基于深度卷積特征重構(gòu)的井漏事故預(yù)測(cè)

羅 鳴,李盛陽(yáng),彭 巍,周 壯

(1. 中海石油(中國(guó))有限公司湛江分公司,廣東 湛江 524000;2. 中國(guó)科學(xué)院空間應(yīng)用工程與技術(shù)中心,北京 100094)

1 引言

海上石油鉆井井漏事故可造成資金、時(shí)間的巨大浪費(fèi)和海洋的破壞性污染[1]。如何在井漏事故的前期或早期,給出線索性價(jià)值的警示或預(yù)警,對(duì)于預(yù)防和控制事故的發(fā)生和發(fā)展,確保油氣資源的安全開(kāi)發(fā)具有重要的價(jià)值與應(yīng)用意義。

為了降低鉆井事故危害,研究人員從異常檢測(cè)模型角度,提出并使用相關(guān)數(shù)學(xué)模型,旨在檢測(cè)鉆井過(guò)程中數(shù)據(jù)異常征兆等以實(shí)現(xiàn)事故預(yù)測(cè)。異常檢測(cè)常用的方法可以分為以下四類:基于近鄰的方法[2]、基于聚類的方法[3]、基于統(tǒng)計(jì)的方法[4]、基于分類的方法[5]。

基于近鄰的方法通過(guò)計(jì)算自身數(shù)據(jù)與相鄰節(jié)點(diǎn)數(shù)據(jù)之間的距離來(lái)確定自身數(shù)據(jù)是否異常,如果某個(gè)數(shù)據(jù)與鄰居節(jié)點(diǎn)采集的數(shù)據(jù)存在較大差異則稱為異常數(shù)據(jù)[6]。由于該方法計(jì)算每個(gè)數(shù)據(jù)之間的距離會(huì)花費(fèi)較長(zhǎng)的時(shí)間,因此難以面向海上石油鉆井大規(guī)模、長(zhǎng)時(shí)序的監(jiān)測(cè)數(shù)據(jù)開(kāi)展應(yīng)用。

基于聚類的方法通過(guò)對(duì)數(shù)據(jù)分簇來(lái)孤立異常數(shù)據(jù),但此方法需要在得到全部數(shù)據(jù)后再進(jìn)行分簇,不能在線式地檢測(cè)異常數(shù)據(jù)。因此該方法更多用于事故的事后驗(yàn)證與分析,無(wú)法滿足海上石油鉆井事故預(yù)測(cè)的實(shí)際應(yīng)用需求[7,8]。

基于統(tǒng)計(jì)的方法是利用歷史數(shù)據(jù)分布,建立數(shù)據(jù)的統(tǒng)計(jì)模型,不符合該模型的數(shù)據(jù)視為異常數(shù)據(jù)[9-11]。由于海上石油鉆井監(jiān)測(cè)參量維度大,基于統(tǒng)計(jì)的方法難以面向大規(guī)模數(shù)據(jù)集合建立較準(zhǔn)確的統(tǒng)計(jì)模型,方法應(yīng)用受限。

基于分類的方法通過(guò)歷史數(shù)據(jù)訓(xùn)練得到一個(gè)模型,再將待檢測(cè)數(shù)據(jù)分類到所屬類別,不屬于任何類型的數(shù)據(jù)視為異常。其中,自動(dòng)編碼器[12]、OCSVM[13]等為代表的單類分類方法通過(guò)訓(xùn)練學(xué)習(xí)正常模式的數(shù)據(jù),尋求區(qū)分正常與異常數(shù)據(jù)的模型,已成為當(dāng)前鉆井事故預(yù)測(cè)領(lǐng)域最常用的方法。然而,上述常規(guī)方法在應(yīng)對(duì)復(fù)雜多變的實(shí)際工程環(huán)境時(shí),可靠性無(wú)法保證,難以實(shí)現(xiàn)精確、有效的事故預(yù)測(cè)。

近年來(lái),以LSTM[14,15]、卷積神經(jīng)網(wǎng)絡(luò)[16,17]等為代表的深度學(xué)習(xí)方法在異常檢測(cè)與事故預(yù)測(cè)領(lǐng)域得到越來(lái)越廣泛的關(guān)注。其中,LSTM通過(guò)預(yù)測(cè)時(shí)序數(shù)據(jù),并基于預(yù)測(cè)值與實(shí)際值的差值實(shí)現(xiàn)異常區(qū)間的判別,適合用于處理與時(shí)間序列高度相關(guān)的問(wèn)題。而卷積神經(jīng)網(wǎng)絡(luò)將異常檢測(cè)看作分類問(wèn)題,與常規(guī)分類方法相比,卷積網(wǎng)絡(luò)通過(guò)多層級(jí)非線性操作,將原空間的特征表示不斷變換到新的特征空間,通過(guò)逐層提取過(guò)程,自動(dòng)學(xué)習(xí)得到數(shù)據(jù)更本質(zhì)、抽象的特征,以提高區(qū)分異常征兆的準(zhǔn)確度。

海上石油鉆井工程實(shí)施過(guò)程,需要作業(yè)人員機(jī)動(dòng)性地進(jìn)行鉆具調(diào)換、停鉆、井壁修整等不同工序操作,上述人為干預(yù)的工況切換會(huì)導(dǎo)致各監(jiān)測(cè)數(shù)據(jù)在數(shù)值上出現(xiàn)不規(guī)律跳變,整體時(shí)序呈現(xiàn)高動(dòng)態(tài)、非周期性。鉆井監(jiān)測(cè)數(shù)據(jù)無(wú)規(guī)律的時(shí)序模式使得以LSTM為代表的算法預(yù)測(cè)值與實(shí)際值總體偏差過(guò)大,無(wú)法精確檢測(cè)出與事故關(guān)聯(lián)的異常,因此LSTM等時(shí)序預(yù)測(cè)類方法難以適用,目前該領(lǐng)域還未見(jiàn)深度學(xué)習(xí)相關(guān)技術(shù)的應(yīng)用。鑒于此,本文以我國(guó)南海樂(lè)東10-1油田井區(qū)為研究區(qū),基于多源錄井時(shí)序監(jiān)測(cè)傳感器數(shù)據(jù),開(kāi)展數(shù)據(jù)預(yù)處理與井漏事故關(guān)聯(lián)分析,設(shè)計(jì)搭建深度卷積特征重構(gòu)網(wǎng)絡(luò),訓(xùn)練學(xué)習(xí)正常工況的特征變化模式,并以此為基準(zhǔn)分析計(jì)算待檢測(cè)數(shù)據(jù)的重構(gòu)特征誤差,以捕捉井漏事故發(fā)生前的異常征兆,探索海上石油鉆井井漏事故預(yù)測(cè)的可行性。

2 實(shí)驗(yàn)數(shù)據(jù)

2.1 錄井時(shí)序監(jiān)測(cè)數(shù)據(jù)

海上石油錄井監(jiān)測(cè)參數(shù)包括鉆頭的傳感器參數(shù),如:鉆頭深度、井眼深度、大勾懸重、泵壓、機(jī)械鉆速等,以及鉆井液的出入口密度、出入口溫度、流量、體積等。其中鉆井液參數(shù)變化通常直接反映井下地層流體的活躍情況及井筒壓力與地層壓力的平衡情況。

本文實(shí)驗(yàn)數(shù)據(jù)來(lái)自樂(lè)東10-1油田多個(gè)鉆井的實(shí)測(cè)數(shù)據(jù),包括有效監(jiān)測(cè)參數(shù)共計(jì)20個(gè),數(shù)據(jù)類型介紹見(jiàn)表1．

2.2 樣本數(shù)據(jù)集

根據(jù)樂(lè)東10-1油田鉆井監(jiān)測(cè)數(shù)據(jù)記錄,截取1口無(wú)事故和6口包含井漏事故的鉆井監(jiān)測(cè)序列數(shù)據(jù),完成清洗、篩選、重采樣、平滑等預(yù)處理,處理后的數(shù)據(jù)采樣間隔為0.5分鐘,進(jìn)一步根據(jù)各鉆井的工作日志標(biāo)注事故發(fā)生的起止點(diǎn)位。構(gòu)建的樣本數(shù)據(jù)集用于算法的模型訓(xùn)練和驗(yàn)證評(píng)價(jià),樣本數(shù)據(jù)列表見(jiàn)表2,參量時(shí)序變化曲線示例見(jiàn)圖1．

圖1 時(shí)序錄井監(jiān)測(cè)參數(shù)示例(ld10-xx-7)

表2 樣本數(shù)據(jù)列表

3 研究方法

本文針對(duì)構(gòu)建的錄井監(jiān)測(cè)樣本數(shù)據(jù),首先開(kāi)展基于ReliefF的特征權(quán)重計(jì)算,優(yōu)選事故關(guān)鍵因子,通過(guò)滑窗內(nèi)積計(jì)算能反映時(shí)序關(guān)聯(lián)耦合特性的特征矩陣。設(shè)計(jì)并搭建深度卷積重構(gòu)網(wǎng)絡(luò),基于無(wú)事故的鉆井?dāng)?shù)據(jù)訓(xùn)練模型以獲取正常工況數(shù)據(jù)分布模式與規(guī)律。利用訓(xùn)練后的網(wǎng)絡(luò)模型對(duì)驗(yàn)證數(shù)據(jù)進(jìn)行特征重構(gòu),并基于重構(gòu)誤差開(kāi)展事故前異常征兆的檢測(cè),從而實(shí)現(xiàn)井漏事故預(yù)測(cè),并與自動(dòng)編碼器方法開(kāi)展驗(yàn)證對(duì)比與分析。圖2為本文總體技術(shù)流程圖。

圖2 技術(shù)流程圖

圖3 滑動(dòng)窗口模型

3.1 基于ReliefF的因子優(yōu)選

綜合利用多類錄井監(jiān)測(cè)參數(shù)作為事故預(yù)測(cè)算法輸入,能夠豐富特征信息量,但過(guò)多的特征輸入意味著加入了與事故相關(guān)性較弱的參量,難以避免地存在互相關(guān)性較高的冗余特征,增加算法計(jì)算復(fù)雜度并影響精度。鑒于此,在事故預(yù)測(cè)時(shí)對(duì)已有參量進(jìn)行篩選,獲取優(yōu)選參量因子,能夠通過(guò)特征降維提升算法性能。

ReliefF是一種常見(jiàn)的多類別特征選擇算法,基于特征對(duì)近距離樣本的區(qū)分能力計(jì)算樣本和特征的相關(guān)性,依據(jù)各個(gè)特征與類別的相關(guān)性賦予每個(gè)特征權(quán)重[17]。特征的權(quán)重大小代表了該特征分類能力的強(qiáng)弱,權(quán)重越大意味著分類能力越強(qiáng),權(quán)重越小則分類能力越弱。算法每次從訓(xùn)練樣本集中隨機(jī)抽取一個(gè)樣本,先從同類樣本集中選擇k個(gè)近鄰樣本,再?gòu)拿總€(gè)不同類樣本集中選擇k個(gè)近鄰樣本,從而將每個(gè)特征的權(quán)重更新。權(quán)重計(jì)算公式如下

(1)

式中,diff(A,N,Hj)表示樣本N和Hj在特征A上的差,diff(A,N,Mj(C))表示樣本N和Mj(C)在特征A上的差,Mj(C)表示類C?class(N)中第j個(gè)最近鄰樣本。

3.2 特征矩陣構(gòu)建

為了強(qiáng)化事故關(guān)鍵參量間的時(shí)序變化和關(guān)聯(lián)耦合信息,最大化突出事故異常征兆的特性,本文構(gòu)造特征矩陣作為事故預(yù)測(cè)算法的輸入。對(duì)于長(zhǎng)度為T(mén),包含n個(gè)特征的時(shí)間序列數(shù)據(jù),在一個(gè)時(shí)間點(diǎn)t(t

(2)

3.3 深度卷積重構(gòu)網(wǎng)絡(luò)

本文設(shè)計(jì)的多層級(jí)卷積重構(gòu)網(wǎng)絡(luò)類似自動(dòng)編碼器,通過(guò)對(duì)輸入的特征矩陣進(jìn)行卷積運(yùn)算,將錄井監(jiān)測(cè)數(shù)據(jù)映射到隱層空間,然后利用反卷積操作對(duì)隱層空間的特征進(jìn)行解碼,獲取輸入的重構(gòu)特征?；谥貥?gòu)樣本與輸入特征矩陣的誤差實(shí)現(xiàn)事故征兆異常的檢測(cè)。本文搭建的深度卷積重構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)圖見(jiàn)圖4.

圖4 模型結(jié)構(gòu)

1) 輸入層和輸出層:

深度卷積重構(gòu)網(wǎng)絡(luò)采用端到端的學(xué)習(xí)方式,輸入與輸出尺寸大小一致,網(wǎng)絡(luò)的隱含層對(duì)輸入的特征矩陣進(jìn)行學(xué)習(xí),輸出層采用殘差學(xué)習(xí)的方法得到重構(gòu)的特征矩陣。在模型訓(xùn)練過(guò)程中,輸出層得到重構(gòu)矩陣后將進(jìn)行損失函數(shù)計(jì)算,并基于損失評(píng)估結(jié)果確定合理的參數(shù)優(yōu)化模型權(quán)重。

2) 卷積層和反卷積層:

由于輸入的特征矩陣尺寸較小,對(duì)于過(guò)深的網(wǎng)絡(luò)特征圖經(jīng)過(guò)多次卷積運(yùn)算會(huì)縮小至無(wú)法在網(wǎng)絡(luò)中傳輸,而當(dāng)網(wǎng)絡(luò)映射層級(jí)過(guò)少時(shí)難以提取深層、本質(zhì)的特征。基于此,本文搭建的網(wǎng)絡(luò)由3層卷積層和3層反卷積層組成,并在各層中使用Batch normalization和Relu激活函數(shù),使網(wǎng)絡(luò)能夠更好的收斂。

通過(guò)卷積層,從原始特征矩陣或上一層卷積結(jié)果提取當(dāng)級(jí)輸出特征,以此捕捉時(shí)序數(shù)據(jù)中各特征間的關(guān)系。通過(guò)反卷積層,對(duì)卷積輸出特征逐級(jí)重建,得到輸入的重構(gòu)特征。為了保證各層級(jí)對(duì)應(yīng)的卷積-反卷積輸出特征尺寸一致,對(duì)第三層卷積輸出特征進(jìn)行向量化拉伸,并基于相同維度進(jìn)行特征矩陣變換處理。

3) 損失函數(shù):

該網(wǎng)絡(luò)的損失函數(shù)設(shè)定為輸入特征矩陣重構(gòu)誤差的2范數(shù)

(3)

為了加速訓(xùn)練過(guò)程,采用mini-batch隨機(jī)梯度下降和Adam optimizer最小化誤差損失?；跓o(wú)事故數(shù)據(jù)訓(xùn)練后的網(wǎng)絡(luò),可學(xué)習(xí)到正常工作條件下各關(guān)鍵參量變化特性和關(guān)聯(lián)耦合規(guī)律。在測(cè)試階段,網(wǎng)絡(luò)對(duì)輸入特征矩陣計(jì)算重構(gòu)誤差,對(duì)mini-batch的誤差集進(jìn)行均值計(jì)算,對(duì)于超出均值的部分判斷為事故征兆異常,進(jìn)而實(shí)現(xiàn)事故預(yù)測(cè)。

3.4 驗(yàn)證評(píng)價(jià)

海上石油鉆井井漏事故預(yù)測(cè)結(jié)果的實(shí)驗(yàn)驗(yàn)證,需要從以下三個(gè)方面評(píng)價(jià)有效性:

1) 預(yù)測(cè)有效期:

算法輸出的預(yù)測(cè)結(jié)果必須在實(shí)際事故發(fā)生時(shí)刻之前的有限時(shí)間內(nèi)才有效,即樣本數(shù)據(jù)中標(biāo)注的歷次事故起始節(jié)點(diǎn)前的有限序列范圍內(nèi)。

2) 虛警可控:

算法輸出的預(yù)測(cè)節(jié)點(diǎn)在事故標(biāo)注之后,或距離事故發(fā)生節(jié)點(diǎn)之前過(guò)長(zhǎng)均應(yīng)判斷為虛警。鑒于鉆井工況實(shí)際的復(fù)雜性,虛警難以完全避免,但算法對(duì)應(yīng)的虛警頻次應(yīng)總體可控。

3) 時(shí)間窗預(yù)警統(tǒng)計(jì):

井漏事故的異常征兆包含突變異常和階段持續(xù)異常,算法在特定時(shí)間窗內(nèi)若多次預(yù)警應(yīng)針對(duì)的是同一事故。因此,需以時(shí)間窗統(tǒng)計(jì)預(yù)警次數(shù),即時(shí)間窗口內(nèi)的多次預(yù)警僅記一次。

綜合上述條件,通用的驗(yàn)證指標(biāo)如準(zhǔn)確率、精準(zhǔn)率、召回率、ROC等并不適用海上石油鉆井事故預(yù)測(cè)的應(yīng)用場(chǎng)景,無(wú)法真實(shí)、客觀評(píng)價(jià)算法的有效性。因此,本文定義事故預(yù)測(cè)準(zhǔn)確率和虛警密度作為算法驗(yàn)證評(píng)價(jià)指標(biāo)

(4)

(5)

其中,P表示事故預(yù)測(cè)準(zhǔn)確率,Countaccident表示驗(yàn)證數(shù)據(jù)中井漏事故出現(xiàn)的總次數(shù),Countperiod表示算法在歷次事故前有效期內(nèi)準(zhǔn)確預(yù)測(cè)的總次數(shù)。根據(jù)海上石油鉆井實(shí)際工程經(jīng)驗(yàn),本文定義事故預(yù)測(cè)有效期序列長(zhǎng)度為500,約4小時(shí)。僅有效期內(nèi)的預(yù)測(cè)結(jié)果參與統(tǒng)計(jì)準(zhǔn)確率,其余為虛警。事故預(yù)測(cè)準(zhǔn)確率越高,說(shuō)明算法結(jié)果越精準(zhǔn)。

Fdensity表示虛警密度,Length表示驗(yàn)證數(shù)據(jù)序列總長(zhǎng)度,Countwindow表示序列中基于時(shí)間窗口統(tǒng)計(jì)的虛警次數(shù),本文約定統(tǒng)計(jì)時(shí)間窗口長(zhǎng)度為500,2880表示鉆井天數(shù)與序列長(zhǎng)度轉(zhuǎn)換因子。該指標(biāo)表示平均一天的虛警次數(shù),反映了算法整體的虛警情況,虛警密度越低,說(shuō)明算法結(jié)果中與事故無(wú)關(guān)聯(lián)的預(yù)警越少。

基于事故預(yù)測(cè)準(zhǔn)確率和虛警密度,可綜合評(píng)價(jià)算法在海上石油錄井?dāng)?shù)據(jù)集中的性能表現(xiàn),且不受不同鉆井時(shí)序長(zhǎng)度等差異的影響,客觀反映事故預(yù)測(cè)算法的有效性。

4 結(jié)果與分析

4.1 井漏事故因子優(yōu)選

本文定義樣本數(shù)據(jù)集中井漏事故階段和無(wú)事故階段為不同類別,通過(guò)ReliefF算法基于錄井監(jiān)測(cè)參量對(duì)近距離樣本的區(qū)分能力計(jì)算相關(guān)性,并依據(jù)相關(guān)性賦予各監(jiān)測(cè)參量不同的權(quán)重。權(quán)重越高說(shuō)明監(jiān)測(cè)參量對(duì)事故的區(qū)分性更強(qiáng),權(quán)重越低則意味對(duì)事故的區(qū)分能力弱,以此可實(shí)現(xiàn)井漏事故關(guān)鍵因子的優(yōu)選。

實(shí)驗(yàn)基于ReliefF算法對(duì)樣本數(shù)據(jù)集中的20類監(jiān)測(cè)參量進(jìn)行特征貢獻(xiàn)值計(jì)算,并排序獲取前10類參量作為優(yōu)選后的因子,包括:返出流量(mfoa)、返出流量比(mfop)、計(jì)量罐體積(tva)、泵沖(spm)、鉆壓(woba)、機(jī)械鉆速(ropa)、泵壓(sppa)入口流量(mfia)、懸重(hkla)、出口泥漿密度(mdoa)。

海上石油鉆井井漏事故的成因主要在于地層結(jié)構(gòu)存在缺陷,特別是孔隙、裂縫或洞穴等,導(dǎo)致鉆井液相關(guān)參量出現(xiàn)異常,進(jìn)而出現(xiàn)泵排出口壓力降低等。結(jié)合井漏事故先驗(yàn)知識(shí),本實(shí)驗(yàn)基于ReliefF優(yōu)選的參量涵蓋了返出流量、計(jì)量罐體積、入口流量等鉆井液相關(guān)參量,以及泵壓等關(guān)鍵因子,實(shí)驗(yàn)優(yōu)選的因子具有可信度,說(shuō)明本文選取ReliefF算法作為特征優(yōu)選方法具有可靠性,有效去除輸入?yún)⒘康娜哂嗵卣?降低后續(xù)算法的運(yùn)算復(fù)雜度,為提升事故預(yù)測(cè)性能提供必要性基礎(chǔ)。

4.2 井漏事故預(yù)測(cè)

本實(shí)驗(yàn)在Tensorflow平臺(tái)下搭建完成深度卷積特征重構(gòu)網(wǎng)絡(luò),并通過(guò)Python Scikit-learn庫(kù)實(shí)現(xiàn)基于自動(dòng)編碼器的事故預(yù)測(cè)對(duì)比方法。實(shí)驗(yàn)環(huán)境為1臺(tái)服務(wù)器,配置為Intel(R) Xeon(R) Silver 4114 CPU @ 2.20GHz,NVIDIA Titan RTX GPU.

兩種方法均以無(wú)事故的ld10-xx-1井作為訓(xùn)練數(shù)據(jù),提取上述10類優(yōu)選后的監(jiān)測(cè)參量為原始特征,并以窗口大小為10,滑動(dòng)步長(zhǎng)為5進(jìn)行特征矩陣的構(gòu)建。對(duì)構(gòu)建的序列特征矩陣按照8:2的比例劃分為訓(xùn)練集和測(cè)試集,用于算法模型的訓(xùn)練和訓(xùn)練階段模型的損失評(píng)估。其它6口鉆井以相同方式構(gòu)建序列特征矩陣,作為獨(dú)立的樣本開(kāi)展算法精度驗(yàn)證。

其中,深度卷積特征重構(gòu)網(wǎng)絡(luò)在學(xué)習(xí)率為0.001的條件下,經(jīng)過(guò)100次epoch迭代完成模型訓(xùn)練,訓(xùn)練集和測(cè)試集的模型損失變化曲線見(jiàn)圖5。

圖5 模型訓(xùn)練損失曲線圖

在實(shí)驗(yàn)驗(yàn)證階段,基于3.4節(jié)定義的事故預(yù)測(cè)準(zhǔn)確率和虛警率,分別統(tǒng)計(jì)深度卷積重構(gòu)網(wǎng)絡(luò)和自動(dòng)編碼器的結(jié)果表現(xiàn),見(jiàn)表3。

表3 驗(yàn)證評(píng)價(jià)對(duì)比

標(biāo)注的驗(yàn)證數(shù)據(jù)集中共記錄了8次井漏事故,以事故起始點(diǎn)前500個(gè)序列作為預(yù)測(cè)有效期,算法在該階段給出預(yù)警則說(shuō)明算法結(jié)果有效。本文所提基于深度卷積重構(gòu)網(wǎng)絡(luò)算法,在8次井漏事故中準(zhǔn)確預(yù)判了6次事故,事故預(yù)測(cè)準(zhǔn)確率為75%。而常規(guī)基于自動(dòng)編碼器的方法僅準(zhǔn)確預(yù)判斷出3次井漏事故,事故預(yù)測(cè)準(zhǔn)確率為37.5%。

由于海上石油鉆井工程持續(xù)時(shí)間一般較長(zhǎng),且不同鉆井間工程時(shí)長(zhǎng)差異較大,從數(shù)天到數(shù)年不等,因此虛警的絕對(duì)數(shù)量值并無(wú)實(shí)用意義,對(duì)于穩(wěn)定的算法,虛警數(shù)量隨驗(yàn)證數(shù)據(jù)時(shí)序長(zhǎng)度的增加而增加。因此相比虛警數(shù)量,虛警密度指標(biāo)能夠更為客觀反映算法表現(xiàn)。本文所提算法虛警密度為0.17,反映算法平均約5.8天(=1/0.17)誤報(bào)預(yù)警一次,其指標(biāo)優(yōu)于基于自動(dòng)編碼器算法的0.37。本文所提算法在虛警頻次上整體可控,具備指導(dǎo)實(shí)際鉆井工程的可行性。

4.3 實(shí)驗(yàn)結(jié)果分析

為進(jìn)一步分析算法在鉆井監(jiān)測(cè)序列數(shù)據(jù)中的具體表現(xiàn),本文以ld10-xx-7鉆井為例,可視化深度卷積重構(gòu)網(wǎng)絡(luò)和自動(dòng)編碼器特征重構(gòu)誤差的時(shí)序變化曲線,結(jié)果見(jiàn)圖6。

圖6 ld10-xx-7鉆井事故測(cè)試結(jié)果

從圖中可以看出,基于深度卷積特征重構(gòu)的算法中,重構(gòu)誤差超出閾值的部分出現(xiàn)多次。根據(jù)本文3.4節(jié)所定義的預(yù)警次數(shù)統(tǒng)計(jì)方式,在ld10-xx-7鉆井中算法共計(jì)預(yù)警了4次,并且預(yù)警階段的重構(gòu)誤差在數(shù)值上遠(yuǎn)高于其它階段,數(shù)值的區(qū)分特性明顯。結(jié)合事故預(yù)測(cè)有效期,本文所提算法4次預(yù)警結(jié)果中有效預(yù)測(cè)為1次,虛警為3次?？紤]實(shí)際鉆井過(guò)程中,事故異常征兆階段,作業(yè)人員會(huì)基于專家經(jīng)驗(yàn)進(jìn)行人工避障等操作處理,使得事故未必一定發(fā)生,因此事故虛警在某種程度是不可避免的。相比較虛警,算法對(duì)實(shí)際生產(chǎn)作業(yè)的指導(dǎo)意義更在于是否能有效預(yù)測(cè)即將發(fā)生的事故。

相比本文所提算法,基于自動(dòng)編碼器的重構(gòu)誤差超出閾值的部分呈分散、高頻分布,基于時(shí)間窗統(tǒng)計(jì)算法共預(yù)警13次,且事故有效期前未給出準(zhǔn)確預(yù)測(cè),算法對(duì)ld10-xx-7鉆井失效。

結(jié)合樣本集整體驗(yàn)證評(píng)價(jià)結(jié)果和具體的鉆井可視化分析,表明本文構(gòu)建的深度卷積重構(gòu)網(wǎng)絡(luò)效果優(yōu)于常規(guī)自動(dòng)編碼器的方法,分析原因在于,本文通過(guò)對(duì)事故關(guān)鍵因子進(jìn)行滑窗內(nèi)積計(jì)算所構(gòu)建的特征矩陣,其數(shù)值分布上表征了參數(shù)的時(shí)序變化和關(guān)聯(lián)耦合特性,通過(guò)多層級(jí)卷積特征提取和重構(gòu),可挖掘深層次、抽象、本質(zhì)的特征規(guī)律。此外,網(wǎng)絡(luò)中二維卷積濾波器可以捕捉矩陣中因參數(shù)間聯(lián)動(dòng)、滯后性變化導(dǎo)致的異常偏移。而常規(guī)自動(dòng)編碼器將構(gòu)建的輸入特征矩陣?yán)鞛橐痪S向量進(jìn)行數(shù)值特征提取,其本身特征學(xué)習(xí)的難度更高,且網(wǎng)絡(luò)層級(jí)淺,難以全面捕捉正常工況下復(fù)雜多樣的監(jiān)測(cè)數(shù)據(jù)表征規(guī)律,導(dǎo)致事故預(yù)測(cè)效果較差。

考慮實(shí)際海上石油鉆井工程的應(yīng)用條件,作業(yè)工況和底層地質(zhì)結(jié)構(gòu)存在較大的模糊性和隨機(jī)性,本文所提方法在其它鉆井的測(cè)試表現(xiàn)中,算法結(jié)果對(duì)應(yīng)預(yù)測(cè)的提前時(shí)間、異常征兆的劇烈程度、事故預(yù)測(cè)的頻次等均存在差異性,但總體具備較好的預(yù)測(cè)表現(xiàn)。受限海上石油鉆井井漏事故的稀缺性,難以大規(guī)模標(biāo)注充分的驗(yàn)證樣本以開(kāi)展更廣泛的算法驗(yàn)證與分析,本研究目前僅面向樂(lè)東10-1油田中代表性鉆井進(jìn)行應(yīng)用與驗(yàn)證工作,針對(duì)性的分析評(píng)價(jià)所提方法性能表現(xiàn)。

5 結(jié)論

本文面向海上石油鉆井事故風(fēng)險(xiǎn)預(yù)警需求,開(kāi)展基于深度卷積特征重構(gòu)的井漏事故預(yù)測(cè)方法研究。論文首先基于樂(lè)東10-1油田鉆井構(gòu)建的樣本數(shù)據(jù)集,開(kāi)展基于ReliefF算法的特征分析與權(quán)重評(píng)價(jià),優(yōu)選與井漏事故關(guān)聯(lián)程度較大的監(jiān)測(cè)參量。進(jìn)一步構(gòu)建時(shí)序特征矩陣,強(qiáng)化優(yōu)選參量的關(guān)聯(lián)耦合與時(shí)序變化特性。設(shè)計(jì)并搭建多層級(jí)卷積特征重構(gòu)網(wǎng)絡(luò),訓(xùn)練學(xué)習(xí)正常狀態(tài)下時(shí)序特征矩陣的深層、抽象特征,在驗(yàn)證階段以網(wǎng)絡(luò)重構(gòu)誤差為依據(jù)實(shí)現(xiàn)井漏事故前異常征兆的檢測(cè)。最后結(jié)合海上石油鉆井工程場(chǎng)景與實(shí)際需求,設(shè)計(jì)驗(yàn)證評(píng)價(jià)指標(biāo),開(kāi)展算法對(duì)比驗(yàn)證與分析。結(jié)論主要如下:

1) 基于ReliefF算法對(duì)數(shù)據(jù)集開(kāi)展近距離樣本的相關(guān)性計(jì)算,可優(yōu)選出井漏事故關(guān)鍵參量,且優(yōu)選結(jié)果與事故致因分析關(guān)聯(lián)性強(qiáng),可為事故關(guān)鍵特征篩選、數(shù)據(jù)降維等提供技術(shù)支持。

2) 深度卷積特征重構(gòu)網(wǎng)絡(luò)可學(xué)習(xí)正常數(shù)據(jù)模式的表征規(guī)律,并基于重構(gòu)誤差捕捉井漏事故的征兆異常。通過(guò)事故預(yù)測(cè)準(zhǔn)確率、虛警密度等驗(yàn)證,所提算法能有效預(yù)測(cè)井漏事故,且精度指標(biāo)等優(yōu)于常規(guī)自動(dòng)編碼器等算法。

本文提出的基于深度卷積特征重構(gòu)方法,探索實(shí)現(xiàn)了海上石油井漏事故的有效預(yù)測(cè),為鉆井工程作業(yè)提供風(fēng)險(xiǎn)評(píng)估指導(dǎo),對(duì)保障安全、高效的開(kāi)展海洋鉆井平臺(tái)作業(yè)具有重要的應(yīng)用價(jià)值,且方法具有一定的可推廣性。

本文所提算法屬于半監(jiān)督學(xué)習(xí),其監(jiān)督信號(hào)僅有正常作業(yè)下的錄井監(jiān)測(cè)數(shù)據(jù)特征表現(xiàn),由于海上石油鉆井外部環(huán)境的復(fù)雜性,不同區(qū)域?qū)?yīng)的地層結(jié)構(gòu)、油氣分布等差異較大,算法訓(xùn)練模型在不同區(qū)域鉆井間的可遷移性有待進(jìn)一步檢驗(yàn)。此外,當(dāng)前算法還不具備區(qū)別不同事故類型的征兆異常,理論上難以面向更精細(xì)的如井涌、井控等多類型事故進(jìn)行針對(duì)性的預(yù)測(cè),如何針對(duì)異常征兆進(jìn)行劃分是本研究后續(xù)的工作方向,以更好的滿足海上石油鉆井工程作業(yè)生產(chǎn)指導(dǎo)的信息服務(wù)。