基于LSTM神经网络深度序列机械钻速实时预测.pdfVIP

２０２４年１月西安石油大学学报（自然科学版）Ｊａｎ．２０２４

第３９卷第１期ＪｏｕｒｎａｌｏｆＸｉ’ａｎＳｈｉｙｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｖｏｌ．３９Ｎｏ．１

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３０６４Ｘ．２０２４．０１．０１５中图分类号：ＴＥ２１

文章编号：１６７３０６４Ｘ（２０２４）０１０１２２０７文献标识码：Ａ

基于ＬＳＴＭ神经网络深度序列机械钻速实时预测

１２，３，４１１１１２，３，４

冯义，朱亮，杨立军，李慎越，席俊卿，陈芳，纪慧

（１．中石油吐哈油田分公司工程技术研究院，新疆哈密８３９０００；２．油气钻完井技术国家工程研究中心，湖北武汉４３０１００；

３．油气钻采工程湖北省重点实验室（长江大学），湖北武汉４３０１００；４．长江大学石油工程学院，湖北武汉４３０１００）

摘要：机械钻速是钻井优化、缩短钻井周期的关键因素，传统的机械钻速预测大多是在钻井后进行钻井分析，

预测效率和精度低、地层适用性不广。为了以更高效的方法预测得到高精度机械钻速，提出基于长短期记忆

（ＬＳＴＭ）神经网络的深度序列机械钻速预测方法。采集实时钻井数据集，使用皮尔逊相关系数衡量各特征

之间的相关性，筛选出井深、伽玛射线、地层密度、孔隙压力、井径、钻时、排量、钻井液密度等８个参数。构建

２

ＬＳＴＭ神经网络模型，训练ＬＳＴＭ模型并预测ＲＯＰ，对预测结果进行分析，并用决定系数（Ｒ）、均方根误差

（ＲＭＳＥ）、平均绝对百分比误差（ＭＡＰＥ）等指标对ＬＳＴＭ模型、ＢＰ模型和ＳＶＭ模型性能进行对比分析。结

２

果表明：ＬＳＴＭ模型其Ｒ、ＲＭＳＥ和ＭＡＰＥ的值分别为０．９４８、１．１５１和１７．０７５，相较于ＢＰ模型和ＳＶＭ模型，

２

其Ｒ更大，ＲＭＳＥ和ＭＡＰＥ较小，说明ＬＳＴＭ模型预测性能更好。该方法有助于钻井工程师和决策者提前

获得钻井信息，从而更好地规划钻井作业，缩短钻井周期，同时为钻井参数预测提供新的途径，能改善以往预

测方法在处理复杂地层问题时效率不高、预测精度低等问题。

关键词：机械钻速；ＬＳＴＭ神经网络；深度序列；实时预测；人工智能；深度学习

ＲｅａｌｔｉｍｅＰｒｅｄｉｃｔｉｏｎｏｆＲＯＰＢａｓｅｄｏｎＬＳＴＭＮｅｕｒａｌＮｅｔｗｏｒｋＤｅｅｐＳｅｑｕｅｎｃｅ

１２，３，４１１１１２，３，４

ＦＥＮＧＹｉ，ＺＨＵＬｉａｎｇ，ＹＡＮＧＬｉｊｕｎ，ＬＩＳｈｅｎｙｕｅ，ＸＩＪｕｎｑｉｎｇ，ＣＨＥＮＦａｎｇ，ＪＩＨｕｉ

（１．ＥｎｇｉｎｅｅｒｉｎｇＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，ＰｅｔｒｏＣｈｉｎａＴｕｈａＯｉｌｆｉｅｌｄＣｏｍｐａｎｙ，Ｈａｍｉ，Ｘｉｎｊｉａｎｇ８３９０００，Ｃｈｉｎａ；

２．ＮａｔｉｏｎａｌＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＯｉｌａｎｄＧａｓＤｒｉｌｌｉｎｇａｎｄＣｏｍｐｌｅｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ，Ｈｕｂｅｉ４３０１００，Ｃｈｉｎａ；

３．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＨｕｂｅｉＰｒｏｖｉｎｃｅｆｏｒＯｉｌａｎｄＧａｓＤｒｉｌｌｉｎｇａｎｄＰｒｏｄｕｃｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ（ＹａｎｇｔｚｅＵｎｉｖｅｒｓｉｔｙ），Ｗｕｈａｎ，Ｈｕｂｅｉ４３０１００，Ｃｈｉｎａ；

４．ＳｃｈｏｏｌｏｆＰｅｔｒｏｌｅｕｍＥｎｇｉｎｅｅｒｉｎｇ，ＹａｎｇｔｚｅＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ，Ｈｕｂｅｉ４３０１００，Ｃｈｉｎａ）

Ａｂｓｔｒａｃ