基于人工智能的钻速预测模型数据有效性下限分析

来源期刊：探矿工程岩土钻掘工程2021年第3期

论文作者：李谦 曹彦伟 朱海燕

文章页码：21 - 30

关键词：钻速预测;BP神经网络;数据需求;有效性下限;人工智能;

摘    要：钻速预测对于优化钻探工艺、降低作业成本、实现科学钻探具有重要意义,它是钻探钻井作业的一项重要内容。基于人工智能的钻速预测精度令人瞩目,但该技术需求的海量数据对传统钻探钻井作业的要求较高。为明确使用人工智能建立钻速预测模型的最少数据量,本文基于中国南海10口井的21917条数据进行了分析。通过相关性分析,所有的输入参数可被划分为高、中、低相关性3大类。通过逐步引入参数建立预测模型和对比预测精度,发现当引入的参数数量足够时,3种相关性参数均可建立起高精度（≥85%）的预测模型。引入参数的相关性越高,建立高精度预测模型需求的参数量越少。通过逐步扩大取样间隔的方式,对比发现所有的预测模型均呈现随取样间隔的增大、预测模型的准确性降低的规律。而预测模型建模的取样间隔下限可通过寻找精度降低时的拐点获得。经过验证,在数据维度与取样精度均为下限时,基于3种相关性参数建立的BP神经网络预测模型仍然能够获得较高的预测精度。