| 基于人工智能的钻速预测模型数据有效性下限分析 |
| |
| 引用本文： | 李谦,曹彦伟,朱海燕.基于人工智能的钻速预测模型数据有效性下限分析[J].探矿工程,2021,48(3):21-30. |
| |
| 作者姓名： | 李谦 曹彦伟 朱海燕 |
| |
| 作者单位： | 成都理工大学环境与土木工程学院，四川 成都 610059,成都理工大学环境与土木工程学院，四川 成都 610059,成都理工大学能源学院，四川 成都 610059 |
| |
| 基金项目： | 中海石油（中国）有限公司项目“南海西部油田上产2000万方钻完井关键技术研究”（编号：CNOOC-KJ135ZDXM38ZJ05ZJ）子课题“乐东10区超高温高压井综合提速技术研究” |
| |
| 摘 要： | 钻速预测对于优化钻探工艺、降低作业成本、实现科学钻探具有重要意义，它是钻探钻井作业的一项重要内容。基于人工智能的钻速预测精度令人瞩目，但该技术需求的海量数据对传统钻探钻井作业的要求较高。为明确使用人工智能建立钻速预测模型的最少数据量，本文基于中国南海10口井的21917条数据进行了分析。通过相关性分析，所有的输入参数可被划分为高、中、低相关性3大类。通过逐步引入参数建立预测模型和对比预测精度，发现当引入的参数数量足够时，3种相关性参数均可建立起高精度（≥85%）的预测模型。引入参数的相关性越高，建立高精度预测模型需求的参数量越少。通过逐步扩大取样间隔的方式，对比发现所有的预测模型均呈现随取样间隔的增大、预测模型的准确性降低的规律。而预测模型建模的取样间隔下限可通过寻找精度降低时的拐点获得。经过验证，在数据维度与取样精度均为下限时，基于3种相关性参数建立的BP神经网络预测模型仍然能够获得较高的预测精度。
|
| 关 键 词： | 钻速预测 BP神经网络 数据需求 有效性下限 人工智能 |
| 收稿时间： | 2020/10/30 0:00:00 |
| 修稿时间： | 2021/2/27 0:00:00 |
Discussion on the lower limit of data validity for ROP prediction based on artificial intelligence |
| |
| LI Qian,CAO Yanwei and ZHU Haiyan.Discussion on the lower limit of data validity for ROP prediction based on artificial intelligence[J].Exploration Engineering(Drilling & Tunneling),2021,48(3):21-30. |
| |
| Authors: | LI Qian CAO Yanwei and ZHU Haiyan |
| |
| Institution: | College of Environment and Civil Engineering, Chengdu University of Technology, Chengdu Sichuan 610059, China,College of Environment and Civil Engineering, Chengdu University of Technology, Chengdu Sichuan 610059, China,College of Energy, Chengdu University of Technology, Chengdu Sichuan 610059, China |
| |
| Abstract: | |
| |
| Keywords: | ROP prediction BP neural network data requirements lower limit of validity artificial intelligence |
|
| 点击此处可从《探矿工程》浏览原始摘要信息 |
| 点击此处可从《探矿工程》下载免费的PDF全文 |
