12bet中文手机版官网

中文题目：机理约束下钻井机械钻速智能预测泛化方法

论文题目：机理约束下钻井机械钻速智能预测泛化方法

录用期刊/会议：天然气工业 (EI中文核心)

原文DOI：10.3787/j.issn.1000-0976.2024.09.016

录用/见刊时间：2024年9月

作者列表：

1） 祝兆鹏 中国石油大学（北京）机械与储运工程12bet中文手机版官网 机电系教师

2） 朱林 中国石油大学（北京）人工智能12bet中文手机版官网 油气人工智能专业 博24

3） 宋先知 中国石油大学（北京）石油工程12bet中文手机版官网 钻井系教师

摘要:

钻井机械钻速的精准预测对资源优化配置和钻井作业方案制定至关重要。智能化钻速预测成为行业焦点，为改善模型跨井迁移能力，基于预处理后的录井数据，结合钻井专业知识，引入DANN构建迁移学习模型。研究显示：数据和网络层约束提升模型精度和稳定性，DANN模型有效实现邻井知识迁移，增量学习算法通过双滑动窗口实现模型实时更新，提高预测精度和泛化能力。机理约束、迁移训练与实时更新叠加增强模型泛化性能，新井预测平均相对误差降至20.2%。该方法相比传统模型，具有更好的迁移性和准确度，减少了重复训练时间，为智能钻速预测提供了新路径。

背景与动机:

本文提出了一体化的机械钻速预测方法，结合机理约束和模型迁移更新。在模型训练层面，通过破岩机理建立了数据和架构的双重约束；在优化层面，采用域对抗神经网络（DANN）制定了跨井迁移机制；在运行层面，利用滑动窗口、增量更新和实时录井数据实现了模型的实时更新和动态迁移。以国内某区块3口井为例，该方法相比传统模型在迁移性和准确度上表现更优，减少了迁移训练时间，为机械钻速预测提供了新方向。

设计与实现:

（1）数据预处理：

采用孤立森林算法检测并剔除数据异常值，提高数据质量；应用SG滤波算法降噪，保留数据关键特征和趋势；通过min-max标准化方法对数据进行归一化，确保模型训练不受输入参数规模影响。

（2）特征优。

基于钻井工程机理和相关分析，将影响钻速的可控因素分为施工参数、钻头参数、地质参数和钻井液参数四类；利用距离相关系数进行相关性分析，筛选与钻速相关性较高的参数，最终确定模型的输入参数包括：施工参数；钻头参数；钻井液参；其他参数。

（3）机理约束：

将修正杨格钻速方程、机械比能方程和钻头水功率方程中的部分参数作为模型新特征输入，使模型更具灵活性，并有效减少模型过拟合的风险；在损失函数中添加钻速对钻压和转速偏导数的惩罚项，确保模型符合钻速与钻压、转速呈正相关关系的物理约束关系。

（4）迁移学习：

采用域对抗神经网络（DANN）进行迁移学习，将邻井数据知识迁移到测试井，提升模型泛化能力。DANN模型由特征提取器、回归器和域分类器组成，通过对抗训练学习域无关特征表示，实现知识迁移。

（5）模型更新：

包括滑动窗口和增量学习算法，实现模型随井下工况的实时更新；邻井滑动及钻井滑动窗口分别采集邻井数据和目标域数据；根立柱长度为步长更新数据，实现模型实时更新和优化。

主要内容:

一、机理约束：

数据层约束W×n作为特征，可以反映钻压和转速对钻速的综合影响；4W/Πd_B²作为特征，可以反映破岩过程中单位体积岩石所需的能量；ρ_dQ³/d⁴_ne作为特征，可以反映水力因素对钻速的影响。

网络层约束：钻速与钻压、转速正相关，损失函数加入惩罚项增强模型稳定性和泛化能力。

二、迁移学习：

DANN模型由特征提取器、回归器和域分类器组成，分别用于提取特征、进行预测和识别特征域，以实现跨域学习。模型训练采用复合损失函数，融合钻速预测误差和域分类误差。钻速预测误差通过比较实际与预测钻速来衡量性能，而损失权重的调整则用于平衡特征提取与域分类的训练。

三、模型更新：

双滑动窗口：邻井滑动窗口用于采集钻进过程中钻头位置上下500 m 范围内井段的工程数据，以作为迁移学习训练的源域数据；钻井滑动窗口用于采集新钻进的100 m 数据，作为目标域数据。

增量学习：以一根立柱长度为步长更新数据，实现模型实时更新和优化。随着源域和目标域的滑动更新，模型也进行重新训练，从而让模型实时适应地下钻进环境变化。

实验结果及分析:

一、机理约束对比实验：

对比了随机森林、XGBoost和BP神经网络等模型，BP模型表现最优。在BP模型基础上，分别进行数据层和网络层机理约束，双约束模型预测精度最高，MAPE降低了20.8%，证明专业知识与神经网络结合具有有效性。

二、迁移学习对比实验：

迁移学习对比显示，仅用目标域或源域数据的BP模型预测不佳，结合数据后有所改善但仍有偏差。DANN模型利用相同数据迁移学习，预测性能大幅提升，MAPE降至29.6%，凸显DANN模型在知识迁移上的优势。

三、模型更新对比实验：

双滑动窗口增量学习更新DANN模型，源域用邻井数据，目标域用测试井数据，提升预测精度和泛化能力，MAPE降31.8%，R2升16.9%，验证更新机制高效。

结论:

（1）数据层和网络层约束共同提升了BP模型的精度和稳定性，双机理约束使MAPE降低了20.8%。

（2）采用域对抗神经网络的模型有效实现邻井数据迁移，预测MAPE为29.6%，优于非迁移学习模型。

（3）通过增量学习算法和双滑动窗口机制更新数据，模型实时适应钻进环境，MAPE降至20.2%，提高精度和泛化能力。

（4）机理约束、迁移学习和增量更新机制叠加提升预测效果，所提模型性能远超传统模型，相比普通BP模型，MAPE降低43.3%。其 MAPE 降低 43.3%。

作者简介:

祝兆鹏，中国石油大学（北京）机械与储运工程12bet中文手机版官网，副教授，长期从事井筒多相流动机理和智能钻完井理论相关研究。

通讯作者简介:

宋先知 中国石油大学（北京）石油工程12bet中文手机版官网院长，碳中和示范性能源12bet中文手机版官网执行院长，二级教授。