基于机器学习的钻井液流变参数智能识别方法

作     者：刘长晔 杨现禹 蔡记华 王韧 王建龙 代凡斐 郭万阳 蒋国盛 冯洋 LIU Changye;YANG Xianyu;CAI Jihua;WANG Ren;WANG Jianlong;DAI Fanfei;GUO Wanyang;JIANG Guosheng;FENG Yang

作者机构：中国地质大学(武汉)工程学院湖北武汉430074 中国石油集团工程技术研究院有限公司北京102206 

出 版 物：《煤田地质与勘探》 (Coal Geology & Exploration)

年 卷 期：2024年第52卷第5期

页      面：183-192页

核心收录：

学科分类：081801[工学-矿产普查与勘探] 08[工学] 0818[工学-地质资源与地质工程] 

基　　金：国家自然科学基金青年科学基金项目(42002311) 

主　　题：钻井液 流变参数 机器学习 卷积神经网络 智能识别 

摘      要：钻井液流变性是钻井液流动和变形的特性,对于携带与悬浮岩屑、提高钻进速度至关重要,准确掌握钻井液流变参数是保证井眼清洁与高效钻进的前提。提出一种基于卷积神经网络(Convolu-tionalNeuralNetwork,CNN)的钻井液流变参数智能识别方法,通过磁力搅拌产生稳定的钻井液流动图像,利用多种数据增强方法增加图像数量并建立数据库,增强模型的鲁棒性和泛化能力。优化AlexNet卷积神经网络算法,构建钻井液流变参数识别模型。将数据库划分为训练集:验证集:测试集=7:2:1,对训练集进行迭代训练并通过验证集调整参数获得最佳拟合模型。此外,运用混淆矩阵、卷积核可视化技术和类激活技术(Gradient-weighted Class Activation Mapping,Grad-CAM)对模型进行多方位评估。结果表明:(1)钻井液流变参数识别模型对钻井液塑性黏度测试的宏精确率为95.2%,宏召回率为94.7%,宏F1值为0.95。(2)对钻井液表观黏度测试的宏精确率为91.6%,宏召回率为91.5%,宏F1值为0.90。(3)利用卷积核可视化技术和Grad-CAM对特征提取进行可视化处理,发现钻井液波纹形状和大小会影响模型流变参数识别准确度。(4)室内测试结果表明,该模型的测试误差为±2 mPa·s,在设计允许范围以内,具有较高的识别精确度和稳定性。所提出的钻井液流变参数实时智能识别方法可为安全、快速和准确地进行钻井液流变性测试提供智能化技术思路。