基于GRU神经网络的PDC钻头磨损实时监测模型

摘要

能够实时监测钻头磨损程度对于钻井提速是一个直观的参考目标。但钻井现场难以采集直接反映钻头磨损情况的参数，目前对钻头磨损程度的监测手段较少，主要依靠技术人员的经验判断。如何定量评估PDC钻头磨损程度一直是研究的难点。钻头磨损程度评价主要基于破岩效率和机械比能。通过物理模型计算机械比能，并通过小波分析、聚类算法表征钻头磨损过程，建立了基于门控循环单元（GRU）神经网络的PDC钻头磨损实时监测模型，形成了钻井参数与钻头磨损程度的映射关系，模型精度达95%。采用新疆油田A井数据对模型进行测试，结果表明该模型可以正确预测当前钻头磨损级别。该模型为钻头磨损监测提供了一种解决方案，可以辅助现场工程师判断起下钻时机，以保证更高的钻井效率。

关键词

钻井 / 钻头磨损 / 聚类算法 / 小波分析 / GRU神经网络 / 机器学习

基金资助

国家重点研发计划“复杂油气智能钻井理论与方法”（2019YFA0708300）;; 中国石油天然气集团公司与中国石油大学（北京）战略合作技术项目“钻完井人工智能理论与应用场景关键技术研究”（ZLZX2020-03）