1.一种其上存储计算机可读指令的非暂时性计算机可读媒体，所述计算机可读指令在由计算装置执行时使所述计算装置：
接收来自先前钻井操作的历史钻井数据，其中所述历史钻井数据包含针对所述先前钻井操作期间的多个钻井控制变量中的每一者测量的多个值；
使用所述经接收历史钻井数据及神经网络模型确定目标函数模型，其中所述目标函数模型最大化用于所述先前钻井操作的钻速；
接收包含用于不同钻井操作的当前钻井数据值的经测量钻井数据，其中所述不同钻井操作意指所述不同钻井操作的井眼不同于所述先前钻井操作的井眼；
通过以包含用于所述不同钻井操作的所述当前钻井数据值的所述经测量钻井数据作为输入执行所述经确定目标函数模型来确定用于所述不同钻井操作的控制的最优值；
输出所述经确定最优值用于所述不同钻井操作的所述控制；
接收额外钻井数据，其中所述额外钻井数据包含针对所述多个钻井控制变量中的每一者测量的第二多个值，其中所述额外钻井数据是在输出所述经确定最优值用于所述不同钻井操作的所述控制之后而测量；
使用所述经接收额外钻井数据确定第二目标函数模型，其中所述第二目标函数模型最大化所述先前钻井操作的钻速；
接收包含用于所述不同钻井操作的第二当前钻井数据值的第二经测量钻井数据；
通过以包含用于所述不同钻井操作的所述第二当前钻井数据值的所述第二经测量钻井数据作为输入执行所述经确定第二目标函数模型来确定用于所述不同钻井操作的所述控制的第二最优值；及
输出所述经确定第二最优值用于所述不同钻井操作的所述控制。
2.根据权利要求1所述的非暂时性计算机可读媒体，其中所述目标函数模型是通过评估多种神经网络模型配置来确定。
3.根据权利要求1所述的非暂时性计算机可读媒体，其中确定所述目标函数模型包括：
定义训练数据集作为所述经接收历史钻井数据的第一部分；
定义验证数据集作为所述经接收历史钻井数据的第二部分；
定义第一神经网络模型配置；
使用所述经定义训练数据集基于所述经定义第一神经网络模型配置来训练第一神经网络模型；
以所述经定义验证数据集作为所述经训练第一神经网络模型的输入来预测模型输出数据；
比较所述经预测模型输出数据与所述验证数据集的输出数据；及
基于比较所述经预测模型输出数据与所述验证数据集的输出数据来确定所述经训练第一神经网络模型的第一有效分数。
4.根据权利要求1所述的非暂时性计算机可读媒体，其中预测模型是使用所述经接收历史钻井数据来确定，其中所述预测模型预测被输入到所述经确定目标函数模型的控制变量的值。
5.根据权利要求1所述的非暂时性计算机可读媒体，其中所述目标函数模型进一步最小化用于所述先前钻井操作的机械比能。
6.根据权利要求1所述的非暂时性计算机可读媒体，其中所述目标函数模型进一步优化所述先前钻井操作的所述井眼稳定性。
7.根据权利要求1所述的非暂时性计算机可读媒体，其中所述经确定最优值被输出到显示装置。
8.根据权利要求1所述的非暂时性计算机可读媒体，其中所述经确定最优值被输出到与调整所述控制的设置点相关联的控制装置。
9.根据权利要求3所述的非暂时性计算机可读媒体，其中确定所述目标函数模型进一步包括：
定义第二神经网络模型配置；
使用所述经定义训练数据集基于所述经定义第二神经网络模型配置来训练第二神经网络模型；
以所述经定义验证数据集作为所述经训练第二神经网络模型的输入来预测第二模型输出数据；
比较所述经预测第二模型输出数据与所述验证数据集的所述输出数据；及基于比较所述经预测第二模型输出数据与所述验证数据集的所述输出数据来确定所述经训练第二神经网络模型的第二有效分数。
10.根据权利要求4所述的非暂时性计算机可读媒体，其中所述计算机可读指令进一步使所述计算装置确定被输入到所述经确定目标函数模型的所述控制变量的当前预测值，其中所述经确定目标函数模型是进一步以所述当前预测值作为输入来执行。
11.根据权利要求4所述的非暂时性计算机可读媒体，其中使用决策树模型确定所述预测模型。
12.根据权利要求5所述的非暂时性计算机可读媒体，其中所述目标函数模型进一步优化用于所述先前钻井操作的所述井眼稳定性。
13.根据权利要求9所述的非暂时性计算机可读媒体，其中所述目标函数模型基于所述经确定第一有效分数与所述经确定第二有效分数之间的比较而被确定为所述经训练第一神经网络模型或所述经训练第二神经网络模型。
14.一种计算装置，其包括：
处理器；及
可操作地耦合到所述处理器的非暂时性计算机可读媒体，所述计算机可读媒体上面存储计算机可读指令，所述计算机可读指令在由所述处理器执行时使所述计算装置接收来自先前钻井操作的历史钻井数据，其中所述历史钻井数据包含针对所述先前钻井操作期间的多个钻井控制变量中的每一者测量的多个值；
使用所述经接收历史钻井数据及神经网络模型确定目标函数模型，其中所述目标函数模型最大化所述先前钻井操作的钻速；
接收包含用于不同钻井操作的当前钻井数据值的经测量钻井数据；
通过以包含用于所述不同钻井操作的所述当前钻井数据值的所述经测量钻井数据作为输入执行所述经确定目标函数模型来确定用于所述不同钻井操作的控制的最优值；
输出所述经确定最优值用于所述不同钻井操作的所述控制；
接收额外钻井数据，其中所述额外钻井数据包含针对所述多个钻井控制变量中的每一者测量的第二多个值，其中所述额外钻井数据是在输出所述经确定最优值用于所述不同钻井操作的所述控制之后而测量；
使用所述经接收额外钻井数据确定第二目标函数模型，其中所述第二目标函数模型最大化所述先前钻井操作的钻速；
接收包含用于所述不同钻井操作的第二当前钻井数据值的第二经测量钻井数据；
通过以包含用于所述不同钻井操作的所述第二当前钻井数据值的所述第二经测量钻井数据作为输入执行所述经确定第二目标函数模型来确定用于所述不同钻井操作的所述控制的第二最优值；及
输出所述经确定第二最优值用于所述不同钻井操作的所述控制。
15.根据权利要求14所述的计算装置，其中预测模型是使用所述经接收历史钻井数据来确定，其中所述预测模型预测被输入到所述经确定目标函数模型的控制变量的值。
16.根据权利要求14所述的计算装置，其中所述目标函数模型进一步最小化用于所述先前钻井操作的机械比能。
17.根据权利要求16所述的计算装置，其中所述目标函数模型进一步优化所述先前钻井操作的所述井眼稳定性。
18.根据权利要求15所述的计算装置，其中所述计算机可读指令进一步使所述计算装置确定被输入到所述经确定目标函数模型的所述控制变量的当前预测值，其中所述经确定目标函数模型是进一步以所述当前预测值作为输入来执行。
19.根据权利要求18所述的计算装置，其中使用决策树模型确定所述预测模型。
20.一种确定用于钻井操作的控制的最优值的方法，所述方法包括：
接收来自先前钻井操作的历史钻井数据，其中所述历史钻井数据包含针对所述先前钻井操作期间的多个钻井控制变量中的每一者测量的多个值；
由计算装置使用所述经接收历史钻井数据及神经网络模型确定目标函数模型，其中所述目标函数模型最大化所述先前钻井操作的钻速；
接收包含用于不同钻井操作的当前钻井数据值的经测量钻井数据；
由所述计算装置通过以包含用于所述不同钻井操作的所述当前钻井数据值的所述经测量钻井数据作为输入执行所述经确定目标函数模型来确定用于所述不同钻井操作的控制的最优值；及
由所述计算装置输出所述经确定最优值用于所述不同钻井操作的所述控制；
接收额外钻井数据，其中所述额外钻井数据包含针对所述多个钻井控制变量中的每一者测量的第二多个值，其中所述额外钻井数据是在输出所述经确定最优值用于所述不同钻井操作的所述控制之后而测量；
由所述计算装置使用所述经接收额外钻井数据确定第二目标函数模型，其中所述第二目标函数模型最大化所述先前钻井操作的钻速；
接收包含用于所述不同钻井操作的第二当前钻井数据值的第二经测量钻井数据；
由所述计算装置通过以包含用于所述不同钻井操作的所述第二当前钻井数据值的所述第二经测量钻井数据作为输入执行所述经确定第二目标函数模型来确定用于所述不同钻井操作的所述控制的第二最优值；及
由所述计算装置输出所述经确定第二最优值用于所述不同钻井操作的所述控制。
21.根据权利要求20所述的方法，其中使用所述经接收历史钻井数据确定预测模型，其中所述预测模型预测被输入到所述经确定目标函数模型的控制变量的值。
22.根据权利要求20所述的方法，其中所述目标函数模型进一步最小化用于所述先前钻井操作的机械比能。
23.根据权利要求21所述的方法，其中所述计算机可读指令进一步使所述计算装置确定被输入到所述经确定目标函数模型的所述控制变量的当前预测值，其中所述经确定目标函数模型是进一步以所述当前预测值作为输入来执行。
24.根据权利要求21所述的方法，其中使用决策树模型确定所述预测模型。
25.根据权利要求22所述的方法，其中所述目标函数模型进一步优化所述先前钻井操作的所述井眼稳定性。