基于融合特征选择算法的钻速预测模型研究

作者：周长春; 姜杰; 李谦; 朱海燕; 李之军; 鲁柳利

来源：钻探工程, 2022, 49(04): 31-40.

• 钻速预测
• 机器学习
• 融合特征选择
• 梯度提升树算法(GBDT)

钻速预测是钻井优化的重要组成部分，机器学习算法是当前实现准确钻速预测的重要手段，准确的特征选择是保证机器学习精度的关键途径。基于南海某井眼的实际钻井数据，本文采用一种融合特征选择法从钻井特征参数中选出井径、钻井液出口温度、钻井液入口密度、钻井液出口密度、K值、塑性粘度、滤失量、上覆压力、孔隙压力、和喷嘴等效直径共10种参数。将优选出的参数作为模型输入，引入集成的梯度提升树（Gradient Boosting Decision Tree,GBDT）算法建立机械钻速预测模型。将建立的模型与常规机器学习算法模型进行对比试验。试验结果显示，所提出的融合特征选择算法模型精度较全特征模型高2%，较常用机器学习模型平均高14.5%，该研究为钻井参数的准确、快速寻优提供了有效解决方案，对提高钻进速率具有一定的指导意义和实际应用价值。

• 单位
  机电工程学院; 成都工业学院; 成都理工大学; 土木工程学院