夏文鶴， 潘 碩， 孟英峰， 李永杰

(1.西南石油大學(xué)電氣信息學(xué)院，四川成都610500；2.西南石油大學(xué)石油與天然氣工程學(xué)院，四川成都610500)

基于音頻信號的氣體鉆井返出巖屑量監(jiān)測方法研究

夏文鶴1， 潘 碩1， 孟英峰2， 李永杰2

(1.西南石油大學(xué)電氣信息學(xué)院，四川成都610500；2.西南石油大學(xué)石油與天然氣工程學(xué)院，四川成都610500)

為了監(jiān)測鉆井過程中的井壁坍塌、井底巖爆等井下工況信息，進行了基于音頻信號的氣體鉆井返出巖屑量監(jiān)測方法研究。該方法利用音頻采集系統(tǒng)采集返出巖屑在排砂管中運移所產(chǎn)生的音頻信號，根據(jù)短時能量確定聲音段的起止點并計算特征參數(shù)，建立聲音的特征參數(shù)庫，再利用神經(jīng)網(wǎng)絡(luò)算法排除干擾聲音，然后分析排砂管內(nèi)不同大小巖屑的聲音特征，利用動態(tài)時間彎折算法識別巖屑的大小，計算巖屑流量，進而判斷氣體鉆井?dāng)y巖狀態(tài)及井下工況。雙探7井現(xiàn)場試驗結(jié)果表明，該方法對干擾聲音的分類成功率達到96.8%，對不同粒徑巖屑的識別率達到85.0%。研究結(jié)果表明，基于音頻信號的氣體鉆井返出巖屑量監(jiān)測方法可以監(jiān)測返出巖屑流量變化情況，有效判斷氣體鉆井的井下工況，從而降低氣體鉆井作業(yè)風(fēng)險。

氣體鉆井；巖屑流量；音頻信號；神經(jīng)網(wǎng)絡(luò)

氣體鉆井具有鉆速快、防井漏和降低油氣儲層傷害等特點，應(yīng)用于復(fù)雜難動用儲層、低壓易滲漏層和二次開采油氣井等具有明顯的技術(shù)優(yōu)勢[1-4]。氣體鉆井過程中，氣體對井壁產(chǎn)生的壓力要遠小于地層壓力，容易誘發(fā)井壁力學(xué)失穩(wěn)，造成井壁掉塊、坍塌[5]，但采用常規(guī)的地面、井下監(jiān)測技術(shù)難以獲取井壁坍塌、巖爆等井下工況信息[6]。排砂管線返出巖屑流量的突然變化可以反映這一信息，因此及時監(jiān)測排砂管線內(nèi)大顆粒巖屑的體積流量變化情況，能夠準確判斷井筒攜巖狀態(tài)，避免大量巖屑堆積井底和卡鉆等井下故障[7]。

目前，氣體鉆井過程中監(jiān)測排砂管線返出巖屑時，需在排砂管內(nèi)安裝沖刷力傳感器，計算機根據(jù)采集的沖刷力變化來判斷井下巖屑返出情況。該方法的監(jiān)測結(jié)果雖然具有一定的準確性，但僅能監(jiān)測撞擊到取樣板的巖屑顆粒，存在監(jiān)測面過窄、實用性差的問題[8]。為提高井下巖屑返出監(jiān)測結(jié)果的準確性，筆者首次將聲音識別技術(shù)應(yīng)用到氣體鉆井返出巖屑量的監(jiān)測中，利用巖屑顆粒在排砂管內(nèi)運移的發(fā)聲狀況推算返出巖屑的流量，從而判斷氣體鉆井?dāng)y巖狀態(tài)及井下工況。該方法可以監(jiān)測所有在排砂管內(nèi)運移的大顆粒巖屑，在一定程度上彌補了目前氣體鉆井井下巖屑返出監(jiān)測方法存在的不足，有利于準確判斷井筒攜巖狀態(tài)，為氣體鉆井的安全鉆進提供了技術(shù)保障。

1 音頻信號采集

在排砂管線上游段下管壁進行音頻信號采集時，音頻信號采集設(shè)備安裝在降塵水接入點的上游，避免降塵水噴射過程中產(chǎn)生的音頻干擾。音頻信號采集系統(tǒng)主要由拾音器、隔音材料、A/D轉(zhuǎn)換設(shè)備、傳輸線纜和監(jiān)控計算機組成(見圖1)。拾音器集成了麥克風(fēng)和音頻放大電路，根據(jù)現(xiàn)場音頻分布范圍，頻率響應(yīng)設(shè)為20～20 000 Hz，輸出信號幅度為2.5 Vpp。因為聲波具有向周圍傳播的性質(zhì)，為減小鉆井現(xiàn)場存在的各類聲音對音頻信號采集系統(tǒng)的干擾，采用吸音棉和膠氈包裹塑料管作為隔音材料，將拾音器包裹在排砂管上。A/D轉(zhuǎn)換設(shè)備將拾音器采集的模擬信號轉(zhuǎn)換為數(shù)字信號，然后傳送到監(jiān)控計算機進行處理。

圖1 音頻信號采集系統(tǒng)組成Fig.1 Component of the audio signal acquisition system

采用移動疊加的方式處理聲音數(shù)據(jù)，處理程序每秒啟動一次，處理最近采集的時長2 s的數(shù)據(jù)，重疊采樣過程如圖2所示，圖2中紅色虛線和黑色實線表示重疊采樣中2次數(shù)據(jù)傳輸?shù)姆秶?/p>

圖2 重疊采樣過程示意Fig.2 Schematic diagram of the overlapping sampling process

從圖2可以看出，連續(xù)的音頻信號恰好位于第2秒和第3秒2個數(shù)據(jù)包內(nèi)，音頻信號在黑色實線框內(nèi)是完整的，而在紅色虛線框內(nèi)是不完整的?？梢钥隙?，在重疊采樣中總有一重可以保證信號的完整性；但這種疊加采樣方式使得信號出現(xiàn)2次，為避免數(shù)據(jù)重復(fù)處理，需要標(biāo)記已識別過的撞擊音頻段，下次循環(huán)只需要處理標(biāo)記點以后的數(shù)據(jù)，已處理過的信號將作為重復(fù)信號而忽略掉。

2 音頻信號特征參數(shù)獲取

2.1 連續(xù)音頻信號的預(yù)處理

為了對連續(xù)音頻信號進行實時分析處理，只能將其分為多個短幀分別進行處理。根據(jù)音頻信號的短時平穩(wěn)特性，利用可移動的有限長度窗口加權(quán)法實現(xiàn)分幀預(yù)處理[9]，考慮到幀與幀之間平滑過渡，在分幀過程中采用部分重疊的辦法實現(xiàn)過渡。音頻信號的分幀過程可表示為：

(1)

式中：x(m)為音頻信號序列；xn(m)為分幀后第n幀音頻信號序列；ω(m)為窗函數(shù)；n和m分別表示幀數(shù)和序號數(shù)。

式(1)采用卷積形式，窗函數(shù)選用旁瓣衰減較大、能夠反映短時信號頻率特性的漢明窗。漢明窗定義為：

(2)

式中：N為幀長。

2.2 提取有效聲音段

正常鉆進過程中的音頻信號主要為低頻空氣壓縮機噪聲，視為背景噪音。當(dāng)有大顆粒巖屑出現(xiàn)時，其在排砂管中的運移過程產(chǎn)生有效音頻信號，需根據(jù)有效音頻信號與背景噪聲的分界點對有效信號進行提取。采用短時能量雙門限法進行端點檢測[10]以提取音頻段，音頻信號的短時能量En的計算公式為：

(3)

利用一段音頻信號和它的短時能量解釋端點檢測過程，如圖3所示。圖3中的連續(xù)音頻信號包含2個有效聲音段，起止點在聲音波形圖中標(biāo)出，實線和虛線分別表示有效聲音段的起點和終點。

圖3 利用音頻信號短時能量進行端點檢測示意Fig.3 Sketch diagram of end point detection using short time energy of an audio signal

圖3中，TH為設(shè)定的高門限，TL為設(shè)定的低門限。統(tǒng)計多個巖屑撞擊音頻的短時能量，設(shè)q個音頻對應(yīng)的短時能量最大值分別為maxE1，maxE2，…，maxEq，若第n個音頻的最大短時能量值maxEn最小，即設(shè)定TH值為maxEn；TL取值應(yīng)大于正常工況下采集音頻的最大短時能量，且小于TH。

提取過程為：首先對預(yù)處理后的聲音信號進行逐幀判斷，當(dāng)某幀能量高于TH時記為標(biāo)示幀，并朝前、后方向進行逐幀檢索，以尋找聲音邊界。當(dāng)檢索到幀能量小于TL時，即認為對應(yīng)幀為有效聲音段的邊界點。

2.3 有效聲音段特征參數(shù)的獲取

為構(gòu)建不同粒徑大小巖屑在排砂管內(nèi)運移發(fā)聲模型并進行分類識別，需獲取表征聲音特征的參數(shù)。根據(jù)巖屑運移音頻信號的特點，選用梅爾尺度倒譜系數(shù)(mel frequency cepstrum coefficient，MFCC)[11]作為特征參數(shù)。

由文獻[12]可知，在表征聲音的特性時，短時能量反映聲音幅度的變化，短時過零率為一幀信號中采樣數(shù)值符號改變的次數(shù)，可反映聲音的頻譜特性，對不同聲音具有良好的區(qū)分度。因此，筆者提出了一種改進的MFCC參數(shù)，在原12維MFCC參數(shù)的基礎(chǔ)上增加短時能量和短時過零率2個參數(shù)，構(gòu)成新的特征參數(shù)，命名為MFCC_EZ參數(shù)。短時過零率計算公式為：

3 不同粒徑巖屑的識別

3.1 消除干擾噪音

氣體鉆井現(xiàn)場排砂管線長度往往超過50 m，且排砂管管壁一般為鐵質(zhì)材料，容易受到現(xiàn)場話語聲、汽車鳴笛聲和金屬撞擊聲等噪音的干擾，需采取措施消除干擾噪音。近年來，廣泛應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法進行聲音分類[13]，筆者以雙探7井現(xiàn)場采集到的排砂管內(nèi)巖屑運移聲、話語聲、汽車鳴笛聲和金屬撞擊聲作為實驗樣本，簡述BP神經(jīng)網(wǎng)絡(luò)消除干擾噪聲的一般過程，并驗證其分類效果。

首先對采集的聲音樣本進行預(yù)處理，提取MFCC_EZ參數(shù)，然后進行參數(shù)歸一化處理：

(5)

式中：xk為參數(shù)序列；yk為歸一化處理后的參數(shù)序列；xmin為參數(shù)序列中最小的數(shù)值；xmax為參數(shù)序列中最大的數(shù)值；k為參數(shù)的序號。

根據(jù)音頻類別和參數(shù)結(jié)構(gòu)，BP神經(jīng)網(wǎng)絡(luò)模型為14-15-4。取幀長256、幀移128，4類音頻分別提取3 000幀，提取MFCC_EZ參數(shù)，其中2 000幀參數(shù)用于訓(xùn)練網(wǎng)絡(luò)，1 000幀輸入上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，進行判斷分類。根據(jù)分類結(jié)果計算，四類音頻的總體分類正確率為96.8%。

3.2 巖屑粒徑識別

3.2.1不同粒徑巖屑運移發(fā)聲特征分析

在穴蝕效應(yīng)和高速碰撞的共同作用下，氣體鉆井返出巖屑多呈懸浮粉末狀[14-16]，若井下發(fā)生井壁垮塌等異常情況，往往會有大顆粒巖屑返出。經(jīng)過BP神經(jīng)網(wǎng)絡(luò)分類，確定被測音頻信號為巖屑運移發(fā)聲有效音頻信號，即可作為判斷巖屑大小的測試樣本。根據(jù)巖屑顆粒的懸浮條件、躍移起動條件和滾動起動條件[17]，計算排砂管內(nèi)滾動顆粒直徑的典型值dg、躍移顆粒直徑的典型值dy和懸浮顆粒直徑的典型值dx，其計算公式為：

(6)

(7)

(8)

式中：dgh，dyh和dxh分別為氣體鉆井正常鉆進注氣量的情況下滾動顆粒、躍移顆粒和懸浮顆粒直徑的上限值，mm；λg，λy和λx分別為滾動顆粒、躍移顆粒和懸浮顆粒直徑的修正系數(shù)。

在地質(zhì)條件基本相同的前提下，也可以將前一開次鉆探返出的巖屑作為參考依據(jù)，選擇典型粒徑的顆粒作為巖屑樣本。雙探7井一開返出巖屑最大粒徑為9.0 mm，結(jié)合現(xiàn)場經(jīng)驗，在二開氣體鉆井施工前，選擇粒徑為7.5±0.5，5.0±0.5和2.5±0.5 mm的3種巖屑進行測試。

測試過程中保持正常鉆進的注氣量，從排砂管的巖樣注入口依次投入3種巖屑，得到典型音頻信號原始波形及其短時能量波形(見圖4)。

圖4 3種典型粒徑巖屑運移音頻信號波形對比Fig.4 Wave form comparison of the audio signal of cuttings transportation with 3 typical grain sizes

從圖4可以看出：較小粒徑巖屑顆粒激發(fā)的音頻信號波形只出現(xiàn)一次較高幅度的波動，可視為顆粒撞擊形成；中間粒徑巖屑顆粒激發(fā)的音頻信號波形出現(xiàn)2～3次大幅波動，可視為顆粒跳躍運移形成；較大粒徑巖屑顆粒激發(fā)的音頻信號波形出現(xiàn)大幅波動的頻率大幅增加，且相鄰波動的時間間隔越來越小，可視為巖屑由跳躍運移逐漸變?yōu)闈L動運移。很明顯，3種典型粒徑巖屑在排砂管內(nèi)運移激發(fā)的音頻信號具有很好的區(qū)分度。

3.2.2 動態(tài)彎折算法進行粒徑分類識別

根據(jù)不同粒徑巖屑在排砂管內(nèi)運移形成的不同音頻信號特征，對其大小進行識別，識別對象是有效音頻信號對應(yīng)的MFCC_EZ參數(shù)。鑒于碰撞音頻信號長度的不確定性，適合采用動態(tài)時間彎折(dynamic time warping， DTW)算法進行識別[18]。

DTW算法是運用動態(tài)規(guī)劃的思想，利用局部最優(yōu)的方法尋找一條路徑，該算法對模板樣本和待測樣本的長度沒有要求。長度M幀的第R號音頻樣本與長度N幀的第T號樣本之間的DTW距離DDTW為:

(9)

(10)

式中：m和n分別為第R號和第T號音頻樣本的幀編號；K和k分別為參數(shù)總維度和維度編號；ri(k)和ti(k)分別為R號樣本和T號樣本的參數(shù)；φ為從(1，1)到(N，M)、斜率范圍為1/2～2的路徑；i為路徑節(jié)點編號；D為歐式距離。

建立3類典型粒徑巖屑運移音頻信號的MFCC_EZ參數(shù)模板庫，使用DTW算法計算待測樣本與每個模板樣本之間的最佳路徑，距離最小的路徑所對應(yīng)的聲音類別即為識別結(jié)果。

筆者采集了每類粒徑巖屑的20個音頻信號作為模板，然后在雙探7井進行了現(xiàn)場音頻信號采集試驗。試驗過程中采集了多個音頻信號，從每類信號中隨機選擇40個作為測試樣本，識別其粒徑大小，識別結(jié)果見圖5，綜合識別率達85.0%。試驗結(jié)果表明，該方法具有良好的分類效果。

圖5 DTW算法的巖屑粒徑識別結(jié)果Fig.5 Identification results of cuttings size based on DTW

4 巖屑流量監(jiān)測

根據(jù)監(jiān)測結(jié)果，計算單位時間內(nèi)通過的大顆粒巖屑體積為：

(11)

式中：V為單位時間內(nèi)監(jiān)測的巖屑顆粒體積，mm3;p為單位時間內(nèi)監(jiān)測到的巖屑顆粒數(shù);Di為識別到的第i個巖屑的粒徑,mm。

鉆進過程中，首先根據(jù)司鉆、錄井實時提供的監(jiān)測參數(shù)確定正常鉆進狀態(tài)，然后用式(11)統(tǒng)計該狀態(tài)下若干個單位時間內(nèi)返出大顆粒巖屑的總體積Vzn，取體積平均值Vzb作為鉆進過程中大顆粒巖屑返出量的標(biāo)準值，并根據(jù)現(xiàn)場地質(zhì)資料情況設(shè)定正常的波動范圍ΔVz，如果鉆進過程中單位時間內(nèi)返出大顆粒巖屑的總體積超出正常鉆進的波動范圍，即V>Vzb+ΔVz，判斷井內(nèi)氣體攜巖狀態(tài)不正常，已出現(xiàn)掉塊、井塌、出砂、砂橋崩潰等異常狀況；反之，則視為正常鉆進。

筆者先在實驗室開展了驗證性試驗，通過模擬巖屑返出和運移條件，實時采集了巖屑運移音頻信號，并準確識別出了巖屑的大?。蝗缓笤陔p探7井二開氣體鉆井過程中開展了現(xiàn)場試驗，音頻信號監(jiān)測到的多為粒徑2.5 mm的巖屑顆粒，偶有5.0 mm及以上粒徑的顆粒，但未連續(xù)出現(xiàn)。試驗過程中監(jiān)測到的巖屑流量均勻，未發(fā)生異常狀況，與實際鉆井工況一致。

5 結(jié) 論

1) 基于音頻信號的氣體鉆井返出巖屑量監(jiān)測方法將巖屑顆粒運動狀態(tài)分析法與音頻信號智能識別技術(shù)相結(jié)合，通過監(jiān)測返出大顆粒巖屑的流量變化，可以快速識別和預(yù)警井壁垮塌、掉塊和井下巖爆等工況，確保氣體鉆井施工的安全。

2) 試驗結(jié)果表明，基于音頻信號的氣體鉆井返出巖屑量監(jiān)測方法，能夠較為準確地識別出返出巖屑的粒徑及流量變化，有效判斷井下工況。

3) 目前的研究只選用了3類巖屑樣本，且是在較為理想的條件下開展的研究，與實際鉆井環(huán)境存在一定的差距，需進一步細化巖屑樣本的分類，充分考慮復(fù)雜工況對計算巖屑量的影響，進一步提高該方法的測量精度和適應(yīng)性。

References

[1] 馮林，母亞軍，楊代明，等.馬深1井二開大井眼優(yōu)快鉆井技術(shù)[J].石油鉆采工藝，2016，38(5)：577-582. FENG Lin，MU Yajun，YANG Daiming，et al.Big hole of second section of Well Mashen-1 optimized drilling technology[J].Oil Drilling & Production Technology，2016，38(5)：577-582.

[2] 鄧柯.國內(nèi)氣體鉆井技術(shù)發(fā)展現(xiàn)狀與應(yīng)用前景淺析[J].鉆采工藝，2015，38(2)：20-22. DENG Ke.Development status and application prospect of gas drilling technologies in China[J].Drilling & Production Technology，2015，38(2)：20-22.

[3] 肖新磊.空氣鉆井技術(shù)在元壩地區(qū)的應(yīng)用[J].石油鉆探技術(shù)，2010，38(4)：35-37. XIAO Xinlei.Application of air drilling technique in Yuanba Area[J].Petroleum Drilling Techniques，2010，38(4)：35-37.

[4] 石建剛，楊虎，周鵬高，等.火燒山北部石炭系推覆體氣體鉆井技術(shù)[J].石油鉆探技術(shù)，2014，42(1)：114-118. SHI Jiangang，YANG Hu，ZHOU Penggao，et al.Gas drilling technology for Carboniferous Nappe in Northern Huoshaoshan[J].Petroleum Drilling Techniques，2014，42(1)：114-118.

[5] 金衍，陳勉，盧運虎，等.一種氣體鉆井井壁穩(wěn)定性分析的簡易方法[J].石油鉆采工藝，2009，31(6)：48-52. JIN Yan，CHEN Mian，LU Yunhu，et al.A simple means for gas drilling wellbore stability analysis[J].Oil Drilling & Production Technology，2009，31(6)：48-52.

[6] 劉金龍，李永杰，王延民，等.氣體鉆井返出氣體檢測方法研究[J].斷塊油氣田，2013，20(1)：6-9. LIU Jinlong，LI Yongjie，WANG Yanmin，et al.Study on return gas detection methods for gas drilling[J].Fault-Block Oil & Gas Field，2013，20(1)：6-9.

[7] 尹國慶，梁藝葦，琚巖，等.石油鉆井中影響井壁穩(wěn)定性因素分析[J].長春工程學(xué)院學(xué)報(自然科學(xué)版)，2016，17(3)：89-93. YIN Guoqing，LIANG Yiwei，JU Yan，et al.The affecting factors analysis of borehole wall stability in petroleum drilling[J].Journal of Changchun Institute of Technology(Natural Science Edition)，2016，17(3)：89-93.

[8] 馬曉偉，竇金永，董玉輝，等.氣體鉆井返出巖屑監(jiān)測方法研究[J].西部探礦工程，2011，23(6)：83-84. MA Xiaowei，DOU Jinyong，DONG Yuhui，et al.Research on return cuttings monitor method for gasdrilling[J].West-China Exploration Engineering，2011，23(6)：83-84.

[9] 伍宗富，蔡明山，陳日新.基于短時處理的異常聲音辨識系統(tǒng)研制[J].中國農(nóng)機化，2011，32(2)：125-128. WU Zongfu，CAI Mingshan，CHEN Rixin.Research and realization of abnormal noise recognition system based on short-term treatment[J].Chinese Agricultural Mechanization，2011，32(2)：125-128.

[10] 劉華平，李昕，徐柏齡，等.語音信號端點檢測方法綜述及展望[J].計算機應(yīng)用研究，2008，25(8)：2278-2283. LIU Huaping，LI Xin，XU Boling，et al.Summary and survey of endpoint detection algorithm for speech signals[J].Application Research of Computers，2008，25(8)：2278-2283.

[11] 呂霄云，王宏霞.基于MFCC和短時能量混合的異常聲音識別算法[J].計算機應(yīng)用，2010，30(3)：796-798. LYU Xiaoyun，WANG Hongxia.Abnormal audio recognition algorithm based on MFCC and short-term energy[J].Journal of Computer Applications，2010，30(3)：796-798.

[12] 劉波霞，陳建峰.基于特征分析的環(huán)境聲音事件識別算法[J].計算機工程，2011，37(22)：261-263. LIU Boxia，CHEN Jianfeng.Environment acoustic event recognition algorithm based on feature analysis[J].Computer Engineering，2011，37(22)：261-263.

[13] 郭敏，梅亞敏.基于碰撞聲信號的玉米顆粒識別與分類[J].陜西師范大學(xué)學(xué)報(自然科學(xué)版)，2012，40(5)：31-34. GUO Min，MEI Yamin.The identification and classification of corn kernels based on impact acoustic signal[J].Journal of Shaanxi Normal University (Natural Science Edition)，2012，40(5)：31-34.

[14] 郭建華，李黔，王錦，等.氣體鉆井巖屑運移機理研究[J].天然氣工業(yè)，2006，26(6)：66-67. GUO Jianhua，LI Qian，WANG Jin，et al.Study on cuttings migration mechanism during gas drilling[J].Natural Gas Industry，2006，26(6)：66-67.

[15] 柳貢慧，宋廷遠，李軍.氣體鉆水平井氣體攜巖能力分析[J].石油鉆探技術(shù)，2009，37(5)：26-29. LIU Gonghui，SONG Tingyuan，LI Jun.Analysis of cuttings transportation during drilling gas horizontal wells[J].Petroleum Drilling Techniques，2009，37(5)：26-29.

[16] 唐佳彤.氣體鉆井最小氣體體積流量計算新方法[J].石油鉆探技術(shù)，2015，43(4)：73-77. TANG Jiatong.A new calculation method of minimum gas volume flow rate for gas drilling[J].Petroleum Drilling Techniques，2015，43(4)：73-77.

[17] 魏納，孟英峰，李皋，等.欠平衡鉆水平井巖屑運移可視化實驗[J].天然氣工業(yè)，2014，34(1)：80-85. WEI Na，MENG Yingfeng，LI Gao，et al.A visualization experiment of cuttings transport in underbalanced horizontal wells[J].Natural Gas Industry，2014，34(1)：80-85.

[18] 劉敬偉，徐美芝，鄭忠國，等.基于DTW的語音識別和說話人識別的特征選擇[J].模式識別與人工智能，2005，18(1)：50-54. LIU Jingwei，XU Meizhi，ZHENG Zhongguo，et al.DTW-based feature selection for speech recognition and speakerrecognition[J].Pattern Recognition & Artificial Intelligence，2005，18(1)：50-54.

[編輯 滕春鳴]

The Returned Cuttings Monitoring Method for Gas Drilling Based on Audio Signals

XIA Wenhe1,PAN Shuo1,MENG Yingfeng2,LI Yongjie2

(1.SchoolofElectronicsandInformationEngineering,SouthwestPetroleumUniversity,Chengdu,Sichuan，610500,China;2.CollegeofPetroleumEngineering,SouthwestPetroleumUniversity,Chengdu,Sichuan，610500,China)

To find the best way to monitor the process of well drilling (e.g.wellbore collapse and bottom hole rock burst),the method of returned cuttings monitoring in gas drilling based on audio signals was studied.In this method,an audio acquisition system is used to collect the audio signals generated from the migration of the returned cuttings in the clearance pipe.The starting and ending points of sound segments are determined and correlatedto the short-time energy by which their characteristic parameters can be calculated.After a sound characteristic parameter database is created,interference sound is eliminated through a neural network algorithm.Then,the acoustic characteristics of cuttings with different size in the clearance pipe are analyzed.The cuttings sizes can be differentiated by using the dynamic time warping after which the flow rate of cuttings then is calculated.Accordingly,the carrying status of the cuttings and downhole working condition of gas drilling can be primarily determined.This method was tested on site in Well Shuangtan 7 and results demonstrated that the classification success rate of interference sounds reached 96.8% and the identification rate of cuttings size reached 85%.Results also indicate that this method of monitoring the amount of returned cuttings in gas drilling based on the audio signal can also be used to monitor the variation trend of cuttings flow rate and effectively determine downhole working conditions and thus reduce risk in drilling gas wells.

gas drilling;cutting flow rate;audio signal;neural network

2017-01-06；改回日期：2017-05-02。

夏文鶴(1978—)，男，四川成都人，2001年畢業(yè)于重慶大學(xué)自動化專業(yè)，2007年獲電子科技大學(xué)測試計量技術(shù)及儀器專業(yè)碩士學(xué)位，油氣井測量與控制專業(yè)在讀博士研究生，主要從事油氣測量與控制方向的研究工作。E-mail：welhood@163.com。

國家科技重大專項“復(fù)雜地層鉆井提速提效關(guān)鍵工具與裝備研發(fā)”(編號：2016ZX05021-003-003HZ)部分研究內(nèi)容。

10.11911/syztjs.201703021

TE242

A

1001-0890(2017)03-0121-06