结合LSTM自编码器与集成学习的井漏智能识别方法

为了解决传统的井漏智能识别模型因井漏样本数量受限导致其识别准确率低的问题,提出了一种长短期记忆(long short-term memory,LSTM)网络与自编码器(auto-encoder,AE)相结合、集成LSTM-AE的井漏智能识别方法。首先,采用正常样本训练多个包含不同隐藏层神经元数目的LSTM-AE模型,利用重构得分筛选出识别效果较好的几个模型作为基识别器;然后,采用集成学习对多个基识别器的识别结果进行加权融合,解决单一模型因对样本局部特征过度学习导致的误报与漏报问题,提高模型的识别准确率。从某油田18口井的钻井数据中选取了6000组正常钻进状态下的立压、出口流量、池体积数据,对集成LSTM-AE模型进行训练和测试,结果表明,提出方法的识别准确率达到了94.7%,优于其他常用的智能模型的识别结果,为井漏识别提供了一种新的技术途径。

基于随钻测井资料的井漏位置识别及压井液密度确定

油田勘探开发过程存在不同程度井漏现象。为有效判识漏点位置,实施堵漏作业及实现安全高效钻井,归纳了井漏现象在随钻测井资料的响应特征,提出了通过自然伽马、电阻率、井径、孔隙度等随钻测井资料及时准确识别井漏位置以及计算压井液密度,形成井漏识别及确定压井参数的测井评价技术,为安全钻井提供支持。通过NP8井致密油水平井的实例分析,说明随钻测井资料可以为钻井堵漏和压井作业提供实时、准确、直观、可靠的依据。