管志川，勝亞楠，許玉強(qiáng)，王 慶，張 波

(中國(guó)石油大學(xué)(華東) 石油工程學(xué)院，山東 青島 266580)

0 引言

鉆井工程是石油天然氣開(kāi)發(fā)過(guò)程中十分重要的環(huán)節(jié)[1]。鉆井作業(yè)也是高風(fēng)險(xiǎn)、高投入的工程作業(yè)，井下異常情況和風(fēng)險(xiǎn)隨時(shí)都有可能發(fā)生，可能會(huì)影響到鉆井速度、生產(chǎn)安全、工程質(zhì)量和經(jīng)濟(jì)效益[2-5]。因此，應(yīng)該做好鉆井作業(yè)過(guò)程中動(dòng)態(tài)風(fēng)險(xiǎn)的預(yù)警工作，在風(fēng)險(xiǎn)發(fā)生的早期給出一定意義上的風(fēng)險(xiǎn)提示，采取有效措施規(guī)避可能發(fā)生的鉆井工程風(fēng)險(xiǎn)，從而科學(xué)有效地保證鉆井作業(yè)順利進(jìn)行。傳統(tǒng)的鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估方法有：層次分析法、事故樹(shù)法、模糊判別法、壓力不確定性分析法以及案例分析法等[6-12]，這些方法依賴于專(zhuān)家經(jīng)驗(yàn)，得到的結(jié)果多是定性或半定量的，已經(jīng)無(wú)法滿足當(dāng)前深井復(fù)雜地層或深水環(huán)境鉆井的安全需求。因此，如何建立1套不嚴(yán)重依賴于專(zhuān)家主觀判斷的鉆井作業(yè)動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估方法是值得研究的問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)具有高度自學(xué)習(xí)、自修正能力，其優(yōu)點(diǎn)可以滿足鉆井工程動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估的要求，因此利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鉆井作業(yè)動(dòng)態(tài)過(guò)程中的風(fēng)險(xiǎn)評(píng)估，并利用PSO算法彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的缺陷，建立了基于PSO粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估模型。該模型通過(guò)對(duì)錄井資料的監(jiān)測(cè)分析，實(shí)時(shí)判斷井下風(fēng)險(xiǎn)類(lèi)型，并計(jì)算風(fēng)險(xiǎn)發(fā)生概率，可以在風(fēng)險(xiǎn)發(fā)生的早期給出預(yù)警信息，及時(shí)指導(dǎo)風(fēng)險(xiǎn)調(diào)控措施的開(kāi)展。

1 鉆井作業(yè)過(guò)程動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估理論基礎(chǔ)

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1種典型的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)[13-14]，最主要的優(yōu)點(diǎn)是最有較強(qiáng)的非線性映射能力，這使得其適合于求解內(nèi)部機(jī)制復(fù)雜的問(wèn)題；同時(shí)，BP神經(jīng)網(wǎng)絡(luò)具有高度自學(xué)習(xí)、自修正能力，可以滿足鉆井工程動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估的要求，因此，利用BP神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)鉆井作業(yè)動(dòng)態(tài)過(guò)程中的風(fēng)險(xiǎn)評(píng)估。

1.1.1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層和輸出層構(gòu)成的三層前向人工神經(jīng)網(wǎng)絡(luò)，如圖1所示，其中，輸入層有n個(gè)神經(jīng)元，隱含層有l(wèi)個(gè)神經(jīng)元，輸出層有m個(gè)神經(jīng)元。

圖1 BP神經(jīng)網(wǎng)絡(luò)示意Fig.1 Schematic diagram of BP neural network

根據(jù)神經(jīng)元輸出信號(hào)的計(jì)算公式可以得到隱含層各個(gè)神經(jīng)元的輸出為：

(1)

式中：νij是輸入層神經(jīng)元i和隱含層神經(jīng)元j的連接權(quán)重；θj是隱含層神經(jīng)元j的閾值；f()是神經(jīng)元的激活函數(shù)。

同理，得到BP神經(jīng)網(wǎng)絡(luò)的輸出層的輸出信號(hào)為：

(2)

式中：μjk是隱含層神經(jīng)元j和輸出層神經(jīng)元k的連接權(quán)重；βk是輸出層神經(jīng)元k的閾值；f()是神經(jīng)元的激活函數(shù)。

1.1.2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)采用的是最速下降法算法，是1種非線性回歸模型參數(shù)最小二乘估計(jì)的1種迭代算法。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是通過(guò)學(xué)習(xí)動(dòng)態(tài)地調(diào)整輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)重νij，μjk，以及隱含層和輸出層神經(jīng)元的閾值θj，βk，從而得到與實(shí)際期望相符合的輸出值。

1.2 基于粒子群算法(PSO)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)在過(guò)程控制、故障診斷、預(yù)測(cè)預(yù)報(bào)和非線性仿真問(wèn)題中得到了很好的應(yīng)用；同時(shí)，BP神經(jīng)網(wǎng)絡(luò)也有缺陷，比如BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法，誤差訓(xùn)練函數(shù)不是嚴(yán)格的凸函數(shù)，導(dǎo)致BP算法在尋找最優(yōu)連接權(quán)值和閾值時(shí)，容易陷入到局部最小點(diǎn)，無(wú)法得到全局最優(yōu)解，這就影響了BP算法預(yù)測(cè)結(jié)果的準(zhǔn)確性；因此，應(yīng)當(dāng)尋找1種優(yōu)化算法來(lái)彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的缺陷。通過(guò)調(diào)研文獻(xiàn)發(fā)現(xiàn)，粒子群優(yōu)化算法適合于解決尋找全局最優(yōu)解的問(wèn)題，因此利用粒子群算法(PSO)的全局搜索最優(yōu)解的能力來(lái)彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)的缺陷，利用粒子群優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)的各層神經(jīng)元之間的連接權(quán)值和閾值進(jìn)行優(yōu)化。粒子群優(yōu)化算法是模擬鳥(niǎo)群尋找棲息地的行為，通過(guò)搜索各個(gè)粒子的優(yōu)解和利用這些優(yōu)解使整個(gè)粒子群達(dá)到最優(yōu)的過(guò)程[15-16]。

1.2.1 粒子群算法(PSO)原理及數(shù)學(xué)模型

PSO是基于群體智能理論的優(yōu)化算法。每個(gè)粒子代表解空間的1個(gè)候選解，解的優(yōu)劣程度由適應(yīng)函數(shù)決定。在粒子群算法的尋找最優(yōu)解的過(guò)程中，需要首先根據(jù)實(shí)際問(wèn)題確定維度，假設(shè)在1個(gè)D維空間內(nèi)進(jìn)行最優(yōu)解的尋找與搜索，設(shè)定初始化有M個(gè)粒子，這些粒子組成1個(gè)待研究的“鳥(niǎo)群”T={Z1,Z2,…,ZM),i=1,2,…,M，其中，zi=(zi1,zi2,…,ziD),i=1,2,…,M，表示第i個(gè)粒子在D維空間內(nèi)的位置向量，si=(si1,si2,…,siD),i=1,2,…,M表示第i個(gè)粒子在D維空間內(nèi)的速度向量；粒子自身的飛行運(yùn)動(dòng)經(jīng)驗(yàn)，也就是截止到目前為止搜索到的個(gè)體粒子的最優(yōu)位置表示為Pbesti=(Pbesti1,Pbesti2,…,PbestiD)，全局最優(yōu)位置為Gbest=(Gbest1,Gbest2,…,GbestD)。粒子位置的更新由4部分組成：粒子當(dāng)前位置和速度、粒子當(dāng)前位置與Pbesti，Gbest的距離。因此，粒子算法的遞推公式為：

(3)

1.2.2 基于粒子群算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，主要是通過(guò)粒子群的迭代取代BP神經(jīng)網(wǎng)絡(luò)的梯度下降法?；赑SO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的主要步驟如下：

1) 初始化參數(shù)。確定BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，初始其連接權(quán)值和閾值，根據(jù)其權(quán)值和閾值的個(gè)數(shù)確定粒子群維數(shù)D；設(shè)置種群規(guī)模M；設(shè)置迭代次數(shù)N；對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行實(shí)數(shù)編碼，得到初始種群；并且在允許范圍內(nèi)[smin,smax]，[zmin,zmax]內(nèi)設(shè)定粒子速度si,d和位置zi,d；然后，設(shè)置學(xué)習(xí)因子c1，c2。

2) 將神經(jīng)網(wǎng)絡(luò)中每次迭代得到的均方誤差作為粒子的適應(yīng)度函數(shù)。

3) 根據(jù)粒子群算法的步驟2)～4)，求解粒子全局最優(yōu)位置。

4) 檢查是否滿足迭代終止條件，若滿足，則停止，輸出最優(yōu)粒子，反解碼得到最優(yōu)權(quán)值和閾值。

5)按照BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和預(yù)測(cè)。

2 基于PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估模型

2.1 鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估模型的設(shè)計(jì)

2.1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)

選用BP神經(jīng)網(wǎng)絡(luò)法，結(jié)合綜合錄井參數(shù)建立鉆井作業(yè)過(guò)程中動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估模型。首先應(yīng)明確BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，即從解決鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估的實(shí)際問(wèn)題出發(fā)，分別對(duì)輸入層、輸出層和隱含層進(jìn)行科學(xué)合理的設(shè)計(jì)。

1)輸入層設(shè)計(jì)

任何一種鉆井工程風(fēng)險(xiǎn)的發(fā)生均需要一定的時(shí)間，在該風(fēng)險(xiǎn)發(fā)生的初始階段，會(huì)出現(xiàn)不同的錄井參數(shù)特征發(fā)生變化，這些風(fēng)險(xiǎn)均對(duì)應(yīng)有不同的特征參數(shù)(見(jiàn)表1)。對(duì)于鉆井事故及風(fēng)險(xiǎn)與錄井參數(shù)之間的關(guān)系國(guó)內(nèi)外技術(shù)人員開(kāi)展了大量的研究工作。

表1 井下風(fēng)險(xiǎn)與錄井參數(shù)變化的對(duì)應(yīng)關(guān)系

在前人研究的基礎(chǔ)上，根據(jù)井下異常及工程風(fēng)險(xiǎn)專(zhuān)家知識(shí)，去掉與鉆井工程風(fēng)險(xiǎn)相關(guān)性較小的錄井特征參數(shù)，同時(shí)綜合兼顧4種風(fēng)險(xiǎn)的表征錄井參數(shù)，最終設(shè)定9個(gè)錄井特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元，即：鉆井液出口流量、鉆井液出口密度、鉆井液池總體積、泵壓、大鉤載荷、機(jī)械鉆速、轉(zhuǎn)盤(pán)轉(zhuǎn)速、扭矩、鉆壓。

2)輸出層設(shè)計(jì)

重點(diǎn)以井涌、井塌、井漏和卡鉆風(fēng)險(xiǎn)為主進(jìn)行鉆井作業(yè)動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估。因此有5個(gè)輸出神經(jīng)元：井涌、井塌、井漏、卡鉆和正常。5種井下?tīng)顟B(tài)所對(duì)應(yīng)的期望向量為：q1=(1,0,0,0,0)，q2=(0,1,0,0,0)，q3=(0,0,1,0,0)，q4=(0,0,0,1,0)，q5=(0,0,0,0,1)。

3) 隱含層設(shè)計(jì)

在BP神經(jīng)網(wǎng)絡(luò)中，一般都是設(shè)計(jì)1個(gè)隱含層，增加隱含層的目的是為了進(jìn)一步降低輸出結(jié)果的誤差、提高精度；但是，增加隱含層層數(shù)會(huì)導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，致使網(wǎng)絡(luò)訓(xùn)練時(shí)間增加。研究證明：增加隱含層神經(jīng)元的個(gè)數(shù)，同樣可以降低誤差、提高精度。結(jié)合鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估問(wèn)題的實(shí)際，只考慮1個(gè)隱含層，采用經(jīng)典的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)解決問(wèn)題。隱含層的個(gè)數(shù)初步由經(jīng)典公式(4)計(jì)算得到，然后再結(jié)合鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估實(shí)際問(wèn)題的網(wǎng)絡(luò)訓(xùn)練情況進(jìn)行優(yōu)選。

(4)

式中：n為輸入層節(jié)點(diǎn)數(shù)；l為隱含層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)；α取值為1～10。

建立的BP網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)n=9，輸出層節(jié)點(diǎn)數(shù)m=5，根據(jù)經(jīng)驗(yàn)公式計(jì)算得到隱含層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)l∈[3,17]。為了確定最佳隱含層節(jié)點(diǎn)數(shù)，將隱含層節(jié)點(diǎn)數(shù)分別設(shè)置為3～17的BP網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練，最終確定使得網(wǎng)絡(luò)誤差最小的節(jié)點(diǎn)數(shù)為10。

最終建立了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖2所示。

圖2 鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP neural network structure for dynamic drilling risk assessment

2.1.2 粒子群算法設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)風(fēng)險(xiǎn)預(yù)測(cè)模型確定后，下面進(jìn)行粒子群算法的設(shè)計(jì)，主要包括粒子編碼、適應(yīng)度函數(shù)以及算法關(guān)鍵參數(shù)的確定。

1) 粒子編碼

在粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)時(shí)，神經(jīng)網(wǎng)絡(luò)中的連接權(quán)值和閾值對(duì)應(yīng)粒子種群中的粒子。在上一節(jié)中，已經(jīng)確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中各層神經(jīng)元的節(jié)點(diǎn)數(shù)分別為，輸入層節(jié)點(diǎn)數(shù)n=9，輸出層節(jié)點(diǎn)數(shù)m=5，隱含層節(jié)點(diǎn)數(shù)l=10。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9-10-5，所以，共有9×10+10×5=140個(gè)權(quán)值，10+5=15個(gè)閾值。則粒子群優(yōu)化參數(shù)的個(gè)數(shù)為155個(gè)，粒子的長(zhǎng)度為155，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

采用向量編碼，粒子i被編碼為：

particle(i)=

(5)

則BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值的尋優(yōu)過(guò)程就轉(zhuǎn)化成粒子的進(jìn)化過(guò)程。

圖3 基于粒子群算法優(yōu)化鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估BP神經(jīng)網(wǎng)絡(luò)Fig.3 Optimized BP neural network based on Particle Swarm Optimization for dynamic drilling risk assessment

2)適應(yīng)度函數(shù)

權(quán)值和閾值的優(yōu)化就是為了減少網(wǎng)絡(luò)訓(xùn)練誤差，因此將BP網(wǎng)絡(luò)訓(xùn)練的均方根誤差作為適應(yīng)度函數(shù)。

(6)

式中：M為訓(xùn)練樣本個(gè)數(shù)；l為輸出層神經(jīng)元個(gè)數(shù)；yj,i為第i個(gè)訓(xùn)練樣本第j個(gè)輸出節(jié)點(diǎn)的實(shí)際輸出值；qj,i為第i個(gè)訓(xùn)練樣本第j個(gè)輸出節(jié)點(diǎn)的理想期望輸出值。

3) 粒子算法關(guān)鍵參數(shù)

需要初始化的關(guān)鍵參數(shù)：種群規(guī)模M=30；迭代次數(shù)N=100；在速度和位置允許范圍內(nèi)[smin,smax]，[zmin,zmax]內(nèi)進(jìn)行粒子速度si,d和位置zi,d的隨機(jī)初始化；學(xué)習(xí)因子c1=2.0，c2=2.0。

2.2 錄井?dāng)?shù)據(jù)處理

不同錄井參數(shù)數(shù)據(jù)之間的量級(jí)差別較大，因此需要對(duì)錄井資料進(jìn)行數(shù)據(jù)歸一化處理，消除神經(jīng)網(wǎng)絡(luò)輸入層各個(gè)數(shù)據(jù)的量級(jí)差別，避免因?yàn)檩斎胼敵鰯?shù)據(jù)數(shù)量級(jí)差別較大而造成網(wǎng)絡(luò)預(yù)測(cè)誤差較大，基于最大最小法對(duì)錄井參數(shù)進(jìn)行歸一化處理。結(jié)合海上BD氣田已鉆井典型風(fēng)險(xiǎn)對(duì)應(yīng)的錄井資料，選取風(fēng)險(xiǎn)發(fā)生前后一段時(shí)間內(nèi)錄井參數(shù)進(jìn)行歸一化處理，如表2所示。

表2 錄井參數(shù)歸一化處理結(jié)果

2.3 風(fēng)險(xiǎn)模型學(xué)習(xí)訓(xùn)練與結(jié)果分析

2.3.1 算法基本控制要素

采用PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法的基本控制要素如表3所示。

表3 PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法的基本控制要素

2.3.2 網(wǎng)絡(luò)訓(xùn)練仿真與結(jié)果分析

選取BD區(qū)塊10組錄井歸一化數(shù)據(jù)以及相對(duì)應(yīng)的井下鉆井狀態(tài)作為訓(xùn)練樣本，對(duì)動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練樣本如表4所示。

表4 網(wǎng)絡(luò)訓(xùn)練仿真樣本

表5 動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估神經(jīng)網(wǎng)絡(luò)訓(xùn)練仿真結(jié)果

表5中，y1，y2，y3，y4，y5分別對(duì)應(yīng)井涌、井塌、井漏、卡鉆和正常狀態(tài)；并且每一行最接近1的數(shù)值(表5中加粗)所對(duì)應(yīng)的結(jié)果即是仿真預(yù)測(cè)的井下風(fēng)險(xiǎn)類(lèi)型。根據(jù)表5的網(wǎng)絡(luò)仿真結(jié)果可以得到如下結(jié)論：10組仿真結(jié)果全部與實(shí)際井下實(shí)際狀態(tài)相吻合，表明訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)具有很高的可信度，能夠很好地滿足該區(qū)塊該層段鉆井風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估的要求。

值得注意的是，建立的風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估模型具有一定的適用性：在不同的地質(zhì)環(huán)境以及不同的鉆進(jìn)條件下，井下異常狀態(tài)或風(fēng)險(xiǎn)對(duì)應(yīng)的錄井參數(shù)的變化會(huì)有所區(qū)別，所以在選取訓(xùn)練樣本時(shí)，應(yīng)該根據(jù)不同鉆井環(huán)境和鉆遇的地層條件進(jìn)行選擇，并且訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)只運(yùn)用于相似鉆井條件下的異常工況及風(fēng)險(xiǎn)診斷。

3 動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估實(shí)例分析

BD氣田是中海油海外重要的高溫高壓氣田之一，其儲(chǔ)層為礁灰?guī)r，儲(chǔ)層以上為大段泥巖、頁(yè)巖、泥灰?guī)r、薄層砂巖，地質(zhì)環(huán)境復(fù)雜；BD氣田前期2口探井在鉆井施工過(guò)程中頻繁出現(xiàn)井下復(fù)雜情況和事故，嚴(yán)重影響了鉆井安全高效的進(jìn)行。因此，有必要針對(duì)BD氣田開(kāi)展鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估。

選取BD氣田BD A井待分析評(píng)估的風(fēng)險(xiǎn)井段對(duì)應(yīng)的錄井參數(shù)，首先進(jìn)行歸一化處理，構(gòu)建分析樣本，如表6所示；然后代入訓(xùn)練好的適用于BD區(qū)塊的動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估模型中進(jìn)行風(fēng)險(xiǎn)評(píng)估實(shí)例分析，結(jié)果如表7所示。實(shí)例分析結(jié)果表明，動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估結(jié)果與實(shí)際風(fēng)險(xiǎn)相互吻合。說(shuō)明本文建立的方法可以很好地對(duì)鉆井作業(yè)過(guò)程中動(dòng)態(tài)風(fēng)險(xiǎn)進(jìn)行評(píng)估，可以及時(shí)對(duì)可能發(fā)生的風(fēng)險(xiǎn)進(jìn)行預(yù)警，并采取控制措施，能夠有效地降低鉆井過(guò)程中風(fēng)險(xiǎn)發(fā)生的概率及抑制鉆井風(fēng)險(xiǎn)程度的惡化，對(duì)于安全高效鉆井具有重要意義。

表6 待評(píng)估井段錄井參數(shù)歸一化結(jié)果

表7 神經(jīng)網(wǎng)絡(luò)鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估結(jié)果

4 結(jié)論

1)BP神經(jīng)網(wǎng)絡(luò)的誤差訓(xùn)練函數(shù)不是嚴(yán)格的凸函數(shù)，導(dǎo)致在尋找最優(yōu)連接權(quán)值和閾值時(shí)，容易陷入局部最小，無(wú)法得到全局最優(yōu)解；BP網(wǎng)絡(luò)的缺陷影響了動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估結(jié)果的準(zhǔn)確性；基于PSO粒子群算法的全局搜索最優(yōu)解的能力可以彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)的缺陷。

2)通過(guò)對(duì)錄井資料的監(jiān)測(cè)分析，基于人工智能的理論及方法，實(shí)時(shí)判斷井下風(fēng)險(xiǎn)發(fā)生的類(lèi)型，并定量計(jì)算風(fēng)險(xiǎn)概率，建立了基于PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的鉆井動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估模型。相比較傳統(tǒng)風(fēng)險(xiǎn)評(píng)估的定性、半定量結(jié)果而言，構(gòu)建的定量評(píng)估模型在解決深井復(fù)雜地層或深水環(huán)境鉆井過(guò)程中的風(fēng)險(xiǎn)預(yù)測(cè)問(wèn)題方面更具有優(yōu)勢(shì)。

3)采用所建立的模型對(duì)BD氣田進(jìn)行實(shí)例分析，10組仿真結(jié)果全部與實(shí)際井下實(shí)際狀態(tài)相吻合；同時(shí)，5組預(yù)測(cè)結(jié)果也全部與實(shí)際風(fēng)險(xiǎn)相互吻合，結(jié)果表明動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估結(jié)果與實(shí)際風(fēng)險(xiǎn)相互吻合，說(shuō)明采用建立的方法得到的風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果具有較高的可信度，對(duì)于安全高效鉆井具有參考意義。

[1] 陳庭根,管志川.鉆井工程理論與技術(shù)[M]. 東營(yíng)：石油大學(xué)出版社,2000: 251-254

[2] Bratton T, Edwards S, Fuller J, et al. Avoiding drilling problems [J]. Oilfield Review, 2001, 13(2):75-77.

[3] Ismail Z, Kong K K, Othman S Z, et al. Evaluating accidents in the offshore drilling of petroleum: regional picture and reducing impact[J]. Measurement, 2014, 51(1):18-33.

[4] Moos D, Peska P, Finkbeiner T, et al. Comprehensive wellbore stability analysis utilizing quantitative risk assessment [J]. Journal of Petroleum Science & Engineering, 2003, 38(4):97-109.

[5] 增義金,劉建立.深井超深井鉆井技術(shù)現(xiàn)狀和發(fā)展趨勢(shì)[J].石油鉆探技術(shù),2005,33(5):1-5.

ZENG Yijin, LIU Jianli. Present situation and development trend of deep and ultra-deep well drilling technology [J]. Petroleum Drilling Technology, 2005, 33(5):1-5.

[6] 蔣希文.鉆井事故與復(fù)雜問(wèn)題[M].2版. 北京：石油工業(yè)出版社，2006.

[7] 高德利.復(fù)雜地質(zhì)條件下深井超深井鉆井技術(shù)[M].北京：石油工業(yè)出版社，2004.

[8] Khakzad N, Khan F, Amyotte P. Quantitative risk analysis of offshore drilling operations: A Bayesian approach [J]. Safety Science, 2013, 57(57):108-117.

[9] 管志川,柯珂,路保平.壓力不確定條件下套管層次及下深確定方法[J].中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,33(4):71-75.

GUAN Zhichuan, KE Ke, LU Baoping. An approach to casing program design with formation pressure uncertainties [J]. Journal of China University of Petroleum (Natural Science Edition), 2009, 33(4):71-75.

[10] Qiang L I, Zhang J, Xiao R J, et al. Tracing analysis on long distance transmission pipeline girth weld quality causes-based on analytical hierarchy process(AHP)[J]. Welded Pipe & Tube, 2007(1)：67-71，86.

[11] Guan Zhich uan , Ke Ke , Lu Baoping .A new approach for casing program design with pressure uncertainties of deepwater exploration wells[R] .SPE 130822, 2010 .

[12] 袁智, 汪海閣, 王海強(qiáng),等. 基于事故樹(shù)分析的鉆井井漏事故危險(xiǎn)評(píng)價(jià)研究[J]. 中國(guó)安全科學(xué)學(xué)報(bào), 2010, 20(3):107-112.

YUAN Zhi, WANG Haige, WANG Haiqiang，et al. Application of fault tree analysis to risk assessment of lost circulation hazards in drilling[J]. China Safety Science Journal, 2010, 20(3):107-112.

[13] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M]. 北京：機(jī)械工業(yè)出版社, 2007.

[14] 蘇高利, 鄧芳萍. 論基于MATLAB語(yǔ)言的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法[J]. 科技通報(bào), 2003, 19(2):130-135.

SU Gaoli, DENG Fangping. On the improving backpropagation algorithms of the neural networks based on MATLAB language: a review [J]. Bulletin of Science and Technology, 2003, 19(2):130-135.

[15] 楊維, 李歧強(qiáng). 粒子群優(yōu)化算法綜述[J]. 中國(guó)工程科學(xué), 2004, 6(5):87-94.

YANG Wei, LI Qiqiang. Overview of particle swarm optimization algorithm [J]. China Engineering Science, 2004, 6(5):87-94.

[16] 紀(jì)震, 廖惠連, 吳青華. 粒子群算法及應(yīng)用[M].北京：科學(xué)出版社, 2009.