基于1dCNN-BiGRU和注意力机制的钻井工况智能识别方法

来源：石油科学通报杂志2025年第5期北京时间：

作者：王正, 宋先知, 李洪松, 于佳伟, 王一帆, 张重愿

单位：1 中国石油大学(北京)石油工程学院，北京 1022492 中国石油大学(北京)油气资源与工程全国重点实验室，北京 1022493 昆仑数智科技有限责任公司，北京 1022064 中国石油天然气股份有限公司塔里木油田分公司，库尔勒 841000

摘要：本研究针对钻井工况识别中实时性差、准确率低的问题，提出了一种创新的智能识别方法。该方法融合一维卷积神经网络(1dCNN)用于局部特征提取、双向门控循环单元(BiGRU)捕捉时序依赖以及多头注意力机制对齐时间域并强化关键信息，从而实现对旋转钻进、滑动钻进、划眼、倒划眼等13种工况的高效区分。在模型设计上，通过消融实验系统评估了各模块(1dCNN、BiGRU、自注意力与多头注意力机制)及其串并联结构的贡献，并借助Optuna自动调参进一步优化了性能。实验结果表明：在单井时间域数据测试中，工况识别准确率达96.22%；在同区块及跨区块井数据迁移测试中，整体准确率保持在94%~97%，且各工况识别率均超过80%；此外，实时数据测试结果与现场实际操作高度吻合。该方法为钻井工况的实时监控与作业优化提供了有力技术支撑。

关键词：油气钻井,钻井工况,人工智能,神经网络,注意力机制

基金资助：国家自然科学基金委员会国家自然科学基金-国家杰出青年科学基金(52125401)