查看更多>>摘要:在石油钻进工程中,钻进速率(rate of penetration,简称ROP)是影响钻进效率和成本的重要指标.基于经验的ROP预测方法具有成本较高和效率较低的问题,为了解决这一局限性,本研究以澳大利亚昆士兰州的苏拉特盆地煤层气矿区的五口钻井为研究对象,在考虑数据是否完整和是否过滤的情况下,通过基于人工神经网络和极致梯度提升的监督式机器学习方法,利用其中三口钻井的钻进参数进行模型训练,并将训练后的模型应用于其他两口钻井的ROP预测来对比不同模型的预测优劣情况,从而获得较优的ROP预测方法.结果显示:人工神经网络和极致梯度提升在ROP预测中不同方面都显示出良好性能,其中人工神经网络在训练集的准确性上表现略优(R2=0.57),而极致梯度提升在测试集数据中有更好的性能.这为未来在石油钻进领域进一步利用机器学习技术进行ROP预测具有一定的指导意义.