本发明是关于一种基于动态时间规整算法的岩石力学参数随钻预测方法、装置、设备及介质，涉及油气田开发工程领域。
背景技术：
1、岩石力学参数的准确评估对于预测油气藏中的岩石行为、优化开采方案以及确保钻井工程的安全可靠性至关重要。传统基于测井数据解释岩石力学参数的方法虽然在一定程度上能够提供有关岩石性质的信息，但是难以应对复杂地质条件下的岩石力学问题。
2、目前，机器学习在岩石力学参数预测中的应用已成为研究热点。机器学习方法通常采用无假设的策略，无需事先了解领域专家的知识或制定特定规则。这种能力使得机器学习方法能够利用输入和输出参数之间的复杂关联性，高效地解决岩石力学领域的挑战性问题。
3、尽管基于机器学习算法的岩石力学参数模型已经被广泛研究，但是现有的模型常常只采用一种机器学习模型或简单组合多种机器学习算法，忽略了不同算法之间的权重分配问题。这种简单组合方法无法充分利用各算法之间的优点，也无法处理不同算法之间的差异和相互依赖关系，从而在处理复杂数据集时存在缺陷，导致数据集中的细微差异信息丢失。这些信息丢失可能影响岩石力学参数预测的可靠性和有效性。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，针对上述问题，本发明的目的是提供一种能够有效预测岩石力学参数，提高预测结果的准确性和可靠性的基于动态时间规整算法的岩石力学参数随钻预测方法、装置、设备及介质。
2、为了实现上述发明目的，本发明采用的技术方案为：
3、第一方面，本发明提供一种基于动态时间规整算法的岩石力学参数随钻预测方法，该方法包括：
4、计算岩石力学参数；
5、利用基于滑动窗口的自编码器异常值识别方法识别岩石力学参数的异常值，并利用bp神经网络修正岩石力学参数的异常值；
6、基于动态时间规整算法融合已构建的cnn-lstm模型和随机森林模型，自动调整cnn-lstm模型和随机森林模型的权重分配，基于修正后的岩石力学参数通过全新融合算法模型构建的弹性模量预测模型、泊松比预测模型和抗压强度预测模型，实现岩石力学参数随钻预测。
7、在一些实施方式中，求取岩石力学参数之前，还包括数据预处理的步骤，包括：
8、利用pearson相关系数方法计算特征参数和标签值之间的相关性强弱，特征参数包括钻井深度、钻压、转速、扭矩、泵压、排量、泥浆密度、温度、dc指数、等效循环当量密度；标签值包括弹性模量、泊松比和单轴抗压强度；
9、采用最小-最大归一化方法将特征参数缩放到0到1的范围内。
10、在一些实施方式中，利用pearson相关系数方法计算特征参数和标签值之间的相关性强弱的判别准则，包括：
11、将pearson相关系数小于0.3定义为弱相关性的判别准则；
12、将pearson相关系数大于0.3且小于0.5作为中等程度相关性的判别准则；
13、将pearson相关系数大于0.5作为强相关性的判断准则；
14、其中，优选中等相关性和强相关性的特征参数作为相应模型的输入参数。
15、在一些实施方式中，岩石力学参数的计算公式：
16、ed＝ρvs2(3vp2-4vs2)/(vp2-2vs2)；
17、μd＝(vp2-2vs2)/2(vp2-2vs2)；
18、μs＝a1+b1μd；
19、es＝a2+b2ed；
20、ucs＝0.0045·ed(1-vcl)+0.008ed·vcl；
21、式中，ρ为岩石密度；vp为纵波速度；vs为横波速度；μs、μd分别为静态和动态泊松比；es、ed分别为静态和动态弹性模量；a1、b1、a2、b2为常数；vcl为泥质含量，ucs为岩石抗压强度。
22、在一些实施方式中，利用bp神经网络修正识别的岩石力学参数的异常值，包括：
23、利用滑动窗口法识别和删掉异常值；
24、使用训练好的bp神经网络模型对缺失值所在的井段数据进行补充；
25、输出修正后的岩石力学参数。
26、在一些实施方式中，通过已钻井区域的岩石力学参数数据集基于cnn-lstm算法和随机森林算法构建cnn-lstm模型和随机森林模型。
27、在一些实施方式中，基于动态时间规整算法融合已构建的cnn-lstm模型和随机森林模型，自动调整cnn-lstm模型和随机森林模型的权重分配，基于修正后的岩石力学参数通过全新融合算法模型构建的弹性模量预测模型、泊松比预测模型和抗压强度预测模型，实现岩石力学参数随钻预测，包括：
28、输入岩石力学数据集至cnn-lstm模型和随机森林模型后，通过动态时间规整算法分别计算当前预测井well-n的数据分布与训练集中已学习的井well-1,well-2,well-3,well-4,‥‥well-(n-1)在井眼深度上对应特征参数分布的相似度；基于每个位置(i,j)的最短距离d(i,j)，计算每个数据点cnn-lstm模型和随机森林算法的权重w(di,j)；根据输入数据well-n每个数据点，优选出最佳的cnn-lstm模型和随机森林模型的融合策略，得到全新融合算法模型rf-cnn-lstm，其中，计算每个数据点cnn-lstm模型和随机森林算法的权重的公式为：
29、
30、其中，i对应着研究区预测井的深度值，j对应着研究区模型已学习的井数量；
31、基于全新融合算法模型rf-cnn-lstm，分别基于随钻参数与对应的弹性模量数据构建弹性模量预测模型，基于随钻参数与对应的泊松比构建泊松比预测模型，基于随钻参数与对应的抗压强度构建抗压强度预测模型；
32、基于修正后的岩石力学参数通过构建的弹性模量预测模型、泊松比预测模型和抗压强度预测模型实现岩石力学参数随钻预测。
33、第二方面，本发明提供的一种基于动态时间规整算法的岩石力学参数随钻预测装置，该装置包括：
34、岩石力学参数计算单元，被配置为基于测井数据和室内岩心试验结果，求取岩石力学参数；
35、异常值识别及修正单元，被配置为利用基于滑动窗口的自编码器异常值识别方法识别岩石力学参数的异常值，并利用bp神经网络修正岩石力学参数的异常值；
36、融合预测单元，被配置为基于动态时间规整算法融合已构建的cnn-lstm模型和随机森林模型，自动调整cnn-lstm模型和随机森林模型的权重分配，基于修正后的岩石力学参数通过全新融合算法模型构建的弹性模量预测模型、泊松比预测模型和抗压强度预测模型，实现岩石力学参数随钻预测。
37、第三方面，本发明提供一种电子设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法中的任一方法的指令。
38、第四方面，本发明还提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法中的任一方法。
39、本发明由于采取以上技术方案，其具有以下特点：
40、1、本发明利用动态时间规则算法高效融合cnn-lstm算法和随机森林算法，通过实时自动调整cnn-lstm算法和随机森林算法的权重分配，可以有效避免某个算法过分依赖于某些特定的数据集，更好地捕捉岩石力学参数的复杂关系和非线性特征，从而提高模型在不同数据集上的预测能力。
41、2、本发明的模型具备实时预测岩石力学参数的能力，可以在钻井作业过程中进行即时预测，这种实时性能够为钻井工程的决策提供有价值的信息，使得在钻井过程中能够及时进行调整和优化。
42、3、本发明利用基于滑动窗口的自编码器异常值识别方法来自动识别异常值，利用bp神经网络进行异常值的修正，能够充分利用数据的非线性特征，很好地避免较大值和较小值的影响，有效地纠正异常数据，同时保持整体数据的精度。
43、综上，本发明可以广泛应用于油气田开发中。
1.一种基于动态时间规整算法的岩石力学参数随钻预测方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于动态时间规整算法的岩石力学参数随钻预测方法，其特征在于，求取岩石力学参数之前，还包括数据预处理的步骤，包括：
3.根据权利要求2所述的基于动态时间规整算法的岩石力学参数随钻预测方法，其特征在于，利用pearson相关系数方法计算特征参数和标签值之间的相关性强弱的判别准则，包括：
4.根据权利要求1所述的基于动态时间规整算法的岩石力学参数随钻预测方法，其特征在于，岩石力学参数的计算公式：
5.根据权利要求1所述的基于动态时间规整算法的岩石力学参数随钻预测方法，其特征在于，利用bp神经网络修正识别的岩石力学参数的异常值，包括：
6.根据权利要求1所述的基于动态时间规整算法的岩石力学参数随钻预测方法，其特征在于，通过已钻井区域的岩石力学参数数据集基于cnn-lstm算法和随机森林算法构建cnn-lstm模型和随机森林模型。
7.根据权利要求1所述的基于动态时间规整算法的岩石力学参数随钻预测方法，其特征在于，基于动态时间规整算法融合已构建的cnn-lstm模型和随机森林模型，自动调整cnn-lstm模型和随机森林模型的权重分配，基于修正后的岩石力学参数通过全新融合算法模型构建的弹性模量预测模型、泊松比预测模型和抗压强度预测模型，实现岩石力学参数随钻预测，包括：
8.一种基于动态时间规整算法的岩石力学参数随钻预测装置，其特征在于，该装置包括：
9.一种电子设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
