一种基于2D-CNN深度学习的钻井事故等级预测新方法

摘要：

鉴于钻井安全事故分级风险评价过程中,存在安全事故风险指标较少且多为2分类预测的实际问题.为此,在利用模糊C均值算法确定钻井事故等级的分类的基础上,根据信息增益值对多维事故风险指标进行一次降维;进而将降维后的风险指标作为模型输入,由卷积层提取事故特征,池化层进行二次降维,构建双层2D-CNN的事故等级预测模型,最后通过激活函数(Softmax)判断钻井事故等级,提出一种基于二维卷积神经网络(2D-CNN)的钻井事故等级预测的新方法.研究结果表明:①较之于其他方法,新方法经过两次降维将多维钻井事故指标由73维降低至4维,降低模型计算复杂度;②不同于钻井事故发生与否的二分类问题,根据事故的严重程度划分成四种事故等级,以实现多分类预测;③现场应用效果表明,新方法的准确率为91.7％,损失值为0.409,预测效果优于BP神经网络模型和1D-CNN模型.结论认为,新方法能较好地将现场作业数据用于钻井事故等级的预测,对于钻井事故风险分级评价具有广泛应用和推广价值.

关键词：多维钻井事故、事故等级、多分类预测、深度学习、二维卷积神经网络、模糊C均值算法、信息增益

所属期刊栏目：42

分类号：TE249.6;TP391.41;TP183

资助基金：国家自然科学基金;深部火山岩体井周多尺度力学失稳机理及钻井低力学扰动点的地层空间分布规律研究;四川省自然科学基金

在线出版日期：2023-03-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：95-105