(19)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 202110832365.0 (22)申请日 2021.07.2 2 (65)同一申请的已公布的文献号 申请公布号 CN 114201824 A (43)申请公布日 2022.03.18 (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 万有维　熊健　刘向君　梁利喜　 丁乙　 (74)专利代理 机构 成都熠邦鼎立专利代理有限 公司 5126 3 专利代理师 李晓英 (51)Int.Cl. G06F 30/17(2020.01)G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (56)对比文件 CN 111749686 A,2020.10.09 CN 112901137 A,2021.0 6.04 CN 110397402 A,2019.1 1.01 CN 112253087 A,2021.01.2 2 夏宏泉等.基 于BP神经网络的岩石可钻性测 井计算研究. 《测井技 术》 .2004,(第02期),全 文. 张厚美， 张良万， 刘天生.钻头 选型方法研 究. 《天然气工业》 .19 94,(第05期),全文. 彭刚等.轮古区块深井复杂地层钻头 选型研 究与应用. 《钻 采工艺》 .201 1,(第05期),全文. 审查员 高宇峰 (54)发明名称 一种融合分析多 源数据的钻头优选方法 (57)摘要 本发明涉及一种融合分析多源数据的钻头 优选方法， 基于已钻井的地质资料、 钻井资料、 录 井资料、 测井资料以及实验测试资料等多源数 据， 从中提取出部分能反映地层性质的参数组成 钻头选型指标数据； 使用主成分分析方法对以上 钻头选型指标数据进行主成分分析， 开展降维处 理， 提取出累计贡献率占85%以上并能表征以上 多源钻头选型指标数据的彼此独立的综合指标， 作为最终的钻头选型指标数据。 以提取出的综合 指标作为神经网络的输入参数， 以实际钻井过程 中钻速和进尺均大于平均值的钻头类型作为标 签数据， 通过神经网络训练分析综合指标与钻头 类型之间的内在联系， 建立钻头选型的神经网络 数学模型， 从而实现邻井全井段钻头类型的优 选。 权利要求书2页 说明书5页 附图7页 CN 114201824 B 2022.08.23 CN 114201824 B 1.一种融合分析多源数据的钻头优选方法， 其特 征在于： 包括： 收集资料， 收集的资料包括地质资料、 钻井资料、 录井资料、 测井资料、 岩石力学及抗钻 特性参数； 从收集的资料中提取出所有钻井时使用过的钻头类型， 从中筛选出钻速和进尺均 大于 平均值的钻头类型作为钻头 选型标签数据； 从收集的资料中提取出所述筛选出的钻头所钻进层位的地层特征参数， 将所述地层特 征参数组成钻头 选型指标 数据； 对所述钻头选型指标数据进行主成分分析， 提取出累计贡献率达预设比例并能表征所 述钻头选型指标 数据的前n项相互独立的主成分作为钻头 选型综合指标； 基于钻头选型标签数据和钻头选型综合指标数据， 采用神经网络算法， 建立钻头选型 神经网络模型； 将待预测钻头类型井的相关地层特征参数输入所述钻头选型神经网络模型， 获取该井 全井段预测钻头类型。 2.根据权利要求1所述的融合分析多源数据的钻头优选方法， 其特征在于： 所述钻头选 型指标数据包括： 地质分层 、 钻速 、 钻井液密度 、 钻井液类型 、 岩性 、 扩径率k、 自然伽马GR、 自然电位SP、 声波时差AC、 浅电阻率 、 深电阻率 、 单轴抗压强度UCS、 内聚 力C、 内摩擦角φ、 硬度 、 可钻性级值 、 研磨性 。 3.根据权利要求1或2所述的融合分析多源数据的钻头优选方法， 其特征在于： 提取出 累计贡献率占85.85%的前 7项相互独立的主成分作为钻头 选型综合指标。 4.根据权利要求3所述的融合分析多源数据的钻头优选方法， 其特征在于： 第 一项主成 分可表征硬度、 单轴抗压强度、 研磨性、 可钻性级值、 声 波时差、 内聚力； 第二项主成分可表征钻井液密度、 地质分层、 岩性和钻井液类型； 第三项主成分可表征浅电阻率； 第四项主成分可表征内摩擦角； 第五项主成分可表征深电阻率和自然伽马； 第六项主成分可表征扩径率和自然电位； 第七项主成分可表征钻速 。 5.根据权利要求1、 2或4所述的融合分析多源数据的钻头优选方法， 其特征在于： 对所 述钻头类型 标签数据、 钻头 选型综合指标 数据进行归一 化处理； 以归一化处理后的钻头选型综合指标数据作为神经网络输入数据， 归一化处理后的钻 头类型标签数据作为神经网络输出数据， 对构建的钻头选型神经网络进行训练， 获得所述 钻头选型神经网络模型。 6.根据权利要求5所述的融合分析多源数据的钻头优选方法， 其特征在于： 神经网络为 深度置信神经网络 。 7.根据权利要求6所述的融合分析多源数据的钻头优选方法， 其特征在于： 神经网络的 网络层数以及节点数根据输入参数实际情况分别设置， 具体如下：权　利　要　求　书 1/2 页 2 CN 114201824 B 2神经网络共4层， 其中受限玻尔兹曼机个数为2个， 设置 网络输入层节点数为7， 第1层隐 含层节点数为28， 第2层隐含层节点数为14， 输出层节点数为1。 8.根据权利要求7所述的融合分析多源数据的钻头优选方法， 其特征在于： 设置每个受 限玻尔兹曼机训练次数为200000次， 每次随机的样 本数量为训练样 本总数， 学习率为0.05， 反向微调层训练函数为sigmoi d， 训练次数为200000 次， 反向微调层激活函数为logsig， 反 向微调层误差计算 函数为traingdx。权　利　要　求　书 2/2 页 3 CN 114201824 B 3