百度彩票

基于GA-SVR算法的顺北区块固井质量预测

郑双进 程霖 龙震宇 刘洋 赫英状

郑双进,程霖,龙震宇,刘洋,赫英状. 基于GA-SVR算法的顺北区块固井质量预测[J]. 百度彩票 工艺,2021,43(0):1-7
引用本文: 郑双进,程霖,龙震宇,刘洋,赫英状. 基于GA-SVR算法的顺北区块固井质量预测[J]. 百度彩票 工艺,2021,43(0):1-7
ZHENG Shuangjin, CHENG Lin, LONG Zhenyu, LIU Yang, HE Yingzhuang. Predicting the cementing quality in Shunbei Block based on GA-SVR algorithm[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-7
Citation: ZHENG Shuangjin, CHENG Lin, LONG Zhenyu, LIU Yang, HE Yingzhuang. Predicting the cementing quality in Shunbei Block based on GA-SVR algorithm[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-7

基于GA-SVR算法的顺北区块固井质量预测

基金项目: 国家自然科学基金项目“不规则井眼固井环空流场及井壁附着泥浆滞留机理研究”(编号:51804043);中国石化西北油田分公司项目“顺北高温高压水平井固井技术研究”(编号:3400007-19-ZC0607-0154)
详细信息
    作者简介:

    郑双进(1983-),2016年毕业于中国地质大学(武汉)地质工程专业,获博士学位,现从事石油天然气固井完井技术的研究工作,副教授。通讯地址:(430100)湖北省武汉市蔡甸区大学路111号长江大学。E-mail:.cn

    通讯作者:

    程霖(1996-),2020年毕业于长江大学计算机科学与技术专业,获学士学位,现从事石油天然气固井工艺、机器学习算法等研究工作,助理工程师。通讯地址:(430100)湖北省武汉市蔡甸区大学路111号长江大学。E-mail:.cn

  • 中图分类号: TE21

Predicting the cementing quality in Shunbei Block based on GA-SVR algorithm

  • 摘要: 为了准确预测西北油田顺北区块固井质量,在固井质量影响因素分析的基础上,采用机器学习方法,建立基于支持向量回归(SVR)模型的固井质量预测模型,并分别利用网格搜索法(GS)、贝叶斯优化算法(BOA)、遗传算法(GA)优选模型惩罚系数C和核函数参数g,以提高SVR预测精度。基于优化的模型结合顺北区块某井进行了实例计算,研究结果表明:相比SVR、GS-SVR、BOA-SVR算法,运用GA-SVR算法预测固井质量的均方根误差(RMSE)和平均相对误差(MRE)最低,分别为2.318和7.30%,具有较高的预测精度,可用于该区块固井质量预测。该方法为固井质量预测提供了一种有效手段,有助于固井前开展施工方案优化,提高固井质量。
  • 百度彩票

    图  1  最优超平面示意图

    Figure  1.  Sketch of optimal hyperplane

    图  2  网格搜索法流程

    Figure  2.  Process of grid search method

    图  3  贝叶斯优化算法流程

    Figure  3.  Process of Bayesian optimization algorithm

    图  4  遗传算法流程

    Figure  4.  Process of genetic algorithm

    图  5  固井质量实际值与预测值的相关性对比

    Figure  5.  Correlation between actual value and predicted value of cementing quality

    表  1  测试集及模型预测评价

    Table  1.   Test set and model prediction evaluation

    编号实际固井质量/%预测固井质量/%相对误差/%
    1413.3713.924.11
    1619.3420.495.95
    1717.2921.3323.37
    2022.3122.541.03
    2620.1921.215.05
    4228.3423.6916.41
    4329.7625.0715.76
    4421.3922.766.40
    下载: 导出CSV

    表  2  网格搜索法优化结果及模型评价

    Table  2.   Optimization result and model evaluation of grid search method

    编号实际固井质量/%预测固井质量/%相对误差/%
    1413.3713.652.09
    1619.3420.606.52
    1717.2921.3223.31
    2022.3122.571.17
    2620.1920.190.05
    4228.3424.4813.62
    4329.7625.0415.86
    4421.3922.475.05
    下载: 导出CSV

    表  3  贝叶斯算法优化结果及模型评价

    Table  3.   Optimization result and model evaluation of Bayesian algorithm

    编号实际固井质量/%预测固井质量/%相对误差/%
    14 13.37 13.52 1.12
    16 19.34 20.51 6.05
    17 17.29 21.21 22.67
    20 22.31 22.49 0.81
    26 20.19 20.24 0.25
    42 28.34 24.83 12.39
    43 29.76 25.18 15.39
    44 21.39 22.53 5.33
    下载: 导出CSV

    表  4  遗传算法的优化结果及模型评价

    Table  4.   Optimization result and model evaluation of genetic algorithm

    编号实际固井质量/%预测固井质量/%相对误差/%
    14 13.37 13.56 1.42
    16 19.34 20.09 3.88
    17 17.29 20.63 19.32
    20 22.31 22.06 1.12
    26 20.19 20.30 0.54
    42 28.34 25.09 11.48
    43 29.76 25.41 14.62
    44 21.39 22.67 5.98
    下载: 导出CSV

    表  5  模型优化前后评价

    Table  5.   Model evaluation before and after the optimization

    模型MRERMSE时间
    SVR 0.0980 2.851 <1
    GS-SVR 0.0846 2.653 44.8
    BOA-SVR 0.0800 2.533 19.8
    GA-SVR 0.0730 2.318 36.3
    下载: 导出CSV

    表  6  GA-SVR模型预测固井质量相对误差

    Table  6.   Relative error of cementing quality predicted by GA-SVR model

    组数实际值/%预测值/%相对误差/%
    1 25.26 25.58 1.27
    2 26.49 25.25 4.69
    3 24.14 24.50 1.49
    4 20.89 21.77 4.22
    5 19.47 20.19 3.68
    6 18.31 19.99 9.16
    7 15.92 14.86 6.64
    8 28.46 27.15 4.61
    9 27.69 25.90 6.45
    10 30.18 28.57 5.34
    11 26.11 25.21 3.44
    12 20.22 19.16 5.23
    13 15.97 14.90 6.71
    14 12.76 11.76 7.84
    15 16.44 17.79 8.21
    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] RAVI K, WEBER L. Drill-cutting removal in a horizontal wellbore for cementing[C]//IADC/SPE Drilling Conference, New Orleans, Louisiana, 1996: SPE-35081-MS. DOI: .
    [2] WILSON M A. Cementing horizontal wells in preparation for stimulation[J]. World Oil, 1989, 209(4): 718-721.
    [3] WANG T T, ZHAO W C, SUN C Y, et al. The study and application of gray-orthogonal wavelet network forecasting mode on cementing quality[J]. Advances in Petroleum Exploration and Development, 2014, 7(2): 99-101. doi:  
    [4] 李雪, 王杰, 孙涛. 固井质量评价方法体系构建及影响因素分析[J]. 科技通报, 2017, 33(4):68-75. doi:  

    LI Xue, WANG Jie, SUN Tao. Comprehensive research on evaluation system construction and influence factors of cementing quality[J]. Bulletin of Science and Technology, 2017, 33(4): 68-75. doi:  
    [5] MARKET J, SCHMITT D P, DEADY R. LWD sonic logging in cased holes[C]//SPWLA 45th Annual Logging Symposium, Noordwijk, Netherlands, 2004: SPWLA-2004-U.
    [6] KINOSHITA T, IZUHARA W, VALERO H P, et al. Feasibility and challenge of quantitative cement evaluation with LWD sonic[C]//SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, USA, 2013: SPE-166327-MS. DOI: .
    [7] 孙志成. 大庆调整井分区块固井质量评价与统计分析技术研究[D]. 大庆: 大庆石油学院, 2009.

    SUN Zhicheng. Technical study on cementing quality evaluation and statistical analysis of adjusting well in Daqing[D]. Daqing: Daqing Petroleum Institute, 2009.
    [8] 朱玉玺, 倪红梅, 王瑞仙, 等. 人工神经网络在固井质量预测中的应用[J]. 大庆石油学院学报, 2002(2):52-55, 135-136. doi:  

    ZHU Yuxi, NI Hongmei, WANG Ruixian, et al. Application of artificial neutral network to forecasting cementing quality[J]. Journal of Northeast Petroleum University, 2002(2): 52-55, 135-136. doi:  
    [9] NI H M, YI Z A, LI P C, et al. Application of BP network based on PSO algorithm in cementing quality prediction[J]. Advanced Materials Research, 2014, 926/930: 4433-4436. doi:  
    [10] HATAMI S, GHADERI-ARDAKANI A, NIKNEJAD-KHOMAMI M, et al. On the prediction of CO2 corrosion in petroleum industry[J]. The Journal of Supercritical Fluids, 2016, 117: 108-112. doi:  
    [11] CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297. doi:  
    [12] VAPNIK V N. Statistical learning theory[M]. New York: Wiley-Interscience, 1998.
    [13] THISSEN U, VAN BRAKEL R, DE WEIJER A P, et al. Using support vector machines for time series prediction[J]. Chemometrics and Intelligent Laboratory Systems, 2003, 69(1/2): 35-49. doi:  
    [14] CHAUCHARD F, SVENSSON J, AXELSSON J, et al. Localization of embedded inclusions using detection of fluorescence: Feasibility study based on simulation data, LS-SVM modeling and EPO pre-processing[J]. Chemometrics and Intelligent Laboratory Systems, 2008, 91(1): 34-42. doi:  
    [15] VERWAEREN J, VAN DER WEEËN P, DE BAETS B. A search grid for parameter optimization as a byproduct of model sensitivity analysis[J]. Applied Mathematics and Computation, 2015, 261: 8-27. doi:  
    [16] CHEN P W, WANG J Y, LEE H M. Model selection of SVMs using GA approach[C]//2004 IEEE International Joint Conference on Neural Networks(IEEE Cat. No. 04CH37541), Budapest, Hungary, 2004: 2035-2040. DOI: .
    [17] 王健峰. 基于改进网格搜索法SVM参数优化的说话人识别研究[D]. 哈尔滨: 哈尔滨工程大学, 2012.

    WANG Jianfeng. Study on speaker recognition based on improved grid search parameters optimization algorithm of SVM[D]. Harbin: Harbin Engineering University, 2012.
    [18] SHAHRIARI B, SWERSKY K, WANG Z Y, et al. Taking the human out of the loop: A review of Bayesian optimization[J]. Proceedings of the IEEE, 2016, 104(1): 148-175. doi:  
    [19] GOLDBERG D E. Genetic algorithms in search, optimization and machine learning[M] Boston: Addison-Wesley Longman Publishing Co. , Inc, 1989: 232-237.
    [20] SINGH K, MISKA S, OZBAYOGLU E, et al. Using supervised machine learning algorithms to predict pressure drop in narrow annulus[C]//SPE/AAPG Eastern Regional Meeting, Pittsburgh, Pennsylvania, USA, 2018: SPE-191794-18ERM-MS. DOI: .
  • [1] 赵传伟, 唐明, 李伟, 肖经纬, 马德材, 孙浩玉.  基于遗传算法的计数式全通径压裂滑套优化设计 . 百度彩票 工艺, doi: 10.13639/j.odpt.2016.05.028
    [2] 赵广渊, 苏玉亮, 任龙, 郝永卯, 李政, 王文东.  多分支水平井参数智能优化技术 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.02.003
    [3] 张宏军.  胜利油田探井完井工艺与固井质量分析   . 百度彩票 工艺,
    [4] 邹宽城, 常亚萍, 韩秀清.  基于计算智能的射孔枪结构优化设计方法 . 百度彩票 工艺,
    [5] 席长丰, 师俊峰, 周荣学, 吴晓东, 魏晨吉.  环空注蒸汽伴热工艺的数学模型及注汽参数优化 . 百度彩票 工艺,
    [6] 王雅茹, 师俊峰, 吴晓东, 石在虹, 苏建政.  空心杆注蒸汽开采稠油的参数优化设计 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2007.04.013
    [7] 宋胜利, 杨凤香, 王木乐, 刘鲲.  小井眼固井质量差的原因及解决办法 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2004.02.009
    [8] 步玉环, 王瑞和, 穆海朋.  纤维水泥改善固井质量研究 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2003.05.003
    [9] 赵凤森, 贾晓斌.  提高水平井φ77.8mm尾管固井质量的措施 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2002.06.007
    [10] 李明.  利用扩孔方法提高侧钻小眼井的固井质量 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2002.05.010
    [11] 丁士东.  塔河油田紊流、塞流复合顶替固井技术 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2002.01.007
    [12] 朱哲, 马海忠, 陈兴中, 秦仲奎, 武美平, 李应绪.  提高王南沟区块固井质量技术研究 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2002.02.005
    [13] 路宁, 马祥林, 杨小环.  多功能钻井液可提高固井质量 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1999.01.006
    [14] 杨绍金.  水泥浆异位吞吐对调整井油层固井质量的影响及预防 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1998.01.011
    [15] 贾芝, 谢文虎, 胡福源, 刘硕琼, 郭晓阳.  陕甘宁盆地中部气田的固井技术 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1997.05.007
    [16] 杨伟平, 张云, 王秋菊.  易漏长封固调整井前置低密度钻井液固井法 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1996.01.009
    [17] 曹鸿梅, 杨树宝, 任继荣, 刘印宣.  用粘砂套管提高固井质量 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1994.02.007
    [18] 吴叶成, 刘亚.  提高调整井固井质量的方法 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1994.03.006
    [19] 杨再生, 韩相义.  陇东地区固井质量分析及对策 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1993.03.009
    [20] 徐惠峰, 马林虎.  提高尾管固井质量的措施 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1991.05.007
  • 加载中
计量
  • 文章访问数:  0
  • 被引次数: 0
出版历程
  • 修回日期:  2021-05-22
  • 网络出版日期:  2021-11-29

基于GA-SVR算法的顺北区块固井质量预测

    基金项目:  国家自然科学基金项目“不规则井眼固井环空流场及井壁附着泥浆滞留机理研究”(编号:51804043);中国石化西北油田分公司项目“顺北高温高压水平井固井技术研究”(编号:3400007-19-ZC0607-0154)
    作者简介:

    郑双进(1983-),2016年毕业于中国地质大学(武汉)地质工程专业,获博士学位,现从事石油天然气固井完井技术的研究工作,副教授。通讯地址:(430100)湖北省武汉市蔡甸区大学路111号长江大学。E-mail:.cn

    通讯作者: 程霖(1996-),2020年毕业于长江大学计算机科学与技术专业,获学士学位,现从事石油天然气固井工艺、机器学习算法等研究工作,助理工程师。通讯地址:(430100)湖北省武汉市蔡甸区大学路111号长江大学。E-mail:.cn
  • 中图分类号: TE21

摘要: 为了准确预测西北油田顺北区块固井质量,在固井质量影响因素分析的基础上,采用机器学习方法,建立基于支持向量回归(SVR)模型的固井质量预测模型,并分别利用网格搜索法(GS)、贝叶斯优化算法(BOA)、遗传算法(GA)优选模型惩罚系数C和核函数参数g,以提高SVR预测精度。基于优化的模型结合顺北区块某井进行了实例计算,研究结果表明:相比SVR、GS-SVR、BOA-SVR算法,运用GA-SVR算法预测固井质量的均方根误差(RMSE)和平均相对误差(MRE)最低,分别为2.318和7.30%,具有较高的预测精度,可用于该区块固井质量预测。该方法为固井质量预测提供了一种有效手段,有助于固井前开展施工方案优化,提高固井质量。

English Abstract

郑双进,程霖,龙震宇,刘洋,赫英状. 基于GA-SVR算法的顺北区块固井质量预测[J]. 百度彩票 工艺,2021,43(0):1-7
引用本文: 郑双进,程霖,龙震宇,刘洋,赫英状. 基于GA-SVR算法的顺北区块固井质量预测[J]. 百度彩票 工艺,2021,43(0):1-7
ZHENG Shuangjin, CHENG Lin, LONG Zhenyu, LIU Yang, HE Yingzhuang. Predicting the cementing quality in Shunbei Block based on GA-SVR algorithm[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-7
Citation: ZHENG Shuangjin, CHENG Lin, LONG Zhenyu, LIU Yang, HE Yingzhuang. Predicting the cementing quality in Shunbei Block based on GA-SVR algorithm[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-7

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