基于长短期记忆神经网络的深水钻井工况实时智能判别模型
深水钻井具有高投入、高风险等特点,其工况实时判别是提高钻井时效、减少复杂事故的基础和前提.传统深水钻井作业中,钻井工况主要通过基于编程方式的物理模型与经验模型进行判别,难以保证时效性和正确率.为此,创新性地将机器学习引入深水钻井工况判别全流程,考虑综合录井数据的长时间序列特征,基于长短期记忆神经网络建立了深水钻井工况实时智能判别机器学习模型.通过对29856140行深水综合录井数据预处理,选取钻头深度、井深、大钩高度、钻压、悬重、扭矩、转速、立管压力,共计8个综合录井参数作为输入特征,建立了20隐藏层×70节点的长短期记忆神经网络模型,实现了旋转钻进、滑动钻进、接单根、静止、循环、向下洗井、划眼、向上洗井、倒划眼、起钻、下钻及"其他",共计12种常见深水钻井工况的实时智能判别,测试集上正确率高达94.09％,满足深水现场作业需求.该模型可实时智能地判别钻井工况,充分验证了长短期记忆神经网络用于钻井工况实时智能判别的可行性与时效性,为钻井时效分析和复杂事故预警提供了机器学习模型基础,并将进一步拓展机器学习在石油工程领域的应用范围.
深水钻井、钻井工况判别、综合录井数据、机器学习模型、长短期记忆神经网络
44
TE58;TP181(海上油气田勘探与开发)
国家自然科学基金;博士后创新人才支持计划;博士后科学基金面上项目;中国石油大学北京科研基金项目
2022-07-14（万方平台首次上网日期，不代表论文的发表时间）
共8页
97-104
