基于人工智能的钻速预测模型数据有效性下限分析

• 作者: 李谦 曹彦伟 朱海燕
• 来源期刊: 钻探工程
• 关键词: 钻速预测 BP神经网络 数据需求 有效性下限 人工智能
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 理论研究
• 页码范围: 21-30
• 页数: 10页
• 分类号: P634.9
• 语种: 中文
• DOI: 10.12143/j.ztgc.2021.03.003

摘要

钻速预测对于优化钻探工艺、降低作业成本、实现科学钻探具有重要意义,它是钻探钻井作业的一项重要内容.基于人工智能的钻速预测精度令人瞩目,但该技术需求的海量数据对传统钻探钻井作业的要求较高.为明确使用人工智能建立钻速预测模型的最少数据量,本文基于中国南海10口井的21917条数据进行了分析.通过相关性分析,所有的输入参数可被划分为高、中、低相关性3大类.通过逐步引入参数建立预测模型和对比预测精度,发现当引入的参数数量足够时,3种相关性参数均可建立起高精度(≥85％)的预测模型.引入参数的相关性越高,建立高精度预测模型需求的参数量越少.通过逐步扩大取样间隔的方式,对比发现所有的预测模型均呈现随取样间隔的增大、预测模型的准确性降低的规律.而预测模型建模的取样间隔下限可通过寻找精度降低时的拐点获得.经过验证,在数据维度与取样精度均为下限时,基于3种相关性参数建立的BP神经网络预测模型仍然能够获得较高的预测精度.