智能化是未來(lái)社會(huì)的發(fā)展趨勢(shì),傳統(tǒng)行業(yè)如何積極學(xué)習(xí)新思想、新理論、新技術(shù),在智能化浪潮來(lái)臨之際贏得先機(jī),對(duì)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(xué)科,鉆速預(yù)測(cè)與優(yōu)化一直是該行業(yè)內(nèi)的重要課題之一,提升鉆進(jìn)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(jī)器學(xué)習(xí)算法對(duì)鉆速預(yù)測(cè)與優(yōu)化問(wèn)題進(jìn)行了研究,主要工作如下:首先,研究了常用的離群點(diǎn)檢測(cè)算法的基本原理,以去除離群點(diǎn)后的數(shù)據(jù)訓(xùn)練得到的鉆速預(yù)測(cè)模型效果作為參考,評(píng)估并分析了上述離群點(diǎn)檢測(cè)算法應(yīng)用于鉆井?dāng)?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(diǎn)檢測(cè)算法。驗(yàn)證表明,在檢測(cè)到的離群點(diǎn)比例不變的情況下,所提方法去除離群點(diǎn)后訓(xùn)練得到了更優(yōu)的模型效果。其次,在融合的離群點(diǎn)檢測(cè)方法的基礎(chǔ)上,結(jié)合鉆井?dāng)?shù)據(jù)的實(shí)際情況,設(shè)計(jì)并實(shí)現(xiàn)了一種模塊化的鉆井?dāng)?shù)據(jù)預(yù)處理方案,主要分為四個(gè)模塊:數(shù)據(jù)選擇模塊、數(shù)據(jù)清洗模塊、離群點(diǎn)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(jìn)行基本的數(shù)據(jù)刪改操作,離群點(diǎn)處理模塊進(jìn)行離群點(diǎn)的檢測(cè)與刪除,數(shù)據(jù)分割與歸一化模塊進(jìn)行訓(xùn)練集、驗(yàn)證集和測(cè)試集的劃分與歸一化。這四個(gè)模塊在功能上相互獨(dú)立,共同構(gòu)成基本的鉆井?dāng)?shù)據(jù)預(yù)處理流程。最后,基于鉆速預(yù)測(cè)優(yōu)化問(wèn)題的具體情況,采用分層架構(gòu)提出了一種鉆速預(yù)測(cè)與優(yōu)化的基本方案,主要包括鉆井?dāng)?shù)據(jù)預(yù)處理層、鉆速預(yù)測(cè)學(xué)習(xí)訓(xùn)練層、鉆速預(yù)測(cè)結(jié)果展示與分析層和鉆速優(yōu)化層。在鉆速預(yù)測(cè)學(xué)習(xí)訓(xùn)練層中,根據(jù)LightGBM、全連接神經(jīng)網(wǎng)絡(luò)以及GRU網(wǎng)絡(luò)模型效果,分別探討了各輸入特征參數(shù)對(duì)于鉆速的影響和時(shí)間序列信息對(duì)于鉆速預(yù)測(cè)結(jié)果的影響。在鉆速優(yōu)化層中,選取一階數(shù)據(jù)訓(xùn)練得到的全連接神經(jīng)網(wǎng)絡(luò)模型進(jìn)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(lái)實(shí)際系統(tǒng)應(yīng)用打下了良好的基礎(chǔ)。
【學(xué)位單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：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?jī)?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(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)一般過(guò)程的研究
    2.3 常用的離群點(diǎn)處理算法研究
        2.3.1 基于統(tǒng)計(jì)方法的一元離群點(diǎn)檢測(cè)方法研究
        2.3.2 多元離群點(diǎn)檢測(cè)算法研究
        2.3.3 基于聚類(lèi)方法的離群點(diǎn)檢測(cè)算法研究
    2.4 LightGBM及相關(guān)樹(shù)模型
        2.4.1 回歸決策樹(shù)算法
        2.4.2 梯度提升決策樹(shù)
        2.4.3 LightGBM模型思想
    2.5 神經(jīng)網(wǎng)絡(luò)相關(guān)模型
        2.5.1 基本神經(jīng)網(wǎng)絡(luò)模型
        2.5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型
    2.6 本章小結(jié)
第三章 鉆井?dāng)?shù)據(jù)預(yù)處理方案設(shè)計(jì)與實(shí)現(xiàn)
    3.1 鉆井?dāng)?shù)據(jù)預(yù)處理方案設(shè)計(jì)
        3.1.1 鉆井?dāng)?shù)據(jù)預(yù)處理總體設(shè)計(jì)
        3.1.2 數(shù)據(jù)選擇模塊設(shè)計(jì)
        3.1.3 數(shù)據(jù)清洗模塊設(shè)計(jì)
        3.1.4 離群點(diǎn)處理模塊設(shè)計(jì)
        3.1.5 數(shù)據(jù)分割與歸一化模塊
    3.2 鉆井?dāng)?shù)據(jù)選擇與清洗模塊實(shí)現(xiàn)
    3.3 鉆井?dāng)?shù)據(jù)離群點(diǎn)處理方法選取與模塊實(shí)現(xiàn)
        3.3.1 離群點(diǎn)對(duì)鉆速預(yù)測(cè)模型的影響分析
        3.3.2 基于統(tǒng)計(jì)方法的一元離群點(diǎn)分析
        3.3.3 多元離群點(diǎn)分析方法效果對(duì)比
        3.3.4 基于聚類(lèi)的離群點(diǎn)檢測(cè)算法的實(shí)現(xiàn)及效果分析
        3.3.5 離群點(diǎn)檢測(cè)方法的選取與融合
    3.4 模塊整合與方案實(shí)現(xiàn)
    3.5 本章小結(jié)
第四章 鉆速優(yōu)化方案設(shè)計(jì)與實(shí)現(xiàn)
    4.1 鉆速預(yù)測(cè)與優(yōu)化方案設(shè)計(jì)
    4.2 鉆速預(yù)測(cè)模型的實(shí)現(xiàn)與分析
        4.2.1 LightGBM模型鉆速預(yù)測(cè)模型效果分析
        4.2.2 全連接神經(jīng)網(wǎng)絡(luò)一階數(shù)據(jù)鉆速預(yù)測(cè)模型實(shí)現(xiàn)與分析
        4.2.3 全連接神經(jīng)網(wǎng)絡(luò)多階數(shù)據(jù)鉆速預(yù)測(cè)模型實(shí)現(xiàn)與分析
        4.2.4 RNN網(wǎng)絡(luò)多階數(shù)據(jù)鉆速預(yù)測(cè)模型實(shí)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(jìn)一步研究工作
參考文獻(xiàn)
致謝

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王春鵬;;基于離群點(diǎn)檢測(cè)和分類(lèi)的軟測(cè)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(diǎn)監(jiān)測(cè)與異類(lèi)知識(shí)研究——從文獻(xiàn)分析視角[J];情報(bào)雜志;2017年05期

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

4 錢(qián)景輝;梁棟;;一種基于多標(biāo)記的局部離群點(diǎn)檢測(cè)算法[J];微電子學(xué)與計(jì)算機(jī);2017年10期

5 付曉幸;于佐軍;;基于改進(jìn)的離群點(diǎn)檢測(cè)軟測(cè)量方法研究[J];自動(dòng)化與信息工程;2015年04期

6 周寧慧;王彬;王治華;董樹(shù)鋒;何光宇;;基于集合論估計(jì)的電網(wǎng)狀態(tài)辨識(shí) (四)離群點(diǎn)識(shí)別[J];電力系統(tǒng)自動(dòng)化;2016年08期

7 劉露;左萬(wàn)利;彭濤;;異質(zhì)網(wǎng)中基于張量表示的動(dòng)態(tài)離群點(diǎn)檢測(cè)方法[J];計(jì)算機(jī)研究與發(fā)展;2016年08期

8 錢(qián)景輝;竇立陽(yáng);李榮雨;;一種基于多示例學(xué)習(xí)的局部離群點(diǎn)檢測(cè)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(diǎn)測(cè)試選擇的總體框架[J];工業(yè)控制計(jì)算機(jī);2014年11期

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

相關(guān)博士學(xué)位論文 前10條

1 楊金鴻;基于粒計(jì)算的離群點(diǎn)挖掘方法研究[D];哈爾濱工程大學(xué);2017年

2 劉露;異質(zhì)信息網(wǎng)絡(luò)中離群點(diǎn)檢測(cè)方法研究[D];吉林大學(xué);2017年

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

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

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

6 薛安榮;空間離群點(diǎn)挖掘技術(shù)的研究[D];江蘇大學(xué);2008年

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

8 馮震;無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)離群點(diǎn)檢測(cè)若干方法研究[D];上海大學(xué);2017年

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

10 田茂再;回歸模型的診斷理論與應(yīng)用[D];南開(kāi)大學(xué);2001年

相關(guān)碩士學(xué)位論文 前10條

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

2 譚揚(yáng);機(jī)器學(xué)習(xí)算法在石油鉆井領(lǐng)域的應(yīng)用優(yōu)化研究[D];北京郵電大學(xué);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(diǎn)檢測(cè)算法研究[D];東北農(nóng)業(yè)大學(xué);2019年

4 劉瑞玲;離群點(diǎn)檢測(cè)及其在評(píng)教模型中的應(yīng)用研究[D];鄭州大學(xué);2019年

5 周雄;基于簡(jiǎn)單圖的幾何模型擬合算法研究[D];廈門(mén)大學(xué);2018年

6 涂曉敏;基于密度的局部離群點(diǎn)檢測(cè)算法的改進(jìn)[D];沈陽(yáng)工業(yè)大學(xué);2019年

7 劉虹江;基于密度和距離的離群點(diǎn)檢測(cè)方法研究與應(yīng)用[D];西安理工大學(xué);2019年

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

9 馮善伯;基于云計(jì)算的大圖異常檢測(cè)技術(shù)的研究與實(shí)現(xiàn)[D];東北大學(xué);2015年

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

本文編號(hào)：2873586