基于CNN-LSTM融合网络的溢流早期预测深度学习方法

目前的人工神经网络和贝叶斯网络等方法无法连续长时间准确早期预测溢流.为此,针对钻井现场数据特点,提出基于CNN-LSTM融合网络的溢流工况预测深度学习方法,结合溢流的关键参数变化,融合多特征数据尽早发现溢流征兆,从而实现溢流工况早期预测.将采集的所有钻井特征参数用于模型训练和溢流预测,准确率高于单独的CNN结构或单独L...     

基于人工神经网络的页岩油藏产量预测定量表征模型

页岩油藏开采过程通常包括压裂、闷井、返排，较常规油藏其流体渗流机理复杂，采用传统产量预测模型难以描述其复杂生产变化特征。传统定量表征模型虽可以描述页岩油藏产量变化特征，但其需要根据实际生产数据人工提取特征参数，无法适用于新井产量预测。通过收集现场实际生产数据建立样本库，运用人工神经网络建立产量主控因素与定量表征模型特征参数关系模型，形成了一种基于人工神经网络的定量表征产量预测新方法。训练后模型预测值与实际值相关性较好，通过输入压裂施工、油层品质、生产因素等参数即可预测新井全周期生产动态及不同施工措施下的产量变化规律。研究成果对页岩油开发技术政策研究具有重要的指导作用。     

水平钻井钻柱疲劳损伤的评估

在水平钻井中,当旋转的钻柱通过造斜段、弯曲段时,由于循环弯曲应力而造成钻柱的疲劳损伤;损伤是可以积累的,钻柱每旋转一周时将受到一次疲劳损伤,钻柱的寿命与疲劳损伤积累有关。文中研究了水平钻井钻柱疲劳损伤评估、检测优化、缺陷评定、钻柱疲劳寿命预测及可靠性的分析与评估。并提出了相应的计算模型,编制了程序软件。该软件可计算和预测钻柱组合中任一钻柱单元在钻井过程中所受的疲劳损伤、剩余疲劳寿命,可以连续动态跟踪预测某一钻柱在各并段钻进过程中受力和交变弯曲的数值大小,较之API规范推荐的图解法在精度上有较大提高;对钻柱的合理使用与监控具有重要参考价值。     

用人工神经网络计算薄层厚度

薄层厚度与薄层地震反射特征之间存在着复杂的关系,这种关系可通过一个3层人工神经网络来描述。选取地震道中时窗内的最大振幅值、振幅谱的最大值及对应的频率、自相关函数极大值与极小值之比、中心频率和低频能量这6个地震反射特征值作为网络的输入,将网络的输入值和输出值作适当的数值转换,就可以根据地震资料求出薄层的厚度。对模型进行试算,当地震资料的信噪比较高时,用文中的神经网络可正确地计算出薄层的厚度;用信噪比较高的样本道训练的神经网络也可正确地计算出信噪比较低的地震资料的薄层厚度。用该方法处理实际资料的效果令人满意。     

钻柱—钻头—岩石系统动态行为仿真

利用单齿压入与刮切岩石实验建立了钻头与岩石互作用力学模型,实现了对钻头在钻井过程中工作行为的仿真计算;建立了基于研究钻柱—钻头—岩石系统动态行为的动力学模型,可以对钻井过程中钻压、扭矩、转速等参数的动态变化过程进行计算机仿真研究。从仿真结果可以看出,钻头在钻井过程中由于牙齿在井底的交替吃入以及井底本身的凹凸不平造成钻头在井底的纵向振动,其钻压的振幅一般为平均钻压的30%左右;同时,由于钻头在井底的刮切作用造成了钻头转速以及扭矩的变化,转速的变化相对来说较为平缓。该动力学模型能较好的描述钻柱—钻头—岩石系统的动态行为,对于新型钻头的设计以及钻井力学研究都有着较好的指导意义。     

气体钻井钻柱振动特性及控制措施

为解决气体钻井钻柱频繁失效的实际问题,综合考虑钻柱纵横扭耦合振动,根据气体钻井全井段钻柱系统动力学模型分析了气体钻井钻柱的振动特性,并从减振抑振角度提出了空气锤钻井工艺和采用减振减阻工具两种振动控制措施。以川西某实钻井气体钻进段为例,在利用美国ESSO公司现场数据验证全井段钻柱系统三向耦合振动力学模型可行性与结果可靠性的基础上,量化评价了常规气体钻井和采用振动控制措施气体钻井工艺的钻柱振动特性。对比分析表明,这两种工艺措施的减振抑振效果明显,不仅能够有效减弱气体钻井中下部钻柱的振动强度,而且使上部钻柱的动态应力也大大降低。     

人工神经网络在动态过程故障诊断中的应用

以加氢裂化反应器为实际背景，将人工神经网络较成功地用于动态过程的故障诊断，研究了输入样本的时间序列，输出参数值的离散化及网络拓扑结构等问题，拓宽了人工神经网络的应用范围，为将来反应和分离系统的进一步联合实时优化控制创造了条件。     

聚合物驱含水率的神经网络预测方法

分析了工业化聚合物驱区块综合含水率的变化特征及其多种影响因素,把影响因素作为输入参数,把综合含水率的变化特征作为输出参数,以早期投产区块的已知输入和输出参数作为学习样本,建立了改进的三层CBP神经网络模型.在模型的训练样本中允许一些未知元素作为输出层变量,这样油田开发中时间不同的区块可以同时放在训练样本中,未知的点能通过预测而得到.该方法解决了以往的模式图方法预测工业化区块综合含水的偏差和人为的修正问题,并能够定量地分析各因素对聚合物驱动态特征的影响程度.利用该模型预测了新投产区块的综合含水率、产液量和产油量等指标,为油田开发规划的编制及计划安排提供了较为合理的依据.     

基于可靠性理论的钻柱疲劳寿命预测

钻井过程中极易发生钻柱疲劳失效事故,不仅影响钻进速度,而且大大降低了钻井效益,因此准确预测钻柱的疲劳寿命,对于提高钻柱的安全可靠性、减少钻井事故的发生具有重要意义。根据钻柱疲劳裂纹的扩展与钻柱的应力状态有关,首先对钻柱进行了应力状态分析,并进行了等效应力合成。在应力分析的基础上,结合可靠性理论,确定了影响钻柱疲劳裂纹寿命的随机性参数:钻压、转盘转速以及疲劳裂纹初始长度。结合Form an模型建立了钻柱I、III复合型疲劳裂纹扩展速率的计算模型。算例分析表明,该模型能够计算相应可靠度下钻柱疲劳裂纹的循环寿命,且计算结果与现场钻柱的使用寿命比较接近,能够满足现场钻井工程的精度要求。该模型具有一定的实用性,为钻柱疲劳寿命的准确预测提供了理论依据。     

利用人工神经网络系统建立储层四维地质模型

论述了用人工神经网络系统建立储层四维地质模型的原理和方法。具体步骤包括子模型的建立、子模型预测结果的合成、储层参数MIMO预测模型的建立、数据体的准备、输入信号的选取、模型结构与检验及模型的工作方式等。人工神经网络用于地质建模时 ,它可以把时间作为一个输入变量 ,可以较好地描述、研究储层参数在四维空间的特征和空间展布 ,进而有效预测剩余油的分布     

关于人工智能方法用于钻井机械钻速预测的探讨

人工智能方法被广泛地用于预测钻井过程中的机械钻速,虽预测精度都能超过80%,但以前的算法大多仅选取一口井或一个开次的数据进行预测和检验,缺乏对邻井或整个区块推广和预测的研究,泛化能力有待检验。针对上述问题,讨论了相关性分析在机械钻速预测中对钻井参数选取的影响以及训练数据选取对人工智能模型泛用能力问题。引入地层参数、钻头参数及钻井参数作为输入参数,选取四川盆地某区块的实际钻井数据进行训练,评价了随机森林、支持向量机、梯度提升树、人工神经网络4种人工智能算法对整个区块机械钻速预测的精度。结果显示,随机森林算法对区块内各单井数据的预测精度能达到90%,对整个区块数据预测的准确度能达到88%,且使用区块数据训练的随机森林模型具有较好的泛化能力,认为该方法能够推广至整个区块,有利于指导该区块的钻井工程技术优化。     

应用BP神经网络预测石脑油热裂解产物收率

采用BP神经网络模型建立了石脑油裂解产物收率的预测方法。BP神经网络模型的输入层设12个结点,输出层设22结点,设一层隐含层。在保证学习训练数据具有代表性的情况下,BP神经网络模型的预测结果与实验数据相比,误差约为5%。BP神经网络模型的预测结果比非线性回归方法的预测结果要好。BP神经网络模型的外延性不强,外延的部分数据预测结果偏差较大。在能够保证基础学习训练数据的准确性和合理选取的条件下,BP神经网络模型能够应对乙烯装置原料变化频繁的情况。     

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。     

基于主成分分析的NCPSO-BP机械钻速预测

目前常用的机械钻速预测理论模型仅通过相关性、贡献度来筛选模型输入参数，没有积极挖掘随钻采集的复杂属性间关系，导致信息缺乏完整性。为了最大化保留复杂属性间线性关系，提出了一种基于主成分分析的钻速预测模型，并引入混沌变异的小生境粒子群算法(NCPSO)优化BP神经网络，提高模型的收敛速度与精度。首先，采用主成分分析法根据不同的方差贡献度对高维钻井数据进行降维、降噪；其次，建立智能优化算法-神经网络钻速预测模型，利用混沌变异的小生境粒子群算法的训练结果为BP神经网络权值、阈值赋予初值，以此建立机械钻速预测模型；最后，在不同输入维度进行对比分析NCPSO-BP模型与PSO-BP，GA-BP和标准BP的机械钻速预测结果。研究结果表明，在8维、10维输入的情况下，NCPSO-BP机械钻速模型的预测精度平均提高了59%，训练速度平均提高了26.3%，为日益复杂的钻井环境下机械钻速精确预测提供了理论基础。     

油气层综合解释系统的开发与应用

以人工神经网络技术和模糊隶属度统计方法为理论基础，在SUN工作站环境下开发了油气层综合解释系统。该系统用于识别岩心、岩屑、井壁取心、测井、气测和钻井等6大类46个参数。对于其中的定性参数，通过模糊统计确定参数不同属性属于油层、气层、水层和干层的隶属度，作为定性参数定量化的依据。在建立的动态神经网络模型中，不同的储集层流体性质以10种输出元输出模式表示。在应用过程中可通过选择不同的输入参数和中间层神经元数日调整神经网络结构，以适应不同的地质情况和对实际资料的要求。通过在辽河油田曙光、大洼等多个地区的实际应用，系统取得了良好的应用效果。     

基于人工神经网络的常压塔顶油气系统腐蚀预测

对某公司常减压蒸馏装置低温部位腐蚀情况进行了分析,根据一段时间内塔顶污水检测数据,通过人工神经网络建立了腐蚀速率预测模型。该模型以常压塔塔顶流出污水的pH、氯离子浓度、铁离子浓度、硫化物浓度作为输入数据,以平均腐蚀速率为输出数据。结果表明,该模型预测结果与实际结果的相对误差在10%左右,平均相对误差为7.5%,具有良好的预测精度,能够反映常压塔塔顶污水检测数据与腐蚀速率的关系。     

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。     

Application of artificial neural network to predict Escherichia coli O157:H7 inactivation on beef surfaces

The objective of this study was to develop artificial neural network (ANN) models for quantifying Escherichia coli O157:H7 (E. coli) inactivation due to low-voltage electric current on beef surfaces and to compare them with statistical models for their suitability as a tool for online processing by the meat industry. Modeling techniques with optimal prediction accuracies of E. coli inactivation on meat would not only enhance the meat quality and public perception from a safety perspective, but also improve the marketability of the meat products. The data used in this study were obtained from experiments that measured the percentage (%) of E. coli O157:H7 reduction (output) on beef surfaces when subjected to current (input 1) 300, 600, and 900 mA, duty cycles (input 2) 30, 50, and 70%, and frequency (input 3) 1, 10, and 100 kHz for three treatment times (2, 8, 16 min). Data were subjected to statistical and artificial neural network (ANN) modeling techniques. Data from each input set were sub-partitioned into training, testing, and validation data sets for ANN. Back-propagation (BP) and Kalman filter (KF) learning algorithms were used in ANN to develop nonparametric models between input and output data sets. The trained ANN models were cross-tested with validation data. Various statistical indices including R² between actual and predicted outputs were produced and examined for selecting the best networks. Prediction plots for current, frequencies, and duty cycles indicated that ANN models had better accuracies compared to the statistical models in predicting from unseen pattern. Further, ANN models were able to more robustly generalize and interpolate unseen patterns within the domain of training. Since ANN models have the inherent ability to handle high biological variability and the uncertainty associated with inactivation of microorganisms, they have great potential for meat quality evaluation and monitoring in meat industry.     

欠平衡钻水平井全井段气液两相流模型研究

为了给欠平衡钻水平井技术提供工程设计依据，根据气液两相流研究方法在欠平衡钻井中的应用评价结果，利用环空及圆管内的气液两相流力学研究成果，建立了欠平衡钻水平井全井段气液两相流模型，用数值求解方法求解了该模型，并通过现场测量数据和试验数据验证了该模型的预测结果。该欠平衡钻井模型能模拟欠平衡钻水平井的全过程，预测欠平衡钻井过程中井底压力变化规律，对欠平衡钻井环空及钻柱内压力的预测精度在5%左右，能够满足欠平衡钻井工程设计的要求。该模型为欠平衡钻井井底压力预测及控制提供了理论依据，保证了欠平衡钻井的成功实施。