[发明专利]机械钻速预测方法及装置

权利要求书

1.一种机械钻速预测方法，其特征在于，包括：

获得机械钻井数据；

根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；

将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；

将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；

将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；

将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。

2.如权利要求1所述的机械钻速预测方法，其特征在于，所述深度神经网络模型包含属性内组合层和属性外组合层；

将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数包括：

将类型为非线性关系参数的机械钻井数据输入属性内组合层，输出属性类型；

分别对各属性类型的机械钻井数据进行非线性组合计算，得到对应的计算结果；

将非线性组合计算的结果输入属性外组合层，输出非线性拟合参数，所述属性外组合层包含多层全连接神经网络。

3.如权利要求2所述的机械钻速预测方法，其特征在于，所述属性类型包括：地质参数，钻井液参数和工程参数；

分别对各属性类型的机械钻井数据进行非线性组合计算，得到对应的计算结果，包括：

对属性类型为地质参数的机械钻井数据进行非线性组合计算，得到岩石强度参数；

对属性类型为钻井液参数的机械钻井数据进行非线性组合计算，得到钻井液交叉参数；

对属性类型为工程参数的机械钻井数据进行非线性组合计算，得到工程交叉参数。

4.如权利要求1所述的机械钻速预测方法，其特征在于，将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果包括：

利用交叉神经网络模型的因子分解机网络计算所述线性相关参数，非线性拟合参数和线性拟合参数之间的高阶交叉参数；

对所述高阶交叉参数进行线性拟合；

根据线性拟合的结果确定机械钻速预测结果。

5.一种机械钻速预测装置，其特征在于，包括：

数据获得模块，用于获得机械钻井数据；

数据分类模块，用于根据破岩机理信息，对所述机械钻井数据进行分类，机械钻井数据的类型包括：线性关系参数、非线性关系参数和模糊线性关系参数；

线性相关参数预测模块，用于将类型为线性关系参数的机械钻井数据输入预先训练好的单输入线性神经网络模型，输出线性相关参数，其中所述单输入线性神经网络模型中包含机械钻井数据与机械钻速的线性拟合网络结构；

非线性拟合参数预测模块，用于将类型为非线性关系参数的机械钻井数据输入预先训练好的深度神经网络模型，输出非线性拟合参数；

线性拟合参数预测模块，用于将类型为模糊线性关系参数的机械钻井数据输入预先训练好的混合输入线性神经网络模型，输出线性拟合参数，其中所述混合输入线性神经网络模型中包含线性神经元；

机械钻速预测模块，用于将所述线性相关参数，非线性拟合参数和线性拟合参数输入预先训练好的交叉神经网络模型，输出机械钻速预测结果。

6.如权利要求5所述的机械钻速预测装置，其特征在于，所述深度神经网络模型包含属性内组合层和属性外组合层；

非线性拟合参数预测模块进一步用于：

将类型为非线性关系参数的机械钻井数据输入属性内组合层，输出属性类型；

分别对各属性类型的机械钻井数据进行非线性组合计算，得到对应的计算结果；

将非线性组合计算的结果输入属性外组合层，输出非线性拟合参数，所述属性外组合层包含多层全连接神经网络。