基于機器學習算法的井漏預測與診斷理論模型研究

張 欣，田英英，韓澤龍，趙 明，蔣亞峰

（中國地質(zhì)科學院勘探技術研究所，河北 廊坊 065000）

0 引言

井漏是指相當一部分或者全部鉆井液從井筒損失進入到具有高滲透率的地層中，比如洞穴、裂縫或者松散地層。國外較為成熟的井漏預測與診斷的技術有精細控壓鉆井技術、ALS-K 井涌井漏快速探測系統(tǒng)、DrillEdge 軟件［1-3］，分別通過微量溢流測量、鉆井液進出口流量測量和案例推理技術來實現(xiàn)。國內(nèi)相關的井漏預測與診斷技術有綜合錄井技術方法、分離器液面檢測方法和井下微流量檢測方法等［4-7］，這些方法對井漏的處理主要是專家結(jié)合井漏的現(xiàn)場情況提出解決方案，過于依靠現(xiàn)場專家的經(jīng)驗，導致無法實現(xiàn)鉆前診斷，忽略了其他堵漏決策方案［8］。而應用人工智能方法預測與診斷井漏等復雜井下情況成為了鉆井工程領域的發(fā)展趨勢，學者多采用神經(jīng)網(wǎng)絡［9-12］、貝葉斯網(wǎng)絡［13-14］和支持向量機（SVM）［15-16］等機器學習算法建立井漏預測與診斷模型。每種機器學習算法都有其優(yōu)缺點和適用范圍，其中神經(jīng)網(wǎng)絡適用于復雜非線性數(shù)據(jù)建模［10］，但是該算法容易陷入局部最優(yōu)解問題［17］，不充分的數(shù)據(jù)難以維持算法計算；貝葉斯網(wǎng)絡在基于鉆井參數(shù)的不確定性預測中發(fā)揮了重要作用，但還需要對時間尺度、趨勢判斷界限和閾值優(yōu)化進行深入研究，提高預測準確性［14］；支持向量機適用于小樣本、非線性及高緯度的數(shù)據(jù)處理［15］，不適用于數(shù)據(jù)量龐大的井漏診斷與識別問題。

梯度提升……