摘要：针对旋转钻井过程中对钻头异常振动(横向振动、纵向振动、扭转振动)信号识别准确率低,效率差,导致钻具损坏甚至井眼报废的问题,提出一种基于局部均值分解(local mean decomposition, LMD)和脉冲神经网络的异常振动识别方法。首先,采用局部均值分解将微机电系统(Micro Electro Mechanical System, MEMS)加速度计信号分解为具有振动特征的PF分量;然后,从分解的乘积函数(Product function, PF)分量中提取随钻异常振动特征,并将提取到的加速度计振动特征编码为脉冲;其次,使用改进的学习规则训练脉冲神经网络对随钻异常振动进行识别。设计模拟实钻实验和仿真,训练后的脉冲神经网络可以对随钻振动的识别度达到99.39%,显示了该方法在实际应用中的巨大潜力。

摘要：为解决振动下惯性随钻测量(Measurement While Drilling,MWD)方位角失真的问题,提出一种方位漂移在线闭环补偿方法。考虑陀螺仪随时间漂移而加速度计长时测量稳定,利用多传感器分布式信息融合,获得微惯性测量单元(Micro Inertial Measurement Unit,MIMU)测量加速度和重力加速度在钻具坐标系下的向量误差,建立存在振动的方位陀螺漂移PI控制模型,设计一种基于函数逼近理论的新型神经网络结构,通过优化权值直接确定法(Optimized Weights Direct Determination,OWDD)快速确定网络权值,将神经网络辨识信息反馈给PI控制器,实现对方位陀螺漂移的自适应控制,实时跟踪误差趋向并补偿。最后设计实验,振动台实验中方位角误差由10.15°/h减小到0.21°/h,实际钻井实验中方位角误差由10.53°/h减小到0.3°/h。结果表明振动下方位角测量精度明显提高。