基于DCC—LSTM的钻井液微量漏失智能监测方法

作者：孙伟峰; 卜赛赛; 张德志; 李威桦; 刘凯; 戴永寿

来源：天然气工业, 2023, 43(09): 141-148.

• 井漏
• 微量漏失
• 长时趋势特征
• 智能监测
• 扩张因果卷积网络
• 长短期记忆网络

钻井过程中发生钻井液漏失时，现有的井漏智能监测方法，难以获取长时数据序列特征，无法实现对微量漏失的及时监测和预警，进而容易导致更为严重的漏失发生。为此，提出了一种结合扩张因果卷积网络（Dilated and Causal Convolution, DCC）特征映射能力和长短期记忆网络（Long Short-Term Memory, LSTM）时序特征提取能力的DCC—LSTM钻井液微量漏失智能监测方法，弥补长短期记忆网络对于长期记忆衰减的不足，实现了对钻井液微量漏失的准确监测和预测。研究结果表明：(1) DCC—LSTM井漏智能监测模型利用扩张因果卷积网络提取监测参数的长时特征，并将其映射为短序列表示，利用长短期记忆网络处理特征短序列获取监测数据的长时变化趋势，实现了微量漏失的准确监测；(2)扩张因果卷积网络层数确定方法可以获得最佳网络层数，得到的DCC网络结构使LSTM对长时序列趋势信息的遗忘减少24%；(3)与其他井漏监测方法相比，DCC—LSTM网络能够准确监测早期微量漏失，井漏预警时间最长可提前26 min，监测准确率由96.9%提升至99.4%，漏报率由6.4%降低为1.1%。结论认为，该方法能够获取监测参数的长时趋势变化特征，经矿场试验验证与其他方法相比有明显优势，为微量漏失监测和预测提供一种可行的方法，对油气钻井井漏风险的防控具有重要指导意义。

• 单位
  中国石油大学（华东）