油气人工智能 | 基于代价敏感学习的早期溢流智能监测方法
油气人工智能 | 基于代价敏感学习的早期溢流智能监测方法
摘要:为了克服传统机器学习算法在早期溢流监测中,因样本数据稀缺和类别不平衡导致的分类精度低、泛化能力差等问题,通过融合代价敏感学习构建了新型智能监测模型FCE(featuretransformation,cost-sensitive learning,ensemble learning)。该模型选取立管压力、总池体积、进出口流量、钻井液密度差等多个关键参数作为特征,由特征转换模块、代价信息嵌入模块和集群分类模块3个核心模块组成,其中:特征转换模块通过非线性变换增强特征与溢流事件的关联性;代价信息嵌入模块采用生成对抗网络(GAN)技术扩增溢流样本,实现代价信息与数据集的深度融合;集群分类模块通过集成学习策略融合多个弱分类器,显著提升模型性能。基于BZ区块真实溢流数据对模型进行了训练与测试,测试结果表明,当误分类代价设为2\~4且特征维度为4\~6时,模型误分类总代价较小,其中在特征维度为5、误分类代价设为3时,FCE模型的误分类总代价仅为2.2,同时召回率达到0.975,精确率为0.965, AUC 值为0.935,展现出卓越的分类性能。进一步的对比试验显示,FCE在各项指标上均显著优于传统的过采样、欠采样及SMOTE方法。将训练完备的FCE模型应用于XX井三开钻井的溢流监测,通过油田数据银行实时获取现场参数并输出监测结果,共识别出3次溢流事件,其中2次为真实溢流,1次为误报。现场应用结果表明,FCE模型具有可靠性高、分类能力强、泛化性能优异等特点,可为钻井现场的早期溢流监测提供有效的智能决策支持。