本发明涉及油气钻井领域，具体为一种基于ZEL模型和多源数据的区域井漏风险预评价方法。本发明利用井漏风险样本扩充方法与ZEL模型实现对新探区的钻前风险预评估：通过井漏风险样本扩充方法对探区内已钻井的井漏风险进行扩充，得到已钻井的井漏风险样本剖面；在探区内均匀布置虚拟井；利用深度平差法、克里金插值法得到虚拟井的岩石力学参数，从地震体内提取出层速度；利用ZEL模型挖掘已钻井深度、岩石力学参数、层速度与井漏风险样本剖面之间的定量关系，结合虚拟井的岩石力学参数、层速度对虚拟井的井漏风险进行定量评价，从而提高对新探区风险的认知程度。
1.一种基于ZEL模型和多源数据的区域井漏风险预评价方法，其特征在于，具体步骤如下：S1：针对不同类型的漏失，对已钻井井漏风险样本进行扩充；
S2：通过边缘密度函数及随机函数确定虚拟井的分布坐标(XXN，YXN)；
S4：采用深度平差及克里金插值法，扩充虚拟井深度范围、计算虚拟井岩石力学参数；
S5：利用ZSCORE标准化方法分别对已钻井的深度、岩石力学参数以及层速度进行标准化处理，将标准化处理后的岩石力学参数、层速度与标准化处理后的深度一一对应构成多维矩阵A1‑A8，并利用双射函数将多维矩阵A1‑A8，转化为一维矩阵B；
S6：利用EMD分解法对矩阵B中的数据进行分解，得到的内涵模态分量IMF按照频率由高到低排列构成已钻井的输入矩阵C；
S7：输入矩阵C，输出已钻井井漏风险矩阵A9，训练ZEL模型，获得矩阵C与矩阵A9的相关性；
S8：利用步骤S5、S6中的方法对虚拟井的深度、岩石力学参数以及层速度进行处理，得到虚拟井的输入矩阵E，并利用步骤S7中ZEL模型训练得到的相关性，对虚拟井的风险进行定量预测，得到虚拟井的井漏风险数据；
所述步骤S1中已钻井井漏风险样本扩充方法如下：漏失发生时的当量密度差计算公式：
其中，Δρ为当量密度差，g/cm ；ρd为钻井时的钻井液密度，g/cm ；若漏失类型为压裂性漏失，则X为地层破裂压力；若漏失类型为诱导裂缝性漏失，则X为地层漏失压力；若漏失类3
型为裂缝性漏失，则X为地层孔隙压力，所述X的单位为g/cm；
针对不同类型的漏失，提出了井漏风险样本扩充方法的计算公式：(2)
式中，R为井漏风险样本数据，α、β、γ、δ为相关系数，T为波阻抗；
所述步骤S2中虚拟井分布坐标(XXN，YXN)确定的方法如下：将地震平面区域M记为 ，则区域内一点(XXN，YXN)服从M区域上的均匀分布，其中XXN的边缘密度函数为：(3)
其中，ω2(x)为地震平面区域M的上边界；ω1(x)为地震平面区域M的下边界； 为地震平面区域M的面积；
利用随机函数Random返回一个在[0,1]区间的随机数λ，设h从λ到XXN的映射为XXN=h(λ)，且h单调可微递增，则 ，且h(0)=m，h(1)=n，因此解得：(4)
将λ代入公式(4)求得XXN的值，再次利用Random随机函数得到一个随机数μ，求得YXN为：(5)
利用循环命令将上述操作重复进行r次，得到r个虚拟井坐标；
首先，利用ZSCORE标准化方法分别对A1‑A8进行标准化处理：(9)
其中，A1‑A8分别为深度、静态泊松比、静态弹性模量、内聚力、内摩擦角、单轴抗拉强度、∗单轴抗压强度、层速度一一对应构成的多维矩阵；ε为标准化后的数据；ε为原始数据； 为原始数据的均值；σ为原始数据的标准差；
最后，利用双射函数将标准化处理后的多维矩阵转化为一维，构成输入矩阵B：(10)
其中，C1、C2、...Ck为EDM分解矩阵B后得到的已钻井的内涵模态分量IMF；k为内涵模态分量IMF的个数；
其中，E1、... Ek为虚拟井的内涵模态分量IMF；k为内涵模态分量IMF的个数，m为虚拟井属性的样本数。
2.根据权利要求1所述的基于ZEL模型和多源数据的区域井漏风险预评价方法，其特征在于，所述虚拟井的井型根据已钻井的井型确定；
根据已钻井最深地层底界进行三维建模，获得底界曲面，从而根据虚拟井坐标（XXN，YXN）确定各虚拟井的井深。
3.根据权利要求1所述的基于ZEL模型和多源数据的区域井漏风险预评价方法，其特征在于，所述深度平差法为：(6)
其中，Hx为虚拟井待求位置的深度，m；H0为Hx对应的已钻井深度，m；H11、H12为已钻井深度，m；H21为H11对应的虚拟井深度，m；H22为H12对应的虚拟井深度，m；
式中，Z (x0)为虚拟井中x0处的岩石力学参数估计值；Z(xi)为已钻井中xi处相应的岩石力学参数值；φi为各已钻井相应岩石力学参数的权重系数，且φ1+φ2+φ3+...+φi=1；i为1N之间的自然数，N为已钻井的个数。
4.根据权利要求3所述的基于ZEL模型和多源数据的区域井漏风险预评价方法，其特征在于，所述岩石力学参数为静态泊松比、静态弹性模量、内聚力、内摩擦角、单轴抗拉强度和单轴抗压强度。
5.根据权利要求1所述的基于ZEL模型和多源数据的区域井漏风险预评价方法，其特征在于，基于序贯高斯模拟法，结合权利要求1所述步骤S8中得到的虚拟井的井漏风险数据，构建区域的井漏风险样本模型。
基于ZEL模型和多源数据的区域井漏风险预评价方法
技术领域
[0001] 本发明属于油气钻井领域，具体的，涉及一种基于ZEL(ZSCORE‑EMD‑LSTM)模型和多源数据的区域井漏风险预评价方法。
背景技术
[0002] 钻前对井下复杂情况尤其是井漏进行准确预测，是保障新探区复杂地层钻井安全的有效手段之一。利用智能算法挖掘多源数据与井漏风险之间的复杂关系是该领域的研究热点和前沿，但对新探区，已钻井数量少，与井漏相关的风险样本数据（如井史中记载的井漏发生井深、漏失量、漏失速率等）更为稀少，难以为深度学习等智能算法提供足够的训练数据支撑。缺乏足够数量和质量的井漏风险样本，是制约区域井漏风险智能预测的关键之一。另一方面，由于新探区已钻井分布不均，若仅利用已钻井风险数据对区域进行差值预测，其结果对于未勘探区域存在较大误差和不确定性，而未勘探区域仅有地震相关数据，如何利用已钻井相关数据和未勘探区域的地震数据对整个区域的井漏风险进行评估，是当前面临的难题。
发明内容
[0003] 为了解决上述技术问题，本申请利用井漏风险样本扩充方法与ZEL（ZSCORE‑EMD‑LSTM）的组合模型实现对新探区的钻前风险预评估，该模型不同于以往传统的定性或定量的风险评价方法，而是通过已钻井井漏风险样本扩充方法对探区内已钻井的井漏风险进行扩充，得到已钻井的井漏风险样本剖面，解决了对ZEL模型进行训练时风险数据样本不足的问题；考虑到探区内井数较少，利用算法在探区内均匀布置虚拟井；利用深度平差法、克里金插值法得到虚拟井的岩石力学参数，从地震体内提取出层速度；然后利用ZEL模型挖掘已钻井深度、岩石力学参数、地震层速度与井漏风险样本剖面之间的定量关系，结合虚拟井的岩石力学参数、地震等对虚拟井的井漏风险进行定量评价，从而提高对新探区风险的认知程度。
[0004] 本发明提供了一种基于ZSCORE‑EDM‑LSTM模型和多源数据的区域井漏风险预评价方法，具体步骤如下：
[0005] 1、针对不同类型的漏失，提出已钻井井漏风险样本扩充方法：
[0006] 通过对漏失数据的分析，结合漏失的发生机理，得到漏失发生时的当量密度差计算公式：
[0007] (1)
[0008] 其中，Δρ为当量密度差，g/cm3；ρd为钻井时的钻井液密度，g/cm3。若漏失类型为压裂性漏失，则X为地层破裂压力；若漏失类型为诱导裂缝性漏失，则X为地层漏失压力；若漏3
失类型为裂缝性漏失，则X为地层孔隙压力，所述X的单位为g/cm。
[0009] 针对不同类型的漏失，提出了井漏风险样本扩充方法的计算公式：
[0010] (2)
[0011] 式中，R为井漏风险样本数据，α、β、γ、δ为相关系数，T为波阻抗。
[0012] 其中，相关系数α、β、γ、δ通过已钻井的井漏风险样本数据拟合得出。
[0013] 2、通过边缘密度函数及随机函数确定虚拟井的分布坐标(XXN，YXN):
[0014] 将地震平面区域M记为 ，则区域内一点(XXN，YXN)应服从M区域上的均匀分布，其中XXN的边缘密度函数为：
[0015] (3)
[0016] 其中，ω2(x)为地震平面区域M的上边界；ω1(x)为地震平面区域M的下边界；为地震平面区域M的面积。
[0017] 利用随机函数Random返回一个在[0,1]区间的随机数λ，设h从λ到XXN的映射为XXN=h(λ)，且h单调可微递增，则 ，且h(0)=m，h(1)=n，因此可解得：
[0018] (4)
[0019] 其中，u与x均为地震平面区域M内的横坐标。
[0020] 将λ代入公式(4)求得XXN的值，再次利用Random随机函数得到一个随机数μ，求得YXN为：
[0021] (5)
[0022] 利用循环命令将上述操作重复进行r次，得到r个虚拟井坐标。
[0023] 3、根据已钻井确定虚拟井类型及井深：
[0024] 虚拟井的井型根据已钻井的井型确定；
[0025] 根据已钻井最深地层底界进行三维建模，获得底界曲面，从而确定各虚拟井的井深。
[0026] 4、采用深度平差及克里金插值法，扩充虚拟井深度范围、计算虚拟井岩石力学参数：
[0027] 深度平差法：
[0028] (6)
[0029] 其中，Hx为虚拟井待求位置的深度，m；H0为Hx对应的已钻井深度，m；H11、H12为已钻井深度，m；H21为H11对应的虚拟井深度，m；H22为H12对应的虚拟井深度，m。
[0030] 克里金插值法：
[0031] (7)
[0032] 式中，Z∗(x0)为虚拟井中x0处的岩石力学参数估计值；Z(xi)为已钻井中xi处相应的岩石力学参数值；φi为各已钻井相应岩石力学参数的权重系数，且φ1+φ2+φ3+...+φi=1；i为1 N之间的自然数，N为已钻井的个数。
~
[0033] 所述岩石力学参数为静态泊松比、静态弹性模量、内聚力、内摩擦角、单轴抗拉强度、单轴抗压强度。
[0034] 5、利用ZSCORE标准化方法分别对深度、岩石力学参数以及层速度进行标准化处理，并将标准化后的数据由多维转化为一维：
[0035] 每种属性跟深度一一对应构成矩阵A：
[0036] (8)
[0037] 式中，A1‑A9分别为深度、静态泊松比、静态弹性模量、内聚力、内摩擦角、单轴抗拉强度、单轴抗压强度、层速度、井漏风险样本；n为已钻井属性的样本数。
[0038] 首先，为了减小不同输入属性因量纲不同给模型训练带来的影响，利用ZSCORE标准化方法分别对A1‑A8进行标准化处理：
[0039] (9)
[0040] 式中，ε∗为标准化后的数据，ε为原始数据， 为原始数据的均值，σ为原始数据的标准差。
[0041] 最后，为了简化数据同时加快EMD的分解速度，利用数据转换中常用的双射函数将标准化处理后的输入数据由多维转化为一维，构成输入矩阵B：
[0042] (10)
[0043] 其中， ；
[0044] 此处，
[0045]
[0046] 6、利用EMD分解法对矩阵B中的数据进行分解，得到的IMF按照频率由高到低排列构成矩阵C：
[0047] 利用EMD分解法对矩阵B中的数据进行分解，得到k个内涵模态分量IMF和1个残差，内涵模态分量IMF按照频率由高到低依次排列，依次记为C1、C2、...Ck，构成矩阵C：
[0048] (11)
[0049] 7、输入矩阵C，输出矩阵A9，训练ZEL模型，获得矩阵C与矩阵A9的相关性：
[0050] 由矩阵C及已钻井井漏风险矩阵A9构成ZEL模型的训练矩阵D：
[0051] (12)
[0052] 其中，C为输入矩阵，A9为输出矩阵。
[0053] 输入各已钻井的输入矩阵C，输出各已钻井的输出矩阵A9，利用ZEL模型对矩阵D进行训练，获得输入矩阵C与输出矩阵A9之间的相关性。
[0054] 8、利用步骤5、6中的方法对虚拟井数据进行相同的处理，最终得到虚拟井的输入矩阵E：
[0055] (13)
[0056] 其中，E1、...Ek为虚拟井的内涵模态分量IMF；k为内涵模态分量IMF的个数，m为虚拟井属性的样本数。
[0057] 利用步骤7中ZEL模型训练得到的相关性，结合虚拟井的输入矩阵E，对虚拟井的风险进行定量预测，得到的输出矩阵即为虚拟井的井漏风险数据。
[0058] 本发明还提供以一种根据上述基于ZEL模型和多源数据的区域井漏风险预评价方法构建井漏风险样本模型的应用。
[0059] 所述应用方法为：基于序贯高斯模拟法，结合上述步骤8中井漏风险样本数据，构建区域的井漏风险样本模型。
[0060] 相比于现有技术，本发明的基于ZEL模型和多源数据的区域井漏风险预评价方法的有益效果为：
[0061] (1)将ZSCORE标准化方法、EMD分解法与传统的LSTM模型结合起来，同时引入双射函数，得到了针对区域井漏风险高效、准确的预测方法，其中，ZSCORE标准化可减小数据因量纲不同而对后续处理带来的影响，防止利用双射函数进行降维处理时出现指数爆炸现象。双射函数可将多维输入数据转化为1维输入数据，简化EMD的分解。EMD分解法可将数据分解为几个内涵模态分量IMF，有效降低数据噪声的干扰，加快LSTM模型的训练及预测速度。
[0062] (2)提出了针对已钻井井漏风险样本的扩充方法，解决了对ZEL模型进行训练时风险数据样本不足的问题。
[0063] (3)通过引入虚拟井的概念及相关属性的计算方法，解决了探区井数不足的问题。
[0064] (4)虚拟井概念的引入显著提高了对区域井漏风险的认知程度。
附图说明
[0065] 图1为地震区域内已钻井的分布图；
[0066] 图2为利用已钻井井漏风险扩充方法得到的已钻井的井漏风险样本剖面图；
[0067] 图3为乐东区块已钻井和虚拟井分布图；
[0068] 图4为XN2井的岩石力学参数图；
[0069] 图5为标准化和降维处理后的4井输入数据图；
[0070] 图6为EMD的分解结果图；
[0071] 图7为4井实际的井漏风险样本剖面与预测的井漏风险样本剖面的对比图；
[0072] 图8为预测的XN2井的风险图；
[0073] 图9为实施例2提取的4井井漏风险与对比例1提取的4井井漏风险对比图。
具体实施方式
[0074] 实施例1
[0075] 中国南海乐东区块已钻探井8口，井漏多发且为压裂性漏失，8口已钻井在地震区域内的分布情况如图1所示。
[0076] 1、针对不同类型的漏失，提出已钻井井漏风险样本扩充方法：
[0077] 针对压裂性漏失：
[0078] (1)
[0079] 其中，Δρ为当量密度差，g/cm3；ρd为钻井时的钻井液密度，g/cm3；X为地层破裂压3
力，g/cm。
[0080] 所述8口已钻井中，仅以下6口井中出现井漏现象，具体参数如表1所示。
[0081] 表1 已钻井压裂性漏失参数
[0082]
[0083] 根据对8口已钻井井漏风险样本数据的拟合，得到的该区块井漏风险概率的计算公式如下：
[0084] （2）
[0085] 式中，R为井漏风险样本数据，T为波阻抗。
[0086] 以4井为例，利用该公式可以得到4井的井漏风险样本剖面，如图2所示。
[0087] 其它已钻井采取相同处理方法。
[0088] 2、通过边缘密度函数及随机函数确定虚拟井的分布坐标(XXN，YXN):
[0089] 地震平面区域M为 ，则区域内一点(XXN，YXN)应服从M区域上的均匀分布，其中XXN的边缘密度函数为：
[0090] (3)
[0091] 其中，ω2(x)为地震平面区域M的上边界；ω1(x)为地震平面区域M的下边界；为地震平面区域M的面积。
[0092] 利用随机函数Random返回一个在[0,1]区间的随机数λ，设h从λ到XXN的映射为XXN=h(λ)，且h单调可微递增，则 ，且h(0)=m，h(1)=n，因此可解得：
[0093] (4)
[0094] 其中，u与x均为地震平面区域M内的横坐标。
[0095] 将λ代入公式(4)求得XXN的值，再次利用Random随机函数得到一个随机数μ，求得YXN为：
[0096] (5)
[0097] 利用循环命令将上述操作重复进行11次，得到11个虚拟井坐标，如图3所示。
[0098] 3、根据已钻井确定虚拟井类型及井深：
[0099] 本区块内8口已钻井都为直井，因此虚拟井也全部为直井。已钻井钻遇最深地层的底界为T40，以该地层层面为准，确定了虚拟井的井深，如表2所示。
[0100] 表2 虚拟井井深
[0101]
[0102] 4、采用深度平差及克里金插值法，扩充虚拟井深度范围、计算虚拟井岩石力学参数：
[0103] 以虚拟井XN2井为例，基于已钻井的岩石力学参数，结合公式(6)‑(7)对XN2井的岩石力学参数进行定量计算。
[0104] 深度平差法：
[0105] (6)
[0106] 其中，Hx为虚拟井待求位置的深度，m；H0为Hx对应的已钻井深度，m；H11、H12为已钻井深度，m；H21为H11对应的虚拟井深度，m；H22为H12对应的虚拟井深度，m。
[0107] 克里金插值法：
[0108] (7)
[0109] 式中，Z∗(x0)为虚拟井中x0处的岩石力学参数估计值；Z(xi)为已钻井中xi处相应的岩石力学参数值；φi为各已钻井相应岩石力学参数的权重系数，且φ1+φ2+φ3+...+φi=1；i为1 N之间的自然数，N为8。
~
[0110] 所述岩石力学参数为静态泊松比、静态弹性模量、内聚力、内摩擦角、单轴抗拉强度、单轴抗压强度。
[0111] 计算得到的虚拟井岩石参数的结果如图4。
[0112] 其它虚拟井采取相同处理方法。
[0113] 5、利用ZSCORE标准化方法分别对深度、岩石力学参数以及层速度进行标准化处理，并将标准化后的数据由多维转化为一维：
[0114] 以4井为例，利用公式(8)‑(10)对已钻井4井的输入数据进行标准化及降维处理。
[0115] 利用ZEL模型分析输入与输出属性之间的相关性时，输入为深度、岩石力学参数以及层速度在内的8维数据，输出为井漏风险样本。每种属性跟深度一一对应构成矩阵A：
[0116] (8)
[0117] 式中，A1—A9分别为深度、静态泊松比、静态弹性模量、内聚力、内摩擦角、单轴抗拉强度、单轴抗压强度、层速度、井漏风险样本；n为已钻井样本数。
[0118] 首先，为了减小不同输入属性因量纲不同给模型训练带来的影响，利用ZSCORE标准化方法分别对A1—A8进行标准化处理：
[0119] (9)∗
[0120] 式中，ε为标准化后的数据，ε为原始数据， 为原始数据的均值，σ为原始数据的标准差。
[0121] 最后，为了简化数据同时加快EMD的分解速度，利用数据转换中常用的双射函数将标准化处理后的输入数据由多维转化为一维，构成输入矩阵B：
[0122] (10)
[0123] 其中， 。
[0124] 此处，
[0125]
[0126] 最终结果如图5。
[0127] 其它已钻井、虚拟井采取相同处理方法。
[0128] 6、利用EMD分解法对矩阵B中的数据进行分解，得到的IMF按照频率由高到低排列构成矩阵C：
[0129] 利用EMD分解法对4井降噪后的数据矩阵B进行分解，分解后得到10个IMF，IMF按照频率由高到低依次排列，依次记为C1、C2、...C10，构成矩阵C：
[0130] (11)
[0131] 结果如图6。
[0132] 其它已钻井、虚拟井采取相同的处理方法。
[0133] 7、输入矩阵C，输出矩阵A9，训练ZEL模型，获得矩阵C与矩阵A9的相关性：
[0134] 由矩阵C及已钻井井漏风险矩阵A9构成ZEL模型的训练矩阵D：
[0135] (12)
[0136] 其中，C为输入矩阵，A9为输出矩阵。
[0137] 分别输入8口井的输入矩阵C，输出矩阵A9，利用ZEL模型对矩阵D进行训练，得到输入矩阵C与输出矩阵A9之间的相关性。
[0138] 8、利用步骤5、6中的方法对虚拟井数据进行相同的处理，最终得到虚拟井的输入矩阵E：
[0139] (13)
[0140] 其中，E1、...Ek为虚拟井的内涵模态分量IMF；k为内涵模态分量IMF的个数，m为虚拟井属性的样本数。
[0141] 利用步骤7中ZEL模型训练得到的相关性，结合虚拟井的输入矩阵E，对虚拟井的风险进行定量预测，得到的输出矩阵即为虚拟井的井漏风险数据。
[0142] 为了验证ZEL模型对井漏风险预测的准确性利用7口已钻井(1井、2井、3井、5井、6井、7井、8井)作为训练集，4井作为测试集，利用ZEL模型对训练集进行训练，然后对测试集进行预测，预测结果如图7。
[0143] 从图7可以看出，利用ZEL模型预测的4井井漏风险剖面，与实际井漏风险剖面相差不大，证明该模型用于井漏风险预测的可行性。
[0144] 9、虚拟井风险的预测结果
[0145] 以XN2井为例，基于XN2井的IMF，利用步骤7中训练已钻井IMF和井漏风险数据得到的相关性对XN2井的井漏风险进行定量预测，结果如图8。
[0146] 从图8可以看出，XN2井在3600‑3750米的深度范围内发生井漏的概率较大。今后在此进行钻探开发时应做好防漏措施。
[0147] 其它虚拟井采取相同处理方法。
[0148] 实施例2
[0149] 从8口已钻井中挑选出4井作为对照井，依据序贯高斯模拟法，结合地震解释层面，分地层层组，结合实施例1中得到的剩余的7口已钻井以及11口虚拟井的井漏风险样本数据，建立该区块的三维井漏风险模型，从中提取出4井的风险数据，结果如图9所示。
[0150] 对比例1
[0151] 从8口已钻井中挑选4井作为对照井，依据序贯高斯模拟法，结合地震解释层面，分地层层组建立了只有7口已钻井的区块三维井漏风险模型，从三维风险模型中提取出4井的风险数据。
[0152] 将实施例2、对比例1提取的4井的风险数据与基于井史资料给出的4井实际发生风险的位置进行比对，结果如图9。从图9可以看出，仅用7口已钻井提取的4井发生风险的位置区间，明显与实际风险发生的位置相差甚远，而加入11口虚拟井之后4井的风险区间，跟实际风险的位置相差不大。以两次提取的风险剖面最大值为标准计算准确率，实施例2的预测准确率最高提高了21%。这表明，仅仅依靠已钻井的风险数据建立的风险模型，无法对整个区块的风险做出准确预测，而加入11口虚拟井之后建立的风险模型，可以显著的提高区域风险预测的精细程度，验证了方法的可行性。
