周 楊， 周 峰， 張 華

(1油氣田應(yīng)用化學(xué)四川省重點(diǎn)實(shí)驗(yàn)室 2川慶鉆探工程有限公司鉆采工程技術(shù)研究院 3西南油氣田分公司蜀南氣礦)

油基鉆井液具有抑制性強(qiáng)、潤(rùn)滑防卡、井壁穩(wěn)定、抗污染能力強(qiáng)以及保護(hù)儲(chǔ)層等諸多優(yōu)點(diǎn)，已成為鉆探高難度井和非常規(guī)油氣資源的重要手段[1-2]。油基鉆井液體系CQ-WOM是中石油川慶鉆采院為頁巖氣開發(fā)所研發(fā)的一套油基鉆井液體系[3]。

流變性是鉆井液最重要的性能參數(shù)之一，直接影響鉆井液體系的應(yīng)用效果。在實(shí)際應(yīng)用過程中，井下高溫高壓的條件會(huì)對(duì)其流變性產(chǎn)生顯著影響。而井場(chǎng)條件有限，無法簡(jiǎn)便快捷地測(cè)定油基鉆井液的高溫高壓流變性，因此通過實(shí)驗(yàn)數(shù)據(jù)建立預(yù)測(cè)模型是獲得現(xiàn)場(chǎng)油基鉆井液高溫高壓下流變數(shù)據(jù)的有效方法。

本文以油基鉆井液體系CQ-WOM的高溫高壓流變性研究對(duì)象，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)方法，分析不同密度下，溫度和壓力對(duì)油基鉆井液體系CQ-WOM的流變性影響，并通過神經(jīng)網(wǎng)絡(luò)集成的方法，提高了預(yù)測(cè)精度。

一、油基鉆井液體系高溫高壓流變性研究

為了研究不同密度下，溫度和壓力對(duì)油基鉆井液體系CQ-WOM的流變性影響，本文通過實(shí)驗(yàn)，測(cè)定了不同密度、溫度和壓力條件下油基鉆井液體系的塑性黏度、動(dòng)切力與Φ3讀值，并以這些實(shí)驗(yàn)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的訓(xùn)練和檢驗(yàn)樣本。實(shí)驗(yàn)數(shù)據(jù)共45組，隨機(jī)選取35組數(shù)據(jù)作為訓(xùn)練樣本，剩余的10組數(shù)據(jù)作為檢驗(yàn)樣本。表1是訓(xùn)練樣本的相關(guān)信息，表2是檢驗(yàn)樣本的相關(guān)信息。

表1 訓(xùn)練樣本信息

表2 檢驗(yàn)樣本信息

二、人工神經(jīng)網(wǎng)絡(luò)

1. 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種對(duì)人腦神經(jīng)元網(wǎng)絡(luò)的抽象結(jié)構(gòu)，由大量處理單元組成的非線性自適應(yīng)動(dòng)態(tài)系統(tǒng)[4]。BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是典型的多層前饋網(wǎng)絡(luò)，是應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)[5]。本文采用BP神經(jīng)網(wǎng)絡(luò)對(duì)油基鉆井液體系CQ-WOM的流變性進(jìn)行預(yù)測(cè)。

由于三層神經(jīng)網(wǎng)絡(luò)具有逼近任意非線性函數(shù)的能力[6]，因此，本文的神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)，圖1為模型的結(jié)構(gòu)圖。

圖1 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

其中，輸入層的節(jié)點(diǎn)為3個(gè)，所代表的物理量為密度、溫度和壓力。輸出層的節(jié)點(diǎn)數(shù)為3個(gè)，所代表的物理量為油基鉆井液體系的Φ3讀值、塑性黏度和動(dòng)切力。隱含層節(jié)點(diǎn)數(shù)根據(jù)Kolmogorov定理[7]確定為7個(gè)，其公式為：

M=2×N+1

(1)

式中：M—隱含層節(jié)點(diǎn)數(shù)；N—輸入層節(jié)點(diǎn)數(shù)。

2. 神經(jīng)網(wǎng)絡(luò)集成

本文采用了神經(jīng)網(wǎng)絡(luò)集成，以提高神經(jīng)網(wǎng)絡(luò)的泛化能力。泛化能力是指機(jī)器算法對(duì)同一規(guī)律學(xué)習(xí)集以外的數(shù)據(jù)，在經(jīng)過訓(xùn)練后，能給出合理的輸出。神經(jīng)網(wǎng)絡(luò)集成是指將神經(jīng)網(wǎng)絡(luò)的子網(wǎng)輸出進(jìn)行綜合，這些子網(wǎng)的訓(xùn)練結(jié)構(gòu)相同，但初始權(quán)值不同，最終將子網(wǎng)輸出作為整個(gè)系統(tǒng)的輸出。神經(jīng)網(wǎng)絡(luò)集成可以運(yùn)用整個(gè)系統(tǒng)的泛化能，明顯優(yōu)于單個(gè)BP子網(wǎng)。該神經(jīng)網(wǎng)絡(luò)集成由5個(gè)子網(wǎng)構(gòu)成，將5個(gè)子網(wǎng)訓(xùn)練完成后，分別將檢驗(yàn)樣本輸入各個(gè)子網(wǎng)，得到相應(yīng)的檢驗(yàn)樣本輸出Tn(n=1, 2, …, 5)，再對(duì)這5個(gè)子網(wǎng)的輸出進(jìn)行平均，得到整個(gè)集成系統(tǒng)的輸1出T′。T′的計(jì)算如式(2)：

(2)

3.神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

根據(jù)神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)，本文選取10組數(shù)據(jù)作為檢驗(yàn)樣本。表3為單一神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果和網(wǎng)絡(luò)集成模型的預(yù)測(cè)結(jié)果比較。由表3可知，由于人工神經(jīng)網(wǎng)絡(luò)是非線性的映射，因此預(yù)測(cè)結(jié)果比較準(zhǔn)確。通過神經(jīng)網(wǎng)絡(luò)集成系統(tǒng)中各個(gè)子網(wǎng)與集成系統(tǒng)的預(yù)測(cè)結(jié)果比較可以看出，神經(jīng)網(wǎng)絡(luò)集成的預(yù)測(cè)精度優(yōu)于任何一個(gè)子網(wǎng)，預(yù)測(cè)精度大幅度提高。這說明，神經(jīng)網(wǎng)絡(luò)集成可以提高神經(jīng)網(wǎng)絡(luò)模型的泛化能力。圖2是Φ3讀值、塑性黏度與動(dòng)切力模型預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的對(duì)比。

表3 各模型預(yù)測(cè)結(jié)果比較

圖2 流變參數(shù)模型結(jié)果與實(shí)驗(yàn)結(jié)果對(duì)比

三、結(jié)論

(1)文中采用了神經(jīng)網(wǎng)絡(luò)模型對(duì)油基鉆井液體系CQ-WOM不同密度和高溫高壓條件下的Φ3讀值、塑性黏度以及動(dòng)切力三個(gè)流變性參數(shù)進(jìn)行預(yù)測(cè)。檢驗(yàn)樣本對(duì)單一神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)的非線性映射能力能將單一神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)平均誤差控制在15%以內(nèi)，最大誤差小于45%，預(yù)測(cè)結(jié)果相對(duì)準(zhǔn)確。

(2)人工神經(jīng)網(wǎng)絡(luò)初始權(quán)值隨機(jī)，且本身易陷入局部極小，由文章可知單一神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度不夠準(zhǔn)確，但通過神經(jīng)網(wǎng)絡(luò)集成，可以提高神經(jīng)網(wǎng)絡(luò)的泛化能力。檢驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)集成的預(yù)測(cè)精度大幅提高，預(yù)測(cè)平均誤差小于10%，最大誤差小于25%。說明神經(jīng)網(wǎng)絡(luò)集成可以有效地提高神經(jīng)網(wǎng)絡(luò)的泛化能力和預(yù)測(cè)精度，從而實(shí)現(xiàn)油基鉆井液體系CQ-WOM高溫高壓流變性的精確、快速預(yù)測(cè)。

[1]陳海力，王琳，周峰，等.四川盆地威遠(yuǎn)地區(qū)頁巖氣水平井優(yōu)快鉆井技術(shù)[J].天然氣工業(yè)，2014,32(12):100-104.

[2]邱正松，高紅松.頁巖氣鉆探開發(fā)技術(shù)研究進(jìn)展[J].西部探礦工程，2012(6):66-69.

[3]陶懷志，吳正良.國(guó)產(chǎn)油基鉆井液CQ-WOM首次在頁巖氣威遠(yuǎn)H3-1井試驗(yàn)[J].鉆采工藝，2014,37(5):87-90.

[4]Vapnikv. The Nature of Statistical Learning Theory[M]. New York: Springer Verlag, 2000.

[5]Xiu P, Xiu S J. Application of BP neural network and self-organizing competitive neural network to fault diagnosis of suck rod pumping system[J]. Acta Petrolei Sinica, 2006, 27(2):107-110.

[6]Dong C H. Matlab Neural Networks and Application[M]. Beijing: National Defense Industry Press,2005.

[7]Bishop C. Neural Networks for Pattern Recognition[M]. New York: Oxford University Press,1995.