基于Bi-LSTM-AE和摩阻扭矩-水力模型的两级卡钻预警方法

【摘要】 在石油钻井作业中，卡钻样本数量有限且多样性不足，导致智能模型训练受限。对此，文中提出一种基于双向长短期记忆（Bi-LSTM）网络与自编码器（AE）的集成模型和结合摩阻扭矩-水力模型的两级卡钻预警方法。该方法无需依赖卡钻样本训练，通过物联网技术采集68 826组正常钻井数据训练Bi-LSTM-AE模型，并合理设定重构误差阈值来识别钻井异常状态，再根据摩阻扭矩-水力模型计算异常状态下的卡钻预警指标，从而实现卡钻预警。实验结果表明：所提方法的异常识别漏检率仅为7.62%，显著低于传统自编码器等智能模型；卡钻预警虚警率仅为4.86%，较单一Bi-LSTM-AE模型大幅降低；同时，该方法的卡钻预警漏检率为11.37%，能够有效预警绝大多数卡钻工况。更多还原