一种基于深度学习的钻机钻进压力预测方法与流程

本发明涉及钻进工程，尤其是涉及一种基于深度学习的钻机钻进压力预测方法。

背景技术：

1、目前钻进工程中，对于钻进压力预测的方法主要是物理模型方法，包括基于地质力学模型和基于流体力学模型两种方法。其中，基于地质力学模型主要考虑地层的物理和力学特性，如岩石的渗透性、压缩性等，结合钻井操作参数，通过解析或数值方法预测钻进压力。

2、而基于流体力学模型使用钻井液动力学模型，结合地层参数和钻具参数，通过计算来预测钻井过程中的压力变化。例如，使用navier-stokes方程进行流体流动的数值模拟。

3、但是，这两种方法都需要准确的地质和工程参数作为输入，这些参数通常难以准确获取。并且，这两种模型对复杂地质条件和工程操作的建模和计算需求高，计算复杂度较高，计算耗时长。此外，他们受限于对地质和工程参数的理解和建模水平，预测精度可能不足。

技术实现思路

1、本发明的目的是提供一种基于深度学习的钻机钻进压力预测方法，能够快速、准确地预测钻机接下来一段时间的钻进压力，解决了物理模型预测方法对复杂地质条件和工程操作的建模和计算需求高、计算复杂度较高、计算耗时长、受限于对地质和工程参数的理解和建模水平、预测精度不足的问题。

2、为实现上述目的，本发明提供了一种基于深度学习的钻机钻进压力预测方法，包括以下步骤：

3、s1、钻进参数数据采集；

4、s2、对采集获得的数据进行预处理，并根据钻进参数之间的联系，选择模型的输入参数；

5、s3、采用深度学习算法构建钻进压力预测模型。

6、优选的，步骤s1中，通过钻机数据采集系统中的压力传感器进行数据采集，所述数据包含钻机运行过程中的监测信息，具体包括运行日期和时间、传感器编号和钻进压力，并以csv文件的形式保存。

7、优选的，步骤s2中，所述对采集获得的数据进行预处理具体包括缺失值清洗、异常值剔除、时间信息编码和数据标准化操作。

8、优选的，步骤s2中，所述模型输入参数除钻进压力的历史数据外，还包括对钻进参数进行特征工程处理，分析钻进压力与其他钻进参数之间的联系后，得到钻进压力变化特征数据受历史行为、钻杆钻速、空间位置和振动加速度影响。

9、优选的，步骤s3中，采用深度学习算法构建钻进压力预测模型，具体包括以下步骤：

10、s31、采用卷积变压器算法构建钻机钻进压力预测模型，调整最佳超参数组合，模型选择mse作为损失函数，并由adam优化器进行优化，采用平均绝对误差mae、均方误差mse、均方根误差rmse和决定系数r2作为模型的评价指标；

11、s32、预测模型搭建完成后，将历史钻进压力、钻杆钻速以及振动加速度四种数据作为输入量，将下一时间段的钻进压力作为输出量，对深度学习模型进行训练。

12、优选的，步骤s31中，所述钻机钻进压力预测模型分为三个模块：数据收集、数据预处理和时间序列预测，通过钻机数据采集系统收集钻机运行数据，以csv文件的形式保存，再对数据进行缺失值清洗、异常值清除、时间信息编码等数据预处理，最后将处理好的数据输入到卷积transformer预测模型中，

13、优选的，步骤s32中，将历史钻进压力、钻杆钻速以及振动加速度四种数据形成的数据集划分为训练集、验证集和测试集，其中，训练集数据用于训练深度学习模型，训练结束后采用验证集验证深度学习模型的预测能力，训练集用于训练模型，验证集用于调优超参数和防止过拟合，测试集用于最终评估模型的泛化性能。

14、优选的，所述模型超参数包括批大小、学习率、正则化参数、训练步数、卷积核数、层数、循环神经单元数和优化器种类。

15、优选的，若所述预测准确率低于预设阈值，则需对模型超参数进行调整后重新训练，直至预测准确率高于预设阈值。

16、因此，本发明采用上述一种基于深度学习的钻机钻进压力预测方法，有益效果如下：

17、(1)本发明通过深度学习算法，能够快速、准确地预测钻机接下来一段时间的钻进压力，解决了物理模型预测方法对复杂地质条件和工程操作的建模和计算需求高、计算复杂度较高、计算耗时长、受限于对地质和工程参数的理解和建模水平、预测精度不足的问题。

18、(2)本发明利用计算机人工智能算法，准确高效预测钻机的钻进压力，避免了人为主观性因素的影响，显著提高经济效益，大大降低测试的时间成本，快速准确自动地预测钻机的钻进压力。

19、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于深度学习的钻机钻进压力预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的钻机钻进压力预测方法，其特征在于，步骤s1中，通过钻机数据采集系统中的压力传感器进行数据采集，所述数据包含钻机运行过程中的监测信息，具体包括运行日期和时间、传感器编号和钻进压力，并以csv文件的形式保存。

3.根据权利要求2所述的一种基于深度学习的钻机钻进压力预测方法，其特征在于，步骤s2中，所述对采集获得的数据进行预处理具体包括缺失值清洗、异常值剔除、时间信息编码和数据标准化操作。

4.根据权利要求3所述的一种基于深度学习的钻机钻进压力预测方法，其特征在于，步骤s2中，所述模型输入参数除钻进压力的历史数据外，还包括对钻进参数进行特征工程处理，分析钻进压力与其他钻进参数之间的联系后，得到钻进压力变化特征数据受历史行为、钻杆钻速、空间位置和振动加速度影响。

5.根据权利要求4所述的一种基于深度学习的钻机钻进压力预测方法，其特征在于，步骤s3中，采用深度学习算法构建钻进压力预测模型，具体包括以下步骤：

6.根据权利要求5所述的一种基于深度学习的钻机钻进压力预测方法，其特征在于，步骤s31中，所述钻机钻进压力预测模型分为三个模块：数据收集、数据预处理和时间序列预测，通过钻机数据采集系统收集钻机运行数据，以csv文件的形式保存，再对数据进行缺失值清洗、异常值清除、时间信息编码等数据预处理，最后将处理好的数据输入到卷积transformer预测模型中。

7.根据权利要求6所述的一种基于深度学习的钻机钻进压力预测方法，其特征在于，步骤s32中，将历史钻进压力、钻杆钻速以及振动加速度四种数据形成的数据集划分为训练集、验证集和测试集，其中，训练集数据用于训练深度学习模型，训练结束后采用验证集验证深度学习模型的预测能力，训练集用于训练模型，验证集用于调优超参数和防止过拟合，测试集用于最终评估模型的泛化性能。

8.根据权利要求7所述的一种基于深度学习的钻机钻进压力预测方法，其特征在于，所述模型超参数包括批大小、学习率、正则化参数、训练步数、卷积核数、层数、循环神经单元数和优化器种类。

9.根据权利要求8所述的一种基于深度学习的钻机钻进压力预测方法，其特征在于，若所述预测准确率低于预设阈值，则需对模型超参数进行调整后重新训练，直至预测准确率高于预设阈值。

技术总结本发明涉及钻进工程技术领域，具体公开了一种基于深度学习的钻机钻进压力预测方法，包括以下步骤：首先，进行钻进参数数据采集；而后对采集获得的数据进行预处理，并根据钻进参数之间的联系，选择模型的输入参数；最后采用深度学习算法构建钻进压力预测模型。本发明采用上述的一种基于深度学习的钻机钻进压力预测方法，通过深度学习算法，解决了传统物理模型预测方法受限于对地质和工程参数的理解和建模水平、预测精度不足的问题；利用计算机人工智能算法，避免了人为主观性因素的影响，大大降低测试的时间成本，从而实现快速、准确、自动地预测接下来一段时间内钻机的钻进压力。技术研发人员：万军,陈卫明,邱雨,胡薇,辛德忠,陈航,王笛咏受保护的技术使用者：中煤科工集团重庆研究院有限公司技术研发日：技术公布日：2024/8/20