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

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。     

深水水合物试采过程中地层沉降及井口稳定性研究

在深水非成岩地层天然气水合物试采过程中,随着试采时间增长,大面积弱固结地层中的水合物分解后,可能造成海底地层沉降,损坏井口和海底管汇,导致试采工程失败。为此,建立了非成岩地层水合物试采过程中的海底地层沉降和井口稳定性分析模型,分析认为水合物分解后产生的负摩阻力和下拉载荷是导致井口失稳的主要因素,并采用有限元强度折减法模拟研究了水合物分解对地层沉降和井口稳定性的影响,结果发现,水合物分解后管柱周围的负摩阻力主要分布于表层导管底部向上约1/3的区域,且水合物分解半径越大、水合物饱和度越高,负摩阻力越大。自主研发了天然气水合物开采井口模拟试验装置,进行了水合物分解对井口稳定性影响的室内模拟试验,负摩阻力的模拟试验结果与数值模拟结果相比,相对误差在10%以内,验证了计算模型和数值模拟结果的可靠性。研究成果可为深水非成岩地层水合物试采时间控制和井口安全评估提供理论参考。      

基于混合神经网络的问题分类方法

自动问答系统对用户自然语言方式提出的问题,给出快速准确的答案,引起了学术界与工业界的广泛关注。问题分类任务通过自动判断问题类型,对提高问答系统回答问题的准确率具有重要意义。本文利用问题和答案的上下文信息,结合卷积神经网络和循环神经网络各自的优势,提出一种混合深度学习模型。除此之外,为了增强问题特征的表达能力,该模型引入注意力机制,提升模型的泛化能力。在360问答数据集进行对比实验验证,实验表明,本文模型相比于传统方法提升了1.6%~5.6%。