一种基于支撑向量机学习预测井眼轨迹的新方法

doi:10.7623/syxb200505022

石油学报 ›› 2005, Vol. 26 ›› Issue (5): 98-101.DOI: 10.7623/syxb200505022

一种基于支撑向量机学习预测井眼轨迹的新方法

王延江^1,2, 杨培杰¹, 史清江¹, 孙正义²

1. 中国石油大学信息与控制工程学院, 山东, 东营, 257061;
2. 胜利油田钻井工艺研究院钻井信息中心, 山东, 东营, 257017

收稿日期:2004-11-22 修回日期:2005-04-11 出版日期:2005-09-25 发布日期:2010-05-21
作者简介:王延江,男,1966年9月生,2001年获北方交通大学博士学位,现为中国石油大学(华东)信息与控制工程学院教授,胜利油田钻井工艺研究院在站博士后,主要从事智能信息处理及其在石油勘探、开发中的应用研究.E-mail:yjwang@hdpu.edu.cn
基金资助:
中国石油化工集团公司科技攻关项目“地质导向钻井工艺技术研究”(JP03009)资助

A novel method for predicting wellbore trajectory based on support vector machine

WANG Yan-jiang^1,2, YANG Pei-jie¹, SHI Ging-jiang¹, SUN Zheng-yi²

1. College of Information and Control Engineering, China University of Petroleum, Dongying 257061, China;
2. Drilling Information Center of Drilling Technology Research Institute, Sinopec Shengli Oilfield, Dongying 257017, China

Received:2004-11-22 Revised:2005-04-11 Online:2005-09-25 Published:2010-05-21

摘要/Abstract

摘要： 对影响井眼轨迹的几个主要因素进行了分析,提出了一种利用小样本统计学习理论中的支撑向量机来进行井眼轨迹预测的新方法,介绍了用于非线性回归估计的支撑向量机的基本原理,通过对一口或几口已钻井的轨迹数据、钻进方式和底部钻具组合结构参数进行学习训练支撑向量机,建立了井眼轨迹的支撑向量机预测模型,并利用多口实钻井的轨迹数据进行了验证。结果表明,这种新方法的预测精度远高于传统的定曲率几何预测方法。

关键词: 井眼轨迹, 预测模型, 支撑向量机, 结构参数, 统计学习理论

Abstract: The main factors affecting well trajectory during drilling were analyzed.A novel method for predicting well trajectory by using support vector machine(SVM)based on small samples of statistical learning theory is presented.The basic principles of support vector for regression(SVR)is introduced.A prediction model for well trajectory was established by training the SVR using the data of wellbore trajectory,drilling mode and the structural parameters for the bottom hole assembly of one or several drilled wells.The proposed prediction model was verified with the trajectory data of a number of drilled wells.This model has higher prediction precision than geometric method.

Key words: wellboret rajectory, prediction model, support vector machine, structural parameters, statistical learning theory

中图分类号:

TE23

王延江, 杨培杰, 史清江, 孙正义. 一种基于支撑向量机学习预测井眼轨迹的新方法[J]. 石油学报, 2005, 26(5): 98-101.

WANG Yan-jiang, YANG Pei-jie, SHI Ging-jiang, SUN Zheng-yi. A novel method for predicting wellbore trajectory based on support vector machine[J]. Editorial office of ACTA PETROLEI SINICA, 2005, 26(5): 98-101.

[1]	孟卓然. BHA轴向磁干扰对方位测量误差的影响——基于人工磁场模拟方法[J]. 石油学报, 2020, 41(8): 1011-1018.
[2]	王江帅, 李军, 柳贡慧, 陈安明, 骆奎栋, 黄涛, 汪伟. 变压力梯度下钻井环空压力预测[J]. 石油学报, 2020, 41(4): 497-504.
[3]	高永海, 孟文波, 崔燕春, 张崇, 陈野, 董钊, 孙金声, 孙宝江. 深水气井水合物沉积预测新模型[J]. 石油学报, 2019, 40(8): 975-982.
[4]	刘修善. 邻井距离解算及防碰评价[J]. 石油学报, 2019, 40(8): 983-989.
[5]	李丽, 汪雄雄, 刘双全, 刘建仪, 高仪君, 李超. 水平井筒气水流动规律及影响因素[J]. 石油学报, 2019, 40(10): 1244-1254.
[6]	杨震, 马清明, 杨宁宁, 崔海波, 李运升. 基于正交天线的随钻方位电磁波电阻率成像响应特征模拟[J]. 石油学报, 2018, 39(9): 1063-1069.
[7]	刘修善. 考虑磁偏角时空变化的实钻轨迹精准定位[J]. 石油学报, 2017, 38(6): 705-709.
[8]	高佳佳, 邓金根, 闫伟, 冯于恬, 王厚东, 李扬. 基于井壁稳定控制建立井眼轨迹优化预测模型[J]. 石油学报, 2016, 37(9): 1179-1186.
[9]	刘修善, 苏义脑. 井斜控制方案设计方法[J]. 石油学报, 2015, 36(7): 890-896.
[10]	赵欣, 邱正松, 黄维安, 周国伟, 张永君. 天然气水合物热力学抑制剂作用机制及优化设计[J]. 石油学报, 2015, 36(6): 760-766.
[11]	刘修善, 刘子恒. 井眼轨迹模型的通用格式[J]. 石油学报, 2015, 36(3): 366-371.
[12]	鲁港, 佟长海, 夏泊洢, 余雷. 空间圆弧轨迹的矢量描述技术[J]. 石油学报, 2014, 35(4): 759-764.
[13]	汪岗, 秦勇, 申建, 赵丽娟, 赵锦程, 李叶朋. 基于变孔隙压缩系数的深部低阶煤层渗透率实验[J]. 石油学报, 2014, 35(3): 462-468.
[14]	刘修善, 王超. 空间圆弧轨迹的解析描述技术[J]. 石油学报, 2014, 35(1): 134-140.
[15]	王渝明, 王加滢, 康红庆, 孙强, 柴方源, 赵起越. 聚合物驱阶段提高采收率预测模型的建立与应用[J]. 石油学报, 2013, 34(3): 513-517.

一种基于支撑向量机学习预测井眼轨迹的新方法

A novel method for predicting wellbore trajectory based on support vector machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价