基于機(jī)器學(xué)習(xí)的巖性識(shí)別研究

王 杰，席凱凱，郭禹倫

(西安石油大學(xué) 機(jī)械工程學(xué)院，西安 710000)

為了爭(zhēng)取在與發(fā)達(dá)國(guó)家的技術(shù)競(jìng)爭(zhēng)中占據(jù)先導(dǎo)地位，需要不斷提高資源配置效率，完善現(xiàn)有油氣戰(zhàn)略部署，全面實(shí)施國(guó)家能源戰(zhàn)略。在國(guó)際油價(jià)動(dòng)蕩的今天，國(guó)內(nèi)石油邁入“增儲(chǔ)上產(chǎn)、降本、安全、增效”的關(guān)鍵時(shí)刻[1]。當(dāng)前，由于石油供需關(guān)系仍然緊張，新的巨型油田的發(fā)現(xiàn)急劇下降，成熟油田的開發(fā)對(duì)未來的石油需求至關(guān)重要，獲取所鉆地層中的巖性信息在石油勘探開發(fā)中至關(guān)重要[2-4]，這是降低采油成本、改善測(cè)井和鉆探技術(shù)的必要條件。

在地層巖性識(shí)別方面，李新虎[5]基于不同測(cè)井曲線參數(shù)集的支持向量機(jī)進(jìn)行巖性識(shí)別對(duì)比；曹正林等[6]采用其他4種鉆井參數(shù)對(duì)鉆速參數(shù)進(jìn)行校正，用鉆速參數(shù)的倒數(shù)來建立參數(shù)與巖性的關(guān)系。中國(guó)石油大學(xué)相關(guān)研究人員開展了利用核菲舍爾判別分析(KFD)進(jìn)行測(cè)井曲線[7]巖性識(shí)別的研究。

綜上所述，石油勘探和開發(fā)是復(fù)雜[8]多變的，且測(cè)井曲線[9]不易獲取或測(cè)井曲線數(shù)據(jù)缺失，必須不斷采用新技術(shù)才能提高資源探明量和采收率。為了實(shí)現(xiàn)對(duì)各種復(fù)雜地質(zhì)條件下都可以進(jìn)行巖性識(shí)別研究，依賴目前流行的人工智能，通過建立模型然后整理數(shù)據(jù)進(jìn)行訓(xùn)練模型，為巖性識(shí)別研究提供全新的思路。在人工智能飛速發(fā)展的影響下，利用人工智能來進(jìn)行巖性識(shí)別是必然的發(fā)展趨勢(shì)。

根據(jù)鉆進(jìn)實(shí)時(shí)獲取的鉆壓、轉(zhuǎn)速、扭矩等鉆進(jìn)參數(shù)，可隨時(shí)了解在鉆探過程中地下巖性情況。本文基于機(jī)器學(xué)習(xí)理論，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法，通過鉆進(jìn)參數(shù)[10]樣本以及MATLAB的神經(jīng)網(wǎng)絡(luò)模式識(shí)別工具箱對(duì)巖石進(jìn)行分類。該方法具有良好的實(shí)際應(yīng)用效果，有利于深層次開展智能石油鉆機(jī)[11]等相關(guān)研究，可為鉆井智能化設(shè)計(jì)提供技術(shù)支持與參考。

1 機(jī)器學(xué)習(xí)理論

機(jī)器學(xué)習(xí)是讓計(jì)算機(jī)可以自動(dòng)從數(shù)據(jù)中學(xué)習(xí)以獲得某些知識(shí)或定律，其是人工智能的一種重要形式。神經(jīng)網(wǎng)絡(luò)可以用來對(duì)數(shù)據(jù)之間的非線性關(guān)系進(jìn)行建模，為巖性識(shí)別研究提供了強(qiáng)有力的工具。

針對(duì)傳統(tǒng)巖性識(shí)別中存在的問題，提出一種自動(dòng)巖性識(shí)別的方法:神經(jīng)網(wǎng)絡(luò)巖性識(shí)別，直接利用實(shí)時(shí)[12]獲取的鉆井參數(shù)，對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行自動(dòng)巖性預(yù)測(cè)識(shí)別。

1.1 BP神經(jīng)網(wǎng)絡(luò)原理及學(xué)習(xí)

Rujmelhart和Mclelland于1986年提出了多層前饋網(wǎng)絡(luò)的誤差反向傳播學(xué)習(xí)方法(back-propagation,BP)，采用誤差反向傳播算法訓(xùn)練網(wǎng)絡(luò)的權(quán)值和閾值，實(shí)現(xiàn)輸入為任意連續(xù)模式向量的模式分類。神經(jīng)網(wǎng)絡(luò)模式識(shí)別技術(shù)在各領(lǐng)域中的廣泛應(yīng)用是神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展的一個(gè)重要方面。

1.2 BP神經(jīng)網(wǎng)絡(luò)算法建模

利用神經(jīng)網(wǎng)絡(luò)的非線性特性，可建立非線性系統(tǒng)的靜態(tài)、動(dòng)態(tài)、逆動(dòng)態(tài)及預(yù)測(cè)模型，實(shí)現(xiàn)系統(tǒng)的建模和辨識(shí)。算法建模流程如圖1所示。

圖1 算法流程

1.3 改進(jìn)算法

針對(duì)標(biāo)準(zhǔn)BP算法存在的一些不足，可以采用如變梯度算法、牛頓算法等進(jìn)行改進(jìn)。

2 BP神經(jīng)網(wǎng)絡(luò)巖性識(shí)別

2.1 BP神經(jīng)網(wǎng)絡(luò)巖性識(shí)別模型

傳感器可以采集鉆探的實(shí)際物理量[13]，如鉆壓、鉆速、扭矩、機(jī)械振動(dòng)等，這些物理量反映了所鉆后的地層的物理性質(zhì)、機(jī)械性質(zhì)和井底的工作條件。如何全面使用傳感器收集的參數(shù)[14]定義巖性非常重要，這是常規(guī)方法無法實(shí)現(xiàn)的模式識(shí)別。

神經(jīng)網(wǎng)絡(luò)具有模式識(shí)別的能力。本文采用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[15]，如圖2所示，輸入層包含4個(gè)神經(jīng)元，分別對(duì)應(yīng)輸入的平均鉆壓、鉆頭平均轉(zhuǎn)速、平均扭矩及平均機(jī)械鉆速，輸出層包含2個(gè)神經(jīng)元，分別對(duì)應(yīng)所需識(shí)別的2類巖性。

圖2 巖性識(shí)別神經(jīng)網(wǎng)絡(luò)

在鉆探生產(chǎn)中，通過傳感器所采集到的各種動(dòng)態(tài)信息包括機(jī)械鉆速、轉(zhuǎn)速、鉆壓、扭矩鉆井參數(shù)，直接利用鉆井參數(shù)送入MATLAB中的神經(jīng)網(wǎng)絡(luò)模式識(shí)別工具箱，網(wǎng)絡(luò)的輸入主要反映不同地層的鉆進(jìn)特征，通過大量樣本的學(xué)習(xí)之后，不斷修改各層神經(jīng)元之間的權(quán)值，使得誤差達(dá)到最小，利用輸出矩陣來判斷巖性。

2.2 學(xué)習(xí)樣本的選取

采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，以標(biāo)準(zhǔn)的輸入輸出模式對(duì)學(xué)習(xí)樣本進(jìn)行訓(xùn)練。從獲得的36個(gè)巖石樣品組中選擇26個(gè)，并將它們送入圖2所示的BP網(wǎng)絡(luò)的巖性識(shí)別模型中進(jìn)行訓(xùn)練，通過學(xué)習(xí)調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，當(dāng)訓(xùn)練滿足要求時(shí)，其余各5個(gè)分別用作驗(yàn)證集和測(cè)試集，利用神經(jīng)網(wǎng)絡(luò)并行推理算法便可對(duì)所需要的輸入模式進(jìn)行識(shí)別。神經(jīng)網(wǎng)絡(luò)部分巖石訓(xùn)練樣本見表1。

表1 神經(jīng)網(wǎng)絡(luò)部分巖石訓(xùn)練樣本

2.3 神經(jīng)網(wǎng)絡(luò)輸出結(jié)果

當(dāng)神經(jīng)網(wǎng)絡(luò)解決模式識(shí)別問題時(shí)，通常是通過創(chuàng)建網(wǎng)絡(luò)來學(xué)習(xí)和訓(xùn)練已分類的目標(biāo)數(shù)據(jù)，最后將訓(xùn)練后的網(wǎng)絡(luò)用于分類的過程。

神經(jīng)網(wǎng)絡(luò)模式識(shí)別工具箱主要利用混淆矩陣和均方誤差來評(píng)價(jià)網(wǎng)絡(luò)的效果。

Confusion Matrix 叫作混淆矩陣或者匹配矩陣，它是指示分類有效性的矩陣?；煜仃嚢阉姓_和錯(cuò)誤的分類信息都?xì)w到一個(gè)表里。圖3顯示了針對(duì)訓(xùn)練、驗(yàn)證、測(cè)試以及3種數(shù)據(jù)合并后的混淆矩陣。綠色方塊中的正確響應(yīng)數(shù)字很高，紅色方塊中的錯(cuò)誤響應(yīng)數(shù)字很低，表明網(wǎng)絡(luò)輸出非常準(zhǔn)確，右下角的藍(lán)色方塊表示整體準(zhǔn)確度。

圖3 混淆矩陣圖

圖4所示的均方誤差圖表明，3條有顏色的實(shí)線分別表示每一代BP訓(xùn)練過程的MSE性能。隨著迭代過程的進(jìn)行，誤差逐漸減小。BEST虛線表示BP網(wǎng)絡(luò)是在第18代的第1代上訓(xùn)練的，直到第18代收斂為止，誤差很小。

圖4 均方誤差圖示

ROC曲線(圖5)是反映連續(xù)變量敏感性和特異性的總體指標(biāo)，實(shí)際上描述了分類器性能隨分類器閾值變化而變化的過程。訓(xùn)練狀況如圖6所示。

圖5 ROC曲線

圖6 訓(xùn)練狀況圖示

Training State代表在網(wǎng)絡(luò)訓(xùn)練過程中對(duì)諸如梯度、Mu因子和泛化能力等信息的感知。在訓(xùn)練過程中進(jìn)行訓(xùn)練，每次訓(xùn)練后，系統(tǒng)誤差沒有減少甚至沒有增加，則意味著訓(xùn)練設(shè)置誤差不再低，因此停止訓(xùn)練。

Validation Checks：該網(wǎng)絡(luò)的泛化能力檢查標(biāo)準(zhǔn)，實(shí)際值為0表示在訓(xùn)練過程中誤差在持續(xù)降低。

如圖7所示，誤差集中在0附近，且基本呈正態(tài)分布，網(wǎng)絡(luò)輸出效果良好。

圖7 誤差分布

神經(jīng)網(wǎng)絡(luò)模式識(shí)別是通過構(gòu)建網(wǎng)絡(luò)并最終使用經(jīng)過訓(xùn)練的網(wǎng)絡(luò)進(jìn)行分類來學(xué)習(xí)和訓(xùn)練目標(biāo)數(shù)據(jù)以進(jìn)行分類的過程。其中訓(xùn)練、權(quán)重調(diào)整和閾值是機(jī)器學(xué)習(xí)過程。在學(xué)習(xí)過程中，參數(shù)將自動(dòng)調(diào)整。將測(cè)試數(shù)據(jù)與原始數(shù)據(jù)進(jìn)行比較，以確定預(yù)測(cè)的準(zhǔn)確性，而無須更改網(wǎng)絡(luò)參數(shù)。

神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)：{鉆壓，轉(zhuǎn)速，扭矩，鉆速}。

神經(jīng)網(wǎng)絡(luò)的輸出參數(shù)：[0 1]-砂巖；[1 0]-花崗巖。

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)巖性時(shí)，輸出層中分別對(duì)應(yīng)兩種樣本1、2。

神經(jīng)網(wǎng)絡(luò)的輸出y1、y2同時(shí)滿足以下條件:①y1=max(y1,y2);②y1≥0.9。

則認(rèn)為被測(cè)巖性為1，否則認(rèn)為不能識(shí)別被測(cè)巖性。將5組巖石樣本送到經(jīng)過訓(xùn)練用于預(yù)測(cè)的BP網(wǎng)絡(luò)巖性識(shí)別模型。識(shí)別結(jié)果見表2。從表2中可以看出，訓(xùn)練網(wǎng)絡(luò)在預(yù)測(cè)樣本上的實(shí)際結(jié)果與實(shí)際情況相符。

表2 BP網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

3 應(yīng)用實(shí)例

3.1 基于巖性識(shí)別的可伸縮耦合仿生智能鉆頭

針對(duì)鉆井過程中巖性[16]識(shí)別困難、PDC鉆頭磨損嚴(yán)重導(dǎo)致的破巖效率急劇下降以及孕鑲金剛石鉆頭破巖效率低、鉆頭泥包等問題，以自然界的穿山甲鱗片、鯊魚牙齒、螻蛄爪趾、扇貝、蜣螂為仿生原型，從多個(gè)維度進(jìn)行結(jié)構(gòu)仿生并設(shè)計(jì)出一種新型可伸縮式耦合仿生智能鉆頭的主切削結(jié)構(gòu)。

采用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法識(shí)別巖性，會(huì)將該巖性識(shí)別信息反饋到安裝在仿生鉆頭主切削結(jié)構(gòu)的智能傳感器芯片上，芯片會(huì)通過控制程序來調(diào)動(dòng)鉆頭的軸向伸縮機(jī)構(gòu)，進(jìn)而對(duì)鉆頭的切削結(jié)構(gòu)做出對(duì)應(yīng)的調(diào)整，從而提高破巖效率。

為避免在鉆井過程中巖石以及巖屑對(duì)智能傳感器造成破壞，將智能傳感器安裝在仿生鉆頭主切削結(jié)構(gòu)的安全位置，如圖8所示。

圖8 智能傳感器的安裝位置

3.2 基于巖性識(shí)別的小型智能鉆機(jī)系統(tǒng)

針對(duì)地層巖性特征，采用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法并設(shè)計(jì)小型智能鉆機(jī)系統(tǒng)，結(jié)合人工神經(jīng)網(wǎng)絡(luò)原理與智能控制算法，鉆機(jī)可以識(shí)別正常鉆進(jìn)過程中的巖層[17]，并實(shí)時(shí)調(diào)整鉆機(jī)的各項(xiàng)鉆進(jìn)參數(shù)，對(duì)鉆機(jī)的鉆進(jìn)功能進(jìn)行智能控制，提高了鉆進(jìn)效率和經(jīng)濟(jì)性。小型智能鉆機(jī)基本組成如圖9所示，智能控制流程如圖10所示。

圖9 小型智能鉆機(jī)基本組成

圖10 智能控制流程

神經(jīng)網(wǎng)絡(luò)作為控制器，可對(duì)不確定、不確知系統(tǒng)及擾動(dòng)進(jìn)行有效的控制，使控制系統(tǒng)達(dá)到所要求的動(dòng)態(tài)、靜態(tài)特性[18]。

小型鉆機(jī)智能化的實(shí)現(xiàn)對(duì)未來新型鉆機(jī)更全面、更精細(xì)、更可靠的使用產(chǎn)生積極影響[19]，并提高石油開采水平和鉆探技術(shù)。

4 結(jié)論

1)基于BP神經(jīng)網(wǎng)絡(luò)建立的巖性識(shí)別模型可以有效地對(duì)地層巖性進(jìn)行判別，輸出精度非常高，而且不需要太多經(jīng)驗(yàn)就能通過人工智能方法高效完成巖性識(shí)別，為地層描述巖性識(shí)別領(lǐng)域提供了強(qiáng)有力的方法。

2)學(xué)習(xí)樣本的選取十分重要，其直接影響識(shí)別結(jié)果的可靠程度。因此,在對(duì)巖性識(shí)別神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，應(yīng)該選取具有代表性的樣本，且應(yīng)根據(jù)具體問題采用適當(dāng)?shù)臄?shù)據(jù)處理方法。

3)基于機(jī)器學(xué)習(xí)的巖性識(shí)別，采用神經(jīng)網(wǎng)絡(luò)算法，將其應(yīng)用在仿生智能鉆頭和小型智能鉆機(jī)系統(tǒng)上，提高了破巖效率和鉆進(jìn)效率，具有一定的實(shí)際應(yīng)用價(jià)值，有著良好的發(fā)展前景。