石祥超 王宇鳴 劉越豪 陳雁

1. 油氣藏地質(zhì)及開發(fā)工程國家重點實驗室·西南石油大學；2. 西南石油大學計算機科學學院

油氣公司在科研、生產(chǎn)、管理、經(jīng)營活動中積累了海量的結(jié)構(gòu)化及非結(jié)構(gòu)化數(shù)據(jù)，其數(shù)據(jù)總量仍在不斷持續(xù)攀升，充分挖掘這些數(shù)據(jù)的價值是非常重要和十分迫切的，尤其是在低油價時期。據(jù)統(tǒng)計，非常規(guī)油氣鉆井作業(yè)產(chǎn)生的數(shù)據(jù)非常龐大，每英尺鉆井產(chǎn)生的數(shù)據(jù)量就能達到1MB，每打一口井產(chǎn)生的數(shù)據(jù)量能達到1～15 TB，如何挖掘和利用鉆完井大數(shù)據(jù)蘊含的價值，為鉆完井提供優(yōu)質(zhì)方案，將是未來很長一段時間面臨的科學技術(shù)問題。

隨著鉆井數(shù)據(jù)信息采集技術(shù)的迅速發(fā)展，鉆井過程中產(chǎn)生的數(shù)據(jù)體量龐大，機器學習能夠精準地對海量鉆井數(shù)據(jù)進行分析，從中發(fā)現(xiàn)一定的規(guī)律，為高效率鉆井提供結(jié)構(gòu)化的信息和指導，目前許多新的機器學習方法都被應用于鉆頭優(yōu)選、鉆頭性能評價、機械鉆速的預測與優(yōu)化、鉆井過程中的事故預測與解決方法、鉆井液的優(yōu)選、綜合系統(tǒng)的構(gòu)建等方面。準確預測并優(yōu)化機械鉆速是縮短鉆井周期、節(jié)省鉆井成本的良好方法，將人工智能方法與鉆井結(jié)合是目前的研究趨勢［1］。筆者總結(jié)分析了人工智能方法預測機械鉆速的研究進展，指出了目前研究存在的一些問題，主要針對相關(guān)性分析、數(shù)據(jù)選取及對訓練和預測結(jié)果的影響開展了研究。

1 智能方法預測鉆速技術(shù)發(fā)展

鉆井機械鉆速(ROP)預測是進行鉆井優(yōu)化、鉆井投資測算等工作的重要技術(shù)內(nèi)容，目前建立的傳統(tǒng)機械鉆速方程有幾十種之多［2］，但影響機械鉆速的因素繁多，關(guān)系復雜，目前為止尚未建立令人信服、普遍適用的數(shù)學模型，而隨著帶有數(shù)據(jù)驅(qū)動特性的人工智能方法在工程領(lǐng)域的應用越來越廣泛，使用人工智能算法預測機械鉆速受到研究學者的廣泛關(guān)注。Moran等［3］指出基于推測或假設(shè)出的機械鉆速在未知區(qū)域估計鉆井時間的傳統(tǒng)方法可以被人工神經(jīng)網(wǎng)絡(luò)所取代；Soares等［4］揭示了傳統(tǒng)機械鉆速模型的局限性，包括Bourgoyne的機械鉆速模型［5］；Jahanbakhshi等［6］將影響機械鉆速的不同鉆井參數(shù)放入人工神經(jīng)網(wǎng)絡(luò)進行訓練，得出預測結(jié)果最高的參數(shù)組合；Hegde等［7］使用了多種人工智能算法對機械鉆速進行預測，表示人工智能算法的靈活性可以適用于常規(guī)井與非常規(guī)井的機械鉆速預測。近年來眾多專家學者基于人工智能算法預測機械鉆速的研究見表1。

人工智能方法提供了預測機械鉆速的新思路，但影響機械鉆速的因素繁多，有些因素(如巖石強度、鉆頭磨損)不是很好獲得，這些因素是否要作為輸入?yún)?shù)放入模型，在已有文章中選取的輸入?yún)?shù)是否忽略了某些重要變量也不得而知。為優(yōu)化機械鉆速，提高鉆井效率，Graham等［22］分析了鉆井效率與機械鉆速的關(guān)系，表示機械鉆速不等同于鉆井效率，而應被視為影響鉆井效率的幾個因素之一；Hedge等［23］從單一的機械鉆速優(yōu)化模型，轉(zhuǎn)為多目標的模型，將機械鉆速、機械比能、扭矩3種因素交互評估，從而獲得最佳的鉆井方案。

以上調(diào)研文獻中，大多數(shù)訓練模型所用數(shù)據(jù)是基于單井或井段數(shù)據(jù)，人工智能模型很好地預測了機械鉆速，且對數(shù)據(jù)采取K折交叉驗證［15,19, 21］找到模型泛化能力最優(yōu)的超參數(shù)組合，或是用其他方法直接優(yōu)化超參數(shù)［8-9,14, 17］以提高預測精度。但若僅使用單井或少量數(shù)據(jù)訓練模型，會使模型輸入數(shù)據(jù)不具備代表性，因此模型無法向其他井或者整個區(qū)塊進行推廣，在預測其他井鉆速時還需重新訓練模型，不符合工程需要。

2 人工智能方法進行鉆速預測的探討

2.1 相關(guān)性分析

由表1可以看到，使用人工智能方法預測機械鉆速選擇的輸入?yún)?shù)各不相同。研究表明［12,20］可以應用相關(guān)性分析找到對機械鉆速影響最大的幾個參數(shù)，并使用這些參數(shù)進行機械鉆速的預測與優(yōu)化。但在實際工程中所獲得的鉆井日志，可能并不會含有某些關(guān)鍵因素(如鉆頭磨損)，在對這些鉆井參數(shù)進行相關(guān)性分析過程中，可能會由于數(shù)據(jù)問題將一些相關(guān)性低的重要因素忽略掉。李謙等［24］分析了基于人工智能方法的鉆速預測模型數(shù)據(jù)有效性下限，表明在引入足夠的參數(shù)后，無論引入?yún)?shù)的相關(guān)性高低，都可取得較高的預測精度。筆者將原始鉆井數(shù)據(jù)進行了相關(guān)性分析，發(fā)現(xiàn)有些相關(guān)性分析可能得出錯誤的結(jié)論。圖1將某井的輸入?yún)?shù)與機械鉆速進行相關(guān)性分析，發(fā)現(xiàn)鉆壓、轉(zhuǎn)速與鉆速不是想象中的正相關(guān)。這是因為隨著鉆井深度的增加，井下的情況越來越復雜，雖然增加了鉆壓，但機械鉆速仍然可能降低。圖2選取了圖1中某井二開井段數(shù)據(jù)做了相關(guān)性分析，可以看到全井的相關(guān)性分析與某井段的相關(guān)性分析結(jié)果差距較大。故使用相關(guān)性分析去尋找輸入?yún)?shù)或是刪除某些分析出來的相關(guān)性低的因素尚需討論。

圖2 某井二開井段機械鉆速影響因素相關(guān)性分析Fig. 2 Correlation analysis of factors affecting penetration rate in the second section of a well

表1 近年人工智能預測機械鉆速方法匯總Table 1 Summary of methos predicting penetration rate with artificial intelligence in recent years

2.2 訓練數(shù)據(jù)選取

鉆井會產(chǎn)生大量井數(shù)據(jù)，但在使用人工智能方法進行鉆速預測與鉆井優(yōu)化時，許多調(diào)研的文獻中僅僅只用一口井或是某一段鉆井數(shù)據(jù)進行嘗試。訓練數(shù)據(jù)量的多少會影響人工智能方法預測的精度，從而影響對人工智能模型的選擇。Korhan等［20］研究表明在訓練數(shù)據(jù)有限的情況下，支持向量機可以更準確地預測機械鉆速；Yavari等［25］研究表明在數(shù)據(jù)量較大時，自適應神經(jīng)模糊推理系統(tǒng)更適合預測機械鉆速。人工智能模型預測的準確度基于輸入數(shù)據(jù)，將超出輸入數(shù)據(jù)范圍外的數(shù)據(jù)輸入模型訓練將會得到不確定的結(jié)果，使用單井數(shù)據(jù)或是某井段數(shù)據(jù)進行模型訓練和訓練是否具有良好的泛化能力值得討論。

為了使預測模型具有泛化能力，Hedge等［26］將數(shù)據(jù)集按巖性拆分，基于不同巖性分別建立人工智能模型。該模型可以更加準確地預測對應巖性地層的機械鉆速。筆者將區(qū)塊數(shù)據(jù)與單井數(shù)據(jù)分別使用人工智能模型進行訓練，擴大了輸入數(shù)據(jù)的范圍，使得模型在該地層更具泛用性。

筆者收集了四川盆地某開發(fā)區(qū)塊的鉆井數(shù)據(jù)，使用隨機森林(RF)［27］、支持向量機(SVR)［28］、人工神經(jīng)網(wǎng)絡(luò)(ANN)［29］以及梯度提升樹(GBDT)［30］等4種算法，分別對該開發(fā)區(qū)塊的單井與區(qū)塊的機械鉆速進行預測，并且在已有鉆井參數(shù)(鉆壓、轉(zhuǎn)速、泵壓、鉆井液密度、黏度、排量)的基礎(chǔ)上，引入地層參數(shù)(井深、巖性、聲波時差、自然伽馬)和鉆頭參數(shù)(鉆頭型號、開次)作為輸入?yún)?shù)，對其中非結(jié)構(gòu)化參數(shù)(鉆頭型號、巖性)進行編碼，并與其他參數(shù)一樣進行歸一化處理。在下文所有機械鉆速預測模型中，數(shù)據(jù)集將按照訓練集80%、驗證集20%的方式送入模型訓練，并且采用可決系數(shù)R2作為模型精度的評價指標［19］。

2.2.1 單井數(shù)據(jù)訓練和預測結(jié)果

4種人工智能算法對某單井數(shù)據(jù)進行機械鉆速預測結(jié)果如圖3所示，可以看出，隨機森林與梯度提升樹可決系數(shù)可以達到0.92，支持向量機和人工神經(jīng)網(wǎng)絡(luò)的可決系數(shù)分別為0.88，0.90。

圖3 4種人工智能方法對某單井數(shù)據(jù)驗證集的預測結(jié)果Fig. 3 Prediction results of the four artificial intelligence methods on single-well data validation set

2.2.2 區(qū)塊多井數(shù)據(jù)訓練和預測結(jié)果

使用4種人工智能算法對某區(qū)塊進行機械鉆速預測，區(qū)塊數(shù)據(jù)包括在此區(qū)塊的5口井，數(shù)據(jù)量為15317組。機械鉆速預測結(jié)果如圖4所示，可以看出，隨機森林可決系數(shù)可以達到0.88，支持向量機、人工神經(jīng)網(wǎng)絡(luò)和梯度提升樹的可決系數(shù)分別為0.86、0.74、0.85。結(jié)果表明，人工智能方法可以對單井或是區(qū)塊的機械鉆速進行良好的預測，且隨機森林方法對于機械鉆速的預測更為優(yōu)秀。

圖4 4種人工智能方法對區(qū)塊數(shù)據(jù)驗證集的預測結(jié)果Fig. 4 Prediction results of the four artificial intelligence methods on the block data validation set

2.2.3 單井模型與區(qū)塊模型泛化能力對比

將訓練好的單井與區(qū)塊的隨機森林模型分別保存，將新井數(shù)據(jù)輸入后，對比二者模型的泛化能力。圖5為使用單井數(shù)據(jù)訓練出的隨機森林模型預測該區(qū)塊其他單井的結(jié)果，可決系數(shù)分別為0.16、0.13、0.13；圖6為使用區(qū)塊數(shù)據(jù)訓練出的隨機森林模型預測該區(qū)塊其他單井的結(jié)果，可決系數(shù)分別為0.91、0.76、0.91。結(jié)果顯示區(qū)塊數(shù)據(jù)訓練后的模型在此區(qū)塊對新井數(shù)據(jù)具有更好的泛化能力。

圖5 單井數(shù)據(jù)訓練的隨機森林模型對該區(qū)塊其他井的預測結(jié)果Fig. 5 Prediction results of other wells in this block by the random forest model trained with single-well data

圖6 區(qū)塊數(shù)據(jù)訓練的隨機森林模型對該區(qū)塊其他井的預測結(jié)果Fig. 6 Prediction results of other wells in the block by the random forest model trained with block data

3 結(jié)論

(1)人工智能方法在各個學科應用廣泛，國內(nèi)外使用人工智能方法預測機械鉆速已取得良好的成效，但由于訓練出的人工智能模型泛化能力低，該方法還未在工程上得到廣泛應用。

(2)采用相關(guān)性分析方法分別對整個單井數(shù)據(jù)與該井二開數(shù)據(jù)進行相關(guān)性分析，發(fā)現(xiàn)參數(shù)之間的相關(guān)性在一口井內(nèi)都有較大差異。故使用相關(guān)性分析去尋找輸入?yún)?shù)或是刪除某些相關(guān)性低的輸入?yún)?shù)尚需討論。

(3)將新井數(shù)據(jù)作為驗證集，測試單井與區(qū)塊數(shù)據(jù)訓練后的隨機森林模型泛化能力，得到區(qū)塊數(shù)據(jù)訓練的模型在此區(qū)塊的泛用性遠好于單井數(shù)據(jù)所訓練的模型。這表明使用區(qū)塊數(shù)據(jù)訓練的模型具有較高的泛化能力，認為該模型能夠推廣至整個區(qū)塊，有利于指導該區(qū)塊的鉆井工程技術(shù)優(yōu)化。