基于数据挖掘技术的深井钻速预测方法研究

为了对钻井过程中的机械钻速进行预测,提出了层次分析-神经网络组合模型,将层次分析法确定的钻速影响因素权重和原始数据一并作为输入信息,经过神经网络训练、迭代,确定已钻井钻速模型,最后利用模型对同一区域待钻井钻速进行仿真预测。仿真结果表明,应用层次分析法与前馈神经网络原理建立的AHP-BP组合模型在一定程度上可以提高迭代收敛速度和训练结果的可靠性;利用数据挖掘技术对钻速进行仿真预测,并与实钻值进行对比,可以对钻井状态进行评价,为优选钻进参数、钻头型号及钻井优化提供辅助决策支持。     

基于PCA-BP算法的机械钻速预测研究

钻井过程中，机械钻速是衡量钻井效率的一个重要指标，准确预测机械钻速对提高钻井效率、降低成本具有重要作用。常用的钻速方程预测模型存在建模困难、求解困难等问题。为此，提出一种基于主成分分析算法(PCA)优化BP神经网络的机械钻速预测新模型。基于PCA-BP模型预测机械钻速，并将预测结果与BAS-BP、BP和RF等模型的预测结果进行横向对比。结果表明，PCA-BP的拟合优度(R²)分别提高5.7%、9.4%和18.7%;均方根误差分别降低23.88%、30.3%和43.6%;平均绝对百分比误差分别降低35.45%、56.7%和61.5%。预测结果表明，新模型的精度更高、收敛速度更快。PCA-BP模型还可实时评价影响机械钻速因素的合理性，为提高机械钻速提供指导意见。研究结果可为实际钻进过程中提高机械钻速提供更科学的参考依据。     

基于遗传优化算法的井底钻压智能预测模型

准确的井底钻压是提高钻井效率的重要因素。近年来，越来越多研究表明，智能技术是准确预测目标值的有效途径，结合反向传播(Back Propagation, BP)神经网络和长短期记忆神经网络(Long Short-Term Memory, LSTM)，并将单一的BP与LSTM模型和遗传算法(Genetic Algorithm,GA)相结合，建立了4种井底钻压智能预测模型(BP、LSTM、GA-BP与GA-LSTM模型)。通过实验论证，遗传算法在一定程度上起到了优化作用，表现出更高的预测精度、更好的鲁棒性与预测趋势、更快的预测时间。GA-LSTM与GA-BP比单一LSTM与BP模型的平均相对误差分别降低了40.13%和47.11%，并且预测时间分别缩短了12.6倍和9.3倍。其中综合考虑各方面性能可选取GA-LSTM作为井底钻压最优智能预测模型，应用于钻压实时监控或与常规的自动送钻系统结合从而实现对井底钻压的准确控制，提高钻井效率与钻头性能，降低钻井成本。     

城市燃气日负荷PCA-GM-BPNN组合预测模型

城市燃气日负荷预测准确性,对燃气供应系统的优化设计、合理调度和稳定运行具有重要意义。基于BP神经网络、GM灰色预测理论和PCA主成分分析三种模型,综合考虑负荷预测的诸多影响因素,建立城市燃气日负荷PCA-GM-BPNN组合预测模型。该组合模型首先利用灰色优化模型预测出BP神经网络所需的样本校正序列,然后应用主成分分析技术对包括校正序列在内的日负荷影响因子进行降维处理,再将降维后累计贡献率占比85以上的几种主成分作为输入层神经元输入神经网络进行训练。通过实际应用效果分析可知,该组合模型预测的南乐县燃气日负荷MAPE值为4. 06,均小于其他四种负荷预测模型,是一种更为有效的城市燃气日负荷预测方法。     

基于神经网络的卡钻预测

针对钻井过程的复杂性、不确定性等特点,提出应用神经网络技术预测卡钻事故,建立事故预测模型.选取对卡钻事故的发生有较大影响的变量作为神经网络的输入项,分析钻井现场实时监测的卡钻数据和正常运行的数据,应用钻井现场数据对神经网络进行训练以此建立卡钻事故预测模型,最终通过钻井现场数据证实该网络具有对卡钻事故做出准确预测的能力以及良好的泛化能力.     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

基于机械比能的钻速预测模型优选

提高钻井效率是石油钻探过程中的重要环节之一，主要通过调整钻井参数、减小机械比能、提高机械钻速等方法实现。机械比能(MSE)表示钻头破碎单位体积岩石所需的机械能量，是评价钻井效率的主要指标之一，然而复杂的钻井作业导致大多数评价模型在应用过程中受到限制，地层不确定性会带来钻速预测模型泛化能力下降、非生产时间增加等问题。文章针对目标井的不同地层建立多种预测模型，经评估优选出表现最佳的模型。首先，基于机械比能理论和互信息法分析了影响钻速的可控参数；其次，以历史钻速均值为提速阈值将回归预测转换为分类预测，评估K最近邻(KNN)、多层感知机(MLP)、朴素贝叶斯(NB)、逻辑回归(LR)等分类算法模型的预测性能；最后优选出适用于目标井各地层的KNN模型，并将优选模型应用于同区域邻井中。实际验证结果表明：同区域邻井的四个地层预测准确率分别为0.94、0.94、0.92、0.96,AUC值分别为0.98、0.97、0.96、0.98,模型表现良好，能够助力钻井施工科学决策。     

基于人工神经网络的致密储层渗透率预测

致密储层渗透率求解困难.在基于流动单元指数与岩石粒度研究的基础上,通过设置3组不同输入参数的BP神经网络模型比较分析,发现采用微球电阻率测井值、自然伽马相对值、岩石骨架相关的中子和密度值(M、N)和孔隙度值作为输入参数的BP模型预测精度最高,然后用这些输入参数做为广义回归神经网络算法的输入,对岩心渗透率进行训练与预测.对比3种线性模型与2种神经网络模型对3口验证井岩心渗透率数据的预测误差,结果表明,针对研究靶区致密储层,线性模型对于渗透率的预测精度较低,神经网络模型可有效提高渗透率的预测精度,在训练样本较小的情况下,BP神经网络对渗透率的预测效果比广义回归神经网络略差.通过22口井实际资料处理结果分析表明,基于广义回归神经网络算法的渗透率模型可提高预测精度.     

原油闪点预测模型的研究

针对原油这类结构组成复杂、差异性大、可燃的复杂混合体系,选取各地区共计101种原油的恩氏蒸馏温度、20℃密度、20℃粘度作为输入变量,建立原油闪点预测模型。采用主成分分析法对输入变量进行降维,除去恩氏蒸馏系列数据中的信息冗余,分别采用多元线性回归(MLR)、BP神经网络、RBF神经网络三种方法建模,并对模型的预测结果进行对比,RBF神经网络模型的预测准确度与稳定性均为最优,绝对误差期望为2.94℃,相对误差期望为3.45%,BP神经网络模型的准确性优于多元线性回归模型,稳定性不如MLR模型。     

基于岩石抗钻特性的BP神经网络钻头选型方法

地层岩石抗钻特性是影响钻头使用效果最重要的一个因素,传统的钻头选型方法大多只是定性分析地质层位和钻头的对应关系,定量地计算分析岩石抗钻特性与钻头使用效果之间的关系较少。在分析现有钻头选型方法的基础上,提出一种基于岩石抗钻特性的BP神经网络钻头选型方法,并在大港油田进行了应用。首先基于测井资料和室内实验建立大港油田地层抗钻特性评价模型,并且利用模型计算得到的岩石力学参数数据和现场钻头使用数据编码成神经网络学习样本,然后建立完钻井地层抗钻特性和对应最佳钻头类型的BP神经网络模型,最后输入学习样本完成神经网络训练。利用该模型进行选型时需提供待钻井段的岩石力学参数预测数据,神经网络经过计算之后会输出最佳钻头类型。该选型方法在港深18-17井应用效果不错,优选的钻头在港深18-17井沙一段相比于邻井同一层段平均机械钻速提高了25%。     

地层可钻性级值预测新方法

对测井资料与地层可钻性级值的关系进行了分析,提出了一种基于粒子群优化支持向量机算法预测地层可钻性级值的新方法,利用测井声波时差、地层密度、泥质质量分数和地层深度进行学习训练支持向量机,并利用粒子群优化算法对支持向量机(PSO-SVM)参数进行优化,建立了预测地层可钻性级值的支持向量机模型。应用该方法对准噶尔盆地庄2井的地层可钻性级值进行了预测,并将该方法的预测结果与BP神经网络方法的预测结果进行了比较。结果表明,该方法优于BP神经网络方法,具有预测精度高、收敛速度快、推广能力强等优点。     

Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models

In fluid catalytic cracking(FCC) unit, it is greatly important to control the coke yield, since the increase of coke yield not only leads to the reduction of total liquid yield, but also affects the heat balance and operation of FCC unit. Consequently, it is significant to predict the coke yield accurately. The coke formation and burning reactions are affected by many parameters which influence each other, so it is difficult to establish a prediction model using traditional models. This paper combines the industrial production data and establishes a generalized regression neural network(GRNN) model and a back propagation(BP) neural network model to predict the coke yield respectively. The comparison and analysis results show that the accuracy and stability of the BP neural network prediction results are better than that of the GRNN. Then, the particle swarm optimization to optimize BP neural network(PSO-BP) and genetic algorithm to optimize the BP neural network(GA-BP) were further used to improve the prediction precision. The comparison of these models shows that they can improve the prediction precision. However, considering the accuracy and stability of the prediction results, the GA-BP model is better than PSO-BP model.     

应用PCA和BP神经网络预测采出水对C20钢的腐蚀速率

分析了气田采出水水质及挂片试验水样对管线钢的腐蚀速率。利用BP神经网络建立了C20钢材的腐蚀速率预测模型。通过改变网络输入参数、隐层节点数对模型进行优化,发现在样本数目一定的情况下,仅通过改变网络结构难以进一步减小输出误差。采用PCA(主成分分析法),用6个主成分代替了原来大量的水质指标作为网络输入,有效地降低了网络输出的误差。结果表明,采用水质指标的主成分分析与BP神经网络可以建立较准确的C20钢腐蚀速率预测模型。     

基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法

顺北油田断裂发育,地质构造复杂,储集层埋深达8 000 m,具有高温高压、窄钻井液密度窗口等特征,地层孔隙压力的预测精度难以满足工程需求。为了提高地层孔隙压力的预测精度,利用人工智能方法在处理复杂非线性问题上的优势,采用反向传播神经网络BP和长短期记忆循环神经网络LSTM这2种人工智能算法,基于顺北油田5号断裂带上3口井的声波时差、自然电位和自然伽马等11种特征数据以及经实测校正的地层孔隙压力标签数据,建立了顺北油田5号断裂带地层孔隙压力智能预测模型,BP神经网络模型的预测误差为3.927%,LSTM神经网络模型预测误差为2.864%。测试结果表明,LSTM神经网络模型具有更好的预测效果,满足现场地层孔隙压力的预测精度,为保障顺北油田5号断裂带钻井安全提供数据参考。     

Formation drillability prediction based on multi-source information fusion

Various information sources in petroleum exploration and exploitation, such as seismic, well logging, mud logging and drilling data, are the comprehensive reflection of the same geological body underground and have a strong correlation with each other. A multi-dimensional heterogeneous space model is presented for a range of geological characteristic parameters prediction, such as formation pore pressure, formation drillability, rock strength, lithology and so on. Then the model is applied to the formation drillability prediction with the parameter of seismic layer velocity, acoustic velocity, formation density, shale content, drilling pressure, rotary speed, hydraulic horsepower, bottom hole differential pressure, rate of penetration and formation depth. Firstly, Kernel principal component analysis (KPCA) is used to extract the feature of the parameters, and then Quantum Particle Swarm Optimization-Support Vector Machine (QPSO-SVM) is utilized as the information fusion algorithm. The comparison of the prediction results with the results of backpropagation neural network (BP-NN) indicates that this method is better than BP neural network in a variety of performance and has the advantages of higher accuracy and better generalization ability. In addition, the stronger robustness and more reliable result can be obtained from the multi-source information fusion prediction in contrast with the single source prediction. The experimental results show that the model constructed is effective to predict the formation drillability, and its accuracy reaches as high as 95%.     

西非及亚太地区海上油田钻井完井投资估算模型

以西非及亚太地区86个具有代表性的油田作为样本,以BP神经网络方法为基础,将油价、水深、井数、井深、地质条件这5个影响因素作为输入层参数,钻井完井投资额作为输出层参数,构建海上油田钻井完井投资的BP神经网络模型,并与回归分析模型进行比较分析。结果表明,由于BP神经网络方法是一个主动学习的过程,可以有效地描述变量之间的非线性关系,体现其解决复杂问题的优势,构建的模型具有合理性和实际参考价值。构建的钻井完井投资BP神经网络估算模型具有很好的拟合精度,大部分样本的预测误差在30%以内,基本满足工程开发所要求的误差精度,而且误差水平远远低于回归分析模型。     

基于粒子群优化的BP网络在地震属性融合技术中的应用

受地震资料品质、岩性、构造等诸多因素的影响,单一地震属性只能在一定程度上提供预测储层的方向,并存在多解性。地震属性融合技术用井孔资料对地震属性进行标定,建立储层含油气性与地震属性之间的关系,采取数学手段融合多种地震属性进行储层含油气性判别,避免了单一地震属性解释储层的多解性问题。BP网络具有良好的非线性拟合能力,但是易陷入局部极小值,不收敛,影响预测精度。针对该问题,采用粒子群优化其网络权值和阈值,再用BP网络对储层、非储层进行模式识别,取得较好成效。