基于神經(jīng)網(wǎng)絡(luò)的卡鉆預(yù)測*

張奇志 朱丹 劉光星（西安石油大學(xué)）

基于神經(jīng)網(wǎng)絡(luò)的卡鉆預(yù)測*

張奇志 朱丹 劉光星（西安石油大學(xué)）

針對鉆井過程的復(fù)雜性、不確定性等特點(diǎn)，提出應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測卡鉆事故，建立事故預(yù)測模型。選取對卡鉆事故的發(fā)生有較大影響的變量作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)，分析鉆井現(xiàn)場實(shí)時(shí)監(jiān)測的卡鉆數(shù)據(jù)和正常運(yùn)行的數(shù)據(jù)，應(yīng)用鉆井現(xiàn)場數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以此建立卡鉆事故預(yù)測模型，最終通過鉆井現(xiàn)場數(shù)據(jù)證實(shí)該網(wǎng)絡(luò)具有對卡鉆事故做出準(zhǔn)確預(yù)測的能力以及良好的泛化能力。

BP神經(jīng)網(wǎng)絡(luò) 卡鉆 預(yù)測

引言

在鉆井過程中，由于各種原因造成的鉆具陷在井內(nèi)不能自由活動(dòng)的事故現(xiàn)象稱為卡鉆。近年來，世界各大石油公司相繼投入研究井下卡鉆事故的機(jī)理和監(jiān)測、預(yù)防、處理技術(shù)，其主要方法有扭矩—拉力模型、多元統(tǒng)計(jì)法、卡鉆專家系統(tǒng)以及神經(jīng)網(wǎng)絡(luò) 法 分 析 。 但 是 這 幾 種 方 法 都 各 有 缺 陷[1-3]。 在 卡 鉆事故中，一種卡鉆事故發(fā)生后，往往會誘發(fā)另一種卡鉆或其他事故的發(fā)生，如在縮徑卡鉆、鍵槽卡鉆、落物卡鉆發(fā)生之后，由于鉆柱失去了自由活動(dòng)的能力，又會發(fā)生粘吸卡鉆。粘吸卡鉆發(fā)生之后，由于處理不當(dāng)，又會誘發(fā)坍塌卡鉆。所以準(zhǔn)確預(yù)測卡鉆事故對防止事故的擴(kuò)大、減輕事故損失有著至關(guān)重要的作用。

為了提高鉆井效益，鉆井技術(shù)人員對鉆井過程提出了很多數(shù)學(xué)模型，但由于鉆井過程的隨機(jī)性和不確定性，而且涉及領(lǐng)域較廣，鉆井過程的規(guī)律難以 用 精 確 的 數(shù) 學(xué) 模 型 來 描 述 。 BP （BackPropagation）神 經(jīng) 網(wǎng) 絡(luò) 是 一 種 非 線 性 變 換 單 元 組 成 的 前 饋網(wǎng)絡(luò)，它由輸入層、隱層、輸出層及各層之間的節(jié)點(diǎn)連接構(gòu)成，一個(gè)三層BP網(wǎng)絡(luò)可以在任意精度內(nèi)逼 近 任 意 函 數(shù)[4]。 本 文 將 神 經(jīng) 網(wǎng) 絡(luò) 這 一 方 法 應(yīng) 用 到卡鉆預(yù)測中，不僅解決了鉆進(jìn)規(guī)律難以用精確數(shù)學(xué)模型來描述這一問題，而且確保了網(wǎng)絡(luò)對卡鉆預(yù)測過程擬合的準(zhǔn)確性。

1 卡鉆預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)的建立

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號向前傳遞，誤差反向傳播在向前傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閥值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出。

1.1輸入層變量選取

輸入量必須選擇那些對輸出影響大且能夠檢測或者提取的變量，此外還要求各輸入變量之間相互不相關(guān)或者相關(guān)性很小。根據(jù)現(xiàn)場資料的分析，造成卡鉆事故的主要因素大致可以分為：地質(zhì)因素、井身結(jié)構(gòu)、鉆井液參數(shù)和操作水平[5]，另外還包括鉆進(jìn)參數(shù)[6]，這五個(gè)因素主要包括的參數(shù)如表1所示。

表1 影響卡鉆的主要參數(shù)

本文在同一操作水平下對開發(fā)井發(fā)生的卡鉆事故做預(yù)測模型，參照大量鉆井現(xiàn)場數(shù)據(jù)以及卡鉆事故典型案例，最終選取的變量為：卡點(diǎn)井深、鉆壓、轉(zhuǎn)速、排量、泵壓、鉆井液密度、漏斗黏度、含砂量、泥餅厚度、濾矢量十個(gè)變量作為神經(jīng)網(wǎng)絡(luò)輸 入 層 變 量 ， 分 別 用來 表 示 ， 故 輸 入向 量 為

1.2輸出層節(jié)點(diǎn)的確立

在網(wǎng)絡(luò)設(shè)計(jì)中，對于確定的樣本數(shù)，網(wǎng)絡(luò)參數(shù)太少則不足以表達(dá)樣本中蘊(yùn)涵的全部規(guī)律，而網(wǎng)絡(luò)參 數(shù) 太 多 則 由于樣本信息少而得不到充分的訓(xùn)練[7]。 受樣本信息量的限制，所以在不影響網(wǎng)絡(luò)準(zhǔn)確性的前提下精簡網(wǎng)絡(luò)參數(shù)。本模型所要實(shí)現(xiàn)的功能是預(yù)測卡鉆事故，故而設(shè)置一個(gè)輸出層節(jié)點(diǎn)：0代表沒有發(fā)生卡鉆，1代表卡鉆預(yù)警，輸出向量為。 在 應(yīng) 用 中 以 0.5 為 基 準(zhǔn) 線 ， 小 于 0.5 代 表存 在 發(fā)生卡鉆 風(fēng) 險(xiǎn) ， 大 于 0.5 代 表 鉆 井狀態(tài)正 常 。

1.3隱含層節(jié)點(diǎn)數(shù)的確立

隱含層節(jié)點(diǎn)數(shù)對整個(gè)網(wǎng)絡(luò)的準(zhǔn)確性有著至關(guān)重要的作用。當(dāng)隱含層節(jié)點(diǎn)數(shù)的取值在輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)之間時(shí)，特別是當(dāng)靠近輸入節(jié)點(diǎn)數(shù)時(shí)網(wǎng)絡(luò)收斂速度較快。另外隱含層節(jié)點(diǎn)數(shù)太少時(shí)，容易導(dǎo)致學(xué)習(xí)過程不收斂；隱含層節(jié)點(diǎn)數(shù)太多時(shí)，網(wǎng)絡(luò)映射能力增強(qiáng)，局部最小點(diǎn)越少，越容易收斂到全局最小點(diǎn)，卻致使學(xué)習(xí)時(shí)間長，且網(wǎng)絡(luò)容易訓(xùn)練過度，此時(shí)導(dǎo)致網(wǎng)絡(luò)不僅記住了學(xué)習(xí)樣本一般特征而且記住了個(gè)別特征導(dǎo)致網(wǎng)絡(luò)容錯(cuò)性降低。確定最佳隱含層節(jié)點(diǎn)數(shù)的一個(gè)常用的方法稱為試湊法，可先設(shè)置較少的隱含層節(jié)點(diǎn)訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加隱含層節(jié)點(diǎn)數(shù)，用同一樣本集進(jìn)行訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時(shí)對應(yīng)的隱含層節(jié)點(diǎn)數(shù)。用試湊法時(shí) 可 以 先 應(yīng) 用 一 些 確 定 隱 含 層 節(jié) 點(diǎn) 數(shù) 經(jīng) 驗(yàn) 公 式[7]。本文應(yīng)用公式其中 n為輸入層節(jié)點(diǎn)， m 為輸 出層節(jié) 點(diǎn) ， a 為 1～10之間 的常數(shù) 。輸入 層 n=10 ， 輸出 層 m=1 ， nl=4～14 。 利 用試湊法作對比最終選擇網(wǎng)絡(luò)誤差最少的隱含層節(jié)點(diǎn)數(shù)為 n=7 ，隱 含 層 輸 出 向量為。

ly1y2y7最終建立的卡鉆預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 卡鉆預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)圖

2 神經(jīng)網(wǎng)絡(luò)對卡鉆預(yù)測的實(shí)現(xiàn)

訓(xùn)練數(shù)據(jù)的準(zhǔn)備工作是網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的基礎(chǔ)，數(shù)據(jù)選擇的科學(xué)合理性，以及數(shù)據(jù)表示的合理性對于網(wǎng)絡(luò)設(shè)計(jì)具有極為重要的影響。數(shù)據(jù)的準(zhǔn)備包括原始數(shù)據(jù)的收集、數(shù)據(jù)分析、變量選擇和數(shù)據(jù)預(yù)處理等。為了實(shí)現(xiàn)對鉆井現(xiàn)場卡鉆的預(yù)測，本文搜集陜北地區(qū)大量鉆井?dāng)?shù)據(jù)作為系統(tǒng)的訓(xùn)練以及測試數(shù)據(jù)。選取對卡鉆預(yù)測影響較大、鉆井現(xiàn)場易獲取的 10個(gè)變量作為系統(tǒng)輸入項(xiàng)。部分鉆井現(xiàn)場數(shù)據(jù) 樣 本 如 表2所 示 ： 10組 數(shù) 據(jù) 中 前5組 為 卡 鉆 數(shù)據(jù)，后5組為鉆井狀態(tài)正常的數(shù)據(jù)。

表2 訓(xùn)練數(shù)據(jù)

表2 中 卡 點(diǎn) 井 深 的 范 圍 為 52.76～3330m， 含 砂量 的 范 圍 為 0～0.3。 由 此 可 見 樣 本 數(shù) 據(jù) 存 在 個(gè) 別 變量數(shù)值差異較大的問題，不利于神經(jīng)網(wǎng)絡(luò)的收斂。另 外 由 于 BP 網(wǎng) 絡(luò) 的 神 經(jīng) 元 均 采 用 Sigmoid 類 轉(zhuǎn) 移 函數(shù)，為了防止因輸入的絕對誤差過大而使神經(jīng)元輸出飽和，繼而使權(quán)值調(diào)整進(jìn)入誤差曲面的平坦區(qū)，所以在網(wǎng)絡(luò)訓(xùn)練之前需要對訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理。歸一化處理是指通過變換處理將訓(xùn)練數(shù)據(jù)限制在[0,1]區(qū)間內(nèi)，本文采取的變換式為：

本文應(yīng)用 MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱完成BP神經(jīng)網(wǎng)絡(luò)的樣本訓(xùn)練，其M語言歸一化子程序如下：

input=P;%P 為 輸入樣本 矩 陣

input=input';

savedatainput;

output=T;%T 為輸出 樣 本 矩 陣

output=output';

savedataoutput。

%歸一化

[inputn,inputs]=mapminmax(input);

outputn=output：%由 于 輸 出 變 量 為 [0,1]， 故 不需要?dú)w一化。

歸一化結(jié)果如表3所示。

表3 訓(xùn)練數(shù)據(jù)歸一化

利用對樣本集的訓(xùn)練建立卡鉆預(yù)警神經(jīng)網(wǎng)絡(luò)，M語言訓(xùn)練子程序如下：

%初始化網(wǎng)絡(luò)結(jié)構(gòu)

net=newff(inputn,outputn,7);

net.trainParam.epochs=100;

net.trainParam.lr=0.1;

net.trainParam.goal=1.0e-9;

net.trainParam.min_grad=1e-10。

%網(wǎng)絡(luò)訓(xùn)練

net=train(net,inputn,outputn)。

多次重復(fù)訓(xùn)練最終得到最佳的泛化及擬合效果，訓(xùn)練完畢后將對應(yīng)權(quán)值、閥值關(guān)系記憶在網(wǎng)絡(luò)結(jié)構(gòu)上，之后便可將鉆井過程檢測的工況特征數(shù)據(jù)輸入到該網(wǎng)絡(luò)，從而對卡鉆事故進(jìn)行預(yù)測。

3 卡鉆預(yù)測神經(jīng)網(wǎng)絡(luò)的驗(yàn)證

網(wǎng)絡(luò)訓(xùn)練完成后應(yīng)用訓(xùn)練樣本進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果如表4所示。表4中卡鉆的5組數(shù)據(jù)輸出值均小 于 0.5， 而 正 常 運(yùn) 行 的 四 組 數(shù) 據(jù) 均 大 于 0.5。 由 驗(yàn)證結(jié)果不難看出該系統(tǒng)已經(jīng)具有對卡鉆事故做出準(zhǔn)確預(yù)測的能力。

表4 訓(xùn)練樣本預(yù)測結(jié)果

另外網(wǎng)絡(luò)性能的好壞還要看其是否具有很好的泛化能力，而對泛化能力的測試則不能用訓(xùn)練集的數(shù)據(jù)進(jìn)行檢驗(yàn)，而要用訓(xùn)練集以外的測試數(shù)據(jù)來檢驗(yàn)[7]。 表5 為 在 測 試 數(shù) 據(jù) 中 隨 機(jī) 選 取 的 四 組 數(shù) 據(jù) 。

表5 訓(xùn)練樣本預(yù)測結(jié)果

網(wǎng)絡(luò)泛化能力的檢驗(yàn)的結(jié)果如表6所示。編號1、2的兩組卡鉆樣本輸入網(wǎng)絡(luò)后，其輸出值均大于0.5； 而 將 編 號 3、4 的 兩 組 正 常 鉆 井 狀 態(tài) 樣 本 輸 入神經(jīng)網(wǎng)絡(luò)后，其輸 出 均 小 于 0.5。 從 表6所 示 的 輸 出結(jié)果可以看出，對于鉆井工況不同的數(shù)據(jù)，卡鉆預(yù)警神經(jīng)網(wǎng)絡(luò)可以給出準(zhǔn)確的預(yù)測結(jié)果，由此可見該網(wǎng)絡(luò)已經(jīng)具備準(zhǔn)確的預(yù)測能力和良好的泛化能力，從而證實(shí)了本文所提方法的合理性。

表6 測試樣本預(yù)警結(jié)果

4 結(jié)論

本文分析現(xiàn)場鉆井?dāng)?shù)據(jù)、建立卡鉆預(yù)警模型，并應(yīng)用現(xiàn)場數(shù)據(jù)驗(yàn)證該網(wǎng)絡(luò)良好的預(yù)警能力，從而證明神經(jīng)網(wǎng)絡(luò)法應(yīng)用于卡鉆預(yù)警的可行性與合理性。為減少卡鉆事故、降低鉆井成本提供了有效、科學(xué)的方案。該方案的提出可使現(xiàn)場工作人員在卡鉆事故發(fā)生的早期及時(shí)做出調(diào)整，從而降低卡鉆事故發(fā)生率，節(jié)約鉆井成本，提高鉆井效率。

[1]趙春波.卡鉆預(yù)測技術(shù)研究綜述[J].新疆石油科技.1998: (1):15-17.

[2]胡永建.基于虛擬樣本神經(jīng)網(wǎng)絡(luò)的卡鉆預(yù)警裝置[J].石油礦場機(jī)械.2011:(9):80-83.

[3]NorgaardM,RavnO,NK.NeuralNetworksforModelingandControlofDynamicSystems.APractitioner’sHandbook,London,UK:Springer,2000:15-19.

[4]史 峰.MATLAB 神 經(jīng) 網(wǎng) 絡(luò) 30 個(gè) 案 例 分 析[M].北 京:北 京 航空航天大學(xué)出版社,2010:27-35.

[5]沈小翠.基于關(guān)聯(lián)模型的鉆井卡鉆事故仿真與預(yù)測控制方法研究[D].北京:中國石油大學(xué),2009:12-17.

[6]蔣希文.鉆井事故與復(fù)雜問題[M].北京:石油工業(yè)出版社,2006:12-26.

[7]施彥.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京:北京郵電大學(xué)出版社,2009:25-26.

10.3969/j.issn.2095-1493.2013.001.001

2012-12-28）

張奇志，教授，2011年獲得西北工業(yè)大學(xué)博士學(xué)位 ， 從 事 電 動(dòng) 鉆 機(jī) 自 動(dòng) 控 制 等 方 面 的 研 究 ， E-mail： zhuzhuzhu_ 2005@126.com， 地 址 ： 陜 西 西 安 市 電 子二 路 東 段 18 號 西 安石 油 大學(xué)，710065。

*項(xiàng)目名稱：油氣田鉆井卡鉆的預(yù)測與診斷技術(shù)研究

項(xiàng)目來源：陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃

項(xiàng)目編號：2010JM8022