Nachricht

May 30, 2024

Parametervorhersage für Spiralrohrbohrungen basierend auf GAN

Scientific Reports Band 13, Artikelnummer: 10875 (2023) Diesen Artikel zitieren 266 Zugriffe 1 Altmetric Metrics Details Mit der zunehmenden Entwicklung der Coiled-Tubing-Bohrtechnologie wird die

Wissenschaftliche Berichte Band 13, Artikelnummer: 10875 (2023) Diesen Artikel zitieren

266 Zugriffe

1 Altmetrisch

Details zu den Metriken

Mit der zunehmenden Entwicklung der Coiled-Tubing-Bohrtechnologie werden die Vorteile der Coiled-Tubing-Bohrtechnologie immer offensichtlicher. Beim Betrieb von Spiralrohren kann es aufgrund unterschiedlicher Bohrparameter, Herstellungsfehler und unsachgemäßer menschlicher Handhabung dazu kommen, dass sich das Spiralrohr aufrollt und zu Problemen mit festsitzenden Bohrlöchern oder einer verkürzten Lebensdauer führt. Zirkulationsdruck, Bohrlochkopfdruck und Gesamtgewicht haben einen wichtigen Einfluss auf die Betriebsdauer von Spiralrohren. Zur Produktionssicherheit prognostiziert dieses Papier Zirkulationsdruck, ROP, Bohrlochkopfdruck und Fingergewicht mithilfe von GAN-LSTM, nachdem die Bohrtechniktheorie studiert und eine große Menge an Bohrlochdaten analysiert wurde. Experimentelle Ergebnisse zeigen, dass GAN-LSTM die Parameter Zirkulationsdruck, Bohrlochkopfdruck ROP und Gesamtgewicht bis zu einem gewissen Grad vorhersagen kann. Nach langem Training beträgt die Genauigkeit etwa 90 %, was etwa 17 % höher ist als die von GAN und LSTM. Es hat eine gewisse richtungsweisende Bedeutung für den Betrieb von Spiralrohren, da es die Betriebssicherheit und Bohreffizienz erhöht und so die Produktionskosten senkt.

Mit der rasanten Entwicklung der modernen Bohrtechnik werden die Vorteile der Coiled-Tubing-Bohrtechnik immer offensichtlicher. Spiralschläuche zeichnen sich durch hohe Festigkeit und Zähigkeit in der physikalischen Struktur aus und bieten außerdem die Vorteile hoher Mobilität, Sicherheit und Umweltschutz. Daher wird es häufig in der Öl- und Gasfelddienstleistungsbranche eingesetzt, z. B. beim Bohren, Komplettieren und Protokollieren. Da es sich bei Spiralschläuchen relativ um eine Art Schlauch handelt, kann es während des Betriebs zu Problemen wie Kräuseln und Verklemmen kommen, die zur Entstehung physikalischer Defekte der Spiralschläuche führen und so die Lebensdauer der Spiralschläuche verkürzen. In diesem Artikel prognostizieren wir die Bohrparameter von Endlosrohren mithilfe eines Deep-Learning-Algorithmus, um die Lebensdauer von Spiralrohren zu erhöhen, die Produktionskosten zu senken und die Ölproduktivität zu verbessern. Es gibt nur wenige Forschungsarbeiten, die Techniken des maschinellen Lernens mit Bohrtechniken für Spiralrohre kombinieren. Daher ist die Integration von Deep-Learning-Algorithmen und der Coiled-Tubing-Bohrtechnologie ein äußerst explorativer und wertvoller Prozess. In diesem Prozess müssen Deep-Learning-Algorithmen für die herkömmliche Vorhersage von Bohrparametern auf Methoden zur Vorhersage von Bohrparametern für Spiralrohre angewendet werden.

Derzeit werden Deep-Learning-Algorithmen häufig beim konventionellen Bohren eingesetzt. Beispielsweise haben ANN, BP-Neuronales Netzwerkmodell, CNN-Modell und ACO hervorragende Ergebnisse bei der Vorhersage und Optimierung von Bohrparametern erzielt (die vollständigen Abkürzungen sind in Tabelle 1 aufgeführt). Nach Durchsicht relevanter Informationen. Shao-Hu Liu et al. entwickelte ein neues theoretisches Modell für das Problem, dass gewickelte Rohre während des Betriebs anfällig für Ermüdungsbrüche bei geringem Umfang sind. Mit diesem theoretischen Modell wurde festgestellt, dass der Rollenradius, der Außendurchmesser und der Innendruck wichtige Parameter sind, die die Ermüdungslebensdauer von Spiralrohren beeinflussen1. Wanyi Jiang et al. ermittelte den optimalen ROP durch die Kombination eines künstlichen neuronalen Netzwerks (ANN) und eines Ameisenkolonie-Algorithmus (ACO). Die Gültigkeit des optimalen ROP wird dann durch Vergleich des bayesianisch regulierten neuronalen Netzwerks mit dem ROP-modifizierten Warren-Modell2 getestet. Chengxi Li und Chris Cheng verwendeten den Glättungsfilter Savitzky-Golay (SG), um das Rauschen im Originaldatensatz zu reduzieren. Die IGA wird dann verwendet, um den ROP zu maximieren, indem die optimalen ANN-Eingabeparameter und die beste Netzwerkstruktur angepasst werden3 (vollständige Abkürzungen sind in Tabelle 1 aufgeführt). Cao Jie et al. analysierte die Merkmalswerte, die ROP beeinflussen, basierend auf Merkmalskorrelation und relativer Wichtigkeit, indem ein Feature-Engineering-Ansatz angewendet wurde. Dadurch werden die manuell eingegebenen Merkmalsparameter basierend auf physikalischer Korrelation von 12 auf 8 reduziert, was das Netzwerkmodell erheblich vereinfacht4. Huang et al. verbesserte die Robustheit des Modells durch die Integration des Partikelschwarm-Optimierungsalgorithmus und des LSTM, sodass sich das Modell an das komplexe Variationsmuster der Öl- und Gasproduktionskapazität anpassen kann (vollständige Abkürzungen sind in Tabelle 1 aufgeführt). Und es wurde festgestellt, dass die Leistung von LSTM in Zeitreihendaten viel höher ist als die von gewöhnlichen neuronalen Netzen5. Liu et al. schlug ein Lernmodell vor, das LSTM und ein integriertes empirisches Modell integriert, und verwendete einen genetischen Algorithmus zur Bestimmung der Hyperparameter von LSTM, was die Genauigkeit der Modellvorhersage erheblich verbessern kann. Die Ergebnisse zeigen, dass die Methode hinsichtlich der Genauigkeit bei der Vorhersage der Bohrlochproduktion eine sehr gute Generalisierungsleistung aufweist6.

Die derzeitige Schwierigkeit bei der Verwendung neuronaler Netze für die Forschung an Spiralrohren liegt in zwei Bereichen. Einer davon sind die Daten, die Bohrdaten unterliegen einer Vertraulichkeitsvereinbarung und können nicht einfach zum Studieren verwendet werden, und die Datenmenge ist riesig, komplex und ungenau. Das zweite ist die Auswahl eines neuronalen Netzwerks, da es sich bei den Bohrlochdaten um einen Satz von Sequenzdaten handelt und die Verbindung zwischen den Daten davor und danach relativ groß ist. Nur durch das RNN-Modell kann ein besserer Vorhersageeffekt erzielt werden. Daher wird auf Koochalis Studie zur Verwendung von GAN zur Vorhersage sequentieller Daten Bezug genommen7 (die vollständigen Abkürzungen sind in Tabelle 1 aufgeführt). In diesem Artikel schlagen wir ein GAN- und LSTM-Fusionsmodell zur Vorhersage von Zirkulationsdruck, Bohrlochdruck, ROP und Gesamtgewichtsdaten vor, das die Probleme löst, die sich aus RNN ergeben, wenn mehrere Parameter vorhergesagt werden und die Datengröße zu groß ist. Die experimentellen Ergebnisse zeigen, dass die Genauigkeit der Vorhersage des GAN-LSTM-Modells etwa 90 % beträgt.

Das generative gegnerische Netzwerk besteht aus einem Generatormodell (G) und einem Diskriminator (D). Die Rolle des generativen Modells besteht darin, die Datenverteilung zu erfassen und neue Daten zu generieren. Die Rolle des Diskriminanzmodells besteht darin, zu bestimmen, ob es sich bei den Daten um reale Daten oder um Daten handelt, die vom generativen Modell generiert wurden. Sein Grundaufbau ist in Abb. 1 dargestellt.

GAN-Modellstruktur.

Der Trainingsdatenvektor Zp(z) wird als Eingabe für das generative Modell verwendet. Die neuen Daten G(z) werden nach dem Generatornetzwerk G generiert. Die Eingabe des Diskriminanzmodells D ist entweder eine reale Datenprobe oder die Probe G(Z) vom Generatornetzwerk erzeugt. Das Diskriminator-Netzwerkmodell wird trainiert, um zu bestimmen, ob seine Eingabe aus der Stichprobe realer Daten oder aus der vom Generatormodell generierten Stichprobe stammt. Anschließend wird das Generatormodell durch das bereits trainierte Diskriminatormodell trainiert, um Daten zu generieren, die der tatsächlichen Datenverteilung besser entsprechen, um den Diskriminator zu täuschen. Die beiden Modelle spielen gegeneinander und werden abwechselnd trainiert, um einen optimalen Gleichgewichtspunkt zu erreichen. An diesem Punkt ist das generative Modell in der Lage, Daten zu generieren, die den realen Daten am nächsten kommen. Das Diskriminatormodell kann nicht unterscheiden, ob die Daten von realen Daten oder generierten Daten stammen. Das GAN-Modell wird mit einer Verlustfunktion der folgenden Form trainiert:

Long Short-Term Memory (LSTM), das zum Recurrent Neural Network gehört, ist eine modifizierte Version eines Recurrent Neural Network. Das ursprüngliche RNN verfügt über eine verborgene Schicht mit nur einem Zustand H. RNNs reagieren sehr empfindlich auf kurzfristige Eingaben und relativ schwach auf langfristige Eingaben. Zu diesem Zeitpunkt wird dem RNN ein Zustand C hinzugefügt, sodass das RNN einen Langzeitzustand beibehält und somit ein Lang-Kurzzeit-Speichernetzwerk bildet. Es wird üblicherweise zur Verarbeitung von Datensätzen mit Zeitreihen verwendet. LSTM kann die langfristigen Abhängigkeiten zwischen Daten besser erfassen. LSTM merkt sich die Werte in einem beliebigen Zeitintervall durch Einführung einer Speichereinheit. Gleichzeitige Verwendung von Eingabegattern, Ausgangsgattern und Vergessensgattern zur Regulierung des Informationsflusses in und aus der Speicherzelle. Löst effektiv das Problem des Gradientenverschwindens oder der Gradientenexplosion wiederkehrender neuronaler Netze, wenn die Datengröße zu groß ist. Die Struktur der neuronalen Einheit des LSTM ist in Abb. 2 dargestellt:

Interne Struktur des LSTM-Neurons.

Erstens gibt es die Vergessensschwellenschicht. Diese Schicht wird verwendet, um zu bestimmen, welche Daten vergessen werden sollen. Das Vergessensgatter erzeugt durch die Ausgabe des vorherigen Neurons und eine Eingabevariable nach einer Sigmoidoperation einen Wert von 0 bis 1. Der Teil der Information nahe 0 wird vergessen, stattdessen wird er im Vereinigten Staat wieder weitergegeben. Dies bestimmt, wie viele Informationen im vorherigen Zustand \(C_{t - 1}\) fehlen.

Die Funktion des Eingabeschwellenwerts besteht darin, den Status der alten Einheit zu aktualisieren. Diese Schicht führt die von der vorherigen Schicht hinzugefügten oder vergessenen Informationen aus. Über die Tanh-Schicht wird eine neue Kandidatenspeichereinheit erhalten. Aktualisieren Sie den vorherigen Status unter der Aktion der Eingabeebene auf \(C_{t}\).

Schließlich bestimmt der Ausgabeschwellenwert, welcher Wert ausgegeben wird. Eine Sigmoidschicht, um zu bestimmen, welche Ausgaben benötigt werden, und dann eine \(\tanh\)-Schicht übergeben, um einen Wert zwischen \(- 1 \sim 1\) zu erhalten. Multiplizieren Sie diesen Wert mit dem Sigmoidwert, um den endgültigen Ausgabewert zu ermitteln.

Wenn am Boden des Bohrlochs ein Rohrwendelstau auftritt, führt dies zu Änderungen von Parametern wie Bohrlochbodendruck, ROP, Zirkulationsdruck und Gesamtgewicht. Und dann eine Änderung des Bohrlochkopfdrucks und der Durchflussrate bewirken. Daten für diese Parameter können von Sensoren an der Oberfläche und im Bohrloch gemessen werden. Diese Datensätze werden verwendet, um Deep-Learning-Modelle zu erstellen, um Bohrparameter wie Gesamtgewicht und ROP8,9,10 vorherzusagen.

Bohrverlaufsdaten sind typische Zeitreihendaten mit den Merkmalen eines großen Datenvolumens und einer großen Korrelation zwischen Vorher- und Nachher-Daten. Daher kann ein wiederkehrendes neuronales Netzwerkmodell zur Vorhersage von Bohrparametern verwendet werden. Der Nachteil wiederkehrender neuronaler Netze besteht darin, dass sie anfällig für das Problem des Verschwindens und der Explosion von Gradienten sind, was zu einer schlechten Verallgemeinerung des Modells führt11,12,13. Die Eigenschaften von LSTM können die Probleme wiederkehrender neuronaler Netze hinsichtlich eines Gradienten kompensieren. Wenn die Ausgabe des LSTM aus mehreren Variablen besteht, ist die Genauigkeit der Modellvorhersage deutlich geringer als die des Modells, dessen Ausgabe eine einzelne Variable ist. Das heißt, mit zunehmender Dimensionalität der Ausgabedaten nimmt die Vorhersagegenauigkeit ab. Und die Fehlerrate des Modells steigt mit zunehmender Tiefe der vorhergesagten Parameter14,15,16. Um die beiden oben genannten Probleme zu lösen, kann das generative Modell von GAN zur Optimierung des LSTM verwendet werden. Mit dem leistungsstarken generativen Modell in GAN wird die niedrigdimensionale Datenausgabe von LSTM als Eingabe für das generative Modell von GAN verwendet. Das ultimative Ziel besteht darin, mehrere Variablen vorherzusagen und außerdem das Problem zu vermeiden, dass die Modellgenauigkeit abnimmt, wenn die Dimensionalität der Ausgabedaten zunimmt. Das GAN-Netzwerkmodell besteht aus einem generativen Netzwerkmodell und einem diskriminierenden Netzwerkmodell. Das GAN-LSTM-Fusionsnetzwerk muss das generative Netzwerkmodell von GAN verwenden, daher müssen GAN und LSTM während des Trainings separat trainiert werden. Die Modellstruktur von GAN-LSTM ist in Abb. 3 dargestellt.

Struktur des GAN-LSTM-Modells.

Schritt 1 Teilen Sie die ursprünglichen Feature-Variablen.

Ein Teil der Variablen wird von LSTM vorhergesagt und die anderen werden von GAN vorhergesagt. Der LSTM-Teil des Modells wurde analysiert und experimentell versucht, das Gesamtgewicht und den ROP vorherzusagen, und der GAN-Teil sagte den Bohrlochkopfdruck und den Zirkulationsdruck voraus.

Schritt 2 Trainieren Sie die beiden Modelle separat.

LSTM: Eingabe: Bohrlochtiefe, Zirkulationsdruck, Bohrlochkopfdruck, ROP und Gesamtgewicht. Ausgabe: ROP und Gesamtgewicht.

GAN: Eingaben: Bohrlochtiefe, Zirkulationsdruck, Bohrlochkopfdruck, ROP, Gesamtgewicht. Ausgabe: Bohrlochkopfdruck und Zirkulationsdruck.

Basierend auf den historischen Daten einer einzelnen Richtbohrung im westlichen Sichuan-Gebiet wurden die Daten ausgewählter Bohrlochabschnitte sechsmal gescreent und diese Daten durch Kreuzvalidierung in einen Trainingssatz und einen Testsatz für das Modelltraining aufgeteilt. Wie in Tabelle 2 gezeigt:

Die meisten Bohrlochdaten werden von Sensoren gemessen und erzeugen daher viele diskrete, doppelte und fehlende Daten. Diese Daten können dazu führen, dass der Gesamtfehler des Modells größer wird und die Generalisierungsfähigkeit des Modells beeinträchtigt wird. Daher müssen einige Bereinigungsvorgänge für die Daten durchgeführt werden17,18,19. Zum Beispiel das Entfernen diskreter und doppelter Daten durch die Clustering-Methode, das Auffüllen fehlender Werte durch die mittlere Interpolationsmethode usw. Abb. 4 zeigt das Flussdiagramm des Datenbereinigungsprozesses.

Detailliertes Datenflussdiagramm.

Der Vergleich der Datenproben vor und nach der Datenbereinigung ist in Tabelle 3 dargestellt.

Der Datensatz nach der Bereinigung weist 11 Datenmerkmale auf, von denen 4 Merkmalswerte eine Überlappung von 90 % in den Daten aufweisen. Beispielsweise sind die Daten von ROP und ROP_1 nahezu identisch, und nach dem Entfernen dieser 4 Merkmalswerte bleiben nur 7 gültige Merkmalswerte erhalten. Die Genauigkeit des Modells beträgt nur etwa 50 %, wenn der Datensatz mit 7 Merkmalswerten trainiert wird. Bei der Analyse der Daten des Flusses und der Flussakkumulation wurde festgestellt, dass. Die Daten des Flusses hatten 70 % 0-Werte und 30 % gestapelte Duplikatwerte, wie in Abb. 5 dargestellt. Die meisten Daten für die Flussakkumulation hatten Duplikatwerte, wie in Abb. 6 dargestellt. Daher nach Ausschluss der Features von Strömung und Strömungsansammlung. Die Genauigkeit des Modells wird um etwa 30 % verbessert. Die Analyse der Gl. 8, 9, 10, 11 und die Daten zeigen eine starke Korrelation zwischen den verbleibenden fünf Datenmerkmalen, nämlich Bohrlochtiefe, Zirkulationsdruck, Bohrlochkopfdruck, ROP und Gesamtgewicht.

Flussdatenverteilungsdiagramm.

Kumulative Flussdatenverteilung.

In der Formel: \(v_{pc}\): ROP, m/h; d: Bohrdruckindex (d = 0,5366 + 0,1993 kd), unfaktorisierte Menge; kd: Wert der Gesteinsbohrbarkeit; λ: Drehzahlindex (λ = 0,9250–0,0375 kd), unverursachte Größe; f: Formationshydraulikindex (f = 0,7011–0,05682 kd), unverursachte Menge; Ws: Bohrdruck pro Einheit Bohrerdurchmesser (spezifischer Bohrdruck), KN/mm; Nr: Drehzahl, U/min. HPe: Düsenäquivalente spezifische Wasserleistung, W/mm2. \(\Delta \rho_{d}\): Differenzkoeffizient der Bohrflüssigkeitsdichte (0,97673 kd–7,2703), unfaktorisierte Größe; \(\rho_{d}\): Dichte der Bohrflüssigkeit, g/cm3. \(P_{bs}\): spezifische Wasserleistung des Bohrers, W/mm2. d1, d2, d3: sind die Bohrdüsendurchmesser, jeweils in mm.

In der Formel: \(\Delta P_{pa}\): Druckverlust der externen Zirkulation des Bohrgestänges, MPa. kpa: Druckverlustkoeffizient in der externen Zirkulation des Bohrgestänges, unberücksichtigte Größe; LP: Bohrrohrlänge, m;

F: Durchflussrate, m3/h;

In der Formel: \(P_{s}\): tatsächlicher Pumpdruck der Bohrpumpe, MPa; \(\Delta P_{b}\): Druckabfall der Bohrdüse, MPa; \(\Delta P_{g}\): Druckverlust der Oberflächenrohrsenke, MPa; \(\Delta P_{cs}\): Druckverlust des Zirkulationssystems, MPa.

Bei der Erstellung des Datensatzes werden die Bohrlochtiefendaten als Indexwerte in der Bohrlochtiefe verwendet. 200 Bohrlochtiefendaten wurden als Probe X (Tiefenmatrix)20,21,22 verwendet. Beispielsweise wurden die Daten von 1–200 m verwendet, um Daten wie Gesamtgewicht und ROP für 201–400 m vorherzusagen. Die Vorhersage von Parametern wie Gesamtgewicht und ROP verlängert die Lebensdauer von Spiralrohren und erhöht die Betriebssicherheit und Bohreffizienz.

Die Daten verschiedener Parameter im Bohrloch können aufgrund unterschiedlicher physikalischer Größen teilweise große Werteunterschiede aufweisen. Dies verursacht große Schwierigkeiten bei der Modellbildung und beeinträchtigt die Generalisierungsfähigkeit des Modells erheblich. Daher normalisiert dieser Artikel die Daten mit der häufig verwendeten Min-Max-Feature-Skalierungsmethode. Diese Methode kann die Daten einfach und brutal auf einen Wert zwischen [0,1] reduzieren. Die Formel für diese Methode lautet wie folgt.

In diesem Artikel erhalten wir nach Datenbereinigung und Datennormalisierung gültige Daten für fünf relevante Merkmale wie Zirkulationsdruck, Bohrlochkopfdruck, ROP, Tiefe und Gesamtgewicht. Das GAN-LSTM-Modell wird verwendet, um den Datensatz mit diesen fünf Merkmalsdaten zu trainieren. „Mape“ ist die Verlustrate des Trainingssatzes und „Val_mape“ ist die Verlustrate des Testsatzes. Die spezifischen Netzwerkparameter von GAN-LSTM sind in Tabelle 4 aufgeführt.

Abbildung 7 zeigt den Prozess der Fehlerratenänderung bei der Vorhersage des Gesamtgewichts für das Netzwerkmodell der GAN-LSTM-Fusion und das LSTM-Netzwerkmodell. Aus Abb. 7 ist ersichtlich, dass der Unterschied in der Fehlerrate zwischen den beiden Modellen im Anfangsstadium gering ist und das GAN-LSTM nach 50 Runden weiter abnimmt und sich stabilisiert. Die Fehlerrate des LSTM-Netzwerkmodells zeigte in der Anfangsphase große Schwankungen und stabilisierte sich nach 130 Runden allmählich. Die Fehlerrate des GAN-LSTM-Netzwerkmodells stabilisiert sich nach dem Training allmählich bei etwa 10 %.

Konvergenzdiagramm der Gesamtgewichtsverlustrate.

Abbildung 8 zeigt die angepassten Kurven des GAN-LSTM-Modells zur Vorhersage des Gesamtgewichts. Das GAN-LSTM-Modell passt in den meisten Fällen relativ stabil und die durchschnittliche Differenz zwischen den vorhergesagten und den wahren Werten beträgt etwa 100. Der Einfluss einiger Hyperparameter verursacht eine relativ große Schwankung zwischen 2400 und 2470 m. Abbildung 9 zeigt die angepassten Kurven des LSTM-Modells zur Vorhersage des Gesamtgewichts. Die durchschnittliche Differenz zwischen den vorhergesagten und den wahren Werten des LSTM-Modells im vorherigen Abschnitt beträgt etwa 200. Nach 2400 m beträgt die durchschnittliche Differenz der Vorhersagen des LSTM-Modells etwa 400, da die Fehlerrate nur etwa 20 % annähert.

Angepasstes Diagramm des GAN-LSTM-vorhergesagten Gesamtgewichts.

Angepasstes Diagramm des LSTM-vorhergesagten Gesamtgewichts.

Abbildung 10 zeigt den Verlustratenvariationsprozess des GAN-LSTM-Netzwerkmodells und des LSTM-Netzwerkmodells bei der Vorhersage des ROP. Aus Abb. 10 können wir ersehen, dass die Fehlerrate des GAN-LSTM-Modells ab etwa 90 % nach unten zu konvergieren beginnt und die Front relativ schnell konvergiert. Die Fehlerrate des GAN-LSTM-Modells nahm weiter ab und stabilisierte sich nach 130 Runden bei etwa 10 %. Die Fehlerrate des LSTM-Netzwerkmodells konvergiert von etwa 70 % nach unten, und die Fehlerrate schwankt in der ersten Periode um etwa 10 %. Die Fehlerrate des LSTM-Modells stabilisierte sich nach 140 Runden allmählich bei etwa 27 %.

Konvergenzdiagramm der ROP-Verlustrate.

Abbildung 11 zeigt die angepasste Kurve des GAN-LSTM-vorhergesagten ROP. Das GAN-LSTM-Modell passt in den meisten Fällen relativ stabil und die durchschnittliche Differenz zwischen den vorhergesagten und den wahren Werten beträgt etwa 1,5 m/h. Die Schwankung zwischen 2400 und 2470 m beträgt aufgrund einiger Hyperparameter etwa 3 m/h. Abbildung 12 zeigt die angepassten Kurven des LSTM-vorhergesagten ROP. Die Fehlerrate des LSTM-Modells zur Vorhersage des ROP konvergiert letztendlich nur auf etwa 27 %, was zu großen Schwankungen in den meisten Kurven führt. Der durchschnittliche Unterschied zwischen den vorhergesagten und den tatsächlichen Werten beträgt etwa 6 m/h.

Anpassung von GAN-LSTM zur Vorhersage des ROP.

Anpassung von LSTM zur Vorhersage des ROP.

Durch die Kombination der Vorteile von GAN und LSTM wird ein GAN-LSTM-basiertes Modell zur Vorhersage der Bohrparameter für Spiralrohre entwickelt. Das Modell besteht aus zwei Teilen, einem Teil zur Vorhersage des Bohrlochkopfdrucks und des Zirkulationsdrucks durch GAN und einem Teil zur Vorhersage von ROP und Gesamtgewicht durch LSTM. Die Fusion von GAN und LSTM erhöht die Stabilität von LSTM bei der Vorhersage mehrerer Parameter, was die Generalisierungsleistung des Vorhersagemodells im Vergleich zum herkömmlichen ANN effektiv verbessert.

Durch Eliminieren doppelter und diskreter Daten aus dem Originaldatensatz und Ausfüllen der fehlenden Daten. Die Größe des Originaldatensatzes wurde von 1 Million auf 700.000 Elemente reduziert. Und basierend auf dem bereinigten Originaldatensatz wurden vier doppelte Feature-Parameter und zwei Feature-Parameter mit mehr Daten-0-Werten und doppelten Werten entfernt, wodurch die Dimensionalität des Datensatzes von 11 auf 5 Dimensionen reduziert wurde. Das Training mit dem verarbeiteten Datensatz zeigt, dass die Genauigkeit des GAN-LSTM-Modells nach der Datenbereinigung im Vergleich zur Genauigkeit vor der Datenbereinigung um 10 % verbessert ist.

Ein Vergleich der Trainingsergebnisse von GAN-, LSTM- und GAN-LSTM-Modellen zeigt, dass die durchschnittliche Verlustrate des Modells mit GAN-LSTM bei 10 % liegt, was besser als 25 % für GAN und 28 % für LSTM ist.

Vielen Dank an die Herausgeber für ihre Aufmerksamkeit und Anerkennung unserer Forschungsarbeit. Wir freuen uns über die Bitte des SCI-Journals um Datenfreigabe, können jedoch aufgrund der Vertraulichkeitsvereinbarung unseres Labors keine Rohdaten bereitstellen. Wenn die Herausgeber und Gutachter Fragen zu bestimmten Daten haben, werden wir unser Bestes tun, um detailliertere Erläuterungen und Klarstellungen zu geben. Wenn jemand Daten aus dieser Studie erhalten möchte, wenden Sie sich bitte an Dr. Bai unter [email protected].

ROP (m/h)

Bohrdruckindex (d = 0,5366 + 0,1993 kd), nicht faktorisierte Menge

Wert der Gesteinsbohrbarkeitsklasse

Drehzahlindex (λ = 0,9250–0,0375 kd), unverursachte Größe

Formationshydraulikindex (f = 0,7011–0,05682 kd), unverursachte Menge

Bohrdruck pro Bohrerdurchmessereinheit (spezifischer Bohrdruck) (KN/mm)

Drehzahl (U/min)

Düsenäquivalente spezifische Wasserleistung (W/mm2)

Differenzkoeffizient der Bohrflüssigkeitsdichte (0,97673 kD–7,2703), nicht faktorisierte Menge

Dichte der Bohrflüssigkeit (g/cm3)

Spezifische Wasserleistung des Bohrers (W/mm2)

Sind die Bohrdüsendurchmesser, bzw. mm

Druckverlust der externen Zirkulation des Bohrgestänges (MPa)

Druckverlustkoeffizient in der externen Zirkulation des Bohrgestänges, unberücksichtigte Größe

Bohrgestängelänge (m)

Durchflussmenge (m3/h)

Tatsächlicher Pumpdruck der Bohrpumpe (MPa)

Druckabfall der Bohrdüse (MPa)

Druckverlust der Oberflächenrohrsenke (MPa)

Druckverlust des Zirkulationssystems (MPa)

Liu, S., Zhou, H., Xiao, H. & Gan, Q. Ein neues theoretisches Modell der Ermüdungslebensdauer bei niedrigen Lastwechselzyklen für Spiralrohre unter Kupplungslast. Ing. Scheitern. Anal. 124, 105365 (2021).

Artikel CAS Google Scholar

Jiang, W. & Samuel, R. Optimierung der Penetrationsrate in einem gewundenen Bohrgerüst mithilfe der Ameisenkolonieoptimierung. Auf der IADC/SPE-Bohrkonferenz und -Ausstellung. https://doi.org/10.2118/178847-MS (2016).

Li, C. & Cheng, C. Vorhersage und Optimierung der Penetrationsrate mithilfe einer hybriden Methode der künstlichen Intelligenz, die auf einem verbesserten genetischen Algorithmus und einem künstlichen neuronalen Netzwerk basiert. In Abu Dhabi Internationale Erdölausstellung und Konferenz. https://doi.org/10.2118/203229-MS (2020).

Cao, J., et al. Funktionsuntersuchung des ROP-Modells für maschinelles Lernen unter Verwendung von Echtzeit-Bohrdaten. Im Journal of Physics: Conference Series, Bd. 2024 (2021).

Huang, R. et al. Bohrlochleistungsvorhersage basierend auf dem neuronalen Netzwerk Long Short-Term Memory (LSTM). J. Pet. Wissenschaft. Ing. 208, 109686 (2022).

Artikel CAS Google Scholar

Liu, W., Liu, WD & Gu, J. Vorhersage der Ölproduktion mithilfe eines auf Ensemble-Empirie-Modellzerlegung basierenden neuronalen Netzwerks mit Langzeit-Kurzzeitgedächtnis. J. Pet. Wissenschaft. Ing. 189, 107013 (2020).

Artikel CAS Google Scholar

Koochali, A., Schichtel, P., Dengel, A. & Ahmed, S. Probabilistische Vorhersage sensorischer Daten mit generativen kontradiktorischen Netzwerken – Fororgan. IEEE-Zugriff. 7, 63868–63880 (2019).

Artikel Google Scholar

Ishak, J. & Badr, EA Eine modifizierte Regel zur Schätzung der Kerbwurzeldehnungen bei Kugeldefekten in Spiralrohren. Ing. Scheitern. Anal. 134, 106026 (2022).

Artikel Google Scholar

Sun, G., Wang, G., Liu, J., Yang, M. & Qiang, Z. Experimentelle Studie zum Einfluss von Biege- und Richtzyklen für zerstörungsfreie und destruktive Spiralrohre. Ing. Scheitern. Anal. 123, 105218 (2021).

Artikel Google Scholar

Zhu, J. et al. Eine sequenzbasierte Methode zur dynamischen Zuverlässigkeitsbewertung von MPD-Systemen. Prozesssicher. Umgebung. Prot. 146, 927–942 (2021).

Artikel CAS Google Scholar

Shi, J. et al. Risikoverhalten von Bohrarbeitern: Eine Studie basierend auf dem Strukturgleichungsmodell. Int. J. Ind. Ergon. 86, 103219 (2021).

Artikel Google Scholar

Lu, C., Yang, W. & Lin, B. Experimentelle Studie zum Bohrerdrehmoment, das durch mechanische Eigenschaften und Bohrparameter künstlicher Proben beeinflusst wird. Araber. J. Geosci. 15, 459 (2022).

Artikel Google Scholar

Viswanth, R. et al. Optimierung der Bohrparameter durch verbesserte Wiedergabemethodik. J. Pet. Wissenschaft. Ing. 206, 108991 (2021).

Artikel Google Scholar

Wang, Z. et al. Ein neuer Ansatz zur Vorhersage der dynamischen Ankerspannung mithilfe eines neuronalen LSTM-Netzwerks basierend auf den Reaktionen der schwimmenden Struktur. Ocean Eng. 249, 110905 (2022).

Artikel Google Scholar

Sauki, A. et al. Entwicklung eines modifizierten Bourgoyne- und Young-Modells zur Vorhersage der Bohrgeschwindigkeit. J. Pet. Wissenschaft. Ing. 205, 108994 (2021).

Artikel CAS Google Scholar

Wang, X. et al. Vorhersage der Verformung von Bohrrohren aus Aluminiumlegierung bei der thermischen Montage basierend auf einem neuronalen BP-Netzwerk. Appl. Wissenschaft. 12, 757 (2022).

Artikel CAS Google Scholar

de Moura, J., Xiao, Y., Yang, J. & Butt, SD Ein empirisches Modell für die Bohrleistungsvorhersage für Rollenkegelbohrer. J. Pet. Wissenschaft. Ing. 204, 108791 (2021).

Artikel Google Scholar

Farahbod, F. Experimentelle Untersuchung der thermophysikalischen Eigenschaften von Bohrspülungen mit integrierten Nanopartikeln: Verbesserung der Bohrleistung. Pulvertechnologie. 384, 125–131 (2021).

Artikel CAS Google Scholar

Li, M. et al. Eine neue Methode zur Diagnose unausgeglichener Fehler, die auf einem generativen kontradiktorischen Netzwerk basiert. Messung 194, 111045 (2022).

Artikel Google Scholar

Syah, R. et al. Implementierung von künstlicher Intelligenz und Support Vector Machine Learning zur Schätzung der Bohrflüssigkeitsdichte in Hochdruck-Hochtemperatur-Bohrlöchern. Energy Rep. 7, 4106–4113 (2021).

Artikel Google Scholar

Novara, R., Rafati, R. & Haddad, AS Amin rheologische und Filtrationseigenschaftenbewertungen der nanobasierten Schlämme für Bohranwendungen in Umgebungen mit niedrigen Temperaturen. Kolloide surfen. Eine Physikochemie. Ing. Aspekte 622, 126632 (2021).

Artikel CAS Google Scholar

Wang, C. et al. ACGAN- und BN-basierte Methode zur Diagnose von Vorfällen im Bohrloch während des Bohrvorgangs mit kleiner Stichprobendatengröße. Ocean Eng. 256, 111516 (2022).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde teilweise von der Open Foundation of Cooperative Innovation Center of Unconventional Oil and Gas, Yangtze University (Bildungsministerium und Provinz Hubei) Nr. UOG2022-06, Open Fund of Xi'an Key Laboratory of Tight Oil (Schieferöl) unterstützt ) XSTS-202101, Entwicklung der wissenschaftlichen Forschungsprojekte des Bildungsministeriums der Provinz Hubei (D20201304).

Kooperatives Innovationszentrum für unkonventionelles Öl und Gas, Jangtse-Universität (Bildungsministerium und Provinz Hubei), Wuhan, 430100, Hubei, China

Wanxing Zhang, Kai Bai, Ce Zhan & Binrui Tu

Xi'an Key Laboratory of Tight Oil (Schieferöl)-Entwicklung (Xi'an Shiyou University), Xi'an, 710065, Shaanxi, China

Kai Bai

Fakultät für Informatik, Jangtse-Universität, Jingzhou, 430023, China

Wanxing Zhang, Kai Bai, Ce Zhan & Binrui Tu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Kai Bai.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Zhang, W., Bai, K., Zhan, C. et al. Parametervorhersage für Coiled-Tubing-Bohrungen basierend auf GAN-LSTM. Sci Rep 13, 10875 (2023). https://doi.org/10.1038/s41598-023-37960-x

Zitat herunterladen

Eingegangen: 18. Februar 2023

Angenommen: 30. Juni 2023

Veröffentlicht: 05. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-37960-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.