Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình cảnh báo sớm cho quá trình khoan y tế bị kẹt dựa trên thuật toán đàn cá nhân tạo và SVM
Tóm tắt
Để tránh những thách thức và tổn thất đáng kể gây ra bởi tình trạng khoan bị kẹt đối với các hoạt động khoan bình thường, bài báo này phân tích cơ chế của hiện tượng khoan bị kẹt, sau đó kết hợp thuật toán đàn cá nhân tạo (AFSA) và máy vector hỗ trợ (SVM), và cuối cùng đề xuất một mô hình cảnh báo sớm cho quá trình khoan y tế bị kẹt dựa trên AFSA và SVM. Mô hình này thực hiện cảnh báo rủi ro dính kẹt theo thời gian thực bằng cách sử dụng bốn tham số: áp suất ống dẫn, mô-men xoắn, tốc độ và tải trọng móc được thu thập theo thời gian thực, đồng thời thúc đẩy việc giám sát tham số khoan theo thời gian thực để cảnh báo động về rủi ro dính kẹt. Qua việc so sánh mô hình dự đoán dính kẹt AFSA-SVM với mô hình tối ưu hóa đàn particle swarm và mô hình tối ưu hóa kiểm tra chéo truyền thống, người ta phát hiện ra rằng độ chính xác của mô hình dự đoán dính kẹt AFSA-SVM có thể đạt tới 97,561%, và thời gian huấn luyện và kiểm tra lần lượt là 5,874 giây và 0,76 giây. Độ chính xác và hiệu quả tính toán của nó cao hơn so với mô hình tối ưu hóa đàn particle swarm và mô hình tối ưu hóa kiểm tra chéo truyền thống. So với công nghệ hiện có, mô hình cảnh báo sớm dính kẹt bốn tham số dựa trên AFSA-SVM được trình bày trong bài báo này cho thấy hiệu suất tổng thể mạnh mẽ và giá trị ứng dụng thực địa.
Từ khóa
#khoan y tế #cảnh báo sớm #thuật toán đàn cá nhân tạo #máy vector hỗ trợ #dự đoán dính kẹtTài liệu tham khảo
Jiaqi, Yu.: Analysis of common stuck drill accidents in oil testing and fracturing. Chem Eng Equip. 03, 80–81 (2020). https://doi.org/10.19566/j.cnki.cn35-1285/tq.2020.03.035
Wenjun, Z.: Study on the methods of relieving stuck in oil well workover operations. Chem Eng Design Commun 46(02), 259–260 (2020)
Hao, Su., Yiheng, Q.: Study on the treatment and preventive measures of stuck shale gas drilling. China Pet Chem Stand Qual 39(20), 26–27 (2019)
Annis, M.R., Monaghan, P.H.: Differential pressure stuck-laboratory studies of friction between steel and mud filter cake [J]. J. Petrol. Technol. 14(05), 537–543 (1962)
Hempkins, W.B., Kingsborough, R.H., Lohec, W.E., et al.: Multivariate statistical analysis of stuck drillpipe situations [J]. SPE Dril Eng 2(03), 237–244 (1987)
Biegler, M.W., Kuhn, G.R.: Advances in prediction of stuck pipe using multivariate statistical analysis. IADC/SPE Drilling Conference. OnePetro, 1994
Zhigang, S., Weiguang, S., Juntao, C.: A Study on the Application of Artificial Neural Networks in Real-time Sticking Prediction. Geology and Prospecting. 02, 10–12 (2000)
Wang Yi. Design of an expert system for the diagnosis of stuck drill based on fuzzy theory[D]. Xi'an: Xi'an Shiyou University, 2007: 43–48.
Jian, Hu., Yan, Hu.: neural network-based virtual sample sticking warning device. Oil Field Equipment 40(09), 80–83 (2011)
Vapnik, V.: The Nature of Statistical Learning Theory[M]. Springer-Verlag, New York (1995)
Burges, C.J.C.: A tutorial on support vector machines for pattern recognition[J]. Data Min. Knowl. Disc. 2(2), 121–167 (1998)
Yao Zhenghua. Improved artificial fish school intelligent optimization algorithm and its application research. 2016. China University of Mining and Technology, PhD dissertation.
Weiner, , et al.: Treatment and analysis of complex accidents of AD401–7 directional well stuck. Prosp Eng (Rock and Soil Drilling and Tunneling) 45(04), 10–16 (2018)
Jiming, S., et al.: Treatment of stuck drilling in deep well collapse with complicated trajectory offshore. Oil Drill Technol 38(04), 461–466 (2016). https://doi.org/10.13639/j.odpt.2016.04.011
Gang, Luo, et al.: Sand bridge stuck drilling accident safety evaluation system. Pet Machine 41(05), 7-10+14 (2013)
Fayong, F.: Reverse circulation pressurization treatment method for sand bridge stuck in long horizontal wells. Petroleum Drilling Technology 39(06), 60–62 (2011)
Zhihua, Z.: Machine learning [M]. Tsinghua University Press, Beijing (2016)
Ping Yuan, Zhou Yajian, and Yang Yixian. Research on key technologies of clustering and text classification based on support vector machines. People's Posts and Telecommunications Publishing House.
Li Xiaolei. A new intelligent optimization method-artificial fish swarm algorithm[D]. Zhejiang University, 2003.
Chang, C.-C., Lin, C.-J.: LIBSVM: A library for support vector machines. ACM Trans. Intell. Syst. Technol. (2011). https://doi.org/10.1145/1961189.1961199
Jung, Y.: Multiple predicting K-fold cross-validation for model selection. J Nonparametr Stat (2017). https://doi.org/10.1080/10485252.2017.1404598
Xinshe, Y., Deb, S., Fong, S.: Accelerated particle swarm optimization support vector machine for business optimization and application. Network digital technology. Springer, Berlin Heidelberg (2011)
Juxin, Hu., Gongjie, Z.: Selective ensemble classification algorithm based on K-fold cross-validation[J]. Bullet Sci Technol 29(12), 115–117 (2013)
Qinghua, Wang, Jiangwei, Liu, Lanlan, Zhang: Cross-validation K-nearest neighbor algorithm classification research [J]. J Xi’an Technol Univ 35(02), 119-124+141 (2015)