基于数据驱动和机理模型的机械钻速预测

作     者：郑双进 江厚顺 熊梦园 孟胡 詹炜 程荣升 王立辉 ZHENG Shuangjin;JIANG Houshun;XIONG Mengyuan;MENG Hu;ZHAN Wei;CHENG Rongsheng;WANG Lihui

作者机构：长江大学石油工程学院 长江大学计算机科学学院 中国石油天然气股份有限公司大港油田分公司 

出 版 物：《钻采工艺》 (Drilling & Production Technology)

年 卷 期：2025年第48卷第1期

页      面：78-87页

学科分类：08[工学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金青年项目“穿越井筒天然断裂及人工裂缝滑移与套管变形机理研究”(编号:52404002) 油气钻采工程湖北省重点实验室开放基金项目“二氧化碳埋存井井筒屏障密封失效机理研究”(编号:YQZC202411) 长江大学非常规油气省部协同创新中心开放基金项目“采用机器学习技术优化页岩气井钻井参数模型研究”(编号:UOG2022-06) 

主　　题：机械钻速预测 时序卷积网络 长短期记忆网络 变分模态分解 蜣螂优化算法 数据分析 

摘      要：为准确预测复杂工况下的机械钻速,提出了一种基于数据驱动和机理模型的机械钻速预测方法。首先对收集的8000余条钻井数据进行斯皮尔曼和曼特尔特性分析,筛选出有效施工参数,采用变分模态分解算法(VMD)进行数据降噪,然后构建时序卷积网络结合长短期记忆网络(TCN-LSTM)作为数据驱动模型,并融合多元钻速预测机理模型,通过物理约束增强数据驱动模型的准确性与可解释性,实验表明融合模型比单一数据驱动模型或机理模型预测精度更高。随后,为进一步提升模型性能,采用了改进的蜣螂优化算法(IDBO)对TCN-LSTM模型进行优化,通过改进种群初始化和更新策略,实现了参数的高效搜索。消融实验及现场应用结果表明,对比BP、RF、LSTM、TCN模型,TCN-LSTM-IDBO模型可以实现机械钻速的精确预测,并且具有较好的泛化能力,可为钻井施工人员提供有力参考。