基于PSO-BP的钻井机械钻速预测模型

李 琪, 屈峰涛*, 何璟彬, 王 勇，解 聪, 王六鹏

(1.西安石油大学石油工程学院，西安 710065；2.川庆钻探工程有限公司长庆钻井总公司，西安 710021；3.中石油长庆油田分公司质量安全环保部，西安 710018)

随着地质工程一体化钻井技术研究与发展，早期基于单因素分析获得的钻速方程很难满足现场海量实钻数据的应用需求，严重影响地质工程一体化安全高效钻井方案的调整和优化，亟待建立新的钻速方程[1]。近年来，随着将大数据、机器学习等信息领域新技术应用于石油行业，综合多因素的智能钻速方程越来越受到中外学者的关注[2-3]。Ahmed等[4]分析人工神经网络、极限学习机、支持向量回归机等模型的预测精度，验证了智能算法在钻速预测的可行性。景宁等[5]提出了一种基于层析分析法与神经网络相组合的智能模型，利用岩石抗压强度、钻头尺寸、钻进参数、钻井液密度实现钻速预测，预测误差在10%以内。Amer等[6]建立了以人工神经网络为基础的机械钻速预测模型，该模型以岩性变化、钻井参数和钻头数据为输入参数，预测结果准确率在88%～90%。赵颖等[7]建立了一种基于极限学习机回归算法的机械钻速预测模型，预测结果准确率达90%以上。

虽然目前已经建立了多种机械钻速智能预测模型，但是单一智能算法很容易陷入局部最优，且预测结果稳定性差，因此，需要开发基于混合算法的机械钻速预测模型。在钻井工程实测数据的基础上，建立了粒子群优化算法与反向传播(back propagation，BP)神经网络相结合的钻井机械钻速预测新模型，该模型以机械钻速为目标，转速、钻压、钻井液密度、深度、井径等为输入参数。……