CN111794741A - 滑动定向钻井模拟机实现方法 - Google Patents

Abstract

本发明公开了一种滑动定向钻井模拟机实现方法，包括如下步骤：获取滑动定向训练数据集，同时生成随机噪声；进行数据处理与数据整理，同时生成模型利用随机噪声生成数据样本；采用判别模型判断数据来源，生成基于GAN的对抗网络，形成滑动定向数据模型；自动生成多类别的滑动定向数据，获取有效扩增数据，形成扩增滑动数据集。本发明通过提供滑动定向训练数据集，并进行数据处理和数据整理，为判断模型提供有效真实数据，通过生成模型生成数据样本，为判断模型提供生成数据。判别模型判断数据来源，生成对抗网络（GAN），形成滑动定向数据模型，利用此模型自动生成多类别的滑动定向数据，实现利用对抗网络模拟滑动定向参数的目的。

Description

滑动定向钻井模拟机实现方法

技术领域

本发明涉及一种滑动定向钻井模拟机实现方法，用于滑动钻井定向数据的获取，属于石油天然气钻井数据处理领域。

背景技术

目前，滑动钻井定向数据的获取仍然以传统数学模型计算和仪器采集为主。采用传统数学模型计算的方式虽然成本低，但存在误差大、适用范围窄及限制条件多的问题，并且随着勘探开发不断向深部地层迈进，井下情况越来越复杂，常规数学模型难以充分考虑井下各种复杂条件，因此多数模型尚不成熟，无法实现精确获取滑动钻井定向数据。采用MWD、录井系统等仪器获取滑动钻井定向数据，相较于传统数学模型在数据精度和实效性上大幅提高，但存在成本高、安装周期长、故障频换、数据质量差等问题，这无疑增加了滑动钻井成本，同时影响了数据的有效性。

发明内容

本发明的目的在于克服现有技术存在的上述问题，提供一种滑动定向钻井模拟机实现方法。本发明通过提供滑动定向训练数据集，并进行数据处理和数据整理，为判断模型提供有效真实数据，通过生成模型生成数据样本，为判断模型提供生成数据。在此基础上，判别模型判断数据来源，生成对抗网络(GAN)，形成滑动定向数据模型，利用此模型自动生成多类别的滑动定向数据，实现利用对抗网络模拟滑动定向参数的目的。

为实现上述目的，本发明采用的技术方案如下：

一种滑动定向钻井模拟机实现方法，其特征在于，包括如下步骤：

(1)获取滑动定向训练数据集，同时生成随机噪声；

(2)进行数据处理与数据整理，同时生成模型利用随机噪声生成数据样本；

(3)采用判别模型判断数据来源，生成基于GAN的对抗网络，形成滑动定向数据模型；

(4)自动生成多类别的滑动定向数据，获取有效扩增数据，形成扩增滑动数据集。

所述步骤(1)中，获取的滑动定向训练数据集中至少包含扭摆、MWD、录井系统三个系统的数据。

所述步骤(1)中，随机噪声相当于一个随机变量，作为生成模型的输入数据，需要对其不断进行训练，形成接近于训练集中真实数据的样本。

所述步骤(2)中，当获取的滑动定向训练数据集中包含错误乱码、无效数据时，需要对原始数据进行处理，数据处理包含数据清洗和数据集成；数据整理包括数据剪裁与多数据块叠合、提取数据类别标签。

所述步骤(2)中，随机噪声输入生成模型后，生成模型学习滑动定向数据训练集中真实的数据分布，使生成的伪装数与滑动定向数据训练集中的真实数据保持一致，生成最大可能服从真实数据的数据样本。

所述步骤(3)中，滑动定向原始数据和生成模型生成的数据样本输入判别模型后，判别模型判别输入数据是来自真实数据还是来自生成模型。

所述步骤(3)中，如果判别模型能正确判断输入数据的来源时，重新产生一个随机噪声，形成新的生成模型，判别模型重新进行判断，当判别模型无法正确判别数据来源时，认为该生成模型为滑动定向参数生成模型。

所述步骤(3)中，基于GAN的对抗网络计算流程如下：

a、用可微分函数D和G来分别表示判别模型和生成模型，D输入为真实数据x和G(z)，G的输入为随机变量z。其中，G(z)则为由G生成的尽量服从真实数据分布的数据样本；

b、如果判别模型的输入来自真实数据，标注为1，如果输入样本为G(z)，标注为0；

c、D的目标是实现对数据来源的二分类判别，判断数据是真(真实数据x的分布)或者伪(生成模型的伪数据G(z))；而G的目标是使自己生成的伪数据G(z)在D上的表现D(G(z))和真实数据x在D上的表现D(x)一致；

d、D和G相互对抗并迭代优化，使D和G的性能不断提升，当最终D的判别能力提升到无法正确判别数据来源时，认为这个生成模型G已经学到了真实数据的分布，该生成模型G即为滑动定向参数的生成模型。

所述生成模型除输出层之外的其他层均使用ReLU激活函数，ReLU激活函数表示形式如下：

输出层采用Tanh激活函数代替ReLU激活函数，其表示形式如下：

所述步骤(4)中，利用滑动定向参数生成模型自动生成多类别的滑动定向数据，对有效数据进行提取，获取有效扩增数据，形成扩增滑动数据集，实现利用对抗网络模拟滑动定向参数的目的。

采用本发明的优点在于：

1、通过生成对抗网络(GAN)模拟滑动钻井定向数据，打破了采用数学模型计算参数和传感器采集数据的传统方式，为低成本、智能化获取滑动定向数据提供了技术支持。

2、在现有滑动定向数据集上进行训练，在生成模型与判别模型不断“博弈”过程中使生成模型生成以假乱真的序列数据，达到扩充滑动定向数据样本库的目的。采用这种方法优化后的模型更加“健壮”，不易产生过拟合，泛化能力增强。

附图说明

图1为本发明的方法流程示意图；

图2为本发明GAN的计算流程示意图；

图3为生成对抗网络示意图；

图4为生成模型网络结构图；

图5为判别模型的网络结构图。

具体实施方式

实施例1

本发明涉及的一种基于GAN的滑动定向钻井模拟机实现方法，如图1所示，包括以下步骤：

(1)获取滑动定向训练数据集，同时生成随机噪声；

(2)进行数据处理与数据整理，同时生成模型利用随机噪声生成数据样本；

(3)采用判别模型判断数据来源，生成对抗网络(GAN)，形成滑动定向数据模型；

(4)自动生成多类别的滑动定向数据，获取有效扩增数据，形成扩增滑动数据集。

步骤(1)中，获取的滑动定向训练数据集中至少包含扭摆、MWD、录井系统等三个系统的数据。

步骤(1)中，随机噪声相当于一个随机变量，作为生成模型的输入数据，需要对其不断进行训练，形成接近于训练集中真实数据的样本；

步骤(2)中，由于获取的滑动定向训练数据集中可能包含错误乱码、无效数据，为了提升数据质量，需要对原始数据进行处理，数据处理包含数据清洗和数据集成两个步骤，数据清洗时为了清除原始数据中的错误乱码、无效数据，数据集成是为了实现多系统原始数据的归一化管理，达到数据统一管理和统一调用的目的。

步骤(2)中，为了方便判断模型序调用动定向训练数据集中的原始数据，需要对原始数据进行数据整理，数据整理包括数据剪裁与多数据块叠合、提取数据类别标签两个步骤，数据剪裁与多数据块叠合是为给判断模型提供合理尺寸的原始数据样本，提取数据类别标签是为了实现数据样本有序排列。

数据剪裁：在不影响滑动定向数据特征表示的前提下，对训练数据集中的数据进行剪裁，根据其数据结构，可将其划分为多个nm维的“数据块”，其中m代表预输入数据的维度，n代表每批次输入的行数。为了使数据剪裁不影响滑动定向数据的特征，采取设置数据块最大及最小尺寸的方式对数据裁剪行为进行规范和限定，保证滑动定向数据的完整性。按照划分的“数据块”类型，为“数据块”添加类别标签序。

多数据块叠合：在输入的通道维度上对数据块按顺序进行叠合，使其适应生成对抗网络的多维输入；为适应生成对抗网络的多维输入，多维输入应满足的条件即符合生成对抗网络中生成器卷积神经网络的数据输入形式。

提取数据类别标签：分别对数据块按对应的类别标签序列进行编码。

步骤(2)中，随机噪声输入生成模型后，生成模型尽量去学习滑动定向数据训练集中真实的数据分布，使自己生成的伪装数与滑动定向数据训练集中的真实数据保持一致，生成最大可能服从真实数据的数据样本。

步骤(3)中，滑动定向原始数据和生成模型生成的数据样本输入判别模型后，判别模型尽量正确判别输入数据是来自真实数据还是来自生成模型。

步骤(3)中，如果判别模型能正确判断输入数据的来源，重新产生一个随机噪声，形成新的生成模型，判别模型重新进行判断，这样相互对抗并迭代优化的过程使得生成模型和判别模型的性能不断提升。当最终判别模型的判别能力提升到一定程度，并且无法正确判别数据来源时，可以认为这个生成模型已经学到了真实数据的分布，该模型为即为滑动定向参数生成模型。

步骤(4)中，利用滑动定向参数生成模型自动生成多类别的滑动定向数据，对有效数据进行提取，获取有效扩增数据，形成扩增滑动数据集，实现利用对抗网络模拟滑动定向参数的目的。

生成对抗网络(Generative Adversarial Nets，GAN)是Goodfellow等研究者在2014年提出的一种生成式模型，GAN的学习方法来源于“博弈”的思想，其核心就是如何通过不断地训练整个神经网络，使其模型目标函数取得最优值，生成对抗网络作为典型的生成式模型，为解决“自动生成多类别的滑动定向数据”问题提供了新的框架。在现有扭摆、MWD、录井系统数据基础上，利用随机噪声进行数据生成模型的训练，生成模型与判别模型形成生成式对抗网络，利用生成样本和训练样本之间的互相博弈关系数证明了等效模型的正确性，为扩增滑动定向数据训练样本库提供了可行的解决方法。

实施例2

本实施例结合附图2对本发明的GAN的计算流程进行说明。

如图2所示：

第1步，任意可微分的函数都可以用来表示GAN的生成模型和判别模型，用可微分函数D和G来分别表示判别模型和生成模型，D输入为真实数据x和G(z)，G的输入为随机变量z。其中，G(z)则为由G生成的尽量服从真实数据分布的数据样本。

第2步，如果判别模型的输入来自真实数据，标注为1，如果输入样本为G(z)，标注为0。

第3步，D的目标是实现对数据来源的二分类判别，判断数据是真(真实数据x的分布)或者伪(生成模型的伪数据G(z))；而G的目标是使自己生成的伪数据G(z)在D上的表现D(G(z))和真实数据x在D上的表现D(x)一致。

第4步，D和G相互对抗并迭代优化的过程，使得D和G的性能不断提升。当最终D的判别能力提升到一定程度，并且无法正确判别数据来源时，可以认为这个生成模型G已经学到了真实数据的分布，该生成模型G即为滑动定向参数生成模型。

实施例3

把取滑动定向训练数据集看作由多个数据点组成，在处理取滑动定向训练数据集时，可将由处理过的有效数据集中划分的n×m维的“数据块”类比为图片的像素点矩阵，数据块中每个数据为一个数据步长。再通过卷积神经网络与生成对抗网络相结合的网络模型进行训练，即可达到扩充序列数据样本集的目的。其整体模型如图3所示。

生成对抗网络的生成模型网络结构如图4所示。生成模型G中输入一个高维的随机噪声向量，经过3层微步幅卷积层进行空间上采样，输入数据的通道数减半，“数据块”尺寸加倍，最终生成一个64×64×3的样本。3层微步幅卷积层的卷积核大小均为5×5数据步长，步幅大小均设置为2数据步长。

除输出层之外，生成模型的其他层均使用ReLU激活函数，以解决梯度消失的问题，并加快收敛速度。ReLU激活函数表示形式如下：

输出层则采用Tanh激活函数代替ReLU激活函数，其表示形式如下：

判别模型的网络结构如图5所示，判别模型可等效为一个没有池化层的全卷积网络。输入样本通过3层带步长的卷积层进行空间下采样，提取出输入样本的数据特征，并对输入样本的真实性进行判断。与生成模型相同，3层卷积层的卷积核大小均为5×5数据步长，步幅大小均设置为2数据步长。判别模型的输出是一维向量，用以表示输入样本为真实样本的概率。

判别模型中所有网络层均采用LeakyReLU激活函数，其表示形式如下：

为了克服神经网络层数加深，收敛速度变慢，常常导致梯度消失或梯度爆炸的情况，通过引入批标准化(batch normalization)来规范某些层或者所有层的输入，从而固定每层输入信号的均值与方差，以保障网络模型的稳定训练。由于直接将标准化方法应用到所有层中会导致样本震荡和模型不稳定，在生成模型的输出层和判别模型的输入层将不采用批标准化，生成模型和判别模型其他层均加入了批标准化处理。该方法可以解决初始化效果差的问题，帮助梯度传播到网络的每一层，加速模型收敛。批标准化处理还可以有效减缓模型过拟合问题，可以避免生成模型崩溃，防止生成的样本收敛到同一个点，即生成相同的样本。

生成对抗网络模型的优化：在生成对抗网络模型序列数据生成训练的过程中，为了保持对抗训练平衡，应通过不断试验，寻找判别模型模型与生成模型模型的更新次数的最佳比例，以确保判别模型损失值不会为0。生产对抗网络的训练中采用Adam优化器，能基于训练数据迭代地更新神经网络权重，使判别模型和生成模型的损失值最小化。对模型的优化过程中Adam算法的实现流程如下：

(1)初始化各参数

a)Require：步长(建议默认为：0.001)

b)Require；矩估计的指数衰减速率，ρ₁和ρ₂在区间[0,1)内。(建议默认为：分别为0.9和0.999)

c)Require：用于数值稳定的小常数(建议默认为：10^-8)

d)Require：初始参数θ

e)初始化一阶和二阶矩变量s＝0，r＝0。初始化时间步t＝0。

(2)更新算法参数

a)从训练集中采样包含m个分量{x⁽¹⁾,x⁽²⁾,…,x^(m)}的小批量样本，对应目标为y(i)。

b)计算梯度：

c)更新有偏一阶矩估计：s←ρ₁s+(1-ρ₁)g

d)更新有偏二阶矩估计：r←ρ₂r+(1-ρ₂)g×g

e)修正一阶矩的偏差：

f)修正二阶矩的偏差：

更新计算：

(逐元素应用操作)

应用更新：θ←θ+Δθ

Adam算法会一直执行上述更新参数操作，直到优化效果达标，达到其停止准则算法才会停止更新参数。因此，在生成对抗网络训练过程中使用Adam算法对其神经网络模型进行优化调整，可以有效地优化模型预测的效果。

生成对抗网络的效果评估：损失函数(loss function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。一方面，生成模型G网络的输入和输出是相同尺寸的“数据块”。和常规的自编码器一祥，输入和输出数据块逐数据点的L₂距离作为G网络损失函数的一部分。L₂距离定义为：

L₂＝‖x-G(x)‖₂

其中，x表示输入G网络的数据块，G(x)表示G网络输出的数据块，它与输入的数据块尺寸相同，即x与G(x)拥有相同的维数，‖.‖₂表示L₂范数，以此来作为样本空间中两个点之间距离的度量。

另一方面，引入额外的生成对抗网络(GAN)损失函数：

L_g＝|D(G(x))-0.9|

其中，x表示输入数据块。对上述两者进行加权后，训练G网络的联合损失函数为：

其中，

和T_g是超参数，分别为L₂范数和L_g损失函数所占权重。需通过多次实验调整得最优值。

类似传统生成对抗网络，鉴别器D网络的损失函数定义如下：

L_D＝|D(G(x))-0|+|D(x)-0.9|

在实际的生成对抗网络训练中，训练开始时，判别模型随机生成结果，判别模型和生成模型学习真实样本分布，进行对抗训练，互相博弈使对方损失值最大化，导致误差波动较大。随着训练次数的增加，生成模型损失值整体呈下降趋势，生成样本分布与真实样本分布的差别逐渐减小，判别模型基本学习到样本特征，对样本的判断误差趋于稳定。即表示判别模型已成功训练，生成模型可以生成足以“以假乱真”的数据，用于扩充样本数据集。

Claims (10)

1.一种滑动定向钻井模拟机实现方法，其特征在于，包括如下步骤：

(1)获取滑动定向训练数据集，同时生成随机噪声；

(2)进行数据处理与数据整理，同时生成模型利用随机噪声生成数据样本；

(3)采用判别模型判断数据来源，生成基于GAN的对抗网络，形成滑动定向数据模型；

(4)自动生成多类别的滑动定向数据，获取有效扩增数据，形成扩增滑动数据集。

2.根据权利要求1所述的滑动定向钻井模拟机实现方法，其特征在于：所述步骤(1)中，获取的滑动定向训练数据集中至少包含扭摆、MWD、录井系统三个系统的数据。

3.根据权利要求2所述的滑动定向钻井模拟机实现方法，其特征在于：根据权利要求1所述的滑动定向钻井模拟机实现方法，其特征在于：所述步骤(1)中，随机噪声相当于一个随机变量，作为生成模型的输入数据，需要对其不断进行训练，形成接近于训练集中真实数据的样本。

4.根据权利要求3所述的滑动定向钻井模拟机实现方法，其特征在于：所述步骤(2)中，当获取的滑动定向训练数据集中包含错误乱码、无效数据时，需要对原始数据进行处理，数据处理包含数据清洗和数据集成；数据整理包括数据剪裁与多数据块叠合、提取数据类别标签。

5.根据权利要求4所述的滑动定向钻井模拟机实现方法，其特征在于：所述步骤(2)中，随机噪声输入生成模型后，生成模型学习滑动定向数据训练集中真实的数据分布，使生成的伪装数与滑动定向数据训练集中的真实数据保持一致，生成最大可能服从真实数据的数据样本。

6.根据权利要求5所述的滑动定向钻井模拟机实现方法，其特征在于：所述步骤(3)中，滑动定向原始数据和生成模型生成的数据样本输入判别模型后，判别模型判别输入数据是来自真实数据还是来自生成模型。

7.根据权利要求6所述的滑动定向钻井模拟机实现方法，其特征在于：所述步骤(3)中，如果判别模型能正确判断输入数据的来源时，重新产生一个随机噪声，形成新的生成模型，判别模型重新进行判断，当判别模型无法正确判别数据来源时，认为该生成模型为滑动定向参数生成模型。

8.根据权利要求7所述的滑动定向钻井模拟机实现方法，其特征在于：所述步骤(3)中，基于GAN的对抗网络计算流程如下：

a、用可微分函数D和G来分别表示判别模型和生成模型，D输入为真实数据x和G(z)，G的输入为随机变量z。其中，G(z)则为由G生成的尽量服从真实数据分布的数据样本；

b、如果判别模型的输入来自真实数据，标注为1，如果输入样本为G(z)，标注为0；

c、D的目标是实现对数据来源的二分类判别，判断数据是真(真实数据x的分布)或者伪(生成模型的伪数据G(z))；而G的目标是使自己生成的伪数据G(z)在D上的表现D(G(z))和真实数据x在D上的表现D(x)一致；

d、D和G相互对抗并迭代优化，使D和G的性能不断提升，当最终D的判别能力提升到无法正确判别数据来源时，认为这个生成模型G已经学到了真实数据的分布，该生成模型G即为滑动定向参数的生成模型。

9.根据权利要求8所述的滑动定向钻井模拟机实现方法，其特征在于：所述生成模型除输出层之外的其他层均使用ReLU激活函数，ReLU激活函数表示形式如下：

输出层采用Tanh激活函数代替ReLU激活函数，其表示形式如下：

10.根据权利要求9所述的滑动定向钻井模拟机实现方法，其特征在于：所述步骤(4)中，利用滑动定向参数生成模型自动生成多类别的滑动定向数据，对有效数据进行提取，获取有效扩增数据，形成扩增滑动数据集，实现利用对抗网络模拟滑动定向参数的目的。

Images