论文部分内容阅读
钻探工程具有隐蔽性,出现事故时仅凭人工经验难以第一时间察觉,容易造成经济损失,降低作业效率,产生人员伤亡,因此能够在事故发生初期将影响降至最低的工况判别系统在钻探工程中扮演着重要角色。基于机器学习的智能分类算法可将多种监测参数变化趋势映射到工况类别中,在影响因素无法用数学关系确定的钻探工况判别方面具有优势,与钻参仪结合可起到实时判别工况的效果。本文对烧钻、糊钻、卡钻、断钻和泥浆漏失五种异常工况发生时的特征参数变化趋势进行了分析,建立了异常工况-特征参数响应关系。对获得的正常钻进数据进行分析和处理后,以特征参数差值作为样本,并结合正常钻进阈值和异常工况变化趋势构建异常工况虚拟样本,解决了地质岩心钻探中用于算法训练的样本量过少的问题。工况判别在机器学习中属于分类任务,本文对比多种分类算法后,选择k近邻、支持向量机(SVM)和逻辑回归算法基于训练样本建立分类模型,并以Python作为编程语言,利用sklearn库实现整个机器学习流程。采用3个异常工况数量不同的样本进行训练和测试,获得9个分类模型,以分类评价指标对其表现进行分析,判断准确率基本可达90%以上。对分类模型的泛化能力进行验证,优选出2个k近邻分类模型、1个SVM分类模型和2个逻辑回归分类模型,将5个模型并联,以多决策分类作为最终的工况判别模块,经测试对工况的判别准确率可达90%以上,实时判别速度仅为30.5ms。