摘要
石油和天然气是维持人类社会发展的重要战略资源，对国家能源安全起着重要作用，钻井则是对石油和天然气进行开采的重要一步。随着对石油资源的开发，现钻井深度日益加深，钻井难度逐渐加大，钻井成本也日益增大。相关专家和学者都在致力于研究如何提高机械钻速和开采效率。随着人工智能技术的发展，钻井技术逐渐融合新技术，使钻井工程朝着智能化方向发展。基于这一发展趋势，本文以机械钻速及钻井参数为研究目标，利用机器学习相关智能算法对机械钻速进行预测并优化影响机械钻速的相关钻井参数，得到钻井参数最优取值及机械钻速最优值，从而提高机械钻速。具体研究内容如下： 首先，应用随机森林算法对与机械钻速相关的钻井参数进行特征重要性排序，选取特征重要性大的特征进行特征提取。然后，针对钻井数据中存在的孤立数据对机械钻速预测模型产生干扰的问题，通过局部异常因子孤立程度检测方法对所有样本数据点进行孤立程度检测，求得样本数据的局部异常因子值来定义每组数据的孤立程度大小。 其次，根据局部异常因子给每组样本数据赋模糊因子值，并构建加入模糊因子后的新数据集。给孤立数据点附较小模糊因子值，减小其对机械钻速预测模型的干扰；给正常数据点赋较大模糊因子值，使其在训练模型时发挥较大作用。搭建模糊支持向量回归机械钻速预测模型，通过模糊因子刻画样本偏离回归间隔的程度，利用加入模糊因子后的新数据集对模糊支持向量回归模型训练。 最后，在模糊支持向量回归对机械钻速进行预测的基础上，对相关钻井可控参数进行优化。选择烟花算法作为优化模型以增加寻优过程中的种群多样性和局部覆盖能力。另外，对烟花算法寻优能力进行改进，以提高算法的自适应能力。通过改进后的烟花算法对钻井可控参数进行优化，从而提高机械钻速，提升钻井效率。 本文应用Python语言进行程序设计，并将所建模型进行实例分析与验证。最终实验结果表明，本文模糊支持向量回归机械钻速预测模型相比于传统支持向量回归等其他模型具有更强的抗干扰能力及更好的拟合精度和泛化能力。对于钻井参数优化，改进烟花算法相比标准烟花算法、粒子群优化算法具有更好的搜索能力和寻优结果。本研究对于促进钻井技术发展，建设智慧油田具有一定意义。
NETL