基于一维卷积神经网络的钻井周期预测_吴玉林.pdf

第30卷第3期在过去的几十年里，全球范围内的快速工业化使得能源需求显著增加。随着易开采油气藏的枯竭，探明收稿日期：2022-10-10；改回日期：2023-03-05。第一作者：吴玉林，男，1996年生，在读硕士研究生，CCF学生会员（K9271G），研究方向为数据挖掘。E-mail：。通信作者：姜莹，女，1976年生，高级工程师，硕士，研究方向为大数据人工智能。E-mail：。基于一维卷积神经网络的钻井周期预测吴玉林1，姜莹1，程光华2，马佳3，钱育蓉1（1.新疆大学软件学院，新疆 乌鲁木齐830046；2.中国海油集团能源经济研究院，北京100013；3.中国海洋石油集团有限公司，北京100010）基金项目：国家自然科学基金资助项目“基于时-空-谱特征深度学习的遥感图像超分辨率重建研究”（61966035）；自治区科技厅国际合作项目“数据驱动的中俄云计算共享平台建设”（2020E01023）；自治区自然科学基金项目“面向政务的多源异构数据融合与挖掘关键技术研究”（2021D01C083）；自治区科技计划青年科学基金项目“基于深度神经网络的综合能源系统运行风险评估方法研究”（2022D01C83）摘要海洋钻井工程投资和风险巨大，准确预测钻井周期和评估钻井风险有助于油田公司合理规划投资预算。鉴于现有的钻井周期预测大多采用概率统计学方法，文中利用神经网络在非线性关系拟合方面的优越性，结合卷积神经网络局部感知的特性，提出通过一维卷积神经网络（1DCNN）预测钻井周期。针对钻井事故对钻井周期的影响，提出对钻井事故进行量化分析，以事故量化、开钻年份、完钻井深、各井段顶深和钻深、各井段钻头尺寸和套管尺寸作为模型输入，建立事故井钻井周期预测模型，平均绝对百分误差和可决系数分别为11.66%，95.22%。根据事故量化分析结果，筛选无事故井，建立在无事故量化输入情况下的无事故井钻井周期预测模型。研究表明，事故井钻井周期预测模型有利于评估钻井风险，无事故井钻井周期预测模型可在新井不考虑钻井事故影响下提供较为准确的周期预测参考，对海上钻井周期预测具有一定的理论和实践意义。关键词钻井周期；预测；一维卷积神经网络；事故量化中图分类号：TE22文献标志码：ADrilling cycle prediction based on one-dimensional convolutional neural networkWU Yulin1,JIANG Ying1,CHENG Guanghua2,MA Jia3,QIAN Yurong1(1.College of Software,Xinjiang University,Urumqi 830000,China;2.CNOOC Energy Economics Research Institute,Beijing 100013,China;3.China National Offshore Oil Corporation,Beijing 100010,China)Abstract:The investment and risks of offshore drilling projects are huge.Accurately predicting the drilling cycle and evaluatingdrilling risks can help oilfield companies plan their investment budgets reasonably.In view of the fact that most of the existingdrilling cycle prediction methods use probability and statistics methods,using the advantages of neural network in nonlinearrelationship fitting,combined with the local perception characteristics of convolutional neural network,a one-dimensionalconvolutional neural network(1DCNN)is proposed to predict the drilling cycle.Aiming at the influence of drilling accidents on thedrilling cycle,a quantitative analysis of drilling accidents is proposed.Using accident quantification,drilling year,total depth,topdepth and drilling depth of each well section,drill bit size and casing size of each well section as models input,establish the drillingcycle prediction model of accident wells,which mean absolute percentage error and the coefficient of determination are 11.66%and95.22%,respectively.According to the accident quantification results,accident-free wells are screened and the drilling cycleprediction model of accident-free well is established.The research shows that the accident well drilling cycle prediction model isbeneficial to assess the drilling risk,and the accident-free well drilling cycle prediction can provide more accurate reference forcycle prediction without considering the influence of new well drilling accidents,which has certain theoretical and practicalsignificance for offshore drilling cycle prediction.Keywords:drillingcycle;prediction;one-dimensionalconvolutional neural network;accident quantification引用格式：吴玉林，姜莹，程光华，等.基于一维卷积神经网络的钻井周期预测J.断块油气田，2023，30（3）：495-504.WU Yulin，JIANG Ying，CHENG Guanghua，et al.Drilling cycle prediction based on one-dimensional convolutional neural networkJ.Fault-Block Oil&Gas Field，2023，30（3）：495-504.断块油气田FAULT-BLOCK OIL GAS FIELDdoi:10.6056/dkyqt2023030182023年5月断块油气田2023年5月油气储备和开发油气资源变得更加重要。探井是为了寻找石油和天然气而钻的，主要目的是收集地下条件信息，并确认地层是否含有碳氢化合物1。钻井周期作为石油钻井工程投资测算的关键参数，对保证油气田勘探开发整体目标按计划实现和及时投产尽早回收投资有重要意义。因此，准确预测钻井周期是油气勘探开发规划中的一项重要工作2。1研究概况目前，针对钻井周期预测的研究主要基于概率统计学方法和线性回归方法。董世明等3根据近几年所钻定向井的现场实钻资料，应用数理统计的方法，结合定额标准，综合分析得出钻井周期预测及钻井成本预算。张伟文等4、黄伟和等5采用加权系数法，按单井平均工时由小到大，将同一钻头尺寸或套管尺寸所有井的钻完井工时进行排序，测算工时定额。以上基于统计学的方法在统计过程中把每个钻井阶段看成是独立随机过程，忽略了一些因素，如井段间的依赖关系6、顶深和钻深的影响，预测结果会出现偏差。Brett等7、刘朝全等8将学习曲线法应用于陆地钻井周期预测研究，该方法提出当某一区域进行一系列井身结构和作业步骤类似井的钻井工作时，钻井周期可以用学习曲线进行拟合，通过对学习曲线的分析，可以评估作业者的管理能力和技术水平，描述钻井作业遇到的问题，但学习曲线方法对井的选取限制条件较多、评价方法单一，预测准确度较低，不适合海上钻井周期预测。胡振平9对29口陆上页岩气井钻井周期进行套算对比，采用Brett法和采用刘朝全法平均绝对百分误差分别为18.81%和18.59%。Kaiser10利用多元线性回归分析预测钻井周期和成本，该方法只能对自变量的线性组合进行建模，无法捕捉数据中的非线性关系。Merlo等11通过概率法建立了能够评估建井成本和时间的应用软件，Quang-Hung等12采用多变量概率模型结合蒙特卡洛模拟进行钻井周期区间预测，在10%90%的置信区间内无事故钻井周期范围为1026 d，该方法可以改进钻井规划过程，有利于对整个钻井施工过程的风险进行评估，但是该方法有主观性，不应该被期望识别和捕捉钻井过程中所有的风险13，需谨慎讨论和应用蒙特卡洛模拟才能提高油井预测的可靠性14。Mourthr等15通过最邻近分类算法（KNN）找出相邻或相似井并推算出钻井周期，但该方法不能定量进行风险评估16。以上方法对钻井周期预测精度有限，应用于综合日费高达上百万元17的海洋钻井预算，局限较大。近年来，受动物神经网络构造启发产生的人工神经网络18在油气行业应用价值已得到充分证实19-26，但很少应用于钻井周期预测研究。本文利用神经网络在非线性关系拟合方面的优越性，结合卷积神经网络局部感知特性，提出建立一维卷积神经网络钻井周期预测模型。海上钻井作业条件复杂且不确定，许多因素影响钻井时间和成本，钻井事故就是影响因素之一10，将钻井中事故（如漏失、卡钻等）、等待天气造成钻井停工量化为一次钻井作业中断。有些事故或其他异常情况会额外增加同一井段的钻进次数，导致其他作业工序（如起钻和下钻）时间增加，所以应对同一井段内钻进次数进行量化并分析。本文以钻井事故量化、开钻年份、完钻井深、各井段顶深和钻深、各井段钻头尺寸和套管尺寸作为神经网络输入量构建事故井钻井周期预测模型。通过对比实验证明了事故量化对钻井周期预测的影响及预测一定量化风险事故下钻井周期的可行性。在实际预测无事故井钻井周期中，通常将事故井从数据集中剔除，但无事故井样本量较少，神经网络训练准确度和泛化能力差。为尽可能排除事故的影响，提出基于事故量化分析筛选受钻井事故影响较小的井作为无事故井，建立无事故井钻井周期预测模型，对新井在不考虑钻井事故发生的情况下较为准确进行钻井周期预测。2钻井过程及数据分析本文采用的数据是笔者的行业合作公司数据库中近12 a内19.8万条共975次建井日志数据。其中，一次完整建井作业按照过程可分为迁装作业、钻井作业、测试作业和拆迁作业。本文研究的钻井周期为钻井作业中各井段进尺作业和固井作业周期之和，不包括非生产时间。2.1进尺作业进尺作业是指利用机械设备将不同地层钻成指定孔眼的过程。进尺作业周期包括进尺时间和进尺辅助时间。其中，进尺时间包括纯钻进、扩眼钻进、起下钻和接单根时间；进尺辅助时间包括循环、测斜、短起下钻等时间。根据钻井工艺和地质情况的不同，不同井段进尺工作所包括的工序不相同，如有些井段不需要扩眼钻进、短起下钻进行划眼等。根据钻井阶段可分为导眼钻进、表层套管段钻进、技术套管段钻进、生产套管段钻进。实际上开钻次数和钻进分段并不是一成不变的，是根据设计的井深结构和地下具体情况来具体确定，典型的探井套管程序见表1。正常压力系统通常分3次开钻，3次下套管，即导496第30卷第3期管、表层套管和生产套管。事故压力系统至少要分4次开钻，多下一层技术套管，至多分6次开钻。表1钻头、套管直径关系Table 1Relationship between bit size and casing size根据井段和钻头尺寸划分，进尺作业周期与进尺深度的联合分布如图1所示。钻进过程中的进尺深度与钻井周期的皮尔逊相关系数（Pe）较高（0.520.92）。根据图1，不同井段进尺作业的特征为：随着进尺深度的增加，进尺作业周期随之增加，这与直观感觉一致，进尺越深所耗费的周期越长；在同一进尺深度下，所需钻井周期方差较大，这说明进尺作业周期不仅受进尺深度影响，还受其他因素影响，譬如作业人员经验、地质、天气、机械故障因素等；不同尺寸的钻头所钻的深度和周期分布不同，钻头尺寸越大，需要移除更多的岩石体积，所需作业周期越长。2.2固井作业固井作业周期由准备工作、下套管、起下内管、注水泥、候凝、拆装井口、钻水泥塞和测固井质量时间组成。下导管和表层套管主要目的是锚定防喷设备，保护井眼免受松软地层和地下水渗入井眼的影响。随着钻井加深，需要通过中间套管保护井眼不受异常压力区域和地层（如盐层和泥页岩）的影响12。根据井段和套管尺寸划分，下深（套管下入深度）和固井作业周期的联合分布如图2所示。固井作业平均周期随钻井阶段的增加而增加，平均周期最小为1.08 d，最大为4.99 d。分井段情况下套管过程中，下深与固井作业周期的Pe较低，为0.000.51，不分井段情况下Pe较高，为0.72。井段钻头直径/mm套管直径/mm一开914.4762.0762.0609.6406.4339.7二开660.4508.0406.4，444.5339.7311.2244.5241.3177.8三开406.4，444.5339.7311.2244.5215.9177.8四开311.2244.5215.9177.8五开212.7，215.9177.8149.2，152.4114.3六开149.2，152.4图1不同井段、钻头尺寸时进尺作业周期与进尺深度的联合分布Fig.1Joint distribution of footage operation cycle and footage depth in different well sections and bit sizesa一开，样本数为975，Pe为0.92b二开，样本数为975，Pe为0.81c三开，样本数为790，Pe为0.70d四开，样本数为320，Pe为0.58e五开，样本数为81，Pe为0.52f六开，样本数为14，Pe为0.56吴玉林，等.基于一维卷积神经网络的钻井周期预测497断块油气田2023年5月3一维卷积神经网络模型卷积神经网络是一种有监督的训练方式，常用于二维图像数据27,其结构包括输入层、卷积层、池化层、平展层、全连接层和输出层28。卷积神经网络比全连接神经网络具有特征提取能力强、模型复杂度低、训练速度快等优点29-40。一维卷积神经网络与二维卷积神经网络的不同点在于卷积核尺寸。与二维卷积神经网络相比，一维卷积神经网络只需进行一维向量运算，无需复杂的矩阵运算。并且一维卷积神经网络模型容量较低、参数较少，能在样本和迭代次数更少的情况下进行训练30。3.1卷积层卷积层主要由具有局部感知和参数共享特性31的若干卷积核构成，通过执行卷积运算提取输入数据的特征，学习到多种特征的同时可减小计算参数和计算量。一维卷积神经网络的输入是一维向量，故卷积核为一维，一维卷积运算见式（1）。xtk=Nt-1i=1con1D wt-1ik，st-1i()+btk（1）式中：xtk，btk分别为第t层第k个神经元的输入和偏置；wt-1ik为第t-1层第i个神经元与第t层第k个神经元之间的卷积核；st-1i为第t-1层第i个神经元的输出；Nt-1为第t-1层神经元个数；con1D（）为一维卷积运算。卷积计算后，为了增加神经网络模型的非线性，需要引入激活函数。修正线性单元（ReLU）函数能加速网络的收敛，防止梯度消失，其表达式见式（2）。ReLU()x=max 0，()x（2）式（3）为卷积层中每个神经元的最终输出。stk=ReLU xtk()（3）3.2池化层在卷积层之后，通常采用池化层加快计算速度、降低计算代价和防止过拟合问题，且可保持特征的平移不变性。常用的池化有最大值池化和均值池化，本研究采用最大值池化，即取一段相邻区域H内的最大值作为该区域的最终输出（见式（4）。stk=max st-1j()（k-()1 H+1jkH）（4）3.3平展层平展层作为中间层链接卷积神经网络和全连接层，将上一层得到的全部特征值转换成列向量，即将多维数据压成一维数据作为全连接网络的输入。图2不同井段、套管尺寸固井作业周期与下深的联合分布Fig.2Joint distribution of cementing operation cycle and running depth in different well sections and case sizea一开，样本数为975，Pe为0.51b二开，样本数为845，Pe为0.00c三开，样本数为373，Pe为0.41d四开，样本数为127，Pe为0.31e五开，样本数为28，Pe为0.27f六开，样本数为18，Pe为0.72498第30卷第3期3.4全连接层全连接层每层的输出由式（5）计算得到，其输入是经多个卷积层和池化层后的多维特征向量铺平的一维向量32。Zt+1j=ni=1Wtijati+btj（5）式中：Zt+1j为第t+1层第j个神经元的激活值；ati为第t层第i个神经元的激活值；Wtij为第t+1层第j个神经元与第t层第i个神经元之间的权重；btj为t层所有神经元对t+1层第j个神经元的偏置。4事故量化由于自然、机械和人为因素影响，钻井作业环境具有动态性和挑战性，这导致非生产时间的增加1。钻井中的事故是决定投资回报和项目是否继续进行的关键因素33-40，因此，有必要研究事故对钻井作业的影响。在本文使用的钻井日志记录数据中，有10.9%的数据（共23 132条）是钻井过程中发生的事故情况，在钻探全过程中没有出现事故导致停工的井只占总钻井数的14.1%。在研究事故对钻井周期影响之前，根据事故是否被记录为非生产时间，分为2类：1）主要风险事件。这些事故在钻井作业过程中足够严重并且导致停工。典型的风险包括卡钻、漏失、等待天气等。2）一般风险事件。一般风险事件是指事故严重程度不足以导致整个钻井作业中断，但是会直接延长钻井作业周期。如顶驱故障、卸扣猫头故障等会直接导致起钻速度变慢；抓管机故障、大风天气会影响套管对扣导致下套管速度减慢等。4.1事故中断量化由于一般风险事件记录在钻井生产时间内，无法进行量化分析，所以只对主要风险事件造成的钻井作业中断进行量化。将钻井作业日志中连续记录的主要风险事件作为一次作业事故中断，根据井段划分，进尺作业和固井作业的事故中断次数如图3所示。图3不同井段进尺作业和固井作业事故中断次数直方图Fig.3Histogram of accidents interruption times of footage operation and cementing operation in different well sectionsa一开b二开c三开d四开e五开f六开随着钻井继续深入，钻井作业环境变得更加恶劣，发生主要风险事件的概率就越来越大。每口井进尺作业平均中断次数为4.21，固井作业平均中断次数为1.07，进尺作业中断次数最高（三开）为28，固井作业最高中断次数（二开）为15次，说明进尺作业与固井作业相比更容易受到不确定风险因素的影响。因此，将分别讨论不同事故中断次数对进尺作业和固井作业速度的影响。吴玉林，等.基于一维卷积神经网络的钻井周期预测499断块油气田2023年5月4.1.1进尺作业事故中断量化将井段进尺深度除以进尺作业周期作为进尺作业速度。为排除不同钻头尺寸和不同顶深对机械钻速的影响，以井段顶深500 m为一段进行划分，选取311.2 mm钻头研究在不同顶深范围内不同事故中断次数的进尺作业速度变化情况（见图4）。在顶深为01 000 m时，随着中断次数的增加，平均进尺作业速度减小。不同顶深范围下，当中断次数为1时，进尺作业速度平均值比没有中断情况下最大降低4.3 m/h，平均下降幅度为7.3%；当中断次数为2时，进尺作业速度平均值比没有中断平均降低18.3%。当顶深大于1 000 m，事故中断次数在2以内对进尺作业速度影响不明显。以上统计分析表明，主要风险事件发生次数会在一定程度上间接影响进尺作业周期，随着中断次数的增加，进尺作业速度降低，进尺作业周期相应延长。图4311.2 mm钻头不同中断次数下的平均进尺作业速度Fig.4Average footage operation speed of 311.2 mm bit with differentinterruption times4.1.2固井作业事故中断量化将套管下深除以固井作业周期作为固井作业速度，以套管下深500 m分1段，选取339.7 mm套管研究在不同下深范围内，不同中断次数对固井作业速度的影响（见图5）。相同的下深范围下，随着中断次数的增加平均固井作业速度减小。不同下深范围下，当中断次数为1时，平均固井作业速度比没有事故的平均降低13.2%；当中断次数为2时，平均固井作业速度比没有事故的平均降低31.9%，最大降低幅度为52.8%。以上统计分析表明，中断次数的增加会降低固井作业速度，间接延长固井作业周期，并且事故中断对固井作业影响程度比进尺作业大。4.2钻进次数量化理想状态下，钻完1个井段只需进行1次钻进（下钻到钻完起钻）过程。现实情况下，1个井段需要进行多次的钻进过程。根据钻井日志统计各井段钻进次数见表2。图5339.7 mm套管不同中断次数下的平均固井作业速度Fig.5Average cementing operation speed of 339.7 mm casing withdifferent interruption times表2不同井段钻进次数统计Table 2Statistics of drilling times in different well sections随着井段的增加，钻进次数多于1的井数占比逐渐增大。除一部分主要风险事件（如井下发生漏失、等待天气等）会增加钻进次数外，起钻更换牙轮钻头、测斜需要起钻回收单点测斜仪等都会增加钻进次数。选取311.2 mm钻头研究在不同顶深范围下不同钻进次数的进尺作业速度变化情况如图6所示。相同的顶深范围下，平均进尺作业速度随着钻进次数的增加而下降。当顶深范围为0500 m、钻进次数从1增加到2时，平均进尺作业速度下降幅度最大，为31.2%。钻进次数每增加1次，进尺作业速度平均下降2.9 m/h，平均下降幅度为19.8%。顶深范围也会影响进尺作业速度。相同的钻进次数下，顶深范围每增加500m，进尺作业速度平均下降2.5 m/h，平均下降比例为18.2%。对事故中断量化的分析表明，中断次数和钻进次数越多，钻井作业速度越慢，相应的钻井周期越长。井段钻进次数井数井数占比/%一开197399.8220.2二开187689.8259910.2三开141652.72737447.3四开116150.321015949.7五开12935.8275264.2六开1428.6241071.5500第30卷第3期图6311.2 mm钻头不同钻进次数下的平均进尺作业速度Fig.6Average footage operation speed of 311.2 mm bit with differentdrilling times5基于1DCNN的钻井周期预测5.1数据集构建由事故量化统计结果可知，有85.92%的井在进尺或者固井作业发生过事故中断，严格意义上的预测无事故井钻井周期困难较大。若采用完全没发生事故的井作为无事故井钻井周期预测模型的训练，由于样本量少，训练完成的模型在准确度和泛化能力方面较差，不适用于实际应用。统计表明，钻井周期中进尺作业周期占比较大，为67.13%，又因钻进次数增加的一部分是由于进尺作业事故中断导致，钻进次数增加对进尺作业速度的影响比事故中断次数的增加影响大。综上讨论，本文以各井段钻进次数都为1次的井作为无事故井钻井周期预测模型的训练。基于一维卷积神经网络的钻井周期预测模型的流程如图7所示。图7基于一维卷积神经网络的钻井周期预测模型流程Fig.7Flow chart of drilling cycle prediction model based on one-dimensional convolutional neural network根据事故量化分析结果划分实验数据集。将所有井作为事故井钻井周期预测模型的数据集，从中筛选出各井段钻进次数都为1的井作为无事故井钻井周期预测模型的数据集。2个数据集的划分见表3。表3数据集划分Table 3Dataset partitioning统计后的数据还需进一步处理才能作为特征变量输入模型。Magana-Mora等34证明，在对钻井数据进行归一化后，模型的泛化能力大大提高。归一化可以消除数据数量级之间的差别，较好地反映各因素之间的相互关系，减小数据处理过程中的误差。在训练前，对深度和尺寸相关样本数据进行归一化处理（见式（6）。xl=xi-min()xmax()x-min()x（i=1，2，n）（6）式中：x为输入变量的实测值集合；xi为第i个变量的实测值；xl为第i个变量归一化的值。独热编码（One-Hot）又称一位有效编码，将属性值转为二进制值，对应位用“1”表示一种类别或属性。对盆地类型、开钻年份进行One-Hot编码。5.2评价指标本文采用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）、可决系数（R2）作为钻井周期预测模型的评价指标（见式（7）式（10）。MAE=1mmi=1yi-f xi()（7）RMSE=1mmi=1yi-f xi()()2（8）MAPE=100%mmi=1yi-f xi()yi（9）R2=1-mi=1yi-f xi()()2mi=1yi-y()2（10）式中：m为测试集个数；yi为实际值；y为实际值的平均值；f xi()为预测值。5.3实验评估实验环境：操作系统Windows7，RAM为16 GB，Python版本为3.8.5，Tensorflow版本为2.2.0，CUDA版本为10.2，GPU为NVIDIAGeForceGTX965M。数据集训练集验证集测试集事故井775100100无事故井3445050吴玉林，等.基于一维卷积神经网络的钻井周期预测501断块油气田2023年5月模型MAERMSEMAPE/%R2/%1DCNN0.991.6512.1391.97BPNN1.201.9814.2288.36XGBoost1.371.9917.2288.28为验证本文的1DCNN结构的有效性与优越性，选取信念传播神经网络（BPNN）和极端梯度提升（XGBoost）模型与1DCNN进行实验对比。为验证事故量化作为神经网络特征输入的有效性，选取事故井数据集建立事故井钻井周期预测模型，通过去掉事故量化作为特征输入进行实验对比；为验证本文通过事故量化分析进行无事故井清洗的有效性，选取无事故井数据集建立无事故井钻井周期预测模型。在训练模型时，以MSE作为损失函数，采用Adam（Adaptive moment estimation）为优化器，将学习率设置为0.000 1，批处理大小为256，同时设置训练次数N为600。图8所示为根据输入数据构造的1DCNN模型结 构。网 络 的 前2层 为 相 同 结 构 的 卷 积 层（ConvLayer），卷积窗口（window）的大小设定为31，步长（stride）设定为1，卷积通道（Channel）设定为64，补齐方式为same，使用ReLU函数激活。第3层为最大池化层（MaxPooling），池化窗口（window）为41，步长（stride）为4，补齐方式为valid；神经元随机失活（Droupout）概率设置为0.4，以防止过拟合现象的发生；全连接层使用Linear线性激活函数，输出预测值。图8一维卷积神经网络结构Fig.8Structure diagram of one-dimensional convolutional neural network图9为1DCNN，BPNN模型在事故井数据集前600轮训练过程损失曲线。由图可知，1DCNN在训练过程中损失波动比BPNN小，性能优于BPNN。图9BPNN和1DCNN模型训练损失曲线Fig.9BPNN and 1DCNN model training loss curve5.3.1事故井钻井周期预测模型验证由表4、表5可知，1DCNN神经网络预测结果各项评价指标皆优于其他模型。在事故井数据集下，当有事故量化作为模型特征输入时，事故井钻井周期预测模 型 的MAE，RMSE，MAPE分 别 降 低 到1.49，2.28，11.66%，R2提高到95.22%。以上实验结果表明，有事故量化输入基于一维卷积神经网络的事故井钻井周期预测模型的预测结果与实际钻井周期吻合度更高，说明该模型有更高拟合度、更高精度和估计预测深度的能力。这表明，事故量化作为事故井钻井周期预测的重要特征，对模型预测精度提升贡献较大。表4事故井有事故量化输入模型实验结果Table 4Experimental results of accident quantitative input model foraccident wells表5事故井无事故量化输入模型实验结果Table 5Experimental results of accident free quantitative input model foraccident wells5.3.2无事故井钻井周期预测模型验证虽然在有事故量化下的事故井钻井周期预测精度较高，但是新井发生风险事故是不可预测的。为尽可能排除事故对钻井周期的影响，预测新井在不发生事故情况下的钻井周期，选取无事故井数据集进行模型训练和预测，预测结果见表6。表6无事故井模型实验结果Table 6Experimental results of accident free well model由表6的评价指标对比结果可知，一维卷积神经模型MAERMSEMAPE/%R2/%1DCNN2.343.9615.1385.60BPNN2.514.2518.4682.44XGBoost2.434.1918.0483.89模型MAERMSEMAPE/%R2/%1DCNN1.492.2811.6695.22BPNN1.972.9514.2692.03XGBoost1.922.7614.2292.13502第30卷第3期网络预测精度更高。6结束语本文提出对钻井事故进行量化，分析钻井中断次数和钻进次数对钻井周期的影响，在事故量化分析的基础上提出了基于一维卷积神经网络的事故井钻井周期预测模型和无事故井钻井周期预测模型，其MAPE分别为11.66%，12.13%。事故井钻井周期预测模型可以较为准确地预测在一定量事故影响下的钻井周期，而不是把事故的发生看成概率范围。决策者可以通过设定不同井段、不同事故中断次数和钻进次数研究钻井风险对钻井周期的影响，增强了钻井事故风险对钻井周期影响的可解释性；无事故井钻井周期预测模型可以较为准确地预测新井在不考虑事故发生情况下的钻井周期。以上模型可以满足钻井周期测算实际需要，为钻井周期预算提供实践参考。参考文献1ALJUBRAN M，RAMASAMY J，ALBASSAM M，et al.Deep learningand time-series analysis for the early detection of lost circulationincidents during drilling operationsJ.IEEE Access，2021，9：76833-76846.2HOLDAWAY K R.Harness oil and gas big data with analytics：optimize exploration and production with data-driven modelsM.Hoboken，New Jersey：John Wiley&Sons，2014：364.3董世明，程汝才.定向井钻井周期与成本预测初探J.断块油气田，1994，1（3）：45-49.DONG Shiming，CHENG Rucai.Discussion on the prediction method ofdrilling cycle and cost for directional wellJ.Fault-Block Oil&GasField，1994，1（3）：45-49.4张伟文，朱达江，张阳春，等.钻井周期预测新方法：以塔里木油田为例J.天然气工业，2013，33（3）：68-72.ZHANG Weiwen，ZHU Dajiang，ZHANG Yangchun，et al.A newmethod for drilling cycle prediction：a case study from the Tarim OilFieldJ.NaturalGasIndustry，2013，33（3）：68-72.5黄伟和，郑丕谔.钻井周期预测新方法的建立J.天然气工业，2006，26（9）：93-95.HUANG Weihe，ZHENG Pie.Establishing a new method forecastingdrilling cycleJ.Natural Gas Industry，2006，26（9）：93-95.6JABLONOWSKI C.Incorporating uncertainty into learning curves：acase study in oil drilling estimatesC/Advances in EngineeringEconomy Pedagogy.2010 Annual Conference&Exposition.Louisville，Kentucky：ASEE，2010：1-11.7BRETT J F，MILLHEIM K K.The drilling performance curve：ayardstick for judging drilling performanceC/SPE Annual TechnicalConference and Exhibition.SPE Annual Technical Conference andExhibition.New Orleans,Louisiana：OnePetro，1986.8刘朝全，俞新永.用修正学习曲线测算钻井周期J.石油大学学报（自然科学版），1998，22（4）：44-45.LIU Chaoquan，YU Xinyong.Prediction of well drilling period byrectified learning curvesJ.Journal of China University of Petroleum（Edition of Natural Science）,1998，22（4）：44-45.9胡振平.学习曲线法在焦石坝钻井周期定额中的运用J