基于PCA-LSTM的黏滑振动水平评估方法研究

摘要：

石油钻井过程中,井下工具的黏滑振动会导致钻头发生周期性的黏滞和滑脱,容易引起钻头和钻具组合失效,造成井下事故.为此,基于井下测量技术的发展,采用长短期记忆(Long Short-term Memory,LSTM)神经网络智能算法建立黏滑振动水平评估模型,采用井下近钻头工程参数测量工具在钻头处采集7类高频井下工程参数,验证使用PCA-LSTM神经网络黏滑振动水平评估模型的准确性.研究结果表明,该评估模型均方根误差为0.026,较LSTM、PCA-BP、PCA-SVM评估模型分别下降了0.033、0.011和0.018,表明该模型抑制了过拟合造成的滞后效应,具有较高的精度,可有效评估钻头处黏滑振动水平.研究结果对指导钻井过程,及时调整地面参数,有效抑制黏滑振动,推动安全、快速、高效钻井具有重要作用.

关键词：井下工具黏滑振动、随机森林、LSTM神经网络、近钻头、训练模型

所属期刊栏目：51

分类号：TE928(石油机械设备与自动化)

资助基金：国家自然科学基金;北京信息科技大学重点研究培育项目;北京市教育委员会科学研究计划项目;中国石油天然气集团有限公司-中国石油大学北京战略合作科技专项

在线出版日期：2023-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：18-25