(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110043087.0 (22)申请日 2021.01.13 (65)同一申请的已公布的文献号 申请公布号 CN 112765880 A (43)申请公布日 2021.05.07 (73)专利权人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 梁海波　杨海　刘杰　李忠兵　 张禾　于学会　邹佳玲　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 代理人 刘妮 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) E21B 47/10(2012.01)G06F 111/06(2020.01) G06F 113/08(2020.01) (56)对比文件 CN 111487172 A,2020.08.04 CN 111563706 A,2020.08.21 EP 37210 54 A1,2020.10.14 CN 109523 072 A,2019.0 3.26 周凡涵 等.基 于人工神经网络的河口区盐 水入侵预报研究. 《水文》 .2020,第40卷(第6期), 第55-62页. 李光辉.钱塘 江河口盐水入侵数值模拟. 《中 国优秀博硕士学位 论文全文数据库(博士) 工程 科技Ⅱ辑》 .2017,(第1 1期),第C 038-54页. Xiankai B 等.Study of mixed mode fracture toughnes s and fracture trajectories i n gypsum i nterlayers i n corrosive enviro nment. 《Royal Society Open Science》 .2018,第5卷(第1期),第171374页. 审查员 孙洁 (54)发明名称 一种基于Bi-LSTM监测地层饱和盐水侵入量 的方法 (57)摘要 本发明提供一种基于Bi ‑LSTM监测地层饱和 盐水侵入量的方法， 包括入口和出口的实时氯离 子浓度曲线的确定； 入口和出口处流量实时曲线 的确定； 地层饱和盐水中氯离子浓度的确定； 地 层饱和盐水的总侵入量的计算； 数据训练集与测 试集的划分， Bi ‑LSTM预测模型的参数设置以及 模型训练， 模 型的反向传播和地层饱和盐水侵入 量预测值的反归一化。 本发明充分利用了LS TM网 络对流量数据的长期记忆性， 同时采用Bi ‑LSTM 又充分解决了在对时序数据进行预测时， LS TM仅 应从前往后考虑数据的特性的缺陷。 同时监督学 习都能够 有效发觉变量之间存在联系， 提高了地 层饱和盐水的预测精度。 权利要求书3页 说明书8页 附图3页 CN 112765880 B 2022.03.25 CN 112765880 B 1.一种基于Bi ‑LSTM监测地层饱和盐水侵入量的方法， 其特征在于： 所述方法包括以下 步骤： 步骤一： 测量得到入口和出口 的氯离子的浓度曲线； 步骤二： 测量得到入口和出口 的实时流 量曲线； 步骤三： 计算 地层饱和盐水中 氯离子的物质的量； 在计算过程中， 要找到出口处 的泥浆对应的入口钻井液， 由于井 内的钻井液流速V变化 不大， 视为恒定流速， 钻井液从入口到出口所流过的距离s得知， 所以钻井液从入口到出 口 流动所用时间Δt求得： 上式中s为钻井液从入口到出口所流过的距离， v为钻井液的流速； 将实时监测得到的氯离子浓度曲线和流量曲线分为5秒一个小段， 总共划分为N段， 其 中N＝1， 2,3 ……， 积分算出每一小段流入和流出的物质的量n1、 n2， 得到每一小段的氯离子 增加的物质的量Δni； 先计算流入的氯离 子的物质的量： 式中n1为流入的氯离子的物质的量， C1为入口处 氯离子的浓度， Q1为入口处的流量， t1为 第一段的初始时刻， t2为第一段的终止时刻； 再计算流出的氯离 子的物质的量： 式中n2为出口的氯离子的物质的量， C2为出口处的氯离子浓度， Q2为出口处的流量， t5为 第一段的初始时刻， t6为第一段的终止时刻； 然后计算第一段5秒内增 加的氯离 子的物质的量： 步骤四： 计算出饱和盐水中地层饱和盐水的侵入量； 所述步骤四中， 用光纤温度测量仪测量地层饱和盐水处的地层温度， 得到该温度下饱 和盐水中的氯离 子浓度C3， 计算算出第一小段的地层饱和盐水的侵入量： 最后将每一小段的地层饱和盐水侵入量累加得 出总的地层饱和盐水的侵入量： 步骤五： 根据预测的结果， 选取影响结果的影响因子x ′1,x′2,…,x′m作为对所建立的 模型的评价指标， 在筛选预测模型评价指标之前， 进 行皮尔逊相关系数分析， 然后确定最 终权　利　要　求　书 1/3 页 2 CN 112765880 B 2的评价指标， 得到 筛选后的数据集； 步骤六： 对数据集中自变量和 因变量的原始数据序列进行更正， 对更正后的数据进行 预处理； 将数据集划分训练集 合测试集， 对训练集 合测试集进行归一 化； 步骤七： 构建Bi ‑LSTM网络模型， 确定用于地层饱和盐水侵入量预测的Bi ‑LSTM模型结 构， 设置Bi ‑LSTM模型初始参数值； 使用训练集对Bi ‑LSTM模型进行训练， 得到训练后的Bi ‑ LSTM模型； 步骤八： 使用测试集对训练后的Bi ‑LSTM模型进行预测性能评估， 当误差满足预期或达 到模型训练迭代次数， 停止训练， 确定模型参数； 否则， 继续训练模型直至满足预期； 步骤九： 模型训练结束后， 输入测试集得到训练好的Bi ‑LSTM网格中， 得到测试结果， 对 结果进行反归一 化。 2.根据权利要求1中所述的基于Bi ‑LSTM监测地层饱和盐水侵入量的方法， 其特征在 于， 所述步骤五中， 影响因素基于预测地层饱和盐水侵入量进 行选择， 分为氯离子浓度测量 影响因素， 超声波流量计量流量影响因素， 光纤温度计测量温度影响因素三类， 所述的氯离 子浓度测量影响因素包括测量噪声x1、 环境温度x2、 泥浆流速x3、 泥浆浓度x4； 所述超声波 流量计测量的影响因素包括管道污物x5， 工作压力x6； 所述光纤温度计测量影响因素包括 重力拉力产生的应变x7， 同时采用皮尔逊相关系数对影响因素进 行相关性分析各个因素之 间的关系计算方法如下： 式中X为影响因素， Y为 地层饱和盐水侵入量。 3.根据权利要求1所述的基于Bi ‑LSTM监测地层饱和盐水侵入量的方法， 其特征在于， 所述步骤 六中， 将更新后的数据转换为监督学习的时间序列数据， 并进 行归一化处理， 并且 以预测精度最高为 目标， 将数据集划分为训练集和数据集， 测试集和训练集的划分方法如 下： 取200组实验数据， 以预测精度 最高为目标， 将数据集的15 ％‑85％划分为训练集， 剩余 数据划分为测试集， 测试集用于调整Bi ‑LSTM的模 型和对预测精度的评估， 训练集适用于训 练Bi‑LSTM模型。 4.根据权利要求1中的基于Bi ‑LSTM监测地层饱和盐水侵入量的方法， 其特征在于： 所 述步骤八中， 在建立Bi ‑LSTM模型时， 在前向和 后向的数据信息传递过程计算隐藏层和输出 层的向量， 并分别保存于数据组内， 同时通过更新参数使得模 型梯度下降， 通过权重更新函 数分别实现输入门， 输出门及遗 忘门权重的更新； 根据地层饱和盐水侵入量预测值与真实值间的差值距离， 测算模型的预测效果评价指 标； 将均方根误差RMSE作为损失函数， 求取梯度下降后的模型参数， 实现误差的反向传播， 当误差到达最低或者迭代到最大迭代次数状态时， 确定模型最终参数， 停止模型的训练， 获 得完整的Bi ‑LSTM模型。 5.根据权利要求1所述的基于Bi ‑LSTM监测地层饱和盐水侵入量的方法， 其特征在于： 所述步骤九中， 模型训练结束后， 输入测试集到训练好的Bi ‑LSTM网格中， 得到测试地层饱 和盐水浸入结果， 对实际计算结果进 行对比， 同时将预测所得到的结果反归一化， 便于与原 始标签比较， 衡量模型的性能的好坏， 预测结果的反归一 化公式如下：权　利　要　求　书 2/3 页 3 CN 112765880 B 3