典型文献
一种基于2D-CNN深度学习的钻井事故等级预测新方法
文献摘要：
鉴于钻井安全事故分级风险评价过程中,存在安全事故风险指标较少且多为2分类预测的实际问题.为此,在利用模糊C均值算法确定钻井事故等级的分类的基础上,根据信息增益值对多维事故风险指标进行一次降维;进而将降维后的风险指标作为模型输入,由卷积层提取事故特征,池化层进行二次降维,构建双层2D-CNN的事故等级预测模型,最后通过激活函数(Softmax)判断钻井事故等级,提出一种基于二维卷积神经网络(2D-CNN)的钻井事故等级预测的新方法.研究结果表明:①较之于其他方法,新方法经过两次降维将多维钻井事故指标由73维降低至4维,降低模型计算复杂度;②不同于钻井事故发生与否的二分类问题,根据事故的严重程度划分成四种事故等级,以实现多分类预测;③现场应用效果表明,新方法的准确率为91.7％,损失值为0.409,预测效果优于BP神经网络模型和1D-CNN模型.结论认为,新方法能较好地将现场作业数据用于钻井事故等级的预测,对于钻井事故风险分级评价具有广泛应用和推广价值.
文献关键词：
多维钻井事故;事故等级;多分类预测;深度学习;二维卷积神经网络;模糊C均值算法;信息增益
中图分类号：
作者姓名：
赵春兰;屈瑶;王兵;范翔宇;赵鹏斐;李屹;何婷
作者机构：
西南石油大学理学院;西南石油大学计算机科学学院;"油气藏地质及开发工程"国家重点实验室·西南石油大学;西南石油大学地球科学与技术学院
文献出处：
引用格式：
[1]赵春兰;屈瑶;王兵;范翔宇;赵鹏斐;李屹;何婷-.一种基于2D-CNN深度学习的钻井事故等级预测新方法)[J].天然气工业,2022(12):95-105
A类：
多维钻井事故
B类：
2D,事故等级,等级预测,安全事故,事故分级,评价过程,事故风险,风险指标,信息增益,增益值,模型输入,卷积层,事故特征,池化,层进,激活函数,Softmax,二维卷积神经网络,较之于,其他方法,法经,计算复杂度,二分类问题,多分类预测,现场应用,损失值,1D,现场作业,作业数据,风险分级,分级评价
AB值：
0.240325
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
