科研之友
微信
新浪微博
Facebook
分享链接
摘要
钻井现场通常利用岩石力学的分析结果对井壁稳定性进行预测，但其时效性普遍较差。为此，利用实时的岩屑录井图像资料建立了包括16种掉块形状和岩性的图像样本库，并以深度学习网络的高效特征提取技术为基础，建立了一种基于掉块图像特征的井壁失稳类型分析模型，针对钻井返出砂样图像中的掉块图像进行形状和岩性识别，以判定钻进地层和井壁失稳的类型。研究结果表明：(1)使用ShuffleNetV2网络作为智能系统基础架构，在单元模块中引入了XConv卷积核并行分支和SimAM注意力机制模块，强化了网络对掉块图像标志性特征信息的关注度；(2)对ShuffleNetV2网络中的Stage 2、Stage 3和Stage 4进行了多通道特征融合算法的设计，保留了掉块轮廓关键特征，最终改进的ShuffleNetV2网络模型对掉块形状及岩性的识别准确率为90.56%。结论认为，现场应用的效果验证了该方法的可靠性，从砂样图像输入到结果输出用时低于1 s，识别结果与地质资料以及施工过程的工况基本吻合，该方法能满足现场对井壁稳定状况快速感知的现实需求。
- 单位
