深水鉆井機械鉆速優(yōu)化分析

閆華，高季楓，安然

（中國石油集團渤海鉆探工程有限公司管具與井控技術服務分公司，天津 300280）

目前，地質(zhì)勘探結(jié)果表明，海洋中同樣含有豐富的石油資源，甚至海洋中的石油資源與陸地上的石油資源相比儲量更加豐富。相關研究表明，57%的海洋面積為適合儲藏油氣資源的地質(zhì)，僅我國探明的海洋石油資源就已經(jīng)達到200 多億噸，可見海洋中的石油儲量較為豐富。但是，海洋石油開采成本較高，而且風險較大，容易出現(xiàn)污染情況。海洋石油開采主要采用深水鉆井機械鉆進，鉆進效率越高，則開采成本越低，鉆井成本固定的情況下，鉆進深度越高，開采的石油資源越多，因此，如何在保證安全的情況下對深水鉆井機械鉆速進行控制是主要難題。本文主要從深水鉆井機械鉆速經(jīng)典預測模型角度入手，采用機器學習深度優(yōu)化方法探究深水鉆井機械鉆速與其他參數(shù)的最佳組合情況。

1 深水鉆井機械鉆速影響因素

（1）壓力。深水鉆井機械鉆壓與鉆速呈線性關系，但是，鉆壓過大或過小的情況下，都會導致鉆速過低，甚至會出現(xiàn)鉆頭陷入巖層的情況。當鉆壓超過鉆壓的門限鉆壓情況下，鉆壓越大則鉆井速率越大，門限鉆壓與巖石性質(zhì)和外界作用條件相關。

（2）巖屑床。深水鉆井機械鉆進過程中，泥漿中的巖屑會不斷增加泥漿液柱的壓力，若不能及時清理巖屑，則容易產(chǎn)生巖屑床。巖屑床會導致流體流動速度增加，最終導致壓降情況更加嚴重，進而對深水鉆井機械鉆速產(chǎn)生更大影響。

2 深水鉆井機械鉆速經(jīng)典預測模型

（1）水力模型。深水鉆井機械鉆速常規(guī)水力模型指深水鉆井模型和延伸井模型，前者在垂直井和小斜度井中應用比較常見，后者在大角度延伸井中應用比較常見。水力模型中深水鉆井機械鉆速受鉆井液密度、鉆井液流變性、泥漿泵的輸出壓力、井眼和鉆具的幾何參數(shù)、巖屑的尺寸和形狀、機械鉆速、井斜角、鉆具的旋轉(zhuǎn)速度、鉆具的偏心率等因素影響。常規(guī)的深水垂直鉆井中，孔隙壓力／破裂壓力梯度較小時，鉆具旋轉(zhuǎn)對環(huán)空壓降具有一定影響，但是該影響不如以上因素。

（2）預探井模型。深水鉆井機械鉆速常規(guī)預探井模型在大井徑井段鉆井液環(huán)空流速很低，對泥漿泵的容量有一定約束，在立管上裝增壓器能夠清理巖屑，機械鉆速不超過一定標準的情況下，巖屑清洗效果能夠提高。但是排量增加的情況下能夠降低巖屑濃度，因此，可以根據(jù)巖屑尺寸、泵排量、地面鉆井液密度、有效井眼密度、孔隙壓力、破裂梯度、當量循環(huán)密度、循環(huán)時間、有效機械鉆速等指標對深水鉆井機械鉆速進行預測。若預探井模型針對的是超深水井鉆機，則減小井底鉆具組合堵塞的可能性的接單根的最短循環(huán)時間，機械轉(zhuǎn)速與接單根和循環(huán)時間相互配合調(diào)整，可以更好地預測當量循環(huán)密度。

（3）傳統(tǒng)模型。傳統(tǒng)模型適用于任何鉆頭類型的鉆井，該模型下深水鉆井機械鉆速主要影響因素包括鉆井壓力、轉(zhuǎn)速、鉆頭直徑、地層巖性參數(shù)。模型公式如下所示：

式中，鉆井速率用ROP 表示；鉆井壓力用WOB 表示；轉(zhuǎn)速用RPM 表示；鉆頭直徑用Db 表示；地層巖性參數(shù)用α和β表示。

（4）鉆頭磨損模型。鉆頭磨損模型在PDC 鉆頭的鉆井過程中適用，該模型下深水鉆井機械鉆速受鉆頭磨損的因素被考慮其中，主要影響因素包括巖石強度、磨損程度等。模型公式如下所示：

式中，鉆井速率、鉆井壓力、轉(zhuǎn)速、鉆頭直徑參數(shù)意義同上；巖石強度用UCS 表示；磨損程度用Wf 表示；α和γ表示固定參數(shù)。

（5）八因素模型。八因素模型主要對地層強度、地層壓實、地層孔隙度、井底壓差、鉆頭直徑、轉(zhuǎn)速、鉆頭牙齒磨損、水力八種因素與深水鉆井機械鉆速之間的關系進行描述。模型公式如下所示：

式中，鉆井速率參數(shù)意義同上；地層強度、地層壓實、地層孔隙度、井底壓差、鉆頭直徑、轉(zhuǎn)速、鉆頭牙齒磨損、水力分別用f1～f8表示；f1～f8因素對鉆井速率的影響分別用a1～a8表示。

（6）地質(zhì)修正模型。地質(zhì)修正模型將地質(zhì)情況對鉆井速率的影響考慮其中，主要影響因素包括鉆壓、壓差影響系數(shù)、水力凈化系數(shù)、鉆頭牙齒磨損高度和牙齒磨損因素、地質(zhì)情況。模型公式如下所示：

式中，鉆井速率、鉆井壓力、轉(zhuǎn)速參數(shù)意義同上；鉆壓用M 表示；壓差影響系數(shù)用Cp 表示；水力凈化系數(shù)用Ch 表示；鉆頭牙齒磨損高度用h 表示；牙齒磨損因素用C2表示；地質(zhì)情況對鉆井速率的影響用Kr表示。

3 深水鉆井機械鉆速優(yōu)化方法

3.1 機器學習模型

機器學習指通過訓練不斷對算法模型進行構(gòu)建和完善，最終根據(jù)算法優(yōu)化模型參數(shù)得到最優(yōu)模型效果。機器學習訓練首先通過訓練數(shù)據(jù)進行數(shù)據(jù)分析，并通過特征共存得到訓練集和驗證集兩部分，驗證集通過算法選則、建模評估、算法調(diào)優(yōu)等流程得到最終模型，其中算法調(diào)優(yōu)也可以通過建模評估、算法選則各階段回到訓練集重新得到算法選擇結(jié)果，算法調(diào)優(yōu)是不斷完善和循環(huán)往復的過程。

目前機器學習模型最常見的是集成樹模型、人工神經(jīng)網(wǎng)絡模型、循環(huán)神經(jīng)網(wǎng)絡模型。其中集成樹模型是在決策樹模型演化而來的，集成樹模型按照邏輯結(jié)構(gòu)可以將訓練樣本分為多個基學習器，然后每個基學習器通過訓練得到不同權(quán)重，而且訓練后通過的樣本進入下一個基學習器進行訓練的，最終通過多批次訓練賦予不同權(quán)重，即可得到集成模型。人工神經(jīng)網(wǎng)絡模型基本架構(gòu)分為輸入層、隱含層、輸出層，通過信息的逐層提取及過濾，將數(shù)據(jù)間潛在的聯(lián)系提煉出來，但是也帶來了大量隱含權(quán)重的學習問題。循環(huán)神經(jīng)網(wǎng)絡模型通過反向傳播算法進行學習和門控機制產(chǎn)生了長短期記憶神經(jīng)網(wǎng)絡，每個神經(jīng)元網(wǎng)絡結(jié)構(gòu)都具備有效處理時間序列數(shù)據(jù)的能力。

3.2 優(yōu)化算法

深水鉆井機械鉆速優(yōu)化算法采用模擬退火算法，首先設定目標函數(shù)f（w）、優(yōu)化初始值w，通過擾動產(chǎn)生新解w1，比較w1是否在約束范圍內(nèi)，若是則進入下階段，若不是則沖洗通過擾動產(chǎn)生新解。w1在約束范圍內(nèi)，則計算目標函數(shù)f（w1），△f = f（w1）- f（w），若△f ≤0 則接受新解（w=w1，f（w1）=f（w）），若△f＞0 則按照Metropolis 準則接受新解，最后根據(jù)是否得到迭代次數(shù)判斷是否進入下個循環(huán)。若未得到迭代次數(shù)則重新擾動產(chǎn)生新解，若得到迭代次數(shù)則查看是否滿足終止條件，如果滿足則運算結(jié)束得到最優(yōu)解，不滿足則緩慢降低溫度重置迭代次數(shù)通過擾動產(chǎn)生新解，重新進入循環(huán)，直到滿足終止條件得到最優(yōu)解。

4 深水鉆井機械鉆速優(yōu)化預測系統(tǒng)設計

4.1 系統(tǒng)組成

深水鉆井機械鉆速優(yōu)化預測系統(tǒng)由實時鉆井平臺、鉆速優(yōu)化模塊、鉆速預測模塊、數(shù)據(jù)預處理模塊、智能控制模塊、數(shù)據(jù)管理模塊組成，其中鉆速優(yōu)化模塊包括模擬退火、圖像化展示、分析報告等功能；鉆速預測模塊包括神經(jīng)網(wǎng)絡、隨機森林、集成樹模型等機器學習模型；數(shù)據(jù)預處理模塊包括數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)化、離群點去除等功能。智能控制模塊與實時鉆井平臺之間存在安全傳輸協(xié)議，可以與鉆速優(yōu)化模塊、鉆速預測模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)管理模塊進行交互。數(shù)據(jù)管理模塊包括動態(tài)數(shù)據(jù)庫、靜態(tài)數(shù)據(jù)庫、日志數(shù)據(jù)庫、賺錢設計參數(shù)庫等內(nèi)容，需要對模型進行更新。

4.2 智能控制模塊

智能控制模塊需完成模型周期性更新的任務，主要負責鉆井速率實時預測數(shù)據(jù)的獲取、傳輸、管理、調(diào)度，檢查數(shù)據(jù)格式無誤后，同時，將數(shù)據(jù)傳送至數(shù)據(jù)管理模塊和數(shù)據(jù)預處理模塊，數(shù)據(jù)預處理模塊完成數(shù)據(jù)的去噪、填充、歸一化等操作。

4.3 數(shù)據(jù)管理模塊

數(shù)據(jù)管理模塊主要功能為動態(tài)數(shù)據(jù)、靜態(tài)數(shù)據(jù)、日志數(shù)據(jù)、設計參數(shù)管理，其中動態(tài)數(shù)據(jù)參數(shù)主要包括大鉤懸重、大鉤速度、大鉤高度、鉆井速率、轉(zhuǎn)速、鉆壓、扭矩、鉆頭鉆進時間、鉆頭鉆進距離、鉆頭直徑、門限鉆壓、鉆頭垂直深度、鉆頭深度、返回深度、延遲時間以及出入口泥漿流量、溫度、電導等參數(shù)。

4.4 數(shù)據(jù)預處理模塊

數(shù)據(jù)預處理模塊主要功能包括動態(tài)數(shù)據(jù)篩選剔除、靜態(tài)數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)格式轉(zhuǎn)換、參數(shù)篩選、缺失值填充、數(shù)據(jù)分段、數(shù)據(jù)縮放、實時數(shù)據(jù)清洗、無效值篩除、離群數(shù)據(jù)去除。

4.5 鉆速預測模塊

鉆速預測模塊首先準備訓練集、驗證集和測試集數(shù)據(jù)，然后根據(jù)出入口流量、大鉤載荷、扭矩、鉆井壓力、鉆井液密度、機械鉆速等參數(shù)得到鉆井速率預測模型，最后根據(jù)該模型得到最佳鉆進速率預測結(jié)果。

4.6 鉆速優(yōu)化預測模塊

鉆速優(yōu)化預測模塊必須解決鉆頭損耗、平臺費用等問題，入口泥漿流量、泥漿重量、鉆頭液壓相關的參數(shù)必須滿足相關約束條件。例如，鉆井參數(shù)及鉆井速率不能超出設計范圍，鉆井參數(shù)不能出現(xiàn)跳躍式變化，否則，鉆速優(yōu)化預測模塊不能滿足安全性要求。

5 深水鉆井機械鉆速優(yōu)化預測系統(tǒng)數(shù)據(jù)處理方法

5.1 離群點檢測方法

深水鉆井機械鉆速優(yōu)化預測系統(tǒng)離群數(shù)據(jù)必須剔除，這些數(shù)據(jù)不符合客觀規(guī)律，屬于突發(fā)因素，而且與實際數(shù)據(jù)不符合，常見原因為傳感器故障。因此，常用統(tǒng)計檢測、聚類檢測、密度檢測和模型檢測等方法提出超出正常范圍的種群數(shù)據(jù)，確保留下的數(shù)據(jù)符合數(shù)據(jù)正常分布規(guī)律。統(tǒng)計檢測常用3σ 方法檢測，聚類檢測常用Kmeans 方法檢測，密度檢測常用LOF 方法檢測，模型檢測常用線性回歸等模型對偏離模型曲線的數(shù)據(jù)進行檢測。

5.2 Savitzky-Golay 濾波時序數(shù)據(jù)融合處理方法

Savitzky-Golay 濾波時序數(shù)據(jù)融合處理方法主要對以上離群點檢測方法進行融合，對以上離群點檢測方法的離群計算結(jié)果進行集成后比較是否超出閾值范圍，超出閾值范圍的為離群數(shù)據(jù)，未超出離群閾值范圍的為正常數(shù)據(jù)，直接進行Savitzky-Golay 濾波處理流程，得到最終數(shù)據(jù)。

5.3 Savitzky-Golay 濾波時序數(shù)據(jù)融合處理效果

3σ 方法檢測、Kmeans 方法檢測、LOF 方法檢測的訓練時間相近，訓練集、驗證集、測試集的均方根誤差也相近。而以上離群點檢測方法集成后訓練時間增加了一倍左右，但是，訓練集、驗證集、測試集的均方根誤差均顯著下降，因此Savitzky-Golay 濾波時序數(shù)據(jù)融合處理方法有效。

6 深水鉆井機械鉆速優(yōu)化預測模型實現(xiàn)

6.1 優(yōu)化預測模型

深水鉆井機械鉆速優(yōu)化預測模型應該具備精確預測井下泥漿密度、壓力降、流體水力參數(shù)、當量循環(huán)密度、機械鉆速、鉆井水力參數(shù)、巖屑尺寸、鉆頭尖銳情況、巖屑濃度等因素對深水鉆井機械鉆速之間關系的能力。深水鉆井機械鉆速優(yōu)化預測模型存在的問題是數(shù)據(jù)噪聲嚴重，尤其是地質(zhì)數(shù)據(jù)參數(shù)信息，海洋鉆井環(huán)境比陸地鉆井環(huán)境更加惡劣，因此，在導入訓練數(shù)據(jù)優(yōu)化預測模型之前，必須采用離群點檢測方法對數(shù)據(jù)進行處理，這樣才能得到更加精準的深水鉆井機械鉆速優(yōu)化預測結(jié)果。

6.2 深水鉆井機械鉆速預測方法

以集成樹模型為例，深水鉆井機械鉆速優(yōu)化預測模型通過對鉆井既往數(shù)據(jù)和其他鉆井數(shù)據(jù)的學習，能夠在訓練過程中尋找最優(yōu)模型參數(shù)。設置集成樹模型的最大數(shù)數(shù)目、最大深度、葉子節(jié)點權(quán)重、隨機采樣比例、L2正則項權(quán)重、學習率等主要參數(shù)后，通過模擬擬合即可對不同參數(shù)下深水鉆井機械鉆速優(yōu)化預測模型的訓練時間和均方根誤差進行比較，選擇其中最優(yōu)的數(shù)據(jù)繼續(xù)優(yōu)化，調(diào)整模型樹深度，查看訓練時間變化情況，最終選擇訓練時間最短且均方根誤差最小的數(shù)據(jù)進行訓練，這樣訓練集的損失逐漸下降，模型效果漸漸收斂。

6.3 深水鉆井機械鉆速優(yōu)化

模擬退火算法下對不同鉆頭直徑下鉆井速率提升情況進行運算，最終分別計算出不同鉆頭直徑所對應的鉆井速率提升率，根據(jù)鉆井速率提升率變化情況，即可選擇合適鉆頭直徑，這樣再對鉆壓、轉(zhuǎn)速、鉆井液入口流量進行優(yōu)化，才能進一步優(yōu)化深水鉆井機械鉆速。

6.4 深水鉆井機械鉆速優(yōu)化系統(tǒng)應用

深水鉆井機械鉆速優(yōu)化系統(tǒng)應用后，應該分別對觀察階段下鉆壓和機械轉(zhuǎn)速的真實參數(shù)進行統(tǒng)計，并計算出深水鉆井機械鉆速優(yōu)化后的提升率，現(xiàn)場操作人員可以根據(jù)實際安全閾值適當調(diào)整鉆壓和鉆井速率參數(shù)，查看該優(yōu)化系統(tǒng)的有效性和安全性是否能夠滿足要求。

7 結(jié)語

綜上所述，深水鉆井機械鉆速優(yōu)化可以基于統(tǒng)計檢測、聚類檢測、密度檢測和模型檢測等方法對離群數(shù)據(jù)進行提出，最后通過機器學習模型和經(jīng)典預測模型預測最佳鉆速優(yōu)化指標，為現(xiàn)場人員提供指導。