基于动态特征和深度神经网络的钻井漏失事故预测

为提高钻井漏失预测的准确性和实时性,建立了一套能够学习现场专家经验实现对钻井漏失事故预测的智能方法。首先,对采集到的综合录井数据利用小波滤波对录井数据进行降噪处理,并根据降噪的效果选取了滑动窗口的长度,降噪后数据的波形更加平滑,上升或下降趋势更明显;然后通过研究井漏点周围4个动态特征的波形,使用滑动窗口对钻井曲线波形进行截取;最后分别用长短期记忆神经网络(LSTM)、双向长短期记忆神经网络(Bi-LSTM)、简化的AlexNet以及VGGNet对井漏事故进行实时滚动预测。实验结果表明,相对于卷积神经网络,LSTM和Bi-LSTM能够提取综合录井曲线动态变化的自相关特性,提取的特征更具有代表性,对井漏事故预测的准确率更高。