Processing math: 25%

基于支持向量机的钻井工况实时智能识别方法

孙挺, 赵颖, 杨进, 殷启帅, 汪文星, 陈缘

孙挺, 赵颖, 杨进, 殷启帅, 汪文星, 陈缘. 基于支持向量机的钻井工况实时智能识别方法[J]. 石油钻探技术, 2019, 47(5): 28-33. DOI: 10.11911/syztjs.2019033
引用本文: 孙挺, 赵颖, 杨进, 殷启帅, 汪文星, 陈缘. 基于支持向量机的钻井工况实时智能识别方法[J]. 石油钻探技术, 2019, 47(5): 28-33. DOI: 10.11911/syztjs.2019033
SUN Ting, ZHAO Ying, YANG Jin, YIN Qishuai, WANG Wenxing, CHEN Yuan. Real-Time Intelligent Identification Method under Drilling Conditions Based on Support Vector Machine[J]. Petroleum Drilling Techniques, 2019, 47(5): 28-33. DOI: 10.11911/syztjs.2019033
Citation: SUN Ting, ZHAO Ying, YANG Jin, YIN Qishuai, WANG Wenxing, CHEN Yuan. Real-Time Intelligent Identification Method under Drilling Conditions Based on Support Vector Machine[J]. Petroleum Drilling Techniques, 2019, 47(5): 28-33. DOI: 10.11911/syztjs.2019033

基于支持向量机的钻井工况实时智能识别方法

基金项目: 国家重点基础研究发展计划(“973”计划)项目“海洋深水油气安全高效钻完井基础研究”(编号:2015CB251202)、中国石油大学(北京)引进人才科研启动基金“页岩气藏单井最终可采储量计算”(编号:2462017YJRC034)联合资助
详细信息
    作者简介:

    孙挺(1981—),男,辽宁锦州人,2005年毕业于中国石油大学(华东)油气储运专业,2013年获路易斯安那州立大学石油工程专业博士学位,副教授,主要从事海洋钻完井工程、海底浅层地质灾害预测及石油钻完井大数据应用方面的研究工作。E-mail:ting.sun@cup.edu.cn

  • 中图分类号: TE28

Real-Time Intelligent Identification Method under Drilling Conditions Based on Support Vector Machine

  • 摘要:

    钻井时效分析通常是依靠人工进行事后分析,具有主观性和随意性,不能及时准确地反映真实的现场情况。为了实时准确地对钻井工况进行自动判别,提高钻井效率,提出了一种基于支持向量机(SVM)的用数据驱动的钻井工况实时识别方法,建立了多个智能识别模型,并对其中的核函数进行分析比较,得出了模型参数的最优值。采用4口井的录井数据验证了模型的准确性,识别结果与实际工况基本一致,6种工况的识别正确率均达到95%以上。钻井时效分析与应用表明,钻井过程中应用工况识别结果,减少了不可见非生产时间。支持向量机实现了钻井工况的实时智能识别,提高了钻井时效,符合油田数字化和智能化发展的要求。

    Abstract:

    At present, the analysis of drilling time-efficiency usually relies on manual post-analysis, which is subjective and arbitrary, and not able to reflect the real field situation in time, with a lot of deviation. In order to identify drilling conditions automatically and accurately in real time and improve drilling efficiency, a data-driven real-time identification method of drilling conditions based on support vector machine (SVM) has been put forward, and established several intelligent identification models. By analyzing and comparing the kernel functions in the models, the optimal model parameters were obtained. Logging data from four wells were used to verify the correctness of the model, and the recognition results were basically consistent with the actual working conditions, and the recognition accuracy under six working conditions was higher than 95%. The analysis of drilling time-efficiency showed that the application of working condition identification result in drilling process shortened the invisible non-production time. Support vector machine has realized real-time intelligent identification of drilling conditions, and improved drilling time-efficiency, which could meet the requirements of digital and intelligent development of oilfields.

  • 提高钻井时效是降本增效的重要手段,但目前通常对钻井时效进行事后人工分析,具有主观性和滞后性。随着机器学习和大数据技术的迅速发展,国内外很多学者开展了大数据和人工智能方法在石油工程中的应用研究,A. M. Alsalama等人[1]提出了一个包含所需数据挖掘和分析工具的集成系统,大大缩短了传统方法进行预警的时间;K. Balaji等人[2]从基础、理论和应用方面总结了数据驱动方法在石油天然气工程中的发展;刘刚[3]建立了基于多源信息的SVM自适应钻井井下故障预警模型;袁野[4]提出了基于SVM的井眼轨迹智能预测方法,建立了井眼的三维可视图,可以有效地控制井眼轨迹;孙万海[5]提出了一种基于PSO-SVM的钻井故障智能预警系统,提高了钻井质量;王江萍等人[6]提出应用神经网络技术对井漏、井塌、井涌及井喷等井下故障进行诊断。可见,目前国内外主要是运用大数据和机器学习对钻井故障进行预测及预防或研究相关理论问题,对工况识别的研究较少,且存在数据量小和缺乏现场实例验证等问题。YIN Qishuai等人[7]提出了一种基于程序的工况识别方法,很好地消除了人员对钻井工况识别的影响,但该方法基于编程语言,没有考虑前后数据之间的联系和钻井数据可能存在波动等问题。为此,笔者提出了一种普遍适用的纯数据驱动方法,利用支持向量机(support vector machine,SVM)识别钻井工况,减少不可见非生产时间,提高钻井作业效率;采用训练–测试的方式,训练数据为综合录井提供的实时数据,解决了传统方法对人员依赖大的缺点;在钻井工况识别中应用机器学习与数据驱动方法,同时允许数据存在一定的波动,克服了编程语言识别带来的问题。

    支持向量机是一种监督式学习模型,可以用于模式识别、分类和回归问题的分析。该模型是基于统计学习理论和结构风险最小化原则建立的,主要思想是建立一个线性分离超平面,将非线性输入映射到高维特征空间中,使正例和反例之间的隔离边缘被最大化[815]。支持向量机的原理如图1所示。图1中,x1x2代表输入参数特征,w为核函数,b为偏置,l2代表数据分类的最佳方案。模型的输入为钻头位置、大钩载荷、机械钻速、钻压、大钩载荷、转速、扭矩、出口排量和立管压力等9种参数,输出包括倒划眼、接立柱、下套管、下钻及旋转钻进5种正常工况和钻塞等复杂工况。根据9种输入参数的特征,采用SVM将它们分为6种输出结果。

    图  1  支持向量机原理示意
    Figure  1.  Principle schematic diagram of support vector machine

    针对非线性分类问题,B. E. Boser等人[16]提出了将核技巧应用于最大边界超平面,从而创建非线性分类器的方法。经过不断发展,应用于SVM的核函数主要包括以下几种类型[17]

    线性核函数:

    k(xi,xj)=(xixj) (1)

    多项式核函数:

    k(xi,xj)=(xixj+1)d (2)

    径向基核函数:

    k(xi,xj)=exp(γ (3)

    两层感知器核函数:

    k( {{{{x}}_i},{{{x}}_j}} ) = {\rm{tanh}}( {\kappa {{{x}}_i} \cdot {{{x}}_j} + c} ) (4)

    式中:{{{x}}_i},{{{x}}_j}为空间中的2个向量;k为核函数;d,{\gamma },{\kappa },c为系数。

    通过核函数处理,将非线性问题转化为线性问题,如图2所示。

    图  2  核函数作用示意
    Figure  2.  Functional schematic diagram of the kernel function

    笔者在研究中,利用SVM进行6个钻井工况的识别,识别结构如图3所示。收集现场22种钻井工况的录井数据,选择具有代表性的倒划眼、接立柱、下套管、下钻及旋转钻进等5种正常工况和钻塞等复杂工况共6种工况进行分析。结合研究中数据的使用情况,选取的参数包括钻头位置、大钩载荷、机械钻速、钻压、大钩高度、转速、扭矩、出口排量和立管压力。

    图  3  支持向量机的识别结构示意
    Figure  3.  Recognition structure of support vector machine

    为了提高工况识别的准确率,首先对数据进行[0,1]归一化处理,然后优选SVM核函数类型,并进行交叉验证,优化模型。

    应用SVM时,关键是选择核函数,不同的核函数适用于不同的问题,对准确率有很大的影响。采用不同的核函数,对不同工况进行归一化处理,输出的结果如图4图7所示。

    图  4  线性核函数的识别结果
    Figure  4.  Identification results of linear kernel function
    图  5  多项式核函数的识别结果
    Figure  5.  Identification results of polynomial kernel function
    图  6  径向基核函数的识别结果
    Figure  6.  Identification results of radial basis kernel functions
    图  7  两层感知器核函数的识别结果
    Figure  7.  Identification results of kernel functions by two-layer perceptron

    4种核函数的识别准确率和计算时间的对比情况见表1

    表  1  不同核函数计算结果对比
    Table  1.  Comparisons of calculation results with different kernel functions
    核函数样本
    数量
    准确识别
    数量
    准确
    率,%
    计算用时/s
    线性核函数60056894.670.511 966
    多项式核函数60056494.000.670 709
    径向基核函数60058196.830.581 977
    两层感知器核函数60024240.332.917 935
    下载: 导出CSV 
    | 显示表格

    表1可知,两层感知器核函数的识别准确率最低,且耗费时间最长;径向基核函数的识别准确率较高。

    利用SVM进行钻井工况识别时,得到的模型需要具有高的准确率和鲁棒性,采用交叉验证的方法,将原始数据分成K组,随机选取一组子集做验证集,其余K–1组子集做训练集,得到K个模型,最后选择准确率最高模型的性能指标[16]作为最终SVM的参数。

    通过交叉验证可以选出最佳的惩罚函数c和核函数参数g,交叉验证的结果如图8所示(图8中,不同等高线表示cg不同取值对应的准确率)。

    图  8  交叉验证结果
    Figure  8.  Cross validation results

    图8可知,c > {2^{ - 1.5}}{2^{ - 1}} < g < {2^2}时,准确率可达到97%以上,此时选取c最小的那组数据(这是因为,c值过高会出现过学习现象,即训练集的准确率满足一定的要求,但测试集准确率很低),即c=0.353 6,g=1.534 0(见图8中点A)。准确识别钻井工况后,就可以对钻井作业进行事后分析,识别不可见非生产时间,提高钻井效率,从而提高钻井的安全性和经济性。

    选取4口井进行模型验证,以其中2口井的录井数据为训练集,其他2口井的录井数据为测试集,训练集和测试集SVM的识别结果如图9所示。从图9可以看出,训练集的识别准确率高于测试集,测试集中接立柱和旋转钻进的识别准确率最高,达到了97%,工况识别准确率总体达到95%以上,说明该方法在新样本中有很好的泛化性。

    图  9  最终的工况识别结果
    Figure  9.  Final identification results of working condition

    海上导管架平台因作业空间受限,通常在一个导管架平台上布置数十口井,这种井槽集中在一个区域的布井方式,形成了“批钻(一次性完成同一开次钻井作业)”作业模式。由于这些井的地层情况、钻井设计方案、钻井设备、施工队伍相似,所以在“批钻”模式下,同一井段的时效具有可比性。因此,采用基于支持向量机的钻井工况实时智能识别方法,进行工况识别、时效分析和时效辅助决策,实现提质增效。以南海某平台批钻作业为例,首先对一口井的三开录井数据进行学习,训练得到工况识别模型;然后根据其余14口已钻井的三开录井数据识别接立柱工况和分析钻井时效,从而指导待钻井的施工,提高接立柱的效率。具体应用步骤如下:

    1)工况识别。利用B1井的三开录井数据,训练得到最优模型,然后使用该模型对其余14口已钻井的三开工况进行识别,并统计接立柱作业时间。

    2)时效分析。为了得到三开中接立柱的平均时间,统计了前15口已钻井的三开接立柱时间(见图10)。由图10可知,10%的接立柱作业可在1.3 min内完成,50%的接立柱作业可在2.1 min内完成,90%的接立柱作业可在4.9 min内完成,接立柱作业的平均完成时间为2.5 min。

    图  10  接立柱做作业完成时间分布
    Figure  10.  Completion time distribution to pick up stands

    3)辅助决策。按照三开接立柱顺序分为4个阶段,第1阶段为第1—12根立柱,第2阶段为第13—24根立柱,第3阶段为第25—36根立柱,第4阶段为第37至最后所有的立柱,前15口井三开4个阶段的平均接立柱时间为2.5 min。

    将得到的模型应用到新井中,实时判断得到第1—12根立柱的平均作业时间为2.7 min,大于前15口井的时间2.5 min,此时实时监测中心向平台发送“作业效率有待提高”的指令,指导下一阶段(第13—24根立柱)作业,并以此类推,完成全井段的时效分析,保证作业效率(见表2)。

    表  2  不同层位接立柱时间统计
    Table  2.  Time statistics for making up a stand of drill pip
    立柱序号前期平均接
    立柱时间/min
    SVM实时判断新井接
    立柱时间/min
    现场决策
    1—122.52.7有待提高
    13—242.6有待提高
    25—362.4有所提高
    37至最后2.2显著提高
    下载: 导出CSV 
    | 显示表格

    4)现场施工应用。将该方法应用到6口新钻井的钻井施工中(包含上面提到的新钻井),各井三开接立柱作业的平均完成时间的变化如图11所示。由图11可以看出,每口新钻井的平均接立柱时间稳步下降,效率稳步提高,实现了提质增效。

    图  11  接立柱作业平均完成时间的变化情况
    Figure  11.  Average completion time variation to pick up stands

    1)将机器学习的SVM方法应用于石油工程的钻井工况识别中,以提高钻井效率。

    2)提出一种纯数据驱动的方法,并充分利用油田现场数据,减少了传统方法对人员经验的依赖,提高了识别准确率,缩短了工况识别所需时间。

    3)利用SVM对6种钻井工况进行识别,通过优选核函数类型、进行交叉验证,逐步优化智能识别模型,不断提高模型识别的准确率,最终将识别准确率提高到了95%。

  • 图  1   支持向量机原理示意

    Figure  1.   Principle schematic diagram of support vector machine

    图  2   核函数作用示意

    Figure  2.   Functional schematic diagram of the kernel function

    图  3   支持向量机的识别结构示意

    Figure  3.   Recognition structure of support vector machine

    图  4   线性核函数的识别结果

    Figure  4.   Identification results of linear kernel function

    图  5   多项式核函数的识别结果

    Figure  5.   Identification results of polynomial kernel function

    图  6   径向基核函数的识别结果

    Figure  6.   Identification results of radial basis kernel functions

    图  7   两层感知器核函数的识别结果

    Figure  7.   Identification results of kernel functions by two-layer perceptron

    图  8   交叉验证结果

    Figure  8.   Cross validation results

    图  9   最终的工况识别结果

    Figure  9.   Final identification results of working condition

    图  10   接立柱做作业完成时间分布

    Figure  10.   Completion time distribution to pick up stands

    图  11   接立柱作业平均完成时间的变化情况

    Figure  11.   Average completion time variation to pick up stands

    表  1   不同核函数计算结果对比

    Table  1   Comparisons of calculation results with different kernel functions

    核函数样本
    数量
    准确识别
    数量
    准确
    率,%
    计算用时/s
    线性核函数60056894.670.511 966
    多项式核函数60056494.000.670 709
    径向基核函数60058196.830.581 977
    两层感知器核函数60024240.332.917 935
    下载: 导出CSV

    表  2   不同层位接立柱时间统计

    Table  2   Time statistics for making up a stand of drill pip

    立柱序号前期平均接
    立柱时间/min
    SVM实时判断新井接
    立柱时间/min
    现场决策
    1—122.52.7有待提高
    13—242.6有待提高
    25—362.4有所提高
    37至最后2.2显著提高
    下载: 导出CSV
  • [1]

    ALSALAMA A M, CANLAS J P, GHARBI S H. An integrated system for drilling real time data analytics[R]. SPE 181001, 2016.

    [2]

    BALAJI K, RABIEI M, SUICMEZ V, et al. Status of data-driven methods and their applications in oil and gas industry[R]. SPE 190812, 2018.

    [3] 刘刚.钻井复杂自适应智能预警模型及应用研究[D].西安: 西安石油大学, 2018.

    LIU Gang. Drilling complex adaptive intelligent early warning model[D]. Xi'an: Xi'an Shiyou University, 2018.

    [4] 袁野.井眼轨迹预测及井眼轨迹三维可视化研究[D].大庆: 东北石油大学, 2017.

    YUAN Ye. Well trajectory prediction and 3D visualization study of well trajectory[D]. Daqing: Northeastern University of Petroleum, 2017.

    [5] 孙万海.基于SVM和PSO的钻井事故智能预警系统研究[D].西安: 西安石油大学, 2014.

    SUN Wanhai. An intelligent early warning system for drilling accidents based on SVM and PSO[D]. Xi'an: Xi'an Shiyou University, 2014.

    [6] 王江萍,孟祥芹,鲍泽富. 应用神经网络技术诊断钻井事故[J]. 西安石油大学学报(自然科学版), 2008, 23(2): 99–102. doi: 10.3969/j.issn.1673-064X.2008.02.024

    WANG Jiangping, MENG Xiangqin, BAO Zefu. Diagnosis of drilling faults using neural network technology[J]. Xi'an University of Petroleum(Natural Science Edition), 2008, 23(2): 99–102. doi: 10.3969/j.issn.1673-064X.2008.02.024

    [7]

    YIN Qishuai, YANG Jin, ZHOU Bo, et al. Improve the drilling operations efficiency by the big data mining of real-time logging[R]. SPE 189330, 2018.

    [8] 王小川.MATLAB神经网络43个案例分析[M].北京: 北京航空航天大学出版社, 2013: 102-108.

    WANG Xiaochuan. 43 case analysis of MATLAB neural net-work[M]. Beijing: Beihang University Press, 2013:102-108.

    [9] 狄勤丰,吴志浩,王文昌,等. 基于SVM的套管最大von Mises应力预测方法[J]. 石油钻探技术, 2019, 47(3): 62–67.

    DI Qinfeng, WU Zhihao, WANG Wenchang, et al. An prediction method for determining the maximum von Mises stress in casing based on SVM[J]. Petroleum Drilling Techniques, 2019, 47(3): 62–67.

    [10] 彭成勇,吕欣润,马新仿,等. 海上低渗气田综合多因素压裂选井选层方法[J]. 断块油气田, 2015, 22(4): 508–513.

    PENG Chengyong, LYU Xinrun, MA Xinfang, et al. Fractured well and layer selection by multi-factor optimization for low permeability offshore gas field[J]. Fault-Block Oil & Gas Field, 2015, 22(4): 508–513.

    [11] 徐生江,李杰,吴继伟,等. 基于支持向量机的钻井液高温高压静态密度预测模型[J]. 钻井液与完井液, 2014, 31(3): 28–31.

    XU Shengjiang, LI Jie, WU Jiwei, et al. HTHP static mud density prediction model based on support vector machine[J]. Drilling Fluid & Completion Fluid, 2014, 31(3): 28–31.

    [12] 陈冲,张仕民,彭鹤,等. 基于支持向量机的钻柱黏滑振动等级评估方法[J]. 石油机械, 2019, 47(1): 20–26.

    CHEN Chong, ZHANG Shimin, PENG He, et al. Research on stick-slip vibration level estimation of drillstring based on SVM[J]. China Petroleum Machinery, 2019, 47(1): 20–26.

    [13] 王杰祥,陈征,靖伟,等. 基于支持向量机的二氧化碳非混相驱效果预测[J]. 石油钻探技术, 2015, 43(2): 84–89.

    WANG Jiexiang, CHEN Zheng, JING Wei, et al. Prediction of the effect CO2 immiscible flooding based on support vector machine[J]. Petroleum Drilling Techniques, 2015, 43(2): 84–89.

    [14] 陈民锋,白晓虎,郑伟,等. 基于支持向量机的早期聚合物驱动态预测研究[J]. 断块油气田, 2012, 19(2): 199–202.

    CHEN Minfeng, BAI Xiaohu, ZHENG Wei, et al. Development index prediction of early polymer flooding based on support vector machine[J]. Fault-Block Oil & Gas Field, 2012, 19(2): 199–202.

    [15] 赵廷峰,赵春艳,何帆,等. 抽油杆柱磨损分析与安全性评价[J]. 石油机械, 2017, 45(8): 65–70.

    ZHAO Tingfeng, ZHAO Chunyan, HE Fan, et al. Wear analysis and safety assessment of sucker rod[J]. China Petroleum Machinery, 2017, 45(8): 65–70.

    [16]

    BOSER B E, GUYON I M, VAPNIK V N. A training algorithm for optimal margin classifiers[C]// Proceedings of the 5th Annual Workshop on Computational Learning Theory (COLT'92). Pittsburgh: ACM Press, 1992: 144-152.

    [17]

    JIN Chi, WANG Liwei. Dimensionality dependent PAC-Bayes margin bound[C]// NIPS′12 Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe: Curran Associates Inc, 2012(1): 1034-1042.

  • 期刊类型引用(25)

    1. 胡宏涛,管震,张宝权,赖刚,邹卓峰,曾杰. 基于实时数据的钻井KPI自动分析研究. 中国设备工程. 2024(24): 76-79 . 百度学术
    2. 付群超,曾烃详,陈沛,钟鹏,王瑞科,杜坤. 基于随机森林回归模型的钻井作业周期预测. 录井工程. 2024(04): 39-47 . 百度学术
    3. 王学强,樊建春,杨哲,罗双平,徐志凯,蔡正伟,熊毅. 树增强型贝叶斯模型提升溢流预警时间提前量. 石油钻采工艺. 2024(04): 413-428 . 百度学术
    4. 晏琰,段慕白,黄浩. 基于趋势线法的钻井风险预警技术研究. 钻采工艺. 2023(02): 170-174 . 百度学术
    5. 何淼,陈欢,张党生,许明标,陈鑫. 基于深度自编码器的钻井工况智能识别研究. 长江大学学报(自然科学版). 2023(03): 84-93 . 百度学术
    6. 梅舜豪. 基于人工智能的钻井工程异常预警系统研究及应用. 石油化工自动化. 2023(04): 59-63 . 百度学术
    7. 张菲菲,崔亚辉,于琛,张同颖,陈俊,颜寒. 基于机器学习的钻井工况识别技术现状及发展. 长江大学学报(自然科学版). 2023(04): 53-65+143 . 百度学术
    8. 张禾,池紫欣. 基于BSMOTE-SVM算法的溢流风险评价. 控制工程. 2023(12): 2173-2178 . 百度学术
    9. 夏文鹤,赵宗旭,李皋,李永杰,李宬晓,陈向东. 基于非线性分类网络的气体钻井风险智能识别方法. 信息与控制. 2023(04): 455-465 . 百度学术
    10. 毛光黔,宋先知,丁燕,崔猛,刘雨龙,祝兆鹏. 基于梯度提升决策树算法的钻井工况识别方法. 石油钻采工艺. 2023(05): 532-539 . 百度学术
    11. 王海涛,王建华,邱晨,毛金涛,李辉. 基于双向长短期记忆循环神经网络和条件随机场的钻井工况识别方法. 石油钻采工艺. 2023(05): 540-547+554 . 百度学术
    12. Wen-He Xia,Zong-Xu Zhao,Cheng-Xiao Li,Gao Li,Yong-Jie Li,Xing Ding,Xiang-Dong Chen. Intelligent risk identification of gas drilling based on nonlinear classification network. Petroleum Science. 2023(05): 3074-3084 . 必应学术
    13. Ying Qiao,Hong-Min Xu,Wen-Jun Zhou,Bo Peng,Bin Hu,Xiao Guo. A BiGRU joint optimized attention network for recognition of drilling conditions. Petroleum Science. 2023(06): 3624-3637 . 必应学术
    14. 韩玉娇. 基于AdaBoost机器学习算法的大牛地气田储层流体智能识别. 石油钻探技术. 2022(01): 112-118 . 本站查看
    15. 胡万俊,夏文鹤,李永杰,蒋俊,李皋,陈一健. 气体钻井随钻安全风险智能识别方法. 石油勘探与开发. 2022(02): 377-384 . 百度学术
    16. 刘胜娃,曹湘华. 基于决策树的钻井工况智能识别方法. 新型工业化. 2022(01): 28-30 . 百度学术
    17. HU Wanjun,XIA Wenhe,LI Yongjie,JIANG Jun,LI Gao,CHEN Yijian. An intelligent identification method of safety risk while drilling in gas drilling. Petroleum Exploration and Development. 2022(02): 428-437 . 必应学术
    18. 王钰豪,郝家胜,张帆,魏强,彭知南,段慕白. 钻井溢流风险的自适应LSTM预警方法. 控制理论与应用. 2022(03): 441-448 . 百度学术
    19. 殷启帅,杨进,曹博涵,龙洋,陈柯锦,范梓伊,贺馨悦. 基于长短期记忆神经网络的深水钻井工况实时智能判别模型. 石油钻采工艺. 2022(01): 97-104 . 百度学术
    20. 胡志强,杨进,王磊,侯绪田,张桢翔,姜萌磊. 钻井工况智能识别与时效分析技术. 石油钻采工艺. 2022(02): 241-246 . 百度学术
    21. 赵春兰,屈瑶,王兵,范翔宇,赵鹏斐,李屹,何婷. 一种基于2D-CNN深度学习的钻井事故等级预测新方法. 天然气工业. 2022(12): 95-105 . 百度学术
    22. 夏田,郭建斌,赵一号. 基于改进支持向量机的选区激光熔化参数优化的研究. 热加工工艺. 2021(04): 29-31+37 . 百度学术
    23. 庞淼,雷银,卢杭,黄琦,何仕鹏. 降低钻井溢流智能化预警误报率的方法探索. 石油工业技术监督. 2021(10): 44-49 . 百度学术
    24. 柳海啸,刘芳,代文星,冯一,巩永刚,李明明. 基于大数据分析技术的钻井提效实践. 石油钻采工艺. 2021(04): 436-441 . 百度学术
    25. 刘兆年,赵颖,孙挺. 渤海区域基于数据驱动的钻井提速. 西南石油大学学报(自然科学版). 2020(06): 35-41 . 百度学术

    其他类型引用(15)

图(11)  /  表(2)
计量
  • 文章访问数:  1812
  • HTML全文浏览量:  1263
  • PDF下载量:  155
  • 被引次数: 40
出版历程
  • 收稿日期:  2018-11-26
  • 修回日期:  2019-07-05
  • 网络出版日期:  2019-07-26
  • 刊出日期:  2019-08-31

目录

/

返回文章
返回