具体实施方式

下面结合附图对本发明作进一步详细描述：

作为钻井工程设计的一部分，钻井液设计过程依赖专家经验。而人工智能技术在解决这类依靠经验思维的推理问题时有其独特优势，早期研究成功并获得应用的是基于规则推理的专家系统，但这类专家系统存在一些不足，比如需收集大量的专家知识来填充专家系统的规则库，这非常耗费时间且难以实现，所以这种问题限制了基于规则推理专家系统的应用领域。

钻井液设计是钻井工程设计的重要组成部分，设计质量直接关系到钻井过程中井眼的稳定性和质量、油气井产能建设目标的实现。多年来，钻井数字化建设为基于历史数据的钻井液设计奠定了基础，但是由于高维度信息检索匹配困难，传统检索或推理方法难以实现基于钻井液案例库的钻井液方案决策设计。本发明提出一种基于孪生神经网络的范例推理方法，主要包括范例库的构建形式、基于孪生神经网络的钻井液范例匹配架构和范例推理算法(范例库的构建形式指下面表1描述内容，基于孪生神经网络的钻井液范例匹配架构指图2所展示的架构，范例推理算法指图1所展示的流程)，可显著提高基于范例库的钻井液匹配准确率，且适用于范例库或输入参数不完整下(同完整的范例库或输入参数是相同的，但是会因为范例库不完整或者输入参数不完整导致相似度匹配存在较大误差)的智能推荐，有助于提高钻井液设计的科学性和便捷性。

基于孪生神经网络的范例推理技术作为一种快捷的求解相似问题的方法，其核心思想是用历史范例和实践经验去解决现在面临的新问题。它的基本思路是：首先根据问题的描述从中提取能表征这个问题的特征信息，然后利用这些特征信息与范例库中的范例进行对比，检索出与之相似的范例，最后根据新问题的具体要求对检索到的相似范例加以训练整合或修改，得出解决当前问题的方案。如果范例库内容足够丰富，那么就有机会找到与当前待解决问题完全相同的范例直接获得解决方案，然而大多数情况下检索结果都是与当前待解决问题存在部分相似，所以就必须根据待解决问题的实际情况和特殊要求对相似范例进行相应变化，这个过程就被称为范例的修正与优化。相似范例经过修改后的结果就是对新问题的全解，同时新问题和他的全解就组合成了一个新的范例，通过筛选决定是否将其存入源范例库来完成机器学习。这个学习过程使得机器处理问题的能力不断增强，求解过程变得更加轻松。

本发明是基于孪生神经网络的范例推理技术的钻井液设计方法，其核心思想是用曾经的范例和实践经验去解决现在面临的新的钻井液设计问题。范例库是历史钻井液设计方案的存储单元，是提供求解钻井液设计方案的数据基础。由图1可以看出基于范例推理的钻井液设计流程是：根据用户输入的设计井基本数据，从中自动提取特征属性，随后范例检索机制启动，开始在钻井液范例库中搜寻与之相似的钻井液设计方案，如果查找出的相似范例能够满足设计井的设计需求，则将此相似范例输出作为设计结果，否则根据设计井的具体施工要求，对相似范例进行修正和优化，在修正与优化部分利用基于神经网络、规则推理系统和支持向量机的集成学习模型(集成学习是一种现有的学习模式，由神经网络模型、规则推理模型和支持向量机模型带权叠加获得，在此不再赘述。)完成相似范例的修正，使得设计结果达到设计井施工需求。最后可根据一定的筛选原则，选择是否将输出的钻井液设计方案所形成的这个新范例加入到源范例库来达到系统学习的目的。

在基于孪生神经网络的范例推理技术中，将本来复杂的知识工程简化到用范例库的形式来表示，这使得钻井液设计知识的收集和存储都变得相对简单，对于范例库中知识的应用和维护都变得更加容易。

(1)范例内容

一个钻井液设计范例包含的内容是有限的，所以本发明采取提取钻井液设计方案特征的表示方法，将范例用一系列的构成它的特征来表示。在用户向系统输入钻井液设计问题时，系统会根据问题描述从中提取出相应特征属性(即表1中的各个信息)，然后通过这些特征属性来与范例库中的数据相比对，找出相似范例。

根据钻井液的设计需要，主要整理了包括：范例名称、油田、区块、井别、井型、完钻井深、地层类型、岩性描述、地层粘土矿物信息、地层泥页岩理化信息、井下复杂情况及处理措施、潜在事故类型及应对方法、钻井液体系名称、钻井液配方、钻井液性能参数、钻井液维护处理要点、油气层保护要求以及井身结构等方面的信息来形成钻井液设计范例。

(2)范例的表示结构

本发明的一条完整的钻井液范例包含范例信息和钻井液设计方案。所述范例信息包括：油田名称、区块名称、井名、井别、井型、地表类型、地层(群/组/段)、地层岩性1、地层岩性2、地层岩性3、地层岩性4、其它岩性、渗透率、孔隙、裂缝、溶洞、原油类型层水类型、天然气类型、CO₂、H₂S、开次、顶深、底深、是否储层、孔隙压力系数、坍塌压力系数、破裂压力系数、井漏、井塌、卡钻、井喷、地层敏感性、井径扩大率、钻井液体系等信息。所述钻井液设计方案包括钻井液配方、钻井液性能参数、钻井液维护处理要点、油气层保护要求以及井身结构等方面的信息。在钻井液设计过程中，针对具有某一特征的“范例信息”，系统经过一系列相似性分析，从而求解得到一口新井的钻井液设计方案。

(3)范例框架表示结构举例

将某口井的钻井液设计方案按照框架表示法进行特征提取处理，其结构层次如表1所示，表1中的槽1到槽8表示8个能够输入范例信息的文本框，在每个槽下输入的是该槽的信息，例如槽1是基本信息，需要输入的信息包括“油田名称”、“区块名称”、“井名”、“井型”、“井别”、“地表类型”、“地层(群/组/段)”。使用本发明时，使用者需要一一填入各个槽内的信息。图1中的“特征属性提取”就是指获得表1中的各个信息。

表1

从本质上来看，基于孪生神经网络的范例推理技术是以使用过去的经验为基础，从而获得当前问题求解结果的一种推理模式。使用基于孪生神经网络的范例推理方法求解问题的第一步就是将待求解问题按照范例库中的范例表示形式进行描述，从而才能在范例库中找到与之相似的范例。而在本发明中需要用户输入的问题描述信息也就是前面所提到的“范例信息”(指表1中槽1到槽8的全部信息)。范例检索的本质就是对当前待解决问题与过去问题进行相似度比较，经对范例库中范例相似度排序后，找出与当前问题相似度较高的一个或多个的历史问题，即找到了相似度较高的一个或多个钻井液设计方案。

研究范例检索技术，需要研究两个不同范例各组成要素之间的相似性，也就是范例采用框架结构表示后构成范例的各个特征之间的相似性，本质上就是找出各特征属性之间的相似度计算模型。其基本思想是在计算出组成范例的各特征属性之间的相似度后，对这些特征属性相似度进行综合即得到两个范例之间的相似度。因此可以看出范例特征属性之间的相似度计算在设计基于范例推理中起到了非常关键的作用。

从表1可以看出，在表示一个钻井液范例的各个属性中存在数值，所以在计算范例的总体相似度时根据数值类来计算。

目前，范例的检索策略主要有神经网络、最近邻法、K—近邻法、模糊匹配法、归纳法、知识引导法、模板检索法等。在本发明的范例匹配数值类算法中，相似度算法选取一种孪生神经网络(图1中的“检索机制”步骤中引入了孪生神经网络，采用孪生神经网络计算新问题与范例之间的相似度，获得相似度从大到小依次排列的多个相似范例)，孪生神经网络是一种现有的神经网络的框架，而不是具体的某种网络，就像seq2seq一样，具体实现上可以使用RNN也可以使用CNN。它的基本思想是：让案例1、案例2中提取到的数值特征参数作为范例检索的初始数据分别经过网络提取特征向量，然后在最后一层对两个特征向量做一个相似度损失函数，进行网络训练。最后得出新问题中数值类特征属性与每一条原范例数值特征属性的相似度。相似度计算原理如图2所示。

研究发现，对于相同的初始条件数据，若采用二组不同的参数权值进行范例的相似度计算，得到的结果大不相同，因而能否找到一组合理的参数权值对得到准确的检索结果至关重要。之前专家评议、打分的参数权值选定方法被普遍采用，在本发明中采用了孪生神经网络的方法。

检索中数值特征属性相似度计算函数采用公式：

式中，表示向量X和向量Y经过孪生网络迭代训练后之间的距离，Sim_num(X，Y)是两个范例之间的相似度；

X—一个由初始条件特征参数值构成的向量，X＝(x1,x2,…,xn)，指输入的新问题的初始特征构成的向量；

Y—源范例中与初始条件参数对应的参数值构成的向量，Y＝(y1,y2,…,yn)，指范例库中的已有范例的初始特征构成的向量；

x_i—第i个目标条件特征参数的值；

y_i—第i个源范例对应x_i条件特征参数的值；

Sim_num(X,Y)—向量X和向量Y在孪生网络迭代够(迭代过程中孪生神经网络的损失函数达到最小值)的相似度函数(利用孪生神经网络得到的距离然后再用上式计算得到相似度Sim_num(X,Y))；

w_i—第i个参数的权值，w的值在孪生网络训练中不断更新(W表示权重，b表示偏差，w和b在神经网络训练过程中由于迭代寻找最优解所以是会发生变化的，网络的每一层对应的w是不同的)

图2中的x1、x2表示对应X、Y中的一个参数；

一个丰富的钻井液设计方案范例库是系统设计成功与否的关键。因此，当完成一口新井的钻井液设计后，这个设计方案应该被及时添加到范例库来充实系统。然而如果这个新设计方案与范例库中已存在的某一范例重合或极为相似，那就不必将此次设计方案添加到范例库。当检索出的相似范例仅能满足实际设计中的部分要求时，即范例库中没有与设计井直接相同的钻井液设计方案，这时就需要对这些范例进行整合或修改，再将形成的新设计方案加入到范例库。

本发明的实施例如下：

【实施例一】

如图1所示，本发明方法包括：

(1)利用已知钻井液设计方案的范例建立范例库

首先将已知钻井液设计方案的范例逐一输入到范例库中。在范例库中存储有范例信息和该范例信息对应的钻井液设计方案。所述范例信息包括表1中的所有信息，例如范例名称、油田名称、区块名称、井别、井型、完钻井深、地层类型、岩性描述、地层粘土矿物信息、地层泥页岩理化信息、井下复杂情况及处理措施、潜在事故类型及应对方法、钻井液体系名称等等。所述钻井液设计方案包括钻井液配方、钻井液性能参数、钻井液维护处理要点、油气层保护要求以及井身结构等方面的信息。

(2)获取新问题的各个特征属性：对新问题进行特征属性提取，得到新问题的各个特征属性；

首先将新问题(即待求解问题)按照范例库中的范例表示形式进行描述，范例采用如表1所示的框架结构表示后构成范例的各个特征，提取范例信息中的数值特征参数作为新问题的各个特征属性，表1中的范例信息中的数值特征参数即为新问题的各个特征属性。

(3)逐一将新问题的各个特征属性与范例库中的每个范例的各个特征属性进行对比，检索出范例库中与新问题最相似的范例作为相似范例；

具体的，采用孪生神经网络获得新问题与范例库中的各个范例之间的相似度，找到相似度最大的范例，该范例即为所述相似范例；

(4)判断所述相似范例是否符合要求(根据专家经验判断是否满足设计井的设计需求)，如果是，则转入步骤(7)，如果否，则转入步骤(5)；

(5)对所述相似范例进行修正与优化(据设计井的具体施工要求，对相似的范例中的钻井液的体系选择和配方组成进行修正和优化，具体方法采用现有方法即可，在此不再赘述。)，得到新问题的解，即获得新的钻井液设计方案，将新问题的范例信息和新的钻井液设计方案作为新范例；

(6)将新范例输入到范例库内，然后返回步骤(3)：

本实施例中是利用孪生神经网络将新范例输入到范例库内，具体操作包括：将新范例依次和范例库中的每个范例一一成对输入孪生神经网络，循环迭代直到孪生神经网络收敛或者循环次数小于指定值，该指定值可由用户指定，一般取较大的整数。利用孪生神经网络将新范例输入到范例库内是为了使新范例能够根据范例库中已有的范例对新范例自身进行校正，进而满足建库的要求，即新范例调整自己使其与现有的范例属于同一个分布空间，也就是说成为同一种类型的数据，这个是数学上的现有方法，在此不再赘述。

(7)输出钻井液设计方案：将所述相似范例的钻井液设计方案输出。

【实施例二】

本发明还提供了一种钻井液设计系统，包括：

范例库，被配置为存储范例；本实施例中，所述范例库中存储有每个范例的范例信息和该范例信息对应的钻井液设计方案。所述范例信息包括：基本信息、地层岩性、孔隙介质特征、地层流体特征、井段、三压力剖面、钻井风险类型、地层敏感性、井径扩大率、钻井液体系；所述钻井液设计方案包括：钻井液配方、钻井液性能参数、钻井液维护处理要点、油气层保护要求以及井身结构。

范例库建立单元：与所述范例库连接，被配置为将已知钻井液设计方案的范例逐一输入到范例库中；

新问题输入单元：被配置为获取新问题的各个特征属性；本实施例中，所述新问题输入单元输入的是新问题的范例信息；提取输入的新问题的范例信息中的各个数值特征参数作为新问题的各个特征属性。

检索单元，分别与范例库、新问题输入单元连接，被配置为根据新问题的各个特征属性检索出范例库中与新问题最相似的范例作为相似范例；本实施例中，所述检索单元对范例库中的每个范例分别进行以下处理：根据新问题的各个特征属性与范例库中的范例的各个特征属性，利用孪生神经网络获得新问题与范例库中的该范例之间的相似度；

找到相似度最大的范例，该相似度最大的范例即为所述相似范例。

判断单元，分别与检索单元、修正与优化单元、输出单元连接，被配置为判断所述相似范例是否符合要求，如果是，则将相似范例发送给输出单元，如果否，则将相似范例发送给修正与优化单元；

修正与优化单元，与判断单元、新范例输入单元连接，被配置为对所述相似范例进行修正与优化，获得新问题的解，将新问题和新问题的解形成新范例，并将新范例发送给新范例输入单元；

新范例输入单元，分别与范例库、修正与优化单元连接，被配置为将所述新范例输入到范例库内；本实施例中，所述新范例输入单元利用孪生神经网络将新范例输入到范例库内。

输出单元，与判断单元连接，被配置为将相似范例的钻井液设计方案输出。

为了验证本发明的效果，利用本发明在30余个油田、800余口井、180余种钻井液体系、1800余种配方、3857个钻井液的设计案例中，钻井液范例的框架层次结构如表1所示。

首先输入真实的钻井液相关的参数，如井型、井深、邻井井下复杂情况等，图3和图4分别为两口井的输入参数。以某油田的两口井为例。

输入完毕过后点击下一步，进行案例匹配。然后计算出相似的案例，如图5和图6所示，图5和图6分别为两口井的输出结果，对应每个开次相似的范例从高往低排列。

采用交叉验证的模式，得到的钻井液匹配的平均准确率达到了81.2％。相较于传统的欧氏距离以及带权欧式距离得到的准确率分别提升了13.9％和3.1％。

在基于孪生神经网络的范例推理技术中，将本来复杂的知识工程简化到用范例库的形成来表示，这使得钻井液设计知识的收集和存储都变得相对简单，对于范例库中知识的应用和维护都变得更加容易。该成果在石油行业推广和应用可有效解决钻井液设计推理的问题，并可为钻井液配方设计优选以及合理制定实施案例提供依据，具有非常广阔的市场前景。

上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。