本发明属于石油工程，具体涉及到石油钻井过程中的数据分析和工况判断，以及利用录井数据进行溢漏工况的定性判断。
背景技术：
1、在石油钻井作业中，溢漏工况是指井口液体或气体溢出的情况，可能会导致事故和安全隐患。溢漏工况具有较高的安全风险，可能导致液体或气体泄漏到不安全的区域，引发火灾、爆炸或中毒；溢漏工况可能导致系统功能受限，液体溢出可能导致设备无法正常工作，气体泄漏可能导致系统压力不稳定；溢漏工况可能会造成资源浪费，液体溢出可能导致原材料浪费，气体泄漏可能导致能源浪费；溢漏工况也会造成环境污染。因此，及时准确地判断和识别溢漏工况对于保障钻井作业的安全和高效非常重要。
2、传统的溢漏工况判断方法主要依赖于人工观察、经验判断和离线分析，这些方法存在着准确性低、效率低、延迟高等问题。此外，传统方法多数基于时间间隔较长的数据，往往无法满足实时监测和预警的需求。
3、近年来，随着录井仪器的发展和数据采集技术的进步，石油工程领域开始广泛应用实时秒数据进行工况分析。实时秒数据是指以秒为单位生成的高频率数据，能够提供更为细致和精确的工况信息。基于录井实时秒数据的溢漏工况定性判断方法的提出，旨在利用高频率的实时秒数据，结合数据分析和模型建立的方法，实现对溢漏工况的准确、实时的定性判断。通过对录井数据进行实时监测和分析，可以快速识别异常工况，并及时采取相应的措施，以保障钻井作业的安全和高效进行。
技术实现思路
1、针对现有技术的不足，本发明提供了一种基于录井实时秒数据的溢漏工况定性判断方法；
2、本发明还提供了一种基于录井实时秒数据的溢漏工况定性判断系统。
3、本发明的技术方案为：
4、一种基于录井实时秒数据的溢漏工况定性判断方法，包括：
5、通过钻井现场的录井数据采集系统收集实时秒数据；
6、数据预处理；
7、构建cnn-bigru并行网络模型；
8、对构建的cnn-bigru并行网络模型进行训练和调优；
9、将实时收集的秒数据经过数据预处理后，通过训练和调优后的cnn-bigru并行网络模型进行溢漏工况定性判断；包括：数据预处理后的秒数据经过cnn-bigru并行网络模型提取出高维组合特征，将高维组合特征作为输入，svm分类器对高维组合特征进行直接分类，即完成溢漏工况定性工作。
10、进一步优选的，实时收集的秒数据包括井深、钻头深度、大钩高度、钻压、大钩载荷、转盘扭矩、转盘转速和立管压力8个录井参数。
11、根据本发明优选的，数据预处理，是指：依次进行数据清洗、参数相关性分析、参数选择、样本标定及数据归一化处理；包括：
12、数据清洗；包括：对于缺失值，当特征缺失率超过70％时，直接删除；否则，特征符合均匀分布则采用均值补全，特征符合线性分布则用中位数补全；对于异常值，将异常值转换为空值后，利用均值或中位数对空值补全；
13、参数相关性分析；包括：
14、采用pearson相关系数衡量各个变量与目标变量之间的相关性强度；计算各工程录井参数与工况间的pearson相关系数。
15、参数选择；
16、选取以下8个与工况联系紧密的参数：井深、钻头深度、大钩高度、钻压、大钩载荷、转盘扭矩、转盘转速和立管压力；
17、样本标定；标注九种常见钻井工况，包括：接单根、起钻、下钻、正划眼、倒划眼、循环、旋转钻进、滑动钻进和溢漏；在钻井现场，根据录井数据变化趋势进行钻井工况识别；
18、数据归一化处理；采用最大-最小归一化方法对数据进行归一化处理。
19、进一步优选的，pearson相关系数的计算公式(1)为:
20、
21、其中，x、y为变量，cov(x,y)为x、y的协方差,d(x)为x的方差，d(y)为y的方差，ρx,y为x、y的pearson相关系数。
22、进一步优选的，采用最大-最小归一化方法对数据进行处理,计算公式如下:
23、
24、其中，为第i个变量max-min标准化后的结果，xi为原始i个变量，min(xi)为原始第i个变量的最小值，max(xi)为原始第i个变量的最大值。
25、根据本发明优选的，构建cnn-bigru并行网络模型；包括：
26、cnn-bigru并行网络模型包括卷积神经网络cnn与双向的gru网络即bigru并联预训练模型和全连接加支持向量机特征分类模型；
27、卷积神经网络cnn与双向的gru网络包括两个分支，其中一个分支包括串联的两个一维卷积层、平均池化层，另一个分支包括bigru网络；两个分支后加入了一个dropout层；特征分类模型包括两个全连接层；
28、gru网络包括更新门和重置门；更新门zt用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门zt的值为(0,1)，重置门rt控制前一状态有多少信息被写入当前的候选集ht-1上，它的值与更新门相同，重置门rt的值为(0,1)，代表当前神经元的候选隐藏状态；其计算公式分别为：
29、zt＝σ(wtht-1+uzxt+bz) (3)
30、rt＝σ(wrht-1+urxt+br) (4)
31、
32、其中，σ为sigmoid非线性激活函数，将全部实数映射到(0,1)区间，wz、wr、wh、uz、ur、uh、bz、br、bh是需要学习的矩阵；
33、当前神经元传入下一神经元的隐藏状态为ht，计算公式如式(6)所示：
34、
35、其中，(1-zt)ht-1为遗忘ht-1中一些不重要的信息，表示对综合选择之前神经元一些重要信息；
36、bigru当前的隐层状态由当前的输入xt、t-1时刻向前的隐层状态的输出、向的隐层状态的输出三个部分共同决定。
37、bigru的最终输出计算公式如式(7)、式(8)、式(9)所示：
38、
39、
40、
41、其中，gru()函数表示对输入的词向量的非线性变换，把词向量编码成对应的gru隐层状态；wt、vt分别表示t时刻双向gru网络所对应的前向隐层状态和反向隐状态所对应的权重，bt表示t时刻隐层状态所对应的偏置；
42、cnn包括输入层、一维卷积层、relu激活层、平均池化层、全连接层和输出层；
43、输入层：将经过数据预处理得到的数据作为输入；
44、一维卷积层：通过设置好大小的滤波器完成对输入的录井数据的特征提取，如式(10)所示：
45、ci＝f(ω·xi:i+h-1+b) (10)
46、其中：ω是卷积核；h是卷积核的尺寸；b是偏置项；通过一维卷积层后，得到特征矩阵ci＝[c1，c2，...，cn-h+1]；
47、relu激活层：relu激活层使用relu激活函数，如式(11)所述：
48、f(x)＝max(0,x) (11)
49、其中，x是输入值，f(x)是经过relu函数变换后的输出值；
50、平均池化层：通过对一维卷积层之后的特征矩阵ci进行下采样，求得局部值的最优解mi；如式(12)所示：
51、mi＝average(c1,c2,...,cn-h+1)＝average|c| (12)
52、全连接层：将平均池化层后的mi连接成特征矩阵u，如式(13)所示：
53、u＝[m1,m2,...,mn] (13)
54、输出层：最后一层全连接层对组合特征取最大值直接分类；如式(14)所示：
55、
56、其中，y＝|y1,y2,..,yn|，每个yi都是一种类别，通过遍历所有的yi与待预测值x通过评分函数h(x,y)进行计算得分，得分最高的yi即为x的多分类结果。
57、根据本发明优选的，对构建的cnn-bigru并行网络模型进行训练和调优；包括：
58、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于录井实时秒数据的溢漏工况定性判断方法的步骤。
59、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于录井实时秒数据的溢漏工况定性判断方法的步骤。
60、一种基于录井实时秒数据的溢漏工况定性判断系统，包括：
61、实时秒数据收集模块，被配置为：通过钻井现场的录井数据采集系统收集实时秒数据；
62、数据预处理模块，被配置为：数据预处理；
63、cnn-bigru并行网络模型构建及训练模块，被配置为：构建cnn-bigru并行网络模型；对构建的cnn-bigru并行网络模型进行训练和调优；
64、溢漏工况定性判断模块，被配置为：将实时收集的秒数据经过数据预处理后，通过训练和调优后的cnn-bigru并行网络模型进行溢漏工况定性判断；包括：数据预处理后的秒数据经过cnn-bigru并行网络模型提取出高维组合特征，将高维组合特征作为输入，svm分类器对高维组合特征进行直接分类，即完成溢漏工况定性工作。
65、本发明的有益效果为：
66、本发明可提高工况判断准确性，通过对实时秒数据进行分析和算法处理，可以提取出更多的特征和模式，从而增强判断的准确性。并且可以及时发现和判断溢漏工况，使得钻井作业人员能够迅速采取相应的措施，减少潜在的安全风险和损失。还可以实现工况判断的自动化处理，减少人工干预和主观判断的影响。准确判断溢漏工况可以帮助钻井作业人员及时采取措施，避免因溢漏工况而导致的钻井中断、设备损坏或其他问题，从而提高钻井作业的效率和连续性，提高钻井作业效率。
1.一种基于录井实时秒数据的溢漏工况定性判断方法，其特征在于，包括：
2.根据权利要求1所述的一种基于录井实时秒数据的溢漏工况定性判断方法，其特征在于，实时收集的秒数据包括井深、钻头深度、大钩高度、钻压、大钩载荷、转盘扭矩、转盘转速和立管压力8个录井参数。
3.根据权利要求1所述的一种基于录井实时秒数据的溢漏工况定性判断方法，其特征在于，数据预处理，是指：依次进行数据清洗、参数相关性分析、参数选择、样本标定及数据归一化处理；包括：
4.根据权利要求3所述的一种基于录井实时秒数据的溢漏工况定性判断方法，其特征在于，pearson相关系数的计算公式(1)为:
5.根据权利要求3所述的一种基于录井实时秒数据的溢漏工况定性判断方法，其特征在于，采用最大-最小归一化方法对数据进行处理,计算公式如下:
6.根据权利要求1所述的一种基于录井实时秒数据的溢漏工况定性判断方法，其特征在于，构建cnn-bigru并行网络模型；包括：
7.根据权利要求6所述的一种基于录井实时秒数据的溢漏工况定性判断方法，其特征在于，
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一所述的基于录井实时秒数据的溢漏工况定性判断方法的步骤。
9.一种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权利要求1-7任一所述的基于录井实时秒数据的溢漏工况定性判断方法的步骤。
10.一种基于录井实时秒数据的溢漏工况定性判断系统，其特征在于，包括：
