一种基于2D-CNN深度学习的钻井事故等级预测新方法

作者：赵春兰; 屈瑶; 王兵; 范翔宇^*; 赵鹏斐; 李屹; 何婷

来源：天然气工业, 2022, 42(12): 95-105.

• 多维钻井事故
• 事故等级
• 多分类预测
• 深度学习
• 二维卷积神经网络
• 模糊C均值算法
• 信息增益

鉴于钻井安全事故分级风险评价过程中，存在安全事故风险指标较少且多为2分类预测的实际问题。为此，在利用模糊C均值算法确定钻井事故等级的分类的基础上，根据信息增益值对多维事故风险指标进行一次降维；进而将降维后的风险指标作为模型输入，由卷积层提取事故特征，池化层进行二次降维，构建双层2D-CNN的事故等级预测模型，最后通过激活函数（Softmax）判断钻井事故等级，提出一种基于二维卷积神经网络（2D-CNN）的钻井事故等级预测的新方法。研究结果表明：(1)较之于其他方法，新方法经过两次降维将多维钻井事故指标由73维降低至4维，降低模型计算复杂度；(2)不同于钻井事故发生与否的二分类问题，根据事故的严重程度划分成四种事故等级，以实现多分类预测；(3)现场应用效果表明，新方法的准确率为91.7%，损失值为0.409，预测效果优于BP神经网络模型和1D-CNN模型。结论认为，新方法能较好地将现场作业数据用于钻井事故等级的预测，对于钻井事故风险分级评价具有广泛应用和推广价值。

• 单位
  油气藏地质及开发工程国家重点实验室; 西南石油大学