地层压力预测模型的构建方法、地层压力预测方法和装置

技术领域

本申请涉及油田开发技术领域，特别是涉及一种地层压力预测模型的构建方法、装置、存储介质和电子设备以及地层压力预测方法、装置、存储介质和电子设备。

背景技术

地层压力是指作用在岩石孔隙内流体上的压力，也可称为地层孔隙压力。地层压力是石油天然气勘探开发过程中的重要地层参数，反映了油气在储层中的流通能力。在勘探过程中，地层压力可用于建立流体迁移模型，评判圈闭的有效性和寻找钻井的有利区域。在钻井过程中，对地层压力特别是异常高压的准确预测，不仅可以保证安全快速地钻井，而且可以正确合理地设计泥浆比重和工程套管程序，同时也可以帮助选择钻井设备类型，这些都直接关系到钻井的成功率、经济性以及油气田的勘探速度等问题。

地层压力的预测对于合理、经济地选用钻井液、设计井身结构，以及防止井喷、井漏、井塌等井下故障的发生，具有十分重要的意义。传统的地层压力一般是通过某种计算方法或某种地层物理性质的测量数据进行预测，比如基于测井数据通过等效深度法进行地层压力预测，基于钻前地震资料通过不依赖正常压实趋势线的公式法进行地层压力预测。传统的地层压力预测存在精准度低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种提高预测精准度的地层压力预测模型的构建方法、装置、存储介质和电子设备以及地层压力预测方法、装置、存储介质和电子设备。

一种地层压力预测模型的构建方法，所述方法包括：

获取油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据；

根据所述地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，确定所述地层压力影响因素对应的机器学习算法；

基于所述地层压力影响因素历史数据以及所述地层压力历史数据，分别对所述对应的机器学习算法进行模型训练，获得多个机器学习模型；

基于各个所述机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型，所述地层压力预测模型用于根据输入的地层压力影响因素数据，输出地层压力预测结果，所述地层压力预测结果根据每个所述目标子模型预测的地层压力进行确定。

在一个实施例中，所述基于所述地层压力影响因素历史数据以及所述地层压力历史数据，分别对所述对应的机器学习算法进行模型训练，获得多个机器学习模型包括：

获取单个机器学习算法对应的地层压力影响因素历史数据以及地层压力历史数据；

基于所述地层压力影响因素历史数据以及所述地层压力历史数据，对所述单个机器学习算法通过梯度下降法进行模型训练，直至所述单个机器学习算法的损失函数最小化，获得机器学习模型；

遍历预设的多个机器学习算法，得到多个机器学习模型。

在一个实施例中，所述基于各个所述机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型包括：

获取机器学习模型的测试数据集；

将所述测试数据集分别输入至各个所述机器学习模型，根据所述各个机器学习模型输出的地层压力预测结果以及所述测试数据集中对应的真实地层压力，得到所述各个机器学习模型的误差；

基于所述误差对所述各个机器学习模型排序，根据排序结果进行筛选得到多个目标子模型，作为地层压力预测模型。

在一个实施例中，获取地层压力影响因素历史数据以及地层压力历史数据包括：

获取初始地层压力影响因素历史数据以及初始地层压力历史数据；

基于预设业务规则对所述初始地层压力影响因素历史数据以及所述初始地层压力历史数据进行数值范围校验；

基于校验结果剔除异常值，获得地层压力影响因素历史数据以及地层压力历史数据；

和/或，

获取初始地层压力影响因素历史数据以及初始地层压力历史数据；

当检测到所述初始地层压力影响因素历史数据以及所述初始地层压力历史数据存在缺失值时，根据预先构建的回归方程进行数据补充，获得地层压力影响因素历史数据以及地层压力历史数据；

和/或，

获取初始地层压力影响因素历史数据以及初始地层压力历史数据；

剔除所述初始地层压力影响因素历史数据以及所述初始地层压力历史数据中数据缺失率大于预设阈值的数据，获得地层压力影响因素历史数据以及地层压力历史数据。

在一个实施例中，每个所述目标子模型预测的地层压力的数据格式为单一值或数值范围，所述地层压力预测结果的数据格式为数值范围；

和/或，

当每个所述目标子模型预测的地层压力的数据格式为单一值时，所述地层压力预测结果根据每个所述目标子模型预测的地层压力进行确定，包括：

从每个所述目标子模型预测的地层压力单一值中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述地层压力预测结果；

和/或，

当每个所述目标子模型预测的地层压力的数据格式为数值范围时，所述地层压力预测结果根据每个所述目标子模型预测的地层压力进行确定，包括：

从每个所述目标子模型预测的地层压力数值范围中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述地层压力预测结果。

一种地层压力预测模型的构建装置，所述装置包括：

数据获取模块，用于获取油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据；

模型匹配模块，用于根据所述地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，确定所述地层压力影响因素对应的机器学习算法；

模型训练模块，用于基于所述地层压力影响因素历史数据以及所述地层压力历史数据，分别对所述对应的机器学习算法进行模型训练，获得多个机器学习模型；

模型确定模块，用于基于各个所述机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型，所述地层压力预测模型用于根据输入的地层压力影响因素数据，输出地层压力预测结果，所述地层压力预测结果根据每个所述目标子模型预测的地层压力进行确定。

一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行地层压力预测模型的构建方法。

一种电子设备，所述电子设备包括至少一个处理器、与所述处理器连接的至少一个存储器以及总线；

其中，所述处理器、所述存储器通过所述总线完成相互间的通信；

所述处理器用于调用所述存储器中的程序指令，以执行地层压力预测模型的构建方法。

上述地层压力预测模型的构建方法、装置、存储介质和电子设备，通过获取油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据；根据地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，确定地层压力影响因素对应的机器学习算法；基于地层压力影响因素历史数据以及地层压力历史数据，分别对对应的机器学习算法进行模型训练，获得多个机器学习模型；基于各个机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型，地层压力预测模型用于根据输入的地层压力影响因素数据，输出地层压力预测结果，地层压力预测结果根据每个目标子模型预测的地层压力进行确定，通过油田历史数据训练得到地层压力预测模型，后续可以通过地层压力预测模型实现地层压力的预测，且地层压力预测模型考虑了地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，以及基于各个机器学习模型的测试结果进行筛选得到，因而可以支持地层压力的高精度预测。

一种地层压力预测方法，所述方法包括：

获取待预测油田的地层压力影响因素数据；

读取预设的地层压力预测模型，所述地层压力预测模型由地层压力预测模型的构建方法构建；

将所述地层压力影响因素数据输入至所述地层压力预测模型；

根据所述地层压力预测模型的输出数据，获得所述待预测油田的地层压力预测结果。

一种地层压力预测装置，所述装置包括：

油田数据获取模块，用于获取待预测油田的地层压力影响因素数据；

模型读取模块，用于读取预设的地层压力预测模型，所述地层压力预测模型由地层压力预测模型的构建方法构建；

数据处理模块，用于将所述地层压力影响因素数据输入至所述地层压力预测模型；

预测结果生成模块，用于根据所述地层压力预测模型的输出数据，获得所述待预测油田的地层压力预测结果。

一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行地层压力预测方法。

一种电子设备，所述电子设备包括至少一个处理器、与所述处理器连接的至少一个存储器以及总线；

其中，所述处理器、所述存储器通过所述总线完成相互间的通信；

所述处理器用于调用所述存储器中的程序指令，以执行地层压力预测方法。

上述地层压力预测方法、装置、存储介质和电子设备，通过获取待预测油田的地层压力影响因素数据，读取预设的地层压力预测模型，其中，地层压力预测模型用于根据输入的地层压力影响因素数据，输出地层压力预测结果，地层压力预测结果根据每个目标子模型预测的地层压力进行确定，将地层压力影响因素数据输入至地层压力预测模型，根据地层压力预测模型的输出数据，获得待预测油田的地层压力预测结果，且地层压力预测模型考虑了地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，以及基于各个机器学习模型的测试结果进行筛选得到，因而通过地层压力预测模型可以实现对待预测油田的地层压力进行高精度预测。

附图说明

图1为一个实施例中地层压力预测模型的构建方法的应用环境图；

图2为一个实施例中地层压力预测模型的构建方法的流程示意图；

图3为一个实施例中地层压力预测方法的流程示意图；

图4为一个实施例中地层压力预测模型的构建装置的结构框图；

图5为一个实施例中地层压力预测装置的结构框图；

图6为一个实施例中电子设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的地层压力预测模型的构建方法，可以应用于如图1所示的应用环境中。其中，客户终端102通过网络与服务器104进行通信。用户通过客户终端102输入油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据。服务器104获取油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据；根据地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，确定地层压力影响因素对应的机器学习算法；基于地层压力影响因素历史数据以及地层压力历史数据，分别对对应的机器学习算法进行模型训练，获得多个机器学习模型；基于各个机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型，地层压力预测模型用于根据输入的地层压力影响因素数据，输出地层压力预测结果，地层压力预测结果根据每个目标子模型预测的地层压力进行确定。其中，客户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种地层压力预测模型的构建方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，获取油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据。

油田是指原油生产的特定区域，具体可以是特定地域地下集聚的油层的总称。广义上将几个油区合在一起称为油田，例如大庆油田、英国的北海油田、俄罗斯的秋明油田等。油田是地下天然存在的碳化氢，地表条件下呈液体；与之相反，在地表条件下仍为气体的，则为天然气，天然气生产的特定区域为天然气田。石油可采储量大小决定其开采价值，需要精确地计算含油面积大小、油层数目和厚度以及单位面积石油储量等。一般可采储量5亿吨以上为特大油田，7000万吨到1亿吨以上为大型油田，7000万吨以下为中小油田。有的油田储量大，但产量不一定高，主要受到油田驱动能力的影响，从储量到产量需要经过计算，确有开采价值的才能正式开采。

地层压力影响因素是指影响油田地层压力的因素，包括地下岩层声音响应因素、地下岩层电磁响应因素以及岩心试验因素，相应地，地层压力影响因素数据包括地下岩层声音响应数据、地下岩层电磁响应数据以及岩心试验数据。地下岩层声音响应数据是指地下岩层对声音信号的反馈数据，比如地层密度测井曲线、纵波时差、纵波速度、横波时间差、横波速度、孔隙度、泥质含量、自然伽玛曲线、地层电阻率曲线、地层倾角等。地下岩层电磁响应数据是指地下岩层对电磁信号的反馈数据，比如成像测井数据、地震数据、钻井和录井数据、岩性数据、漏失数据、井涌数据、单井测试数据等。岩心试验数据是指通过采集地下的岩石的实际样本进行试验获得的数据，比如杨氏模量数据、岩石强度数据等。地层压力也可称为地层孔隙压力，是指地层孔隙内的油、气、水的压力。地层压力与地层所在深度有关，一般表现为地层与地表连通的静液柱压力。油气田的地层压力还与构造的封闭条件有关，穹窿构造的顶部受上覆表层压力的影响，可以形成很高的地层压力。油气层压力超过泥浆密度12克/厘米

可以通过接收客户终端上传的数据采集表的方式，获得历史油田的地下岩层声音响应数据、地下岩层电磁响应数据、岩心试验数据以及地层压力数据。用户在客户终端将所有的数据按照数据采集模板进行填充，数据采集模板具体可以是表格的形式，比如列数固定，行数由用户根据实际油藏情况在线或离线添加，对于数据列没有相应数值的置空值。其中，每一列对应一种数据类型，比如测井井名、井深、测井自然电位值、岩石强度等，按照数据类型的不同，可将表格分成几个小表。

步骤204，根据地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，确定地层压力影响因素对应的机器学习算法。

获取到的数据采集模板包括很多数据列，每个数据列对应一个影响因素。地层压力影响因素与机器学习算法输入参数之间存在匹配关系，假设油田历史数据包括10个不同的影响因素数据，机器学习模型一的输入参数为泥质含量和孔隙度，而油田历史数据中的10个参数包括泥质含量和孔隙度，此时，机器学习模型一即被认定为是一个合适的模型。假设机器学习模型二的输入参数为层密度测井曲线、钻井速度、自然伽玛曲线和地层电阻率曲线，而油田历史数据中的10个参数中缺失地层电阻率曲线，此时，机器学习模型二被认定为是不合适的模型。其中，预设机器学习模型可以包括回归模型、分类器模型等机器学习模型，比如随机森林模型、决策树模型等。

步骤206，基于地层压力影响因素历史数据以及地层压力历史数据，分别对对应的机器学习算法进行模型训练，获得多个机器学习模型。

地下岩层声音响应数据、地下岩层电磁响应数据、岩心试验数据是地层压力数据的影响因素，通过机器学习的方法，学习并捕捉地下岩层声音响应数据、地下岩层电磁响应数据、岩心试验数据以及地层压力数据这些数据的特征，建立地下岩层声音响应数据、地下岩层电磁响应数据、岩心试验数据与地层压力数据之间的关系，实现地层压力数据的预测。

具体地，基于地层压力影响因素历史数据以及地层压力历史数据，分别对对应的机器学习算法进行模型训练，获得多个机器学习模型包括：获取单个机器学习算法对应的地层压力影响因素历史数据以及地层压力历史数据；基于地层压力影响因素历史数据以及地层压力历史数据，对单个机器学习算法通过梯度下降法进行模型训练，直至单个机器学习算法的损失函数最小化，获得机器学习模型；遍历预设的多个机器学习算法，得到多个机器学习模型。基于地下岩层声音响应数据、地下岩层电磁响应数据、岩心试验数据以及地层压力数据进行模型训练时，可以通过平均绝对误差、均方误差等评价指标作为调优标准，分别对各个机器学习模型进行训练。

步骤208，基于各个机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型，地层压力预测模型用于根据输入的地层压力影响因素数据，输出地层压力预测结果，地层压力预测结果根据每个目标子模型预测的地层压力进行确定。

通过多个机器学习模型对同一深度的地层压力进行预测，由于每个模型的输入参数和原理不一样，其输出结果也不一样。具体地，基于各个机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型包括：获取机器学习模型的测试数据集；将测试数据集分别输入至各个机器学习模型，根据各个机器学习模型输出的地层压力预测结果以及测试数据集中对应的真实地层压力，得到各个机器学习模型的误差；基于误差对各个机器学习模型排序，根据排序结果进行筛选得到多个目标子模型，作为地层压力预测模型。获取已训练的各个机器学习模型的误差，误差具体是指已训练的机器学习模型输出的地层压力预测结果与油田实际地层压力之间的差距。比如按照误差由小到大的顺序对多个机器学习模型进行排序，选取排名前三的机器学习模型作为压力预测模型。

比如，将获取到的油田历史数据按照80％：20％的比例，分成训练集和测试集，如果历史数据少于5个点，则所有数据都划归为训练集。通过训练集中的数据对目标机器学习模型集合中的每个模型进行参数调优，具体可以通过梯度下降法，使得每个模型的损失函数值达到最小，获得每个模型的最优参数和超参数，使得单个模型在测试集上的预测误差最小。通过测试集中的数据对训练好的机器学习模型进行测试，根据平均误差百分比或绝对平均误差的大小，获取预测性能排名靠前的模型，比如前3个模型。通过微服务的方式将这3个模型发布成API(Application Programming Interface，应用程序接口)，以供业务用户直接调用。

上述地层压力预测模型的构建方法，获取油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据；根据地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，确定地层压力影响因素对应的机器学习算法；基于地层压力影响因素历史数据以及地层压力历史数据，分别对对应的机器学习算法进行模型训练，获得多个机器学习模型；基于各个机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型，地层压力预测模型用于根据输入的地层压力影响因素数据，输出地层压力预测结果，地层压力预测结果根据每个目标子模型预测的地层压力进行确定，通过油田历史数据训练得到地层压力预测模型，后续可以通过地层压力预测模型实现地层压力的预测，且地层压力预测模型考虑了地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，以及基于各个机器学习模型的测试结果进行筛选得到，因而可以支持地层压力的高精度预测。

在一个实施例中，获取地层压力影响因素历史数据以及地层压力历史数据包括：获取初始地层压力影响因素历史数据以及初始地层压力历史数据；基于预设业务规则对初始地层压力影响因素历史数据以及初始地层压力历史数据进行数值范围校验；基于校验结果剔除异常值，获得地层压力影响因素历史数据以及地层压力历史数据；和/或，获取初始地层压力影响因素历史数据以及初始地层压力历史数据；当检测到初始地层压力影响因素历史数据以及初始地层压力历史数据存在缺失值时，根据预先构建的回归方程进行数据补充，获得地层压力影响因素历史数据以及地层压力历史数据；和/或，获取初始地层压力影响因素历史数据以及初始地层压力历史数据；剔除初始地层压力影响因素历史数据以及初始地层压力历史数据中数据缺失率大于预设阈值的数据，获得地层压力影响因素历史数据以及地层压力历史数据。基于实际业务需求预先对数据采集模板中的数据列制定业务规则，对数据列中的数据进行校验，如果实际输入的数据范围不符合校验条件，则该数据值被认定为异常值，清除数据表中的异常值。具体的业务规则可以是孔隙度不大于100％、含水率不小于0％等，根据该业务规则，清除数据中孔隙度大于100％、含水率小于0％的数据点。通过对异常值的清理可以保证模型训练数据的有效性，从而提高训练好的模型的精度。对在业务上存在强关联关系数据类别，比如孔隙度和渗透率，对孔隙度和渗透率两个类别的数据进行线性回归，获得回归方程，在数据采集模板中两个数据列中的其中一列存在数值，而另外一列数值缺失的情况，可以根据回归方程进行数值插补。通过对缺失数据进行合理插补，增加模型训练数据的广度，从而提高训练好的模型的精度。数据采集模板包括很多数据列，每一个数据列对应一个数据类别，如果出现某个数据列中数据的缺失率大于65％，则去除该数据列对应的特征。通过删除缺失率过高的数据，保证模型训练数据的有效性，从而提高训练好的模型的精度。

在一个实施例中，每个目标子模型预测的地层压力的数据格式为单一值或数值范围，地层压力预测结果的数据格式为数值范围；和/或，当每个目标子模型预测的地层压力的数据格式为单一值时，地层压力预测结果根据每个目标子模型预测的地层压力进行确定，包括：从每个目标子模型预测的地层压力单一值中分别确定出最小值和最大值，将最小值和最大值之间的数值范围确定为地层压力预测结果。比如，按照误差由小到大的顺序对目标子模型进行排序，选取排名前三的目标子模型作为压力预测模型。具体地，将地下岩层声音响应数据、地下岩层电磁响应数据以及岩心试验数据输入至地层压力预测模型，比如，通过压力预测模型对地下500米的压力进行预测，第一个模型的输出结果是1000psi，第二个模型输出结果是1210psi，第三个模型的输出结果是980psi，此时，待预测油田的地层压力范围即为980psi-1210psi。其中，psi(pounds per square inch，磅力/平方英寸)是一种计量单位。

在另外一个实施例中，当每个目标子模型预测的地层压力的数据格式为数值范围时，地层压力预测结果根据每个目标子模型预测的地层压力进行确定，包括：从每个目标子模型预测的地层压力数值范围中分别确定出最小值和最大值，将最小值和最大值之间的数值范围确定为地层压力预测结果。当地层压力预测结果的数据格式为数值范围时，也即，由两个端点值覆盖的数值范围，则将每个模型输出结果中数值最小的端点值和数值最大的端点值覆盖的数值范围，确定为待预测油田的地层压力范围。例如，第一个模型的输出结果是980-1000psi，第二个模型输出结果是1000-1210psi，第三个模型的输出结果是1100-1200psi，由于980是三个模型输出端点值中的最小值，1210是三个模型输出端点值中最大值。因此，待预测油田的地层压力范围即为980psi-1210psi。

在一个实施例中，如图3所示，提供了一种地层压力预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤302，获取待预测油田的地层压力影响因素数据；

步骤304，读取预设的地层压力预测模型，地层压力预测模型由地层压力预测模型的构建方法构建；

步骤306，将地层压力影响因素数据输入至地层压力预测模型；

步骤308，根据地层压力预测模型的输出数据，获得待预测油田的地层压力预测结果。

上述地层压力预测方法，通过获取待预测油田的地层压力影响因素数据，读取预设的地层压力预测模型，其中，地层压力预测模型用于根据输入的地层压力影响因素数据，输出地层压力预测结果，地层压力预测结果根据每个目标子模型预测的地层压力进行确定，将地层压力影响因素数据输入至地层压力预测模型，根据地层压力预测模型的输出数据，获得待预测油田的地层压力预测结果，且地层压力预测模型考虑了地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，以及基于各个机器学习模型的测试结果进行筛选得到，因而通过地层压力预测模型可以实现对待预测油田的地层压力进行高精度预测。

在一个实施例中，用户可以通过客户终端向服务器上传数据采集表，数据采集表包括油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据。服务器获取油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据；根据地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，确定地层压力影响因素对应的机器学习算法；基于地层压力影响因素历史数据以及地层压力历史数据，分别对对应的机器学习算法进行模型训练，获得多个机器学习模型；基于各个机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型。在后续需要进行地层压力预测场景时，可以调取地层压力预测模型，将待预测油田的地层压力影响因素数据作为输入，根据地层压力预测模型的输出数据，获得待预测油田的地层压力。

上述地层压力预测过程，将油田地层压力影响因素数据适配至对应的机器学习模型，每个机器学习模型对应一个算子，根据算子在训练和测试过程中的性能指标，自动筛选最优算子，并自动对筛选后的算子进行参数和超参数的调优，得到地层压力预测模型。遍历所有可能的算法模型，自动查找匹配模型，而不是一次只能试验一种算法，通过贝叶斯网络寻优的方式，自动过滤明显不匹配的算法模型，极大的提高了计算效率。对于查找到的匹配模型，对其参数和超参数进行自动调优，以实现最精准的预测效果。将训练好的算法模型通过接口的方式发布，业务用户即可通过接口调用模型进行地层压力预测，节省了大量的时间和人力成本，提高了地层压力预测精度。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种地层压力预测模型的构建装置，该装置包括：

数据获取模块402，用于获取油田的地层压力影响因素、地层压力影响因素历史数据以及地层压力历史数据；

模型匹配模块404，用于根据地层压力影响因素与预设机器学习算法输入参数之间的匹配关系，确定地层压力影响因素对应的机器学习算法；

模型训练模块406，用于基于地层压力影响因素历史数据以及地层压力历史数据，分别对对应的机器学习算法进行模型训练，获得多个机器学习模型；

模型确定模块408，用于基于各个机器学习模型的测试结果进行选择，得到多个目标子模型，作为地层压力预测模型，地层压力预测模型用于根据输入的地层压力影响因素数据，输出地层压力预测结果，地层压力预测结果根据每个目标子模型预测的地层压力进行确定。

在一个实施例中，模型训练模块还用于获取单个机器学习算法对应的地层压力影响因素历史数据以及地层压力历史数据；基于地层压力影响因素历史数据以及地层压力历史数据，对单个机器学习算法通过梯度下降法进行模型训练，直至单个机器学习算法的损失函数最小化，获得机器学习模型；遍历预设的多个机器学习算法，得到多个机器学习模型。

在一个实施例中，模型确定模块还用于获取机器学习模型的测试数据集；将测试数据集分别输入至各个机器学习模型，根据各个机器学习模型输出的地层压力预测结果以及测试数据集中对应的真实地层压力，得到各个机器学习模型的误差；基于误差对各个机器学习模型排序，根据排序结果进行筛选得到多个目标子模型，作为地层压力预测模型。

在一个实施例中，数据获取模块还用于获取初始地层压力影响因素历史数据以及初始地层压力历史数据；基于预设业务规则对初始地层压力影响因素历史数据以及初始地层压力历史数据进行数值范围校验；基于校验结果剔除异常值，获得地层压力影响因素历史数据以及地层压力历史数据；和/或，获取初始地层压力影响因素历史数据以及初始地层压力历史数据；当检测到初始地层压力影响因素历史数据以及初始地层压力历史数据存在缺失值时，根据预先构建的回归方程进行数据补充，获得地层压力影响因素历史数据以及地层压力历史数据；和/或，获取初始地层压力影响因素历史数据以及初始地层压力历史数据；剔除初始地层压力影响因素历史数据以及初始地层压力历史数据中数据缺失率大于预设阈值的数据，获得地层压力影响因素历史数据以及地层压力历史数据。

在一个实施例中，在地层压力预测模型的构建装置中，每个目标子模型预测的地层压力的数据格式为单一值或数值范围，地层压力预测结果的数据格式为数值范围；和/或，当每个目标子模型预测的地层压力的数据格式为单一值时，从每个目标子模型预测的地层压力单一值中分别确定出最小值和最大值，将最小值和最大值之间的数值范围确定为地层压力预测结果；和/或，当每个目标子模型预测的地层压力的数据格式为数值范围时，从每个目标子模型预测的地层压力数值范围中分别确定出最小值和最大值，将最小值和最大值之间的数值范围确定为地层压力预测结果。

在一个实施例中，如图5所示，提供了一种地层压力预测装置，该装置包括：

油田数据获取模块502，用于获取待预测油田的地层压力影响因素数据；

模型读取模块504，用于读取预设的地层压力预测模型，所述地层压力预测模型由地层压力预测模型的构建方法构建；

数据处理模块506，用于将所述地层压力影响因素数据输入至所述地层压力预测模型；

预测结果生成模块508，用于根据所述地层压力预测模型的输出数据，获得所述待预测油田的地层压力预测结果。

关于地层压力预测模型的构建装置/地层压力预测装置的具体限定可以参见上文中对于地层压力预测模型的构建方法/地层压力预测方法的限定，在此不再赘述。上述地层压力预测模型的构建装置/地层压力预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储历史油田的地下岩层声音响应数据、地下岩层电磁响应数据、岩心试验数据、地层压力数据、地层压力预测模型等数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种地层压力预测模型的构建方法或者地层压力预测方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种电子设备，电子设备包括至少一个处理器、与处理器连接的至少一个存储器以及总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行任一实施例中的地层压力预测模型的构建方法或者地层压力预测方法。

在一个实施例中，提供了一种计算机可读存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行任一实施例中的地层压力预测模型的构建方法或者地层压力预测方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。