科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对气体钻井领域现有的风险智能识别方法泛化性差，且在风险发生初期识别正确率偏低，导致风险正确识别时间点滞后的问题，对气体钻井随钻监测数据进行挖掘分析，并提出了一种适用于该场景下的改进卷积神经网络模型，用于钻井工况的风险识别。该模型采用卷积层提取多个随钻监测参数随时间变化的关联特征，采用具有非线性分类能力的RBF(radial basis function)网络替换全连接层进行特征分类，提升分类精度的同时，也将工况过渡阶段风险识别的时间点进一步提前。引入K均值算法对RBF聚类中心以及中心宽度值进行初始化，解决不合理初始值导致模型对工况样本训练无法收敛的问题。引入基于距离均方误差的损失函数分量，对整个网络模型进行训练来优化模型参数，以保证网络训练过程中能不断调整最佳聚类中心。制定了一种隐藏层节点数选取准则以提高模型的计算效率和泛化性。与传统卷积神经网络模型进行了现场应用对比，结果显示，该网络模型对产气、出水、卡钻三种常见风险识别时间点提前56 s、 16 s、 8 s,充分展现了非线性分类神经网络在油气田勘探开发领域的适用性。
- 单位
