基于人工智能的鉆速預測模型數據有效性下限分析

作者：李謙,曹彥偉,朱海燕

摘要：鉆速預測對于優化鉆探工藝、降低作業成本、實現科學鉆探具有重要意義,它是鉆探鉆井作業的一項重要內容。基于人工智能的鉆速預測精度令人矚目,但該技術需求的海量數據對傳統鉆探鉆井作業的要求較高。為明確使用人工智能建立鉆速預測模型的最少數據量,本文基于中國南海10口井的21917條數據進行了分析。通過相關性分析,所有的輸入參數可被劃分為高、中、低相關性3大類。通過逐步引入參數建立預測模型和對比預測精度,發現當引入的參數數量足夠時,3種相關性參數均可建立起高精度(≥85%)的預測模型。引入參數的相關性越高,建立高精度預測模型需求的參數量越少。通過逐步擴大取樣間隔的方式,對比發現所有的預測模型均呈現隨取樣間隔的增大、預測模型的準確性降低的規律。而預測模型建模的取樣間隔下限可通過尋找精度降低時的拐點獲得。經過驗證,在數據維度與取樣精度均為下限時,基于3種相關性參數建立的BP神經網絡預測模型仍然能夠獲得較高的預測精度。

發文機構：成都理工大學環境與土木工程學院

關鍵詞：鉆速預測BP神經網絡數據需求有效性下限人工智能ROP predictionBP neural networkdata requirementslower limit of validityartificial intelligence

分類號：