井下钻柱振动可分为轴向、横向和扭转三种类型。而无论哪种振动都会导致钻井设备的严重磨损，增加了非生产时间、降低了钻井效率，而且还会造成机械能的浪费和井筒的不稳定性。在实际钻井过程中，实时且高频的井下振动数据测量设备仍然非常昂贵，因此仅基于地面钻井参数通过机器学习技术预测井下振动的方法意义重大。
卡尔加里大学的研究人员采用2017年–2018年北美地区大量井的6套不同的井下钻具组合相关数作为样本进行训练建模和预测，训练验证分为两种情况：一种是采用同一套BHA的数据进行训练和验证，另一种是采用一种BHA进行训练，另一种BHA进行验证。钻柱振动的严重度主要是通过均方根振幅的时间加权平均值进行表示，利用预测精度和加权宏观平均对模型分类结果进行评价，并以混淆矩阵的形式表示交叉验证结果。同一套BHA的模型预测精度达到50%-80%，
首先对录井和MWD采集的原始数据进行预处理，特征选取包括大钩高度、井深、钻头位置、大钩载荷、钻速、钻压、井底压差、入口流量、顶驱转速和顶驱扭矩共10个参数，以振动严重度作为标签，分为四个级别，分别为0~1.5,1.5~2.0,2.0~4.0，>4.0，建立机器学习分类模型。
图1 钻柱振动模型建立流程
图2 钻柱振动预测与实际对比
结论
钻柱振动振幅的预测对于理解和预测井下设备运行状态和钻井效率是至关重要的手段，本研究证明机器学习是监测和预测井底振动可行的选择，仅仅采用地面钻井参数预测井底振动严重程度的准确率即可达到50 – 80%，这意味着在未来考虑更多的参数情况下，其预测可能会产生好的结果。
（李昌盛 编译）
《石油工程科技动态》相关信息编译于国内外石油公司网站、发表的论文、专利等，欢迎分享至朋友圈；未经允许，请勿转载！中国石化石油工程技术研究院 战略规划研究所
发布者：cubeoil，转转请注明出处：//www.mirrorballz.com/archives/847
