基于LSTM神经网络深度序列机械钻速实时预测

机械钻速是钻井优化、缩短钻井周期的关键因素,传统的机械钻速预测大多是在钻井后进行钻井分析,预测效率和精度低、地层适用性不广。为了以更高效的方法预测得到高精度机械钻速,提出基于长短期记忆(LSTM)神经网络的深度序列机械钻速预测方法。采集实时钻井数据集,使用皮尔逊相关系数衡量各特征之间的相关性,筛选出井深、伽玛射线、地层密度、孔隙压力、井径、钻时、排量、钻井液密度等8个参数。构建LSTM神经网络模型,训练LSTM模型并预测ROP,对预测结果进行分析,并用决定系数(R²)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)等指标对LSTM模型、BP模型和SVM模型性能进行对比分析。结果表明：LSTM模型其R²、RMSE和MAPE的值分别为0.948、1.151和17.075,相较于BP模型和SVM模型,其R²更大,RMSE和MAPE较小,说明LSTM模型预测性能更好。该方法有助于钻井工程师和决策者提前获得钻井信息,从而更好地规划钻井作业,缩短钻井周期,同时为钻井参数预测提供新的途径,能改善以往预测方法在处理复杂地层问题时...     

南海深部温压地层岩石可钻性评价及应用

南海珠江口盆地深部地层具有高应力也伴随有高温的特点,应用常温常压下的可钻性计算评价方法不能真实、准确反映该地区地层岩石可钻性特征。本文对取自南海珠江组地层的岩石样品开展了高温高压条件下的可钻性测试,对比分析了温压单因素及耦合作用下的差异性,建立了考虑温度和围压的可钻性级值计算模型,并通过ABAQUS软件建模,对温压条件下聚晶金刚石复合片钻头切削齿后倾角进行了优化分析。结果表明：温度在20℃~180℃时对岩石可钻性级值影响不大,高于180℃时,可钻性级值随温度增加有减小的趋势;围压条件下可钻性级值与常压下的级值存在差异,且高1~2级;温压下调整PDC钻头的后倾角到25°时钻头的破岩效率最高,应用井与已钻井相比机械钻速分别提高了31.71%、41.95%。本文所做的研究对于进一步认识高温高围压地层机械钻速低的原因、优化钻头切削齿参数、减少钻井周期,指导高温高围压地层钻井作业具有重要意义。