钻井过程中发生钻井液漏失时,现有的井漏智能监测方法,难以获取长时数据序列特征,无法实现对微量漏失的及时监测和预警,进而容易导致更为严重的漏失发生。为此,提出了一种结合扩张因果卷积网络(Dilated and Causal Convolution,DCC)特...钻井过程中发生钻井液漏失时,现有的井漏智能监测方法,难以获取长时数据序列特征,无法实现对微量漏失的及时监测和预警,进而容易导致更为严重的漏失发生。为此,提出了一种结合扩张因果卷积网络(Dilated and Causal Convolution,DCC)特征映射能力和长短期记忆网络(Long Short-Term Memory,LSTM)时序特征提取能力的DCC-LSTM钻井液微量漏失智能监测方法,弥补长短期记忆网络对于长期记忆衰减的不足,实现了对钻井液微量漏失的准确监测和预测。研究结果表明:①DCC-LSTM井漏智能监测模型利用扩张因果卷积网络提取监测参数的长时特征,并将其映射为短序列表示,利用长短期记忆网络处理特征短序列获取监测数据的长时变化趋势,实现了微量漏失的准确监测;②扩张因果卷积网络层数确定方法可以获得最佳网络层数,得到的DCC网络结构使LSTM对长时序列趋势信息的遗忘减少24%;③与其他井漏监测方法相比,DCC-LSTM网络能够准确监测早期微量漏失,井漏预警时间最长可提前26 min,监测准确率由96.9%提升至99.4%,漏报率由6.4%降低为1.1%。结论认为,该方法能够获取监测参数的长时趋势变化特征,经矿场试验验证与其他方法相比有明显优势,为微量漏失监测和预测提供一种可行的方法,对油气钻井井漏风险的防控具有重要指导意义。展开更多
