基于音頻信號(hào)的氣體鉆井返出巖屑量監(jiān)測(cè)方法研究

夏文鶴， 潘 碩， 孟英峰， 李永杰

(1.西南石油大學(xué)電氣信息學(xué)院，四川成都610500；2.西南石油大學(xué)石油與天然氣工程學(xué)院，四川成都610500)

基于音頻信號(hào)的氣體鉆井返出巖屑量監(jiān)測(cè)方法研究

夏文鶴1， 潘 碩1， 孟英峰2， 李永杰2

(1.西南石油大學(xué)電氣信息學(xué)院，四川成都610500；2.西南石油大學(xué)石油與天然氣工程學(xué)院，四川成都610500)

為了監(jiān)測(cè)鉆井過(guò)程中的井壁坍塌、井底巖爆等井下工況信息，進(jìn)行了基于音頻信號(hào)的氣體鉆井返出巖屑量監(jiān)測(cè)方法研究。該方法利用音頻采集系統(tǒng)采集返出巖屑在排砂管中運(yùn)移所產(chǎn)生的音頻信號(hào)，根據(jù)短時(shí)能量確定聲音段的起止點(diǎn)并計(jì)算特征參數(shù)，建立聲音的特征參數(shù)庫(kù)，再利用神經(jīng)網(wǎng)絡(luò)算法排除干擾聲音，然后分析排砂管內(nèi)不同大小巖屑的聲音特征，利用動(dòng)態(tài)時(shí)間彎折算法識(shí)別巖屑的大小，計(jì)算巖屑流量，進(jìn)而判斷氣體鉆井?dāng)y巖狀態(tài)及井下工況。雙探7井現(xiàn)場(chǎng)試驗(yàn)結(jié)果表明，該方法對(duì)干擾聲音的分類成功率達(dá)到96.8%，對(duì)不同粒徑巖屑的識(shí)別率達(dá)到85.0%。研究結(jié)果表明，基于音頻信號(hào)的氣體鉆井返出巖屑量監(jiān)測(cè)方法可以監(jiān)測(cè)返出巖屑流量變化情況，有效判斷氣體鉆井的井下工況，從而降低氣體鉆井作業(yè)風(fēng)險(xiǎn)。

氣體鉆井；巖屑流量；音頻信號(hào)；神經(jīng)網(wǎng)絡(luò)

氣體鉆井具有鉆速快、防井漏和降低油氣儲(chǔ)層傷害等特點(diǎn)，應(yīng)用于復(fù)雜難動(dòng)用儲(chǔ)層、低壓易滲漏層和二次開采油氣井等具有明顯的技術(shù)優(yōu)勢(shì)[1-4]。氣體鉆井過(guò)程中，氣體對(duì)井壁產(chǎn)生的壓力要遠(yuǎn)小于地層壓力，容易誘發(fā)井壁力學(xué)失穩(wěn)，造成井壁掉塊、坍塌[5]，但采用常規(guī)的地面、井下監(jiān)測(cè)技術(shù)難以獲取井壁坍塌、巖爆等井下工況信息[6]。排砂管線返出巖屑流量的突然變化可以反映這一信息，因此及時(shí)監(jiān)測(cè)排砂管線內(nèi)大顆粒巖屑的體積流量變化情況，能夠準(zhǔn)確判斷井筒攜巖狀態(tài)，避免大量巖屑堆積井底和卡鉆等井下故障[7]。

目前，氣體鉆井過(guò)程中監(jiān)測(cè)排砂管線返出巖屑時(shí)，需在排砂管內(nèi)安裝沖刷力傳感器，計(jì)算機(jī)根據(jù)采集的沖刷力變化來(lái)判斷井下巖屑返出情況。該方法的監(jiān)測(cè)結(jié)果雖然具有一定的準(zhǔn)確性，但僅能監(jiān)測(cè)撞擊到取樣板的巖屑顆粒，存在監(jiān)測(cè)面過(guò)窄、實(shí)用性差的問(wèn)題[8]。為提高井下巖屑返出監(jiān)測(cè)結(jié)果的準(zhǔn)確性，筆者首次將聲音識(shí)別技術(shù)應(yīng)用到氣體鉆井返出巖屑量的監(jiān)測(cè)中，利用巖屑顆粒在排砂管內(nèi)運(yùn)移的發(fā)聲狀況推算返出巖屑的流量，從而判斷氣體鉆井?dāng)y巖狀態(tài)及井下工況。該方法可以監(jiān)測(cè)所有在排砂管內(nèi)運(yùn)移的大顆粒巖屑，在一定程度上彌補(bǔ)了目前氣體鉆井井下巖屑返出監(jiān)測(cè)方法存在的不足，有利于準(zhǔn)確判斷井筒攜巖狀態(tài)，為氣體鉆井的安全鉆進(jìn)提供了技術(shù)保障。

1 音頻信號(hào)采集

在排砂管線上游段下管壁進(jìn)行音頻信號(hào)采集時(shí)，音頻信號(hào)采集設(shè)備安裝在降塵水接入點(diǎn)的上游，避免降塵水噴射過(guò)程中產(chǎn)生的音頻干擾。音頻信號(hào)采集系統(tǒng)主要由拾音器、隔音材料、A/D轉(zhuǎn)換設(shè)備、傳輸線纜和監(jiān)控計(jì)算機(jī)組成(見圖1)。拾音器集成了麥克風(fēng)和音頻放大電路，根據(jù)現(xiàn)場(chǎng)音頻分布范圍，頻率響應(yīng)設(shè)為20～20 000 Hz，輸出信號(hào)幅度為2.5 Vpp。因?yàn)槁暡ň哂邢蛑車鷤鞑サ男再|(zhì)，為減小鉆井現(xiàn)場(chǎng)存在的各類聲音對(duì)音頻信號(hào)采集系統(tǒng)的干擾，采用吸音棉和膠氈包裹塑料管作為隔音材料，將拾音器包裹在排砂管上。A/D轉(zhuǎn)換設(shè)備將拾音器采集的模擬信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)，然后傳送到監(jiān)控計(jì)算機(jī)進(jìn)行處理。

圖1 音頻信號(hào)采集系統(tǒng)組成Fig.1 Component of the audio signal acquisition system

采用移動(dòng)疊加的方式處理聲音數(shù)據(jù)，處理程序每秒啟動(dòng)一次，處理最近采集的時(shí)長(zhǎng)2 s的數(shù)據(jù)，重疊采樣過(guò)程如圖2所示，圖2中紅色虛線和黑色實(shí)線表示重疊采樣中2次數(shù)據(jù)傳輸?shù)姆秶?/p>

圖2 重疊采樣過(guò)程示意Fig.2 Schematic diagram of the overlapping sampling process

從圖2可以看出，連續(xù)的音頻信號(hào)恰好位于第2秒和第3秒2個(gè)數(shù)據(jù)包內(nèi)，音頻信號(hào)在黑色實(shí)線框內(nèi)是完整的，而在紅色虛線框內(nèi)是不完整的?？梢钥隙ǎ谥丿B采樣中總有一重可以保證信號(hào)的完整性；但這種疊加采樣方式使得信號(hào)出現(xiàn)2次，為避免數(shù)據(jù)重復(fù)處理，需要標(biāo)記已識(shí)別過(guò)的撞擊音頻段，下次循環(huán)只需要處理標(biāo)記點(diǎn)以后的數(shù)據(jù)，已處理過(guò)的信號(hào)將作為重復(fù)信號(hào)而忽略掉。

2 音頻信號(hào)特征參數(shù)獲取

2.1 連續(xù)音頻信號(hào)的預(yù)處理

為了對(duì)連續(xù)音頻信號(hào)進(jìn)行實(shí)時(shí)分析處理，只能將其分為多個(gè)短幀分別進(jìn)行處理。根據(jù)音頻信號(hào)的短時(shí)平穩(wěn)特性，利用可移動(dòng)的有限長(zhǎng)度窗口加權(quán)法實(shí)現(xiàn)分幀預(yù)處理[9]，考慮到幀與幀之間平滑過(guò)渡，在分幀過(guò)程中采用部分重疊的辦法實(shí)現(xiàn)過(guò)渡。音頻信號(hào)的分幀過(guò)程可表示為：

(1)

式中：x(m)為音頻信號(hào)序列；xn(m)為分幀后第n幀音頻信號(hào)序列；ω(m)為窗函數(shù)；n和m分別表示幀數(shù)和序號(hào)數(shù)。

式(1)采用卷積形式，窗函數(shù)選用旁瓣衰減較大、能夠反映短時(shí)信號(hào)頻率特性的漢明窗。漢明窗定義為：

(2)

式中：N為幀長(zhǎng)。

2.2 提取有效聲音段

正常鉆進(jìn)過(guò)程中的音頻信號(hào)主要為低頻空氣壓縮機(jī)噪聲，視為背景噪音。當(dāng)有大顆粒巖屑出現(xiàn)時(shí)，其在排砂管中的運(yùn)移過(guò)程產(chǎn)生有效音頻信號(hào)，需根據(jù)有效音頻信號(hào)與背景噪聲的分界點(diǎn)對(duì)有效信號(hào)進(jìn)行提取。采用短時(shí)能量雙門限法進(jìn)行端點(diǎn)檢測(cè)[10]以提取音頻段，音頻信號(hào)的短時(shí)能量En的計(jì)算公式為：

(3)

利用一段音頻信號(hào)和它的短時(shí)能量解釋端點(diǎn)檢測(cè)過(guò)程，如圖3所示。圖3中的連續(xù)音頻信號(hào)包含2個(gè)有效聲音段，起止點(diǎn)在聲音波形圖中標(biāo)出，實(shí)線和虛線分別表示有效聲音段的起點(diǎn)和終點(diǎn)。

圖3 利用音頻信號(hào)短時(shí)能量進(jìn)行端點(diǎn)檢測(cè)示意Fig.3 Sketch diagram of end point detection using short time energy of an audio signal

圖3中，TH為設(shè)定的高門限，TL為設(shè)定的低門限。統(tǒng)計(jì)多個(gè)巖屑撞擊音頻的短時(shí)能量，設(shè)q個(gè)音頻對(duì)應(yīng)的短時(shí)能量最大值分別為maxE1，maxE2，…，maxEq，若第n個(gè)音頻的最大短時(shí)能量值maxEn最小，即設(shè)定TH值為maxEn；TL取值應(yīng)大于正常工況下采集音頻的最大短時(shí)能量，且小于TH。

提取過(guò)程為：首先對(duì)預(yù)處理后的聲音信號(hào)進(jìn)行逐幀判斷，當(dāng)某幀能量高于TH時(shí)記為標(biāo)示幀，并朝前、后方向進(jìn)行逐幀檢索，以尋找聲音邊界。當(dāng)檢索到幀能量小于TL時(shí)，即認(rèn)為對(duì)應(yīng)幀為有效聲音段的邊界點(diǎn)。

2.3 有效聲音段特征參數(shù)的獲取

為構(gòu)建不同粒徑大小巖屑在排砂管內(nèi)運(yùn)移發(fā)聲模型并進(jìn)行分類識(shí)別，需獲取表征聲音特征的參數(shù)。根據(jù)巖屑運(yùn)移音頻信號(hào)的特點(diǎn)，選用梅爾尺度倒譜系數(shù)(mel frequency cepstrum coefficient，MFCC)[11]作為特征參數(shù)。

由文獻(xiàn)[12]可知，在表征聲音的特性時(shí)，短時(shí)能量反映聲音幅度的變化，短時(shí)過(guò)零率為一幀信號(hào)中采樣數(shù)值符號(hào)改變的次數(shù)，可反映聲音的頻譜特性，對(duì)不同聲音具有良好的區(qū)分度。因此，筆者提出了一種改進(jìn)的MFCC參數(shù)，在原12維MFCC參數(shù)的基礎(chǔ)上增加短時(shí)能量和短時(shí)過(guò)零率2個(gè)參數(shù)，構(gòu)成新的特征參數(shù)，命名為MFCC_EZ參數(shù)。短時(shí)過(guò)零率計(jì)算公式為：

3 不同粒徑巖屑的識(shí)別

3.1 消除干擾噪音

氣體鉆井現(xiàn)場(chǎng)排砂管線長(zhǎng)度往往超過(guò)50 m，且排砂管管壁一般為鐵質(zhì)材料，容易受到現(xiàn)場(chǎng)話語(yǔ)聲、汽車?guó)Q笛聲和金屬撞擊聲等噪音的干擾，需采取措施消除干擾噪音。近年來(lái)，廣泛應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行聲音分類[13]，筆者以雙探7井現(xiàn)場(chǎng)采集到的排砂管內(nèi)巖屑運(yùn)移聲、話語(yǔ)聲、汽車?guó)Q笛聲和金屬撞擊聲作為實(shí)驗(yàn)樣本，簡(jiǎn)述BP神經(jīng)網(wǎng)絡(luò)消除干擾噪聲的一般過(guò)程，并驗(yàn)證其分類效果。

首先對(duì)采集的聲音樣本進(jìn)行預(yù)處理，提取MFCC_EZ參數(shù)，然后進(jìn)行參數(shù)歸一化處理：

(5)

式中：xk為參數(shù)序列；yk為歸一化處理后的參數(shù)序列；xmin為參數(shù)序列中最小的數(shù)值；xmax為參數(shù)序列中最大的數(shù)值；k為參數(shù)的序號(hào)。

根據(jù)音頻類別和參數(shù)結(jié)構(gòu)，BP神經(jīng)網(wǎng)絡(luò)模型為14-15-4。取幀長(zhǎng)256、幀移128，4類音頻分別提取3 000幀，提取MFCC_EZ參數(shù)，其中2 000幀參數(shù)用于訓(xùn)練網(wǎng)絡(luò)，1 000幀輸入上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，進(jìn)行判斷分類。根據(jù)分類結(jié)果計(jì)算，四類音頻的總體分類正確率為96.8%。

3.2 巖屑粒徑識(shí)別

3.2.1不同粒徑巖屑運(yùn)移發(fā)聲特征分析

在穴蝕效應(yīng)和高速碰撞的共同作用下，氣體鉆井返出巖屑多呈懸浮粉末狀[14-16]，若井下發(fā)生井壁垮塌等異常情況，往往會(huì)有大顆粒巖屑返出。經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)分類，確定被測(cè)音頻信號(hào)為巖屑運(yùn)移發(fā)聲有效音頻信號(hào)，即可作為判斷巖屑大小的測(cè)試樣本。根據(jù)巖屑顆粒的懸浮條件、躍移起動(dòng)條件和滾動(dòng)起動(dòng)條件[17]，計(jì)算排砂管內(nèi)滾動(dòng)顆粒直徑的典型值dg、躍移顆粒直徑的典型值dy和懸浮顆粒直徑的典型值dx，其計(jì)算公式為：

(6)

(7)

(8)

式中：dgh，dyh和dxh分別為氣體鉆井正常鉆進(jìn)注氣量的情況下滾動(dòng)顆粒、躍移顆粒和懸浮顆粒直徑的上限值，mm；λg，λy和λx分別為滾動(dòng)顆粒、躍移顆粒和懸浮顆粒直徑的修正系數(shù)。

在地質(zhì)條件基本相同的前提下，也可以將前一開次鉆探返出的巖屑作為參考依據(jù)，選擇典型粒徑的顆粒作為巖屑樣本。雙探7井一開返出巖屑最大粒徑為9.0 mm，結(jié)合現(xiàn)場(chǎng)經(jīng)驗(yàn)，在二開氣體鉆井施工前，選擇粒徑為7.5±0.5，5.0±0.5和2.5±0.5 mm的3種巖屑進(jìn)行測(cè)試。

測(cè)試過(guò)程中保持正常鉆進(jìn)的注氣量，從排砂管的巖樣注入口依次投入3種巖屑，得到典型音頻信號(hào)原始波形及其短時(shí)能量波形(見圖4)。

圖4 3種典型粒徑巖屑運(yùn)移音頻信號(hào)波形對(duì)比Fig.4 Wave form comparison of the audio signal of cuttings transportation with 3 typical grain sizes

從圖4可以看出：較小粒徑巖屑顆粒激發(fā)的音頻信號(hào)波形只出現(xiàn)一次較高幅度的波動(dòng)，可視為顆粒撞擊形成；中間粒徑巖屑顆粒激發(fā)的音頻信號(hào)波形出現(xiàn)2～3次大幅波動(dòng)，可視為顆粒跳躍運(yùn)移形成；較大粒徑巖屑顆粒激發(fā)的音頻信號(hào)波形出現(xiàn)大幅波動(dòng)的頻率大幅增加，且相鄰波動(dòng)的時(shí)間間隔越來(lái)越小，可視為巖屑由跳躍運(yùn)移逐漸變?yōu)闈L動(dòng)運(yùn)移。很明顯，3種典型粒徑巖屑在排砂管內(nèi)運(yùn)移激發(fā)的音頻信號(hào)具有很好的區(qū)分度。

3.2.2 動(dòng)態(tài)彎折算法進(jìn)行粒徑分類識(shí)別

根據(jù)不同粒徑巖屑在排砂管內(nèi)運(yùn)移形成的不同音頻信號(hào)特征，對(duì)其大小進(jìn)行識(shí)別，識(shí)別對(duì)象是有效音頻信號(hào)對(duì)應(yīng)的MFCC_EZ參數(shù)。鑒于碰撞音頻信號(hào)長(zhǎng)度的不確定性，適合采用動(dòng)態(tài)時(shí)間彎折(dynamic time warping， DTW)算法進(jìn)行識(shí)別[18]。

DTW算法是運(yùn)用動(dòng)態(tài)規(guī)劃的思想，利用局部最優(yōu)的方法尋找一條路徑，該算法對(duì)模板樣本和待測(cè)樣本的長(zhǎng)度沒有要求。長(zhǎng)度M幀的第R號(hào)音頻樣本與長(zhǎng)度N幀的第T號(hào)樣本之間的DTW距離DDTW為:

(9)

(10)

式中：m和n分別為第R號(hào)和第T號(hào)音頻樣本的幀編號(hào)；K和k分別為參數(shù)總維度和維度編號(hào)；ri(k)和ti(k)分別為R號(hào)樣本和T號(hào)樣本的參數(shù)；φ為從(1，1)到(N，M)、斜率范圍為1/2～2的路徑；i為路徑節(jié)點(diǎn)編號(hào)；D為歐式距離。

建立3類典型粒徑巖屑運(yùn)移音頻信號(hào)的MFCC_EZ參數(shù)模板庫(kù)，使用DTW算法計(jì)算待測(cè)樣本與每個(gè)模板樣本之間的最佳路徑，距離最小的路徑所對(duì)應(yīng)的聲音類別即為識(shí)別結(jié)果。

筆者采集了每類粒徑巖屑的20個(gè)音頻信號(hào)作為模板，然后在雙探7井進(jìn)行了現(xiàn)場(chǎng)音頻信號(hào)采集試驗(yàn)。試驗(yàn)過(guò)程中采集了多個(gè)音頻信號(hào)，從每類信號(hào)中隨機(jī)選擇40個(gè)作為測(cè)試樣本，識(shí)別其粒徑大小，識(shí)別結(jié)果見圖5，綜合識(shí)別率達(dá)85.0%。試驗(yàn)結(jié)果表明，該方法具有良好的分類效果。

圖5 DTW算法的巖屑粒徑識(shí)別結(jié)果Fig.5 Identification results of cuttings size based on DTW

4 巖屑流量監(jiān)測(cè)

根據(jù)監(jiān)測(cè)結(jié)果，計(jì)算單位時(shí)間內(nèi)通過(guò)的大顆粒巖屑體積為：

(11)

式中：V為單位時(shí)間內(nèi)監(jiān)測(cè)的巖屑顆粒體積，mm3;p為單位時(shí)間內(nèi)監(jiān)測(cè)到的巖屑顆粒數(shù);Di為識(shí)別到的第i個(gè)巖屑的粒徑,mm。

鉆進(jìn)過(guò)程中，首先根據(jù)司鉆、錄井實(shí)時(shí)提供的監(jiān)測(cè)參數(shù)確定正常鉆進(jìn)狀態(tài)，然后用式(11)統(tǒng)計(jì)該狀態(tài)下若干個(gè)單位時(shí)間內(nèi)返出大顆粒巖屑的總體積Vzn，取體積平均值Vzb作為鉆進(jìn)過(guò)程中大顆粒巖屑返出量的標(biāo)準(zhǔn)值，并根據(jù)現(xiàn)場(chǎng)地質(zhì)資料情況設(shè)定正常的波動(dòng)范圍ΔVz，如果鉆進(jìn)過(guò)程中單位時(shí)間內(nèi)返出大顆粒巖屑的總體積超出正常鉆進(jìn)的波動(dòng)范圍，即V>Vzb+ΔVz，判斷井內(nèi)氣體攜巖狀態(tài)不正常，已出現(xiàn)掉塊、井塌、出砂、砂橋崩潰等異常狀況；反之，則視為正常鉆進(jìn)。

筆者先在實(shí)驗(yàn)室開展了驗(yàn)證性試驗(yàn)，通過(guò)模擬巖屑返出和運(yùn)移條件，實(shí)時(shí)采集了巖屑運(yùn)移音頻信號(hào)，并準(zhǔn)確識(shí)別出了巖屑的大?。蝗缓笤陔p探7井二開氣體鉆井過(guò)程中開展了現(xiàn)場(chǎng)試驗(yàn)，音頻信號(hào)監(jiān)測(cè)到的多為粒徑2.5 mm的巖屑顆粒，偶有5.0 mm及以上粒徑的顆粒，但未連續(xù)出現(xiàn)。試驗(yàn)過(guò)程中監(jiān)測(cè)到的巖屑流量均勻，未發(fā)生異常狀況，與實(shí)際鉆井工況一致。

5 結(jié) 論

1) 基于音頻信號(hào)的氣體鉆井返出巖屑量監(jiān)測(cè)方法將巖屑顆粒運(yùn)動(dòng)狀態(tài)分析法與音頻信號(hào)智能識(shí)別技術(shù)相結(jié)合，通過(guò)監(jiān)測(cè)返出大顆粒巖屑的流量變化，可以快速識(shí)別和預(yù)警井壁垮塌、掉塊和井下巖爆等工況，確保氣體鉆井施工的安全。

2) 試驗(yàn)結(jié)果表明，基于音頻信號(hào)的氣體鉆井返出巖屑量監(jiān)測(cè)方法，能夠較為準(zhǔn)確地識(shí)別出返出巖屑的粒徑及流量變化，有效判斷井下工況。

3) 目前的研究只選用了3類巖屑樣本，且是在較為理想的條件下開展的研究，與實(shí)際鉆井環(huán)境存在一定的差距，需進(jìn)一步細(xì)化巖屑樣本的分類，充分考慮復(fù)雜工況對(duì)計(jì)算巖屑量的影響，進(jìn)一步提高該方法的測(cè)量精度和適應(yīng)性。

References

[1] 馮林，母亞軍，楊代明，等.馬深1井二開大井眼優(yōu)快鉆井技術(shù)[J].石油鉆采工藝，2016，38(5)：577-582. FENG Lin，MU Yajun，YANG Daiming，et al.Big hole of second section of Well Mashen-1 optimized drilling technology[J].Oil Drilling & Production Technology，2016，38(5)：577-582.

[2] 鄧柯.國(guó)內(nèi)氣體鉆井技術(shù)發(fā)展現(xiàn)狀與應(yīng)用前景淺析[J].鉆采工藝，2015，38(2)：20-22. DENG Ke.Development status and application prospect of gas drilling technologies in China[J].Drilling & Production Technology，2015，38(2)：20-22.

[3] 肖新磊.空氣鉆井技術(shù)在元壩地區(qū)的應(yīng)用[J].石油鉆探技術(shù)，2010，38(4)：35-37. XIAO Xinlei.Application of air drilling technique in Yuanba Area[J].Petroleum Drilling Techniques，2010，38(4)：35-37.

[4] 石建剛，楊虎，周鵬高，等.火燒山北部石炭系推覆體氣體鉆井技術(shù)[J].石油鉆探技術(shù)，2014，42(1)：114-118. SHI Jiangang，YANG Hu，ZHOU Penggao，et al.Gas drilling technology for Carboniferous Nappe in Northern Huoshaoshan[J].Petroleum Drilling Techniques，2014，42(1)：114-118.

[5] 金衍，陳勉，盧運(yùn)虎，等.一種氣體鉆井井壁穩(wěn)定性分析的簡(jiǎn)易方法[J].石油鉆采工藝，2009，31(6)：48-52. JIN Yan，CHEN Mian，LU Yunhu，et al.A simple means for gas drilling wellbore stability analysis[J].Oil Drilling & Production Technology，2009，31(6)：48-52.

[6] 劉金龍，李永杰，王延民，等.氣體鉆井返出氣體檢測(cè)方法研究[J].斷塊油氣田，2013，20(1)：6-9. LIU Jinlong，LI Yongjie，WANG Yanmin，et al.Study on return gas detection methods for gas drilling[J].Fault-Block Oil & Gas Field，2013，20(1)：6-9.

[7] 尹國(guó)慶，梁藝葦，琚巖，等.石油鉆井中影響井壁穩(wěn)定性因素分析[J].長(zhǎng)春工程學(xué)院學(xué)報(bào)(自然科學(xué)版)，2016，17(3)：89-93. YIN Guoqing，LIANG Yiwei，JU Yan，et al.The affecting factors analysis of borehole wall stability in petroleum drilling[J].Journal of Changchun Institute of Technology(Natural Science Edition)，2016，17(3)：89-93.

[8] 馬曉偉，竇金永，董玉輝，等.氣體鉆井返出巖屑監(jiān)測(cè)方法研究[J].西部探礦工程，2011，23(6)：83-84. MA Xiaowei，DOU Jinyong，DONG Yuhui，et al.Research on return cuttings monitor method for gasdrilling[J].West-China Exploration Engineering，2011，23(6)：83-84.

[9] 伍宗富，蔡明山，陳日新.基于短時(shí)處理的異常聲音辨識(shí)系統(tǒng)研制[J].中國(guó)農(nóng)機(jī)化，2011，32(2)：125-128. WU Zongfu，CAI Mingshan，CHEN Rixin.Research and realization of abnormal noise recognition system based on short-term treatment[J].Chinese Agricultural Mechanization，2011，32(2)：125-128.

[10] 劉華平，李昕，徐柏齡，等.語(yǔ)音信號(hào)端點(diǎn)檢測(cè)方法綜述及展望[J].計(jì)算機(jī)應(yīng)用研究，2008，25(8)：2278-2283. LIU Huaping，LI Xin，XU Boling，et al.Summary and survey of endpoint detection algorithm for speech signals[J].Application Research of Computers，2008，25(8)：2278-2283.

[11] 呂霄云，王宏霞.基于MFCC和短時(shí)能量混合的異常聲音識(shí)別算法[J].計(jì)算機(jī)應(yīng)用，2010，30(3)：796-798. LYU Xiaoyun，WANG Hongxia.Abnormal audio recognition algorithm based on MFCC and short-term energy[J].Journal of Computer Applications，2010，30(3)：796-798.

[12] 劉波霞，陳建峰.基于特征分析的環(huán)境聲音事件識(shí)別算法[J].計(jì)算機(jī)工程，2011，37(22)：261-263. LIU Boxia，CHEN Jianfeng.Environment acoustic event recognition algorithm based on feature analysis[J].Computer Engineering，2011，37(22)：261-263.

[13] 郭敏，梅亞敏.基于碰撞聲信號(hào)的玉米顆粒識(shí)別與分類[J].陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，40(5)：31-34. GUO Min，MEI Yamin.The identification and classification of corn kernels based on impact acoustic signal[J].Journal of Shaanxi Normal University (Natural Science Edition)，2012，40(5)：31-34.

[14] 郭建華，李黔，王錦，等.氣體鉆井巖屑運(yùn)移機(jī)理研究[J].天然氣工業(yè)，2006，26(6)：66-67. GUO Jianhua，LI Qian，WANG Jin，et al.Study on cuttings migration mechanism during gas drilling[J].Natural Gas Industry，2006，26(6)：66-67.

[15] 柳貢慧，宋廷遠(yuǎn)，李軍.氣體鉆水平井氣體攜巖能力分析[J].石油鉆探技術(shù)，2009，37(5)：26-29. LIU Gonghui，SONG Tingyuan，LI Jun.Analysis of cuttings transportation during drilling gas horizontal wells[J].Petroleum Drilling Techniques，2009，37(5)：26-29.

[16] 唐佳彤.氣體鉆井最小氣體體積流量計(jì)算新方法[J].石油鉆探技術(shù)，2015，43(4)：73-77. TANG Jiatong.A new calculation method of minimum gas volume flow rate for gas drilling[J].Petroleum Drilling Techniques，2015，43(4)：73-77.

[17] 魏納，孟英峰，李皋，等.欠平衡鉆水平井巖屑運(yùn)移可視化實(shí)驗(yàn)[J].天然氣工業(yè)，2014，34(1)：80-85. WEI Na，MENG Yingfeng，LI Gao，et al.A visualization experiment of cuttings transport in underbalanced horizontal wells[J].Natural Gas Industry，2014，34(1)：80-85.

[18] 劉敬偉，徐美芝，鄭忠國(guó)，等.基于DTW的語(yǔ)音識(shí)別和說(shuō)話人識(shí)別的特征選擇[J].模式識(shí)別與人工智能，2005，18(1)：50-54. LIU Jingwei，XU Meizhi，ZHENG Zhongguo，et al.DTW-based feature selection for speech recognition and speakerrecognition[J].Pattern Recognition & Artificial Intelligence，2005，18(1)：50-54.

[編輯 滕春鳴]

The Returned Cuttings Monitoring Method for Gas Drilling Based on Audio Signals

XIA Wenhe1,PAN Shuo1,MENG Yingfeng2,LI Yongjie2

(1.SchoolofElectronicsandInformationEngineering,SouthwestPetroleumUniversity,Chengdu,Sichuan，610500,China;2.CollegeofPetroleumEngineering,SouthwestPetroleumUniversity,Chengdu,Sichuan，610500,China)

To find the best way to monitor the process of well drilling (e.g.wellbore collapse and bottom hole rock burst),the method of returned cuttings monitoring in gas drilling based on audio signals was studied.In this method,an audio acquisition system is used to collect the audio signals generated from the migration of the returned cuttings in the clearance pipe.The starting and ending points of sound segments are determined and correlatedto the short-time energy by which their characteristic parameters can be calculated.After a sound characteristic parameter database is created,interference sound is eliminated through a neural network algorithm.Then,the acoustic characteristics of cuttings with different size in the clearance pipe are analyzed.The cuttings sizes can be differentiated by using the dynamic time warping after which the flow rate of cuttings then is calculated.Accordingly,the carrying status of the cuttings and downhole working condition of gas drilling can be primarily determined.This method was tested on site in Well Shuangtan 7 and results demonstrated that the classification success rate of interference sounds reached 96.8% and the identification rate of cuttings size reached 85%.Results also indicate that this method of monitoring the amount of returned cuttings in gas drilling based on the audio signal can also be used to monitor the variation trend of cuttings flow rate and effectively determine downhole working conditions and thus reduce risk in drilling gas wells.

gas drilling;cutting flow rate;audio signal;neural network

2017-01-06；改回日期：2017-05-02。

夏文鶴(1978—)，男，四川成都人，2001年畢業(yè)于重慶大學(xué)自動(dòng)化專業(yè)，2007年獲電子科技大學(xué)測(cè)試計(jì)量技術(shù)及儀器專業(yè)碩士學(xué)位，油氣井測(cè)量與控制專業(yè)在讀博士研究生，主要從事油氣測(cè)量與控制方向的研究工作。E-mail：welhood@163.com。

國(guó)家科技重大專項(xiàng)“復(fù)雜地層鉆井提速提效關(guān)鍵工具與裝備研發(fā)”(編號(hào)：2016ZX05021-003-003HZ)部分研究?jī)?nèi)容。

10.11911/syztjs.201703021

TE242

A

1001-0890(2017)03-0121-06