地质出版社有限公司 中国地质科学院勘探技术研究所主办
高级检索

基于机器学习算法的井漏预测与诊断理论模型研究

文章导航 > 钻探工程 > 2022 > 49(2): 58-66

上一篇

下一篇

张欣，田英英，韩泽龙，赵明，蒋亚峰. 2022. 基于机器学习算法的井漏预测与诊断理论模型研究. 钻探工程, 49(2): 58-66. doi: 10.12143/j.ztgc.2022.02.008
引用本文: 张欣，田英英，韩泽龙，赵明，蒋亚峰. 2022. 基于机器学习算法的井漏预测与诊断理论模型研究. 钻探工程, 49(2): 58-66. doi: 10.12143/j.ztgc.2022.02.008
shu
ZHANG Xin. 2022. Research on lost circulation prediction and diagnosis theoretical model based on machine learning algorithm. DRILLING ENGINEERING, 49(2): 58-66. doi: 10.12143/j.ztgc.2022.02.008
Citation: ZHANG Xin. 2022. Research on lost circulation prediction and diagnosis theoretical model based on machine learning algorithm. DRILLING ENGINEERING, 49(2): 58-66. doi: 10.12143/j.ztgc.2022.02.008
shu

基于机器学习算法的井漏预测与诊断理论模型研究

  • 中国地质科学院勘探技术研究所，河北 廊坊 065000

  • 基金项目:

    中国地质调查局地质调查项目“×××先导试验区试采实施（中国地质科学院勘探技术研究所）”（编号：DD20190227）、“×××先导试验区资源评价与试采（中国地质科学院勘探技术研究所）”（编号：DD20211349）；南方海洋科学与工程广东省实验室（广州）人才团队引进重大专项“天然气水合物钻采船单筒双井及大洋钻探技术研究”（编号：GML2019ZD0504）

详细信息
    作者简介: 张欣，男，汉族，1993年生，助理工程师，石油与天然气工程专业，硕士，从事海洋钻探新技术、新设备、新工艺的研发工作，河北省廊坊市广阳区金光道77号，zxincompany@163.com。

  • 中图分类号: P634

Research on lost circulation prediction and diagnosis theoretical model based on machine learning algorithm

  • Institute of Exploration Techniques, CAGS, Langfang Hebei 065000, China

    摘要
  • 在钻井作业中发生的井漏事故具有突发性、难治理等特点，导致现场堵漏工程难度大、成功率低、成本高等。为了“快、准、狠”地解决该类难题，必须准确预测漏失并提出堵漏措施。本文利用梯度提升决策树算法（GBDT）进行了井漏预测模型研究，通过分析若干机器学习算法，论证了GBDT作为井漏钻前预测模型的可行性；利用案例推理技术建立井漏案例诊断库，使用欧几里得算法和LB_Keogh算法进行井漏案例的检索，提出相应的井漏处理措施，通过实例验证了相似性计算的可靠性。
    The lost circulation incident in drilling operation has the characteristics of sudden occurrence and difficulty in treatment， which leads to low success rate of plugging and high cost. In order to solve this kind of problem quickly， accurately and efficiently， we must accurately predict lost circulation and put forward plugging measures. In this paper， the gradient boosted decision tree algorithm （GBDT） is used to study the loss circulation prediction model with the feasibility of GBDT as a lost circulation prediction model verified by analyzing some machine learning algorithms. The lost circulation case decision base is established by using case-based reasoning technology， and the Euclidean algorithm and LB_Keogh algorithm are used to search lost circulation cases to put forward corresponding lost circulation treatment measures. The reliability of similarity calculation has been verified through field cases.
    • HTML全文
  • 加载中
    • 参考文献(37)
  • [1]

    Kulikov S， Veliev G， Bakhtin A， et al. “Secure Drilling” services for safe and effective drilling［C］//SPE Arctic and Extreme Environments Technical Conference and Exhibition， 2013.

    [2]

    [2] Raja H， Sørmo F， Vinther M L. Case-based reasoning： Predicting real-time drilling problems and improving drilling performance［C］//SPE Middle East Oil and Gas Show and Conference， 2011.

    [3]

    [3] 贾爱贵.ALS-K井涌井漏快速探测系统［J］.录井技术，1998（2）：48-52.

    [4]

    [4] 姜永，白生平，赵书滨，等.综合录井技术在钻井工程上的应用［J］.石油钻采工艺，2009，31（S2）： 79-82.

    [5]

    [5] 李治伟.塔里木井控装备配套技术研究［D］.成都：西南石油大学，2011.

    [6]

    [6] 苟开海，胡泽，葛亮.基于DSP的井底微流量测量系统设计［J］.计量与测试技术，2011，38（9）：17-19.

    [7]

    [7] 屈俊波，陈平，马天寿，等.精确监测井底溢流的井下微流量装置设计与试验［J］.石油钻探技术，2012，40（5）：106-110.

    [8]

    [8] 王海彪.井漏智能识别及处理决策研究［D］.成都：西南石油大学，2017.

    [9]

    [9] 李雪松，张骁，管震，等.基于图像识别技术的钻井井漏溢流智能报警系统开发［J］.世界石油工业，2021，28（1）：48-54.

    [10]

    [10] 和鹏飞，刘晓宾，陈真，等.基于深度神经网络模型的钻井井漏预测研究［J］.天津科技，2019，46（S1）：21-23.

    [11]

    [11] 谢平，蒋丽雯，赵尧，等.基于神经网络的井涌井漏实时预测方法研究［J］.现代计算机（专业版），2018（11）：23-28.

    [12]

    [12] 李克智，袁本福.红河油田井漏风险实时识别研究与应用［J］. 钻采工艺，2013，36（4）：20-22，134.

    [13]

    [13] 徐哲，李建，王兵，等.基于贝叶斯网络的钻井井漏问题研究［J］.石油天然气学报，2013，35（12）：125-129，8-9.

    [14]

    [14] 张正，赖旭芝，陆承达，等.基于贝叶斯网络的钻进过程井漏井涌事故预警［J］.探矿工程（岩土钻掘工程），2020，47（4）：114-121，144.

    [15]

    [15] 李晓桐，徐英卓，何坤鹏，等.钻井异常智能预警系统研究［J］. 福建电脑，2013，29（4）：1-3.

    [16]

    [16] 刘彪，李窚晓，李双贵，等.基于支持向量回归的井漏预测［J］. 钻采工艺，2019，42（6）：17-20，1-2.

    [17]

    [17] 谷宇峰，张道勇，鲍志东，等.利用梯度提升决策树（GBDT）预测渗透率——以姬塬油田西部长4+5段致密砂岩储层为例［J］.地球物理学进展，2021，36（2）：585-594.

    [18]

    [18] 韩启迪，张小桐，申维.基于梯度提升决策树（GBDT）算法的岩性识别技术［J］.矿物岩石地球化学通报，2018，37（6）： 1173-1180.

    [19]

    [19] 石运良，罗宇，陈正科.基于GBDT算法的焊缝背面熔宽预测［J］.热加工工艺，2021，50（17）：110-114.

    [20]

    [20] 贾南，何昌原，段海鹏.基于集成算法的森林火灾风险预警模型研究［J］.武警学院学报，2021，37（12）：5-9.

    [21]

    [21] 徐安.基于机器学习的慢性疾病预测关键技术研究［D］.成都：电子科技大学， 2019.

    [22]

    [22] 龚谊承，都承华，张艳娜，等.基于主成分和GBDT对血糖值的预测［J］.数学的实践与认识，2019，49（14）：116-122.

    [23]

    [23] 黄沼沣，薛旺星，蔡铭，等.基于梯度提升算法的道路交通噪声预测模型研究［J］.环境科学与技术，2020，43（4）：46-53.

    [24]

    [24] 翁剑成，付宇，林鹏飞，等.基于梯度推进决策树的日维度交通指数预测模型［J］.交通运输系统工程与信息，2019，19（2）： 80-85，93.

    [25]

    [25] 廖璐，张亚东，葛晓程，等.基于GBDT的列车晚点时长预测模型研究［J］.铁道标准设计，2021，65（8）：149-154，176.

    [26]

    [26] 陈宏，邓芳明，吴翔，等.基于梯度提升决策树的电力电子电路故障诊断［J］.测控技术，2017，36（5）：9-12，20.

    [27]

    [27] 刘金硕，刘必为，张密，等.基于GBDT的电力计量设备故障预测［J］.计算机科学，2019，46（S1）：392-396.

    [28]

    [28] 苏兴华，孙俊明，高翔，等.基于GBDT算法的钻井机械钻速预测方法研究［J］.计算机应用与软件，2019，36（12）：87-92.

    [29]

    [29] 杜青才.准噶尔南缘复杂构造地质力学分析与井下复杂机理研究［D］.成都：西南石油学院，2004.

    [30]

    [30] 金衍，卢运虎，李再均.一种井漏层位钻前风险预测新方法［J］.石油钻采工艺，2008（3）：24-28.

    [31]

    [31] 胡莎莎.压力衰竭地层井漏预测技术研究［D］.东营：中国石油大学（华东），2013.

    [32]

    [32] 刘寿军.钻井液液面监测与自动灌浆装置的研制［J］.石油机械，2006（2）：29-30，78.

    [33]

    [33] Denhiere G. Dynamic memory， a theory of reminding and learning in computers and people-schank， RC［J］. Annee Psychologique， 1985，85（4）：607-608.

    [34]

    [34] 张学洪，李黔.基于案例推理的井漏风险预警方法［J］.断块油气田，2017，24（2）：255-258，263.

    [35]

    [35] 谷淑娟，高学东，孙冉.一种改进的CBR案例检索相似性度量模型［J］.中国管理信息化，2011，14（9）：50-55.

    [36]

    [36] 郭双双.基于模型算法的网络艺术考级研究分析［D］.杭州：浙江大学，2018.

    [37]

    [37] Bassily H. A comparative fault diagnosis methodology based on time series analysis of system’s signals［D］. Clemson： Clemson University， 2007.

    • 相关文章
  • 施引文献
  • 资源附件(0)
  • 加载中
计量
  • 文章访问数:  1258
  • PDF下载数:  115
  • 施引文献:  0
出版历程
收稿日期:  2021-11-12
修回日期:  2022-01-18

目录

    版权所有：中国地质调查局发展研究中心 copyright @2020
    返回