劉光星 翟坤 陶宇龍，2 李安樂 邵小華

(1.西安石油大學(xué)陜西省鉆機控制技術(shù)重點實驗室，西安 710065;2.陜西省煤層氣開發(fā)利用有限公司澄合天宇勘探建井工程有限責(zé)任公司，陜西 澄城 715200;3.陜西煤業(yè)化工集團澄合合陽煤炭開發(fā)有限公司，陜西 合陽 715300;4.大慶鉆探集團鉆井一公司，黑龍江 大慶 163700)

卡鉆是指鉆具既不能轉(zhuǎn)動也不能上下活動，是鉆井過程中常見的井下事故。當(dāng)卡鉆事故發(fā)生時，需要耗費大量的人力、物力和時間來處理和排除卡鉆［1-4］，處理不好甚至?xí)?dǎo)致全井報廢。如果在鉆進過程中能夠?qū)σl(fā)卡鉆的井下復(fù)雜現(xiàn)象進行預(yù)警，就可以及時采取措施，預(yù)防卡鉆事故的發(fā)生。

在鉆井過程中，鉆井參數(shù)的變化與井下復(fù)雜情況的產(chǎn)生密切相關(guān)，因此可以通過分析鉆井參數(shù)的變化異常來預(yù)測卡鉆的發(fā)生。而時間序列分析法就是對一組數(shù)據(jù)進行分析處理，提取其中特征信息的方法，因此利用時間序列分析法可以更有效地預(yù)測卡鉆事故的出現(xiàn)。

1 單因素時間序列

時間序列是指按時間順序排列的一組數(shù)據(jù)，從廣義上講是指一組有序的隨機數(shù)據(jù)。單因素時間序列［5］分析法作為其他時序分析的前提和基礎(chǔ)被廣泛應(yīng)用，其主要有3種時序模型，分別為:AR、MA和ARMA模型。ARMA模型是研究單因素時間序列的重要方法，由自回歸模型(AR模型)與滑動平均模型(MA模型)為基礎(chǔ)“混合”構(gòu)成，基本形式如下:

式中:φ1，φ2，…，φp— 自回歸系數(shù);θ1，θ2，…，θq—移動平均系數(shù);p—自回歸模型階數(shù);q— 移動平均模型階數(shù);εt— 均值為0，方差為σ2的白噪聲序列。

模型(1)與模型(2)的組合形式，則為ARMA模型，記作 ARMA(p，q)，當(dāng) p=0 時，ARMA(0，q)=MA(q);當(dāng) q=0時，ARMA(p，0)=AR(p)。

2 建模與預(yù)測

在運用單因素時間序列分析法建立ARMA模型預(yù)測卡鉆時，要求鉆井?dāng)?shù)據(jù)樣本序列必須是平穩(wěn)的，如果所給的序列是非平穩(wěn)序列，則必須對所給序列做預(yù)處理，使其平穩(wěn)化，然后建立ARMA模型。在此，我們對青海地區(qū)某地?zé)峥碧骄南嚓P(guān)數(shù)據(jù)進行分析處理，選取與卡鉆事故密切相關(guān)的5種數(shù)據(jù)，如:大鉤負荷、鉆壓、轉(zhuǎn)盤轉(zhuǎn)速、轉(zhuǎn)盤扭矩和泵壓，作為預(yù)測模型的數(shù)據(jù)序列，進行建模和預(yù)測，直觀的闡述建模［1］的方法和步驟。在此，以大鉤負荷為例，建立其預(yù)測模型。表1為青海地區(qū)探熱井實際鉆井的部分樣本數(shù)據(jù)。

表1 實際鉆井的部分樣本數(shù)據(jù)

2.1 序列的預(yù)處理及平穩(wěn)性判斷

圖1為大鉤負荷的時序圖。表2為其自相關(guān)系數(shù)和偏自相關(guān)系數(shù)表，Autocorrrelation為自相關(guān)系數(shù)圖，Partial Correlation為偏自相關(guān)系數(shù)圖，AC為自相關(guān)系數(shù)，PAC為偏自相關(guān)系數(shù)，Q-Stat為Q統(tǒng)計量，Prob為拒絕原假設(shè)概率P值。由大鉤負荷時序圖、自相關(guān)系數(shù)和偏自相關(guān)系數(shù)表可以明顯判斷出序列是平穩(wěn)的，最后一列白噪聲檢驗的Q統(tǒng)計量和相應(yīng)的伴隨概率P值表明序列存在相關(guān)性，序列為平穩(wěn)非白噪聲序列，可以對序列進行建模，且自相關(guān)系數(shù)圖出現(xiàn)典型的拖尾特性，偏自相關(guān)系數(shù)圖出現(xiàn)典型的截尾特性。

圖1 大鉤負荷的時序圖

時序圖和自相關(guān)系數(shù)、偏自相關(guān)系數(shù)表判斷序列是平穩(wěn)的，ADF序列平穩(wěn)性單位根檢驗結(jié)果(表3)進一步證實了這個結(jié)論，表3中:t-Statistic為t統(tǒng)計值;Prob為拒絕原假設(shè)概率P值;Augmented Dickey-Fuller test statistic為ADF統(tǒng)計量;Test critical values為檢驗的臨界值;1%、5%、10%指的是顯著水平。若ADF檢驗值(t值)大于某顯著水平值(一般是5%)，則不通過檢驗，即存在單位根(序列不平穩(wěn))，此時，可通過一階差分進一步檢驗單位根是否平穩(wěn)。在表3中ADF檢驗值為-5.903 445，在1%、5%和10%這3個顯著性水平下，單位根檢驗的臨界值分別為 -3.505 595、-2.894 332 和-2.584 325，顯然，ADF檢驗值小于其他臨界值，則序列不存在明顯的趨勢，表明拒絕存在一個單位根的原假設(shè)，序列平穩(wěn)。

表2 大鉤負荷的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)表

表3 ADF檢驗結(jié)果

2.2 模型識別

由表2可以看出，偏自相關(guān)系數(shù)在k=2后很快趨于0即2階截尾，嘗試擬合AR(2);自相關(guān)系數(shù)在k=1，2處顯著不為0，當(dāng)k=3時在2倍標(biāo)準(zhǔn)差范圍內(nèi)，可以考慮擬合 MA(1)、MA(2)或MA(3);同時可以考慮ARMA(2，1)模型等。

2.3 模型參數(shù)估計

在參數(shù)估計時，對原序列做描述統(tǒng)計分析，序列均值非零，通常對平穩(wěn)序列做建模分析，需要在原序列基礎(chǔ)上生成一個新的零均值序列，也就是用原序列的每個參數(shù)減去其均值所生成的一個新的平穩(wěn)非白噪聲序列，相當(dāng)于在原序列基礎(chǔ)上做了整體平移，統(tǒng)計特性不會發(fā)生根本改變。在以下建模結(jié)果中會出現(xiàn)部分英文參數(shù)，其中文解釋見表4。

分別嘗試AR、MA及 ARMA建模，AR(1)、MA(2)模型高度顯著，AR(2)、MA(3)模型不顯著，通過最優(yōu)模型比較選取，逐步剔除不顯著的滯后項或移動平均項，最終發(fā)現(xiàn)適合擬合ARMA(1，2)模型，建模結(jié)果見表5，即大鉤負荷的自回歸滑動平均模型為:

表4 建模結(jié)果參數(shù)信息

表5 ARMA(1，2)模型結(jié)果

2.4 模型檢驗

參數(shù)估計后，應(yīng)對擬合模型的適應(yīng)性進行檢驗，實質(zhì)是對模型殘差序列進行白噪聲檢驗。若殘差序列不是白噪聲，說明還有一些重要信息沒被提取，應(yīng)重新設(shè)定模型。表6為ARMA(1，2)模型殘差相關(guān)系數(shù)表。

表6 ARMA(1，2)模型殘差相關(guān)系數(shù)表

可以看出殘差序列不存在序列相關(guān)，且各階滯后期的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)值都接近于零，所有的Q統(tǒng)計量均不顯著，因此可以判斷殘差為白噪聲，說明擬合模型有效，則可以確定大鉤負荷的ARMA模型擬合成功。

2.5 未來數(shù)值預(yù)測

由于原序列是實際參數(shù)值，所以這里使用靜態(tài)預(yù)測來得到第一個預(yù)測值;對于動態(tài)預(yù)測，除了第一個預(yù)測值是用原序列的實際值預(yù)測外，其后的各預(yù)測值都是采用遞推預(yù)測得到。用同樣的方法可以得到:

鉆壓的ARMA模型:

轉(zhuǎn)盤轉(zhuǎn)速的ARMA模型:

轉(zhuǎn)盤扭矩的ARMA模型:

泵壓的ARMA模型:

3 ARMA功率譜估計

ARMA功率譜估計是時間序列的一種頻域特性，對于給定的時間序列 X1，X2，…，Xt，為了近似未知的基本過程，其AR(p)模型對應(yīng)的功率譜理論表達式為:

ARMA(p，q)模型對應(yīng)的功率譜理論表達式為:

4 卡鉆預(yù)測

4.1 預(yù)測原理

針對青海地區(qū)地?zé)峥碧骄南嚓P(guān)數(shù)據(jù)，來對此方法進行研究和分析，其中采用的ARMA模型是動態(tài)的，其模型中的相關(guān)參數(shù)是隨著預(yù)測數(shù)據(jù)的更新而不斷變化的，這樣功率譜也隨著更新而出現(xiàn)差異，從而用于判斷和預(yù)測卡鉆。

以上模型的建立，其各ARMA模型的功率譜最大疊加偏差值是預(yù)測卡鉆的依據(jù)，即疊加偏差值波動幅度越大，則可能引起卡鉆的幾率越高。首先，對當(dāng)前ARMA模型做功率譜估計;然后，通過當(dāng)前ARMA模型推斷下一預(yù)測值，生成新的ARMA模型，且求出新模型的功率譜，判斷出前后模型功率譜最大值的偏差;最后，對5個特征參數(shù)的ARMA功率譜估計最大偏差值進行疊加，則為最終進行卡鉆預(yù)測的疊加偏差值。當(dāng)功率譜疊加偏差值明顯出現(xiàn)異常時，則這一時刻就很有可能出現(xiàn)卡鉆。

4.2 預(yù)測實現(xiàn)

通過Eviews軟件進行編程，運用實際鉆井參數(shù)建立的ARMA模型預(yù)測下一未來值，從而生成新的ARMA模型。然后，通過Matlab軟件對各個模型進行功率譜估計，比較前后不同模型功率譜［6-8］的偏差值。同樣以大鉤負荷的ARMA模型為例，做35次預(yù)測，其功率譜輸出見圖2。

對其他4種鉆井參數(shù)進行ARMA模型功率譜估計，且對功率譜數(shù)據(jù)進行預(yù)處理，綜合比較5種樣本的功率譜密度，得到綜合功率譜的疊加值及功率譜疊加偏差值(圖3、圖4)。

圖2 大鉤負荷ARMA(1，2)模型35次功率譜輸出

圖3 5種樣本參數(shù)ARMA模型功率譜疊加值

圖4 5種樣本參數(shù)ARMA綜合功率譜疊加偏差值

鉆進在1 828 m時，5種樣本數(shù)據(jù)所生成的ARMA模型的功率譜疊加值和功率譜疊加偏差值波動幅度明顯，與其他平穩(wěn)鉆進進尺相比有大幅度差異，則判定下一鉆進深度有較大可能發(fā)生卡鉆，而在實際鉆進中，當(dāng)鉆至1 834 m時發(fā)生卡鉆，在此，可以說明單因素時間序列建模方法可以達到預(yù)測卡鉆的效果，且在預(yù)測中可以提前預(yù)報，更具有較強的實時預(yù)測功能，可為鉆井技術(shù)人員提供較長的提前預(yù)防鉆井事故的處理時間，為鉆井工程縮短周期、減少資源浪費給予較好的輔助。

5 結(jié)語

國內(nèi)現(xiàn)有的專家系統(tǒng)、多元統(tǒng)計分析、神經(jīng)網(wǎng)絡(luò)分析等方法在卡鉆預(yù)測上都取得了一定的成績［9］，但與單因素時間序列方法在卡鉆預(yù)測上的應(yīng)用相比較，后者其良好的預(yù)測功能，及其提前預(yù)報和實時預(yù)測功能都要優(yōu)于其他現(xiàn)有的方法，且其對實際數(shù)據(jù)的依賴性較其他方法而言相對較低，該方法在青海地區(qū)探熱井?dāng)?shù)據(jù)的模擬中，得到的結(jié)果與實際較吻合，因此，將單因素時間序列分析方法運用到鉆井卡鉆預(yù)測中是有必要的，其可信度較高。

［1］張林強.井下卡鉆分析及處理［J］.海洋石油，2007，27(3):112-115.

［2］楊崇光.粘附卡鉆原因分析及處理措施［J］.西部探礦工程，2006(1):182.

［3］尹邦勇，劉剛，陳紅.5種定向井卡鉆及預(yù)防措施［J］.石油礦場機械，2010，39(11):68-71.

［4］于潤橋.卡鉆事故預(yù)測技術(shù)研究［J］.石油鉆探技術(shù)，1996，24(2):15-17.

［5］方子良，高駿，王軍輝.多因素時間序列法的研究［J］.南京理工大學(xué)學(xué)報，2003，27(3):298-300.

［6］王春光.基于Matlab實現(xiàn)現(xiàn)代功率譜估計［J］.現(xiàn)代電子技術(shù)，2011，34(16):65-67.

［7］曹彤，喬宇.時間序列分析中的ARMA算法及其軟件實現(xiàn)［J］.北京聯(lián)合大學(xué)學(xué)報，1996，10(2):6-11.

［8］唐玉娜，李啟會.ARMA模型在預(yù)測問題中的應(yīng)用［J］.嘉興學(xué)院學(xué)報，2006，8(S1):183-187.

［9］程昳.常用預(yù)測方法及評價綜述［J］.四川師范大學(xué)學(xué)報:自然科學(xué)版，2002，25(1):70-73.