基于極限學(xué)習(xí)機(jī)的海上鉆井機(jī)械鉆速監(jiān)測(cè)及實(shí)時(shí)優(yōu)化*

趙 穎 孫 挺 楊 進(jìn) 李炎軍 黃 熠 閆宇龍

(1. 中國(guó)石油大學(xué)(北京) 北京 102249； 2. 中海石油(中國(guó))有限公司湛江分公司 廣東湛江 524057； 3. 北京航空航天大學(xué) 北京 100191)

海上鉆井工作環(huán)境惡劣，作業(yè)風(fēng)險(xiǎn)和費(fèi)用高，尤其是近年來(lái)，隨著海洋石油向深部地層及深海區(qū)域發(fā)展，鉆井難度不斷加大，鉆井復(fù)雜情況頻發(fā)，作業(yè)效率受到嚴(yán)重影響，如何提高鉆井效率，降低鉆井總成本是倍受關(guān)注的問(wèn)題[1-2]。

機(jī)械鉆速(ROP)是反映鉆井效率的一個(gè)重要參數(shù)[3-4]，國(guó)內(nèi)外學(xué)者對(duì)ROP進(jìn)行了一系列研究[5-9]。1974，Bourgoyne等[6]將ROP視為鉆壓、轉(zhuǎn)速等8種參數(shù)的函數(shù)，但是該方法只適用于牙輪鉆頭；2008年，Mohammad等[7]在前人的基礎(chǔ)上提出和改進(jìn)了ROP的預(yù)測(cè)模型，同時(shí)考慮了鉆頭水力參數(shù)、鉆頭的磨損情況和巖石強(qiáng)度等因素的影響。隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)的迅速發(fā)展，很多學(xué)者開(kāi)始將二者應(yīng)用到提高鉆井效率方面。2004年，Rommetveit等[8]提出了一種新型的鉆井自動(dòng)化模擬系統(tǒng)，通過(guò)對(duì)比實(shí)測(cè)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)得到鉆井過(guò)程中的實(shí)時(shí)診斷結(jié)果，但是該系統(tǒng)還處在功能設(shè)想階段，目前尚未實(shí)現(xiàn)全部功能，且考慮的ROP影響因素較少；2008年，Bahar等[9]基于Bourgoyne提出的模型井結(jié)合遺傳算法計(jì)算了ROP預(yù)測(cè)模型參數(shù)，但該研究只對(duì)ROP進(jìn)行了計(jì)算預(yù)測(cè)，并沒(méi)有作進(jìn)一步的優(yōu)化分析。

海上鉆井作業(yè)費(fèi)用高，淺水油田鉆完井費(fèi)用可以占到總投入的50%以上，深水油田鉆完井費(fèi)用占總投入的60%以上[10]，因此，在保證操作安全的前提下，提高鉆井效率，降低總成本是鉆井作業(yè)的目標(biāo)。本文針對(duì)以上ROP研究中存在的問(wèn)題，提出基于機(jī)器學(xué)習(xí)建立預(yù)測(cè)ROP模型的方法，并通過(guò)研究其他鉆井參數(shù)對(duì)ROP的影響來(lái)優(yōu)化ROP值，使鉆井效率保持在一個(gè)較高的水平，以期為海上安全高效鉆井作業(yè)及油田數(shù)字化、智能化發(fā)展提供借鑒。

1 基于極限學(xué)習(xí)機(jī)的ROP預(yù)測(cè)模型

1.1 機(jī)器學(xué)習(xí)原理

傳統(tǒng)的學(xué)習(xí)算法(如BP神經(jīng)網(wǎng)絡(luò))存在訓(xùn)練速度慢、容易陷入局部極小點(diǎn)等缺點(diǎn)，因此，本文采用極限學(xué)習(xí)機(jī)來(lái)建立ROP預(yù)測(cè)模型，極限學(xué)習(xí)機(jī)(ELM)隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)值、隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾值，且在訓(xùn)練過(guò)程中無(wú)需調(diào)整即可獲得唯一的最優(yōu)解，學(xué)習(xí)速度快，泛化性能好[11]。

典型的單隱含層ELM結(jié)構(gòu)如圖1所示。ELM結(jié)構(gòu)由輸入層、隱含層和輸出層組成，輸入層的每一個(gè)元素都與隱含層連接，同時(shí)隱含層每一個(gè)元素都與輸出層連接。

圖1 ELM結(jié)構(gòu)示意圖

在ELM中，關(guān)鍵的變量包括：輸入層神經(jīng)元和輸入變量n、隱含層神經(jīng)元l、輸出層神經(jīng)元和輸出變量m、輸入層與隱含層的連接權(quán)值I、隱含層神經(jīng)元閾值B、隱含層與輸出層連接權(quán)值L。

輸入層與隱含層的連接權(quán)值I為

(1)

式(2)中：Iln表示輸入層第n個(gè)神經(jīng)元與隱含層第l個(gè)神經(jīng)元間的連接權(quán)值。

隱含層與輸出層間的連接權(quán)值L為

(2)

式(2)中：Llm表示隱含層第l個(gè)神經(jīng)元與輸出層第m個(gè)神經(jīng)元間的連接權(quán)值。

隱含層神經(jīng)元的閾值B為

(3)

在ELM中,隱含層可以設(shè)置不同的層數(shù)，根據(jù)層數(shù)的不同可以分為單隱含層和多隱含層(圖2)，其中w為權(quán)重，b為系數(shù)。多隱含層是將前一個(gè)隱含層的結(jié)果作為下一個(gè)隱含層的輸入，通過(guò)多次運(yùn)算對(duì)結(jié)果進(jìn)行擬合。

圖2 多層感知器結(jié)構(gòu)

將鉆井?dāng)?shù)據(jù)看作連續(xù)的，在統(tǒng)計(jì)學(xué)上稱(chēng)為回歸問(wèn)題,這些問(wèn)題是由一個(gè)因變量和一個(gè)或多個(gè)自變量組成。通過(guò)回歸分析找到自變量之間的關(guān)系，構(gòu)建與因變量之間的關(guān)系,即

y≈f(x)

(4)

式(4)中：y表示因變量；x表示一個(gè)或多個(gè)自變量。

1.2 數(shù)據(jù)處理

選取南海YL8-3-1井現(xiàn)場(chǎng)錄井?dāng)?shù)據(jù)來(lái)預(yù)測(cè)機(jī)械鉆速，包括井眼深度、大鉤位置、鉆壓、大鉤載荷、轉(zhuǎn)速、扭矩、立管壓力、進(jìn)口流量、進(jìn)口鉆井液密度、出口鉆井液密度、進(jìn)口鉆井液溫度、出口鉆井液溫度等。

利用 ELM回歸算法來(lái)構(gòu)建預(yù)測(cè)模型。對(duì)于錄井中記錄的數(shù)據(jù)，由于儀器設(shè)備的精度問(wèn)題，人員操作的經(jīng)驗(yàn)問(wèn)題以及其他一些不可預(yù)計(jì)的問(wèn)題存在，使得鉆井過(guò)程中產(chǎn)生的數(shù)據(jù)不能用同一個(gè)標(biāo)準(zhǔn)去判斷它們，且ELM對(duì)數(shù)據(jù)質(zhì)量有一定的要求，因此首先要對(duì)數(shù)據(jù)進(jìn)行無(wú)量綱化處理。通過(guò)比較優(yōu)選，使用[0，1]區(qū)間歸一化方法，將所有數(shù)據(jù)規(guī)整到[0,1]。

預(yù)測(cè)的ROP是無(wú)量綱處理之后的值，因此需要轉(zhuǎn)換為實(shí)際單位。因此，在對(duì)ROP擬合之后需要進(jìn)行逆變換，即反歸一化處理。

通過(guò)程序確定輸入層與隱含層間的連接權(quán)值I、隱含層神經(jīng)元的閾值B和隱含層與輸出層的連接權(quán)值L。在擬合的過(guò)程中，選取50%的數(shù)據(jù)作為訓(xùn)練，分為訓(xùn)練集輸入(已知的其他參數(shù))和訓(xùn)練集輸出(給出的ROP)。其余的50%數(shù)據(jù)作為測(cè)試，分為測(cè)試集輸入(已知的其他參數(shù))和測(cè)試集輸出(預(yù)測(cè)的ROP)。

1.3 ROP預(yù)測(cè)模型檢驗(yàn)

選取南海YL8-3-1井的錄井?dāng)?shù)據(jù)進(jìn)行ROP的擬合和預(yù)測(cè)，該井在鉆井過(guò)程中某一時(shí)刻遇到危險(xiǎn)工況，造成一定時(shí)間的停工，所以從正常工況和故障工況分別進(jìn)行ROP的擬合與預(yù)測(cè)。

1.3.1正常工況

為了直觀判斷結(jié)果的好壞，將訓(xùn)練組與測(cè)試組的ROP實(shí)際值與預(yù)測(cè)值進(jìn)行比較，如圖3所示。由圖3可以看出，ROP的預(yù)測(cè)結(jié)果與實(shí)際值較為吻合，總體變化趨勢(shì)一致，準(zhǔn)確率達(dá)到90%以上，其中訓(xùn)練組的擬合度較測(cè)試組高，說(shuō)明正常工況下ELM方法在ROP預(yù)測(cè)方面有適用性，測(cè)試組較好的擬合效果說(shuō)明該方法在樣本中有良好的泛化性。

圖3 正常工況時(shí)YL8-3-1井采用ELM預(yù)測(cè)模型計(jì)算的訓(xùn)練組和測(cè)試組ROP預(yù)測(cè)結(jié)果

1.3.2故障工況

鉆井過(guò)程中會(huì)產(chǎn)生鉆塞、卡鉆等事故，很多參數(shù)會(huì)導(dǎo)致鉆速變慢，如地層特征、鉆頭類(lèi)型、鉆井液性質(zhì)、鉆頭工作條件等。由于測(cè)試模型中并沒(méi)有包含這些參數(shù)，所以該模型是否對(duì)樣本數(shù)據(jù)中故障工況時(shí)ROP進(jìn)行準(zhǔn)確預(yù)測(cè)，需要進(jìn)一步驗(yàn)證。

利用YL8-3-1井錄井?dāng)?shù)據(jù)對(duì)ROP進(jìn)行預(yù)測(cè)，增加數(shù)據(jù)集量至25 000組(根據(jù)現(xiàn)場(chǎng)采集的數(shù)據(jù)情況，一個(gè)時(shí)間間隔為一組數(shù)據(jù))，前12 500組數(shù)據(jù)作為訓(xùn)練組，后12 500組數(shù)據(jù)作為測(cè)試組，ROP預(yù)測(cè)結(jié)果如圖4所示。由圖4可以看出，ROP預(yù)測(cè)值的總體變化趨勢(shì)與實(shí)際值相吻合，僅在18 000數(shù)據(jù)組附近發(fā)生ROP異常減小的情況，這與該井1 270～1 300 m井段發(fā)生事故的實(shí)際情況相吻合。

圖4 事故工況時(shí)YL8-3-1井采用ELM預(yù)測(cè)模型計(jì)算的訓(xùn)練組和測(cè)試組的ROP預(yù)測(cè)結(jié)果

2 鉆井參數(shù)實(shí)時(shí)優(yōu)化

將圖4局部進(jìn)行放大，可以看出實(shí)際操作中，在鉆井事故發(fā)生之前預(yù)測(cè)得到的ROP值開(kāi)始降低，如圖5所示。因此，利用這一結(jié)果可以將實(shí)測(cè)的ROP值與實(shí)時(shí)預(yù)測(cè)的ROP值進(jìn)行比較，若在一段時(shí)間內(nèi)模型預(yù)測(cè)的ROP值均大大小于實(shí)際的ROP值，可以預(yù)判鉆井事故的發(fā)生，并提前采取措施。

圖5 事故工況時(shí)YL8-3-1井采用ELM預(yù)測(cè)模型計(jì)算的訓(xùn)練組和測(cè)試組的ROP預(yù)測(cè)結(jié)果(局部放大)

預(yù)判鉆井事故發(fā)生之后需要現(xiàn)場(chǎng)操作人員及時(shí)采取最有效的措施，可以通過(guò)統(tǒng)計(jì)產(chǎn)品與服務(wù)解決方案(Statistical Product and Service Solutions，SPSS)做出輸入錄井參數(shù)與ROP之間的相關(guān)性圖，如圖6所示。由圖6可知，鉆壓(Weight on Bit,WOB)與ROP的相關(guān)性最強(qiáng)，操作人員可及時(shí)對(duì)其進(jìn)行調(diào)節(jié)操作，從而通過(guò)提前改變WOB值來(lái)預(yù)防鉆井事故的發(fā)生。

ROP隨著時(shí)間序列的變化情況如圖7所示，可以擬合出3個(gè)不同時(shí)間段ROP的趨勢(shì)。由圖7可以看出，異常情況發(fā)生時(shí)ROP有一個(gè)下降的趨勢(shì)，因此需要通過(guò)調(diào)整WOB值來(lái)增大ROP。

以圖7中正常情況2作為ROP理想取值，通過(guò)對(duì)這個(gè)階段的ROP進(jìn)行函數(shù)擬合來(lái)計(jì)算16 000～25 000數(shù)據(jù)組時(shí)的ROP值。將預(yù)測(cè)得到的ROP作為本文所建ELM預(yù)測(cè)模型的輸入，WOB作為ELM預(yù)測(cè)模型的輸出，得到該數(shù)據(jù)組時(shí)間段內(nèi)的WOB值，作為預(yù)防事故發(fā)生的優(yōu)化值，計(jì)算結(jié)果如圖8所示。由圖8可以看出，在事故發(fā)生段利用優(yōu)化后的ROP推算出的WOB值明顯增加，所以在現(xiàn)場(chǎng)實(shí)際操作中可通過(guò)增加WOB值有效避免鉆井事故的發(fā)生，保持高的鉆井效率。

圖6 鉆井參數(shù)間的相關(guān)性矩陣

圖7 不同時(shí)間段ROP變化趨勢(shì)

圖8 預(yù)測(cè)WOB值與實(shí)際值對(duì)比圖

3 結(jié)論

基于機(jī)器學(xué)習(xí)機(jī)原理，建立了海上鉆井機(jī)械鉆速預(yù)測(cè)模型，通過(guò)及時(shí)優(yōu)化鉆壓等參數(shù)可有效避免鉆井事故的發(fā)生，減少非生產(chǎn)時(shí)間，保證鉆井過(guò)程中高的鉆井效率，對(duì)海上安全高效鉆井作業(yè)及油田數(shù)字化、智能化發(fā)展具有較好的借鑒意義。