本发明涉及海上油气开采，尤其涉及一种基于多机器学习模型融合的井漏事件动态预警方法及系统。
背景技术：
1、钻井过程中，当井筒内钻井液注压力高于地层压力时，便会出现井漏。井漏事故可能会造成人员伤亡、经济损失，并会产生大量非生产时间。若能及时地对井漏事故进行预警，便能有效减少各类损失与伤亡。因此，如何及时、准确地对井漏事故进行预警，对实现钻井工程中的安全性、经济性与时效性都有重要意义。
2、随着人工智能科技的发展，海上石油开采工艺与人工智能技术结合越来越紧密，录井数据为各种算法提供了计算基础。目前最为普遍的井漏预警方法是综合录井方法，它是通过工程师监测和分析预警指标数据是否超过阈值来判断，但此方法过于依赖工程师的专业素质和经验，导致预警的时效性和准确性均得不到保证。
3、因此，亟需一种基于多机器学习模型融合的井漏事件动态预警方法及系统，以及时、准确地对井漏事故进行预警，提高钻井工程中的安全性、经济性与时效性。
技术实现思路
1、本发明提供一种基于多机器学习模型融合的井漏事件动态预警方法及系统，用以解决现有技术过于依赖工程师的专业素质和经验，导致预警的时效性和准确性均得不到保证的缺陷。
2、本发明提供一种基于多机器学习模型融合的井漏事件动态预警方法，包括：
3、获取历史录井数据，并根据历史录井数据构建井漏事件数据库，其中，历史录井数据包括处于不同井漏事件阶段下的钻井工程数据和地层压力数据，处于不同井漏事件阶段下的钻井工程数据和地层压力数据标注有对应的井漏事件阶段标签和井漏事件严重级别标签，不同井漏事件阶段包括正常、疑似井漏、井漏；
4、根据井漏事件数据库中的历史录井数据，通过主成分分析，得到与井漏事件的相关性符合预设要求的井漏特征数据；
5、根据与井漏事件的相关性符合预设要求的井漏特征数据，设置井漏事件阶段预测模型的模型训练参数，利用麻雀算法极限学习机(ssa-elm)，训练得到井漏事件阶段预测模型，用于预测井漏事件的阶段；
6、根据与井漏事件的相关性符合预设要求的井漏特征数据和井漏事件阶段预测模型的模型训练参数，结合随机森林算法，训练得到辅助优化模型，用于得到井漏事件阶段预测模型的训练误差和优化模型训练参数；
7、根据与井漏事件的相关性符合预设要求的井漏特征数据，结合xgboost算法，训练得到井漏事件严重级别预测模型，用于当井漏事件阶段预测模型预测得到的井漏事件的阶段为疑似井漏或井漏时，预测井漏事件的严重级别。
8、在一种实施方案中，钻井工程数据包括以下任一项或其任意组合：钻井深度数据、钻时数据、转盘转速数据、泵冲数据、扭矩数据、大钩负荷(hook load)数据、钻压数据、立管压力数据、套管压力数据；地层压力数据包括以下任一项或其任意组合：静压数据、破裂压力数据、原始地层压力数据、泵深数据、完钻深度数据、射孔井段顶深数据、射孔井段底深数据、静压梯度数据。
9、在一种实施方案中，所述获取历史录井数据，并根据历史录井数据构建井漏事件数据库，包括：
10、获取历史录井数据，对历史录井数据进行预处理和归一化处理，并根据预处理后的历史录井数据构建井漏事件数据库，其中，预处理包括以下任一项或其任意组合：无效数据删除处理、缺失数据补录处理、降噪处理。
11、在一种实施方案中，所述根据井漏事件数据库中的历史录井数据，通过主成分分析，得到与井漏事件的相关性符合预设要求的井漏特征数据，包括：
12、利用主成分分析法，得到井漏事件数据库中的历史录井数据包括的各项数据与井漏事件的皮尔森相关系数；
13、根据井漏事件数据库中的历史录井数据包括的各项数据与井漏事件的皮尔森相关系数，剔除井漏事件数据库内历史录井数据中皮尔森相关系数的绝对值小于0.5的数据，得到与井漏事件的相关性符合预设要求的井漏特征数据。
14、在一种实施方案中，所述根据与井漏事件的相关性符合预设要求的井漏特征数据，设置井漏事件阶段预测模型的模型训练参数，利用麻雀算法极限学习机，训练得到井漏事件阶段预测模型，用于预测井漏事件的阶段，包括：
15、将与井漏事件的相关性符合预设要求的井漏特征数据按照第一预设比例划分为训练集和测试集，并建立井漏事件阶段预测模型的目标函数，其中，训练集和测试集均包括按照第二预设比例划分的发现者的训练数据、跟随者的训练数据、侦察者的训练数据，井漏事件阶段预测模型的目标函数包括发现者的位置更新公式、跟随者的位置更新公式、侦察者的位置更新公式；
16、设置井漏事件阶段预测模型的初始模型训练参数，其中，初始模型训练参数包括以下任一项或其任意组合：最优隐元、种群数量、最大迭代次数、权值阈值个数、搜索空间的上下界；
17、设置井漏事件阶段预测模型的适应度函数，并初始化井漏事件阶段预测模型的适应度函数的数值；
18、根据训练集，对井漏事件阶段预测模型进行网格训练，在网格训练过程中迭代更新发现者的位置、跟随者的位置以及适应度函数的数值，并根据测试集，验证和优化井漏事件阶段预测模型的预测性能，以得到最终的井漏事件阶段预测模型；
19、根据最终的井漏事件阶段预测模型，通过绘制混淆矩阵热力图，得到模型性能评估指标数据。
20、在一种实施方案中，发现者的位置更新公式为：
21、
22、发现者的位置更新公式中，xi,j表示解空间中第i只麻雀在第j维度上的位置信息，t表示当前迭代次数，t表示最大迭代次数，α表示取值区间为(0,1]的随机值，r2表示麻雀个体遇到危险时的预警值，取值范围为[0，1]，st表示麻雀个体遇到危险时的安全阈值，取值范围为[0.5，1]，q表示满足正态分布的随机数，l表示由元素1组成的1*d的矩阵，d表示维度。
23、在一种实施方案中，跟随者的位置更新公式为：
24、
25、跟随者的位置更新公式中，xi,j表示解空间中第i只麻雀在第j维度上的位置信息，xworstij表示适应度函数的数值最小的位置信息，xbestij表示适应度函数的数值最大的位置信息，t表示当前迭代次数，q表示满足正态分布的随机数，l表示由元素1组成的1*d的矩阵，a+满足关系式a+＝at(aat)-1,a表示由全是元素1或-1组成的1*d的矩阵，at表示a的转置，n表示种群数量，其他为
26、在一种实施方案中，侦察者的位置更新公式为：
27、
28、侦察者的位置更新公式中，xi,j表示解空间中第i只麻雀在第j维度上的位置信息，xworstij表示适应度函数的数值最小的位置信息，xbestij表示适应度函数的数值最大的位置信息，t表示当前迭代次数，β表示步长调节因子，k表示麻雀个体移动的方向，取值区间为[0,1]，e表示接近零的常数，用于防止分母出现0，f表示当前迭代下第i只麻雀的适应度函数的数值，fi表示当前迭代下适应度函数的数值最大的值，fg表示当前迭代下适应度函数的数值最小的值，当fi＞fg时，表示第i只麻雀处于觅食圈的外围，更容易受到捕食者的攻击，当fi＝fg时，表示麻雀个体意识到危险，需要往中心安全区域靠拢。
29、在一种实施方案中，所述根据与井漏事件的相关性符合预设要求的井漏特征数据和井漏事件阶段预测模型的模型训练参数，结合随机森林算法，训练得到辅助优化模型，用于得到井漏事件阶段预测模型的训练误差和优化模型训练参数，包括：
30、根据训练集和井漏事件阶段预测模型的初始模型训练参数，结合随机森林算法，训练得到辅助优化模型；
31、根据测试集，得到井漏事件阶段预测模型的预测误差数据，并通过辅助优化模型，得到井漏事件阶段预测模型的优化模型训练参数。
32、本发明还提供另一种基于多机器学习模型融合的井漏事件动态预警方法，包括：
33、接收实时的录井数据，其中，实时的录井数据包括钻井工程数据和地层压力数据；
34、根据上述任一项所述的基于多机器学习模型融合的井漏事件动态预警方法筛选得到的与井漏事件的相关性符合预设要求的井漏特征数据，从实时的录井数据中得到实时的井漏特征数据；
35、根据实时的井漏特征数据，通过上述任一项所述的基于多机器学习模型融合的井漏事件动态预警方法训练得到的井漏事件阶段预测模型，预测井漏事件的阶段；
36、当井漏事件阶段预测模型预测得到的井漏事件的阶段为疑似井漏或井漏时，根据实时的井漏特征数据，通过上述任一项所述的基于多机器学习模型融合的井漏事件动态预警方法训练得到的井漏事件严重级别预测模型，预测井漏事件的严重级别。
37、本发明还提供一种基于多机器学习模型融合的井漏事件动态预警系统，包括：
38、数据接收模块，用于：接收实时的录井数据，其中，实时的录井数据包括钻井工程数据和地层压力数据；
39、预处理模块，用于：根据上述任一项所述的基于多机器学习模型融合的井漏事件动态预警方法筛选得到的与井漏事件的相关性符合预设要求的井漏特征数据，从实时的录井数据中得到实时的井漏特征数据；
40、井漏事件阶段预测模块，用于：根据实时的井漏特征数据，通过上述任一项所述的基于多机器学习模型融合的井漏事件动态预警方法训练得到的井漏事件阶段预测模型，预测井漏事件的阶段；
41、井漏事件严重级别预测模块，用于：当井漏事件阶段预测模型预测得到的井漏事件的阶段为疑似井漏或井漏时，根据实时的井漏特征数据，通过上述任一项所述的基于多机器学习模型融合的井漏事件动态预警方法训练得到的井漏事件严重级别预测模型，预测井漏事件的严重级别。
42、本发明还提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现上述任一种所述的基于多机器学习模型融合的井漏事件动态预警方法。
43、本发明还提供一种非暂态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任一种所述的基于多机器学习模型融合的井漏事件动态预警方法。
44、本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述任一种所述的基于多机器学习模型融合的井漏事件动态预警方法。
45、本发明提供的一种基于多机器学习模型融合的井漏事件动态预警方法及系统，利用麻雀算法极限学习机训练的井漏事件阶段预测模型学习不同井漏事件阶段下历史录井数据的变化，通过机器学习确定录井数据与井漏事故之间的关系，能够通过数据发现钻井过程中潜在的威胁并做出预警，大大降低对工程师的依赖和提高井漏事件的预警效率，以及利用随机森林算法训练的辅助优化模型优化井漏事件阶段预测模型的网络设置参数，有效提高井漏事件阶段预测模型的预测准确性。此外，还利用xgboost算法训练的井漏事件严重级别预测模型学习不同井漏事件严重级别下历史录井数据的变化，当井漏事件阶段为疑似井漏或井漏时，能够精细化预测井漏事件的严重级别，极大程度提高预警井漏事件的精确性，使管理人员在井漏事故发生前或井漏事故变得更加严重前及时采取相应措施，在保证钻井工程的安全性的同时避免或尽量降低损失。
1.一种基于多机器学习模型融合的井漏事件动态预警方法，其特征在于，包括：
2.根据权利要求1所述的基于多机器学习模型融合的井漏事件动态预警方法，其特征在于，钻井工程数据包括以下任一项或其任意组合：钻井深度数据、钻时数据、转盘转速数据、泵冲数据、扭矩数据、大钩负荷(hook load)数据、钻压数据、立管压力数据、套管压力数据；地层压力数据包括以下任一项或其任意组合：静压数据、破裂压力数据、原始地层压力数据、泵深数据、完钻深度数据、射孔井段顶深数据、射孔井段底深数据、静压梯度数据。
3.根据权利要求1所述的基于多机器学习模型融合的井漏事件动态预警方法，其特征在于，所述根据井漏事件数据库中的历史录井数据，通过主成分分析，得到与井漏事件的相关性符合预设要求的井漏特征数据，包括：
4.根据权利要求3所述的基于多机器学习模型融合的井漏事件动态预警方法，其特征在于，所述根据与井漏事件的相关性符合预设要求的井漏特征数据，设置井漏事件阶段预测模型的模型训练参数，利用麻雀算法极限学习机，训练得到井漏事件阶段预测模型，用于预测井漏事件的阶段，包括：
5.根据权利要求4所述的基于多机器学习模型融合的井漏事件动态预警方法，其特征在于，发现者的位置更新公式为：
6.根据权利要求5所述的基于多机器学习模型融合的井漏事件动态预警方法，其特征在于，所述根据与井漏事件的相关性符合预设要求的井漏特征数据和井漏事件阶段预测模型的模型训练参数，结合随机森林算法，训练得到辅助优化模型，用于得到井漏事件阶段预测模型的训练误差和优化模型训练参数，包括：
7.一种基于多机器学习模型融合的井漏事件动态预警方法，其特征在于，包括：
8.一种基于多机器学习模型融合的井漏事件动态预警系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于多机器学习模型融合的井漏事件动态预警方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于多机器学习模型融合的井漏事件动态预警方法。
