文献类型：期刊文章

作　　者：蔺研锋[1,2] 闵超[2,3] 代博仁[1] 张馨慧[1]

LIN Yanfeng;MIN Chao;DAI Boren;ZHANG Xinhui(School of Sciences,Southwest Petroleum University,Chengdu,Sichuan 610500,China;Artificial Intelligence Research Institute,Southwest Petroleum University,Chengdu,Sichuan 610500,China;State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation,Southwest Petroleum University,Chengdu,Sichuan 610500,China)

机构地区：[1]西南石油大学理学院,成都610500 [2]西南石油大学人工智能研究院,四川成都610500 [3]西南石油大学油气藏地质与开发工程国家重点实验室,四川成都610500

出　　处：《西安石油大学学报（自然科学版）》

基　　金：国家科技重大专项专题“多层复杂煤体结构区煤储层直井压裂技术研究”(2016ZX05044-004-002);四川省科技计划项目-重点研发项目(2020YFG0145);成都市科技局国际合作项目(2020-GH02-00023-HZ)。

年　　份：2022

卷　　号：37

期　　号：3

起止页码：64-69

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、JST、PA、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高钻井漏失预测的准确性和实时性,建立了一套能够学习现场专家经验实现对钻井漏失事故预测的智能方法。首先,对采集到的综合录井数据利用小波滤波对录井数据进行降噪处理,并根据降噪的效果选取了滑动窗口的长度,降噪后数据的波形更加平滑,上升或下降趋势更明显;然后通过研究井漏点周围4个动态特征的波形,使用滑动窗口对钻井曲线波形进行截取;最后分别用长短期记忆神经网络(LSTM)、双向长短期记忆神经网络(Bi-LSTM)、简化的AlexNet以及VGGNet对井漏事故进行实时滚动预测。实验结果表明,相对于卷积神经网络,LSTM和Bi-LSTM能够提取综合录井曲线动态变化的自相关特性,提取的特征更具有代表性,对井漏事故预测的准确率更高。

关 键 词：钻井漏失预测  波形特征 滑动窗口  深度神经网络  

分 类 号：TE927]