Research on drilling rate prediction model based on fusion feature selection algorithm
-
摘要: 钻速预测是钻井优化的重要组成部分，机器学习算法是当前实现准确钻速预测的重要手段，准确的特征选择是保证机器学习精度的关键途径。基于南海某井眼的实际钻井数据，本文采用一种融合特征选择法从钻井特征参数中选出井径、钻井液出口温度、钻井液入口密度、钻井液出口密度、K值、塑性粘度、滤失量、上覆压力、孔隙压力、和喷嘴等效直径共10种参数。将优选出的参数作为模型输入，引入集成的梯度提升树（Gradient Boosting Decision Tree，GBDT）算法建立机械钻速预测模型。将建立的模型与常规机器学习算法模型进行对比试验。试验结果显示，所提出的融合特征选择算法模型精度较全特征模型高2%，较常用机器学习模型平均高14.5%，该研究为钻井参数的准确、快速寻优提供了有效解决方案，对提高钻进速率具有一定的指导意义和实际应用价值。
-
关键词:
- 钻速预测 /
- 机器学习 /
- 融合特征选择 /
- 梯度提升树算法（GBDT）
Abstract: ROP prediction is an important part of drilling optimization， machine learning algorithms are currently an important means to achieve accurate ROP prediction， and correct feature selection is the key way to ensure machine learning accuracy. Based on the actual drilling data of a well in the South China Sea， this research uses a fusion feature selection method to select 10 drilling characteristic parameters， including well diameter， outlet temperature， inlet density，outlet density， K value， plastic viscosity， filtration loss， overburden pressure， pore pressure， and nozzle equivalent diameter. The optimized parameters are taken as model inputs， and the integrated Gradient Boosting Decision Tree （GBDT） algorithm is introduced to establish a ROP prediction model. The established model is compared with the conventional machine learning algorithm model， and the test results show that the accuracy of the proposed fusion feature selection algorithm model is 2% higher than that of the full feature model， and the average accuracy is 14.5% higher than that of the commonly used machine learning model. The research provides an effective solution for the accurate and rapid optimization of drilling parameters， and have guiding significance and practical application value for improving the drilling rate. -
-
[1] 于洋，黄凯，李卉.基于机器学习和多源数据预处理技术的机械钻速预测方法研究［J］.中国石油和化工标准与质量，2021，41（20）：133-136.
YU Yang， HUANG Kai， LI Hui. Research on prediction method of ROP based on machine learning and multi-source data preprocessing technology［J］. China Petroleum and Chemical Standard and Quality， 2021，41（20）：133-136.
[2] [2] Barbosa L F F M， Nascimento A， Mathias M H， et al. Machine learning methods applied to drilling rate of penetration prediction and optimization—A review［J］. Journal of Petroleum Science and Engineering， 2019，183：106332.
[3] [3] 张维罡.基于机器学习算法的石油钻速研究［J］.化工管理，2021（20）：89-90.
ZHANG Weigang. Research on ROP of petroleum based on machine learning algorithm［J］. Chemical Management， 2020（20）：89-90.
[4] [4] Amer M M， Dahab A S， El-Sayed A A H. An ROP predictive model in nile delta area using artificial neural networks［C］//
SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition .OnePetro ， 2017.[5] [5] 赵颖，孙挺，杨进，等.基于极限学习机的海上钻井机械钻速监测及实时优化［J］.中国海上油气，2019，31（6）：138-142.
ZHAO Ying， SUN Ting， YANG Jin， et al. Extreme learning machine-based offshore drilling ROP monitoring and real-time optimization［J］. China Offshore Oil and Gas， 2019，31（6）：138-142.
[6] [6] 李莉,石可欣,任振康.基于特征选择和TrAdaBoost的跨项目缺陷预测方法[J].计算机应用,2022,42(5):1554-1562.
LI Li, SHI Kexin, REN Zhenkang. Cross-project defect prediction method based on feature selection and TrAdaboost[J]. Journal of Computer Applications, 2022,42(5):1554-1562.
[7] [7] 周翔，翟俊海，黄雅婕，等.大数据环境下的投票特征选择算法［J/OL］.小型微型计算机系统，2022：1-9.
ZHOU Xiang， ZHAI Junhai， HUANG Yajie， et al. Voting feature selection algorithm in big data environment［J/OL］. Journal of Chinese Computer Systems， 2022：1-9.
[8] [8] 康文豪，徐天奇，王阳光，等.双层特征选择和CatBoost-Bagging集成的短期风电功率预测［J/OL］.重庆理工大学学报（自然科学），2022：1-8.
KANG Wenhao， XU Tianqi， WANG Yangguang， et al. Short-term wind power prediction based on double-layer feature selection and catboost-bagging integration［J/OL］. Journal of Chongqing University of Technology（Natural Science）， 2022：1-8.
[9] [9] Dupriest F E， Koederitz W L. Maximizing drill rates with real-time surveillance of mechanical specific energy［C］//
SPE/IADC Drilling Conference .OnePetro ， 2005.[10] [10] Shi X， Liu G， Gong X， et al. An efficient approach for real-time prediction of rate of penetration in offshore drilling［J］. Mathematical Problems in Engineering， 2016：20-16.
[11] [11] 李谦，周长春，朱海燕，等.生产数据的整合与初步分析在钴井中的应用实例［J］.钻探工程，2021，48（S1）：97-107.
LI Qian， ZHOU Changchun， ZHU Haiyan，et al. Application of integration and preliminary analysis of production data in drilling［J］. Drilling Engineering， 2021，48（S1）：97-107.
[12] [12] 李洪烈，夏栋，王倩.基于回归模型的采集数据清洗技术［J］.电光与控制，2022，29（4）：117-120.
LI Honglie， XIA Dong， WANG Qian. A sample data clean technology based on regression model［J］. Electronics Optics & Control， 2022，29（4）：117-120.
[13] [13] 匡俊搴，赵畅，杨柳，等.一种基于深度学习的异常数据清洗算法［J］.电子与信息学报，2022，44（2）：507-513.
KUANG Junqian， ZHAO Chang， YANG Liu， et al. An outlier cleaning algorithm based on deep learning［J］. Journal of Electronics & Information Technology， 2022，44（2）：507-513.
[14] [14] 曹凯鑫，汤猛猛，葛建鸿，等.大气污染物PM_（2.5）缺失数据插值方法的比较研究：基于北京市数据［J］.环境与职业医学，2020，37（4）：299-305.
CAO Kaixin， TANG Mengmeng， GE Jianhong， et al. Comparison of methods to interpolate missing PM2.5 values： Based on air surveillance data of Beijing［J］. Journal of Environmental and Occupational Medicine， 2020，37（4）：229-305.
[15] [15] 王双敬，王玉杰，李旭，等.TBM掘进数据标准化预处理方法研究［J/OL］.现代隧道技术，2022：1-8.
WANG Shuangjing， WANG Yujie， LI Xu， et al. Research on standardized preprocessing method of TBM tunneling data［J/OL］. Modern Tunnelling Technology， 2022：1-8.
[16] [16] 屈峰涛.基于大数据和智能算法的钻井参数优选模型与应用研究［D］.西安：西安石油大学，2021.QU Fengtao. Research on establishment and application of drilling parameter optimization model based on big data and intelligent algorithms［D］. Xi’an： Xi’an Shiyou University， 2021.
[17] [17] 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］.钻探工程，2021，48（3）：21-30.
LI Qian， CAO Yanwei， ZHU Haiyan. Discussion on the lower limit of data validity for ROP prediction based on artificial intelligence［J］. Drilling Engineering， 2021，48（3）：21-30.
[18] [18] 殷豪，翟广松，王鹏，等.基于互信息特征选取-变分模态分解和长短时记忆网络的日前耦合市场电价预测［J/OL］.电网技术，2022：1-9.
YIN Hao， ZHAI Guangsong， WANG Peng， et al. Electricity price forecast of day-ahead coupled market based on mutual information feature selection and variational mode decomposition and LSTM［J/OL］. Power System Technology， 2022：1-9.
[19] [19] 陈陆，吴桦.基于GBDT的船舶油耗预测模型设计［J］.电子设计工程，2022，30（2）：91-95.
CHEN Lu， WU Ye. Prediction model of ship fuel consumption based on GBDT［J］. Electronic Design Engineering， 2022，30（2）：91-95.
[20] [20] 吕晓玲，宋捷.大数据挖掘与统计机器学习［M］.北京：中国人民大学出版社，2016.SONG Xiaoling， SONG Jie. Big Data Mining and Statistical Machine Learning［M］. Beijing： China Renmin University Press， 2016.
-
计量
- 文章访问数: 855
- PDF下载数: 204
- 施引文献: 0
下载: