引用本文
付群超, 曾烃详, 陈沛, 钟鹏, 王瑞科, 杜坤. 基于随机森林回归模型的钻井作业周期预测[J]. 录井工程, 2024,35(4): 39-47.
FU Qunchao, ZENG Tingxiang, CHEN Pei, ZHONG Peng, WANG Ruike, DU Kun. Prediction of drilling operation cycles based on random forest regression model[J]. Mud Logging Engineering, 2024,35(4): 39-47.
Doi:10.3969/j.issn.1672-9803.2024.04.007  
Permissions
Copyright©2024, 《录井工程》杂志社
《录井工程》杂志社 所有
基于随机森林回归模型的钻井作业周期预测
付群超①, 曾烃详②, 陈沛③, 钟鹏③, 王瑞科①, 杜坤②
①中法渤海地质服务有限公司湛江分公司
②南方海洋科学与工程广东省实验室（湛江）
③中海石油（中国）有限公司湛江分公司
通信作者：曾烃详 1996年生,硕士,2023年毕业于长江大学地球化学专业,现主要从事有机地球化学、海上油气田录井综合解释研究工作。通信地址：524057 广东省湛江市坡头区龙头镇湛江湾实验室龙王湾研发基地总部研发大楼1009办公室。电话：13249753900。E-mail：zengtingxiang@zjblab.com

作者简介：付群超 工程师,1983年生,硕士,2006年毕业于重庆科技学院资源勘查专业,现主要从事海洋钻井现场综合录井工作。通信地址：524057 广东省湛江市坡头区南油5区物业楼2楼中法地质。电话：18022600669。E-mail：fuqc@cfbgc.com

收稿日期: 2024-07-15
基金: 中国海洋石油集团有限公司“十四五”重大科技项目“海上深层/超深层油气勘探技术”（编号：KJGG2022-0405）
摘要

钻井作业周期预测对钻井投资规模、作业安排以及油气田勘探开发目标的实现具有重要意义。现阶段的钻井作业周期预测模型特征参数相对简单,未考虑井段之间的联系,难以根据实际作业情况调整预测结果。针对上述问题,以北部湾区块探井为例,分析影响钻井作业时间的因素,优选模型特征参数,利用随机森林回归模型预测钻井作业周期。一到四开次的钻井作业预测模型拟合优度分别为0.980、0.947、0.903、0.823,能够满足实际应用需求。但随着钻井开次数量的增加,模型性能会因地层条件的复杂化和作业时间的延长而有所下降。可采用钻前预测与实时调参策略,持续补充训练样本,以提高模型对研究区特定作业特征的适应性。钻井作业周期预测对后续钻井方案的规划和费用评估具有重要意义,具备一定的推广价值。

关键词: 钻井作业周期; 特征优选; 机器学习; 随机森林; 回归预测
中图分类号:TE132.1 文献标志码:A
Prediction of drilling operation cycles based on random forest regression model
FU Qunchao①, ZENG Tingxiang②, CHEN Pei③, ZHONG Peng③, WANG Ruike①, DU Kun②
①China France Bohai Geoservices Co., Ltd. （Zhanjiang）, Zhanjiang, Guangdong 524057, China
②Southern Marine Science and Engineering Guangdong Laboratory （Zhanjiang）, Zhanjiang, Guangdong 524057,China
③CNOOC China Limited Zhanjiang Company, Zhanjiang, Guangdong 524057, China
Abstract

The prediction of drilling operation cycles is of significant importance for determining the scale of drilling investments, scheduling operations, and achieving exploration and development targets. Currently,the characteristic parameters of the drilling operation cycle prediction models are relatively simple, and the relationship between well sections is not considered, so it is difficult to adjust the predictive results according to the actual operation situation. Addressing these issues, this study focuses on exploratory wells in the Beibu Gulf block, analyzing factors that influence drilling operation time. The characteristic parameters for the model were optimized, and a random forest regression model was utilized to predict drilling operation cycles. The goodness of fit of the prediction models for drilling operations from initial opening to drilling the fourth well section is 0.980,0.947,0.903 and 0.823 respectively, which can meet the practical application requirements. But as the number of drilling different well sections increases, the model performance tends to decline due to the complexity of formation conditions and the extension of operation time. The strategy of pre-drilling prediction and real-time parameter adjustment can be used to continuously supplement the training samples to improve the adaptability of the model to the specific operation characteristics in the study area. Drilling operation cycle prediction is of great significance in the planning and cost assessment of subsequent drilling schemes, and has a certain popularized valve.

Keyword: drilling operation cycle; characteristic optimization; machine learning; random forest; regression prediction
0 引言

油气钻井作为一项规模庞大、投资巨大且风险极高的生产活动, 在能源勘探与开发领域占有极其重要的位置。整个钻井作业过程包括钻前准备、组合钻具、钻进作业、固井作业等多个环节, 需要投入大量的人力、物力和财力资源, 同时还必须面对众多的不确定性因素[1]。准确的钻井作业周期预测对确保油气田勘探开发整体目标按计划实现具有重要意义, 也有助于对后续工作进行合理规划与调度。前人对钻井作业周期预测方法进行了大量研究。Brett等[2]、刘朝全等[3]结合传统周期测算方法, 应用学习曲线进行钻井周期预测, 取得了不错的效果, 但该方法要求井型、井别、目的层相同, 适用条件受限。董世明等[4]结合现场钻井数据和定额标准进行定向井钻井周期预测。张伟文等[5]先按加权算术平均法测算出历史工时数据, 再使用“ 3、5、2” 分段加权算术平均法测算工时定额。然而上述数理统计结合定额标准方法较少考虑井段间相互联系及层位等因素的影响。

概率模型在不确定性和随机性显著的情境中有出色的表现[6], 有助于更好地理解和量化不确定性, 从而对可能发生的事件给出一个可能性的度量, 常应用于评估建井成本和时间[7]。Luu等[8]采用多变量概率模型来构建与深度相关的钻井周期概率模型, 并结合马尔科夫链蒙特卡洛法模拟一次完整钻井作业周期的概率分布。由于概率模型通常依赖于对已知数据的分析, 以及对不确定性的理解和量化, 可能导致结果带有一定的主观性。

随着技术不断进步, 机器学习、神经网络等技术在钻井井眼轨迹设计[9]、机械钻速预测[10]、井况识别[11, 12]、时效分析[13]等领域获得了长足的发展, 在钻井周期预测方面也开始展现出潜力。吴玉林等[14]针对钻井事故对钻井周期的影响, 采用事故量化及多个工程参数, 通过一维卷积神经网络（1DCNN）建立事故和无事故模型来预测钻井作业周期, 取得了良好的效果, 但该模型需要大量的数据样本来确保模型的准确性和泛化能力。

目前, 钻井周期预测模型多聚焦整体作业过程, 较少关注井段特点与联系, 对地层层位、岩性、钻井液等实际作业参数考虑不足, 导致模型适应性有限。钻井作业周期的预测应整合更多实际数据, 深入探讨井段关系、地质条件与不确定因素, 构建具有适应性与可更新性的模型。机器学习和神经网络是进行钻井周期预测的有效手段, 其能有效应对钻井作业过程中产生的多维度数据, 擅长捕捉数据之间复杂的非线性关系, 模型具备适应性、可更新性及出色的泛化能力。因此, 本文提出一种基于随机森林回归模型的机器学习模型预测方法来描述钻井作业时效。

本文收集并整理了2017-2023年北部湾盆地共计121口已完钻探井作业数据作为样本数据集, 重点分析了影响钻井工作时间的因素, 优选出模型的特征参数, 针对各开次钻井作业的特点来构建随机森林回归预测模型, 实现对钻井作业周期的预测, 提高了预测准确率。

1 区块概况

北部湾盆地位于我国南海北部大陆架的西部海域, 是我国近海重要的富油盆地之一[15]。早期勘探发现涠西南和乌石两个富烃凹陷, 经过对不同区带、构造类型及层系的勘探, 寻获了多个具有良好油气田潜力的区域, 探明石油储量不断增加[16, 17], 勘探成果对于北部湾盆地的石油资源开发具有重要意义。涠西南凹陷和乌石凹陷为本次的研究区块, 其位置如图1所示。

图1 主要研究区块位置

2 特征参数优选

通常一次完整的建井流程可分为迁装作业、钻井作业、完井作业、测试作业及拆迁作业。本次研究的钻井周期主要为钻井作业时间周期, 不对迁装作业、完井作业、测试作业和拆迁作业时间进行预测。

钻井总工作时间包括钻井过程中生产时间、非生产时间[18]。生产时间主要是指钻井过程中所有生产行为所消耗的时间, 如进尺时间、固井时间、电缆测井时间、辅助时间; 非生产时间主要是指钻井过程之外的其他活动消耗的时间, 例如事故时间、修理时间、组织停工时间、自然停工时间等。在油田钻井作业中, 非生产时间是衡量效率与成本的重要指标, 因此构建钻井周期预测模型时, 必须纳入影响非生产时间的关键参数。

钻井作业处于一个受各种自然条件、机械操作和人员因素共同影响的动态复杂环境中[6]。在此环境下, 辅助、非生产等时间受偶然因素、处理措施影响较大, 通常时效无法准确预测。而进尺时间总体受钻井深度、地质条件及套管程序的影响, 影响因素相对较少, 整体可预测性较高。为此, 需选择合适的参数, 尽可能全面地考虑影响钻井作业周期的各类因素。

2.1 资料收集

基于现有资料, 统计2017-2023年北部湾盆地涠西南凹陷和乌石凹陷121口探井的钻井作业资料, 按开次划分, 数据涵盖各井的钻井信息, 如各开次的井眼尺寸、中完井深、层位厚度、岩性厚度, 以及钻井液类型、有无电缆测井、累计作业天数等。在统计过程中, 对存在长时间等待天气、故障停工时间长的井位资料进行剔除。

2.2 影响生产时间的参数

2.2.1 井眼尺寸及井段深度

钻井设计通常会根据计划钻井深度、区块地质情况来确定合适的套管程序及井眼尺寸。显然, 不同开次的钻井所采用的井眼尺寸及钻头不同, 钻进效率也存在差异。一般来说, 随着井段深度的增加, 深井段内的地层压力也相应升高, 地层岩石在压力作用下逐渐变得更加致密, 其孔隙结构和骨架结构发生明显改变, 硬度和密度增大, 甚至一些原本呈脆性的岩石转变为具有高硬度和塑性的岩石类型[19], 这种转变导致岩石的可钻性显著下降, 进而影响钻井效率。

2.2.2 井段岩性

地层岩性对钻进速度的影响是钻井工程中需要考虑的重要因素[20]。砂岩和泥岩是常见的岩性类型, 二者在钻进速度上存在明显的差异。砂岩颗粒相对较大、胶结物较少, 容易破碎, 因而在砂岩中的进尺速度通常较快。而钻进泥岩时, 由于泥岩的黏土矿物和胶结物含量较高, 使得地层质地较软、粘稠, 钻头不容易吃进地层。此外, 黏土矿物具有粘结性, 易在钻头表面形成泥浆包裹, 导致岩屑清理不顺畅, 从而减缓钻进速度。

2.2.3 电缆测井

测井作业是油气勘探和生产活动中的重要一环, 通过采集地层的综合物理及化学数据来揭示地下情况。随钻测量技术可在钻探过程中实时获取地层特性, 以评估其经济价值。在钻遇油气层时, 则可能增加电缆测井作业, 目的是全方位地评估地层的电性、孔隙特征及流体饱和度。完井后的电缆测井能够提供整口井的全面信息, 这对于评估油气藏的开发潜力、规划生产策略以及优化资源开发过程具有不可或缺的价值。然而实施电缆测井必然会使钻井作业周期变长, 因此电缆测井也是评估钻井作业周期的重要因素之一。

2.3 影响非生产时间的参数

2.3.1 开钻月份

开钻月份对钻井作业存在影响, 特别是在开阔海域, 通常涉及季风、风浪和温度等方面变化, 这些季节性因素可能会导致作业延误, 需要精确规划以保障作业安全和调整作业进度。另外, 夏季和冬季的日照时长差异显著, 可能影响作业计划和安全措施, 进而影响钻井速度和非生产时间。

2.3.2 钻井液类型

钻井液在钻探过程中起着重要作用, 包括冷却钻头、清除岩屑、稳定井壁等, 以确保钻探作业的顺利进行。钻井液的选用需考虑井型、地层、储层特性及环保要求等因素。收集研究区井位的钻井日报作业资料并进行统计分析发现, 在采用油基钻井液的井中, 浅层井段通常使用水基钻井液, 而深部井段则采用油基钻井液。对出现“ 憋泵、憋扭矩” 工程遇阻问题的日志进行统计可知（表1）, 油基井段出现遇阻日志的条目数远小于水基井段, 表明油基井段发生“ 憋泵、憋扭矩” 的情况要远少于水基井段, 因此油基钻井液能较好地减少“ 憋泵、憋扭矩” 的情况, 从而提高钻井效率。李劲松等[21]针对东海油气田N区块的井壁坍塌问题, 通过分析地质和测井数据发现, 使用油基钻井液可以有效维持井壁稳定性。相比之下, 水基钻井液在泥页岩区段容易引起井径扩大和阻卡。徐佳等[22]通过实验室测试与现场实践确认, 油基钻井液展现出良好的流变性能、抑制效果以及对油气储层的保护功能。前人研究与本次统计分析的结果是一致的, 即钻井液类型的不同会影响钻井作业的效率。因此将钻井液类型加入到钻井作业周期预测模型之中。由于井型不同, 施工目的不同, 钻井液的配方也需相应调整, 考虑到模型参数不宜过于复杂, 本次钻井液类型参数仅分为水基钻井液和油基钻井液两类。

表1 不同钻井液类型工程遇阻问题日志

2.3.3 特殊层位岩性因素

使用不同类型的钻井液钻井能起到稳定井壁、预防井漏等作用, 实际上, 这也是为应对不同层位岩性特点而采取的手段。对较多出现“ 多次上提下放无法通过” “ 憋泵、憋扭矩” 等工程遇阻问题的层位进行统计发现, 在涠西南凹陷和乌石凹陷中, 涠洲组二段、涠洲组三段及流沙港组二段是工程阻碍的主要发生层位。进一步观察这些层位的岩性, 涠洲组二段、涠洲组三段的泥岩段具有易水化、可塑性好、吸水性强的特点[23], 这导致在水基钻井液条件下容易发生遇阻等工程问题。流沙港组二段的部分页岩段具有硬脆、页理欠发育、岩屑呈块状（少量片状）的特征, 在一定程度上也会导致工程阻碍。由此可见, 特殊的层位岩性也是影响作业时效的因素之一。

3 模型训练与参数设置
3.1 随机森林回归模型

随机森林算法（RF）[24]是一种基本单元为CART（classification and regression tree）决策树的集成机器学习方法, 可用于分类和回归问题。在随机森林回归中, 每棵决策树都是独立构建的, 通常采用自助采样（bootstrap sampling）方式从原始数据集中抽取样本。此外, 节点分裂时的特征选择也是基于特征的随机子集进行的, 从而增加了森林的多样性并进一步降低了过拟合风险。图2为随机森林分类示意图, 模型的输出是通过对所有决策树的结果进行汇总（如求平均值）来获得。随机森林回归算法对噪声数据及缺失异常值有良好的鲁棒性[25]。此外, 随机森林回归算法在训练阶段减少了对数据预处理的依赖, 其实施过程标准化且学习效率高。由于钻井作业周期预测的特征参数包含复杂且相互依赖关系的分类特征, 在面对较复杂情况时, 需要模型对随机误差及缺失值具有较强的容忍度。基于随机森林回归算法的优势, 本次研究选用随机森林回归模型。

图2 随机森林分类示意图

3.2 特征参数框架

套管程序是钻井设计的重要组成部分, 其内容包括一口井下入套管层次和下入深度以及井眼尺寸（钻头尺寸）与套管尺寸的配合情况。由于不同下入深度、套管层次、井眼尺寸及各井段间的关系都会影响每一开次的工时, 因此模型也应当针对每一开次来构建。构建多个开次的模型来适应不同井段的钻井情况, 不但可以保证整个钻井作业周期预测的准确率, 而且可以根据当前作业进度来实时调整预测结果。模型的特征参数框架如图3所示。基于历史钻井数据构建第一开次钻井阶段的模型, 从二开模型开始, 将前面开次模型参数加入到本开次模型中, 即四开次模型可视为整个钻井作业周期预测模型。

图3 模型特征参数框架

3.3 特征编码

特征编码方式通常取决于特征的属性类型[26, 27]。对于连续型变量（例如层位深度、作业天数等）, 不需要进行编码, 直接使用原始值作为特征输入即可。如果特征是分类型变量（如月份、井眼尺寸等）, 可使用标签编码（Label Encoding）, 将每个类别映射为一个整数值, 这样可以保留类别之间的相对顺序关系。如果特征是离散型变量（如作业平台、井别等）, 则可使用独热编码（One-Hot Encoding）。独热编码可将每个类别转换为一个二进制特征, 其中每个特征只有两个取值：0表示该样本不属于该类别, 1表示该样本属于该类别。其优势是能够解决类别间的无序关系。值得注意的是, 基于决策树的随机森林回归模型在处理特征时, 通常不考虑特征之间可能存在的顺序或者等级关系, 而是将特征作为类别符号, 而独热编码本质上会增加树的深度, 影响模型训练效果。因此, 本次仅对类别较少的离散型变量采用独热编码, 类别较多的离散型变量采用标签编码。

3.4 模型参数

配置Python编程环境, 利用Sklearn机器学习库实施所需的算法模型。test_size参数设置为0.2, 即数据集会随机抽取总样本数量的80%作为训练集样本, 20%作为验证集样本（四开模型数据过少, 抽取30%作为验证集）, 验证集样本用于评估模型准确度, 不参与训练。模型将进行500次随机选择数据集和500次随机改变随机森林构型, 调整随机森林的分类器个数（n_estimators）和树最大深度（max_depth）, 选取出精确度较优的模型。各开次模型参数设置如表2所示。

表2 各开次模型参数设置
4 评估结果讨论
4.1 评估指标

在机器学习模型的训练过程中, 核心目标是优化模型, 以实现高精度的预测结果。测量模型预测值与实际值之间的偏差直观反映了模型的预测性能。因此, 评估一个模型的预测效能通常需要对其预测结果的准确度和拟合质量进行综合考量。采用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）这3项关键统计指标来评估随机森林回归模型在预测钻井作业周期方面的性能, 公式如下：

RMSE=1m∑i=1m（yi-ŷi）2（1）

MAE=1m∑i=1myi-ŷi（2）

R2=1-∑i=1m（yi-ŷi）2∑i=1m（yi-y-i）2（3）

式中：m为样本数量; yi为实际值; ŷi为预测值; y-i为实际值的平均值。

RMSE用于衡量模型预测值与实际值之间差异平方和的平均值, 能够量化偏差的总体大小。MAE为绝对误差的平均值, 提供了对模型预测误差大小的直接衡量, 且由于采用绝对值, 其对于异常值具有更高的鲁棒性。RMSE和MAE的值越小表示实际值与预测值之间的误差值越小, 模型的预测效果越好。R2是反映模型拟合优度的重要统计量, 值域介于0到1之间, 其值越接近1, 说明模型的预测值与实际值的差异越小, 模型对数据的拟合程度越高。

4.2 模型评估结果

本次共评估121口井数据, 其中具备一开和二开的井位121口, 三开井位97口, 四开井位较少, 仅有30口。将各开次数据输入各训练模型中训练, 各开次模型的评价指标如表3所示, 验证集的预测累计用时与实际累计用时的对比如图4所示。

表3 各开次模型的评价指标

图4 各开次钻井模型的预测累计用时与实际累计用时对比

一开模型R2、RMSE和MAE分别为0.980、0.178和0.139, 各评价指标都表现优秀。一开模型所钻进的井段较浅, 影响钻井时间因素较为简单, 故模型能够实现高准确率的预测。

二开、三开模型的R2分别为0.947、0.903, 表明这两个模型也具有不错的预测效能。二开、三开模型不仅添加了一开模型的关键参数来适应井段间的关系, 而且引入了更多的影响因素, 如钻井液类型、层位及其厚度等, 这些都是影响钻进时间及非生产时间的重要因素。此外, 足够数量的样本数据也使得二开、三开模型达到较高的预测准确率。对比两个模型的RMSE及MAE, 三开模型数值明显高于二开模型, 说明三开模型预测值与实际值之间的偏差更大。三开模型的整体性能低于二开模型, 原因在于三开通常会钻进至目的层, 根据钻井计划, 会对目的层的钻速、钻井液类型及密度等进行调整, 这说明各开次的作业有着明显差异, 在预测时考虑的参数和模型也要适应当前开次作业特点。根据钻井目的需要, 通常会在钻井的最后一个井段或中途增加电缆测井项目, 而电缆测井的时长会对钻井作业时长造成影响。该部分时长通常受实际测井结果、有无故障、是否遇阻等因素影响, 故无法准确预测该部分时间[28]。在三开具有电缆测井项目的钻井数量要比二开的多, 这就导致了三开模型的性能不及二开模型。

四开模型整体表现较差, R2只有0.823, RMSE为2.551, MAE为2.138, 这表明模型存在较大的离散程度, 预测准确率低。四开模型性能下降与两个因素有关：一方面, 四开模型数据集规模较小, 仅有30条可用数据, 严重限制了模型训练结果; 另一方面, 与三开钻井类似, 四开钻井通常会进行电缆测井作业, 其作业时间受钻井目的影响较大, 如果电缆测井作业结果显示未能达到预期的钻井目的, 则可能提前完钻, 从而使预测结果出现偏差。表4为不考虑电缆测井时间的各开次模型评价指标, 同表3数据相比, 可以发现各开次模型R2明显增加, 平均误差天数显著降低, 说明电缆测井因素对模型性能影响较大。

表4 不考虑电缆测井时间的各开次模型评价指标

在实际钻井作业中, 可根据当前作业累计用时、工程进度来选择合适的钻井预测模型, 采用钻前预测、钻时实时调整的方法, 以满足钻井作业预测的要求。随着探井数量的增加, 可继续补充训练样本, 使模型更加适应片区的作业特点。

4.3 实例评估结果

以W 10井为例, 该井部署于北部湾盆地涠西南低凸起倾末端, 是一口四开作业定向类型的评价井, 于三月份开钻作业, 设计井深4 114 m, 作业平台为A号平台, 其他参数资料如表5所示, 其数据没有参与模型训练。模型预测结果如表6所示, 一开到四开累计用时分别为3.61、7.61、17.58、27.25 d, 与实际用时的天数差值分别为0.06、0.58、9.50、4.50 d, 可以看到从三开开始出现较大的误差。经查明, 该井在三开时遇到复杂工况, 发生两趟起钻换钻头、起钻更换垂直导向工具、过断层短起等复杂事件, 共计延误约8.69 d。若将三开预测结果加上延误时间进行恢复, 则与实际累计天数仅差0.81 d, 恢复后预测的四开累计天数为30.24 d, 与实际累计天数相差1.51 d。将模型预测结果与原来用定额计算的设计累计天数进行对比, 可发现模型所预测的周期更接近于实际情况, 为相关工作提供了更准确的预测结果。虽然模型在面对特殊复杂工况的钻井作业时无法适用, 但预测结果能提供无事故或少事故的钻井时效, 为后续钻井规划和费用评估提供参考。

表5 W 10井参数资料统计
表6 W 10井模型预测结果与实际用时对比
5 结论

（1）优选影响钻井作业时效的因素, 对多开次的钻井作业采用基于随机森林回归模型来实现对钻井作业周期的预测, 改进了前人钻井作业周期预测精度不足的问题。经评估, 各开次模型预测准确率高, 可满足实际需求。

（2）随着钻井开次数量的增加, 模型性能会因复杂的地层条件和中途增长的作业时间而下降, 其中电缆测井时间对模型的结果影响大。

（3）多开次模型的建立, 可根据实际需要满足钻前预测和实时调参等需求。持续补充训练样本来优化模型, 可提高模型对研究区作业特征的适应性。随机森林回归模型对后续钻井方案的规划、费用评估等具有重要意义, 因而具备推广价值。

编辑 陈 娟

参考文献
[1] 樊明武, 李志学, 冯力丹. 油气钻井作业成本预测模型研究[J]. 天然气工业, 2007, 27(3): 134-136.
FAN Mingwu, LI Zhixue, FENG Lidan. Cost forecast model study on oil and gas well operation[J]. Natural Gas Industry, 2007, 27(3): 134-136. [本文引用:1]
[2] BRETT J F, MILLHEIM K K. The drilling performance curve: A yardstick for judging drilling performance[C]//SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana: OnePetro, 1986. [本文引用:1]
[3] 刘朝全, 蔡竟仑. 钻井学习曲线研究[J]. 西安石油学院学报(自然科学版), 1998(5): 17-19.
LIU Chaoquan, CAI Jinglun. Forecasting drilling time by learning curve[J]. Journal of Xi'an Petroleum Institute (Natural Science Edition), 1998(5): 17-19. [本文引用:1]
[4] 董世明, 程汝才. 定向井钻井周期与成本预测初探[J]. 断块油气田, 1994, 1(3): 45-49.
DONG Shiming, CHENG Rucai. Discussion on the prediction method of drilling cycle and cost for directional well[J]. Fault-Block Oil & Gas Field, 1994, 1(3): 45-49. [本文引用:1]
[5] 张伟文, 朱达江, 张阳春, 等. 钻井周期预测新方法: 以塔里木油田为例[J]. 天然气工业, 2013, 33(3): 68-72.
ZHANG Weiwen, ZHU Dajiang, ZHANG Yangchun, et al. A new method for drilling cycle prediction: A case study from the Tarim Oil Field[J]. Natural Gas Industry, 2013, 33(3): 68-72. [本文引用:1]
[6] KAISER M J. Modeling the time and cost to drill an off-shore well[J]. Energy, 2009, 34(9): 1097-1112. [本文引用:2]
[7] ADAMS A J, GRUNDY K C, KELLY C M. Probabilistic well-time estimation revisited: Five years on[J]. SPE Drilling & Completion, 2015, 25(4): 472-499. [本文引用:1]
[8] LUU Q H, LAU M F, NG S P H, 等. 基于多变量概率模型的钻井周期预测方法[J]. 石油勘探与开发, 2021, 48(4): 851-860.
LUU Q H, LAU M F, NG S P H, et al. Predictability of well construction time with multivariate probabilistic approach[J]. Petroleum Exploration and Development, 2021, 48(4): 851-860. [本文引用:1]
[9] 李宏波, 罗平亚, 白杨, 等. 机器学习算法概述及其在钻井工程中的应用[J]. 新疆石油天然气, 2022, 18(1): 1-13.
LI Hongbo, LUO Pingya, BAI Yang, et al. Summary for machine learning algorithms and their applications in drilling engineering[J]. Xinjiang Oil & Gas, 2022, 18(1): 1-13. [本文引用:1]
[10] 徐英卓, 王若禹, 王六鹏. 基于遗传算法优化的随机森林钻井机械钻速预测模型研究[J]. 智能计算机与应用, 2023, 13(3): 210-214.
XU Yingzhuo, WANG Ruoyu, WANG Liupeng. Research on ROP prediction model of rand om forest drilling machinery based on genetic algorithm optimization[J]. Intelligent Computer and Applications, 2023, 13(3): 210-214. [本文引用:1]
[11] 张菲菲, 崔亚辉, 于琛, 等. 基于机器学习的钻井工况识别技术现状及发展[J]. 长江大学学报(自然科学版), 2023, 20(4): 53-65.
ZHANG Feifei, CUI Yahui, YU Chen, et al. Recent developments and future trends of drilling status recognition technology based on machine learning[J]. Journal of Yangtze University(Natural Science Edition), 2023, 20(4): 53-65. [本文引用:1]
[12] 毛光黔, 宋先知, 丁燕, 等. 基于梯度提升决策树算法的钻井工况识别方法[J]. 石油钻采工艺, 2023, 45(5): 532-539.
MAO Guangqian, SONG Xianzhi, DING Yan, et al. Drilling condition identification method based on gradient boosting decision tree[J]. Oil Drilling & Production Technology, 2023, 45(5): 532-539. [本文引用:1]
[13] 孙挺, 赵颖, 杨进, 等. 基于支持向量机的钻井工况实时智能识别方法[J]. 石油钻探技术, 2019, 47(5): 28-33.
SUN Ting, ZHAO Ying, YANG Jin, et al. Real-Time intelligent identification method under drilling conditions based on support vector machine[J]. Petroleum Drilling Techniques, 2019, 47(5): 28-33. [本文引用:1]
[14] 吴玉林, 姜莹, 程光华, 等. 基于一维卷积神经网络的钻井周期预测[J]. 断块油气田, 2023, 30(3): 495-504.
WU Yulin, JIANG Ying, CHENG Guanghua, et al. Drilling cycle prediction based on one-dimensional convolutional neural network[J]. Fault-Block Oil & Gas Field, 2023, 30(3): 495-504. [本文引用:1]
[15] 徐长贵, 邓勇, 范彩伟, 等. 北部湾盆地涠西南凹陷页岩油地质特征与资源潜力[J]. 中国海上油气, 2022, 34(5): 1-12.
XU Changgui, DENG Yong, FAN Caiwei, et al. Geological characteristics and resource potential of shale oil in Weixinan Sag of Beibu Gulf Basin[J]. China Offshore Oil and Gas, 2022, 34(5): 1-12. [本文引用:1]
[16] 李凡异, 张厚和, 李春荣, 等. 北部湾盆地海域油气勘探历程与启示[J]. 新疆石油地质, 2021, 42(3): 337-345.
LI Fanyi, ZHANG Houhe, LI Chunrong, et al. Offshore petroleum exploration history and enlightenment in Beibu Gulf Basin[J]. Xinjiang Petroleum Geology, 2021, 42(3): 337-345. [本文引用:1]
[17] 王养锋, 刘智勤, 刘贤玉, 等. 南海北部盆地深水钻井关键技术现状[J]. 新疆石油天然气, 2022, 18(3): 12-18.
WANG Yangfeng, LIU Zhiqin, LIU Xianyu, et al. Development status of key technologies for deepwater drilling in northern basins of South China Sea[J]. Xinjiang Oil & Gas, 2022, 18(3): 12-18. [本文引用:1]
[18] 陈武, 张明泉, 张乃欣, 等. 钻井工作量及钻速分析[J]. 天然气工业, 2003, 23(1): 45-47.
CHEN Wu, ZHANG Mingquan, ZHANG Naixin, et al. Analysis of drilling workload and drilling speed[J]. Natural Gas Industry, 2003, 23(1): 45-47. [本文引用:1]
[19] 王金帅, 田祥, 张娅楠, 等. 影响钻速的原因分析及提速方法研究[J]. 化学工程与装备, 2018(10): 118-119.
WANG Jinshuai, TIAN Xiang, ZHANG Ya'nan, et al. Analysis of influencing factor of ROP and research on improving ROP method[J]. Chemical Engineering & Equipment, 2018(10): 118-119. [本文引用:1]
[20] 周波, 汪海阁, 张富成, 等. 温度压力对岩石可钻性和破岩效率影响实验[J]. 石油钻采工艺, 2020, 42(5): 547-552.
ZHOU Bo, WANG Haige, ZHANG Fucheng, et al. Experiments on the influences of temperature and pressure on rock drillability and rock breaking efficiency[J]. Oil Drilling & Production Technology, 2020, 42(5): 547-552. [本文引用:1]
[21] 李劲松, 翁昊阳, 段飞飞, 等. 钻井液类型对井壁稳定的影响实例与防塌机理分析[J]. 科学技术与工程, 2019, 19(26): 161-167.
LI Jinsong, WENG Haoyang, DUAN Feifei, et al. Cases of the influence of drilling fluid type on borehole stability and analysis of anti-collapse mechanism[J]. Science Technology and Engineering, 2019, 19(26): 161-167. [本文引用:1]
[22] 徐佳, 李乾, 雷磊, 等. 东海油气田油基钻井液体系评价及现场措施优化[J]. 海洋石油, 2023, 43(2): 68-73.
XU Jia, LI Qian, LEI Lei, et al. Evaluation of oil-based drilling fluid system and optimization of field measures in East China Sea oil and gas fields[J]. Offshore Oil, 2023, 43(2): 68-73. [本文引用:1]
[23] 吴江, 黄熠, 王荐, 等. 涠西南地区岩石特性及钻井液技术研究[J]. 地质与勘探, 2023, 59(6): 1324-1335.
WU Jiang, HUANG Yi, WANG Jian, et al. Rock characteristics and drilling fluid technology in the Weixinan area[J]. Geology and Explortion, 2023, 59(6): 1324-1335. [本文引用:1]
[24] BREIMAN L. Rand om forests[J]. Machine Learning, 2001, 45: 5-32. [本文引用:1]
[25] 姚登举, 杨静, 詹晓娟. 基于随机森林的特征选择算法[J]. 吉林大学学报(工学版), 2014, 44(1): 137-141.
YAO Dengju, YANG Jing, ZHAN Xiaojuan. Feature selection algorithm based on rand om forest[J]. Journal of Jilin University(Engineering and Technology Edition), 2014, 44(1): 137-141. [本文引用:1]
[26] 杨惠, 李文, 郭若礁, 等. 工程造价SVM预测的特征分析及编码研究[J]. 内蒙古科技与经济, 2022(18): 114-116, 119.
YANG Hui, LI Wen, GUO Ruojiao, et al. Feature analysis and coding research on SVM prediction of construction cost[J]. Inner Mongolia Science Technology & Economy, 2022(18): 114-116, 119. [本文引用:1]
[27] 郭丽莹, 李文娜, 郎宪明. SKPCA-LSSVM模型在汽油干点预测中的应用[J]. 辽宁石油化工大学学报, 2022, 42(3): 74-78.
GUO Liying, LI Wenna, LANG Xianming. Application of SKPCA-LSSVM model in gasoline dry point prediction[J]. Journal of Liaoning Petrochemical University, 2022, 42(3): 74-78. [本文引用:1]
[28] 魏冉. 电缆测井遇卡原因分析及预防措施[J]. 化学工程与装备, 2022(2): 140-141.
WEI Ran. Cause analysis and preventive measures of wireline logging jam[J]. Chemical Engineering & Equipment, 2022(2): 140-141. [本文引用:1]