在石油钻探领域,钻头作为必不可少的工具,在钻井过程中的使用效果直接影响着石油开采的效率与经济效益。目前,针对钻头选型大多依靠经验,对钻井工作人员的素质要求非常高,且选型效果得不到保障。随着随钻测井技术的出现,人工智能技术也逐渐进入钻井领域。其中,在钻头选型方面,都是利用人工智能中的浅层学习算法进行研究,其存在学习能力较差、容易过拟合、梯度易发散等问题。而深度学习的出现可以很好的解决这些问题。目前,深度学习网络在数据预测与分类问题上的应用已经相当成熟了,且钻头选择可被认为是一种分类的问题,所以,可以将深度学习引入到钻井领域,建立起一套钻头选型数学模型,这具有一定的必要性与可行性。本文主要利用现场测井资料建立岩石力学特性参数与钻头型号之间的数学关系。岩石力学特性参数中岩石可钻性这一参数及其重要,因此本文先对岩石可钻性进行研究。通过分析前人研究可以发现,声波时差、密度、伽马值、电阻率与岩石可钻性之间存在一定的联系,并且大多采用浅层神经网络进行研究。而针对非线性、多维问题,当数据量增多时,前人利用浅层神经网络很难获得准确的结果。因此,本文基于已获得的钻井数据,以声波时差、密度、伽马值、电阻率为输入,岩石可钻性作为输出,并确定出网络各个关键参数,最终建立了岩石可钻性深度学习模型。通过与神经网络相对比,可得到其网络性能更优,预测准确率能达到90%以上,较神经网络高出约10%。在进行钻头选型前,为保证现场数据的可靠性,对数据进行优选。首先,以钻头使用情况对地层进行编号,以岩石力学特性参数中岩石抗剪强度、抗压强度、内摩擦角、泥质含量、岩石可钻性评判岩石的相似性,采用模糊相似理论比较各编号地层的相似性。然后以相似度在80%以上的地层作为一类,采用樊洪海机械比能理论,算出各相似地层间的机械比能值,选出各类中机械比能值较小的地层作为钻头选型学习数据,达到筛选数据的目的。将筛选出的数据整理为数据库文件,通过对126个地层的处理,筛选出36个地层的数据。利用筛选出的数据,以岩石力学特性参数作为输入,钻头型号作为输出,建立基于深度学习的钻头选型数学模型,并与神经网络建立的模型做对比分析,其预测准确的拟合程度高出神经网络约13%,且其网络性能也更优。采用基于Tensorflow的Python语言对岩石可钻性预测及钻头选型数学模型进行编写,其操作与理解都较困难。因此,本文结合PyQt及Qtdesigner软件开发出一套钻头选型软件,结合钻头可钻性预测、数据筛选、钻头选型功能,通过连接Excel,Spyder、Matlab等软件,以及其内部的多种编写图形用户界面(GUI)的包,进行软件的开发。软件具有利用数据库文件训练模型、获得数学模型、预测数据的能力。并且能够对模型参数进行设置,获得较优的数学模型结构参数,也能对模型的性能实现可视化,使操作人员更加容易查看所获得的模型的可靠性。为了验证所获得数学模型的可靠性,本文利用数据库之外的数据来验证该模型。利用软件获得的岩石可钻性结果、钻头选型结果均与现场实际使用的情况吻合程度高,表明建立的模型具有一定的工程意义,可以应用到实际。