基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的深水鉆井工況實(shí)時(shí)智能判別模型

殷啟帥 楊進(jìn) 曹博涵 龍洋 陳柯錦 范梓伊 賀馨悅

1. 中國(guó)石油大學(xué)(北京)；2. 中國(guó)石化集團(tuán)經(jīng)濟(jì)技術(shù)研究院有限公司；3. 浙江工業(yè)大學(xué)

鉆井工況是指現(xiàn)場(chǎng)鉆井作業(yè)中的某一特定操作工序，包括接單根、起下鉆、倒劃眼、循環(huán)鉆進(jìn)等典型工況。深水鉆井具有高投入、高風(fēng)險(xiǎn)等特點(diǎn)，對(duì)鉆井時(shí)效與復(fù)雜事故率提出了更高要求，而深水鉆井工況實(shí)時(shí)判別是提高鉆井時(shí)效、減少?gòu)?fù)雜事故的基礎(chǔ)和前提。傳統(tǒng)深水鉆井作業(yè)中，鉆井工況主要通過基于編程方式的物理模型與經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行判別，由于各個(gè)監(jiān)測(cè)參數(shù)之間存在極其復(fù)雜的高度非線性映射關(guān)系，難以保證判別時(shí)效性和正確率。而機(jī)器學(xué)習(xí)方法可以從高維度擬合不同監(jiān)測(cè)參數(shù)之間的非線性映射關(guān)系，并且是一個(gè)“黑盒子”，不需要明確的編程語(yǔ)言［1］，就可以有效地完成特定的模式判別任務(wù)，筆者將機(jī)器學(xué)習(xí)方法應(yīng)用于深水鉆井工況智能判別。但受鉆井長(zhǎng)循環(huán)遲到時(shí)間影響，鉆井工況由當(dāng)前時(shí)刻以及其前后一段時(shí)間區(qū)間的數(shù)據(jù)共同決定，使得鉆井工況判別具有長(zhǎng)時(shí)間序列特征。

隨著錄井傳感器技術(shù)的快速發(fā)展，綜合錄井儀獲取了海量高品質(zhì)綜合錄井?dāng)?shù)據(jù)，為基于人工神經(jīng)網(wǎng)絡(luò)的鉆井工況智能判別提供了數(shù)據(jù)基礎(chǔ)［2-5］。近年來，計(jì)算機(jī)性能與云計(jì)算能力的提升，進(jìn)一步提高了機(jī)器學(xué)習(xí)在石油工業(yè)的應(yīng)用前景［6］，機(jī)器學(xué)習(xí)己經(jīng)成為石油工程領(lǐng)域模式判別的有力工具［7］。

利用綜合錄井?dāng)?shù)據(jù)進(jìn)行鉆井工況判別是近年來國(guó)內(nèi)外學(xué)者的研究熱點(diǎn)和難點(diǎn)。2018年，Qishuai Yin等［8］通過編程語(yǔ)言為綜合錄井參數(shù)設(shè)定判斷條件進(jìn)行鉆井工況判別，并進(jìn)行了不可見非生產(chǎn)時(shí)間(Invisible Non-Production Time, INPT)統(tǒng)計(jì)分析，通過對(duì)鉆井人員績(jī)效評(píng)估提高了鉆井作業(yè)效率，為鉆井作業(yè)節(jié)省了作業(yè)時(shí)間和工程投資，實(shí)現(xiàn)了降本增效。2019年，孫挺等［9］提出了基于支持向量機(jī)(Support Vector Machine, SVM)的鉆井工況判別方法，建立了多個(gè)智能判別模型，得出了模型參數(shù)的最優(yōu)值。A. Arnaout等［10］建立了基于離散多項(xiàng)式的數(shù)學(xué)模型，用于鉆井工況特定模式判別，預(yù)測(cè)結(jié)果與人工分類比較，顯示該方法具有較高的準(zhǔn)確性。2019年，Yuming Ben等［11］指出由于頂驅(qū)的振動(dòng)很 難 簡(jiǎn) 單 根 據(jù) 井 口 頂 驅(qū) 轉(zhuǎn)速(Rate per Minute，RPM)判別“旋轉(zhuǎn)鉆進(jìn)”與“滑動(dòng)鉆進(jìn)”，提出采用隨 機(jī) 森林(Random Forest, RF)、卷 積 神 經(jīng) 網(wǎng) 絡(luò)(Convolutional Neural Network, CNN)和混合卷積神經(jīng)網(wǎng)絡(luò)/循環(huán)神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network/Recurrent Neural Network, CNN/RNN)判別“旋轉(zhuǎn)鉆進(jìn)”與“滑動(dòng)鉆進(jìn)”，結(jié)果表明機(jī)器學(xué)習(xí)模型遠(yuǎn)優(yōu)于基于規(guī)則的模型，CNN的判別正確率在90%以上。2020年，Qishuai Yin等［12］利用誤差反向傳播神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network, BP)建立了新型的鉆井工況智能判別機(jī)器學(xué)習(xí)模型，并有效評(píng)價(jià)了鉆井時(shí)效，在海上淺水批鉆作業(yè)中得到成功應(yīng)用，鉆井時(shí)效提高了31.19%。

盡管近年來學(xué)者們嘗試建立了一些基于機(jī)器學(xué)習(xí)的鉆井工況判別模型，但上述模型均未考慮綜合錄井?dāng)?shù)據(jù)的長(zhǎng)時(shí)間序列特性，導(dǎo)致模型較高的誤報(bào)率。筆者利用綜合錄井?dāng)?shù)據(jù)建立了基于長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory Recurrent Neural Network, LSTM-RNN)的鉆井工況實(shí)時(shí)智能判別機(jī)器學(xué)習(xí)模型。由鉆頭深度、井深、大鉤高度、鉆壓、懸重、扭矩、轉(zhuǎn)速、立管壓力等8個(gè)綜合錄井參數(shù)作為輸入特征向量，鉆井工況作為輸出向量，實(shí)現(xiàn)了旋轉(zhuǎn)鉆進(jìn)、滑動(dòng)鉆進(jìn)、接單根、靜止、循環(huán)、向下洗井、劃眼、向上洗井、倒劃眼、起鉆、下鉆、其他(其余深水綜合錄井?dāng)?shù)據(jù)對(duì)應(yīng)鉆井工況均標(biāo)記為“ 其他”)等12種鉆井工況的智能判別。

1 神經(jīng)網(wǎng)絡(luò)優(yōu)選及模型性能評(píng)價(jià)指標(biāo)

人工神經(jīng)網(wǎng)絡(luò)是一種基于數(shù)值計(jì)算的知識(shí)處理系統(tǒng)，是一種靈感來源于人類神經(jīng)元網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型，由許多簡(jiǎn)單處理單元相互連接而形成的復(fù)雜網(wǎng)絡(luò)［13-14］。實(shí)現(xiàn)鉆井工況智能判別的首要任務(wù)是根據(jù)樣本集數(shù)據(jù)特征選擇最佳的神經(jīng)網(wǎng)絡(luò)算法，再選用正確率、精度、召回率和F1分?jǐn)?shù)等評(píng)價(jià)指標(biāo)評(píng)估機(jī)器學(xué)習(xí)模型的分類判別性能。

1.1 鉆井工況智能判別神經(jīng)網(wǎng)絡(luò)優(yōu)選

基于鉆井工況智能判別的長(zhǎng)時(shí)間序列特征，對(duì)常見的3種神經(jīng)網(wǎng)絡(luò)算法進(jìn)行結(jié)構(gòu)剖析與原理對(duì)比分析，為鉆井工況智能判別提供算法基礎(chǔ)。

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛［15-19］，其隱藏層輸出僅取決于當(dāng)前時(shí)間步的輸入特征，與在當(dāng)前時(shí)間步之前的數(shù)據(jù)特征無關(guān)?？梢夿P網(wǎng)絡(luò)不適合處理時(shí)間序列問題，更不適合處理長(zhǎng)時(shí)間序列特征的鉆井工況判別問題。

RNN神經(jīng)網(wǎng)絡(luò)是使用深度學(xué)習(xí)處理時(shí)序問題最常用的模型之一，因?yàn)槠湓跁r(shí)間步t時(shí)會(huì)將t?1時(shí)間步的隱藏層節(jié)點(diǎn)作為當(dāng)前時(shí)間步的輸入，因此在處理時(shí)序數(shù)據(jù)上有著優(yōu)異的表現(xiàn)［20］。但由于RNN是一個(gè)鏈?zhǔn)浇Y(jié)構(gòu)，每個(gè)時(shí)間步使用的是相同的參數(shù)，導(dǎo)致在訓(xùn)練時(shí)會(huì)遇到梯度消失的問題，甚至梯度會(huì)收斂到0(梯度消失)，使得RNN普遍存在“長(zhǎng)期依賴”問題，即在時(shí)間間隔不斷增大時(shí)，RNN喪失了學(xué)習(xí)到遠(yuǎn)處時(shí)刻的信息的能力［21-22］。因此，RNN網(wǎng)絡(luò)不適合處理長(zhǎng)時(shí)間序列特征的鉆井工況智能判別問題。

1997年，Hochreiter和Schmidhuber［23］提出了LSTM-RNN神經(jīng)網(wǎng)絡(luò)，并證明了LSTM網(wǎng)絡(luò)具有記憶長(zhǎng)短時(shí)信息的能力，可以有效解決RNN的長(zhǎng)期依賴問題。近年來，LSTM神經(jīng)網(wǎng)絡(luò)獲得快速發(fā)展，并在石油工程領(lǐng)域得到了成功應(yīng)用。2019年，Lee等［24］使用LSTM算法成功預(yù)測(cè)了頁(yè)巖氣產(chǎn)量。

LSTM之所以能夠解決RNN的長(zhǎng)期依賴問題，是因?yàn)長(zhǎng)STM引入了遺忘門ft、輸入門it、輸出門ot來控制特征的流通和損失，LSTM展開的鏈?zhǔn)浇Y(jié)構(gòu)如圖1所示。

圖1 展開的長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)Fig. 1 Expanded LSTM-RNN

圖1中，上方從左到右貫穿的長(zhǎng)直線使得所學(xué)知識(shí)在上面直接傳遞而不輕易發(fā)生改變，從而使得LSTM網(wǎng)絡(luò)具有了“長(zhǎng)”記憶，解決了RNN的“長(zhǎng)依賴”問題?！岸唐谟洃洝県t與 “長(zhǎng)期記憶”ct的聯(lián)合使用使得LSTM具有在長(zhǎng)時(shí)間序列上學(xué)習(xí)“短期”模式與“長(zhǎng)期”模式。當(dāng)長(zhǎng)期單元狀態(tài)ct通過神經(jīng)網(wǎng)絡(luò)時(shí)，遺忘門ft“遺忘(刪除)”部分記憶信息，輸入門it“輸入(添加)”部分記憶信息，最后經(jīng)過輸出門ot處理輸出結(jié)果。

通過剖析BP、RNN與LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，考慮綜合錄井?dāng)?shù)據(jù)長(zhǎng)時(shí)間序列特性，優(yōu)選了擅于學(xué)習(xí)時(shí)間序列信息且可以處理長(zhǎng)期相關(guān)性的LSTM神經(jīng)網(wǎng)絡(luò)作為鉆井工況智能判別的最優(yōu)算法。

1.2 分類判別機(jī)器學(xué)習(xí)模型性能評(píng)價(jià)指標(biāo)

通常需要評(píng)估機(jī)器學(xué)習(xí)模型的泛化誤差，選擇泛化誤差最小的模型，因此，需要使用測(cè)試集來測(cè)試模型的分類判別能力，并使用測(cè)試集的測(cè)試誤差作為泛化誤差的近似。本文采用了4個(gè)評(píng)價(jià)指標(biāo)，正確率(Accuracy)、精度(Precision)、召回率(Recall)和F1分?jǐn)?shù)(F1-score)［12］。

結(jié)合實(shí)際類別和模型預(yù)測(cè)類別進(jìn)行分類，二分類的混淆矩陣如表1所示，多分類的混淆矩陣如圖2所示，其中TP為真陽(yáng)性，F(xiàn)P為假陽(yáng)性，TN為真陰性，F(xiàn)N為假陰性。

圖2 多分類問題的混淆矩陣Fig. 2 Confusion matrix of multi-classification problem

表1 二分類結(jié)果的混淆矩陣Table 1 Confusion matrix of binary classification result

不同指標(biāo)直接反映了分類判別的性能。“正確率”是最常見的評(píng)價(jià)標(biāo)準(zhǔn)，即被正確分類的樣本數(shù)除以樣本總數(shù)。對(duì)于均衡分類問題，通常正確率越高，分類器越好?！熬取焙汀罢倩芈省笔且粚?duì)矛盾的衡量標(biāo)準(zhǔn)。“精度”可以反映某一類測(cè)試樣本，有多少預(yù)測(cè)是正確的，有多少預(yù)測(cè)是不正確的?！?召回率”顯示了某一類預(yù)測(cè)結(jié)果中有多少預(yù)測(cè)是正確的?！癋1分?jǐn)?shù)”是精度和召回率的調(diào)和平均值。

2 樣本集數(shù)據(jù)分析與處理

由于采集的綜合錄井?dāng)?shù)據(jù)不可避免地具有一些冗余，因此基于錄井參數(shù)的重要性開展輸入向量降維處理是非常必要的。此外，數(shù)據(jù)清理與數(shù)據(jù)標(biāo)記是監(jiān)督式學(xué)習(xí)(Supervised learning)和建立預(yù)測(cè)分類模型的基本環(huán)節(jié)。最終，按照合理的比例將樣本集分為訓(xùn)練集與測(cè)試集。

2.1 綜合錄井?dāng)?shù)據(jù)的輸入特征向量選取

以綜合錄井參數(shù)作為神經(jīng)網(wǎng)絡(luò)模型建立的輸入向量，通過隱藏層一系列非線性變換，得到了在輸出層中不同鉆井工況的概率。所有預(yù)測(cè)的鉆機(jī)工況中，概率最大的工況就被判定為當(dāng)前預(yù)測(cè)的工況。由于綜合錄井參數(shù)繁多，如果將所有參數(shù)作為獨(dú)立輸入特征向量，神經(jīng)網(wǎng)絡(luò)系統(tǒng)將是巨大的(輸入特征冗余)。因此，憑借現(xiàn)場(chǎng)專家經(jīng)驗(yàn)(先驗(yàn)知識(shí))與筆者實(shí)習(xí)經(jīng)歷，根據(jù)各個(gè)錄井參數(shù)對(duì)鉆井工況識(shí)別的重要性影響程度，減少對(duì)綜合錄井參數(shù)的選取來降低輸入向量的維度。2018年，Yin Qishuai等［8］證實(shí)采用最常用、最重要的8個(gè)綜合錄井參數(shù)(實(shí)時(shí)鉆頭深度、井的測(cè)深、大鉤高度、鉆壓、懸重、扭矩、轉(zhuǎn)速和立管壓力)足夠判別旋轉(zhuǎn)鉆進(jìn)、滑動(dòng)鉆進(jìn)、接單根、靜止、循環(huán)、向下洗井、劃眼、向上洗井、倒劃眼、起鉆、下鉆和“其他”等12種鉆井工況。因此，本節(jié)的LSTM網(wǎng)絡(luò)由上述8個(gè)綜合錄井參數(shù)作為輸入特征向量，上述12種鉆井工況作為輸出向量。

2.2 樣本集統(tǒng)計(jì)分析

來自多個(gè)傳感器的高速率時(shí)間序列數(shù)據(jù)流被綜合錄井儀采集，頻率是1 Hz(每秒采集一次)，用于工況判別的樣本集如表2所示。

表2 樣本數(shù)據(jù)集統(tǒng)計(jì)分析Table 2 Statistical analysis of sample data set

每個(gè)鉆井時(shí)刻對(duì)應(yīng)的鉆井工況作為網(wǎng)絡(luò)訓(xùn)練的輸出，但在綜合錄井?dāng)?shù)據(jù)集中無法獲得鉆井工況狀態(tài)。因此，模型訓(xùn)練前必須參考鉆井日?qǐng)?bào)手動(dòng)標(biāo)記鉆井工況。用于分類任務(wù)的12個(gè)鉆井工況的數(shù)據(jù)分布與數(shù)據(jù)標(biāo)簽見表3，可見滑動(dòng)鉆進(jìn)、靜止、向下洗井3種鉆井工況的數(shù)據(jù)量分布小于5%，屬于不均衡分類問題，后續(xù)需分析召回率(Recall)。

表3 12種鉆井工況的數(shù)據(jù)量分布和獨(dú)熱碼Table 3 Data bulk distribution and one-hot code of 12 conditions

本節(jié)所用的深水綜合錄井?dāng)?shù)據(jù)樣本集總數(shù)為29856140行，其中75%為訓(xùn)練集，25%為測(cè)試集。11種典型鉆井工況的人工標(biāo)定法則見表4，其余深水綜合錄井?dāng)?shù)據(jù)對(duì)應(yīng)鉆井工況標(biāo)記為“其他”。

表4 11種典型鉆井工況的標(biāo)記規(guī)則Table 4 Marking rule of 11 typical drilling conditions

3 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

3.1 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)隱藏層設(shè)計(jì)

輸入層和輸出層的神經(jīng)元數(shù)目分別等于輸入特征(綜合錄井參數(shù))和輸出特征的數(shù)目。神經(jīng)網(wǎng)絡(luò)的隱藏層與每層節(jié)點(diǎn)個(gè)數(shù)至關(guān)重要但難以確定。通常，隱藏層越多，節(jié)點(diǎn)越多，預(yù)測(cè)的正確率越高，甚至可接近100%。但這樣會(huì)導(dǎo)致“過擬合”問題，對(duì)測(cè)試集預(yù)測(cè)效果降低。實(shí)際應(yīng)用中，使用最多的是具有10～30隱藏層的神經(jīng)網(wǎng)絡(luò)模型。本文測(cè)試了具有10、20、30隱藏層的神經(jīng)網(wǎng)絡(luò)模型，每個(gè)隱藏層的神經(jīng)元數(shù)在10～100之間，共測(cè)試了30個(gè)LSTM模型，從圖3結(jié)果可以看出，20隱藏層×70節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)測(cè)試集上正確率最高，高達(dá)94.09%。因此，最終選定了20隱藏層×70節(jié)點(diǎn)神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖4所示。LSTM模型的超參數(shù)結(jié)構(gòu)細(xì)節(jié)見表5。

表5 最佳LSTM模型的超參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)Table 5 Super parameter and network structure of optimal LSTM model

圖3 不同隱藏層及節(jié)點(diǎn)的LSTM測(cè)試集上的正確率Fig. 3 Accuracy on LSTM test set at different hidden layers and nodes

圖4 基于LSTM的鉆井工況智能判別模型Fig. 4 LSTM based intelligent drilling condition recognition model

3.2 移動(dòng)窗口長(zhǎng)度設(shè)計(jì)

現(xiàn)場(chǎng)實(shí)際作業(yè)中，由于傳感器采集到的綜合錄井?dāng)?shù)據(jù)的波動(dòng)，導(dǎo)致鉆井工況判別結(jié)果不穩(wěn)定，甚至產(chǎn)生不可控的誤差。例如，有時(shí)會(huì)在短短30 s之內(nèi)判別出多種鉆井工況，這顯然是不現(xiàn)實(shí)的也是錯(cuò)誤的。移動(dòng)窗口(Moving Window，MW)被引入來“ 平滑”處理預(yù)測(cè)結(jié)果，以避免由于輸入數(shù)據(jù)的震蕩波動(dòng)導(dǎo)致的預(yù)測(cè)誤差。因此，當(dāng)前的鉆井工況不僅僅是由當(dāng)前的數(shù)據(jù)點(diǎn)決定的，也是由在該點(diǎn)之前的MW?1個(gè)數(shù)據(jù)點(diǎn)綜合決定的，當(dāng)前數(shù)據(jù)點(diǎn)的實(shí)際鉆井工況是在整個(gè)移動(dòng)窗口期間中頻率最高的工況。此外，該移動(dòng)窗口以數(shù)據(jù)采集的速率(本文1 Hz)往前移動(dòng)，以執(zhí)行下一數(shù)據(jù)點(diǎn)的鉆井工況判別。本文中，移動(dòng)窗口長(zhǎng)度從10至60，每“5”間隔分別進(jìn)行測(cè)試，結(jié)果如圖5所示，可見正確率從10至30增加，從30至60開始減少。因此，最終數(shù)據(jù)窗口的長(zhǎng)度選為30，符合現(xiàn)場(chǎng)作業(yè)要求。

圖5 不同移動(dòng)窗口長(zhǎng)度的LSTM網(wǎng)絡(luò)測(cè)試集上正確率Fig. 5 Accuracy on LSTM test set at different moving window lengths

4 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)訓(xùn)練及性能評(píng)估

4.1 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程

使用圖4和表5所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用5-折交叉驗(yàn)證，每次訓(xùn)練持續(xù)100次迭代，LSTM網(wǎng)絡(luò)通過Adam優(yōu)化算法進(jìn)行訓(xùn)練，然后計(jì)算評(píng)價(jià)指標(biāo)。

不同迭代的正確率(Accuracy)與損失(Loss)如圖6所示，可看出在100次迭代過程中，訓(xùn)練集上和測(cè)試集上的正確率都顯著提高，最后訓(xùn)練集與測(cè)試集的正確率分別為95.41%和94.09%，損失分別為0.00015和0.000193。在迭代訓(xùn)練過程中，訓(xùn)練集上的正確率與損失，與測(cè)試集趨勢(shì)是一致的，充分證明該模型“過擬合”不顯著，泛化能力較好。

圖6 迭代過程正確率與損失Fig. 6 Accuracy and loss of iterative process

4.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)混淆矩陣

利用混淆矩陣展示LSTM網(wǎng)絡(luò)總體性能指標(biāo)，結(jié)果如圖7和表6、7所示。圖7中水平坐標(biāo)與垂直坐標(biāo)分別表示預(yù)測(cè)的與實(shí)際的上述12種鉆井工況的結(jié)果。圖7(a)和表6所示訓(xùn)練集上滑動(dòng)鉆進(jìn)、靜止、向下洗井3種鉆井工況的召回率(Recall)分別高達(dá)0.94、0.95、0.96；從圖7(b)和表7可看出，測(cè)試集上的該3種鉆井工況的召回率(Recall)分別為0.93、0.95、0.94，雖然較在訓(xùn)練集上略有降低，但仍然較高(大于0.93)。整體上，神經(jīng)網(wǎng)絡(luò)的正確率很高，且訓(xùn)練的LSTM網(wǎng)絡(luò)在測(cè)試集上具有很好泛化能力。此外，完成一個(gè)樣本的預(yù)測(cè)時(shí)間不到50 ms，遠(yuǎn)小于實(shí)時(shí)數(shù)據(jù)采集頻率(1 Hz)，實(shí)現(xiàn)了“實(shí)時(shí)”判別，為L(zhǎng)STM模型部署并應(yīng)用于實(shí)時(shí)鉆井?dāng)?shù)據(jù)的工況判別提供了時(shí)效保障，如此迅速的運(yùn)算速度，符合工程實(shí)際情況，滿足鉆井工程的需要。

表6 訓(xùn)練集上的LSTM網(wǎng)絡(luò)性能指標(biāo)Table 6 LSTM performance indicator of training set

表7 測(cè)試集上的LSTM網(wǎng)絡(luò)性能指標(biāo)Table 7 LSTM performance indicator of test set

圖7 LSTM網(wǎng)絡(luò)的混淆矩陣Fig. 7 Confusion matrix of LSTM

5 結(jié)論

(1) 開展了BP、傳統(tǒng)RNN、LSTM網(wǎng)絡(luò)3種算法的結(jié)構(gòu)深度剖析與算法原理對(duì)比分析，LSTM網(wǎng)絡(luò)展現(xiàn)了在處理長(zhǎng)時(shí)間序列高維度非線性復(fù)雜映射關(guān)系的獨(dú)特優(yōu)勢(shì)，為深水鉆井工況實(shí)時(shí)智能判別提供了算法基礎(chǔ)。

(2) 由8個(gè)綜合錄井參數(shù)(鉆頭深度、井深、大鉤高度、鉆壓、懸重、轉(zhuǎn)速、扭矩和立管壓力)作為輸入特征向量，建立了20隱藏層×70隱節(jié)點(diǎn)的LSTM網(wǎng)絡(luò)模型，實(shí)現(xiàn)了旋轉(zhuǎn)鉆進(jìn)、滑動(dòng)鉆進(jìn)、接單根、靜止、循環(huán)、向下洗井、劃眼、向上洗井、倒劃眼、起鉆、下鉆和“其他”等12種典型鉆井工況的實(shí)時(shí)智能判別，測(cè)試集上的精度達(dá)到94.09%，為后續(xù)鉆井時(shí)效分析和復(fù)雜事故預(yù)警提供了機(jī)器學(xué)習(xí)模型基礎(chǔ)。

(3) 提出了基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的深水鉆井工況實(shí)時(shí)智能判別全流程，為研究深水鉆井過程中其他分類問題提供了借鑒，并鼓勵(lì)讀者在類似研究中借鑒本文的研究思路。