油气人工智能 | 基于数据增强和自动机器学习的钻柱振动识别方法
油气人工智能 | 基于数据增强和自动机器学习的钻柱振动识别方法
摘要:准确识别井下钻柱振动对于提高钻井效率,减少复杂风险具有重要意义。针对常规振动识别机理方法存在诸多假设,难以完整精细刻画井下管柱的运动过程,同时井下测量数据获取成本高、时效性较差等问题,提出了一种基于数据增强和自动机器学习的井下振动智能识别方法,预期通过该方法的应用实现仅通过地面参数即可精准识别井下振动状态。该方法包括:将地面低频录井数据与井下高频振动数据进行处理,建立地面-井下多源数据融合数据集;引入基于自动机器学习方法,利用堆叠层和权重层实现振动智能识别模型的自主建立与自动优化;针对振动案例少导致的模型稳定性和泛化性不足的问题,利用生成对抗网络(GAN)进行数据扩充,引入领域知识构造新特征,实现振动小样本数据增强,进一步提升模型性能。研究结果表明,基于数据增强和自动机器学习的井下振动智能识别方法建立的振动智能识别模型能够捕捉振动与地面参数的复杂映射关系,其准确率高达 94.0% ,在精确率、准确率、召回率和 F1 分数上均优于其他常规模型;数据扩充和特征增强能够显著提升模型性能,优化后准确率、召回率和 F1 分数分别提升了 7.04% 、 10.30% 和 8.75% ,该模型可实现振动严重程度的实时、准确评估,为精确的振动控制策略提供科学依据,有望为实现高效安全钻井做出重要贡献。