科研之友
微信
新浪微博
Facebook
分享链接
摘要
溢流会对油田的勘探过程造成严重的影响,众多钻井平台采取人工坐岗预警,十分依赖坐岗人员的积累经验,导致误报率和成本较高,因此迫切需要提高溢流预警的效率和质量.研究表明,将深度学习方法引入钻井能够有效提高溢流预警的准确性.然而,溢流发生的频率较低,不同井之间具有差异性,可获取的训练样本有限,这些因素都限制了当前预警算法的应用.针对上述问题,本文提出了一种自适应的长短期记忆网络(LSTM)溢流预警算法,该算法利用滑动窗口法扩充数据集,计算平均值增量实现不同井数据的自适应特征提取,进而屏蔽不同井的差异性,提高了算法的通用性.模型在离线验证以及现场溢流的早期预警上表现优良,与专家的经验标注保持了较高的一致性,均提前于操作人员的记录日志.模型的应用减轻了坐岗人员的负担,确保了溢流预警的效率与质量,对提高钻井工程溢流预警水平具有积极意义.
- 单位
