机器学习算法在石油钻井领域的应用优化研究

发布时间：2020-11-07 06:43

　　 智能化是未来社会的发展趋势,传统行业如何积极学习新思想、新理论、新技术,在智能化浪潮来临之际赢得先机,对行业发展至关重要。石油钻井是典型的传统工业学科,钻速预测与优化一直是该行业内的重要课题之一,提升钻进速度可以有效地提高钻井效率、缩短钻井周期、降低钻井成本。本文使用机器学习算法对钻速预测与优化问题进行了研究,主要工作如下:首先,研究了常用的离群点检测算法的基本原理,以去除离群点后的数据训练得到的钻速预测模型效果作为参考,评估并分析了上述离群点检测算法应用于钻井数据中的效果。然后,在上述工作的基础上,融合了其中三种效果较好的方法,提出了一种新的离群点检测算法。验证表明,在检测到的离群点比例不变的情况下,所提方法去除离群点后训练得到了更优的模型效果。其次,在融合的离群点检测方法的基础上,结合钻井数据的实际情况,设计并实现了一种模块化的钻井数据预处理方案,主要分为四个模块:数据选择模块、数据清洗模块、离群点处理模块以及数据分割与归一化模块。数据选择模块和数据清洗模块进行基本的数据删改操作,离群点处理模块进行离群点的检测与删除,数据分割与归一化模块进行训练集、验证集和测试集的划分与归一化。这四个模块在功能上相互独立,共同构成基本的钻井数据预处理流程。最后,基于钻速预测优化问题的具体情况,采用分层架构提出了一种钻速预测与优化的基本方案,主要包括钻井数据预处理层、钻速预测学习训练层、钻速预测结果展示与分析层和钻速优化层。在钻速预测学习训练层中,根据LightGBM、全连接神经网络以及GRU网络模型效果,分别探讨了各输入特征参数对于钻速的影响和时间序列信息对于钻速预测结果的影响。在钻速优化层中,选取一阶数据训练得到的全连接神经网络模型进行了钻速优化仿真,结果表明,所提方案具有可行性,为未来实际系统应用打下了良好的基础。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP181;TE21
【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 论文研究内容
    1.3 论文结构安排
第二章 钻速优化理论与相关机器学习算法的研究
    2.1 石油钻井领域钻速优化相关理论的研究
    2.2 机器学习一般过程的研究
    2.3 常用的离群点处理算法研究
        2.3.1 基于统计方法的一元离群点检测方法研究
        2.3.2 多元离群点检测算法研究
        2.3.3 基于聚类方法的离群点检测算法研究
    2.4 LightGBM及相关树模型
        2.4.1 回归决策树算法
        2.4.2 梯度提升决策树
        2.4.3 LightGBM模型思想
    2.5 神经网络相关模型
        2.5.1 基本神经网络模型
        2.5.2 循环神经网络模型
    2.6 本章小结
第三章 钻井数据预处理方案设计与实现
    3.1 钻井数据预处理方案设计
        3.1.1 钻井数据预处理总体设计
        3.1.2 数据选择模块设计
        3.1.3 数据清洗模块设计
        3.1.4 离群点处理模块设计
        3.1.5 数据分割与归一化模块
    3.2 钻井数据选择与清洗模块实现
    3.3 钻井数据离群点处理方法选取与模块实现
        3.3.1 离群点对钻速预测模型的影响分析
        3.3.2 基于统计方法的一元离群点分析
        3.3.3 多元离群点分析方法效果对比
        3.3.4 基于聚类的离群点检测算法的实现及效果分析
        3.3.5 离群点检测方法的选取与融合
    3.4 模块整合与方案实现
    3.5 本章小结
第四章 钻速优化方案设计与实现
    4.1 钻速预测与优化方案设计
    4.2 钻速预测模型的实现与分析
        4.2.1 LightGBM模型钻速预测模型效果分析
        4.2.2 全连接神经网络一阶数据钻速预测模型实现与分析
        4.2.3 全连接神经网络多阶数据钻速预测模型实现与分析
        4.2.4 RNN网络多阶数据钻速预测模型实现与分析
    4.3 模型选取与钻速优化
        4.3.1 模型选取
        4.3.2 钻速优化
    4.4 本章小结
第五章 总结与展望
    5.1 论文工作总结
    5.2 进一步研究工作
参考文献
致谢

【相似文献】

相关期刊论文 前10条

1 王春鹏;;基于离群点检测和分类的软测量方法[J];山东化工;2018年09期

2 夏火松;龙瑾;李芳;贺婷婷;;基于高频关键词的离群点监测与异类知识研究——从文献分析视角[J];情报杂志;2017年05期

3 宋奎勇;寇香霞;;离群点检测概述[J];信息系统工程;2017年05期

4 钱景辉;梁栋;;一种基于多标记的局部离群点检测算法[J];微电子学与计算机;2017年10期

5 付晓幸;于佐军;;基于改进的离群点检测软测量方法研究[J];自动化与信息工程;2015年04期

6 周宁慧;王彬;王治华;董树锋;何光宇;;基于集合论估计的电网状态辨识 (四)离群点识别[J];电力系统自动化;2016年08期

7 刘露;左万利;彭涛;;异质网中基于张量表示的动态离群点检测方法[J];计算机研究与发展;2016年08期

8 钱景辉;窦立阳;李荣雨;;一种基于多示例学习的局部离群点检测算法[J];信息与控制;2016年04期

9 岳志明;;集成电路中用于离群点测试选择的总体框架[J];工业控制计算机;2014年11期

10 葛清龙;薛安荣;贾小艳;;关联子空间离群点挖掘[J];小型微型计算机系统;2015年05期

相关博士学位论文 前10条

1 杨金鸿;基于粒计算的离群点挖掘方法研究[D];哈尔滨工程大学;2017年

2 刘露;异质信息网络中离群点检测方法研究[D];吉林大学;2017年

3 成忠;PLSR用于化学化工建模的几个关键问题的研究[D];浙江大学;2005年

4 汤俊;基于可疑金融交易识别的离群模式挖掘研究[D];武汉理工大学;2007年

5 金义富;高维稀疏离群数据集延伸知识发现研究[D];重庆大学;2007年

6 薛安荣;空间离群点挖掘技术的研究[D];江苏大学;2008年

7 唐向红;数据流离群点检测研究[D];华中科技大学;2010年

8 冯震;无线传感器网络数据离群点检测若干方法研究[D];上海大学;2017年

9 刘莘;基于时空分析的CCS泄漏预警关键技术研究[D];中国矿业大学;2016年

10 田茂再;回归模型的诊断理论与应用[D];南开大学;2001年

相关硕士学位论文 前10条

1 崇米娜;鲁棒模型拟合算法及其在相机定位参数估计的应用研究[D];中北大学;2019年

2 谭扬;机器学习算法在石油钻井领域的应用优化研究[D];北京邮电大学;2019年

3 陈伟杰;土壤特性的优化采样策略及空间离群样点检测算法研究[D];东北农业大学;2019年

4 刘瑞玲;离群点检测及其在评教模型中的应用研究[D];郑州大学;2019年

5 周雄;基于简单图的几何模型拟合算法研究[D];厦门大学;2018年

6 涂晓敏;基于密度的局部离群点检测算法的改进[D];沈阳工业大学;2019年

7 刘虹江;基于密度和距离的离群点检测方法研究与应用[D];西安理工大学;2019年

8 李可一;基于报警关联的多步攻击场景挖掘方法的研究与实现[D];北京邮电大学;2019年

9 冯善伯;基于云计算的大图异常检测技术的研究与实现[D];东北大学;2015年

10 袁钟;基于邻域粗糙集的混合型属性离群点检测方法研究[D];四川师范大学;2018年

本文编号：2873586