Downhole WOB Prediction Method Based on CNN-Bi-LSTM Network Optimized by TDCSO
-
摘要:
为了准确预测井底钻压，提高钻井效率、降低钻井成本，建立了融合双向长短期记忆网络（Bi-LSTM）和卷积神经网络（CNN）的混合模型。采用三角函数驱动的粒子群优化（TDCSO）方法对模型进行超参数优化，以提高预测钻压的精度；采用美国犹他州FORGE 58−32井和FORGE 58−62井的2个公开数据集对建立的模型进行验证，并采用平均绝对误差、均方根误差、决定系数和均方误差等指标进行模型性能评估。研究结果表明，所提出TDCSO-CNN-Bi-LSTM模型平均绝对误差、均方误差和均方根误差等3个关键性能指标较好，其中决定系数大于0.980，明显优于现有的LSTM、GRU、CNN-LSTM、CNN-Bi-LSTM等方法。研究表明，所提出的TDCSO-CNN-Bi-LSTM模型在井底钻压预测方面具有出色的准确性，能够实现实时监测，并与自动钻进系统集成，实现对钻压的精准控制，不仅提高了钻井效率，还降低了钻井成本，对未来的钻井作业具有重要的实际应用价值。
Abstract:In order to accurately predict downhole weight on bit (WOB), improve drilling efficiency, and reduce drilling cost, a hybrid model combining bidirectional long short-term memory network (Bi-LSTM) and convolutional neural network (CNN) was established. The model used the trigonometric function-driven particle swarm optimization (TDCSO) method for hyperparameter optimization, so as to improve the accuracy of WOB prediction. The public data sets of Well FORGE 58−32 and Well FORGE 58−62 in Utah were used to verify the established model, and the model performance was evaluated by the mean absolute error (MAE), root mean square error (RMSE), coefficient of determination, and mean square error (MSE). The results show that the proposed TDCSO-CNN-Bi-LSTM model achieves excellent results in three key indicators of MAE, MSE, and RMSE, and the coefficient of determination was higher than 0.98, which is significantly better than the existing methods such as LSTM, GRU, CNN-LSTM and CNN-Bi-LSTM, etc. The study shows that the proposed TDCSO-CNN-Bi-LSTM model has excellent accuracy in downhole WOB prediction and enables real-time monitoring. It can be integrated with an automated drilling system to achieve precise control of WOB. This not only improves drilling efficiency but also reduces drilling cost, which has important practical application value for future drilling operations.
-
Keywords:
- downhole WOB /
- LSTM /
- neural network /
- optimization algorithm /
- model optimization
-
受国家能源局势与人口老龄化综合影响，少人、无人、智能的新型工业模式成为了钻井行业变革的迫切需求。以信息化分析为基础、智能化决策为手段、自动化控制为目标，开展智能钻井技术体系建设与规模应用，是解决前述需求的重要方法。但是，可靠数据的采集是一切分析与决策的前提。钻头作为破岩钻进的直接执行机构，其动力学响应是钻进参数、地质特性、钻具组合等数据关系的直接体现[1]，对其工作数据进行采集挖掘是进行提速分析与优化决策的必然要求。受钻具组合力学结构与动力钻具工作特性的影响，钻具的动力学响应在不同位置处表现出明显的特征差异，安装于螺杆上方的传统工程参数测量装置难以获得钻头位置处的真实数据[2]，以此为基础开展的理论研究与模型训练存在严重的数据偏见，智能钻井在决策与控制层面存在不可预料的实施风险。为此，国内外油服公司相继研制了数字钻头参数测量系统，并在井下工具设计改进、钻井参数优化决策等领域开展了应用探索。为推动我国数字钻头的发展，笔者对数字钻头的技术现状与典型应用场景进行了梳理、归纳，探讨了目前数字钻头技术的不足和发展趋势，并提出了发展建议。
1. 数字钻头技术现状
根据SPE自动化钻井技术路线图（DSA-R）的构思[3]，数字钻头是一种小型化、嵌入式的工程参数测量系统。近年来随着技术的发展与场景的扩充，数字钻头已不再局限于钻头内参数的测量，而是围绕钻头参数的采集与分析以及工艺、工具的优化与控制等方面开展了探索与应用尝试，为智能钻井优化决策与自动控制提供了数据与决策支持。
1.1 数字钻头工程参数测量系统
1.1.1 探管式数字钻头参数测量系统
基于MEMS惯性传感器的小型化探管是早期数字钻头参数测量系统最常见的实现方式。以哈里伯顿公司Cerebro、中石化胜利石油工程有限公司钻井工艺研究院探管式数字钻头为例，钻头参数测量系统通过简易支撑结构安装于钻头接箍的中心位置（见图1），对钻头改动较小，具有结构简单、可靠性高、续航能力强、易于实现的特点[4–5]。由于测量探管与钻头坐标系重合，传感器数据能够直接反映钻头的三轴振动与转动情况，因此可以直接采用信号时频方法分析钻头的动力学响应特征，为井下工况识别、提速工具设计、钻井参数优化等提供数据支撑[1,6]。此外，也可以根据惯性导航原理，开展钻头姿态识别与井眼轨迹参数的动态推演[7–9]。
然而，受安装方式的限制，探管式数字钻头参数测量系统的支撑结构极易在连接处出现应力集中（见图2），导致钻头在复杂环境下的应力应变无法有效传递至探管本体，不具备测量钻头位置处钻压、扭矩的硬件基础。此外，由于探管与钻头的中心轴线重合，加速度不含离心加速度分量，钻头转速只能通过MEMS陀螺测得，其量程相对较小。
![]()
图 2 探管在钻压、扭矩作用下的应力分布Figure 2. Stress distribution of probe under weight on bit and torque1.1.2 偏置式数字钻头参数测量系统
不同于探管式数字钻头参数测量系统，偏置式数字钻头参数测量系统以刚性嵌入的方式安装于钻头侧壁（见图3），在一定程度上规避了适配钻头尺寸的限制，并使之具备了测量钻头位置处应力的结构基础，具有更好的钻头适配性与拓展能力，是目前主流的系统设计方案。该类数字钻头以国民油井华高公司的BlackBox Eclipse II、贝克休斯公司的MultiSense2.0、哈里伯顿公司的Cerebro Force™为代表[10–12]，已在全球应用100余井次。
但是，由于此类系统需要在钻头侧壁上开槽，对钻头本体结构强度具有一定影响，在恶劣工况下使用时存在一定的作业风险。同时，由于采用偏置式的安装方式，测量系统坐标系与钻头本体坐标系不重合，求解钻头运动参数时，需要进行复杂运算或对模型进行简化[13]，难以表征钻头真实的振动与转动情况。此外，同样由于其偏置式非对称的安装方式，钻压、扭矩、弯矩、热应力等在复杂应力环境下的解耦上也存在一定的困难。
1.1.3 阵列式数字钻头参数测量系统
阵列式数字钻头参数测量系统是笔者以贝克休斯公司MultiSense 1.0为原型提出的一种改进方案（见图4）。与探管式数字钻头参数测量系统类似，阵列式数字钻头参数测量系统也安装于钻头接箍位置，通过错位花键与紧固端盖实现系统硬件骨架与钻头本体之间的刚性连接。一方面，得益于其工字形的轴对称结构设计，可以使用惠斯通电桥实现钻头钻压、扭矩、弯矩等在复杂应力下的解耦；另一方面，通过采用棱柱式的传感器空间阵列设计，使测量系统等效坐标系与钻头坐标系重合，解决了偏置式数字钻头参数测量系统参数反演和探管式数字钻头参数测量系统转速量程有限的问题。相比于传统数字钻头参数测量系统，阵列式数字钻头参数测量系统融合了探管式数字钻头参数测量系统中心安装与偏置式数字钻头参数测量系统刚性连接的优势，同时具备了钻头运动与应力参数的解耦能力，具有数据可靠性高、结构安全性强、应用场景多和拓展潜力大的特点[1,14]。
阵列式数字钻头参数测量系统安装在钻头接箍内部，受空间尺寸的限制，阵列式数字钻头参数测量系统目前仅能适配ϕ215.9 mm及以上钻头，且安装较为复杂，续航时间相对较短。需要注意的是，探管式、偏置式和阵列式等3种数字钻头参数测量系统各有优劣，适配不同的应用需求，其性能参数由MEMS元件选型决定，并没有明显的先进性与技术代差之分（见表1）。
表 1 典型数字钻头参数测量系统的对比Table 1. Comparison of typical digital drill bit parameter measurement systems系统类型 工作方式 运动测量 应力测量 续航能力 数据可靠性 可拓展性 结构复杂程度 适配钻头尺寸/mm 探管式 锂电池供电，离线采集、事后分析 直接测量 不能测量 高 高 无 简单 ≥142.9 偏置式 简化模型 简化模型 中 中 高 简单 ≥120.7 阵列式 阵列解耦 电桥解耦 低 高 高 复杂 ≥215.9 1.2 基于数字钻头的分析优化与决策
1.2.1 钻头工况诊断分析
基于实测数据的工况诊断分析，是数字钻头最为直接的应用场景。贝克休斯、艾克森美孚、阿帕奇、斯伦贝谢等油服公司曾合作进行了井下钻具动力响应测量机制、分析策略、数据与钻具行为特征、评价标准与量化指标的梳理与讨论[15]。国内外油服公司以此为基础，开发了分析数字钻头测量数据的相关软件：一方面，通过阈值分析法对整趟钻的轴向振动、侧向振动、转动粘滑的严重程度进行定量分析与定性评价；另一方面，通过频谱分析与模态分解等手段识别异常工况数据的主频，结合功率谱密度计算与知识库查询，锁定异常工况诱因，为后续破岩提速、风险控制、优化设计、分析决策等提供技术与数据支撑。此外，随数字钻头应用数据的积累与挖掘，相关企业、学者已开展了利用皮尔逊相关性系数进行智能化工况模式识别的研究工作。
1.2.2 破岩钻进提速提效
从机理角度讲，破岩钻进实质上是钻头在外部能量作用下“吃入地层—形成密实核—密实核破碎—岩屑剥离”的从能量积蓄到能量释放的往复循环过程。因此，破岩钻进提速提效有增大外部能量输入与提高能量利用率2种方法。然而，传统测量装置位于螺杆上方，无法获得钻头位置处的真实数据，难以进行提速工具与地质特性、钻进参数间的适配性优化，提速方案相对盲目，提速效果并不稳定。
对此，国际石油公司通过分析部分重点区块数字钻头采集的数据，对钻头齿形结构进行优化设计、控制钻头自适应吃入深度（DOC）、优化底部钻具组合等，提高钻头破岩能量利用效率、维持钻头平稳工作[2,16–18]。与之类似的，阿特拉公司采用与数字钻头近似的思路，在其Mitigator减振器两侧植入振动传感器，通过对比分析两侧的振动数据，为钻头和减振器优化设计提供支持。
此外，随着油气行业自动化、智能化变革的深入，基于数据驱动的智能化钻井参数路线决策成为了近些年的研究热点。现场数据表明，钻头总是在一定的钻井参数区间范围内表现出相似的作业工况与数据特征（见图5）。当采集的数据足够多时，即可基于低钻速、高粘滑、振动、涡动等将其更新为钻井参数优化图版，从而实现对自动化钻机钻进参数路线的优化控制。其中，国民油井华高公司基于其IntelliSev信息钻杆实现了井下数据实时采集传输，通过地面分析锁定优化空间，通过机械比能、钻速双目标的优化，实现了钻进参数的优化。黄哲等人[1,5]通过挖掘数字钻头的实测数据，建立了振动、钻速、进尺成本等多个指标的超前预测模型，通过时效、风险、经济等多目标的博弈竞争，利用邻井与目标井的前序历史数据，实现了钻进参数路线的博弈优化。
1.2.3 井下工具行为控制
目前，仅有国民油井华高公司基于信息钻杆高速通讯技术解决了数据通讯的实时性问题，实现了钻井参数的实时优化控制。黄哲等人[1]通过挖掘钻头的实测数据，建立了井底−地面数据的映射关系，利用时间窗口滑动的形式开展了模型更新与钻井参数的优化。这些做法，在一定程度上仍然属于被动优化的范畴。
钻头数据的深入挖掘、研究表明[19–21]，钻进中钻头在千赫兹级以上的主频信号与地质特性、钻具组合直接相关，可以作为随钻地质资料反演与地质卡层的有效补充。虽然在现有技术条件下，千赫兹级及以上采样频率的数据难以长时间存储或实时上传至地面，但仍存在以数字钻头为井下数据处理中枢或决策中枢的技术路线，如Huang Zhe等人[22]提出的井下主动调振和斯伦贝谢公司的NeoSteer钻头旋转导向等。
2. 技术趋势
数字钻头可以在不改变现有钻具组合的前提下直接获取钻头位置处的真实数据，为探究钻探功能障碍、预估作业风险、改进提速工具和优化钻井参数等提供可靠的数据，是决定智能钻井技术走向的关键。随着井下数据总量和地面分析样本需求量的增加，现有钻井液脉冲等已不能满足井下−地面实时数据通讯的要求，必然会挤占磁耦合信息钻杆、光纤传输等新一代通讯链路的带宽资源，对井下–地面数据通讯与指令传输的实时性、稳定性和可靠性产生巨大压力。而且由于钻头在破岩提速与导向钻进中的特殊地位，以数字钻头为雏形的近钻头或钻头内数据汇聚分析与决策控制中枢（井下智脑）将成为该技术发展的最终趋势。
依托井下测−传−控工具环网，以数字钻头为井下数据汇聚分析与决策控制中枢，基于实时数据分析开展钻头工况诊断与关键参数预测评价，为井下电控提速工具参数适配、导向轨迹规划控制等提供数据支撑与控制指令，实现井下闭环控制；利用信息钻杆等井下−地面双向通讯技术，以工况识别码或信号统计特征的形式向地面汇报决策依据与决策指令，实现地面/云端监督与控制介入；融合地面综合录井与装备运行数据，通过实时数据沿时间窗口滑动开展科学钻井优化决策与智能模型的自学习校正；配套自动化钻井系统，实现井下工具与地面系统闭环协同的智能化科学钻井，其架构如图6所示。
![]()
图 6 以数字钻头为核心的智能化科学钻井技术架构Figure 6. Technical framework of intelligent and scientific drilling based on digital drill bit3. 发展建议
3.1 硬件升级完善与分布式测量探索
目前，现有各类数字钻头参数测量系统在应力测量、参数解耦和适配尺寸等方面存在不足，未能形成较为完善的钻头运动与应力测量方案；深层、非常规资源钻探开发也对现有数字钻头测量系统的耐温性与钻头尺寸适配性提出了更高的要求。另外，随着钻头数据挖掘技术的发展，钻头高频响应信号用于辅助地质资料反演、导向钻进与地质卡层正逐渐成为新的研究热点。此外，数字钻头参数测量系统可以嵌入式安装在任意钻具内，具有分布式的应用潜力，能够为沿井筒分布式测量与数字孪生提供硬件条件。因此，数字钻头参数测量硬件应持续在多参数（地质−工程一体化）、高频率、小型化、嵌入式、耐高温和长续航等方向进行优化完善。
3.2 跨螺杆通讯技术配套
实时数据分析优化始终是钻井工程的根本需求，无论数字钻头最终是以井下智脑的形式实现井下闭环控制，还是以数据采集工具的形式辅助地面决策，都需要解决数字钻头与其他井下工具的数据通讯问题。因此，需要探索数字钻头配套数电螺杆或数字钻头集成涡轮发电+微波短传等多种技术方案，并评估其可行性，其技术关键包括但不限于小型化涡轮发电、振动能量捕集发电、复杂环境微波通讯、无源通讯、螺杆电力载波或非接触式供电通讯、多设备灵活组网等。
3.3 多源数据挖掘与理论、模型研究
通过新技术研究与应用，挖掘曾经被忽视的隐藏信息，推动基础理论的发展，在根本上实现产业的升级，是行业智能化变革的本质需求。研究表明，数字钻头实测信号特征与破岩工况、钻具组合、钻进参数、地质特性等因素存在映射关系，其高频数据的分析挖掘为管柱力学、钻进破岩等基础理论研究提供了新的视角与验证证据。因此，应持续推进数字钻头的应用与数据积累，基于多源数据融合挖掘，在深层钻井管柱力学等传统理论与井下−地面数据映射、振动模式识别、关键指标预测等智能钻井模型领域进行深入探索，促进工况诊断、钻具优化、风险评价和参数决策等方法的改进。
4. 结束语
传统的工程参数测量装置无法获得钻头位置处的真实数据，以此为基础开展分析与决策时存在严重的数据偏见与实施风险。因此，国内外相继研制出小型化、嵌入式的钻头内工程参数采集系统，形成了以钻头参数采集–分析–优化–控制为特征的数字钻头技术。目前，虽然已有探管式、偏置式和阵列式等3类数字钻头参数测量系统，并开展了商业化应用，但在应力测量、参数解耦、适配尺寸等方面仍存在不足，需在多参数、耐高温、长续航、分布式等方面进行硬件升级。同时，应大量开展数字钻头现场应用与数据积累挖掘，持续提高基础理论与优化决策模型的研究深度。此外，实时数据分析优化始终是钻井工程的根本需求，将来数字钻头技术无论是以井下智脑的形式实现控制闭环，还是以数据采集工具的形式辅助地面决策，都要解决数字钻头的长时间高功率供电以及与其他井下测–控工具间的数据通讯问题，需配套开展小型化井下发电、跨螺杆短传、井下工具环网等技术攻关。
-
![]()
图 3 基于TDCSO算法的CNN-Bi-LSTM网络流程
Figure 3. CNN-Bi-LSTM network process based on TDCSO algorithm
![]()
图 4 时变系数与适应度的变化曲线
Figure 4. The changing curve graph of time-varying coefficients and fitness values
![]()
图 5 单模型与混合模型的井底钻压拟合结果
Figure 5. Fitting effect of downhole WOB for single models and hybrid models
![]()
图 6 组合模型和TDCSO优化组合模型的钻压拟合结果
Figure 6. Fitting effect of WOB for combined models and TDCSO optimization models
表 1 CNN-Bi-LSTM模型组件和参数设置
Table 1 Components and parameter configuration of CNN-Bi-LSTM model
模型组件 含义 输出维度 卷积核/填充大小 激活函数 Conv1d 一维卷积层 6 559×103×299 3/1 ReLU MaxPool 最大池化层 3/0 Conv1d 一维卷积层 6 559×103×149 3/1 ReLU MaxPool 最大池化层 3/0 Conv1d 一维卷积层 6 559×103×74 3/1 ReLU MaxPool 最大池化层 3/0 Bi-LSTM 双向循环神经网络 74×6 559×206 ReLU Linear 线性层 6 559×1 
下载: 导出CSV
表 2 单模型与混合模型的性能评价结果
Table 2 Performance evaluation results of single models and hybrid models
模型 均方误差 平均绝对误差 决定系数 均方根误差 耗时/s Bi-RNN 0.000 499 0.010 320 0.999 551 0.017 317 1.36 Bi-GRU 0.000 347 0.007 540 0.999 779 0.012 139 1.33 Bi-LSTM 0.000 414 0.012 473 0.999 514 0.018 012 1.38 CNN-Bi-RNN 0.000 381 0.011 461 0.989 398 0.019 535 1.66 CNN-Bi-GRU 0.006 694 0.060 429 0.989 452 0.081 818 1.51 CNN-Bi-LSTM 0.000 322 0.014 398 0.996 958 0.019 691 1.98
下载: 导出CSV
表 3 基于TDCSO算法的模型性能评价结果
Table 3 Evaluation results of model performance based on TDCSO algorithm
模型 均方误差 平均绝对误差 决定系数 均方根误差 耗时/s TDCSO-CNN-Bi-RNN 0.000 321 0.0124 6320.982 398 0.019 932 2.34 TDCSO-CNN-Bi-GRU 0.000 869 0.048 492 0.943 452 0.039 028 2.98 TDCSO-CNN-Bi-LSTM 0.000 292 0.011 398 0.989 953 0.021 698 2.39
下载: 导出CSV
-
[1] FU Jianhong, REN Zhipeng, BAI Jing, et al. The friction-reducing principle and application of the drill string with a hydroos-cillator[J]. Journal of Petroleum Science & Engineering, 2018, 165: 453–461.
[2] XU Baolong, LIU Songyong, LI Hongsheng. Drill string’s axial force transfer law in slide directional drilling in underground coal mine[J]. Tunnelling and Underground Space Technology, 2022, 130: 104701. doi: 10.1016/j.tust.2022.104701
[3] WANG Chao, LIU Gonghui, LI Jun, et al. New methods of eliminating downhole WOB measurement error owing to temperature variation and well pressure differential[J]. Journal of Petroleum Science & Engineering, 2018, 171: 1420–1432.
[4] 吴泽兵,谷亚冰,姜雯,等. 基于遗传优化算法的井底钻压智能预测模型[J]. 石油钻采工艺,2023,45(2):151–159. WU Zebing, GU Yabing, JIANG Wen, et al. Intelligent prediction models of downhole weight on bit based on genetic optimization algorithm[J]. Oil Drilling & Production Technology, 2023, 45(2): 151–159.
[5] 李臻,宋先知,李根生,等. 基于双输入序列到序列模型的井眼轨迹实时智能预测方法[J]. 石油钻采工艺,2023,45(4):393–403. LI Zhen, SONG Xianzhi, LI Gensheng, et al. Real-time intelligent prediction of well trajectory based on dual-input sequence-to-sequence model[J]. Oil Drilling & Production Technology, 2023, 45(4): 393–403.
[6] 王海涛,王建华,邱晨,等. 基于双向长短期记忆循环神经网络和条件随机场的钻井工况识别方法[J]. 石油钻采工艺,2023,45(5):540–547. WANG Haitao, WANG Jianhua, QIU Chen, et al. Recognition method of drilling conditions based on bi-directional long-short term memory recurrent neural network and conditional random field[J]. Oil Drilling & Production Technology, 2023, 45(5): 540–547.
[7] 张矿生,宫臣兴,陆红军,等. 基于集成学习的井漏智能预警模型及智能推理方法[J]. 石油钻采工艺,2023,45(1):47–54. ZHANG Kuangsheng, GONG Chenxing, LU Hongjun, et al. Intelligent early warning model and intelligent reasoning method based on integrated learning for loss circulation[J]. Oil Drilling & Production Technology, 2023, 45(1): 47–54.
[8] OYEDERE M, GRAY K. Torque-on-bit (TOB) prediction and optimization using machine learning algorithms[J]. Journal of Natural Gas Science and Engineering, 2020, 84: 103623. doi: 10.1016/j.jngse.2020.103623
[9] 徐海萍. 基于ARIMA-GRNN模型的油井产量动态预测[J]. 世界石油工业,2022,29(1):64–69. XU Haiping. Dynamic prediction of oil well yield based on the ARIMA-GRNN model[J]. World Oil Industry, 2022, 29(1): 64–69.
[10] 陈宇光. 基于组合模型的天然气管道短期负荷预测[J]. 石油化工自动化,2024,60(2):20–24. CHEN Yuguang. Short-term load forecasting of natural gas pipeline based on the combined model[J]. Petrochemical Industry Automation, 2024, 60(2): 20–24.
[11] 黄小龙,刘东涛,宋吉明,等. 基于大数据及人工智能的钻速实时优化技术[J]. 石油钻采工艺,2021,43(4):442–448. HUANG Xiaolong, LIU Dongtao, SONG Jiming, et al. Real-time ROP optimization technology based on big data and artificial intelligence[J]. Oil Drilling & Production Technology, 2021, 43(4): 442–448.
[12] 樊冬艳,杨灿,孙海,等. 基于时间序列相似性与机器学习方法的页岩气井产量预测[J]. 中国石油大学学报(自然科学版),2024,48(3):119–126. doi: 10.3969/j.issn.1673-5005.2024.03.013 FAN Dongyan, YANG Can, SUN Hai, et al. Shale gas well production forecasting based on time sequence similarity and machine learning methods[J]. Journal of China University of Petroleum (Edition of Natural Science), 2024, 48(3): 119–126. doi: 10.3969/j.issn.1673-5005.2024.03.013
[13] 肖京男,汪志明,魏建光,等. 改进LSSVM在水平井产能预测中的应用[J]. 石油钻探技术,2010,38(6):95–98. doi: 10.3969/j.issn.1001-0890.2010.06.021 XIAO Jingnan, WANG Zhiming, WEI Jianguang, et al. Application of LSSVM improved horizontal well productivity prediction[J]. Petroleum Drilling Techniques, 2010, 38(6): 95–98. doi: 10.3969/j.issn.1001-0890.2010.06.021
[14] PAN Shaowei, BO Yang, WANG Shukai, et al. Oil well production prediction based on CNN-LSTM model with self-attention mechanism[J]. Energy, 2023, 284: 128701. doi: 10.1016/j.energy.2023.128701
[15] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735–1780. doi: 10.1162/neco.1997.9.8.1735
[16] O’SHEA K, NASH R. An introduction to convolutional neural networks[DB/OL]. （2015-12-02）[2024-06-10]. https://arxiv.org/abs/1511.08458. O’SHEA K,NASH R. An introduction to convolutional neural networks[DB/OL]. (2015-12-02)[2024-06-10]. https://arxiv.org/abs/1511.08458.
[17] ELMAZ F, EYCKERMAN R, CASTEELS W, et al. CNN-LSTM architecture for predictive indoor temperature modeling[J]. Building and Environment, 2021, 206: 108327. doi: 10.1016/j.buildenv.2021.108327
[18] 孙伟峰,冯剑寒,张德志,等. 结合LSTM自编码器与集成学习的井漏智能识别方法[J]. 石油钻探技术,2024,52(3):61–67. doi: 10.11911/syztjs.2024006 SUN Weifeng, FENG Jianhan, ZHANG Dezhi, et al. An intelligent lost circulation recognition method using LSTM-autoencoder and ensemble learning[J]. Petroleum Drilling Techniques, 2024, 52(3): 61–67. doi: 10.11911/syztjs.2024006
[19] 韩克宁,王伟,樊冬艳,等. 基于产量递减与LSTM耦合的常压页岩气井产量预测[J]. 油气藏评价与开发,2023,13(5):647–656. HAN Kening, WANG Wei, FAN Dongyan, et al. Production forecasting for normal pressure shale gas wells based on coupling of production decline method and LSTM model[J]. Petroleum Reservoir Evaluation and Development, 2023, 13(5): 647–656.
[20] CHEN Zhiming, PENG Dong, WANG Tianyi, et al. Pressure transient analysis in shale wells with heterogeneous fractures by using a deep learning based surrogate model[R]. IPTC 22333, 2022.
[21] RHANOUI M, MIKRAM M, YOUSFI S, et al. A CNN-BiLSTM model for document-level sentiment analysis[J]. Machine Learning and Knowledge Extraction, 2019, 1(3): 832–847. doi: 10.3390/make1030048
[22] KENNEDY J, EBERHART R. Particle swarm optimization[C]//Proceedings of ICNN’95-International Conference on Neural Networks. Piscataway, NJ: IEEE Press, 1995: 1942-1948.
[23] JANG J S R, SUN C T, MIZUTANI E. Neuro-fuzzy and soft computing-a computational approach to learning and machine intelligence [J]. IEEE Transactions on Automatic Control, 1997, 42(10): 1482–1484. doi: 10.1109/TAC.1997.633847
[24] MOAYEDI H, RAFTARI M, SHARIFI A, et al. Optimization of ANFIS with GA and PSO estimating α ratio in driven piles[J]. Engineering with Computers, 2020, 36(1): 227–238. doi: 10.1007/s00366-018-00694-w
[25] 周俊,陈璟华,刘国祥,等. 粒子群优化算法中惯性权重综述[J]. 广东电力,2013,26(7):6–12. ZHOU Jun, CHEN Jinghua, LIU Guoxiang, et al. Review of inertia weight in particle swarm optimization algorithm[J]. Guangdong Electric Power, 2013, 26(7): 6–12.
[26] 王鹏飞,任丽佳,高燕. 基于改进收缩因子的粒子群优化算法[J]. 电子科技,2022,35(5):14–18. WANG Pengfei, REN Lijia, GAO Yan. PSO algorithm based on improved contraction factor[J]. Electronic Science and Technology, 2022, 35(5): 14–18.
[27] 王俊伟,汪定伟. 粒子群算法中惯性权重的实验与分析[J]. 系统工程学报,2005,20(2):194–198. WANG Junwei, WANG Dingwei. Experiment and analysis of inertia weight in particle swarm optimization[J]. Journal of Systems Engineering, 2005, 20(2): 194–198.
[28] MIRJALILI S. SCA: a sine cosine algorithm for solving optimization problems[J]. Knowledge-Based Systems, 2016, 96: 120-133.
[29] NASH G, MOORE J. Utah FORGE: logs and data from deep well 58-32 (MU-ESW1): 1006[R]. Salt Lake City: Energy and Geoscience Institute at the University of Utah, 2018.
计量
- 文章访问数: 215
- HTML全文浏览量: 47
- PDF下载量: 51
