基于有监督与无监督算法的卡钻智能诊断分析

doi:10.12388/j.issn.1673-2677.2025.02.003

摘要/Abstract

摘要：

在钻井工程中，卡钻作为常见的井下复杂工况之一严重影响钻井效率，卡钻监测对保障钻井作业的安全与效率至关重要。近年来，人工智能技术的快速发展为卡钻监测提供了新的思路，而现有的卡钻智能监测研究多聚焦单一无监督或有监督算法的优化与应用，针对两类算法在卡钻监测场景中的系统性对比研究仍存空白。通过距离相关系数筛选钻头位置、大钩高度、转盘扭矩等多维度钻井参数为研究对象，构建包含经典无监督算法模型（自编码器、K均值聚类、DBSCAN聚类）和有监督算法模型（支持向量机、随机森林、长短期记忆网络）的对比评估体系，对两类算法的卡钻趋势判断能力开展性能分析。结果表明，与有监督算法模型相比，无监督算法模型的卡钻监测平均准确率提高12.5%、平均虚警率降低37.1%、平均漏警率降低27.6%，无监督算法模型在小样本及无机理约束情况下更有优势。研究结果可为钻井工程卡钻智能监测的模型选型与优化提供参考，推动无监督算法模型在卡钻风险监测中的实际应用。

关键词:

卡钻监测, 机器学习, 无监督算法模型, 有监督算法模型, 钻井

Abstract:

In drilling engineering，stuck pipe，as one of the common downhole complex issues，seriously affects drilling efficiency. Stuck pipe monitoring is crucial for ensuring the safety and efficiency of drilling operations. With the rapid development of artificial intelligence technology in recent years，new approaches have emerged for stuck pipe monitoring. However，the existing research on intelligent stuck pipe monitoring mainly focuses on the optimization and application of single unsupervised or supervised algorithm，leaving a gap of systematic comparative studies on these two types of algorithms with respect to stuck pipe monitoring. This study selects multi-dimensional drilling parameters such as bit position，hook height，and torque of ratary table as the study targets，according to distance correlation coefficients，constructs a comparative evaluation system involving classic unsupervised algorithms （AE，K-means，DBSCAN） and supervised algorithms （SVM，RF，LSTM），and analyzes the performance of these algorithms in estimating stuck pipe trends. The results show that compared with supervised algorithm，unsupervised algorithm delivers a increase of 12.5% in monitoring average accuracy and reductions of 37.1% and 27.6% in average false and missed alarm rates respectively. Unsupervised algorithm demonstrates greater advantages in cases of small sample sizes and absence of mechanistic constraints. The findings of this research provide references for model selection and optimization in intelligent stuck pipe monitoring for drilling engineering and promote the practical application of unsupervised algorithm in stuck pipe risk monitoring.

Key words:

stuck pipe monitoring, machine learning, unsupervised algorithm model, supervised algorithm model, drilling

中图分类号:

宋先知, , 王易玮 , 杨彦龙 , 刘慕臣 , 祝兆鹏, .

基于有监督与无监督算法的卡钻智能诊断分析

[J]. 新疆石油天然气, 2025, 21(2): 24-34.

SONG Xianzhi, , WANG Yiwei , YANG Yanlong , LIU Muchen , ZHU Zhaopeng, .

Intelligent Diagnosis and Analysis of Stuck Pipe Based on Supervised and Unsupervised Algorithms

[J]. Xinjiang Oil & Gas, 2025, 21(2): 24-34.

参考文献

［1］LI G，SONG X，TIAN S，et al. Intelligent drilling and completion：A review［J］. Engineering，2022，18：33-48.

［2］陈韬，张幼振，许超. 煤矿井下钻进工况智能识别算法研究与应用［J］. 煤矿安全，2025，56（3）：242-249.CHEN Tao，ZHANG Youzhen，XU Chao. Research and application of intelligent identification algorithm for drilling conditions in coal mine underground［J］. Safety in Coal Mines，2025，56（3）：242-249.

［3］SIRUVURI C，NAGARAKANTI S，SAMUEL R. Stuck pipe prediction and avoidance：A convolutional neural network approach［C］. IADC/SPE Drilling Conference，Miami，Florida，USA，2006：SPE 98378-MS.

［4］CHAMKALANI A，PORDEL SHAHRI M，POORDAD S. Support vector machine model：A new methodology for stuck pipe prediction［C］. SPE Unconventional Gas Conference and Exhibition，Muscat，Oman，2013：SPE 164003-MS.

［5］AHMED O S，AMAN B M，ZAHRANI M A，et al. Stuck pipe early warning system utilizing moving window machine learning approach［C］. Abu Dhabi International Petroleum Exhibition & Conference. Abu Dhabi，UAE，2019：SPE 197674-MS.

［6］AL-BAIYAT I，HEINZE L. Implementing artificial neural networks and support vector machines in stuck pipe prediction［C］. SPE Kuwait International Petroleum Conference and Exhibition，Kuwait，2012：SPE 163370-MS.

［7］ABBAS A K，ALMUBARAK H，ABBAS H，et al. Application of machine learning approach for intelligent prediction of pipe sticking［C］. Abu Dhabi International Petroleum Exhibition and Conference，Abu Dhabi，UAE，2019：SPE 197396-MS.

［8］朱硕，宋先知，李根生，等. 钻柱摩阻扭矩智能实时分析与卡钻趋势预测［J］. 石油钻采工艺，2021，43（4）：428-435.ZHU Shuo，SONG Xianzhi，LI Gensheng，et al. Intelligent real-time analysis of drill string friction & torque and stuck pipe trend prediction［J］. Oil Drilling & Production Technology，2021，43（4）：428-435.

［9］易思琦，魏凯. 基于SMOTE欠采样的随机森林卡钻风险评估方法［J］. 石油地质与工程，2023，37（4）：100-103.YI Siqi，WEI Kai. Random forest stuck pipe risk assessment method based on SMOTE undersampling［J］. Petroleum Geology and Engineering，2023，37（4）：100-103.

［10］张万兴. 基于GAN-LSTM的连续油管井下复杂情况预防［D］. 湖北荆州：长江大学，2024.ZHANG Wanxing. Prevention of coiled tubing downhole complications based on GAN-LSTM［D］. Jingzhou，Hubei：Yangtze University，2024.

［11］刘子豪，宋先知，朱硕，等. 基于VC-SVM与粒子群算法的卡钻智能预测方法［J］. 石油机械，2024，52（10）：1-11.LIU Zihao，SONG Xianzhi，ZHU Shuo，et al. Intelligent stuck pipe prediction method based on VC-SVM and particle swarm optimization［J］. China Petroleum Machinery，2024，52（10）：1-11.

［12］张涛，夏鹏，李军，等. 基于井下参数的SCNGO-SVM卡钻预警方法研究［J］. 石油机械，2025，53（1）：20-27、36.ZHANG Tao，XIA Peng，LI Jun，et al. Study on SCNGO-SVM stuck pipe warning method based on downhole parameters［J］. China Petroleum Machinery，2025，53（1）：20-27，36.

［13］朱硕. 基于机理模型与数据模型的卡钻智能预测方法［D］. 北京：中国石油大学（北京），2022.ZHU Shuo. Intelligent prediction method for stuck pipe based on mechanistic and data models［D］. Beijing：China University of Petroleum （Beijing），2022.

［14］刘慕臣，宋先知，李大钰，等. 钻柱摩阻扭矩智能预测模型与解释［J］. 煤田地质与勘探，2023，51（9）：89-99.LIU Muchen，SONG Xianzhi，LI Dayu，et al. Intelligent prediction model and interpretation of drill string friction & torque［J］. Coal Geology & Exploration，2023，51（9）：89-99.

［15］SCHORR S，MÖLLER M，HEIB J，et al. Quality prediction of drilled and reamed bores based on torque measurements and the machine learning method of random forest［J］. Procedia Manufacturing，2020，48：894-901.

［16］INOUE T，SUGIYAMA D，SHIMOTOMAI T. Machine learning approaches to anomaly detection of top drive torque causing drill pipe failure［C］. The 37th International Conference on Ocean，Offshore and Arctic Engineering，Madrid，Spain，2018：V008T11A00.

［17］ROSTAMI H，MANSHAD A K. A new support vector machine and artificial neural networks for prediction of stuck pipe in drilling of oil fields［J］. Journal of Energy Resources Technology，2014，136（2）：024502.

［18］任远航. 面向大数据的K-means算法综述［J］. 计算机应用研究，2020，37（12）：3528-3533.REN Yuanhang. A survey of K-means algorithm for big data［J］. Application Research of Computers，2020，37（12）：3528-3533.

［19］苏晓眉，张涛，李玉飞，等. 基于K-Means聚类算法的沉砂卡钻预测方法研究［J］. 钻采工艺，2021，44（3）：5-9.SU Xiaomei，ZHANG Tao，LI Yufei，et al. Study on sand stuck pipe prediction method based on K-means clustering algorithm［J］. Drilling & Production Technology，2021，44（3）：5-9.

［20］张庆，何封，何佑伟. 基于机器学习的页岩气井井间干扰评价及预测［J］. 油气藏评价与开发，2022，12（3）：487-495.ZHANG Qing，HE Feng，HE Youwei. Evaluation and prediction of interwell interference in shale gas wells based on machine learning［J］. Reservoir Evaluation and Development，2022，12（3）：487-495.

［21］田龙，朱智华，王立伟，等. 基于大数据和无监督聚类算法的岩石可钻性表征和预测方法［J］. 新疆石油天然气，2024，20（2）：29-36.TIAN Long，ZHU Zhihua，WANG Liwei，et al. Research on characterization and prediction method of rock drillability based on big data and unsupervised clustering algorithm［J］. Xinjiang Oil & Gas，2024，20（2）：29-36.

［22］富浩，张涛，李玉梅，等. 基于井下参数的PCA-SVM卡钻预测研究［J］. 计算机仿真，2021，38（12）：386-390.FU Hao，ZHANG Tao，LI Yumei，et al. Research on PCA-SVM stuck pipe prediction based on downhole parameters［J］. Computer Simulation，2021，38（12）：386-390.

［23］丁建新，李雪松，宋先知，等. 水平井钻井提速-减阻-清屑多目标协同优化方法［J］. 石油机械，2023，51（11）：1-10.DING Jianxin，LI Xuesong，SONG Xianzhi，et al. Multi-objective collaborative optimization method for ROP improvement，drag reduction，and cuttings removal in horizontal well drilling［J］. China Petroleum Machinery，2023，51（11）：1-10.

[1]	孙金声, , 杨景斌 , 吕开河 , 白英睿 , 刘敬平 , 黄贤斌. 深层超深层钻井技术研究现状与展望 [J]. 新疆石油天然气, 2025, 21(2): 1-14.
[2]	刘颖彪, , 徐生江, , 田龙, , 钟尹明, , 白佳帅, , 钟润豪, . 钻井复杂事故预警技术研究进展 [J]. 新疆石油天然气, 2025, 21(2): 15-23.
[3]	刘维 , 谢风猛 , 李建超 , 刘希峰 , 胡斌 , 章宇 , 高德利. PDC钻头损伤失效的智能识别方法 [J]. 新疆石油天然气, 2025, 21(2): 45-.
[4]	刘明艳 , 张准玺 , 王欣桐 , 赵海燕 , 邬元月 , 刘永杰. 基于参数提取和模拟的钻井投资估算优化方法 [J]. 新疆石油天然气, 2025, 21(2): 82-.
[5]	邵斌, 罗平亚, 兰军, 刘鹭, 常军利, 杨震, . 陇东油区水基钻井液压滤废液循环利用技术[J]. 新疆石油天然气, 2025, 21(1): 24-31.
[6]	吴义成, 刘鹏, 曹青天, 常会盼, 李帅, 张斌. 吉木萨尔页岩油长裸眼井油基钻井液防塌技术[J]. 新疆石油天然气, 2025, 21(1): 32-40.
[7]	刘锋报, 尹达, 魏天星, 吴虹宇, 王子午. 塔里木山前盐底恶性漏失沉降堵漏技术[J]. 新疆石油天然气, 2024, 20(4): 1-7.
[8]	汪海阁, 常龙, 卓鲁斌, 席传明, 欧阳勇. 中国石油陆相页岩油钻井技术现状与发展建议[J]. 新疆石油天然气, 2024, 20(3): 1-14.
[9]	齐洪岩, 吴承美, 胡可, 陈依伟, 徐田录, 王永娇. 准噶尔盆地吉木萨尔凹陷页岩油效益开发关键技术与实践 [J]. 新疆石油天然气, 2024, 20(3): 15-22.
[10]	黄贤斌, 张学皓, 袁侦航, 张洋, . 复杂泥页岩地层井壁稳定钻井液材料研究现状[J]. 新疆石油天然气, 2024, 20(3): 46-53.
[11]	盛茂, 蒋富民, 胡诗梦, 吕振虎, 孔明炜, 司丽娟, . 非均质砂砾岩储层地应力解释及压裂设计优化 [J]. 新疆石油天然气, 2024, 20(2): 1-.
[12]	钟尹明, 柯迪丽娅·帕力哈提, 白佳帅, 王超尘, 李起豪. 基于GRU神经网络的PDC钻头磨损实时监测模型 [J]. 新疆石油天然气, 2024, 20(2): 21-.
[13]	田龙, 朱智华, 王立伟, 于佳伟, 王一帆. 基于大数据和无监督聚类算法的岩石可钻性表征和预测方法 [J]. 新疆石油天然气, 2024, 20(2): 29-.
[14]	李根生, 穆总结, 田守嶒, 黄中伟, 孙照伟. 冲击破岩钻井提速技术研究现状与发展建议 [J]. 新疆石油天然气, 2024, 20(1): 1-12.
[15]	刘凡, 刘裕双, 张震, 李永健, 刘策, 马志虎, . 基于机器学习的堵漏颗粒粒径推荐方法 [J]. 新疆石油天然气, 2024, 20(1): 13-20.