孫 挺， 趙 穎， 楊 進， 殷啟帥， 汪文星， 陳 緣

（中國石油大學（北京）安全與海洋工程學院，北京 102249）

提高鉆井時效是降本增效的重要手段，但目前通常對鉆井時效進行事后人工分析，具有主觀性和滯后性。隨著機器學習和大數(shù)據(jù)技術的迅速發(fā)展，國內外很多學者開展了大數(shù)據(jù)和人工智能方法在石油工程中的應用研究，A. M. Alsalama 等人[1]提出了一個包含所需數(shù)據(jù)挖掘和分析工具的集成系統(tǒng)，大大縮短了傳統(tǒng)方法進行預警的時間；K. Balaji 等人[2]從基礎、理論和應用方面總結了數(shù)據(jù)驅動方法在石油天然氣工程中的發(fā)展；劉剛[3]建立了基于多源信息的SVM 自適應鉆井井下故障預警模型；袁野[4]提出了基于SVM 的井眼軌跡智能預測方法，建立了井眼的三維可視圖，可以有效地控制井眼軌跡；孫萬海[5]提出了一種基于PSO-SVM 的鉆井故障智能預警系統(tǒng)，提高了鉆井質量；王江萍等人[6]提出應用神經(jīng)網(wǎng)絡技術對井漏、井塌、井涌及井噴等井下故障進行診斷?？梢?，目前國內外主要是運用大數(shù)據(jù)和機器學習對鉆井故障進行預測及預防或研究相關理論問題，對工況識別的研究較少，且存在數(shù)據(jù)量小和缺乏現(xiàn)場實例驗證等問題。YIN Qishuai 等人[7]提出了一種基于程序的工況識別方法，很好地消除了人員對鉆井工況識別的影響，但該方法基于編程語言，沒有考慮前后數(shù)據(jù)之間的聯(lián)系和鉆井數(shù)據(jù)可能存在波動等問題。為此，筆者提出了一種普遍適用的純數(shù)據(jù)驅動方法，利用支持向量機（support vector machine，SVM）識別鉆井工況，減少不可見非生產(chǎn)時間，提高鉆井作業(yè)效率；采用訓練-測試的方式，訓練數(shù)據(jù)為綜合錄井提供的實時數(shù)據(jù)，解決了傳統(tǒng)方法對人員依賴大的缺點；在鉆井工況識別中應用機器學習與數(shù)據(jù)驅動方法，同時允許數(shù)據(jù)存在一定的波動，克服了編程語言識別帶來的問題。

1 支持向量機模型

支持向量機是一種監(jiān)督式學習模型，可以用于模式識別、分類和回歸問題的分析。該模型是基于統(tǒng)計學習理論和結構風險最小化原則建立的，主要思想是建立一個線性分離超平面，將非線性輸入映射到高維特征空間中，使正例和反例之間的隔離邊緣被最大化[8-15]。支持向量機的原理如圖1 所示。圖1 中，x1和x2代表輸入?yún)?shù)特征，w 為核函數(shù)，b 為偏置，l2代表數(shù)據(jù)分類的最佳方案。模型的輸入為鉆頭位置、大鉤載荷、機械鉆速、鉆壓、大鉤載荷、轉速、扭矩、出口排量和立管壓力等9 種參數(shù)，輸出包括倒劃眼、接立柱、下套管、下鉆及旋轉鉆進5 種正常工況和鉆塞等復雜工況。根據(jù)9 種輸入?yún)?shù)的特征，采用SVM 將它們分為6 種輸出結果。

圖 1 支持向量機原理示意Fig. 1 Principle schematic diagram of support vector machine

針對非線性分類問題，B. E. Boser 等人[16]提出了將核技巧應用于最大邊界超平面，從而創(chuàng)建非線性分類器的方法。經(jīng)過不斷發(fā)展，應用于SVM 的核函數(shù)主要包括以下幾種類型[17]。

線性核函數(shù)：

多項式核函數(shù)：

徑向基核函數(shù)：

兩層感知器核函數(shù)：

式中： xi,xj為空間中的2 個向量；k 為核函數(shù)；d,γ,κ,c為系數(shù)。

通過核函數(shù)處理，將非線性問題轉化為線性問題，如圖2 所示。

筆者在研究中，利用SVM 進行6 個鉆井工況的識別，識別結構如圖3 所示。收集現(xiàn)場22 種鉆井工況的錄井數(shù)據(jù)，選擇具有代表性的倒劃眼、接立柱、下套管、下鉆及旋轉鉆進等5 種正常工況和鉆塞等復雜工況共6 種工況進行分析。結合研究中數(shù)據(jù)的使用情況，選取的參數(shù)包括鉆頭位置、大鉤載荷、機械鉆速、鉆壓、大鉤高度、轉速、扭矩、出口排量和立管壓力。

圖 2 核函數(shù)作用示意Fig.2 Functional schematic diagram of the kernel function

圖 3 支持向量機的識別結構示意Fig. 3 Recognition structure of support vector machine

2 工況識別模型優(yōu)化

為了提高工況識別的準確率，首先對數(shù)據(jù)進行[0，1]歸一化處理，然后優(yōu)選SVM 核函數(shù)類型，并進行交叉驗證，優(yōu)化模型。

2.1 核函數(shù)優(yōu)選

應用SVM 時，關鍵是選擇核函數(shù)，不同的核函數(shù)適用于不同的問題，對準確率有很大的影響。采用不同的核函數(shù)，對不同工況進行歸一化處理，輸出的結果如圖4—圖7 所示。

4 種核函數(shù)的識別準確率和計算時間的對比情況見表1。

圖 4 線性核函數(shù)的識別結果Fig. 4 Identification results of linear kernel function

圖 5 多項式核函數(shù)的識別結果Fig. 5 Identification results of polynomial kernel function

圖 6 徑向基核函數(shù)的識別結果Fig. 6 Identification results of radial basis kernel functions

圖 7 兩層感知器核函數(shù)的識別結果Fig. 7 Identification results of kernel functions by two-layer perceptron

由表1 可知，兩層感知器核函數(shù)的識別準確率最低，且耗費時間最長；徑向基核函數(shù)的識別準確率較高。

2.2 模型參數(shù)優(yōu)選

利用SVM 進行鉆井工況識別時，得到的模型需要具有高的準確率和魯棒性，采用交叉驗證的方法，將原始數(shù)據(jù)分成K 組，隨機選取一組子集做驗證集，其余K-1 組子集做訓練集，得到K 個模型，最后選擇準確率最高模型的性能指標[16]作為最終SVM的參數(shù)。

表 1 不同核函數(shù)計算結果對比Table 1 Comparisons of calculation results with different kernel functions

通過交叉驗證可以選出最佳的懲罰函數(shù)c 和核函數(shù)參數(shù)g，交叉驗證的結果如圖8 所示（圖8 中，不同等高線表示c 和g 不同取值對應的準確率）。

圖 8 交叉驗證結果Fig. 8 Cross validation results

由圖8 可知，時，準確率可達到97%以上，此時選取c 最小的那組數(shù)據(jù)（這是因為，c 值過高會出現(xiàn)過學習現(xiàn)象，即訓練集的準確率滿足一定的要求，但測試集準確率很低），即c=0.353 6，g=1.534 0（見圖8 中點A）。準確識別鉆井工況后，就可以對鉆井作業(yè)進行事后分析，識別不可見非生產(chǎn)時間，提高鉆井效率，從而提高鉆井的安全性和經(jīng)濟性。

3 模型準確性驗證

選取4 口井進行模型驗證，以其中2 口井的錄井數(shù)據(jù)為訓練集，其他2 口井的錄井數(shù)據(jù)為測試集，訓練集和測試集SVM 的識別結果如圖9 所示。從圖9 可以看出，訓練集的識別準確率高于測試集，測試集中接立柱和旋轉鉆進的識別準確率最高，達到了97%，工況識別準確率總體達到95%以上，說明該方法在新樣本中有很好的泛化性。

圖 9 最終的工況識別結果Fig. 9 Final identification results of working condition

4 鉆井時效分析與應用

海上導管架平臺因作業(yè)空間受限，通常在一個導管架平臺上布置數(shù)十口井，這種井槽集中在一個區(qū)域的布井方式，形成了“批鉆（一次性完成同一開次鉆井作業(yè)）”作業(yè)模式。由于這些井的地層情況、鉆井設計方案、鉆井設備、施工隊伍相似，所以在“批鉆”模式下，同一井段的時效具有可比性。因此，采用基于支持向量機的鉆井工況實時智能識別方法，進行工況識別、時效分析和時效輔助決策，實現(xiàn)提質增效。以南海某平臺批鉆作業(yè)為例，首先對一口井的三開錄井數(shù)據(jù)進行學習，訓練得到工況識別模型；然后根據(jù)其余14 口已鉆井的三開錄井數(shù)據(jù)識別接立柱工況和分析鉆井時效，從而指導待鉆井的施工，提高接立柱的效率。具體應用步驟如下：

1）工況識別。利用B1 井的三開錄井數(shù)據(jù)，訓練得到最優(yōu)模型，然后使用該模型對其余14 口已鉆井的三開工況進行識別，并統(tǒng)計接立柱作業(yè)時間。

2）時效分析。為了得到三開中接立柱的平均時間，統(tǒng)計了前15 口已鉆井的三開接立柱時間（見圖10）。由圖10 可知，10%的接立柱作業(yè)可在1.3 min 內完成，50%的接立柱作業(yè)可在2.1 min 內完成，90%的接立柱作業(yè)可在4.9 min 內完成，接立柱作業(yè)的平均完成時間為2.5 min。

3）輔助決策。按照三開接立柱順序分為4 個階段，第1 階段為第1—12 根立柱，第2 階段為第13—24 根立柱，第3 階段為第25—36 根立柱，第4 階段為第37 至最后所有的立柱，前15 口井三開4 個階段的平均接立柱時間為2.5 min。

圖 10 接立柱做作業(yè)完成時間分布Fig. 10 Completion time distribution to pick up stands

將得到的模型應用到新井中，實時判斷得到第1—12 根立柱的平均作業(yè)時間為2.7 min，大于前15 口井的時間2.5 min，此時實時監(jiān)測中心向平臺發(fā)送“作業(yè)效率有待提高”的指令，指導下一階段（第13—24 根立柱）作業(yè)，并以此類推，完成全井段的時效分析，保證作業(yè)效率（見表2）。

表 2 不同層位接立柱時間統(tǒng)計Table 2 Time statistics for making up a stand of drill pip

4）現(xiàn)場施工應用。將該方法應用到6 口新鉆井的鉆井施工中（包含上面提到的新鉆井），各井三開接立柱作業(yè)的平均完成時間的變化如圖11 所示。由圖11 可以看出，每口新鉆井的平均接立柱時間穩(wěn)步下降，效率穩(wěn)步提高，實現(xiàn)了提質增效。

5 結 論

1）將機器學習的SVM 方法應用于石油工程的鉆井工況識別中，以提高鉆井效率。

2）提出一種純數(shù)據(jù)驅動的方法，并充分利用油田現(xiàn)場數(shù)據(jù)，減少了傳統(tǒng)方法對人員經(jīng)驗的依賴，提高了識別準確率，縮短了工況識別所需時間。

3）利用SVM 對6 種鉆井工況進行識別，通過優(yōu)選核函數(shù)類型、進行交叉驗證，逐步優(yōu)化智能識別模型，不斷提高模型識別的準確率，最終將識別準確率提高到了95%。

圖 11 接立柱作業(yè)平均完成時間的變化情況Fig. 11 Average completion time variation to pick up stands