基于LSTM神经网络深度序列机械钻速实时预测 |
| |
引用本文: | 冯义,朱亮,杨立军,李慎越,席俊卿,陈芳,纪慧.基于LSTM神经网络深度序列机械钻速实时预测[J].西安石油大学学报(自然科学版),2024(1):122-128. |
| |
作者姓名: | 冯义 朱亮 杨立军 李慎越 席俊卿 陈芳 纪慧 |
| |
作者单位: | 1. 中石油吐哈油田分公司工程技术研究院;3. 油气钻采工程湖北省重点实验室(长江大学);4. 长江大学石油工程学院 |
| |
摘 要: | 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...
|
关 键 词: | 机械钻速 LSTM神经网络 深度序列 实时预测 人工智能 深度学习 |
|
|