方程；陶磊[18]等提出一種多元回歸模型的地層孔隙壓力計算方法。但上述傳統(tǒng)地層孔隙壓力計算方法受巖性、水力參數(shù)等影響較大，未考慮數(shù)據(jù)的序列性，且需要建立正常壓實趨勢線方程，計算過程復(fù)雜，經(jīng)驗參數(shù)較多導(dǎo)致誤差累加，計算精度有限。因此亟需一種高效精準(zhǔn)的地層孔隙壓力實時計算方法。

近些年來人工智能算法快速發(fā)展，在解決復(fù)雜非線性問題上具有很大的優(yōu)勢，在石油領(lǐng)域中的地震反演[19-20]、測井解釋[21-23]、產(chǎn)量預(yù)測[24-26]和開發(fā)優(yōu)化[27-28]等方面的應(yīng)用取得了顯著效果。其中誤差反向傳播神經(jīng)網(wǎng)絡(luò)(error Back Propagation Neural Network,BP)具有高度的自學(xué)習(xí)自適應(yīng)能力和較強的泛化能力，適用于解決地層孔隙壓力計算等復(fù)雜非線性問題；地層沉積和鉆井過程表明所產(chǎn)生的數(shù)據(jù)具有一定序列性，而長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory Neural Network, LSTM)因具有一定的記憶能力，能夠較好的處理鉆井、測井和錄井等序列性數(shù)據(jù)。本文充分分析了鉆井、測井和錄井?dāng)?shù)據(jù)及其存在的序列性和非線性關(guān)系，創(chuàng)新地提出了利用LSTM-BP神經(jīng)網(wǎng)絡(luò)模型實時計算地層孔隙壓力的方法，以進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)模型在此類問題上的表現(xiàn)。并基于鉆井、測井和錄井?dāng)?shù)據(jù)，對LSTM-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了訓(xùn)練和測試，結(jié)果表明LSTM-BP神經(jīng)網(wǎng)絡(luò)模型比BP神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)和支持向量機(Support Vector Machines, SVM)模型的精度更高，為地層孔隙壓力的準(zhǔn)確實時計算提供了一種新方法。

1 神經(jīng)網(wǎng)絡(luò)原理

1.1 神經(jīng)元與BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)中最基本的單元，Mc-Culloch和Pitts[29]受生物學(xué)中神經(jīng)系統(tǒng)的啟發(fā)，將其抽象為簡單的數(shù)學(xué)模型，如圖1所示。神經(jīng)元接收其它神經(jīng)元傳遞的輸入信號xi，通過權(quán)重wi加權(quán)后計算總輸入并與閾值b進(jìn)行比較，最后通過激活函數(shù)f計算后產(chǎn)生神經(jīng)元的總輸出。其正向傳播過程為：

圖1 M-P 神經(jīng)元模型Fig. 1 M-P neuron model

神經(jīng)網(wǎng)絡(luò)是神經(jīng)元逐層組織以非循環(huán)方式連接而成的結(jié)構(gòu)，如圖2所示，一些神經(jīng)元的輸出可以是另外神經(jīng)元的輸入，通常層與層為全連接的形式，層內(nèi)神經(jīng)元不連接，神經(jīng)元層按功能分為輸入層、隱藏層和輸出層。1984年Rumelhart[30]等人提出了誤差反向傳播神經(jīng)網(wǎng)絡(luò)，其是按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，也是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。它通過在每輪迭代中采用廣義感知機學(xué)習(xí)規(guī)則對權(quán)重和閾值參數(shù)進(jìn)行更新估計，具有非常強的函數(shù)逼近能力，但不具備記憶能力。

圖2 一個隱藏層的 BP 神經(jīng)網(wǎng)絡(luò)Fig. 2 A hidden layer of BP neural network

1.2 LSTM神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)主要用于處理序列數(shù)據(jù)，其最大的特點就是神經(jīng)元在某時刻的輸出可以作為輸入再次輸入到神經(jīng)元，這種串聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)非常適合于時間序列數(shù)據(jù)，可以保持?jǐn)?shù)據(jù)中的依賴關(guān)系，且具有一定記憶能力[31]。但大量實踐表明，RNN很難實現(xiàn)信息的較長時間保存，Bengio[32]等認(rèn)為RNN在不斷迭代過程中存在梯度消失和梯度爆炸的問題導(dǎo)致其應(yīng)用效果不佳。

為解決長期依賴的問題，Hochreiter等[33]在RNN的基礎(chǔ)上提出了長短期記憶網(wǎng)絡(luò)，之后Graves[34]對其進(jìn)行了優(yōu)化。如圖3所示，與M-P神經(jīng)元相比，LSTM單元的結(jié)構(gòu)更加復(fù)雜，其可通過遺忘門(f)、輸入門(i)和輸出門(o)三種門控使信息有選擇地添加或減少，LSTM單元每個時刻的輸入包含前一時刻的記憶單元(C)狀態(tài)、隱狀態(tài)和當(dāng)前時刻輸入。首先是當(dāng)前時刻輸入和前一時刻隱狀態(tài)，依次通過遺忘門和輸入門，完成記憶單元狀態(tài)的更新，然后根據(jù)更新后的記憶單元狀態(tài)和輸出門，完成隱狀態(tài)的更新，這使其擁有較長的短期記憶能力，并避免了梯度消失和爆炸的問題。

圖3 LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 Structure of LSTM neural network

遺忘門可根據(jù)當(dāng)前時刻輸入和上一時刻隱狀態(tài)決定要忘記的信息，

輸入門根據(jù)當(dāng)前時刻輸入和上時刻隱狀態(tài)決定要添加的新信息，

記憶單元根據(jù)上一時刻狀態(tài)和產(chǎn)生的新信息對狀態(tài)進(jìn)行更新，

輸出門將當(dāng)前時刻輸入上一時刻隱狀態(tài)進(jìn)行合并計算，并利用當(dāng)前時刻的記憶單元狀態(tài)對隱狀態(tài)進(jìn)行更新，

其中，xt為當(dāng)前的輸入；ht-1為上一時刻的輸出；Wf為LSTM遺忘門中神經(jīng)元的權(quán)重矩陣；bf為LSTM遺忘門中神經(jīng)元的偏置向量；ft為LSTM遺忘門中神經(jīng)元的輸出；Wi為LSTM輸入門中神經(jīng)元的權(quán)重矩陣；bi為LSTM輸入門中神經(jīng)元的偏置向量；it為LSTM輸入門中神經(jīng)元的輸出；Wo為LSTM輸出門中神經(jīng)元的權(quán)重矩陣；bo為LSTM輸出門中神經(jīng)元的偏置向量；Ot為LSTM輸出門中神經(jīng)元的輸出；σ為sigmoid激活函數(shù)；C~t為LSTM記憶單元中新的信息；WC為LSTM記憶單元中神經(jīng)元的權(quán)重矩陣；bC為LSTM記憶單元中神經(jīng)元的偏置向量；Ct-1為上一時刻LSTM記憶單元的狀態(tài)，tanh為激活函數(shù)。

2 數(shù)據(jù)處理

鉆井、測井和錄井原始數(shù)據(jù)中通常含有較多的異常值和缺失值，會對模型的訓(xùn)練效果和計算效率產(chǎn)生較大的影響。因此合理的數(shù)據(jù)處理對于人工智能模型來說是至關(guān)重要的，不僅能夠提高模型的質(zhì)量，還可以減少模型的計算時間。為了保證地層孔隙壓力模型的計算精度，本文對原始鉆井、測井和錄井?dāng)?shù)據(jù)進(jìn)行了清洗、補全、相關(guān)性分析和歸一化等操作，建立了用于訓(xùn)練驗證和測試模型的高質(zhì)量數(shù)據(jù)集。

2.1 數(shù)據(jù)清洗

本文所使用的數(shù)據(jù)為國內(nèi)某油田提供的現(xiàn)場數(shù)據(jù)，包括鉆井工程參數(shù)、測斜參數(shù)、錄井參數(shù)和測井參數(shù)等50多種參數(shù)，利用python相關(guān)第三方庫對其進(jìn)行了異常值刪除、數(shù)據(jù)補全、鉆測錄數(shù)據(jù)拼接并分井保存等操作?；诼暡〞r差、密度等測井?dāng)?shù)據(jù)利用Eaton法計算地層孔隙壓力標(biāo)簽，并利用實測值對壓力剖面進(jìn)行校正作為地層孔隙壓力實際值，與實測點的相對誤差僅為2%左右，最終建立可用于訓(xùn)練的地層孔隙壓力樣本數(shù)據(jù)集。

2.2 相關(guān)性分析

相關(guān)性分析是量化不同因素間變動狀況一致程度的重要指標(biāo)。數(shù)據(jù)中往往存在大量的冗余或者不相關(guān)特征，且特征過多極易引發(fā)“維數(shù)災(zāi)難”，使得模型復(fù)雜度和計算時間大大增加。本文采用距離相關(guān)系數(shù)[35]來計算各參數(shù)與地層孔隙壓力之間的線性和非線性相關(guān)性，并結(jié)合鉆井經(jīng)驗知識優(yōu)選模型輸入特征。

距離相關(guān)系數(shù)既能反映變量之間的線性關(guān)系，也可以在一定程度上反映各變量之間的非線性關(guān)系，且不需要任何的模型假設(shè)和參數(shù)條件[36]。距離相關(guān)系數(shù)Rn(X,Y)的計算公式如下，

距離相關(guān)系數(shù)僅從統(tǒng)計學(xué)角度在一定程度上分析了各參數(shù)與地層孔隙壓力之間的線性和非線性相關(guān)性，但鉆井、測井和錄井參數(shù)與地層孔隙壓力之間存在著復(fù)雜的非線性關(guān)系，因此需要結(jié)合鉆井經(jīng)驗知識綜合選取輸入特征。由鉆井經(jīng)驗知識可知，在正常地層沉積過程中，地層孔隙壓力隨井深的增加而逐漸增加；鉆進(jìn)時若遇到異常高壓會導(dǎo)致鉆速、電導(dǎo)率增加，鉆時、鉆壓、dc指數(shù)和鉆井液密度降低；聲波時差、自然伽馬和密度測井則能反映地層孔隙度和巖性的變化情況。

本文計算了各參數(shù)與地層孔隙壓力之間的距離相關(guān)系數(shù)，如圖4所示，由統(tǒng)計學(xué)知識可知，相關(guān)系數(shù)為0.4～0.6為中等程度相關(guān)，0.6～0.8為強相關(guān)，0.8～1.0為極強相關(guān)，以相關(guān)性強度大于0.4為標(biāo)準(zhǔn)并結(jié)合經(jīng)驗知識確定了標(biāo)準(zhǔn)井深、鉆時、dc指數(shù)、鉆壓、立管壓力、出口流量、入口密度、當(dāng)量密度、入口電導(dǎo)率、出口電導(dǎo)率、大鉤負(fù)荷、泵沖速等12種鉆錄井參數(shù)和井徑、聲波時差、自然伽馬、密度4種測井參數(shù)為輸入。

圖4 距離相關(guān)系數(shù)Fig. 4 Distance correlation coefficient

2.3 數(shù)據(jù)規(guī)范化處理

數(shù)據(jù)規(guī)范化是一個常用的數(shù)據(jù)預(yù)處理操作，目的是處理不同規(guī)模和量綱的數(shù)據(jù)，使其縮放到相同的數(shù)據(jù)區(qū)間和范圍，以減少規(guī)模、特征、分布差異等對模型的影響。常用的數(shù)據(jù)規(guī)范化方法有Z-Score和Max-Min等，考慮到鉆井是一個隨深度的變化的序列化過程，井深、鉆壓等參數(shù)并不符合正態(tài)分布，為消除量綱和減小各參數(shù)的不同數(shù)量級對模型性能的影響，本文采取Max-Min方法對測井、鉆錄井?dāng)?shù)據(jù)進(jìn)行歸一化處理。

3 模型搭建與參數(shù)優(yōu)選

3.1 模型評價指標(biāo)

對模型的表現(xiàn)性能進(jìn)行評價是機器學(xué)習(xí)建模的一個重要環(huán)節(jié)，這不僅僅需要有效可行的估計方法，還需要有衡量模型泛化能力的評價標(biāo)準(zhǔn)。本文所研究的地層孔隙壓力計算屬于回歸問題，常用的評價指標(biāo)有平均絕對誤差(Mean Absolute Error,MAE)、均方根誤差(Root Mean Squared Error,RMSE)和平均相對誤差(Mean Relative Error,MRE)。

平均絕對誤差是真實值與預(yù)測值之間絕對誤差的平均值，能更好地反映預(yù)測值誤差的實際情況，其計算公式為：

均方根誤差可用來衡量預(yù)測值與真實值之間的偏差，計算公式為：

平均相對誤差指真實值與預(yù)測值的相對誤差的平均值，其計算公式為：

式中ytrue表示樣本真實值；ypredict表示樣本預(yù)測值；N為樣本數(shù)量。

3.2 模型搭建

考慮到鉆井是一個與深度相關(guān)的序列性過程，且地層的沉積過程屬于時序性過程，由于LSTM神經(jīng)網(wǎng)絡(luò)適合處理時序性問題，故采用LSTM神經(jīng)網(wǎng)絡(luò)算法來提取鉆測錄數(shù)據(jù)前后存在的序列性關(guān)系，進(jìn)而利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)一步挖掘各變量與地層孔隙壓力間的非線性關(guān)系，LSTM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示。

圖5 LSTM-BP 網(wǎng)絡(luò)結(jié)構(gòu)模型(T為輸入步長，x為不同的輸入特征)Fig. 5 LSTM-BP network structure model (T is the input step size, x is the different input features)

3.3 地層孔隙壓力單井計算模型參數(shù)優(yōu)選

本文首先采用某油田區(qū)塊T-1井進(jìn)行地層孔隙壓力計算模型的訓(xùn)練驗證和測試，其中共5980條數(shù)據(jù)，前75%數(shù)據(jù)用于訓(xùn)練和驗證，后25%數(shù)據(jù)用于模型測試。模型采用Adam優(yōu)化器進(jìn)行訓(xùn)練，與傳統(tǒng)梯度下降算法相比，Adam優(yōu)化器能夠在訓(xùn)練迭代過程中自適應(yīng)調(diào)整學(xué)習(xí)率，顯著提升模型學(xué)習(xí)速度[37]。采用dropout方法隨機使隱藏層神經(jīng)元以一定概率失活，來提升模型泛化能力并防止模型過擬合。前期預(yù)訓(xùn)練實驗結(jié)果表明，當(dāng)輸入序列長度為1，dropout參數(shù)為0.2，訓(xùn)練迭代輪數(shù)為300，批尺度為50時模型能達(dá)到較好的效果，故利用交叉驗證方法對LSTM神經(jīng)網(wǎng)絡(luò)層數(shù)(2層、3層)、LSTM神經(jīng)網(wǎng)絡(luò)門控的神經(jīng)單元數(shù)(10個、12個)、BP神經(jīng)網(wǎng)絡(luò)層數(shù)(2層、3層)、BP神經(jīng)網(wǎng)絡(luò)每層單元數(shù)(20個、24個)和激活函數(shù)(relu、tanh、sigmoid)共48種模型參數(shù)組合進(jìn)行優(yōu)選，不同模型參數(shù)的部分測試結(jié)果如表1所示。

利用MAE、RMSE、MRE和計算時間4個評價指標(biāo)對模型參數(shù)進(jìn)行優(yōu)選，這4個指標(biāo)越小表明模型的擬合能力越強。由表1和圖6可以看出，第1個參數(shù)組合的模型表現(xiàn)最佳，其在測試集上的MAE為4.9169 MPa，RMSE為6.6521 MPa，MRE為4.36%，與實測點的平均相對誤差為8.39%，遠(yuǎn)低于其他模型，雖然第二個模型的計算時間略低于第一個，但是綜合考慮所有參數(shù)考慮，本文認(rèn)為第一個模型為最優(yōu)模型。

圖6 不同單井模型評價指標(biāo)對比Fig. 6 Comparison of evaluation indexes of different single well models

表1 不同單井模型參數(shù)下的測試集效果 (前 20)Table 1 Effect of test set under different single well model parameters (Top 20)

3.4 地層孔隙壓力鄰井計算模型參數(shù)優(yōu)選

單井計算模型只是針對1口井進(jìn)行訓(xùn)練測試，往往只適用于利用一口井上部數(shù)據(jù)訓(xùn)練模型，下部數(shù)據(jù)進(jìn)行計算的情況。利用其來計算鄰井地層孔隙壓力效果并不理想，為提高地層孔隙壓力計算模型的在該油田區(qū)塊的泛化能力，采用某油田區(qū)塊T-2井、T-3井和T-4井進(jìn)行訓(xùn)練和驗證，利用T-1井進(jìn)行模型的測試。選取模型的輸入序列長度為1，dropout參數(shù)為0.2，訓(xùn)練迭代輪數(shù)為400，批尺度為100，采用交叉驗證方法LSTM神經(jīng)網(wǎng)絡(luò)層數(shù)(2層, 3層)、LSTM神經(jīng)網(wǎng)絡(luò)門控的神經(jīng)單元數(shù)(10個, 12個,14個)、BP神經(jīng)網(wǎng)絡(luò)層數(shù)(2層, 3層)、BP神經(jīng)網(wǎng)絡(luò)每層單元數(shù)(20個, 24個, 28個)和激活函數(shù)(relu, tanh, sigmoid)共5種模型參數(shù)進(jìn)行優(yōu)選。部分模型測試結(jié)果如表2所示。

(續(xù)表)

由表2和圖7可以看出，第4和第6個模型表現(xiàn)都較好，在測試集上的MAE分別為2.698 MPa、2.336 MPa，RMSE分 別 為3.708 MPa、3.030 MPa，MRE分別為8.76%、8.31%。與實測點的平均相對誤差分別為2.04%和1.23%。由于均方根誤差計算時將誤差平方，其受異常值影響較大，當(dāng)其于平均絕對誤差的比值越小，模型效果越好。結(jié)合實際預(yù)測效果，如圖8所示，選取第6個模型為最優(yōu)。

圖8 兩種不同參數(shù)的鄰井模型預(yù)測效果對比Fig. 8 Comparison of prediction effects of two adjacent well models with different parameters

表2 不同鄰井模型參數(shù)下的測試集效果 (前 20)Table 2 Effect of test set under different adjacent well model parameters (Top 20)

4 不同算法模型對比

為了證明LSTM-BP模型的效果，本文還將其與BP神經(jīng)網(wǎng)絡(luò)模型、LSTM神經(jīng)網(wǎng)絡(luò)模型和SVM模型進(jìn)行了對比分析。

在地層孔隙壓力單井計算模型方面，采用T-1井的數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)模型、LSTM神經(jīng)網(wǎng)絡(luò)模型和SVM模型進(jìn)行訓(xùn)練驗證和測試，前75%的數(shù)據(jù)進(jìn)行訓(xùn)練和驗證，后25%的數(shù)據(jù)進(jìn)行測試；在地層孔隙壓力鄰井計算模型方面，采用T-2、T-3、T-4井?dāng)?shù)據(jù)進(jìn)行訓(xùn)練驗證，采用T-1井?dāng)?shù)據(jù)測試。利用交叉驗證法對BP神經(jīng)網(wǎng)絡(luò)的層數(shù)(2層, 3層, 4層)、每層神經(jīng)單元數(shù)(24個, 28個, 32個)、激活函數(shù)(tanh, relu,sigmoid)、訓(xùn)練迭代輪數(shù)(300, 400)和批尺度(20, 50)進(jìn)行優(yōu)選；對LSTM神經(jīng)網(wǎng)絡(luò)的層數(shù)(2層, 3層)、神經(jīng)單元數(shù)(10個, 12個, 14個)、激活函數(shù)(tanh, relu,sigmoid)、訓(xùn)練迭代輪數(shù)(300, 400)和批尺度(20, 50)進(jìn)行優(yōu)選；對SVM模型的核函數(shù)、核函數(shù)系數(shù)、懲罰參數(shù)和epsilon參數(shù)進(jìn)行優(yōu)選。BP模型、LSTM模型與SVM模型參數(shù)優(yōu)選結(jié)果如表3所示。

表3 BP 神經(jīng)網(wǎng)絡(luò)模型、LSTM 神經(jīng)網(wǎng)絡(luò)模型和 SVM 模型參數(shù)優(yōu)選結(jié)果Table 3 Results of parameter preferences for BP neural network model, LSTM neural network model and SVM model

在地層孔隙壓力單井計算方面，LSTM-BP模型的MAE為4.9169 MPa、RMSE為6.6521 MPa、MRE為4.36%，與實測點相對誤差為8.39%。均低于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型、LSTM模型和SVM模型。四種最優(yōu)模型的計算值與實際值的對比如圖9所示，誤差對比如圖10所示。

圖9 不同單井模型計算值與實際值對比 (T-1 井 4589 m～6088 m)Fig. 9 Comparison of calculated and actual values of different single well models (T-1 Well 4589 m～6088 m)

圖10 四種單井模型誤差對比Fig. 10 Comparison of errors in four single well models

在地層孔隙壓力鄰井計算方面，LSTM-BP模型的MAE為2.3357 MPa、RMSE為3.0295 MPa、MRE為8.31%，與實測點的平均相對誤差為1.23%。也均小于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型、LSTM模型和SVM模型，四種最優(yōu)模型誤差對比如圖11所示，計算值與實際值的對比如圖12所示。

圖11 四種鄰井模型誤差對比Fig. 11 Comparison of errors in four adjacent well models

圖12 不同鄰井模型計算值與實際對比 (T-1 井 3100 m～6088 m)Fig. 12 Comparison of calculated and actual values from different adjacent well models (T-1 Well 3100 m～6088 m)

由此可以看出，本文所建立的LSTM-BP神經(jīng)網(wǎng)絡(luò)計算模型的表現(xiàn)要優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型、LSTM神經(jīng)網(wǎng)絡(luò)模型和SVM模型，這是可能由于增加了LSTM層后，神經(jīng)網(wǎng)絡(luò)模型能夠較好的學(xué)習(xí)到測井和鉆錄井?dāng)?shù)據(jù)中存在的關(guān)鍵的序列性特征信息，這些信息經(jīng)過BP神經(jīng)網(wǎng)絡(luò)層的進(jìn)一步的融合，建立了鉆-測-錄數(shù)據(jù)與地層孔隙壓力之間復(fù)雜的非線性映射關(guān)系，使LSTM-BP神經(jīng)網(wǎng)絡(luò)模型在處理鉆井工程和地層沉積等序列性問題上具有較大的優(yōu)勢。

5 結(jié)論

(1)本文利用距離相關(guān)系數(shù)分析了地層孔隙壓力與鉆井、測井以及錄井參數(shù)之間的相關(guān)性，結(jié)合鉆井經(jīng)驗知識優(yōu)選出了標(biāo)準(zhǔn)井深、鉆時、dc指數(shù)、立管壓力、當(dāng)量密度、出口電導(dǎo)率、泵沖速、井徑、聲波時差、自然伽馬、密度測井等16種參數(shù)作為模型輸入?yún)?shù)。

(2)考慮了鉆井過程與地層沉積過程的序列性，分析了鉆井、測井和錄井參數(shù)與地層孔隙壓力之間具有較強的非線性關(guān)系，構(gòu)建了LSTM-BP神經(jīng)網(wǎng)絡(luò)模型，采用LSTM層提取輸入?yún)?shù)中關(guān)鍵的序列性特征信息，進(jìn)而通過BP層來構(gòu)建參數(shù)與地層孔隙壓力之間的非線性映射關(guān)系。

(3)將LSTM-BP模型與優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型、LSTM神經(jīng)網(wǎng)絡(luò)模型和SVM模型進(jìn)行對比，結(jié)果表明LSTM-BP神經(jīng)網(wǎng)絡(luò)模型的精度最高，較傳統(tǒng)方法有了較大的提升，為地層孔隙壓力提供了一種新的智能計算方法。