留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于XGBoost的钻井液体系分类预测模型研究

花露露 曹晓春 王劲草 王金 焦昱璇

花露露,曹晓春,王劲草,等. 基于XGBoost的钻井液体系分类预测模型研究[J]. 钻井液与完井液,2023,40(6):765-770 doi: 10.12358/j.issn.1001-5620.2023.06.010
引用本文: 花露露,曹晓春,王劲草,等. 基于XGBoost的钻井液体系分类预测模型研究[J]. 钻井液与完井液,2023,40(6):765-770 doi: 10.12358/j.issn.1001-5620.2023.06.010
HUA Lulu, CAO Xiaochun, WANG Jincao, et al.Study on prediction model for drilling fluid classification based on XGBoost[J]. Drilling Fluid & Completion Fluid,2023, 40(6):765-770 doi: 10.12358/j.issn.1001-5620.2023.06.010
Citation: HUA Lulu, CAO Xiaochun, WANG Jincao, et al.Study on prediction model for drilling fluid classification based on XGBoost[J]. Drilling Fluid & Completion Fluid,2023, 40(6):765-770 doi: 10.12358/j.issn.1001-5620.2023.06.010

基于XGBoost的钻井液体系分类预测模型研究

doi: 10.12358/j.issn.1001-5620.2023.06.010
基金项目: 东北石油大学大学生创新训练项目“大庆页岩油区块钻井液优化设计研究”(202210220149); 黑龙江省大学生创新创业训练计划项目“基于大数据的油气钻井工作液信息处理和设计平台”(202010220096)。
详细信息
    作者简介:

    花露露,在读硕士研究生,研究方向为油气井工作液化学、计算机科学与技术和机器学习。电话17806173681;E-mail:1664593638@qq.com。

    通讯作者:

    曹晓春,教授,1967年生,研究方向为石油工程及油田化学等领域的教学与科研。电话13614591589;E-mail:caoxiaochun_nepu@163.com。

  • 中图分类号: TE254

Study on Prediction Model for Drilling Fluid Classification Based on XGBoost

  • 摘要: 根据钻井液体系设计的原则,结合实际钻井液设计资料,应用一种新的机器学习方法建立了钻井液体系分类预测模型。钻井液体系分类数据经过独热编码(one-hot)之后,通过灰色关联度分析方法,选择出钻井液体系分类预测的20个特征参数,其中压力的关联度最大,为0.8233。将选择的地质设计参数和工程设计参数,基于一种极端梯度增强算法(XGBoost)针对4种钻井液体系进行分类预测。结果显示,基于XGBoost的钻井液体系分类预测模型4类钻井液体系训练集的准确率都为100%,测试集的平均准确率为99.89%,精确率为99.97%,召回率为98.89%,F1值为0.98。将该模型应用于胜利油田M区块,分类结果符合实际钻井要求,能够辅助选择钻井液体系,为实现钻井液智能化设计提供了帮助。

     

  • 图  1  灰色关联度分析结果图

    图  2  钻井液体系训练集混淆矩阵

    图  3  钻井液体系训练集分类预测结果

    图  4  钻井液体系测试集混淆矩阵

    图  5  钻井液体系测试集分类预测结果

    表  1  部分one-hot编码后的数据

    井别井斜/
    (°)
    井深/
    m
    T/
    P/
    MPa
    复杂情况储层损害主要岩性pH
    井漏井塌卡钻酸敏碱敏盐敏水敏泥岩砂岩碳酸盐岩盐膏层
    生产井2.00530285.50010000110007
    2.00557286.00010000110007
    2.50578306.50010000110007
    定向井23.4522309723.81001000101009
    23.4522409824.54001000101009
    24.3122509824.90001000101009
    预探井47.80441065112.00100100000105
    47.80441568111.00100100000106
    47.80442070112.50100100000106
    超深井36.508072180142.00010001000017
    36.508109180138.00010001000017
    39.508309185139.00010010000017
    39.568414190141.00001010000017
    39.568445190141.00001010000017
    下载: 导出CSV

    表  2  输出参数表

    类别钻井液体系编号
    体系1分散钻井液1
    体系2盐水钻井液2
    体系3聚合物钻井液3
    体系4抗高温钻井液4
    下载: 导出CSV

    表  3  二分类混淆矩阵

    混淆矩阵预测值
    类1类2
    真实值类1TPFN
    类2FPTN
    下载: 导出CSV

    表  4  钻井液体系分类预测模型测试集性能评价

    钻井液
    体系类别
    准确率/
    %
    精确率/
    %
    召回率/
    %
    F1值
    10.991.000.970.98
    20.990.980.980.98
    30.990.990.990.99
    41.001.001.001.00
    平均值0.990.990.980.98
    下载: 导出CSV

    表  5  钻井液体系的分类

    井段井深/m钻井液体系
    一开0~1050分散钻井液体系
    二开1050~2500聚合物钻井液体系
    三开2500~3600抗高温钻井液体系
    下载: 导出CSV
  • [1] 常晓峰,孙金声,王清臣. 水平井和斜井井眼清洁技术研究进展及展望[J]. 钻井液与完井液,2023,40(1):1-19.

    CHANG Xiaofeng, SUN Jinsheng, WANG Qingchen. Research progress and prospect of wellhole cleaning technology in horizontal Wells and inclined Wells[J]. Drilling Fluid & Completion Fluid, 2023, 40(1):1-19.
    [2] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

    ZHOU Zhihua. Machine Learning[M]. Beijing: Tsinghua University Press, 2016.
    [3] 林之韵,程云章,耿晓斌. 基于XGBoost的危重症患者住院时间分类预测模型和风险因素研究[J]. 生物医学工程研究,2023,42(1):36-42.

    LIN Zhiyun, CHENG Yunzhang, GENG Xiaobin. A XGBoost-based classification prediction model of hospital stay in critically ill patients and risk factors study[J]. Journal of Biomedical Engineering Research, 2023, 42(1):36-42.
    [4] 卢娅欣,黄月,李康. XGBoost算法在二分类非平衡高维数据分析中的应用[J]. 中国卫生统计,2021,38(1):21-24.

    LU Yaxin, HUANG Yue, LI Kang. Application of the XGBoost algorithm in the analysis of binary classified non-balanced high-dimensional data[J]. Chinese Journal of Health Statistics, 2021, 38(1):21-24.
    [5] 方侠旋. 基于XGBoost模型的文本多分类研究[J]. 网络安全技术与应用,2020(06):50-52.

    FANG Xiaxuan. Text multi-classification study based on the XGBoost model[J]. Network Security Technology & Application, 2020(06):50-52.
    [6] 赵晓东,徐振涛,刘福,等. 基于极端梯度提升算法的滑坡易发性评价模型[J]. 科学技术与工程,2022,22(23):10347-10354.

    ZHAO Xiaodong, XU Zhentao, LIU Fu, et al. Landslope susceptibility evaluation model based on extreme gradient lifting algorithm[J]. Science Technology and Engineering, 2022, 22(23):10347-10354.
    [7] 李红冀. 基于融合推理模型的钻井液优化设计系统研究[D]. 西南石油大学, 2015.

    LI Hongji. Research on drilling fluid optimization design system based on fusion inference model[D]. Southwest Petroleum University, 2015.
    [8] 马小石,李红冀,孟娜,等. 基于支持向量机的钻井液配方优选与成本控制[J]. 石油化工应用,2014,33(6):4-8.

    MA Xiaoshi, LI Hongji, MENG Na, et al. Drilling fluid formula optimization and cost control based on support vector machine[J]. Petrochemical Industry Application, 2014, 33(6):4-8.
    [9] 李建,蔡海艳,李嘉迪. 改进遗传算法及其在钻井液设计中的运用[J]. 西南石油大学学 报(自然科学版),2019,41(1):165-174.

    LI Jian, CAI Haiyan, LI Jiadi. Improving the genetic algorithm and its application in drilling fluid design[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2019, 41(1):165-174.
    [10] 吴建章,梅飞,郑建勇,等. 基于改进经验小波变换和XGBoost的电能质量复合扰动分类[J]. 电工技术学报,2022,37(1):232-243.

    WU Jianzhang, MEI Fei, ZHENG Jianyong, et al. Composite disturbance classification of power quality based on improved empirical wavelet transform and XGBoost[J]. Transactions of China Electrotechnical Society, 2022, 37(1):232-243.
    [11] 李晨阳,陈雄飞,张勇,等. 基于XGBoost的铝合金LIBS光谱分类识别方法[J]. 光谱学与光谱分析,2021,41(2):624-628.

    LI Chenyang, CHEN Xiongfei, ZHANG Yong, et al. Classification method of LIBS based on XGBoost[J]. Spectroscopy and Spectral Analysis, 2021, 41(2):624-628.
    [12] 任冠龙,孟文波,何玉发,等. 深水浅层钻井液水合物抑制性能优化[J]. 钻井液与完井液,2022,39(5):529-537.

    REN Guanlong, MENG Wenbo, HE Yufa, et al. Optimization of hydrate inhibition performance of deep water shallow drilling fluid[J]. Drilling Fluid & Completion Fluid, 2022, 39(5):529-537.
  • 加载中
图(5) / 表(5)
计量
  • 文章访问数:  230
  • HTML全文浏览量:  105
  • PDF下载量:  71
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-05-10
  • 修回日期:  2023-08-15
  • 刊出日期:  2023-12-30

目录

    /

    返回文章
    返回