(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110786598.1 (22)申请日 2021.07.12 (71)申请人 中国石油大 学(北京) 地址 102249 北京市昌平区府学路18号 (72)发明人 宋先知　裴志君　李根生　黄中伟　 田守嶒　史怀忠　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 代理人 侯天印　郝博 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) E21B 45/00(2006.01) (54)发明名称 机械钻速预测方法及装置 (57)摘要 本发明公开了一种机械钻速预测方法及装 置， 其中方法包括： 获得机械钻井数据； 根据破岩 机理信息， 对机械钻井数据进行分类； 将类型为 线性关系参数的机械钻井数据输入预先训练好 的单输入线性神经网络模型， 输出线性相关参 数； 将类型为非线性关系参数的机械钻井数据输 入预先训练好的深度神经网络模 型， 输出非线性 拟合参数； 将类型为模糊线性关系参数的机械钻 井数据输入预先训练好的混合输入线性神经网 络模型， 输 出线性拟合参数； 将线性相关参数， 非 线性拟合参数和线性拟合参数输入预先训练好 的交叉神经网络模型， 输出机械钻速预测结果。 本发明可以预测机械钻速， 在发掘数据背后物理 机理的基础上提高预测精度。 权利要求书2页 说明书8页 附图5页 CN 114065603 A 2022.02.18 CN 114065603 A 1.一种机 械钻速预测方法， 其特 征在于， 包括： 获得机械钻井数据； 根据破岩机理信 息， 对所述机械钻井数据进行分类， 机械钻井数据的类型包括： 线性关 系参数、 非线性关系参数和模糊线性关系参数； 将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型， 输出线性相关参数， 其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的 线性拟合网络结构； 将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型， 输出 非线性拟合 参数； 将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网 络模型， 输出线性拟合 参数， 其中所述混合输入线性神经网络模型中包 含线性神经 元； 将所述线性相关参数， 非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网 络模型， 输出机 械钻速预测结果。 2.如权利要求1所述的机械钻速预测方法， 其特征在于， 所述深度神经网络模型包含属 性内组合层和 属性外组合层； 将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型， 输出 非线性拟合 参数包括： 将类型为非线性关系参数的机 械钻井数据输入属性内组合层， 输出属性类型； 分别对各属性类型的机 械钻井数据进行非线性组合计算， 得到对应的计算结果； 将非线性组合计算的结果输入属性外组合层， 输出非线性拟合参数， 所述属性外组合 层包含多层全连接神经网络 。 3.如权利要求2所述的机械钻速预测方法， 其特征在于， 所述属性类型包括： 地质参数， 钻井液参数和工程 参数； 分别对各属性类型的机 械钻井数据进行非线性组合计算， 得到对应的计算结果， 包括： 对属性类型为 地质参数的机 械钻井数据进行非线性组合计算， 得到岩石强度参数； 对属性类型为钻井液参数的机械钻井数据进行非线性组合计算， 得到钻井液交叉参 数； 对属性类型为工程 参数的机 械钻井数据进行非线性组合计算， 得到 工程交叉参数。 4.如权利要求1所述的机械钻速预测方法， 其特征在于， 将所述线性相关参数， 非线性 拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型， 输出机械钻速预测结果包 括： 利用交叉神经网络模型的因子分解机网络计算所述线性相关参数， 非线性拟合参数和 线性拟合 参数之间的高阶交叉参数； 对所述高阶交叉参数进行线性拟合； 根据线性拟合的结果确定 机械钻速预测结果。 5.一种机 械钻速预测装置， 其特 征在于， 包括： 数据获得模块， 用于获得机 械钻井数据； 数据分类模块， 用于根据破岩机理信 息， 对所述机械钻井数据进行分类， 机械钻井数据 的类型包括： 线性关系参数、 非线性关系参数和模糊线性关系参数；权　利　要　求　书 1/2 页 2 CN 114065603 A 2线性相关参数预测模块， 用于将类型为线性关系参数的机械钻井数据输入预先训练好 的单输入线性神经网络模型， 输出线性相关参数， 其中所述单输入线性神经网络模型中包 含机械钻井数据与机 械钻速的线性拟合网络结构； 非线性拟合参数预测模块， 用于将类型为非线性关系参数的机械钻井数据输入预先训 练好的深度神经网络模型， 输出非线性拟合 参数； 线性拟合参数预测模块， 用于将类型为模糊线性关系参数的机械钻井数据输入预先训 练好的混合输入线性神经网络模型， 输出线性拟合参数， 其中所述混合输入线性神经网络 模型中包 含线性神经 元； 机械钻速预测模块， 用于将所述线性相关参数， 非线性拟合参数和线性拟合参数输入 预先训练好的交叉神经网络模型， 输出机 械钻速预测结果。 6.如权利要求5所述的机械钻速预测装置， 其特征在于， 所述深度神经网络模型包含属 性内组合层和 属性外组合层； 非线性拟合 参数预测模块进一 步用于： 将类型为非线性关系参数的机 械钻井数据输入属性内组合层， 输出属性类型； 分别对各属性类型的机 械钻井数据进行非线性组合计算， 得到对应的计算结果； 将非线性组合计算的结果输入属性外组合层， 输出非线性拟合参数， 所述属性外组合 层包含多层全连接神经网络 。 7.如权利要求6所述的机械钻速预测装置， 其特征在于， 所述属性类型包括： 地质参数， 钻井液参数和工程 参数； 非线性拟合 参数预测模块进一 步用于： 对属性类型为 地质参数的机 械钻井数据进行非线性组合计算， 得到岩石强度参数； 对属性类型为钻井液参数的机械钻井数据进行非线性组合计算， 得到钻井液交叉参 数； 对属性类型为工程 参数的机 械钻井数据进行非线性组合计算， 得到 工程交叉参数。 8.如权利要求5所述的机械钻速预测装置， 其特征在于， 机械钻速预测模块进一步用 于： 利用交叉神经网络模型的因子分解机网络计算所述线性相关参数， 非线性拟合参数和 线性拟合 参数之间的高阶交叉参数； 对所述高阶交叉参数进行线性拟合； 根据线性拟合的结果确定 机械钻速预测结果。 9.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至4任一所述方 法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有执行权利 要求1至4任一所述方法的计算机程序。权　利　要　求　书 2/2 页 3 CN 114065603 A 3