王鈺豪 ,郝家勝 ,張 帆 ,魏 強(qiáng) ,彭知南 ,段慕白

(1.電子科技大學(xué)自動(dòng)化工程學(xué)院,四川成都 611731;2.川慶鉆探公司鉆采工程技術(shù)研究院,四川廣漢 618000)

1 引言

近年來,隨著勘探技術(shù)的快速發(fā)展,大量的油氣資源在深度高以及地質(zhì)情況復(fù)雜的區(qū)域被探測到.在這些區(qū)域的油井鉆井具有周期長、鉆井事故頻發(fā)的特點(diǎn),導(dǎo)致鉆井保持各項(xiàng)參數(shù)在安全范圍內(nèi)十分困難.溢流是最常見和高風(fēng)險(xiǎn)的鉆井事故.為了防止溢流發(fā)生,在鉆井過程中需要時(shí)刻保持井底壓力大于地層壓力,然而隨著鉆井深度增加,井下條件愈發(fā)復(fù)雜,壓力控制難度加大.當(dāng)井底壓力小于地層壓力時(shí),地層中的流體會沿著巖石間的空隙侵入鉆井液,融入鉆井液隨著環(huán)空上返,特別是氣體在上返的過程中會隨著壓力減小而膨脹,造成鉆井液返出量增大發(fā)生溢流,如果不及時(shí)加以控制,會惡化成井噴等重大安全事故,給人員和財(cái)產(chǎn)帶來極大的威脅.因此,如何盡早檢測溢流并及時(shí)通知現(xiàn)場人員采取相應(yīng)的處理措施,對有效降低和預(yù)防溢流風(fēng)險(xiǎn)十分關(guān)鍵.

目前大多數(shù)井場,對于溢流復(fù)雜普遍采取人工坐崗預(yù)警,要求鉆井人員時(shí)刻保持高度集中的注意力,綜合多種參數(shù)的趨勢給出當(dāng)前是否溢流的評估.但是該方法受限于坐崗人員的識別經(jīng)驗(yàn),主觀性極強(qiáng).然而,溢流往往反映在參數(shù)的連續(xù)和細(xì)微變化中,即使是經(jīng)驗(yàn)豐富的預(yù)警人員也很難準(zhǔn)確發(fā)覺,導(dǎo)致精準(zhǔn)度較低.因此實(shí)現(xiàn)高質(zhì)量、高效率、高安全的鉆井是未來石油行業(yè)發(fā)展的趨勢,人工坐崗預(yù)警智能化是其中較為關(guān)鍵的一環(huán),憑借鉆井作業(yè)數(shù)據(jù)構(gòu)造算法模型,提高鉆井過程溢流預(yù)警的準(zhǔn)確率,降低漏警、虛警率.

隨著機(jī)器學(xué)習(xí)、人工智能和大數(shù)據(jù)等新興科技的快速發(fā)展,利用高性能計(jì)算機(jī)的強(qiáng)大運(yùn)算能力,探索基于人工智能技術(shù)的井下復(fù)雜預(yù)警的方法是石油行業(yè)未來發(fā)展的必然趨勢.與人工坐崗監(jiān)測相比,計(jì)算機(jī)擁有更快的速度,更準(zhǔn)確嚴(yán)謹(jǐn)?shù)念A(yù)警結(jié)果,在不久的將來,鉆井工程師可以不用呆在井場,遠(yuǎn)程操控中心能夠得到所有的實(shí)時(shí)鉆井?dāng)?shù)據(jù),在極短的時(shí)間內(nèi)進(jìn)行綜合判斷,快速得出預(yù)警結(jié)果,幫助工程師迅速得出后續(xù)處理方案,對現(xiàn)場人員進(jìn)行正確的指導(dǎo),將鉆井過程中的風(fēng)險(xiǎn)降到最低,實(shí)現(xiàn)鉆井成本最小化,利益最大化.

近些年來,國內(nèi)外越來越多的科研人員,機(jī)構(gòu)開展了復(fù)雜井下預(yù)警安全算法的研究.文獻(xiàn)[1–3]分析特定鉆井字段的變化趨勢,通過實(shí)時(shí)計(jì)算的方法預(yù)警鉆井復(fù)雜,其中哈利伯頓公司[1–2]通過計(jì)算數(shù)據(jù)序列的斜率模擬預(yù)期變化,對實(shí)際值與預(yù)期值的差值積分計(jì)算溢流概率.文獻(xiàn)[4–6]對井下參數(shù)變化情況進(jìn)行仿真建模,模擬復(fù)雜發(fā)生時(shí)的參數(shù)特征變化給操作人員提供參考.文獻(xiàn)[7–8]將傳統(tǒng)的機(jī)器學(xué)習(xí)算法引入溢流預(yù)警,驗(yàn)證了貝葉斯[7]、決策樹[8]、KNN[8]等算法學(xué)習(xí)溢流相關(guān)參數(shù)之間非線性關(guān)系的可行性.文獻(xiàn)[9–12]將全連接網(wǎng)絡(luò)引入鉆井作業(yè),通過大量數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,提高了復(fù)雜預(yù)警的準(zhǔn)確率以及鉆井作業(yè)效率,表明了深度學(xué)習(xí)在鉆井領(lǐng)域的可行性.文獻(xiàn)[13–14]根據(jù)鉆井?dāng)?shù)據(jù)具有的序列特征引入長短期記憶網(wǎng)絡(luò),其中文獻(xiàn)[13]使用模擬生成的井涌數(shù)據(jù)集訓(xùn)練(long short-term memory,LSTM),網(wǎng)絡(luò)在測試集上的預(yù)警成功率較高,驗(yàn)證了LSTM處理鉆井序列數(shù)據(jù)的能力.

國內(nèi)機(jī)構(gòu)對溢流預(yù)警的研究起步稍晚,不過仍有相應(yīng)成果.文獻(xiàn)[15–16]對鉆井特征參數(shù)進(jìn)行監(jiān)控計(jì)算,通過數(shù)學(xué)邏輯判斷規(guī)則[15]以及設(shè)定閾值[16]對復(fù)雜進(jìn)行預(yù)警.文獻(xiàn)[17–18]研發(fā)的系統(tǒng)基于模糊數(shù)學(xué)理論,結(jié)合鉆井參數(shù)對溢流、井漏等復(fù)雜進(jìn)行推理.文獻(xiàn)[19–21]引入支持向量機(jī)[19–20]、隨機(jī)森林[20]對井下工況進(jìn)行自主識別[19]、溢漏復(fù)雜判斷[20–21],提高了鉆井作業(yè)的安全以及效率.文獻(xiàn)[22–23]引入深度學(xué)習(xí),分別應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)[22]、BP神經(jīng)網(wǎng)絡(luò)[23]實(shí)現(xiàn)了井下復(fù)雜的準(zhǔn)確預(yù)警.

從上述文獻(xiàn)調(diào)研結(jié)果來看,在鉆井領(lǐng)域通過引入動(dòng)力學(xué)建模、傳統(tǒng)機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等算法,實(shí)現(xiàn)對復(fù)雜的推演預(yù)警具有較高的可行性,給后續(xù)研究提供了一定參考.值得注意的是,現(xiàn)有的結(jié)果沒有考慮到一個(gè)現(xiàn)實(shí)情況,即往往石油鉆井過程中產(chǎn)生的溢流部分?jǐn)?shù)據(jù)量較正常段少,且每口油井之間的數(shù)據(jù)差異性大,仿真數(shù)據(jù)只能模擬固定模式下的規(guī)律,難以刻畫不同鉆井的特性,并且同時(shí)一口井不可能再次開采,因此如何實(shí)現(xiàn)基于已有的實(shí)鉆數(shù)據(jù)實(shí)現(xiàn)跨井檢測值得進(jìn)一步研究.

本文針對現(xiàn)有的方法存在的問題,利用川渝地區(qū)30余口已完鉆的油井?dāng)?shù)據(jù),提出了一種鉆井溢流風(fēng)險(xiǎn)自適應(yīng)LSTM預(yù)警方法,通過設(shè)計(jì)基于滑動(dòng)時(shí)間窗的數(shù)據(jù)擴(kuò)充技術(shù),解決溢流部分?jǐn)?shù)據(jù)偏少的問題;再者,通過計(jì)算一段時(shí)間內(nèi)數(shù)據(jù)平均值增量,實(shí)現(xiàn)不同井?dāng)?shù)據(jù)之間共性特征的自適應(yīng)提取以提高預(yù)警算法對不同鉆井的適應(yīng)性;最后,通過離線測試和現(xiàn)場早期溢流預(yù)警實(shí)驗(yàn),驗(yàn)證了所提出的溢流風(fēng)險(xiǎn)自適應(yīng)預(yù)警方法的有效性.

2 基于滑動(dòng)窗口的自適應(yīng)特征提取

不同油井之間的數(shù)據(jù)在絕對數(shù)值上差異性較大,因此算法在運(yùn)行時(shí)要具備針對不同場景的自適應(yīng)能力,可以屏蔽這種差異性,專注數(shù)據(jù)的趨勢.本文采取特定的處理方法對數(shù)據(jù)進(jìn)行自適應(yīng)特征提取,該方法不僅需要屏蔽不同井?dāng)?shù)據(jù)的差異性,還要對數(shù)據(jù)變化趨勢進(jìn)行量化提取.同時(shí)在整個(gè)鉆采過程中,溢流段的長度較短,為了對有限的數(shù)據(jù)集進(jìn)行更充分的利用,需要采用一定的數(shù)據(jù)擴(kuò)充手段,增大訓(xùn)練集容量.

2.1 自適應(yīng)增量特征提取

在發(fā)生氣侵或者溢流時(shí),相同的字段在不同油井情況下具體的數(shù)值是不等的,但是趨勢是類似的.因此為了屏蔽不同鉆井之間的差距,著重于趨勢本身,開發(fā)針對不同井的數(shù)據(jù)自適應(yīng)特征提取方法.

窗口長度為L的鉆井序列(即含有L個(gè)數(shù)據(jù)點(diǎn)),計(jì)算后L/2個(gè)數(shù)據(jù)點(diǎn)的平均值vα,以及前L/2個(gè)數(shù)據(jù)點(diǎn)的平均值vβ,兩個(gè)平均值相減得到相對變化量?v,具體計(jì)算見下式:

該方法可以有效的提取數(shù)據(jù)本身的趨勢,屏蔽不同井的差異性,平均值計(jì)算的引入規(guī)避了單個(gè)點(diǎn)帶來的不確定性,平緩了數(shù)據(jù)的抖動(dòng).

2.2 滑動(dòng)窗口樣本擴(kuò)充

深度學(xué)習(xí)模型是一種基于數(shù)據(jù)驅(qū)動(dòng)的方法,在數(shù)據(jù)量較少情況下難以保證模型的表現(xiàn)效果,溢流數(shù)據(jù)有限且持續(xù)時(shí)間較短,因此采用滑動(dòng)窗口的思想進(jìn)行擴(kuò)充.

對于一組連續(xù)的n條數(shù)據(jù),時(shí)間窗口長度為L,第1條數(shù)據(jù)到第L/2條數(shù)據(jù)使用式(1)計(jì)算得到vβ,第(L/2)+1到第L條數(shù)據(jù)使用式(2)計(jì)算得到vα,最后使用式(3)計(jì)算?v完成一次自適應(yīng)特征提取,隨即時(shí)間窗移動(dòng)一步,重復(fù)操作,直到時(shí)間窗走到最后一格.

該擴(kuò)充技術(shù)原理如圖1所示,該方法能夠在有限數(shù)據(jù)的情況下,獲取盡可能多的窗口序列.

圖1 滑動(dòng)窗口過程Fig.1 Process of sliding window

3 預(yù)警模型組成結(jié)構(gòu)

本節(jié)將給出預(yù)警模型組成,主要包括一維卷積,長短期記憶網(wǎng)絡(luò)以及全連接.

3.1 長短期記憶網(wǎng)絡(luò)

LSTM是對普通循環(huán)神經(jīng)網(wǎng)絡(luò)的增強(qiáng),普通循環(huán)神經(jīng)網(wǎng)絡(luò)經(jīng)常產(chǎn)生梯度消失或者梯度爆炸的問題,長短期記憶網(wǎng)絡(luò)通過更改單元內(nèi)部結(jié)構(gòu),能夠避免時(shí)間步過長產(chǎn)生的上述問題,理論上可以學(xué)習(xí)任意時(shí)間步長度的數(shù)據(jù),LSTM的詳細(xì)結(jié)構(gòu)如圖2所示.基于LSTM的算法可以實(shí)現(xiàn)語言翻譯、機(jī)器人操控、語音識別圖像識別、手寫文字辨識、疾病診斷分析、股票趨勢預(yù)測、音樂構(gòu)成等任務(wù).

圖2 LSTM結(jié)構(gòu)圖Fig.2 Structure of LSTM

LSTM中存在3個(gè)門,分別是遺忘門ft,決定上一時(shí)刻的單元狀態(tài)ct?1有多少保留到當(dāng)前單元狀態(tài)ct;輸入門it,決定了當(dāng)前時(shí)刻網(wǎng)絡(luò)的輸入xt有多少保存到單元狀態(tài)ct;輸出門ot,控制單元狀態(tài)ct有多少輸入到當(dāng)前輸出值ht.

遺忘門計(jì)算見式(4),Wf是遺忘門的權(quán)重矩陣,[ht?1,xt]表示把兩個(gè)向量連接成一個(gè)更長的向量,bf是遺忘門的偏置項(xiàng),σ是sigmoid函數(shù)

輸入門的計(jì)算見式(5),Wi是輸入門的權(quán)重矩陣,bi是輸入門的偏置項(xiàng)

隨后計(jì)算候選單元狀態(tài)c?t用于更新當(dāng)前時(shí)刻單元狀態(tài)ct,見式(6),它是由上一次的單元狀態(tài)按元素乘以遺忘門ft,再用候選單元狀態(tài)按元素乘以輸入門it,再將兩個(gè)運(yùn)算結(jié)果相加而成

輸出門的計(jì)算見式(7)

LSTM最終的輸出ht是由輸出門和當(dāng)前單元狀態(tài)共同決定的,見式(8)

上述權(quán)重矩陣都是未知的參數(shù),在訓(xùn)練網(wǎng)絡(luò)的過程中,網(wǎng)絡(luò)的實(shí)際輸出與理想輸出存在偏差,通過誤差反向傳播算法調(diào)節(jié)權(quán)重矩陣的元素,目的讓偏差達(dá)到最小.

3.2 一維卷積

一維卷積神經(jīng)網(wǎng)絡(luò)的卷積核可以看作是一種特征提取器,可以從時(shí)間序列中提取局部的信息作為序列的特征,是一種更高層次的抽象方法,在此次試驗(yàn)中,也考慮在長短期記憶網(wǎng)絡(luò)的基礎(chǔ)上疊加一維卷積網(wǎng)絡(luò),目的是加強(qiáng)網(wǎng)絡(luò)的特征捕捉能力,能夠進(jìn)一步挖掘數(shù)據(jù)中的隱藏特征.一維卷積的計(jì)算流程如圖3所示.

圖3 一維卷積計(jì)算流程Fig.3 Convolution calculation flow

卷積核沿著輸入序列移動(dòng),每移動(dòng)一次就與序列的對應(yīng)位置做內(nèi)積提取特征.假設(shè)卷積核長度(kernel size)為w,每次移動(dòng)一格,序列長度為L,則輸出序列的長度為L ?w+1,若規(guī)定對邊界進(jìn)行填充,則輸出序列的長度與輸入序列保持一致.其中卷積核的參數(shù)也是通過誤差反向傳播算法優(yōu)化迭代.

3.3 全連接層構(gòu)造

在實(shí)際使用LSTM時(shí)通常在輸出端連接全連接層進(jìn)行降維,本文在LSTM輸出端連接一層含有1個(gè)神經(jīng)元的全連接層,同時(shí)使用sigmoid激活函數(shù)將最終結(jié)果映射到0–1表示異常的概率.激活函數(shù)見式(9)

當(dāng)x=0時(shí),Sx=0.5,當(dāng)x趨近于正無窮時(shí),函數(shù)值趨近于1,當(dāng)x趨近于負(fù)無窮時(shí),函數(shù)值趨近于0.

4 鉆井?dāng)?shù)據(jù)處理流程

搭建模型之前需要對原始數(shù)據(jù)進(jìn)行一系列的處理,最終構(gòu)造成適合模型輸入的訓(xùn)練樣本.整個(gè)流程包括采集實(shí)驗(yàn)數(shù)據(jù)、數(shù)據(jù)濾波、數(shù)據(jù)標(biāo)定等.

4.1 實(shí)驗(yàn)數(shù)據(jù)收集

剔除掉部分由于設(shè)備故障導(dǎo)致的采集錯(cuò)誤,此次實(shí)驗(yàn)總共使用川渝地區(qū)具有溢流記錄的20余口井,采集周期4～5 s.每口井包括73個(gè)字段,可分為描述信息與鉆井工程參數(shù),描述信息包括日期、層位、鉆頭尺寸等,鉆井工程參數(shù)包括轉(zhuǎn)盤轉(zhuǎn)速、大勾負(fù)荷、鉆時(shí)、總烴、鉆井液密度等.訓(xùn)練井與測試井的比率為3:1.部分井信息見表1.

表1 部分溢流井記錄Table 1 Partial overflow well records

4.2 鉆井?dāng)?shù)據(jù)濾波

鉆采數(shù)據(jù)一般通過安裝傳感器進(jìn)行采集,但是井場環(huán)境復(fù)雜,干擾較大,經(jīng)常會出現(xiàn)急劇增大,減小的跳變點(diǎn),這些異常點(diǎn)對模型的精度有較大的干擾,所以需要剔除掉.考慮到不同井的數(shù)據(jù)具有不同的變化范圍,很難找到統(tǒng)一的標(biāo)準(zhǔn),因此采用中值濾波算法對數(shù)據(jù)進(jìn)行處理,該算法不需要考慮不同油井?dāng)?shù)據(jù)之間的差異性,具有較強(qiáng)的通用性.

算法的主要思路為,對于鉆井序列中的某一采集點(diǎn),用以該點(diǎn)為中心,給定長度序列的中位數(shù)進(jìn)行替換,假設(shè)數(shù)據(jù)序列是x1,x2,···,xn,按從小到大排列后的新序列為y1,y2,···,yn,記新序列的中位數(shù)為ymedian.

當(dāng)n為奇數(shù)時(shí),中位數(shù)為

當(dāng)n為偶數(shù)時(shí),中位數(shù)為

4.3 標(biāo)記

精準(zhǔn)的標(biāo)記可以提高網(wǎng)絡(luò)的識別準(zhǔn)確率,減小產(chǎn)生誤判的可能性.通過比對鉆井現(xiàn)場日志以及與鉆井專家就標(biāo)記問題進(jìn)行探討,將坐崗人員主要監(jiān)測的字段作為模型輸入,包括立管壓力、出口流量、總池體積、鉆時(shí)等.

根據(jù)這些字段的變化趨勢,對每口井中的溢流段,正常段進(jìn)行抽取,憑借專家經(jīng)驗(yàn)對數(shù)據(jù)進(jìn)行標(biāo)注,0表示正常鉆井段,0.5～1表示溢流的可能性從低到高,0.5表示有氣侵等情況需要注意,1表示溢流已經(jīng)發(fā)生.部分標(biāo)定參考見表2.

表2 標(biāo)記參考Table 2 Mark reference

以單口溢流井為例,溢流段長度8～15 min不等,選取距離溢流記錄點(diǎn)較遠(yuǎn)的數(shù)據(jù)作為正常段,普遍維持在30～45 min,最終所有溢流井正常樣本4500組,異常樣本13500組.

4.4 z-score標(biāo)準(zhǔn)化

錄井?dāng)?shù)據(jù)各個(gè)字段之間量綱差異性較大,使用zscore標(biāo)準(zhǔn)化處理數(shù)據(jù)有利于網(wǎng)絡(luò)的訓(xùn)練,在梯度下降時(shí)收斂更快,相較于最大最小歸一化方案,均值、方差比極大極小值更有普適性.在本文中,z-score標(biāo)準(zhǔn)化公式為

其中:Xscale是標(biāo)準(zhǔn)化后的數(shù)據(jù),X代表當(dāng)前樣本;u代表均值,σ為方差.

5 模型訓(xùn)練

本文在模型的訓(xùn)練過程中,通過對比實(shí)驗(yàn)結(jié)果得出表現(xiàn)相對最好的預(yù)警模型,包括模型的結(jié)構(gòu)、自適應(yīng)窗的長度.

5.1 結(jié)構(gòu)訓(xùn)練

分別搭建單層長短期記憶網(wǎng)絡(luò)、雙層長短期記憶網(wǎng)絡(luò)、一維卷積疊加長短期記憶網(wǎng)絡(luò),以模型的損失以及測試井上的性能確定初始的網(wǎng)絡(luò)結(jié)構(gòu).

將訓(xùn)練井的數(shù)據(jù)進(jìn)一步劃分為訓(xùn)練集、驗(yàn)證集,其中驗(yàn)證集不參與模型的訓(xùn)練,在模型完成一輪訓(xùn)練后用來校驗(yàn)?zāi)Ｐ托阅?目前采取的訓(xùn)練方法為,每當(dāng)驗(yàn)證損失下降時(shí)就保存模型,目的是尋找全局最優(yōu)參數(shù).

漏警表示模型對確定的異常段給出較低的預(yù)警值,虛警表示模型對確定的正常段給出了較高的預(yù)警值.訓(xùn)練結(jié)果見表3.

表3 模型結(jié)構(gòu)實(shí)驗(yàn)Table 3 Structural design experiment

在實(shí)際鉆采作業(yè)的過程中,漏警相對于虛警是比較嚴(yán)重的,虛警只是耗費(fèi)人工進(jìn)行排查,為了避免風(fēng)險(xiǎn)是可以接受的.當(dāng)前數(shù)據(jù)集的情況下,優(yōu)選的網(wǎng)絡(luò)結(jié)構(gòu)為一維卷積疊加雙層長短期記憶網(wǎng)絡(luò).

5.2 滑動(dòng)窗口長度分析

在正常鉆進(jìn)過程中,伴隨著數(shù)據(jù)的小范圍波動(dòng),如果時(shí)間窗太短會捕捉到這種波動(dòng)特征導(dǎo)致模型虛警,隨著時(shí)間窗的長度加長,這種小范圍的波動(dòng)會被平均值所抵消,所以虛警率會隨之下降,同時(shí)某些溢流特征也會由于平均值計(jì)算而被抹去,模型會漏警.

在確定模型結(jié)構(gòu)的基礎(chǔ)上,結(jié)合實(shí)際情況分別取不同窗口長度做對比實(shí)驗(yàn),統(tǒng)計(jì)模型在不同窗口長度下的表現(xiàn)情況,綜合得出最佳窗口長度,實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表4所示.

表4 窗口長度與模型性能Table 4 Window length and model performance

漏警次數(shù)的優(yōu)先級別最高,經(jīng)過上述實(shí)驗(yàn),目前模型的滑動(dòng)窗口長度取為50個(gè)數(shù)據(jù)點(diǎn).

6 離線數(shù)據(jù)驗(yàn)證與現(xiàn)場部署實(shí)驗(yàn)

離線實(shí)驗(yàn)使用已有的數(shù)據(jù)集測試模型,將結(jié)果結(jié)合錄井日報(bào)與鉆井專家校驗(yàn)標(biāo)注進(jìn)行對比分析.現(xiàn)場實(shí)驗(yàn)則將模型部署于實(shí)際鉆采井場,實(shí)時(shí)讀取接受采集軟件傳送的數(shù)據(jù)并返回模型計(jì)算結(jié)果.

6.1 離線數(shù)據(jù)驗(yàn)證

下圖分別是在井編號為w204hxx–1(圖4),zsxx3(圖5)兩口已經(jīng)完鉆的井上做的試驗(yàn),其中縱坐標(biāo)表示溢流風(fēng)險(xiǎn)的概率,范圍0～1,將原始鉆井?dāng)?shù)據(jù)的時(shí)間字段轉(zhuǎn)換后作為橫坐標(biāo).

圖4 離線試驗(yàn)(1)Fig.4 Off-line test(1)

圖5 離線試驗(yàn)(2)Fig.5 Off-line test(2)

查閱錄井日報(bào),w204hxx–1于t=840 s記錄氣侵異常,停止鉆井進(jìn)行后續(xù)處理.鉆井專家對井場數(shù)據(jù)進(jìn)行復(fù)驗(yàn),發(fā)現(xiàn)t=651 s鉆井液烴含量上升,總池體積緩慢上升,確定產(chǎn)生氣侵異常并進(jìn)行了后驗(yàn)標(biāo)注,模型的預(yù)警結(jié)果于t=615 s開始上升,提前于專家監(jiān)測到異常,吻合度較高.

查閱錄井日報(bào),zsxx3于t=431 s記錄溢流,隨后鉆井工人關(guān)井進(jìn)行后續(xù)處理,專家根據(jù)采集數(shù)據(jù)以及井場實(shí)際記錄,確定t=278 s左右出口流量上升,立管壓力緩慢下降,對數(shù)據(jù)進(jìn)行了后驗(yàn)標(biāo)注,模型的預(yù)警結(jié)果在t=328 s開始上升,雖然相較于專家的后續(xù)標(biāo)注延遲了50 s,但是提前于井場人工記錄103 s.

通過離線實(shí)驗(yàn),提出的模型具備一定的預(yù)警能力.接下來,為了更好的驗(yàn)證以及后續(xù)模型的優(yōu)化,將模型部署到現(xiàn)場采集平臺,對現(xiàn)場鉆井過程進(jìn)行實(shí)時(shí)預(yù)警.

6.2 現(xiàn)場實(shí)時(shí)預(yù)警

根據(jù)現(xiàn)場實(shí)時(shí)采集的特點(diǎn),構(gòu)造出適合的模型調(diào)用方案,包括存儲數(shù)據(jù)的隊(duì)列長度維護(hù)、異常點(diǎn)去除、調(diào)用模型、結(jié)果存儲等,具體流程如圖6所示.

圖6 實(shí)時(shí)流程圖Fig.6 Real time scheme

目前為止,模型只對鉆進(jìn)狀態(tài)進(jìn)行預(yù)警,所以在流程圖中不考慮非鉆進(jìn)狀態(tài),在隊(duì)列中的數(shù)據(jù)滿足輸入后,采集軟件將數(shù)據(jù)通過TCP發(fā)送到預(yù)警算法,算法處理數(shù)據(jù)計(jì)算出當(dāng)前溢流風(fēng)險(xiǎn)值返回給采集軟件.

將模型部署到某鉆井平臺進(jìn)行實(shí)時(shí)驗(yàn)證,把數(shù)據(jù)庫中的預(yù)警結(jié)果導(dǎo)出,挑選部分繪制見圖7.

圖7 在線預(yù)警Fig.7 Online warning

查閱錄井日報(bào),pl0xx1(圖7)在t=242 s左右出口流量與總烴含量緩慢上升,預(yù)警模型于t=202 s開始上升,推測應(yīng)該是鉆遇氣包,其中氣體浸入鉆井液隨著環(huán)空上返,在中途一小段時(shí)間內(nèi)出口流量上升速度減緩,模型預(yù)警值有所下降,后續(xù)由于氣包內(nèi)的氣體源源不斷浸入鉆井液,出口流量上升速度加快,預(yù)警值也逐漸上升,在氣體排完后,出口流量與總烴恢復(fù)正常,模型預(yù)警值降低,結(jié)果與專家校驗(yàn)數(shù)據(jù)后的標(biāo)注吻合度較高.

6.3 模型評估

模型離線驗(yàn)證,在線預(yù)警的應(yīng)用結(jié)果表明,該算法的設(shè)計(jì)具有一定的合理性與先進(jìn)性,對于提高鉆井作業(yè)的溢流復(fù)雜預(yù)警水平,減輕操作人員的負(fù)擔(dān),降低事故發(fā)生風(fēng)險(xiǎn)有積極的意義.現(xiàn)場人員無需時(shí)刻關(guān)注錄井參數(shù)的變化情況,只需要在模型輸出達(dá)到較高值后進(jìn)行復(fù)驗(yàn),如果目前有溢流風(fēng)險(xiǎn)則表明模型成功預(yù)警,若當(dāng)前沒有風(fēng)險(xiǎn),則表明模型虛警,將對應(yīng)的數(shù)據(jù)記錄用于后續(xù)模型的更新優(yōu)化.

截止到目前,模型仍然存在虛警和漏警等問題,數(shù)據(jù)覆蓋面不足是主要原因.鉆采是一項(xiàng)復(fù)雜的工程,由于不同區(qū)塊、井眼尺寸、鉆具組合、層位等眾多因素,導(dǎo)致正常狀態(tài)或者氣侵溢流都對應(yīng)著許多不同的模式,僅憑一個(gè)模型識別所有狀態(tài)難度是極大的.后續(xù)研究應(yīng)該就實(shí)際預(yù)警效果,吸取現(xiàn)場使用人員和鉆井專家的建議,在此基礎(chǔ)上不斷的改進(jìn)完善,希望發(fā)揮更全面,穩(wěn)定的作用.

7 結(jié)束語

本文在基于鉆采現(xiàn)有業(yè)務(wù)知識與數(shù)據(jù)信息的基礎(chǔ)上,對當(dāng)前存在的溢流預(yù)警方法適應(yīng)性較低的問題做出了改進(jìn),提出了一種自適應(yīng)的LSTM預(yù)警算法,該算法基于滑動(dòng)時(shí)間窗口擴(kuò)充數(shù)據(jù)集,通過平均值增量計(jì)算實(shí)現(xiàn)自適應(yīng)特征提取,具有一定的通用性.

通過離線測試和在線實(shí)驗(yàn),結(jié)果表明本文提出的自適應(yīng)預(yù)警方法在實(shí)際鉆采環(huán)境下表現(xiàn)良好,以較低的虛警率完成對溢流早期的及時(shí)預(yù)警,為現(xiàn)場人員處理溢流爭取了寶貴的時(shí)間,確保了鉆井人員的安全與鉆井過程的高效性,對提高鉆井過程溢流預(yù)警水平具有積極意義.