钻井参数优化是钻井工程中的一项关键技术。由于钻井过程中的不确定因素,钻井工程中的精确模型很难建立,从而导致仿真的结果与实际相差较大;其次,控制系统日趋复杂,以纯数学模型来研究钻井参数优化,各个环节耦合的表示已经很复杂,要对越来越精密的设备进行优化控制必然会限制该模型的应用。新型钻井技术的发展以及钻井自动化水平和监测装置性能的不断提高,也为钻井参数优化研究带来了新的课题。钻井参数优化不仅要考虑钻井速度以及钻井成本,更要对钻井过程中的钻井参数进行动态优化和综合分析。通过对钻井参数优化理论的研究和现场相关调研,发现钻井现场的反馈都由大量的数据组合而成,所以本文尝试将控制算法转向学习算法,提出了由感知层、传输层、应用层、控制层组成的基于神经网络的钻井参数优化架构。通过比较分析确定将小脑模型关节控制器(Cerebellar Model Articulation controller,CMAC)模型应用于钻井参数优化。提出了基于神经网络的钻井参数优化算法。语言使用Python,同时采用Anaconda作为调试和编译的集成开发环境(Integrated Development Environment,IDE)平台。利用Pandas实现数据的读取和管理。通过Sk-Learn对钻井参数进行完整性、归一化等处理。设计并训练神经网络模型,针对测试集准确率不足的情况,通过改进网络结构和优化激活函数,改善预测精度、缩短训练时间。本文结合调研中收集的现场钻井数据,对钻井参数进行了优化仿真,通过仿真验证了优化方法有效性。又针对施工中的井区进行优化实验,通过参数的优选优配使得机械钻速得到小幅提升,验证了优化方法的可行性。