一种可解释的钻井参数智能优化方法和装置

技术领域

本说明书属于石油勘探开发领域，尤其涉及一种可解释的钻井参数智能优化方法和装置。

背景技术

钻井参数优化通常是研究在一定的基础条件下，各项钻井参数对机械钻速所造成的影响。对钻井参数进行优化可以有效提高钻井效率。基于现有方法，由于钻速预测模型存在不可控性，钻速预测结果也具有不可控性，从而无法有效地进行钻井参数的优化，导致油气勘探开发效率降低。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本说明书提供了一种可解释的钻井参数智能优化方法和装置，能够有效地进行钻井参数的优化，提高钻井效率，降低钻井成本。

一方面，本说明书实施例提供了一种可解释的钻井参数智能优化方法，包括：

获取第一目标井的第一钻井参数，以基于所述第一钻井参数对全连接神经网络模型进行训练，得到钻速预测模型；其中，所述钻速预测模型采用目标激活函数；

根据所述目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程；

获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速；

根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值；

将所述影响值与预设阈值进行比较，在确定出所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内；

根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值；

基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。

进一步地，所述获取第一目标井的第一钻井参数之前，还包括：

获取第一目标井的初始钻井参数；

对所述初始钻井参数进行数据清洗和数据归一化处理，得到第一目标井的第一钻井参数。

进一步地，所述第一钻井参数包括以下中的一个或多个：旋转速度、钻压、扭矩、立管压力、进口流量、大钩载荷、钻井液密度、钻井液粘度、钻井液塑性粘度、屈服强度。

进一步地，所述按照如下算式构建钻速预测方程：

ROP＝A×RP+B×WOB+C×Tor+D×SPP+E×IF+F×HL+G×Den-H×Vis-I×PV+J×YP

其中，RP为旋转速度，WOB为钻压，Tor为扭矩，SPP为立管压力，IF为进口流量，HL为大钩载荷，Den为钻井液密度，Vis钻井液粘度，PV为钻井液塑性粘度，YP为屈服强度，A、B、C、D、E、F、G、H、I、J为各钻井参数对应的权重参数。

进一步地，根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值，包括：

确定所述第二钻井参数中的各钻井参数的平均值；

将所述各个权重参数与所述平均值进行一一求积处理，得到乘积集合；

比对所述乘积集合中的各个乘积值，以基于比对的结果确定第二钻井参数对目标钻速的影响值。

进一步地，所述根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值，包括：

根据预设参数范围和预设调节规则对所述可调参数进行调整，得到调整后的多组钻井参数；

将所述多组钻井参数依次输入至所述钻速预测方程中，得到多组钻速值；

将多组钻井参数对应的多组钻速与预设钻速阈值进行比对处理，确定多组钻井参数中的目标钻井参数和多组钻速中的与目标钻井参数对应的第二目标钻速值。

进一步地，所述根据所述目标钻井参数对第二目标井的钻井过程进行优化处理，包括：

根据所述目标钻速和所述第二目标钻速值，确定钻速提升值；

根据所述钻速提升值、所述目标钻井参数形成推荐方案，并将所述推荐方案实时推送到钻井设备中；

钻井设备接收所述推荐方案，基于所述推荐方案对第二目标井的钻井过程进行优化。

另一方面，本说明书实施例还提供了一种可解释的钻井参数智能优化装置，包括：

数据管理模块，用于获取第一目标井的第一钻井参数；

钻速预测模型模块，用于基于所述第一钻井参数对全连接神经网络模型进行训练，得到钻速预测模型；其中，所述钻速预测模型采用目标激活函数；

钻速预测解释模块，用于根据所述目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程；获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速；根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值；

钻井参数优化模块，用于将所述影响值与预设阈值进行比较，在确定所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内；根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值；

优化处理模块，用于基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。

进一步地，所述装置还包括：

清洗模块，用于获取第一目标井的初始钻井参数；对所述初始钻井参数进行数据清洗和数据归一化处理，得到第一目标井的第一钻井参数。

再一方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机可读存储介质执行所述指令时实现上述可解释的钻井参数智能优化方法。

本说明书提供的一种可解释的钻井参数智能优化方法和装置，首先，获取第一目标井的第一钻井参数，以基于所述第一钻井参数对全连接神经网络模型进行训练，得到钻速预测模型；其中，所述钻速预测模型采用目标激活函数，根据所述目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程；其次，获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速，根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值；进一步，将所述影响值与预设阈值进行比较，在确定出所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内，根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值；最后，基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。通过上述方案可以实现钻速预测结果的可控性，能够有效地进行钻井参数的优化，提高石油勘探开发效率，降低钻井成本。

附图说明

为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本说明书的一个实施例提供的可解释的钻井参数智能优化方法的流程示意图；

图2是在一个场景示例中，应用本说明书实施例提供的可解释的钻井参数智能优化方法的一种实施例的示意图；

图3是在一个场景示例中，应用本说明书实施例提供的可解释的钻井参数智能优化方法的一种实施例的示意图；

图4是本说明书的一个实施例提供的可解释的钻井参数智能优化装置的结构组成示意图；

图5是本说明书的一个实施例提供的电子设备的结构组成示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

考虑到钻井参数优化通常是研究在一定的基础条件下，各项钻井参数对机械钻速所造成的影响。对钻井参数进行优化可以有效提高钻井效率。基于现有方法，由于钻速预测模型存在不可控性，钻速预测结果也具有不可控性，从而无法有效地进行钻井参数优化，导致石油勘探开发效率降低。

基于上述思路，本说明书提出一种可解释的钻井参数智能优化方法，首先，首先，获取第一目标井的第一钻井参数，以基于所述第一钻井参数对全连接神经网络模型进行训练，得到钻速预测模型；其中，所述钻速预测模型采用目标激活函数，根据所述目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程；其次，获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速，根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值；进一步，将所述影响值与预设阈值进行比较，在确定出所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内，根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值；最后，基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。参阅图1所示，本说明书实施例提供了一种可解释的钻井参数智能优化方法。具体实施时，该方法可以包括以下内容。

S101：获取第一目标井的第一钻井参数，以基于所述第一钻井参数对全连接神经网络模型进行训练，得到钻速预测模型；其中，所述钻速预测模型采用目标激活函数。

S102：根据所述目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程。

S103：获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速。

S104：根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值。

S105：将所述影响值与预设阈值进行比较，在确定出所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内。

S106：根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值

S107：基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。

在一些实施例中，上述获取第一目标井的第一钻井参数之前，在具体实施时，可以包括：

S1：获取第一目标井的初始钻井参数；

S2：对所述初始钻井参数进行数据清洗和数据归一化处理，得到第一目标井的第一钻井参数。

在一些实施例中，上述第一目标井可以为已钻井，上述第二目标井可以为待优化的井。上述第一目标井中可以包含第一钻井参数，上述第二目标井中可以包含第二钻井参数，上述第一钻井参数用来对全连接神经网络模型进行训练，得到钻速预测模型。需要说明的是，上述第一钻井参数是经过数据清洗、数据归一化或标准化处理后的参数。其中，上述数据清洗处理是指去除初始钻井参数中的异常值、空值、无效值、矛盾值等，上述标准化处理是指由于参数的取值差异较大，对参数进行标准化处理可以使得参数变得规整化。第二钻井参数也可以为经过数据清洗和数据归一化处理后的数据。通过对钻井参数进行数据清洗处理和数据归一化处理，可以有效减少钻速预测模型的训练时间，提高钻速预测模型的预测精度。

在一些实施例中，上述第一钻井参数可以包括以下中的一个或多个：旋转速度、钻压、扭矩、立管压力、进口流量、大钩载荷、钻井液密度、钻井液粘度、钻井液塑性粘度、屈服强度。需要说明的是，第二钻井参数也可以包括以下中的一个或多个：旋转速度、钻压、扭矩、立管压力、进口流量、大钩载荷、钻井液密度、钻井液粘度、钻井液塑性粘度、屈服强度。

在一些实施例，上述旋转速度、钻压、扭矩、立管压力、进口流量、大钩载荷属于工程学数据，上述钻井液密度、钻井液粘度、钻井液塑性粘度、屈服强度为钻井液数据，上述数据构成钻井参数。需要说明的是，钻井参数不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内，如：根据实际需求，钻井参数还可以包括：钻头尺寸、钻头齿数、声学测井、伽马射线测井等。通过获取钻井参数，可以为后续进一步优化钻井参数奠定数据基础，关于钻井参数的优化后续将另作说明，本说明书在此不再赘述。

在一些实施例中，可以按照如下算得到钻速预测方程：

ROP＝A×RP+B×WOB+C×Tor+D×SPP+E×IF+F×HL+G×Den-H×Vis-I×PV+J×YP

其中，RP为旋转速度，WOB为钻压，Tor为扭矩，SPP为立管压力，IF为进口流量，HL为大钩载荷，Den为钻井液密度，Vis钻井液粘度，PV为钻井液塑性粘度，YP为屈服强度，A、B、C、D、E、F、G、H、I、J为各钻井参数对应的权重参数。

在一些实施例中，可以根据目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程，其中，上述目标激活函数可以为ReLU函数。上述第一钻速预测模型可以根据第一钻井参数对全连接神经网络(Fully Neural Network，FNN)模型进行训练得到，如：首先，可以对获取的第一钻井参数进行划分，可以将70％数据划分为训练集，30％的数据划分测试集，其中，训练集中可以包含多个钻井样本参数，需要说明的是，训练集和测试集的划分方式不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。其次，根据上述的钻井样本参数对全连接神经网络预测模型进行训练，并根据预测模型训练时的激活函数频率分布情况，对预测模型进行超参数优化，将钻井样本参数继续输入至优化后的预测模型中，直至训练次数达到预设阈值，或者测试集预测精度达到一定精度，如：精度达到85％，则结束训练，将训练结束后得到的优化模型作为钻速预测模型。

其中，上述FNN模型的隐藏层数至少可以为1层，当数据复杂时，隐藏层数甚至可以超过10层。以三层神经网络的计算过程为例，如公式(1)所示。隐藏层中每个神经元的计算主要包括线性组合和激活计算两部分，并且，通常输出层不执行激活计算。

/>

其中，x

全连接神经网络的激活函数可以分为饱和激活函数和非饱和激活函数两大类，如公式(2)、公式(3)所示，其中，公式(2)为饱和激活函数中的双曲线函数(tanh)的对应公式，公式(3)为非饱和激活函数中的修正线性单元(ReLU)的对应公式：

ReLU(x)＝max(0,x)(3)

其中，激活函数最重要的作用是可以将神经元的线性组合转化为非线性计算，从而可以拟合复杂的数据。与tanh激活函数相比，ReLU函数具有收敛快的特点，不易引起梯度消失的问题。上述预测钻速模型使用ReLU函数作为激活函数。

其中，上述超参数可以包括：神经网络层数、每层神经元个数、学习率和优化器等，需要说明的是，上述超参数不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。由于神经网络的训练过程是一个误差反向传播的过程，随着不断地训练，模型的参数会变得越来越稳定，模型的激活函数矩阵也会逐渐趋于稳定，但并非训练次数越多越好，连续的训练可能会导致模型的过度拟合，降低模型的稳定性和迁移性，通过结合预测模型训练时的激活频率分布可以判断预测模型是否收敛、拟合不足、过度拟合，从而可以及时调整上述超参数，以达到最佳的预测效果。

其中，上述预测模型是否收敛可以通过平均误差(MSE)来评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。如：若平均相对误差(MRE)达10％，则表示激活频率分布逐渐趋于稳定平稳状态，此时收敛很好，预测模型的预测精度高，若超过相对误差(MRE)超过10％，则表示激活频率分布不稳定，收敛情况较差，此时需要对调整神经网络的超参数，以提供预测模型的预测精度。需要说明的是，平均相对误差的取值情况不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。

最后，通过将复杂的神经元中的非线性函数变化转换成矩阵运算，如：转换成Y＝wx+b(w是权重参数，x为各钻井数据，b为偏置项)，从中可以直观的看出钻速预测模型此时为何计算出的钻速数值为这些，同时也直观的展示出来每一项钻井数据对ROP的影响大小。

具体的，为进一步简化公式(1)，x、w和b分别用矩阵表示。如下公式所示：

公式1可以改写成矩阵的形式：

/>

ReLU函数的推导如公式(6)所示。当x大于0时，DR(x)为1；当x小于0时，DR(X)为0。将DR(x)的计算结果记录为矩阵DR。

其中，ReLU函数为激活函数，DR是当前层神经元的激活矩阵。

ReLU(x)和DR(x)满足以下关系：

根据式(7)，ReLU的计算过程可以从函数运算转化为矩阵计算。DR矩阵由0和1组成。如果0表示神经元没有被激活，1表示神经元被激活。因此，当FNN模型的激活函数为ReLU时，式(5)可改写为：

y＝(x*w

根据矩阵运算的组合规律和左分布规律，式(8)可简化为：

y＝w*x+b(9)

在式(9)中，w是w

通过上述变化将这个复杂的非线性函数运算以线性回归方程的形式展现出来。

其中，上述DR是一个矩阵(里面只有(0，1)，1代表神经元被激活，0代表神经元未被激活)，通过DR矩阵的每一列0和1的统计，可以知道当前层中每个神经元的激活频率。

通过DR矩阵可以将以ReLU为激活函数的神经网络的函数运算转化为了矩阵运算并简化为了输入参数的线性组合形式，实现了以ReLU为激活函数的神经网络的权重的提取和线性表征，大大提高了钻速智能预测模型的可信度。

在一些实施例中，第一钻井参数中的各个钻井参数均有对应的权重参数，如：旋转速度对应权重参数A、钻压对应权重参数B、扭矩对应权重参数C等。将各个钻井参数和各钻井参数对应的权重参数带入到公式(9)中即可得到上述的钻速预测方程。

在一些实施例中，通过获取钻速预测方程可以打破智能预测模型的“黑箱”不可控性，能够实时了解模型计算的过程和计算结果，提高模型预测结果的可信度。

在一些实施例中，上述根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值，在具体实施时，可以包括：

S1：确定所述第二钻井参数中的各钻井参数的平均值；

S2：将所述各个权重参数与所述平均值进行一一求积处理，得到乘积集合；

S3：比对所述乘积集合中的各个乘积值，以基于比对的结果确定第二钻井参数对目标钻速的影响值。

在一些实施例中，上述根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值，在具体实施时，可以包括：

S1：根据预设参数范围和预设调节规则对所述可调参数进行调整，得到调整后的多组钻井参数；

S2：将所述多组钻井参数依次输入至所述钻速预测方程中，得到多组钻速值；

S3：将多组钻井参数对应的多组钻速与预设钻速阈值进行比对处理，确定多组钻井参数中的目标钻井参数和多组钻速中的与目标钻井参数对应的第二目标钻速值。

在一些实施例中，上述根据所述目标钻井参数对第二目标井的钻井过程进行优化处理，在具体实施时，可以包括：

S1：根据所述目标钻速和所述第二目标钻速值，确定钻速提升值；

S2：根据所述钻速提升值、所述目标钻井参数形成推荐方案，并将所述推荐方案实时推送到钻井设备中；

S3：钻井设备接收所述推荐方案，基于所述推荐方案对第二目标井的钻井过程进行优化。

在一些实施例中，上述乘积集合中包括多组钻井参数的平均值与钻井参数对应的权重参数的乘积。上述基于比对的结果确定第二钻井参数对目标钻速的影响值，可以将比对结果中的最大值作为第二钻井参数对目标钻速影响值的最大值，即钻井参数的平均值与钻井参数对应的权重参数的乘积越大，第二钻井参数对目标钻速的影响越大。

在一些实施例中，上述预设参数范围可以根据经济效益指标和工程难易度确定，需要说明的是，上述预设参数范围的确定方式不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。

在一些实施例中，上述预设调节规则可以为依次将可调参数提升一个单位为调节规则，如：若钻压数据为100，按照预设调节规则即可以为将钻压调整至101，此时的可调参数中的其他钻井参数也均相应的提升一个单位，之后形成第一组调节后的钻井参数。同样的，将钻压从101调整至102，此时的可调参数中的其他钻井参数也均相应的提升一个单位，形成第二组调节后的钻井参数，当达到调节范围中的最大限度时，停止对待优化钻井参数的调节或调整。需要说明的是，可调参数可以为可调节数据，可调参数不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。

在一些实施例中，在确定调整后的多组钻井参数后，需要将调整后的多组钻井参数依次输入至钻速预测方程中，可以得到多组钻速值，然后将多组钻井参数对应的多组钻速与预设钻速阈值进行比对处理，从中确定出最大钻速，将最大钻速值作为第二目标钻速值，将第二目标钻速值对应的钻井参数作为目标钻井参数。通过获取第二目标钻速值，可以保证以最大钻井速度进行钻井，有效提供钻井的效率，降低钻井成本。

在一些实施例中，上述钻速提升至可以表示钻速提升了多少，如：目标钻速为100，第二目标钻速为150，则钻速提升值为50，即可以表示钻速提升了50。上述将钻速提升值、目标钻井参数作为推荐方案，发送到钻井设备中，钻井设备可以基于该推荐方案进行钻井过程的优化，从而可以提高油气勘探开发效率。

下面结合一个具体实施例对上述方法进行说明，然而值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。

在具体实施前，首先，获取第一目标井的初始钻井参数；其次，对所述初始钻井参数进行数据清洗和数据归一化处理，得到第一目标井的第一钻井参数，第一钻井参数如：旋转速度、钻压、扭矩、立管压力、进口流量、大钩载荷、钻井液密度、钻井液粘度、钻井液塑性粘度、屈服强度；进一步，将第一钻井参数划分训练集和测试集，对全连接神经网络模型进行训练和验证，并根据预测模型训练时的激活函数频率分布情况，对预测模型进行超参数优化，将样本数据继续输入至优化后的预测模型中，直至训练次数达到预设阈值，或者测试集预测精度达到一定精度，则结束训练，将训练结束后得到的优化模型作为钻速预测模型，其中，钻速预测模型采用ReLU激活函数；最后，通过将复杂的神经元中的非线性函数变化转换成矩阵运算，如：权重参数，特征参数，偏置项转化为矩阵形式，将ReLU函数的计算过程可以从函数运算转化为矩阵计算，最后将这复杂的非线性函数运算以线性回归方程的形式展现出来，可以得到钻速预测方程。在具体实施时，首先，获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速；其次，确定所述第二钻井参数中的各钻井参数的平均值，将所述各个权重参数与所述平均值进行一一求积处理，得到乘积集合，比对所述乘积集合中的各个乘积值，以基于比对的结果确定第二钻井参数对目标钻速的影响值；进一步，将所述影响值与预设阈值进行比较，在确定出所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内；最后，根据预设参数范围和预设调节规则对所述可调参数进行调整，得到调整后的多组钻井参数，将所述多组钻井参数依次输入至所述钻速预测方程中，得到多组钻速值，将多组钻井参数对应的多组钻速与预设钻速阈值进行比对处理，确定多组钻井参数中的目标钻井参数和多组钻速中的与目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值；基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。根据所述目标钻速和所述第二目标钻速值，确定钻速提升值，根据所述钻速提升值、所述目标钻井参数形成推荐方案，并将所述推荐方案实时推送到钻井设备中，钻井设备接收所述推荐方案，基于所述推荐方案对第二目标井的钻井过程进行优化。通过上述方法可以能够提高钻速预测的可控性、准确性，并且能够确定各个钻井参数对钻速的影响，从而可以有针对性地对钻井参数进行调节，提高钻井效率，降低钻井成本。

在一个具体的场景示例中，可以应用本说明书实施例提供的可解释的钻井参数智能优化方法提高钻井效率，降低钻井成本。具体的实施时参阅图2所示：

数据输入和特征选择：从井场中采集钻井参数，如：旋转速度(RP)，钻压(WOB)，扭矩(Tor)，立管压力(SPP)，进口流量(IF)，大钩载荷(HL),钻井液密度(Den)，钻井液粘度(Vis)，钻井液塑性粘度(PV)，屈服强度(YP)。钻头尺寸(BS)，钻头齿数(BF)，声学测井(AC),伽马射线测井(GR)等，获取这些数据的同时，现场选择想要优化的井，然后选择想要进行预测ROP所需要的参数(即特征选择)，在本说明实施例中选择的是：旋转速度(RP)，钻压(WOB)，扭矩(Tor)，立管压力(SPP)，进口流量(IF)，大钩载荷(HL),钻井液密度(Den)，钻井液粘度(Vis)，钻井液塑性粘度(PV)，屈服强度(YP)等。

数据处理：对钻井参数进行去除空值、异常值等处理并对钻井参数归一化处理，以提高钻速预测模型训练的准确度。

FNN超参数选择：如：可以从神经网络层数、每层神经元个数、学习率和优化器方面选择。

FNN钻速预测模型训练：使用钻井样本参数对FNN模型进行训练，可以将70％样本参数划分为训练集，30％的样本参数划分测试集。

神经元激活解释，调整超参数，获得优化钻速预测模型：根据训练时的激活函数频率分布情况，对预测模型进行超参数优化，将样本参数继续输入至优化后的预测模型中，直至训练次数达到预设阈值，或者测试集预测精度达到一定，结束训练，将训练结束后得到的优化模型作为优化钻速预测模型。

解释钻速预测模型，线性表征钻速预测方程，对权重参数进行展示排序：将得到的钻速预测模型用线性方程的形式进行表征和解释。解释主要要是对权重参数是否符合现有的物理机理进行解释，保证人工智能模型的可靠性。如：可以将各个钻井参数对ROP的影响权重进行展示，从而分析某一钻井参数与ROP的关系是否符合物理机理，例如：传统钻压WOB与机械钻速ROP很明确成正比，但是WOB权重参数在某一时刻呈现负值，系统则会对相应的异常点的WOB做出解释，例如该点WOB值为145kN，远超过平均值，则系统分析出该点增大的WOB加快了钻头的磨损、造成钻头的滑动，从而导致降低了ROP。同时根据权重参数判断智能模型是否过拟合和符合机理的程度，结果可以反馈给ROP模型，从而达到最优的优化效果。

形成推荐钻井方案，基于钻井方案进行钻井开发：根据钻井参数优化范围，模块内部自动生成建议，如：将该参数调整至多少，钻速提高到多少(例如：WOB范围为100-150，此时WOB仅为100kN，模块输入将WOB调整至130kN时，钻速最大，机械钻速可以提高5％)，同时将建议反馈给专家支持模块，达到最终方案推荐的目的。

图3示出了钻井设备、数据管理模块、钻速预测模型模块、钻速预测解释模块、钻井参数优化模块，各模块的特征如下：

钻井装备：收集并传输现场数据；确定施工参数范围。

数据管理模块：接受钻井装备的数据输入，进行数据清洗和数据预处理，按照模块需求进行数据分配。

钻速预测模型模块：采用全连接神经网络进行模型训练，选择最优的钻速预测模型。

钻速预测解释模块：对钻速预测模型的神经元和权重参数进行解释进而解释整个模型，最后线性表征钻速(ROP)预测方程。

钻井参数优化模块：根据线性表征方程，基于系统内定的优化钻井参数，形成控制参数与钻速的关系并进行参数权重排序，并自动推荐一些钻井方案。基于钻速预测方程，分析控制参数(钻压、转速、排量等)对机械钻速的重要程度，根据设定的参数阈值，调整钻井参数使钻速达到最大，以提高钻井速度和效率。

其中，各个模块的工作原理可以为：

钻井装备：收集钻井区域的钻井参数并调整钻井参数，达到优化钻井的效果。其中，可以根据经济指标和工程难度确定优化钻井参数范围并输出给钻井参数优化模块，获取钻井参数优化模块反馈后，若符合经济和提速指标则发出指令调节钻井装备的施工参数。

数据管理模块：接受数据输入和特征输入，由于不同钻井参数取值范围差异较大，如果直接使用原始参数值进行分析，则会突出高值参数在回归计算中的权重，弱化低值参数的作用。因此，需要数据清洗和数据预处理，以减少模型的训练时间，提高模型的预测精度。处理清洗后，按照模块需求进行数据分配，这一模块始终保持数据的正常性。

钻速预测模型模块：在计算过程中接受数据管理模块预处理的数据和特征后，采用全连接神经网络(FNN)预测ROP，该模块可以进行神经网络超参数(包括神经网络层数、每层神经元个数、学习率和优化器等)的优化，在这一模块对多个神经网络超参数进行优化之后，系统自动使用最优(精度高，不过拟合)的钻速预测模型，经过模型计算后将输出数据、参数传送给钻速预测解释模块进行模型解释。模型只需留存数据输入和输出接口，模型的内部可以完全封装，保证模块的稳定性和高效性。

钻速预测解释模块：将人工智能模型的钻速输出用线性方程的形式进行表征和解释。主要是对权重参数是否符合现有的物理机理进行解释，保证人工智能模型的可靠性。权重参数解释：该模块接受钻速预测模型模块传输来的所有数据，将各个钻井参数对ROP的影响权重进行展示，从而分析某一钻井参数与ROP的关系是否符合物理机理，例如：传统钻压WOB与机械钻速ROP很明确成正比，但是WOB权重参数在某一时刻呈现负值，系统则会对相应的异常点的WOB做出解释，例如该点WOB值为145kN，远超过平均值，则系统分析出该点增大的WOB加快了钻头的磨损、造成钻头的滑动，从而导致降低了ROP。同时根据权重参数判断智能模型是否过拟合和符合机理的程度，结果可以反馈给ROP模型，从而达到最优的优化效果。这一模块还对智能钻速预测模型进行了线性表征，直观展示出钻速预测智能模型在某一井段的线性方程。将权重参数信息和线性表征方程传输给钻井参数优化模块。

钻井参数优化模块：一方面，接受钻速预测解释模块传递的权重参数信息和线性表征的钻速预测方程。根据线性方程，排序此时最重要的参数和单位钻井参数的提升对机械钻速的提升效果。该模块将这些处理信息直观展示给专家支持模块；另一方面，接受专家支持系统提供的钻井参数优化范围，模块内部自动生成建议——将该参数调整至多少，钻速提高到多少(例如：专家提供WOB范围为100-150kN,此时WOB仅为100kN，模块输入将WOB调整至130kN,机械钻速提高5％)，同时将建议反馈给专家支持模块，达到最终方案推荐的目的。接受钻速预测解释模块对当前预测结果的解释的线性表征方程，并根据权重参数定量分析判断各个参数对机械钻速的影响程度的大小。设定参数影响阈值如10％，20％，为简化钻井流程，调整的钻井参数应尽可能的少，当调整某个钻井参数对机械钻速的影响程度小于影响阈值时，不调整该参数。确定调整的钻井参数并结合当前钻井设备可调节的控制参数的值域阈值范围(如钻压5-20kN)，调整钻井参数从而使得机械钻速最大。

各个模块的交互过程可以为：首先，钻井设备获取钻井参数，将钻井参数输入至数据管理模块，数据管理模块再对输入的数据进行数据清洗和数据归一化等的处理，在处理完成后将数据输出至钻速预测模型模块，钻速预测模型模块基于输入的数据对全连接神经网络模型进行训练，并将训练时的模型参数反馈给钻速预测解释模块，经过钻速预测解释模块的解释后，再将解释的情况发送到钻速预测模型模块中，钻速预测模型模块再对训练的预测模型进行优化，最终得到优化后的钻速预测模型，并将优化后的钻速预测模型发送到钻速预测解释模块中，钻速预测解释模块再将优化后的钻速预测模型进行线性表征，最终得到钻速预测方程。其次，基于得到的钻速预测方程的权重参数定量分析各个钻井参数对机械钻速的影响程度的大小。通过确定影响程度的大小，可以确定出钻井参数中的可调整的参数，在钻井参数优化模块中对可调整的钻井参数进行优化处理。在优化处理时，可以将可调整的钻井参数结合当前钻井设备可调节的控制参数的值域阈值范围，调整钻井参数从而使得机械钻速最大。最终，将调整好的钻井参数发送到钻井设备中，钻井设备可以自动形成推荐方案进行钻井优化。

虽然本说明书提供了如下述实施例或附图4所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。

基于上述一种钻井数据的优化方法，本说明书还提出一种钻井数据的优化装置的实施例。如图4所示，包括：数据管理模块401、钻速预测模型模块402、钻速预测解释模块403、钻井参数优化模块404、优化处理模块405，下面对该结构进行说明。

数据管理模块401具体可以用于获取第一目标井的第一钻井参数；

钻速预测模型模块402用于基于所述第一钻井参数对全连接神经网络模型进行训练，得到钻速预测模型；其中，所述钻速预测模型采用目标激活函数；

钻速预测解释模块403具体可以用于根据所述目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程；获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速；根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值；

钻井参数优化模块404具体可以用于将所述影响值与预设阈值进行比较，在确定所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内；根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值；

优化处理模块405具体可以用于基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。

在一些实施例中，上述数据管理模块401具体实施时之前可以包括：获取第一目标井的初始钻井参数；对所述初始钻井参数进行数据清洗和数据归一化处理，得到第一目标井的第一钻井参数。

在一些实施例中，上述数据管理模块401中的第一钻井参数可以包括：所述第一钻井参数包括以下中的一个或多个：旋转速度、钻压、扭矩、立管压力、进口流量、大钩载荷、钻井液密度、钻井液粘度、钻井液塑性粘度、屈服强度。

在一些实施例中，上述钻速预测解释模块403具体实施时可以包括按照如下算式得到钻速预测方程：

ROP＝A×RP+B×WOB+C×Tor+D×SPP+E×IF+F×HL+G×Den-H×Vis-I×PV+J×YP

其中，RP为旋转速度，WOB为钻压，Tor为扭矩，SPP为立管压力，IF为进口流量，HL为大钩载荷，Den为钻井液密度，Vis钻井液粘度，PV为钻井液塑性粘度，YP为屈服强度，A、B、C、D、E、F、G、H、I、J为各钻井参数对应的权重参数。

在一些实施例中，上述钻速预测解释模块403具体实施时可以包括：确定所述第二钻井参数中的各钻井参数的平均值；将所述各个权重参数与所述平均值进行一一求积处理，得到乘积集合；比对所述乘积集合中的各个乘积值，以基于比对的结果确定第二钻井参数对目标钻速的影响值。

在一些实施例中，上述钻井参数优化模块404具体实施时可以包括：根据预设参数范围和预设调节规则对所述可调参数进行调整，得到调整后的多组钻井参数；将所述多组钻井参数依次输入至所述钻速预测方程中，得到多组钻速值；将多组钻井参数对应的多组钻速与预设钻速阈值进行比对处理，确定多组钻井参数中的目标钻井参数和多组钻速中的与目标钻井参数对应的第二目标钻速值。

在一些实施例中，上述优化处理模块405具体实施时可以包括：根据所述目标钻速和所述第二目标钻速值，确定钻速提升值；根据所述钻速提升值、所述目标钻井参数形成推荐方案，并将所述推荐方案实时推送到钻井设备中；钻井设备接收所述推荐方案，基于所述推荐方案对第二目标井的钻井过程进行优化。

需要说明的是，上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

由上可见，基于本说明书实施例提供的可解释的钻井参数智能优化装置，一方面通过根据优化后的钻速预测模型，确定钻速预测方程，可以打破预测模型的不可控性，使得模型的预测结果具有较高的可信度。另一方面，通过对钻井参数进行优化，可以提高石油勘探开发效率，降低钻井成本。

本说明书实施例还提供一种电子设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：获取第一目标井的第一钻井参数，以基于所述第一钻井参数对全连接神经网络模型进行训练，得到钻速预测模型；其中，所述钻速预测模型采用目标激活函数；根据所述目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程；获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速；根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值；将所述影响值与预设阈值进行比较，在确定出所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内；根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值；基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。

为了能够更加准确地完成上述指令，参阅图5所示，本说明书实施例还提供了另一种具体的电子设备，其中，所述电子设备包括网络通信端口501、处理器502以及存储器503，上述结构通过内部线缆相连，以便各个结构可以进行具体的数据交互。

其中，所述网络通信端口501，具体可以用于获取第一目标井的第一钻井参数，以基于所述第一钻井参数对全连接神经网络模型进行训练，得到钻速预测模型；其中，所述钻速预测模型采用目标激活函数。

所述处理器502，具体可以用于根据所述目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程；获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速；根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值；将所述影响值与预设阈值进行比较，在确定出所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内；根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值；基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。

所述存储器503，具体可以用于存储相应的指令程序。

在本实施例中，所述网络通信端口501可以是与不同的通信协议进行绑定，从而可以发送或接收不同数据的虚拟端口。例如，所述网络通信端口可以是负责进行web数据通信的端口，也可以是负责进行FTP数据通信的端口，还可以是负责进行邮件数据通信的端口。此外，所述网络通信端口还可以是实体的通信接口或者通信芯片。例如，其可以为无线移动网络通信芯片，如GSM、CDMA等；其还可以为Wifi芯片；其还可以为蓝牙芯片。

在本实施例中，所述处理器502可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。

在本实施例中，所述存储器503可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。

本说明书实施例还提供了一种基于上述可解释的钻井参数智能优化方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现：获取第一目标井的第一钻井参数，以基于所述第一钻井参数对全连接神经网络模型进行训练，得到钻速预测模型；其中，所述钻速预测模型采用目标激活函数；根据所述目标激活函数和所述第一钻井参数处理所述钻速预测模型，得到钻速预测方程；获取第二目标井的第二钻井参数，将所述第二钻井参数输入至所述钻速预测方程中，得到目标钻速；根据所述钻速预测方程中的各个权重参数，确定第二钻井参数对目标钻速的影响值；将所述影响值与预设阈值进行比较，在确定出所述影响值大于预设阈值时，确定第二钻井参数中的可调参数；其中，可调参数在预设参数范围内；根据所述预设参数范围和所述钻速预测方程，确定目标钻井参数和目标钻井参数对应的第二目标钻速值；其中，所述第二目标钻速值大于预设钻速阈值；基于所述目标钻井参数对第二目标井的钻井过程进行优化处理。

在本实施例中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。

虽然本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

通过以上的实施例的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形而不脱离本说明书的精神，希望所附的权利要求包括这些变形而不脱离本说明书的精神。