智能化是未來社會的發(fā)展趨勢,傳統(tǒng)行業(yè)如何積極學習新思想、新理論、新技術(shù),在智能化浪潮來臨之際贏得先機,對行業(yè)發(fā)展至關(guān)重要。石油鉆井是典型的傳統(tǒng)工業(yè)學科,鉆速預測與優(yōu)化一直是該行業(yè)內(nèi)的重要課題之一,提升鉆進速度可以有效地提高鉆井效率、縮短鉆井周期、降低鉆井成本。本文使用機器學習算法對鉆速預測與優(yōu)化問題進行了研究,主要工作如下:首先,研究了常用的離群點檢測算法的基本原理,以去除離群點后的數(shù)據(jù)訓練得到的鉆速預測模型效果作為參考,評估并分析了上述離群點檢測算法應用于鉆井數(shù)據(jù)中的效果。然后,在上述工作的基礎(chǔ)上,融合了其中三種效果較好的方法,提出了一種新的離群點檢測算法。驗證表明,在檢測到的離群點比例不變的情況下,所提方法去除離群點后訓練得到了更優(yōu)的模型效果。其次,在融合的離群點檢測方法的基礎(chǔ)上,結(jié)合鉆井數(shù)據(jù)的實際情況,設(shè)計并實現(xiàn)了一種模塊化的鉆井數(shù)據(jù)預處理方案,主要分為四個模塊:數(shù)據(jù)選擇模塊、數(shù)據(jù)清洗模塊、離群點處理模塊以及數(shù)據(jù)分割與歸一化模塊。數(shù)據(jù)選擇模塊和數(shù)據(jù)清洗模塊進行基本的數(shù)據(jù)刪改操作,離群點處理模塊進行離群點的檢測與刪除,數(shù)據(jù)分割與歸一化模塊進行訓練集、驗證集和測試集的劃分與歸一化。這四個模塊在功能上相互獨立,共同構(gòu)成基本的鉆井數(shù)據(jù)預處理流程。最后,基于鉆速預測優(yōu)化問題的具體情況,采用分層架構(gòu)提出了一種鉆速預測與優(yōu)化的基本方案,主要包括鉆井數(shù)據(jù)預處理層、鉆速預測學習訓練層、鉆速預測結(jié)果展示與分析層和鉆速優(yōu)化層。在鉆速預測學習訓練層中,根據(jù)LightGBM、全連接神經(jīng)網(wǎng)絡以及GRU網(wǎng)絡模型效果,分別探討了各輸入特征參數(shù)對于鉆速的影響和時間序列信息對于鉆速預測結(jié)果的影響。在鉆速優(yōu)化層中,選取一階數(shù)據(jù)訓練得到的全連接神經(jīng)網(wǎng)絡模型進行了鉆速優(yōu)化仿真,結(jié)果表明,所提方案具有可行性,為未來實際系統(tǒng)應用打下了良好的基礎(chǔ)。
【學位單位】：北京郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP181;TE21
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 論文研究內(nèi)容
    1.3 論文結(jié)構(gòu)安排
第二章 鉆速優(yōu)化理論與相關(guān)機器學習算法的研究
    2.1 石油鉆井領(lǐng)域鉆速優(yōu)化相關(guān)理論的研究
    2.2 機器學習一般過程的研究
    2.3 常用的離群點處理算法研究
        2.3.1 基于統(tǒng)計方法的一元離群點檢測方法研究
        2.3.2 多元離群點檢測算法研究
        2.3.3 基于聚類方法的離群點檢測算法研究
    2.4 LightGBM及相關(guān)樹模型
        2.4.1 回歸決策樹算法
        2.4.2 梯度提升決策樹
        2.4.3 LightGBM模型思想
    2.5 神經(jīng)網(wǎng)絡相關(guān)模型
        2.5.1 基本神經(jīng)網(wǎng)絡模型
        2.5.2 循環(huán)神經(jīng)網(wǎng)絡模型
    2.6 本章小結(jié)
第三章 鉆井數(shù)據(jù)預處理方案設(shè)計與實現(xiàn)
    3.1 鉆井數(shù)據(jù)預處理方案設(shè)計
        3.1.1 鉆井數(shù)據(jù)預處理總體設(shè)計
        3.1.2 數(shù)據(jù)選擇模塊設(shè)計
        3.1.3 數(shù)據(jù)清洗模塊設(shè)計
        3.1.4 離群點處理模塊設(shè)計
        3.1.5 數(shù)據(jù)分割與歸一化模塊
    3.2 鉆井數(shù)據(jù)選擇與清洗模塊實現(xiàn)
    3.3 鉆井數(shù)據(jù)離群點處理方法選取與模塊實現(xiàn)
        3.3.1 離群點對鉆速預測模型的影響分析
        3.3.2 基于統(tǒng)計方法的一元離群點分析
        3.3.3 多元離群點分析方法效果對比
        3.3.4 基于聚類的離群點檢測算法的實現(xiàn)及效果分析
        3.3.5 離群點檢測方法的選取與融合
    3.4 模塊整合與方案實現(xiàn)
    3.5 本章小結(jié)
第四章 鉆速優(yōu)化方案設(shè)計與實現(xiàn)
    4.1 鉆速預測與優(yōu)化方案設(shè)計
    4.2 鉆速預測模型的實現(xiàn)與分析
        4.2.1 LightGBM模型鉆速預測模型效果分析
        4.2.2 全連接神經(jīng)網(wǎng)絡一階數(shù)據(jù)鉆速預測模型實現(xiàn)與分析
        4.2.3 全連接神經(jīng)網(wǎng)絡多階數(shù)據(jù)鉆速預測模型實現(xiàn)與分析
        4.2.4 RNN網(wǎng)絡多階數(shù)據(jù)鉆速預測模型實現(xiàn)與分析
    4.3 模型選取與鉆速優(yōu)化
        4.3.1 模型選取
        4.3.2 鉆速優(yōu)化
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 進一步研究工作
參考文獻
致謝

【相似文獻】

相關(guān)期刊論文 前10條

1 王春鵬;;基于離群點檢測和分類的軟測量方法[J];山東化工;2018年09期

2 夏火松;龍瑾;李芳;賀婷婷;;基于高頻關(guān)鍵詞的離群點監(jiān)測與異類知識研究——從文獻分析視角[J];情報雜志;2017年05期

3 宋奎勇;寇香霞;;離群點檢測概述[J];信息系統(tǒng)工程;2017年05期

4 錢景輝;梁棟;;一種基于多標記的局部離群點檢測算法[J];微電子學與計算機;2017年10期

5 付曉幸;于佐軍;;基于改進的離群點檢測軟測量方法研究[J];自動化與信息工程;2015年04期

6 周寧慧;王彬;王治華;董樹鋒;何光宇;;基于集合論估計的電網(wǎng)狀態(tài)辨識 (四)離群點識別[J];電力系統(tǒng)自動化;2016年08期

7 劉露;左萬利;彭濤;;異質(zhì)網(wǎng)中基于張量表示的動態(tài)離群點檢測方法[J];計算機研究與發(fā)展;2016年08期

8 錢景輝;竇立陽;李榮雨;;一種基于多示例學習的局部離群點檢測算法[J];信息與控制;2016年04期

9 岳志明;;集成電路中用于離群點測試選擇的總體框架[J];工業(yè)控制計算機;2014年11期

10 葛清龍;薛安榮;賈小艷;;關(guān)聯(lián)子空間離群點挖掘[J];小型微型計算機系統(tǒng);2015年05期

相關(guān)博士學位論文 前10條

1 楊金鴻;基于粒計算的離群點挖掘方法研究[D];哈爾濱工程大學;2017年

2 劉露;異質(zhì)信息網(wǎng)絡中離群點檢測方法研究[D];吉林大學;2017年

3 成忠;PLSR用于化學化工建模的幾個關(guān)鍵問題的研究[D];浙江大學;2005年

4 湯俊;基于可疑金融交易識別的離群模式挖掘研究[D];武漢理工大學;2007年

5 金義富;高維稀疏離群數(shù)據(jù)集延伸知識發(fā)現(xiàn)研究[D];重慶大學;2007年

6 薛安榮;空間離群點挖掘技術(shù)的研究[D];江蘇大學;2008年

7 唐向紅;數(shù)據(jù)流離群點檢測研究[D];華中科技大學;2010年

8 馮震;無線傳感器網(wǎng)絡數(shù)據(jù)離群點檢測若干方法研究[D];上海大學;2017年

9 劉莘;基于時空分析的CCS泄漏預警關(guān)鍵技術(shù)研究[D];中國礦業(yè)大學;2016年

10 田茂再;回歸模型的診斷理論與應用[D];南開大學;2001年

相關(guān)碩士學位論文 前10條

1 崇米娜;魯棒模型擬合算法及其在相機定位參數(shù)估計的應用研究[D];中北大學;2019年

2 譚揚;機器學習算法在石油鉆井領(lǐng)域的應用優(yōu)化研究[D];北京郵電大學;2019年

3 陳偉杰;土壤特性的優(yōu)化采樣策略及空間離群樣點檢測算法研究[D];東北農(nóng)業(yè)大學;2019年

4 劉瑞玲;離群點檢測及其在評教模型中的應用研究[D];鄭州大學;2019年

5 周雄;基于簡單圖的幾何模型擬合算法研究[D];廈門大學;2018年

6 涂曉敏;基于密度的局部離群點檢測算法的改進[D];沈陽工業(yè)大學;2019年

7 劉虹江;基于密度和距離的離群點檢測方法研究與應用[D];西安理工大學;2019年

8 李可一;基于報警關(guān)聯(lián)的多步攻擊場景挖掘方法的研究與實現(xiàn)[D];北京郵電大學;2019年

9 馮善伯;基于云計算的大圖異常檢測技術(shù)的研究與實現(xiàn)[D];東北大學;2015年

10 袁鐘;基于鄰域粗糙集的混合型屬性離群點檢測方法研究[D];四川師范大學;2018年

本文編號：2873586