刘建明，李玉梅，张 涛，宋剑鸣

(1.北京信息科技大学 自动化学院,北京 100192；2.北京信息科技大学 高动态导航技术北京市重点实验室,北京 100192；3.中国石油集团渤海钻探工程技术研究院,天津 300457)

0 引 言

卡钻是钻井复杂工况最常发生的事故之一，也是造成钻井成本升高的原因之一。根据近年来的钻井资料统计分析，卡钻工况在井下复杂工况中占40%～50%，由卡钻引起的资金损失占非生产耗费资金的50%以上[1-2]。

卡钻的发生会导致井下工程参数的异常变化，传统的数学模型难以完全反映卡钻发生时的变化规律，机器学习可以对非线性规律进行较为准确的描述，建立有效的非线性分类模型，通过机器学习方法可以实现卡钻预测。2006年在墨西哥湾油田实现了通过神经网络模型进行卡钻预测的工程应用[3]。单志刚等[4]采用人工神经网络模型进行卡钻预测，开发出人工神经网络实时卡钻预测系统软件。王江萍等[5]通过人工神经网络对知识进行获取，利用专家系统对事故进行诊断，研发出一套能诊断多种钻井工况的系统。刘光星等[6]将时间序列ARMA模型与神经网络非线性模型相结合，提出一种基于时间序列的神经网络卡钻预测方法。

卡钻发生前可以分成钻具正常运行时间和异常运行时间，卡钻预测归属于分类问题。RF(random forest，随机森林)是一种成熟的分类算法，有可靠的预测性能；PCA(principal component analysis，主成分分析法)可以降低数据集的维度，提高运算效率。PCA与RF相结合的算法既能保证预测准确率，又能在数据量大的情况下保证较高的运算效率，近年来取得了良好的应用效果。……