-
题名基于CEEMDAN-CNN的钻头磨损状态监测研究
被引量：10
- 1
-
-
作者
刘奕呈
李玉梅
张涛
李超
-
机构
北京信息科技大学高动态导航技术北京市重点实验室
渤海钻探第二钻井分公司
-
出处
《石油机械》
北大核心
2022年第9期59-65,共7页
-
基金
国家自然科学基金青年项目“干热岩储层双重介质射孔簇内复杂多裂缝起裂及扩展机理研究”(52104001)
北京信息科技大学重点研究培育项目“基于人工智能方法的近钻头高频扭转振动状态识别研究”(2121YJPY220)
+1 种基金
北京市教委一般项目“高频复合振动冲击钻井立体破岩机理研究”(KM202111232004)
中国石油天然气集团有限公司-中国石油大学(北京)战略合作科技专项(ZLZX2020-03)。
-
文摘
钻头磨损状态的准确监测对于提高钻井效率、规避钻井事故的发生具有重大意义。针对钻井过程中钻头磨损状态监测困难的问题,结合井下近钻头工程参数短节所测数据,提出基于自适应噪声完备经验模态分解(CEEMDAN)、小波阈值以及卷积神经网络(CNN)的钻头磨损监测模型。首先将近钻头工程参数测量短节测得的振动数据进行基于自适应噪声完备经验模态分解,得到一系列本征模态函数分量,再对本征模态函数分量进行小波阈值去噪并完成信号重构,最后根据重构信号提取钻头磨损特征,完成卷积神经网络模型训练和钻头磨损状态识别。研究结果表明,钻头磨损监测模型精度达到92.3%,即该模型能准确识别钻头磨损状态且识别准确率高。研究结果可为及时调整钻井参数、确定更换钻头时机等提供技术支持。
-
关键词
钻头磨损
自适应噪声完备经验模态分解
小波阈值
卷积神经网络
近钻头工程参数
磨损监测
-
Keywords
bit wear
complete ensemble empirical mode decomposition with adaptive noise(CEEMDAN)
wavelet threshold
convolutional neural network(CNN)
near-bit engineering parameter
wear monitoring
-
分类号
TE921
[石油与天然气工程—石油机械设备]
-
-
题名基于K-Means聚类算法的沉砂卡钻预测方法研究
被引量：17
- 2
-
-
作者
苏晓眉
张涛
李玉飞
卿玉
李玉梅
-
机构
北京信息科技大学信息与通信工程学院
北京信息科技大学“高动态导航技术北京市重点实验室”
中国石油川庆钻探工程有限公司钻采工程技术研究院
-
出处
《钻采工艺》
CAS
北大核心
2021年第3期5-9,共5页
-
基金
国家自然科学基金面上项目“基于模型预测控制理论与状态机架构的控压钻井压力控制方法研究”(编号:51374223)
北京市属高校高水平教师队伍建设支持计划——青年拔尖人才培育计划(编号:CIT&TCD201804057)
+2 种基金
北京市教委一般项目“井下工程参数测量与数据分析方法研究”(编号:KM201811232011)
北京信息科技大学师资补充与支持计划项目“干热岩基础岩石力学参数测试研究”(编号:5112011131)
中国石油集团公司重大科技项目“油气井溢流预警监测与井喷预防控制技术研究与应用”(编号:2019D-4618)。
-
文摘
井眼不清洁造成卡钻是常见的钻井复杂工况之一,在卡钻发生前,部分井下工程参数特征会表现出异常。为了掌握卡钻前的工程参数特征变化规律,及时调整钻井参数,可避免卡钻发生。提出了一种基于主成分分析(PCA)算法和K-Means聚类算法的卡钻工况预测模型。该模型利用PCA算法对冀东油田某井卡钻工况前的井下近钻头实测工程参数进行降维处理,再利用K-Means聚类模型对降维后的数据进行训练测试,最后利用Calinski-Harabaz指数对聚类质量进行评估。结果表明,正常工况数据和卡钻前工况数据的聚类中心相距较远,两类数据得到有效分类,且Calinski-Harabaz指数值高,表明聚类质量高,K-Means聚类算法能够有效地分析近钻头工程参数测量数据,根据聚类分析结果可及时对卡钻工况进行预警,减少卡钻工况的发生。
-
关键词
卡钻
钻井复杂工况
PCA
K-MEANS
近钻头工程参数
-
Keywords
sticking
complex drilling condition
PCA
K-Means
near bit engineering parameters
-
分类号
TE28
[石油与天然气工程—油气井工程]
-
