基于CNN-LSTM融合网络的溢流早期预测深度学习方法

摘要：

目前的人工神经网络和贝叶斯网络等方法无法连续长时间准确早期预测溢流.为此,针对钻井现场数据特点,提出基于CNN-LSTM融合网络的溢流工况预测深度学习方法,结合溢流的关键参数变化,融合多特征数据尽早发现溢流征兆,从而实现溢流工况早期预测.将采集的所有钻井特征参数用于模型训练和溢流预测,准确率高于单独的CNN结构或单独LSTM结构.为进一步提高模型效率和使用较少现场参数,有针对性地筛选了与溢流紧密相关的一些钻井参数进行试验,结果表明采用CNN-LSTM融合的网络结构优于单独的CNN或单独LSTM结构,预测准确率可达到89.55％.对某钻井数据的预测分析结果表明,该方法能够提前10 min准确预测溢流的发生,可为后续采取相应措施争取到宝贵时间.

关键词：溢流、早期预测、CNN-LSTM融合网络、深度学习、钻井特征参数

所属期刊栏目：49

分类号：TE28(钻井工程)

资助基金：国家自然科学基金;中国石油天然气集团有限公司直属院所基础研究和战略储备技术研究基金项目

在线出版日期：2021-06-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：16-22