近日，我院机电工程系智能钻井管柱动力学创新团队在钻柱振动智能表征方面取得重要进展，相关研究成果《基于神经网络的钻柱轴扭耦合振动传递特性预测研究》（A neural network prediction of drill string axial torsional vibration propagation）发表于《Ocean Engineering》期刊。该期刊是海洋工程领域中的国际顶级期刊，2025年影响因子为5.5（SCI二区Top）。论文第一作者和通讯作者为陈敬凯副教授，课题组硕士研究生杨磊为该研究工作和论文撰写做出重要贡献，中国石油大学（华东）为第一署名单位，该论文联合挪威Stavanger大学隋丹教授团队共同完成。该研究得到国家油气重大专项、国家自然科学金、山东省自然科学基金资助。
论文首页
钻柱振动是导致钻柱过早失效的核心诱因，然而受井下极端环境条件的影响，钻柱振动规律具有高度复杂性，精准表征面临显著挑战。现有数据驱动方法多依赖单一维度数据源，缺乏基于地面-井下多源数据协同驱动的钻柱振动预测方案；且研究聚焦于局部振动特性的预测分析，尚未实现钻柱振动传递规律的全域重构与精准表征。
方法流程
针对现有研究在全钻柱振动表征与预测方面的不足，本文开展如下研究工作：首先，基于模态叠加原理实现钻柱振动的全域重构，通过对比验证明确了模态分解方法的有效性；其次，构建地面-井下多节点传感数据协同驱动的机器学习预测模型，借助模态系数的精准预测，实现全钻柱振动传递过程的智能表征；最后，系统分析传感器数量与部署位置对预测精度的影响机制，据此提出传感器优化布置方案。研究结果表明，所提出的预测方法在全钻柱振动传递特性预测方面具备显著优势，能够依托有限节点的传感数据，实现全钻柱振动传递特性的精准预测，为钻井作业过程中钻柱轴扭耦合振动传递特性的实时预测提供了技术支撑。
文章链接：https://authors.elsevier.com/a/1mPp3_hNWkQbp
