井壁状态物理量在随钻风险智能评价系统中的应用探讨
2023-08-04朱玉磊陈卓耿立军
石化技术 2023年7期
关键词:模型
朱玉磊 陈卓 耿立军
中海石油(中国)有限公司天津分公司 天津 300451
目前,国内外技术发展趋向于“技术创新+数字化”,利用海量数据构建服务于油田的降本、提效数字化技术体系是当下到今后相当长一段时间内一个极其重要的发展命题。各大石油公司不遗余力加强基础数据建设,并从中获益。如何有效生成数据、挖掘数据、利用数据已经成为各大石油公司的主线工作。
文章通过分析人工智能的发展历程、随钻风险评价系统的研究现状,针对纯数据模型难以有效预测钻井风险的问题,采用引入井壁状态物理量的方法,探讨了提高随钻风险评价精度的方法。最后,将阻卡机理物理量作为中间参数,建立了提高复杂事故处理效率的数据模型。
1 人工智能的发展历程
1990年至今,人工智能一直在快速发展,首先被提出的是传统机器学习;Shannon[1]等人认为任何事物都可以用网络/信号来表示,从而建立了人工智能的计算机学科基础。其特点是有数学基础理论支持、数据量要求不大。传统机器学习发展分为三个阶段[2]:①统计学习方法。包括贝叶斯、决策树等一系列机器学习方法。②机器学习系统。包括数据预处理、模型调优、模型交叉验证等环节,注重模型的实时更新与应用。③概率图模型。机器学习系统的进一步优化,例如自然语言处理系统等。1995年,神经学家通过在猫的脑袋中安装电极,接收脑信号,从而建立了计算机理论与神经理论的联系[3]。在此基础上,多个隐含层的感知器深度学习结构被证明是有效的,模拟人脑运作方式的深度学习网络得到了长足发展。……
登录APP查看全文
