机理约束下钻井机械钻速智能预测泛化方法

钻井机械钻速的准确预测可辅助油气井钻井前科学配置资源,对制订更加合理的钻井作业方案以及钻井提效、降本增效具有重要现实意义。智能化预测钻井机械钻速已成为行业研究热点,为解决常规智能模型在不同井间迁移能力较差的问题,在对综合录井数据进行降噪、补全等预处理的基础上,利用钻井专业知识构造约束条件,引入了域对抗神经网络(DANN),建立了机械钻速模型在不同井间的迁移机制,结合滑动窗口、增量更新与实时录井数据,形成了机械钻速模型随井下工况的实时更新方法。研究结果表明:(1)数据层约束和网络层约束均可提高智能模型的精度与稳定性,且双机理约束下的BP模型相比于普通BP模型预测精度明显提高;(2)基于域对抗神经网络的机械钻速预测模型可有效地将邻井(源域)数据知识迁移到测试井(目标域);(3)基于增量学习算法建立的双滑动窗口数据更新机制,使模型实时适应地下钻进环境变化,预测精度和泛化能力进一步提升;(4)机理约束、迁移训练与实时更新对模型泛化性能的强化作用具有叠加效应,新井机械钻速预测平均相对误差降低至20.2%。结论认为,建立的机械钻速预测模型及迁移方法相较于传统钻速预测模型,具有更好的迁移性和更高的准确度,减少了迁移过程中重复训练时间,为机械钻速智能预测提供了新的思路和方向。

基于GRU神经网络的PDC钻头磨损实时监测模型

能够实时监测钻头磨损程度对于钻井提速是一个直观的参考目标。但钻井现场难以采集直接反映钻头磨损情况的参数,目前对钻头磨损程度的监测手段较少,主要依靠技术人员的经验判断。如何定量评估PDC钻头磨损程度一直是研究的难点。钻头磨损程度评价主要基于破岩效率和机械比能。通过物理模型计算机械比能,并通过小波分析、聚类算法表征钻头磨损过程,建立了基于门控循环单元(GRU)神经网络的PDC钻头磨损实时监测模型,形成了钻井参数与钻头磨损程度的映射关系,模型精度达95%。采用新疆油田A井数据对模型进行测试,结果表明该模型可以正确预测当前钻头磨损级别。该模型为钻头磨损监测提供了一种解决方案,可以辅助现场工程师判断起下钻时机,以保证更高的钻井效率。