(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 202110636358.3 (22)申请日 2021.06.08 (65)同一申请的已公布的文献号 申请公布号 CN 113268803 A (43)申请公布日 2021.08.17 (73)专利权人 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 岳元龙　李仙琳　左信　高小永　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 谢层层　李雅琪 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01) G06F 119/08(2020.01) G06F 119/10(2020.01) (56)对比文件 CN 111827982 A,2020.10.27 CN 110852018 A,2020.02.28 CN 111191836 A,2020.0 5.22 张博等.面向早期溢流 监测的钻井 工程参数 仿真建模方法. 《录 井工程》 .2019,(第04期), 审查员 慈丽雁 (54)发明名称 钻井溢流诊断模 型的生成方法、 钻井 溢流诊 断方法及装置 (57)摘要 本申请实施方式公开了钻井溢流诊断模型 的生成方法、 钻井溢流诊断方法及装置， 其中所 述模型的生成方法包括： 获取发生溢流事件的钻 井的多组历史数据， 多组历史数据中的部分采集 于溢流事件发生前， 其余部分采集于溢流事件发 生期间， 其中每组历史数据包括同一时刻采集的 用于表示钻井 现场状况的多维现场数据； 获取多 组历史数据中的部分组分别对应的标记数据； 以 多组历史数据以及对应的标记数据作为多个训 练样本， 训练神经网络模型， 得到钻井溢流诊断 模型； 其中， 每个训练样本中的多维现场数据作 为模型的输入 数据， 钻井是否已发生溢流事件的 标记数据作为模 型的输出数据。 本方案训练神经 网络无需所有训练样本均对应有标记数据， 从而 减少人力及时间成本 。 权利要求书4页 说明书14页 附图8页 CN 113268803 B 2022.11.29 CN 113268803 B 1.一种钻井溢流诊断模型的生成方法， 其特 征在于， 包括： 获取发生溢流事件的钻井的多组历史数据， 所述多组历史数据中的部分采集于溢流事 件发生前， 其余部分采集于溢流事件发生期间， 其中每组历史数据包括同一时刻采集的用 于表示钻井现场状况的多维现场数据； 获取所述多组历史数据中的部分组分别对应的标记数据， 所述标记数据用于表示在一 组历史数据被采集的时刻钻井是否已发生溢流事 件； 以所述多组历史数据以及对应的标记数据作为多个训练样本， 训练神经网络模型， 得 到钻井溢流诊断模型； 其中， 每个训练样本中的多维现场数据作为模 型的输入数据， 钻井是 否已发生溢流事件的标记数据作为模型 的输出数据； 其中， 所述以所述多组历史数据以及 对应的标记数据作为多个训练样本， 训练神经网络模型， 得到钻井溢流诊断模型的步骤， 包 括： 确定神经网络模型的单隐含层节点的数量， 选取激活函数， 并随机初始化各个隐含层 节点的输入权 重及偏置， 得到隐含层各节点的输出矩阵H； 选取相似性度量 函数， 基于训练样本的输入数据组成的矩阵建立图拉普拉斯矩阵L； 选取正则化参数C0， 计算惩罚矩阵C； 其中， 惩罚矩阵C为对角矩阵， 每个对角元素与一个 具有标记数据的训练样本对应， 其第i行第i列的元素为Ci＝C0/Ny， 并且当Ci所对应的训练 样本中的标记数据表示已发生溢流事件时， Ny为标记数据表示已发生溢流事件的训练样本 的数量； 当Ci所对应的训练样本中的标记数据表示未发生溢流事件时， Ny为标记数据表示 未 发生溢流事 件的训练样本的数量； 根据等式β ＝(I+HTCH+λHTLH)‑1HTCY求解隐含层的输出权重， 得到神经网络模型Y＝Hβ； 其中， I为单位矩阵， λ为预 先选取的流形正则化 参数， x1、 x2……xN为神经网络模型的输入数据， N为输入数据的个数， 为隐含层节点的个 数， g(x)为隐含层的激活函数， m为输入 数据的维数， w1、 w2……wN％分别为神经网络隐含层各 节点的输入权重， N％为隐含层节点数， b1、 b2……bN％分别为神经网络隐含层各节 点的偏置； H表示隐含层各节点的输出， β1, β2L 为求解出的隐含层的输出权重； y1,y2L yN为神经网络 模型的输出 数据。 2.根据权利要求1所述的钻井溢流诊断模型的生成方法， 其特 征在于， 还 包括： 另外获取发生溢流事件的钻井的多组历史数据， 所述多组历史数据中的部分采集于溢 流事件发生前， 其余部分采集于溢流事件发生期间， 其中每组历史数据包括同一时刻采集 的用于表示钻井现场状况的多维现场数据； 获取所述多组历史数据中的每一组分别对应的标记数据， 所述标记数据用于表示在对 应的一组历史数据被采集的时刻钻井是否已发生溢流事 件；权　利　要　求　书 1/4 页 2 CN 113268803 B 2将所述多组历史数据依次输入已训练的神经网络模型， 分别得到对应的输出 数据； 判断每组历史数据对应的输出数据与 标记数据属于以下哪一种情形： 输出数据和标记 数据均表示已发生溢流事件、 输出数据和标记数据均表示未发生溢流事件、 输出数据表示 已发生溢流事件且标记数据表示未发生溢流事件、 输出数据 表示未发生溢流事件且标记数 据表示已发生溢流事 件； 根据所述多组历史数据对应的情形计算 准确率和/或召回率； 当所述准确率和/或所述召回率未达到预定阈值时， 调整正则化参数C0和/或流形正则 化参数 λ， 重新计算隐含层的输出权 重， 从而得到新的神经网络模型； 其中， 所述 准确率的计算公式为 所述召回率的计算公式为 TP表示所对应的输出数据和标记数据均表示已发生溢流事件的历史数据的组数， TN表 示所对应的输出数据和标记数据均 表示未发生溢流事件的历史数据的组数， FP表示所对应 的输出数据 表示已发生溢流事件且标记数据 表示未发生溢流事件的历史数据的组数， FN表 示所对应的输出数据表示未发生溢流事件且标记数据表示已发生溢流事件的历史数据的 组数。 3.根据权利要求1所述的钻井溢流诊断模型的生成方法， 其特征在于， 还包括： 对所获 取的历史数据进行降维处 理； 相应地， 所述以所述多组历史数据以及对应的标记数据作为多个训练样本， 训练神经 网络模型， 得到钻井溢流诊断模型 的步骤为： 以所述多组历史数据降维后得到的数据以及 对应的标记数据作为多个训练样本， 训练神经网络模型， 得到钻井溢流诊断模型； 其中， 每 个训练样本中的多维现场数据降维后得到的数据作为模型的输入数据， 钻井是否已发生溢 流事件的标记数据作为模型的输出 数据。 4.根据权利要求3所述的钻井溢流诊断模型的生成方法， 其特征在于， 采用以下方法对 历史数据进行降维处 理： 基于选取的核函数计算核矩阵， 所述核矩阵等价于映射矩阵的转置与 所述映射矩阵的 乘积， 所述映射矩阵用于将数据映射到一个高维特 征空间； 计算核矩阵的特 征值 λ1, λ2,L, λn以及对应的特 征向量u1,u2,L,un； 采用施密特正交化方法得到单位 正交的特 征向量α1, α2,L, αn； 通过以下公式依次计算特 征值 λ1, λ2,L, λn的累积贡献率C1,C2,L,Cn： 确定累积 贡献率首 次大于预定阈值时特征值的下标l， 并选取前l个特征值λ1, λ2,L, λl， 以及对应的单位 正交特征向量α1, α2,L, αl； 计算核矩阵在前l个单位正交特征向量α1, α2,L, αl上的投影， 即得到降维后的输入数 据。 5.一种钻井溢流诊断方法， 其特 征在于， 包括：权　利　要　求　书 2/4 页 3 CN 113268803 B 3