典型文献
基于融合特征选择算法的钻速预测模型研究
文献摘要：
钻速预测是钻井优化的重要组成部分,机器学习算法是当前实现准确钻速预测的重要手段,准确的特征选择是保证机器学习精度的关键途径.基于南海某井眼的实际钻井数据,本文采用一种融合特征选择法从钻井特征参数中选出井径、钻井液出口温度、钻井液入口密度、钻井液出口密度、K值、塑性粘度、滤失量、上覆压力、孔隙压力、和喷嘴等效直径共10种参数.将优选出的参数作为模型输入,引入集成的梯度提升树(Gradient Boosting Decision Tree,GBDT)算法建立机械钻速预测模型.将建立的模型与常规机器学习算法模型进行对比试验.试验结果显示,所提出的融合特征选择算法模型精度较全特征模型高2％,较常用机器学习模型平均高14.5％,该研究为钻井参数的准确、快速寻优提供了有效解决方案,对提高钻进速率具有一定的指导意义和实际应用价值.
文献关键词：
钻速预测;机器学习;融合特征选择;梯度提升树算法(GBDT)
中图分类号：
作者姓名：
周长春;姜杰;李谦;朱海燕;李之军;鲁柳利
作者机构：
成都理工大学环境与土木工程学院,四川 成都 610059;成都理工大学机电工程学院,四川 成都 610059;成都理工大学能源学院,四川 成都 610059;成都工业学院大数据与人工智能学院,四川 成都 611730
文献出处：
引用格式：
[1]周长春;姜杰;李谦;朱海燕;李之军;鲁柳利-.基于融合特征选择算法的钻速预测模型研究)[J].钻探工程,2022(04):31-40
A类：
融合特征选择
B类：
特征选择算法,钻井优化,机器学习算法,南海,井眼,钻井数据,出井,井径,钻井液,出口温度,入口密度,出口密度,塑性粘度,滤失量,覆压,孔隙压力,喷嘴,等效直径,模型输入,Gradient,Boosting,Decision,Tree,GBDT,机械钻速预测,算法模型,模型精度,全特征,特征模型,机器学习模型,模型平均,钻井参数,钻进,梯度提升树算法
AB值：
0.353634
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。
