宋先知, 朱 碩, 李根生, 曾義金, 郭慧娟, 胡志堅

(1.中國石油大學(北京)石油工程學院,北京 102249; 2.中國石油大學(北京)油氣資源與探測國家重點實驗室, 北京 102249; 3.中國石化石油工程技術(shù)研究院,北京 100101; 4.中國石油集團工程技術(shù)研究院有限公司,北京 102206)

大鉤載荷、轉(zhuǎn)盤扭矩是鉆井工程的重要參數(shù)指標,可用于鉆井工況實時分析。因此通過對大鉤載荷、轉(zhuǎn)盤扭矩進行科學可靠的預(yù)測,能夠降低鉆井風險,保證鉆井安全,提高鉆井效率。目前大鉤載荷、轉(zhuǎn)盤扭矩的預(yù)測主要以理論分析為主,如常見的摩阻扭矩軟桿模型[1]和剛桿模型[2],此外一些學者在此基礎(chǔ)上針對不同情況建立了修正的摩阻扭矩模型[3-5]。Lesage等[6]利用軟桿模型,結(jié)合實鉆數(shù)據(jù)反演摩阻系數(shù),以識別鉆井異常情況。Brett等[7]將軟桿模型應(yīng)用于鉆前設(shè)計、鉆時監(jiān)控與分析、鉆后分析中。然而理論模型是在嚴格的假設(shè)條件基礎(chǔ)上建立的,與鉆井實際情況存在一定差距,導(dǎo)致理論模型預(yù)測精度有限。因此亟需一種能夠提高計算效率、預(yù)測精度的大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測方法。機器學習算法在解決非線性問題上的優(yōu)秀表現(xiàn),十分符合實際工程問題的需求。因此機器學習方法被廣泛應(yīng)用在井眼軌道優(yōu)化[8]、導(dǎo)向智能決策[9]、地層特征識別[10]、巖性識別[11]、產(chǎn)量預(yù)測[12-13]、油田開發(fā)優(yōu)化[14]等方面。其中BP神經(jīng)網(wǎng)絡(luò)作為經(jīng)典的前饋神經(jīng)網(wǎng)絡(luò),能夠逼近任意復(fù)雜的函數(shù)關(guān)系。LSTM作為反饋神經(jīng)網(wǎng)絡(luò)的一種,尤其擅長處理序列信息,被廣泛應(yīng)用于自然語言處理[15]、語音識別[16]、機器翻譯[17]、水文學[18]、金融[19]等領(lǐng)域?？紤]到大鉤載荷、轉(zhuǎn)盤扭矩的影響參數(shù)復(fù)雜多樣以及鉆井過程的時序性,分別選用BP神經(jīng)網(wǎng)絡(luò)[20]與長短期記憶神經(jīng)網(wǎng)絡(luò)[21],根據(jù)兩種網(wǎng)絡(luò)的結(jié)構(gòu)特點,利用BP網(wǎng)絡(luò)處理非時序數(shù)據(jù),LSTM網(wǎng)絡(luò)處理時序數(shù)據(jù),建立雙輸入網(wǎng)絡(luò)架構(gòu)。筆者基于BP神經(jīng)網(wǎng)絡(luò)、長短期記憶神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)與網(wǎng)絡(luò)結(jié)構(gòu),建立BP-LSTM雙輸入網(wǎng)絡(luò)模型,并分析雙輸入網(wǎng)絡(luò)模型在大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測中的應(yīng)用效果。

1 原理與方法

1.1 BP與LSTM神經(jīng)網(wǎng)絡(luò)

簡單BP網(wǎng)絡(luò)神經(jīng)元計算公式為

ht=f(whxt+bh).

(1)

簡單循環(huán)神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元計算公式為

ht=f(wh[ht-1,xt]+bh).

(2)

式中，xt為當前的輸入；wh為隱藏層的權(quán)重矩陣；bh為隱藏層的偏置向量；f為激活函數(shù)；ht為當前的輸出；ht-1為上一時刻的輸出。

BP神經(jīng)網(wǎng)絡(luò)是一個靜態(tài)網(wǎng)絡(luò),信息的傳遞是單向的,網(wǎng)絡(luò)的輸出只依賴于當前的輸入,可以逼近任意復(fù)雜函數(shù),但不會根據(jù)先前信息對之后的信息進行推斷,不具備記憶能力。

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN),通過使用自反饋的神經(jīng)元,使一個隱藏層神經(jīng)元的信息可以傳遞到下一個隱藏層神經(jīng)元,具有一定的記憶能力,在處理序列性問題方面優(yōu)勢明顯。但由于RNN結(jié)構(gòu)共享權(quán)重和偏置,梯度在反向傳播過程中,不斷連乘,使梯度會越來越大或越來越小,進而產(chǎn)生梯度爆炸或梯度消失問題[22]。Hochreiter等[23]通過在傳統(tǒng)RNN網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進行改進,誕生了LSTM網(wǎng)絡(luò)。

LSTM的神經(jīng)元設(shè)計了輸入門i、遺忘門f、輸出門O、記憶單元C。LSTM依靠這些“門”的結(jié)構(gòu)讓信息有選擇性地影響神經(jīng)網(wǎng)絡(luò)中每個時刻的狀態(tài)。“門”結(jié)構(gòu)使用sigmoid作為激活函數(shù)的全連接神經(jīng)網(wǎng)絡(luò),會輸出一個0到1之間的數(shù)值,描述當前輸入有多少信息量可以通過這個結(jié)構(gòu),從而避免產(chǎn)生梯度爆炸或梯度消失問題。長短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 長短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of long-short term memory neural network

遺忘門:

ft=σ(Wf[ht-1,xt]+bf).

(3)

輸入門：

it=σ(Wi[ht-1,xt]+bi).

(4)

輸出門：

Ot=σ(Wo[ht-1,xt]+bo).

(5)

式中，Wf為LSTM中遺忘門神經(jīng)元的權(quán)重矩陣；bf為LSTM中遺忘門神經(jīng)元的偏置向量；ft為LSTM中遺忘門神經(jīng)元的輸出；Wi為LSTM中輸入門神經(jīng)元的權(quán)重矩陣；bi為LSTM中輸入門神經(jīng)元的偏置向量；it為LSTM中輸入門神經(jīng)元的輸出；Wo為LSTM中輸出門神經(jīng)元的權(quán)重矩陣；bo為LSTM中輸出門神經(jīng)元的偏置向量；Ot為LSTM中輸出門神經(jīng)元的輸出；σ為sigmoid激活函數(shù)；

1.2 特征選擇方法

盡管隨著深度學習的發(fā)展,可避免人工提取特征的端到端的學習機制成為研究熱點,但在進行神經(jīng)網(wǎng)絡(luò)訓練時,適當對變量進行特征選擇可簡化模型,縮短訓練時間,進而提高模型的泛化能力。特征選擇方法可分為Filter(過濾法)、Wrapper(包裝法)、Embedded(嵌入法)。本文中選擇Filter法中相關(guān)系數(shù)法,分別選用Pearson相關(guān)系數(shù)和距離相關(guān)系數(shù)[24]進行相關(guān)性分析。

Pearson相關(guān)系數(shù)法用于分析各個變量對目標變量的線性相關(guān)性,其計算公式為

(6)

式中，cov(X,Y)為X,Y的協(xié)方差；D(X)為X的方差；D(Y)為Y的方差；ρXY為X,Y的Perason相關(guān)系數(shù)。

Pearson 相關(guān)系數(shù)只能度量變量間的線性相關(guān)性,并且須服從正態(tài)分布假設(shè)。距離相關(guān)系數(shù)彌補了 Pearson相關(guān)系數(shù)的不足,不僅能反映變量間的線性關(guān)系,也可以表示變量間的非線性關(guān)系,并且不需要任何的模型假設(shè)和參數(shù)條件。距離相關(guān)系數(shù)Rn(X,Y)的計算方法為

(7)

2 數(shù)據(jù)預(yù)處理

樣本的質(zhì)量由訓練樣本分布所能反映總體分布的程度決定,對神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度和泛化能力存在顯著影響,因此合理的選擇訓練樣本集對于提高網(wǎng)絡(luò)模型的預(yù)測精度和泛化能力有重要意義。Partridg[25]對于BP網(wǎng)絡(luò)的研究表明,樣本質(zhì)量對網(wǎng)絡(luò)泛化能力的影響超過了網(wǎng)絡(luò)結(jié)構(gòu)本身的影響。訓練樣本對所研究問題的表征能力和合理的學習機制對改善神經(jīng)網(wǎng)絡(luò)模型的泛化能力至關(guān)重要。為了保證大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測的效果,首先需要對原始訓練樣本進行整理、清洗以及特征選擇,最終建立一個用于大鉤載荷、轉(zhuǎn)盤扭矩神經(jīng)網(wǎng)絡(luò)預(yù)測模型訓練的優(yōu)質(zhì)數(shù)據(jù)集。

2.1 數(shù)據(jù)整理與清洗

訓練樣本由國內(nèi)某油田提供的69口井的原始數(shù)據(jù),包含綜合錄井數(shù)據(jù)、測斜數(shù)據(jù)、鉆井液數(shù)據(jù)和鉆具組合數(shù)據(jù),參數(shù)種類60余種。經(jīng)過數(shù)據(jù)獲取、分井存儲、數(shù)據(jù)拼接、數(shù)據(jù)清洗、按時間排序后,最終得到可用于訓練的樣本數(shù)據(jù)集。

2.2 相關(guān)性分析與特征選擇

通過計算各個影響參數(shù)間的Pearson相關(guān)系數(shù)和距離相關(guān)系數(shù)分析各參數(shù)間的相關(guān)性。對Pearson相關(guān)系數(shù)取絕對值,用以表征各個變量之間線性相關(guān)的強度。

如圖2、3所示,距離相關(guān)系數(shù)整體上均大于Pearson相關(guān)系數(shù),說明地面工程參數(shù)與大鉤載荷、轉(zhuǎn)盤扭矩存在較強的非線性關(guān)系。

圖2 Pearson相關(guān)系數(shù)Fig.2 Pearson correlation coefficient

圖3 距離相關(guān)系數(shù)Fig.3 Distance correlation coefficient

此外,在鉆進某一段的過程中,該井段的鉆井液體系、鉆具組合、鉆頭類型已確定,不會隨時間變化。但在鉆進不同井段時會采用不同的鉆井液體系、鉆具組合、鉆頭類型,也會對大鉤載荷、轉(zhuǎn)盤扭矩產(chǎn)生影響。本文中利用BP神經(jīng)網(wǎng)絡(luò)刻畫鉆井液體系、鉆具組合、鉆頭類型與大鉤載荷、轉(zhuǎn)盤扭矩間的復(fù)雜的非線性映射關(guān)系。綜合以上分析,最終得到21種可量化的輸入特征,分別為井深、井斜、方位角、大鉤載荷、轉(zhuǎn)盤扭矩、轉(zhuǎn)盤轉(zhuǎn)速、立管壓力、入口密度、出口密度、入口溫度、出口溫度、遲到溫度、入口電導(dǎo)、出口電導(dǎo)、入口流量、出口流量、排量、當量密度、泵沖1、泵沖2、總池體積。3種定性的輸入特征,分別為鉆井液體系、鉆具組合、鉆頭類型。

2.3 數(shù)據(jù)歸一化

將數(shù)據(jù)集分為時序數(shù)據(jù)和非時序數(shù)據(jù)兩部分,其中非時序數(shù)據(jù)為類別參數(shù),作為BP網(wǎng)絡(luò)的輸入。時序數(shù)據(jù)為可量化的參數(shù),作為LSTM網(wǎng)絡(luò)的輸入。

2.3.1 量化參數(shù)的歸一化

對數(shù)據(jù)進行歸一化,可消除不同變量量綱的影響,避免過大的數(shù)值在訓練過程中引發(fā)數(shù)值問題,同時也可加快梯度下降算法求最優(yōu)解的速度。目前在數(shù)據(jù)標準化方法的選擇上,并沒有通用的法則可以遵循?？紤]到鉆井工程參數(shù)很少有極端的極大極小值以及鉆井設(shè)備能力的限制,參數(shù)的最大和最小值可以事先設(shè)定或統(tǒng)計分析得到,因此本文中采用極值歸一化方法對綜合錄井數(shù)據(jù)、測斜數(shù)據(jù)進行歸一化,

(8)

2.3.2 類別參數(shù)的One-hot編碼

對于鉆井液體系、鉆頭類型、鉆具組合變量,將鉆井液體系[26]劃分為低密度、普通、普通加重、高密度、超高密度鉆井液;鉆頭類型劃分為PDC、牙輪;鉆具組合劃分為鐘擺、滿眼、塔式鉆具組合。并采用One-hot方法數(shù)字化。

2.4 數(shù)據(jù)集構(gòu)造

2.4.1 輸入輸出序列構(gòu)造

在模型訓練過程中，LSTM的輸入與BP神經(jīng)網(wǎng)絡(luò)的輸入形式有所不同，LSTM網(wǎng)絡(luò)中需要將時間序列數(shù)據(jù)轉(zhuǎn)換為監(jiān)督學習。

P1、P2、P3、…、P21分別表示時序數(shù)據(jù)中的21種變量，其中P1、P2表示大鉤載荷、轉(zhuǎn)盤扭矩。假設(shè)當前時刻為t，下一時刻為t+1，選取歷史步長為5，則LSTM網(wǎng)絡(luò)當前時刻t的輸入為

對定性變量采用one-hot方法數(shù)字化，P22、P23、P24、…、P31分別表示低密度、普通、普通加重、高密度、超高密度鉆井液、PDC、牙輪、鐘擺、滿眼、塔式鉆具組合共10類，BP網(wǎng)絡(luò)當前時刻t的輸入為[P22,t、P23,t、P24,t、…、P31,t]。

此時模型的輸出為下一時刻t+1的[P1,t+1]和[P2,t+1]。

2.4.2 評價指標

分別選取均方根誤差Re和平均相對誤差A(yù)e作為大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測的評價指標，表達式分別為

(9)

(10)

式中，ytrue和ypre分別為目標真實值和預(yù)測值；N為樣本數(shù)量。

3 BP-LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)設(shè)計

BP-LSTM雙輸入網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計如圖4所示。圖4中BP神經(jīng)網(wǎng)絡(luò),用以輸入非時序性數(shù)據(jù),輸入?yún)?shù)經(jīng)過One-hot數(shù)字化后種類為10種,分別為低密度、普通、普通加重、高密度、超高密度鉆井液、鐘擺、滿眼、塔式鉆具組合、PDC、牙輪鉆頭。LSTM網(wǎng)絡(luò)用以輸入時序性數(shù)據(jù),選取歷史時間步長為5,輸入?yún)?shù)種類21種,分別為井深、井斜角、方位角、扭矩、轉(zhuǎn)速、立管壓力、入口密度、出口密度、入口溫度、出口溫度、遲到溫度、入口電導(dǎo)、出口電導(dǎo)、入口流量、出口流量、排量、當量密度、大鉤負荷、泵沖1、泵沖2、總池體積。

圖4 BP-LSTM雙輸入網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of BP-LSTM dual input network

4 BP-LSTM與LSTM模型對比

采用來自不同區(qū)塊的60口井數(shù)據(jù),對BP-LSTM與LSTM模型進行對比分析,BP-LSTM與LSTM網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)與兩種模型對比分析結(jié)果如表1所示。其中BP-LSTM所需參數(shù)為表1中參數(shù)1、2、3、4，LSTM所需參數(shù)為參數(shù)2、3、4。

表1 BP-LSTM與LSTM模型的測試結(jié)果

兩類網(wǎng)絡(luò)的鉤載預(yù)測誤差對比如圖5所示。12個模型中有7個BP-LSTM鉤載預(yù)測模型性能表現(xiàn)優(yōu)于LSTM鉤載預(yù)測模型,且最優(yōu)模型是BP-LSTM鉤載預(yù)測模型,對應(yīng)的平均相對誤差為1.20%。

兩類網(wǎng)絡(luò)的扭矩預(yù)測誤差對比如圖6所示。12個模型中有5個BP-LSTM扭矩預(yù)測模型性能表現(xiàn)優(yōu)于LSTM扭矩預(yù)測模型。雖然最優(yōu)模型是LSTM扭矩預(yù)測模型,對應(yīng)相對誤差為8.76%,但BP-LSTM扭矩預(yù)測模型中最優(yōu)模型對應(yīng)的相對誤差為9.03%,兩者差異并不大。

綜合以上對比分析,驗證了針對不同數(shù)據(jù)類型設(shè)計的BP-LSTM雙輸入網(wǎng)絡(luò)架構(gòu)的合理性與可靠性,雖然在扭矩預(yù)測模型中,部分BP-LSTM模型表現(xiàn)欠佳,但與表現(xiàn)較好的LSTM模型差異不大。此外,在訓練BP-LSTM與LSTM兩類模型時,需保證輸入特征一致,對此在訓練LSTM網(wǎng)絡(luò)時強制將非時序數(shù)據(jù)(鉆頭、鉆井液等)轉(zhuǎn)換為時序數(shù)據(jù),但鉆井過程中,該類數(shù)據(jù)是不會隨時間時時刻刻發(fā)生改變的,僅在不同開次時進行調(diào)整,因此為了僅使用LSTM網(wǎng)絡(luò)而對該類數(shù)據(jù)進行時序數(shù)據(jù)轉(zhuǎn)換是缺乏科學依據(jù)的,而BP-LSTM網(wǎng)絡(luò)能夠根據(jù)不同的數(shù)據(jù)類型進行適應(yīng)性的學習,能夠最大程度的學習數(shù)據(jù)的內(nèi)在規(guī)律,進而提高模型的預(yù)測精度。

圖5 兩類網(wǎng)絡(luò)的鉤載預(yù)測誤差對比Fig.5 Comparison of drag prediction error for different networks

圖6 兩類網(wǎng)絡(luò)的轉(zhuǎn)盤扭矩預(yù)測誤差對比Fig.6 Comparison of torque prediction error for different networks

5 基于BP-LSTM網(wǎng)絡(luò)的大鉤載荷與轉(zhuǎn)盤扭矩預(yù)測模型訓練、測試與優(yōu)選

5.1 不同區(qū)塊的60口井

由于鉆井現(xiàn)場數(shù)據(jù)搜集不易,數(shù)據(jù)量有限且十分寶貴,因此首先使用來自不同區(qū)塊的全部60口鉆井數(shù)據(jù)進行模型訓練、測試和優(yōu)選,其中41口井數(shù)據(jù)作為訓練集,19口井的數(shù)據(jù)作為測試集。BP-LSTM雙輸入網(wǎng)絡(luò)以LSTM網(wǎng)絡(luò)為主,BP神經(jīng)網(wǎng)絡(luò)為輔,因此在訓練優(yōu)化時,主要對LSTM網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)進行優(yōu)化,對于BP神經(jīng)網(wǎng)絡(luò)采用1層隱藏層(16個神經(jīng)元)、1層輸出層(8個神經(jīng)元)的網(wǎng)絡(luò)結(jié)構(gòu)。

對于LSTM網(wǎng)絡(luò),設(shè)計3種不同的神經(jīng)網(wǎng)絡(luò)架構(gòu)(分別為1層、2層、3層LSTM層),每種網(wǎng)絡(luò)架構(gòu)均設(shè)計4種參數(shù)組合,包括LSTM層數(shù)、神經(jīng)元個數(shù)、Dropout、激活函數(shù),共計12種網(wǎng)絡(luò)模型,利用41口井的訓練集進行網(wǎng)絡(luò)模型的訓練,19口井的測試集進行模型的測試,每個模型均訓練120次。經(jīng)模型訓練與測試后,分別得到預(yù)測大鉤載荷的12個模型和預(yù)測轉(zhuǎn)盤扭矩的12個模型,網(wǎng)絡(luò)模型的具體參數(shù)如表2所示。

綜合相對誤差、均方根誤差、模型復(fù)雜度共3個指標對大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測模型進行優(yōu)選,結(jié)果如圖7、8所示。

在大鉤載荷預(yù)測模型方面,相對誤差較小的有1.202%、1.21%,分別對應(yīng)第1、第2個模型,對應(yīng)的均方根誤差分別為39.05和39.56 kN,兩個模型的參數(shù)量均為7 553。綜合分析以上3個指標,選擇第1個模型作為大鉤載荷的預(yù)測模型,其模型預(yù)測準確度最高、結(jié)構(gòu)最簡單。

表2 不同網(wǎng)絡(luò)的模型參數(shù)

在轉(zhuǎn)盤扭矩預(yù)測模型方面,相對誤差較小的為9.038%和9.159%,分別對應(yīng)第1、第5個模型,對應(yīng)的均方根誤差分別為1.681 7和1.603 34 kN·m,模型的空間復(fù)雜度分別為7 553和15 873。綜合以上3個指標,雖然第1個模型的均方根誤差略大于第5個模型,但第1個模型的空間復(fù)雜度要遠遠低于第5個模型,為提高模型的遷移應(yīng)用性能、降低過擬合的可能性,在保證預(yù)測準確度的同時,選擇模型結(jié)構(gòu)更為簡單的第1個模型作為轉(zhuǎn)盤扭矩的預(yù)測模型。

圖7 大鉤載荷與轉(zhuǎn)盤扭矩預(yù)測誤差對比Fig.7 Comparison of torque and drag prediction error

圖8 網(wǎng)絡(luò)模型空間復(fù)雜度Fig.8 Spatial complexity of network model

5.2 同一區(qū)塊的15口井

考慮到區(qū)塊與區(qū)塊間的差異性,利用同一區(qū)塊內(nèi)的數(shù)據(jù)進行模型訓練、測試與優(yōu)選。采用中古區(qū)塊的15口鉆井數(shù)據(jù)集進行模型訓練、測試與優(yōu)選。與5.1節(jié)區(qū)別僅在于采用的數(shù)據(jù)集不同,其他方法均相同。其中12口油井進行訓練,3口測試。同樣的綜合相對誤差、均方根誤差、模型復(fù)雜度共3個指標對大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測模型進行優(yōu)選。相對誤差、均方根誤差如表3所示。

對于均方根誤差和平均相對誤差兩種評價指標,第5種參數(shù)組合下的鉤載、扭矩預(yù)測模型的性能表現(xiàn)均最優(yōu),鉤載、扭矩對應(yīng)的均方根誤差分別為38.79 kN和2.16 kN·m,平均相對誤差分別為1.46%和18.9%。

表3 網(wǎng)絡(luò)模型測試結(jié)果

綜合以上分析,利用同一區(qū)塊的15口井數(shù)據(jù)訓練得到的預(yù)測模型,最優(yōu)模型的參數(shù)組合為LSTM層兩層、對應(yīng)神經(jīng)元個數(shù)32、Dropout為0.3、激活函數(shù)為tanh。此外可以發(fā)現(xiàn)采用15口油井數(shù)據(jù)訓練測試得到的模型,其預(yù)測精度整體上均低于采用60口油井數(shù)據(jù)訓練測試得到的模型。雖然通過劃分區(qū)塊消除了區(qū)塊間的差異性,但模型性能并未提高,原因主要是訓練神經(jīng)網(wǎng)絡(luò)需要一定數(shù)據(jù)量的保證,但同一區(qū)塊內(nèi)15口井的數(shù)據(jù)是不能充分訓練神經(jīng)網(wǎng)絡(luò)模型的。但在大鉤載荷預(yù)測模型方面,經(jīng)過15口井數(shù)據(jù)訓練后,預(yù)測鉤載的相對誤差為1.46%、均方根誤差為38.79 kN,而經(jīng)過60口井數(shù)據(jù)訓練得到的模型,其預(yù)測鉤載的相對誤差為1.202%、均方根誤差為39.05 kN。通過對比,可發(fā)現(xiàn)雖然訓練鉤載預(yù)測模型的數(shù)據(jù)量由60口減少至15口,但鉤載預(yù)測模型的精度卻未大幅降低,說明分區(qū)塊訓練是合理且有意義的。

5.3 結(jié)果分析

利用最優(yōu)的BP-LSTM模型進行大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測,結(jié)果如圖9所示。通過與實測數(shù)據(jù)對比,大鉤載荷預(yù)測的均方根誤差為39.05 kN、相對誤差為1.202%。轉(zhuǎn)盤扭矩預(yù)測的均方根誤差為1.627 4 kN·m、相對誤差為9.038%。從圖9中可看出,大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測值的變化趨勢與實際值的變化趨勢基本吻合,且數(shù)值也較為接近。

圖9 預(yù)測值與測量值對比Fig.9 Comparison of predicted and measured values

6 結(jié)束語

通過分析大鉤載荷與轉(zhuǎn)盤扭矩預(yù)測問題的特征(影響因素復(fù)雜多樣、時間序列)與人工神經(jīng)網(wǎng)絡(luò)的技術(shù)特點,從多種人工神經(jīng)網(wǎng)絡(luò)中優(yōu)選出BP神經(jīng)網(wǎng)絡(luò)與LSTM神經(jīng)網(wǎng)絡(luò),設(shè)計了雙輸入網(wǎng)絡(luò)架構(gòu),并建立了大鉤載荷與轉(zhuǎn)盤扭矩預(yù)測模型,實現(xiàn)了基于數(shù)據(jù)驅(qū)動的大鉤載荷與轉(zhuǎn)盤扭矩預(yù)測,與現(xiàn)場實測數(shù)據(jù)對比,大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測的均方根誤差分別為39.05 kN和1.627 4 kN·m,相對誤差分別為1.202%和9.038%。雖然缺乏與物理模型的結(jié)合,但豐富了大鉤載荷、轉(zhuǎn)盤扭矩的預(yù)測方法,為大鉤載荷、轉(zhuǎn)盤扭矩預(yù)測提供了新的思路和方法,同時也是對智能鉆井理論與方法的有效探索。