학술논문
基于机器学习的钻井工况识别技术现状及发展 / Recent developments and future trends of drilling status recognition technology based on machine learning
Document Type
Academic Journal
Author
Source
长江大学学报（自科版） / Journal of Yangtze University(Natural Science Edition). 20(4):53-65
Subject
Language
Chinese
ISSN
1673-1409
Abstract
配备传感器的现代钻井设备带来了持续不断的实时钻井数据,通过监测这些钻井数据可以对钻井工况进行及时有效的判断,进而提高钻井效率,降低钻井成本和钻井事故率.由于钻井的复杂性和不可预知的作业条件,现有的通过数据采集系统执行的钻井工况识别系统容易出现较高的误报率.为了解决高误报率问题,实现从高维钻井数据中得到高精度、高效率的钻井工况识别结果,基于机器学习算法的识别模型被开发,并在应用中表现出了显著的有效性和稳定性.文章简述了机器学习的发展历程和项目流程,介绍了钻井系统参数,描述了支持向量机、BP神经网络、随机森林和深度学习等机器学习分类算法在钻井工况识别技术中的应用现状,对比研究了七个机器学习工况识别模型的框架、超参数、特征参数以及识别性能,并探讨了基于机器学习算法的钻井工况识别技术发展趋势,为实现钻井设备的自动化和钻井工程的智能化提供一些新的思路.