百度彩票

基于长短期记忆神经网络的深水钻井工况实时智能判别模型

殷启帅 杨进 曹博涵 龙洋 陈柯锦 范梓伊 贺馨悦

殷启帅,杨进,曹博涵,龙洋,陈柯锦,范梓伊,贺馨悦. 基于长短期记忆神经网络的深水钻井工况实时智能判别模型[J]. 百度彩票 工艺,2021,43(4):1-9
引用本文: 殷启帅,杨进,曹博涵,龙洋,陈柯锦,范梓伊,贺馨悦. 基于长短期记忆神经网络的深水钻井工况实时智能判别模型[J]. 百度彩票 工艺,2021,43(4):1-9
YIN Qishuai, YANG Jin, CAO Bohan, LONG Yang, CHEN Kejin, FAN Ziyi, HE Xinyue. Real-time intelligent rig activities classification model of deep-water drilling using Long Short-Term Memory (LSTM) network[J]. Oil Drilling & Production Technology, 2021, 43(4): 1-9
Citation: YIN Qishuai, YANG Jin, CAO Bohan, LONG Yang, CHEN Kejin, FAN Ziyi, HE Xinyue. Real-time intelligent rig activities classification model of deep-water drilling using Long Short-Term Memory (LSTM) network[J]. Oil Drilling & Production Technology, 2021, 43(4): 1-9

基于长短期记忆神经网络的深水钻井工况实时智能判别模型

基金项目: 国家自然科学基金青年科学基金项目(编号:52101340),博士后创新人才支持计划项目(编号:BX2021372),博士后科学基金面上项目(编号:2021M693495),中国石油大学(北京)科研基金项目(编号:2462021BJRC008)联合资助
详细信息
    作者简介:

    殷启帅(1991-),2017年获中国石油大学(北京)硕士学位,2020年获中国石油大学(北京)博士学位,现为中国石油大学(北京)安全科学与工程学科博士后,主要从事海洋钻井及机器学习方面研究工作。Email:.cn

  • 中图分类号: TE58;TP181

Real-time intelligent rig activities classification model of deep-water drilling using Long Short-Term Memory (LSTM) network

  • 摘要: 深水钻井具有高投入、高风险等特点,其工况实时判别是提高钻井时效、减少复杂事故的基础和前提。传统深水钻井作业中,钻井工况主要通过基于编程方式的物理模型与经验模型进行判别,难以保证时效性和正确率。为此,创新性地将机器学习引入深水钻井工况判别全流程,考虑综合录井数据的长时间序列特征,基于长短期记忆神经网络建立了深水钻井工况实时智能判别机器学习模型。通过对29 856 140行深水综合录井数据预处理,选取钻头深度、井深、大钩高度、钻压、悬重、扭矩、转速、立管压力,共计8个综合录井参数作为输入特征,建立了20隐藏层×70节点的长短期记忆神经网络模型,实现了旋转钻进、滑动钻进、接单根、静止、循环、向下洗井、划眼、向上洗井、倒划眼、起钻、下钻及“其他”,共计12种常见深水钻井工况的实时智能判别,测试集上正确率高达94.09%,满足深水现场作业需求。该模型可实时智能地判别钻井工况,充分验证了长短期记忆神经网络用于钻井工况实时智能判别的可行性与时效性,为钻井时效分析和复杂事故预警提供了机器学习模型基础,并将进一步拓展机器学习在石油工程领域的应用范围。
  • 百度彩票

    图  1  展开的长短期记忆循环神经网络

    Figure  1.  Expanded LSTM

    图  2  多分类问题的混淆矩阵

    Figure  2.  Confusion matrix of multi-classification problem

    图  3  不同隐藏层及节点的LSTM测试集上的正确率

    Figure  3.  Accuracy on LSTM test set at different hidden layers and nodes

    图  4  基于LSTM的钻井工况智能判别模型

    Figure  4.  LSTM based intelligent drilling condition recognition model

    图  5  不同移动窗口长度的LSTM网络测试集上正确率

    Figure  5.  Accuracy on LSTM test set at different moving window lengths

    图  6  迭代过程正确率与损失

    Figure  6.  Accuracy and loss of iterative process

    图  7  LSTM网络的混淆矩阵

    Figure  7.  Confusion matrix of LSTM

    表  1  二分类结果的混淆矩阵

    Table  1.   Confusion matrix of binary classification result

    实际值预测值
    正(Positive)负(Negative)
    真(True)真正(TP)假反(FN)
    假(False)假正(FP)真反(TN)
    下载: 导出CSV

    表  2  样本数据集统计分析

    Table  2.   Statistical analysis of sample data set

    录井参数最小值最大值均值标准差
    钻头深度/m05498.402259.02473.19
    井的测深/m675.005498.262801.63402.66
    大钩高度/m0.9536.3513.183.29
    钻压/kN0261.1781.2423.23
    悬重/kN04724.58926.20186.30
    转速/(r·min-1)0150.0067.9012.81
    扭矩/(kN·m)043.0113.012.23
    立管压力/MPa041.0911.061.98
    下载: 导出CSV

    表  3  12种钻井工况的数据量分布和独热码

    Table  3.   Data bulk distribution and one-hot code of 12 conditions

    钻井工况数据量数据量分布标记独热码
    其他1 839 1386.16%00
    旋转钻进8 067 12927.02%10
    滑动钻进456 7991.53%2001000000000
    接单根3 251 33410.89%3000100000000
    静止665 7922.23%4000010000000
    循环2 361 6217.91%5000001000000
    向下洗井913 5983.06%6000000100000
    划眼2 534 7868.49%7000000010000
    向上洗井1 525 6495.11%8000000001000
    倒划眼2 487 0168.33%9000000000100
    起钻3 009 49910.08%10000000000010
    下钻2 743 7799.19%11000000000001
    总计29 856 140100%
    下载: 导出CSV

    表  4  11种典型钻井工况的标记规则

    Table  4.   Marking rule of 11 typical drilling conditions

    输入旋转钻进滑动钻进接单根静止循环向下洗井划眼向上洗井倒划眼起钻下钻
    大钩高度
    悬重稍↓稍↓稍↑稍↑
    钻压>0>00000000
    转速>0000>00>00>000
    扭矩>0000>00>00>000
    立管压力>0>000>0>0>0>0>000
    钻头深度
    /测深
      注:↓表示下降;↑表示增加;—表示不变化。
    下载: 导出CSV

    表  5  最佳LSTM模型的超参数和网络结构

    Table  5.   Super parameter and network structure of optimal LSTM model

    选项参数
    最大遍数100
    训练集/测试集75%/25%
    优化算法Adam
    隐藏层数目20
    每层节点数目70
    下载: 导出CSV

    表  6  训练集上的LSTM网络性能指标

    Table  6.   LSTM performance indicator of training set

    钻井工况正确率精度召回率F1分数
    其他N/A0.930.920.93
    旋转钻进N/A0.990.970.98
    滑动钻进N/A0.810.940.87
    接单根N/A0.970.960.96
    静止N/A0.810.950.87
    循环N/A0.940.950.95
    向下洗井N/A0.870.960.91
    划眼N/A0.950.950.95
    向上洗井N/A0.930.950.94
    倒划眼N/A0.940.950.94
    起钻N/A0.960.950.96
    下钻N/A0.970.950.96
    总计95.41%0.960.950.95
    下载: 导出CSV

    表  7  测试集上的LSTM网络性能指标

    Table  7.   LSTM performance indicator of test set

    钻井工况正确率精度召回率F1分数
    其他N/A0.930.920.92
    旋转钻进N/A0.990.950.97
    滑动钻进N/A0.770.930.84
    接单根N/A0.950.950.95
    静止N/A0.800.950.87
    循环N/A0.930.930.93
    向下洗井N/A0.850.940.90
    划眼N/A0.950.930.94
    向上洗井N/A0.920.940.93
    倒划眼N/A0.940.950.94
    起钻N/A0.940.930.94
    下钻N/A0.930.930.93
    总计94.09%0.940.940.94
    下载: 导出CSV
    var _hmt = _hmt || []; (function() { var hm = document.createElement("script"); hm.src = "https://hm.baidu.com/hm.js?646a7d1033ff411d5d7be270f3397897"; var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(hm, s); })(); 顶盛体育-顶盛APP下载 艾尚体育APP|艾尚体育登录|艾尚体育官网 下注app中心 od体育最新版下载 百姓购彩-购彩中心
  • [1] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444. doi:  
    [2] 李根生, 宋先知, 田守嶒. 智能钻井技术研究现状及发展趋势[J]. 石油钻探技术, 2020, 48(1):1-8. doi:  

    LI Gensheng, SONG Xianzhi, TIAN Shouceng. Intelligent drilling technology research status and development trends[J]. Petroleum Drilling Techniques, 2020, 48(1): 1-8. doi:  
    [3] 王茜, 张菲菲, 李紫璇, 等. 基于钻井模型与人工智能相耦合的实时智能钻井监测技术[J]. 百度彩票 工艺, 2020, 42(1):6-15. doi:  

    WANG Xi, ZHANG Feifei, LI Zixuan, et al. Real-time intelligent drilling monitoring technique based on the coup- ling of drilling model and artificial intelligence[J]. Oil Drilling & Production Technology, 2020, 42(1): 6-15. doi:  
    [4] 闫铁, 许瑞, 刘维凯, 等. 中国智能化钻井技术研究发展[J]. 东北石油大学学报, 2020, 44(4):15-21. doi:  

    YAN Tie, XU Rui, LIU Weikai, et al. Research and development of intelligent drilling technology in China[J]. Journal of Northeast Petroleum University, 2020, 44(4): 15-21. doi:  
    [5] 路保平. 中国石化石油工程技术新进展与发展建议[J]. 石油钻探技术, 2021, 49(1):1-10. doi:  

    LU Baoping. New progress and development proposals of Sinopec's petroleum engineering technologies[J]. Petroleum Drilling Techniques, 2021, 49(1): 1-10. doi:  
    [6] 王文, 刘小刚, 窦蓬, 等. 基于神经网络的深层机械钻速预测方法[J]. 百度彩票 工艺, 2018, 40(增刊):121-124. doi:  

    WANG Wen, LIU Xiaogang, DOU Peng, et al. A ROP prediction method based on neutral network for the deep layers[J]. Oil Drilling & Production Technology, 2018, 40(S0): 121-124. doi:  
    [7] GUPTA I, TRAN N, DEVEGOWDA D, et al. Looking ahead of the bit using surface drilling and petrophysical data: machine-learning-based real-time geosteering in volve field[J]. SPE Journal, 2020, 25(2): 990-1006. doi:  
    [8] YIN Q S, YANG J, ZHOU B, et al. Improve the drilling operations efficiency by the big data mining of real-time logging[C]//SPE/IADC Middle East Drilling Technology Conference and Exhibition, Abu Dhabi, UAE, 2018: SPE-189330-MS. DOI:  .
    [9] 孙挺, 赵颖, 杨进, 等. 基于支持向量机的钻井工况实时智能识别方法[J]. 石油钻探技术, 2019, 47(5):28-33. doi:  

    SUN Ting, ZHAO Ying, YANG Jin, et al. Real-time intelligent identification method under drilling conditions based on support vector machine[J]. Petroleum Drill- ing Techniques, 2019, 47(5): 28-33. doi:  
    [10] ARNAOUT A, FRUHWIRTH R, ESMAEL B, et al. Intelligent real-time drilling operations classification using trend analysis of drilling rig sensors data[C]//SPE Kuwait International Petroleum Conference and Exhibition, Kuwait City, Kuwait, 2012: SPE-163302-MS. DOI:  .
    [11] BEN Y X, JAMES C, CAO D Z. Development and application of a real-time drillingstate classification algorithm with machine learning[C]//SPE/AAPG/SEG Unconventional Resources Technology Conference, Denver, Colorado, 2019: URTEC-2019-253-MS. DOI:  .
    [12] YIN Q S, YANG J, HOU X X, et al. Drilling performance improvement in offshore batch wells based on rig state classification using machine learning[J]. Journal of Petroleum Science and Engineering, 2020, 192: 107306. doi:  
    [13] 刘巍, 刘威, 谷建伟. 基于机器学习方法的油井日产油量预测[J]. 百度彩票 工艺, 2020, 42(1):70-75. doi:  

    LIU Wei, LIU Wei, GU Jianwei. Oil production prediction based on a machine learning method[J]. Oil Drilling & Production Technology, 2020, 42(1): 70-75. doi:  
    [14] 檀朝东, 陈培堯, 杨亚少, 等. 时序示功图驱动的抽油机井结蜡预测及清蜡效果评价[J/OL]. 百度彩票 工艺: 1-15[2020-11-10]. .

    TAN Chaodong, CHEN Peiyao, YANG Yashao, et al. Prediction of wax deposition in pumping wells and evaluation of wax removal effect driven by time series indicator diagram[J/OL]. Oil Drilling & Production Technology: 1-15[2020-11-10]. .
    [15] 杨进, 刘书杰, 石磊, 等. 挤压构造地层压力预测模型研究[J]. 石油学报, 2009, 30(5):764-768. doi:  

    YANG Jin, LIU Shujie, SHI Lei, et al. Research on prediction model for formation pressure in compression structure[J]. Acta Petrolei Sinica, 2009, 30(5): 764-768. doi:  
    [16] 杨进. 岩石抗钻强度与地层压力关系模型及其应用[J]. 石油大学学报(自然科学版), 2001, 25(2):1-2,5. doi:  

    YANG Jin. Correlation model of rock strength and forma-tion pore pressure and application of the model[J]. Journal of China University of Petroleum (Edition of Natural Science), 2001, 25(2): 1-2,5. doi:  
    [17] 杨进, 高德利. 地层压力随钻监测和预测技术研究[J]. 石油大学学报(自然科学版), 1999, 23(1):35-37. doi:  

    YANG Jin, GAO Deli. Technologies for inspecting and predicting formation pressure while drilling[J]. Journal of China University of Petroleum(Edition of Natural Science), 1999, 23(1): 35-37. doi:  
    [18] 杨进, 张辉. 地层岩性随钻识别的神经网络方法研究[J]. 天然气工业, 2006, 26(12):109-111. doi:  

    YANG Jin, ZHANG Hui. A method for lithology identification while drilling based on neural network[J]. Natural Gas Industry, 2006, 26(12): 109-111. doi:  
    [19] 刘兆年, 赵颖, 孙挺. 渤海区域基于数据驱动的钻井提速[J]. 西南石油大学学报(自然科学版), 2020, 42(6):35-41. doi:  

    LIU Zhaonian, ZHAO Ying, SUN Ting. Data-driven drilling acceleration in Bohai XX block[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2020, 42(6): 35-41. doi:  
    [20] YIN Q S, YANG J, TYAGI M, et al. Field data analysis and risk assessment of gas kick during industrial deepwater drilling process based on supervised learning algorithm[J]. Process Safety and Environmental Protection, 2021, 146: 312-328. doi:  
    [21] YIN Q S, YANG J, TYAGI M, et al. Machine learning for deepwater drilling: gas-kick-alarm classification using pilot-scale rig data with combined surface-riser-downhole monitoring[J]. SPE Journal, 2021, 26(4): 1773-1799. doi:  
    [22] BENGIO Y, SIMARD P, FRASCONI P. Learning long-term dependencies with gradient descent is difficult[J]. IEEE Transactions on Neural Networks, 1994, 5(2): 157-166. doi:  
    [23] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780. doi:  
    [24] LEE K, LIM J, YOON D, et al. Prediction of shale-gas production at duvernay formation using deep-learning algorithm[J]. SPE Journal, 2019, 24(6): 2423-2437. doi:  
  • [1] 韦红术, 邓玉明, 同武军, 孙子刚, 赵苏文, 赵维青.  深水钻井导管水下打桩关键技术 . 百度彩票 工艺, doi: 10.13639/j.odpt.2021.03.008
    [2] 刘巍, 刘威, 谷建伟.  基于机器学习方法的油井日产油量预测 . 百度彩票 工艺, doi: 10.13639/j.odpt.2020.01.012
    [3] 许云锦, 杨进, 周波, 孟炜.  深水钻井喷射法安装表层导管极限下入深度确定 . 百度彩票 工艺, doi: 10.13639/j.odpt.2016.05.002
    [4] 宋宇, 杨进, 何藜, 李佳, 殷启帅.  基于隔水管受力分析的深水钻井平台防台风措施优选 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.038
    [5] 殷志明, 张红生, 周建良, 李迅科.  深水钻井井喷事故情景构建及应急能力评估 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.043
    [6] 罗洪斌, 田波, 蒋世全, 彭作如.  考虑海底增压的深水钻井当量循环密度预测方法 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.018
    [7] 赵苏文, 黄小龙, 熊爱江, 赵德.  ?406.4 mm 尾管悬挂技术在深水钻井中的应用 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.026
    [8] 胡伟杰, 刘正礼, 陈彬.  南海内波流对深水钻井的影响及对策 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.041
    [9] 李中, 方满宗, 李磊.  南海西部深水钻井实践 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.023
    [10] 寇贝贝, 刘正礼, 姜清兆, 田瑞瑞.  深水钻井动力定位平台允许漂移范围分析 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.008
    [11] 郝希宁, 蒋世全, 孙丽丽, 田峥, 田波.  深水钻井当量循环密度影响规律分析 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.06.012
    [12] 韦红术, 王荣耀, 张玉亭, 王跃曾.  南海深水钻井防台风应急技术 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.039
    [13] 张春杰, 罗俊丰, 叶吉华, 严德, 田峥.  深水钻井表层套管固井井口稳定性及防下沉实践 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.013
    [14] 叶吉华, 刘正礼, 罗俊丰, 畅元江.  南海深水钻井井控技术难点及应对措施 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.036
    [15] 郝希宁, 苏峰, 蒋世全, 田峥, 寇贝贝.  南海深水钻井井涌余量主控因素分析 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.015
    [16] 谢仁军, 刘书杰, 文敏, 吴怡.  深水钻井溢流井控期间水合物生成主控因素 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.016
    [17] 苏堪华, 管志川, 龙芝辉.  海底浅部地层性质对深水钻井井口稳定性的影响 . 百度彩票 工艺,
    [18] 柯珂, 管志川, 张君亚, 王斌, 崔允.  西非深水JDZ-2-1井钻井工程整体风险分析 . 百度彩票 工艺,
    [19] 苏堪华, 管志川, 苏义脑.  深水钻井水下井口力学稳定性分析 . 百度彩票 工艺,
    [20] 胡海良, 唐海雄, 汪顺文, 刘正礼, 罗俊丰.  白云6-1-1井深水钻井技术 . 百度彩票 工艺,
  • 加载中
计量
  • 文章访问数:  0
  • 被引次数: 0
出版历程
  • 修回日期:  2021-05-27
  • 网络出版日期:  2021-11-23

基于长短期记忆神经网络的深水钻井工况实时智能判别模型

    基金项目:  国家自然科学基金青年科学基金项目(编号:52101340),博士后创新人才支持计划项目(编号:BX2021372),博士后科学基金面上项目(编号:2021M693495),中国石油大学(北京)科研基金项目(编号:2462021BJRC008)联合资助
    作者简介:

    殷启帅(1991-),2017年获中国石油大学(北京)硕士学位,2020年获中国石油大学(北京)博士学位,现为中国石油大学(北京)安全科学与工程学科博士后,主要从事海洋钻井及机器学习方面研究工作。Email:.cn

  • 中图分类号: TE58;TP181

摘要: 深水钻井具有高投入、高风险等特点,其工况实时判别是提高钻井时效、减少复杂事故的基础和前提。传统深水钻井作业中,钻井工况主要通过基于编程方式的物理模型与经验模型进行判别,难以保证时效性和正确率。为此,创新性地将机器学习引入深水钻井工况判别全流程,考虑综合录井数据的长时间序列特征,基于长短期记忆神经网络建立了深水钻井工况实时智能判别机器学习模型。通过对29 856 140行深水综合录井数据预处理,选取钻头深度、井深、大钩高度、钻压、悬重、扭矩、转速、立管压力,共计8个综合录井参数作为输入特征,建立了20隐藏层×70节点的长短期记忆神经网络模型,实现了旋转钻进、滑动钻进、接单根、静止、循环、向下洗井、划眼、向上洗井、倒划眼、起钻、下钻及“其他”,共计12种常见深水钻井工况的实时智能判别,测试集上正确率高达94.09%,满足深水现场作业需求。该模型可实时智能地判别钻井工况,充分验证了长短期记忆神经网络用于钻井工况实时智能判别的可行性与时效性,为钻井时效分析和复杂事故预警提供了机器学习模型基础,并将进一步拓展机器学习在石油工程领域的应用范围。

English Abstract

殷启帅,杨进,曹博涵,龙洋,陈柯锦,范梓伊,贺馨悦. 基于长短期记忆神经网络的深水钻井工况实时智能判别模型[J]. 百度彩票 工艺,2021,43(4):1-9
引用本文: 殷启帅,杨进,曹博涵,龙洋,陈柯锦,范梓伊,贺馨悦. 基于长短期记忆神经网络的深水钻井工况实时智能判别模型[J]. 百度彩票 工艺,2021,43(4):1-9
YIN Qishuai, YANG Jin, CAO Bohan, LONG Yang, CHEN Kejin, FAN Ziyi, HE Xinyue. Real-time intelligent rig activities classification model of deep-water drilling using Long Short-Term Memory (LSTM) network[J]. Oil Drilling & Production Technology, 2021, 43(4): 1-9
Citation: YIN Qishuai, YANG Jin, CAO Bohan, LONG Yang, CHEN Kejin, FAN Ziyi, HE Xinyue. Real-time intelligent rig activities classification model of deep-water drilling using Long Short-Term Memory (LSTM) network[J]. Oil Drilling & Production Technology, 2021, 43(4): 1-9

返回顶部

目录

    /

    返回文章
    返回
    var _hmt = _hmt || []; (function() { var hm = document.createElement("script"); hm.src = "https://hm.baidu.com/hm.js?646a7d1033ff411d5d7be270f3397897"; var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(hm, s); })(); 顶盛体育-顶盛APP下载 艾尚体育APP|艾尚体育登录|艾尚体育官网 下注app中心 od体育最新版下载 百姓购彩-购彩中心