一种钻井多工况在线监测方法、设备、介质及产品

本发明涉及钻井工程和深度学习领域，特别是涉及一种钻井多工况在线监测方法、设备、介质及产品。

背景技术：

1、目前钻井作业工况识别任务主要是人工坐班监控各种仪器，观察井下传回数据是否发生异常，这非常依赖操作人员的素质和经验，无法实现超前预测和精细化预测。

2、目前研究主要集中在训练一种或几种机器学习或深度学习模型，对现场钻井井下数据进行实时监测，仍然没有解决超前预测的问题，且神经网络虽然可以学习到多维特征间潜在的非线性关系，但其不具备可解释性且需要事先使用大量数据进行训练，这限制了如溢流、井塌、井漏等数据量稀少的井下复杂情况的预测精度和效果，过少的数据量导致过拟合风险偏高，上述问题直接使得传统机器学习和神经网络方法对于具有高投入、高风险的深井钻探现场来说的可信度不高。

技术实现思路

1、本发明的目的是提供一种钻井多工况在线监测方法、设备、介质及产品，以解决传统监测方法的可信度低且无法超前预测钻井工况的问题。

2、为实现上述目的，本发明提供了如下方案：

3、一种钻井多工况在线监测方法，包括：

4、对油田区块中各井在不同钻井工况下的原始多源数据进行预处理；所述钻井工况包括复杂工况以及常规工况；所述原始多源数据包括测井数据、录井数据以及地震数据；

5、根据预处理后的多源数据，构建各钻井工况下的测录井数据对应的多维候选子序列空间，提取多维候选子序列的shapelet特征序列；所述shapelet特征序列为多分类特征序列；

6、将所述预处理后的多源数据中每维特征作为图结构中的节点，训练多通道图注意力卷积网络，输出第一数据性状态以及动态计算得到的第一注意力权重值；

7、获取待钻井设定距离内的已钻临井多源数据，并对所述已钻临井多源数据进行预处理；

8、将不同临井作为图结构中的节点，将待钻井作为中心节点，构造由临井指向待钻井的有向图，由井距构建邻接矩阵，根据多头图注意力网络挖掘预处理后的已钻临井多源数据的地质信息，输出第二数据形状以及计算得到的第二注意力权重值；

9、融合所述第一数据形状以及所述第二数据形状，生成融合的多源特征；

10、基于所述融合的多源特征，构建退火算法优化的多通道因果卷积模型；

11、基于所述shapelet特征序列，利用所述退火算法优化的多通道因果卷积模型对各钻井工况下的钻井数据进行时序超前预测，并利用多维shapelet识别模型对当前实时井下数据进行多工况监测。

12、可选的，根据预处理后的多源数据，构建各钻井工况下的测录井数据对应的多维候选子序列空间，提取多维候选子序列的shapelet特征序列，具体包括：

13、利用基于多维序列形状以及时频信息的多判别器变分生成模型对复杂工况下的预处理后的多源数据进行数据增强；所述多判别器变分生成模型包括变分编码器、判别器以及分类器；所述判别器包括形状度量器、频域度量器、时序度量器以及时频度量器；

14、根据增强后的数据划定多维候选子序列的起始点、结束点以及关键转折点，压缩所述多维候选子序列，构建各钻井工况下的多维候选子序列空间；所述多维候选子序列包括多维序列段的数据内容、起始时间戳或起始时的井深度数值、以及，结束时间戳或结束时的井深度数值；

15、基于所述多维候选子序列空间，遍历所有多维候选子序列，计算每个多维候选子序列与每类钻井工况下的多维测录井数据序列之间的相似性值；

16、将最小相似性值作为多维候选子序列与钻井工况下的多维测录井数据序列之间的距离，筛选小于距离阈值的多维候选子序列；

17、计算筛选的多维候选子序列的信息增益，并筛选出信息增益最大的前k个多维候选子序列作为shapelet特征序列；其中，k为筛选个数。

18、可选的，所述多通道图注意力卷积网络具体包括：依次连接的三层图卷积网络层、一层图池化层、一层batch normalization正则化层以及两层图注意力网络层；所述多通道图注意力卷积网络中的多通道分别输入测井数据、录井数据以及地震数据三种数据的序列数据，每个通道中的图卷积网络层的卷积核不同；三层图卷积网络层由依次连接的三层图卷积网络层堆叠组成，所述图卷积网络层使用二阶cheb多项式作为卷积核；所述多通道图注意力卷积网络的三层图卷积网络层和两层图注意力网络层均为动态图；

19、所述多通道图注意力卷积网络的输入和输出数据的形状均为邻接矩阵形状为其中，channel为通道数，ngnn1c为三个通道的节点数，tgnn_1为每个节点输入的特征向量长度。

20、可选的，所述有向图的构造方式为：

21、获取小于当前井的设定井距阈值的已钻临井，并确定已钻临井节点指向当前井节点的边关系；

22、对于已钻临井以及油田区块内的剩余井，构建由注水井指向生产井的边关系；

23、根据已钻临井节点指向当前井节点的边关系以及由注水井指向生产井的边关系构造有向图。

24、可选的，所述多头图注意力网络包括三层图注意力层以及两层全连接层；

25、三层图注意力层的输入和输出数据的形状为邻接矩阵形状为其中，channel为通道数，为油田区块内井的数量，feature为当前时间步时各口井的特征参数值，feature对应所述多通道图注意力卷积网络中的三个通道的节点数ngnn1c；

26、所述三层图注意力层循环执行ttcn次，所述多头图注意力网络输出的第二数据形状为

27、可选的，融合所述第一数据形状以及所述第二数据形状，生成融合的多源特征，具体包括：

28、利用两层全连接层将第二数据形状进行低维特征表示，生成低维特征表示的数据形状[channel,ttcn,feature]；

29、将低维特征表示的数据形状[channel,ttcn,feature]的二维度和三维度调换，并设置tgnn_1＝ttcn，变换为调换后的数据形状[channel,feature,ttcn]；

30、将调换后的数据形状[channel,feature,ttcn]与第一数据形状进行拼接，生成融合的多源特征；所述退火算法优化的多通道因果卷积模型输出的数据形状为[feature,ttcn]。

31、可选的，利用所述退火算法优化的多通道因果卷积模型对各钻井工况下的钻井数据进行时序超前预测，并利用多维shapelet识别模型对当前实时井下数据进行多工况监测，具体包括：

32、利用所述退火算法优化的多通道因果卷积模型对各钻井工况下的钻井数据进行时序超前预测，生成超前预测数据；

33、利用基于正常工况样本训练先验知识约束的自训练生成模型对所述超前预测数据进行异常识别，得到分析结果；所述分析结果为将发生异常钻井工况以及未发生异常钻井工况；

34、若所述分析结果为将发生异常钻井工况，利用多维shapelet识别模型对当前实时井下数据进行多工况监测。

35、一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述钻井多工况在线监测方法。

36、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述钻井多工况在线监测方法。

37、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述钻井多工况在线监测方法。

38、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明首先对收集到的油田区块中各井的多源数据进行预处理操作，构建各钻井工况下的测录井数据对应的多维候选子序列空间，提取多维候选子序列的shapelet特征序列，以进行多工况分类识别。此外还设计了两种多通道图注意力卷积网络以及多头图注意力网络，将两种网络输出的数据形状进行融合，分别从单井多维特征和油田区块内多井相关性这两种非欧空间进行表征学习以得到钻井情况的超前预测和因果关系展示，基于融合的多源特征，构建退火算法优化的多通道因果卷积模型，最后，基于shapelet特征序列，利用退火算法优化的多通道因果卷积模型对各钻井工况下的钻井数据进行时序超前预测，并利用多维shapelet识别模型对当前实时井下数据进行多工况监测，实现基于钻井实时资料和预测信息进行可解释的在线监测和超前预测，提高超前预测结果的可信性。