基于CNN-MultiLSTM的坍塌壓力預測方法

摘要：地層坍塌壓力的解析模型參數獲取煩瑣，加之用于機器學習的隨機數據可解釋性差，嚴重影響了鉆前預測精度。為此，基于已鉆井波阻抗分布規律，生成海量的虛擬井波阻抗數據；利用褶積理論和地層坍塌壓力模型計算得到虛擬井的合成地震記錄和坍塌壓力數據，建立基于CNN-MultiLSTM神經網絡的坍塌壓力鉆前預測模型。研究結果表明：基于已鉆井數據生成海量虛擬井訓練數據的方法，有效提升了常規隨機生成訓練數據的可解釋性；基于正交試驗對神經元個數、學習率、迭代次數等超參數優化后的新模型在訓練集和驗證集的均方根誤差均小于0.1，性能優于隨機森林等傳統訓練模型；對B-8井的坍塌壓力（當量密度）的預測值與解析解的絕對誤差小于0.02 g/cm3，相對誤差小于1.635%；井徑測井和電成像測井結果顯示，預測結果與實鉆情形較為一致。研究結果有效提升了利用地震數據預測坍塌壓力的預測精度，對推廣機器學習方法在石油工程領域的應用具有積極作用。

關鍵詞：坍塌壓力；井壁穩定；鉆前預測；深度學習；CNN-MultiLSTM神經網絡；訓練模型；正交試驗

中圖分類號：TE242

文獻標識碼：A

202407051

Collapse Pressure Prediction Method Based on CNN-MultiLSTM

Zhang Xin1，2 Lu Yunhu1，2 Fu Xing3 Xie Renjun3 Zhou Changsuo3 Yuan Junliang1 Song Yangjie1，2

（1.State Key Laboratory of Petroleum Resources and Prospecting，China University of Petroleum （Beijing）；2.College of Petroleum Engineering，China University of Petroleum （Beijing）；3.CNOOC Research Institute Co.，Ltd.）

The parameter acquisition for the analytical model of formation collapse pressure is cumbersome，and the interpretability of the random data used for machine learning is poor，which seriously affect the accuracy of predrilling prediction.Based on the wave impedance distribution of existing wells，mass virtual well wave impedance data were generated.Then，the convolution theory and the formation collapse pressure model were used to figure out the synthetic seismogram and collapse pressure data of the virtual well.Finally，a predrilling prediction model of collapse pressure based on CNN-MultiLSTM was built.The research results show that the method of generating mass virtual well training data based on existing well data effectively improves the interpretability of conventional randomly generated training data.The new model built after optimization of hyperparameters such as the number of neurons，learning rate and iteration times based on orthogonal test has a root mean square error of less than 0.1 in both the train and validation sets，and performs better than traditional training models such as random forest.Application to Well B-8 reveals the absolute error and relative error between the predicted collapse pressure and the analytical solution being less than 0.02 g/cm3 and less than 1.635%，respectively.The caliper logging and electrical imaging logging results show that the predicted results are relatively consistent the actual drilling findings.The research results effectively improve the accuracy of collapse pressure prediction using seismic data，and play a positive role in promoting the application of machine learning method in the field of petroleum engineering.

collapse pressure；sidewall stability；predrilling prediction；deep learning；CNN-MultiLSTM；training model；orthogonal test

0 引 言

井壁穩定問題是油氣資源勘探開發中的關鍵問題之一［1］，提高地層坍塌壓力的鉆前預測精度對于優化設計鉆井液密度和井身結構以維持井壁穩定至關重要［2］。隨著油氣資源勘探領域面向超深地層、深水地層，對坍塌壓力的鉆前預測提出了更高的要求［3］。

國內外學者對地層坍塌壓力的預測研究主要基于地震數據和測井數據，但由于測井數據在鉆前預測方面存在滯后性，在實際鉆探前，地震數據仍然是唯一可用的數據來源。利用地震數據進行地層坍塌壓力鉆前預測，通常是建立地層彈性參數與地震場傳播規律之間的數學模型，利用最小化求解從地震數據中求得地層參數，進而用于坍塌壓力力學模型計算。從地震數據中求取地層參數和建立地層坍塌壓力力學模型是此類方法的核心。Y.HIRAMATSU等［4］基于線彈性力學理論，提出井周應力的線彈性解析解。陳勉等［5-8］眾多學者在此基礎上，結合不同類型的巖石強度準則建立了多種坍塌壓力計算模型，這些模型為準確預測坍塌壓力提供了理論基礎。金衍等［9-10］構建了地震速度、地震屬性及地震記錄與地層參數、地層坍塌壓力的關聯模型，實現了研究區域地層坍塌壓力的預測。馬妮等［11］通過方位疊前地震反演方法獲得地層地質力學參數，并基于Mohr-Coulomb準則的坍塌壓力模型建立了地震數據預測地層坍塌壓力的方法流程，實現了靶區的三維地層坍塌壓力預測。這些針對地層坍塌壓力鉆前預測的應用研究均取得較好效果，但受限于地震數據頻帶寬度和模型的復雜程度，此類方法在現場應用的精度和時效仍需提高。同時由于地震數據的多解性和層速度的不確定性，地層坍塌壓力解析模型的參數獲取難度大，給地層坍塌壓力的鉆前預測帶來極大挑戰。

近年來，人工智能技術特別是機器學習方法的快速發展，無需依賴傳統嚴格的物理模型，為此類問題提供了創新解決方案。國內外學者利用機器學習方法在地應力反演［12］、孔隙壓力預測［13］、巖石力學參數預測［14］及層位預測［15］等領域取得許多成果。在井壁穩定方面，HUANG H.等［16］通過對測井和鉆井參數進行機器學習訓練來預測地層有效應力，并比較了隨機森林、支持向量機和多層感知器神經網絡等多種機器學習方法的預測結果，取得較好預測效果。陳凱楓等［17］基于工程錄井參數建立井漏風險智能判別方法。李萍等［18］基于實時鉆進參數建立孔隙壓力智能預測方法。馬天壽等［19］通過優化設計隨機森林、多項式回歸等多種機器學習方法的相關參數，基于測井資料實現對斜井的坍塌壓力預測。D.P.PHAN等［20］基于孔隙彈性坍塌壓力模型生成的數據集進行機器學習訓練，實現地層坍塌壓力的隨鉆實時預測，為現場節省了大量時間成本。越來越多的研究人員正在使用機器學習方法來尋找實鉆參數、測井參數與井壁穩定之間的非線性映射關系。這些研究使機器學習在井壁穩定預測中的應用取得了巨大成功。然而，關于測井數據進行機器學習訓練的研究較多，而基于地震數據利用機器學習方法預測坍塌壓力的研究相對較少，且對地震鉆前坍塌壓力預測的精度有待進一步提高。

為此，本文從地震數據出發，建立基于CNN-MultiLSTM神經網絡的深度學習模型，進行地層坍塌壓力預測研究。首先，基于研究區域已鉆井波阻抗數據分布規律生成海量虛擬井，進而利用褶積理論和地層坍塌壓力理論模型生成訓練數據，建立基于CNN-MultiLSTM神經網絡的深度學習模型；然后，基于正交試驗對神經元個數、學習率、迭代次數等超參數進行優化，使用訓練好的深度網絡模型在新井上進行預測驗證。

1 數據與方法

1.1 數據處理流程

有監督的深度學習預測模型的效果往往取決于模型的復雜程度和用于訓練的數據數量。在石油勘探開發領域中，井的數量是有限的，因此限制了可用于深度學習標簽訓練數據的數量。為了克服這一問題，必須利用地球物理先驗知識擴充井位上的標記數據，生成合成的標簽數據用于訓練深度學習模型。

在一定的研究區域內，地層巖石的物理性質往往具有一定的相似性和橫向連續性?；谶@一事實，提出如下2個假設：①在一定的研究區域內，不同井位地層阻抗數據滿足一定的概率分布；②從已鉆井中提取的阻抗數據分布可以代表該區域內的阻抗數據分布。基于上述假設，可以生成海量用于深度學習訓練的井數據。圖1展示了虛擬井數據處理流程。本文重點針對區域內砂泥巖地層展開預測研究。

1.2 虛擬井波阻抗

首先，搜集已鉆井相關資料，得到對應的波阻抗分布規律。分別選擇韋伯分布、高斯分布及拉普拉斯分布理論對已鉆井波阻抗進行擬合，優選符合波阻抗分布規律的擬合方法，結果如圖2所示。

圖2a中，藍、紅、綠曲線分別是已鉆井資料依據韋伯分布、高斯分布及拉普拉斯分布擬合得到的頻數。其中韋伯分布位置特征偏右，拉普拉斯分布尺度特征偏高，而高斯分布與實鉆數據較為符合。這表明已鉆井波阻抗數據近似符合均值為7 339、方差為639的高斯分布規律。依據該規律可以生成海量的虛擬井。

圖2b是生成的虛擬井的波阻抗數據，其波阻抗頻數統計規律與已鉆井波阻抗相符。

1.3 虛擬井子波

依據已鉆井資料提取子波數據，如圖3a所示。圖3a中黑色實線是地震記錄經過快速傅里葉變換提取的頻譜信息;紅色實線是擬合的子波頻譜信息，子波主頻為16.7 Hz。對提取的子波頻譜進行傅里葉反變換，得到子波數據，如圖3b所示。

1.4 虛擬井合成記錄與坍塌壓力

依據得到的研究區域子波和虛擬井反射系數，通過褶積運算則可以得到對應的合成地震記錄。之后，依據虛擬井的波阻抗數據，利用gardner公式和常規巖石力學計算公式，得到對應的巖石力學基礎參數，進而得到虛擬井的坍塌壓力解析解標簽。最終建立了由地震記錄到坍塌壓力的訓練數據，可用于深度神經網絡進行學習訓練。研究區域共有5口已鉆井，采用其中4口井數據，并利用虛擬井的數據方法生成2 000口虛擬井用于神經網絡訓練。故用于訓練的數據含有2 004口井，共7 014 000組數據。將數據按照7∶3隨機劃分為訓練集和驗證集。用第5口未參與訓練井的數據作為預測井進行模型預測結果驗證。

1.5 基于CNN-MultiLSTM的坍塌壓力預測模型

建立的CNN-MultiLSTM神經網絡框架如圖4所示。

首先基于研究區域內已鉆井波阻抗分布規律和巖石物理診斷理論，生成海量虛擬井波阻抗數據；然后利用褶積理論和地層坍塌壓力理論模型計算，得到虛擬井的合成地震記錄和坍塌壓力數據，建立用于機器學習的地震記錄和坍塌壓力數據對；再通過1D-CNN層提取地震記錄的數據維度特征，經過多重LSTM層訓練得到地層坍塌壓力預測結果。最終，深度學習模型可以通過高緯度地震記錄得到研究區域的坍塌壓力預測結果。

1.6 模型評價指標

在機器學習領域，常用均方根誤差RMSE來表示模型的損失函數，利用決定系數R2來表示模型的性能函數。RMSE和R2計算式如下：

RMSE=1m∑mi=1ypi-yti2（1）

R2=1-∑mi=1（yti-ypi）2∑mi=1（yti-ym）2（2）

式中：RMSE為地層坍塌壓力預測值與實際測量值之間的標準差（均方根誤差），以當量密度表示，g/cm3；R2為決定系數，用來評估模型預測結果準確度，無量綱；ypi、yti、ym分別為地層坍塌壓力預測值、實際測量值和平均值（當量密度），g/cm3；m為預測值個數。

一般來說，模型損失函數越小，決定系數越大，模型性能越好。

2 結果與討論

2.1 超參數優化

模型超參數會影響整個深度學習模型的預測性能和精度。為了進一步提升模型的綜合性能，結合前人對神經網絡模型的研究經驗，重點針對每層的神經元個數、學習率、Dropout比例和迭代次數等進行模型超參數優化。考慮到交叉試驗會極大增加工作量，采用正交試驗法進行優化設計。以1D-CNN層神經元個數、MultiLSTM層神經元個數、學習率、Dropout比例和迭代次數為參數因子，每個因子設置4個水平數，如表1所示。其中：1D-CNN層神經元個數設置為128、64、32及16；MultiLSTM層的神經元個數設置為16、32、64及128，學習率設置為0.000 1、0.001、0.01及0.1；Dropout比例設置為0、0.1、0.2及0.3，迭代次數設置為100、300、500及700。

對1D-CNN層神經元個數、MultiLSTM層神經元個數、學習率、Dropout比例及迭代次數的均方根誤差和決定系數進行分析，結果如圖5所示。從優化結果來看：1D-CNN層神經元個數對均方根誤差影響不大，但個數越多決定系數約大，最優的神經元個數為128個；隨著MultiLSTM層神經元個數的增加，均方根誤差先增大后減小，決定系數先增大后減小，綜合考慮最優神經元個數為64個；學習率對預測結果影響較大，0.001為最優選擇；隨著Dropout比例增加，均方根誤差變小并趨于平緩，決定系數增大，最優參數為0.4，優化結果與機器學習領域普遍認識一致，當模型神經元較大，Dropout比例適當增大有助于增強模型性能。最終的超參數最優解為：1D-CNN層神經元個數128個，MultiLSTM層神經元個數64個，學習率0.001，Dropout比例0.4，迭代次數500次。

2.2 訓練結果對比

進一步將新模型與常用的隨機森林模型的訓練結果進行對比，結果如圖6所示。

由圖6可知：建立的預測模型訓練集和驗證集的均方根誤差均小于0.1，兩者的趨勢走向一致且穩定，訓練結果表現較好，模型性能較優；隨機森林模型訓練集與驗證集的均方根誤差隨著迭代次數的增加，趨勢走向逐漸偏離，這表明隨機森林模型存在過擬合現象，訓練效果與新模型相比其泛化能力相對較差。

2.3 模型局限性

本文提出的新模型大大簡化了常規的預測流程，有效提升了地震數據鉆前預測坍塌壓力的預測精度。然而，提出的虛擬井數據生成方法只針對砂泥巖地層，忽略了地層縱向上的巖性變化影響。隨著地質勘探工作的深入和地質條件的復雜性增加，僅僅針對某一特定地層類型的數據生成學習模型無法全面覆蓋和準確反映實際地質情況。為了解決這個問題，未來的研究應更加注重多套地層的數據生成學習，并構建更加復雜、靈活的模型來適應這些變化。

3 方法驗證

圖7為研究區域在砂泥巖井段發生嚴重坍塌的B-8井的坍塌壓力預測結果與實際坍塌位置的對比結果。預測坍塌壓力大于實鉆鉆井液當量密度的位置與發生坍塌的位置具有較高的一致性，表明新模型能夠簡化坍塌壓力預測流程，提高了地層坍塌壓力的預測時效和預測精度。

圖8為井深4 613.8 m處不同井斜角與方位角的坍塌壓力解析解與預測值的投影云圖對比。由圖8可知，預測值與解析解的絕對誤差小于0.02 g/cm3，

相對誤差小于1.635%，表明新模型具有較好的泛化預測性能?，F場數據顯示，在預測坍塌壓力大于實鉆鉆井液當量密度的位置，通過井徑測井和電成像測井證明發生了不同程度的失穩現象。在井深4 613.8 m處，預測坍塌壓力當量密度為1.275 g/cm3，而實鉆鉆井液當量密度為1.240 g/cm3，井壁失穩風險較高。實鉆下鉆至4 618 m遇阻80 kN，劃眼后通過，井徑測井結果顯示，4 612～4 618 m井段的井徑擴大率最大達到36%，現場數據進一步驗證了模型的準確性。

4 結 論

（1）基于CNN-MultiLSTM神經網絡建立的地震數據預測坍塌壓力流程方法，優化了現場解析模型計算煩瑣的問題，提高了鉆前預測坍塌壓力的精度。提出的虛擬井數據生成方法，避免了隨機生成數據不可解釋性的問題，提高了深度學習訓練數據的可解釋性。

（2）新模型超參數的設置包含隱含層數、卷積核長度、步長、激活函數、優化方法以及迭代次數。隱含層包含1D-CNN和MultiLSTM網絡層，其中1D-CNN設置為2層，每層神經元個數為128個，卷積核的長度設置為5，步長為1；MultiLSTM網絡層設置為2層，每層神經元個數為64個。學習率為0.001，Dropout比例的參數設置為0.4，優化方法為Adam方法，迭代次數為500次。

（3）新模型在訓練集和驗證集的均方根誤差均小于0.1，表明訓練效果較好；訓練集和驗證集的趨勢走向一致且穩定，表明其泛化能力較強；新模型表現優于隨機森林等傳統訓練模型。

（4）井徑測井和電成像測井結果顯示，新模型對研究區域B-8井的坍塌壓力預測值大于實鉆鉆井液當量密度的位置，實鉆過程發生了不同程度的失穩現象，表明新模型對坍塌壓力的預測效果較好。

參考文獻

［1］ 李磊，楊進，周波，等．渤海中深井復雜地層巖石特性及安全鉆井周期研究［J］．中國海上油氣，2022，34（3）：126-132．

LI L，YANG J，ZHOU B，et al.Rock characteristics and safe drilling cycle of complex formation in middle-deep wells in Bohai［J］.China Offshore Oil and Gas，2022，34（3）：126-132.

［2］ 金衍，薄克浩，張亞洲，等．深層硬脆性泥頁巖井壁穩定力學化學耦合研究進展與思考［J］．石油鉆探技術，2023，51（4）：159-169．

JIN Y，BO K H，ZHANG Y Z，et al.Research progress and consideration on mechanical-chemical coupling of borehole stability in deep hard and brittle shale［J］.Petroleum Drilling Techniques，2023，51（4）：159-169.

［3］ 張磊，許杰，劉海龍，等．層理性地層井壁坍塌失穩規律研究［J］．石油機械，2019，47（2）：24-32．

ZHANG L，XU J，LIU H L，et al.Research on wellbore collapse of stratification formation［J］.China Petroleum Machinery，2019，47（2）：24-32.

［4］ HIRAMATSU Y，OKA Y.Stress around a shaft or level excavated in ground with a three-dimensional stress state［J］.Kyoto University，1962，24（1）：56-76.

［5］ 陳勉，金衍，張廣清．石油工程巖石力學［M］．北京：科學出版社，2008．

CHEN M，JIN Y，ZHANG G Q.Petroleum engineering rock mechanics［M］.Beijing：Science Press，2008.

［6］ 程萬，金衍，陳勉，等．一種基于頁巖損傷規律的井壁坍塌壓力確定方法［J］．石油鉆探技術，2014（2）：37-40．

CHENG W，JIN Y，CHEN M，et al.A method to estimate borehole collapse pressure based on shale damage law［J］.Petroleum Drilling Techniques，2014（2）：37-40.

［7］ MA T S，CHEN P，YANG C H，et al.Wellbore stability analysis and well path optimization based on the breakout width model and Mogi-Coulomb criterion［J］.Journal of Petroleum Science and Engineering，2015，135：678-701.

［8］ 劉海龍，張磊，謝濤，等．脆性泥頁巖橢圓形井眼坍塌規律分析［J］．石油機械，2020，48（5）：28-33．

LIU H L，ZHANG L，XIE T，et al.Analysis of the collapse law of elliptical brittle mud shale boreholes［J］.China Petroleum Machinery，2020，48（5）：28-33.

［9］ 金衍，陳勉，楊曉奇．利用層速度鉆前預測安全泥漿密度窗口研究［J］．巖石力學與工程學報，2004，23（14）：2430-2433．

JIN Y，CHEN M，YANG X Q.Prediction of safe mud density window by interval velocity before drilling［J］.Chinese Journal of Rock Mechanics and Engineering，2004，23（14）：2430-2433.

［10］ 吳超，陳勉，金衍．利用地震屬性鉆前預測井壁穩定性［J］．石油鉆探技術，2006，34（3）：35-37．

WU C，CHEN M，JIN Y.Predicting borehole stability before drilling using seismic attributes［J］.Petroleum Drilling Techniques，2006，34（3）：35-37.

［11］ 馬妮，林正良，胡華鋒．基于地震數據的坍塌壓力預測方法［C］∥2022年中國石油物探學術年會．?？冢褐袊蛯W會石油物探專業委員會，中國地球物理學會勘探地球物理委員會，2022：506-509．

MA N，LIN Z L，HU H F.Collapse pressure prediction method based on seismic data［C］∥2022 China Petroleum Geophysical Exploration Academic Annual Conference.Haikou：Petroleum Exploration Professional Committee of the Chinese Petroleum Society，Exploration Geophysics Committee of the Chinese Geophysical Society，2022：506-509.

［12］ 馬天壽，向國富，石榆帆，等．基于雙向長短期記憶神經網絡的水平地應力預測方法［J］．石油科學通報，2022，7（4）：487-504．

MA T S，XIANG G F，SHI Y F，et al.Horizontal geostress prediction method based on bidirectional long and short term memory neural network［J］.Petroleum Science Bulletin，2022，7（4）：487-504.

［13］ ZHANG X，LU Y H，JIN Y，et al.An adaptive physics-informed deep learning method for pore pressure prediction using seismic data［J］.Petroleum Science，2024，21（2）：885-902.

［14］ 邵蓉波，肖立志，廖廣志，等．基于遷移學習的地球物理測井儲層參數預測方法研究［J］．地球物理學報，2022，65（2）：796-808．

SHAO R B，XIAO L Z，LIAO G Z，et al.A reservoir parameters prediction method for geophysical logs based on transfer learning［J］.Chinese Journal of Geophysics，2022，65（2）：796-808.

［15］ 李紫璇，張菲菲，祝鈺明，等．鉆井模型與機器學習耦合的實時卡鉆預警技術［J］．石油機械，2022，50（4）：15-21，93．

LI Z X，ZHANG F F，ZHU Y M，et al.Real-time pipe sticking early warning technology based on coupling of drilling model and machine learning［J］.China Petroleum Machinery，2022，50（4）：15-21，93.

［16］ HUANG H，YANG H，WANG B，et al.Research on prediction methods of formation pore pressure based on machine learning［J］.Energy Science amp; Engineering，2022，10（6）：1886-1901.

［17］ 陳凱楓，楊學文，宋先知，等．基于工程錄井數據的井漏智能診斷方法［J］．石油機械，2022，50（11）：16-22．

CHEN K F，YANG X W，SONG X Z，et al.An intelligent diagnosis method for lost circulation based on engineering logging data［J］.China Petroleum Machinery，2022，50（11）：16-22.

［18］ 李萍，于琛，王建龍，等．基于實時鉆進參數的孔隙壓力智能預測技術［J］．石油機械，2024，52（5）：1-8．

LI P，YU C，WANG J L，et al.Intelligent prediction of pore pressure using real-time drilling parameters［J］.China Petroleum Machinery，2024，52（5）：1-8.

［19］ 馬天壽，張東洋，楊赟，等．基于機器學習模型的斜井坍塌壓力預測方法［J］．天然氣工業，2023，43（9）：119-131．

MA T S，ZHANG D Y，YANG Y，et al.Machine learning model based collapse pressure prediction method for inclined wells［J］.Natural Gas Industry，2023，43（9）：119-131.

［20］ PHAN D T，LIU C，ALTAMMAR M J，et al.Application of artificial intelligence to predict time-dependent mud-weight windows in real time［J］.SPE Journal，2022，27（1）：39-59.

第一張鑫，生于1993年，現為在讀博士研究生，研究方向為油氣地質力學與人工智能交叉學科。地址：（102249）北京市昌平區。email：18611349324@163.com。

通信作者：盧運虎，教授。email：luyh@cup.edu.cn。2024-07-262024-08-19王剛慶