朱玉磊 陳卓 耿立軍

中海石油（中國）有限公司天津分公司 天津 300451

目前，國內(nèi)外技術(shù)發(fā)展趨向于“技術(shù)創(chuàng)新+數(shù)字化”，利用海量數(shù)據(jù)構(gòu)建服務(wù)于油田的降本、提效數(shù)字化技術(shù)體系是當下到今后相當長一段時間內(nèi)一個極其重要的發(fā)展命題。各大石油公司不遺余力加強基礎(chǔ)數(shù)據(jù)建設(shè)，并從中獲益。如何有效生成數(shù)據(jù)、挖掘數(shù)據(jù)、利用數(shù)據(jù)已經(jīng)成為各大石油公司的主線工作。

文章通過分析人工智能的發(fā)展歷程、隨鉆風險評價系統(tǒng)的研究現(xiàn)狀，針對純數(shù)據(jù)模型難以有效預(yù)測鉆井風險的問題，采用引入井壁狀態(tài)物理量的方法，探討了提高隨鉆風險評價精度的方法。最后，將阻卡機理物理量作為中間參數(shù)，建立了提高復(fù)雜事故處理效率的數(shù)據(jù)模型。

1 人工智能的發(fā)展歷程

1990年至今，人工智能一直在快速發(fā)展，首先被提出的是傳統(tǒng)機器學習；Shannon[1]等人認為任何事物都可以用網(wǎng)絡(luò)/信號來表示，從而建立了人工智能的計算機學科基礎(chǔ)。其特點是有數(shù)學基礎(chǔ)理論支持、數(shù)據(jù)量要求不大。傳統(tǒng)機器學習發(fā)展分為三個階段[2]：①統(tǒng)計學習方法。包括貝葉斯、決策樹等一系列機器學習方法。②機器學習系統(tǒng)。包括數(shù)據(jù)預(yù)處理、模型調(diào)優(yōu)、模型交叉驗證等環(huán)節(jié)，注重模型的實時更新與應(yīng)用。③概率圖模型。機器學習系統(tǒng)的進一步優(yōu)化，例如自然語言處理系統(tǒng)等。1995年，神經(jīng)學家通過在貓的腦袋中安裝電極，接收腦信號，從而建立了計算機理論與神經(jīng)理論的聯(lián)系[3]。在此基礎(chǔ)上，多個隱含層的感知器深度學習結(jié)構(gòu)被證明是有效的，模擬人腦運作方式的深度學習網(wǎng)絡(luò)得到了長足發(fā)展。隨著大數(shù)據(jù)時代的來臨，深度學習在大數(shù)據(jù)的支持下在各個領(lǐng)域都有不俗的表現(xiàn)。深度學習的優(yōu)點是性能卓越、效果被廣泛認可。缺點是缺乏數(shù)學理論支持，隱含層的數(shù)量、參數(shù)冗余等問題也一直沒有被有效解決。

2 隨鉆風險評價系統(tǒng)

2.1 人工智能在隨鉆風險評價系統(tǒng)中的應(yīng)用

2010 年，Shadizadeh[4]利用鉆井日報中的數(shù)據(jù)，采用人工神經(jīng)網(wǎng)絡(luò)（ANN）建立了卡鉆事故的實時預(yù)測模型。該模型由2～3個完全互聯(lián)的前饋隱層網(wǎng)絡(luò)（帶有反向傳播學習規(guī)則）組成，可自動檢測所關(guān)注的控制參數(shù)，在已鉆井的測試或模擬上精度可達到90%。Lian[5]基于模糊推理方法，采用信號變化趨勢自動識別技術(shù)，通過對比實時數(shù)據(jù)與數(shù)據(jù)庫中參考數(shù)據(jù)的偏差值，建立了鉆井井涌風險的預(yù)測模型。2012年，Jahanbakhshi.[6]采用人工神經(jīng)網(wǎng)絡(luò)（ANN），通過輸入地層流體性質(zhì)、泥漿密度、流速、井眼軌跡、井眼尺寸、底部鉆具組合、泥漿流變性、地應(yīng)力、巖石強度、破裂壓力、地層組成及地層孔滲特性等，建立了井壁穩(wěn)定狀態(tài)的分析模型，確?，F(xiàn)場能提前判斷井壁是否失穩(wěn)。

2010年，梁海軍[7]等人總結(jié)了井眼惡化、溢流、井漏、斷鉆具、水眼掉及水眼堵等各類井下復(fù)雜與鉆井事故形成機理及綜合錄井儀采集的工程參數(shù)異常特征，對鉆井各類復(fù)雜與事故形成及癥狀相應(yīng)進行其發(fā)生前的識別診斷分析，提出了一種利用錄井參數(shù)進行事故識別預(yù)警的推理模型。2013年，中國石油集團鉆井工程技術(shù)研究院[8，9]建立了鉆井實時監(jiān)控與技術(shù)決策系統(tǒng)。該系統(tǒng)由遠程數(shù)據(jù)無線傳輸子系統(tǒng)（負責數(shù)據(jù)傳輸）、數(shù)據(jù)管理子系統(tǒng)（負責數(shù)據(jù)儲存）、鉆井風險因素分析子系統(tǒng)（負責數(shù)據(jù)挖掘與利用）、鉆井復(fù)雜事故診斷與處理子系統(tǒng)（負責數(shù)據(jù)應(yīng)用）組成。其中，鉆井復(fù)雜事故診斷與處理子系統(tǒng)包括鉆井風險診斷分析模塊、鉆井風險預(yù)測分析模塊和鉆井風險綜合評價模塊，主要用于井漏風險和地層流體侵入風險的預(yù)測與評價。

2.2 現(xiàn)有的系統(tǒng)及不足

總體而言，隨鉆風險評價技術(shù)還處在發(fā)展階段，已有的模型大致可以分為純數(shù)據(jù)模型和含物理量的數(shù)據(jù)模型。

純數(shù)據(jù)模型通過分析實時工程參數(shù)或參數(shù)趨勢與識別對象間的聯(lián)系，利用數(shù)學模型來建立相應(yīng)的預(yù)測評價模型，目前大部分分析模型屬于該類模型。對于在工程參數(shù)上反應(yīng)明顯的鉆井風險，如井涌、井漏等，純數(shù)據(jù)模型有很好地應(yīng)用效果。但在其他鉆井風險的預(yù)測上，例如卡鉆等鉆井風險，即使經(jīng)驗豐富的現(xiàn)場工程師也很難通過實時數(shù)據(jù)進行初步模糊地預(yù)測，以目前機器學習的發(fā)展水平，模型預(yù)測精度難以保證。

含物理量數(shù)據(jù)模型在建立時，會根據(jù)問題特性引入相應(yīng)物理量。例如，為了有效識別井壁是否失穩(wěn)，Jahanbakhshi在數(shù)據(jù)模型中添加了地應(yīng)力、巖石強度、破裂壓力、地層組成及地層孔滲特性等物理參數(shù)，模型精度得到了較大的提升。但是由于不同地層的力學特征不同，失穩(wěn)機理存在差異，巖石強度、破裂壓力等物理參數(shù)是隨時間變化的動態(tài)參數(shù)，不滿足機器學習中“數(shù)據(jù)平穩(wěn)分布”的要求，該模型的實際應(yīng)用效果不理想。

大數(shù)據(jù)理論仍處于發(fā)展階段。大數(shù)據(jù)的特點是“關(guān)注相關(guān)性，不關(guān)注因果”，大數(shù)據(jù)的簡單算法比小數(shù)據(jù)的復(fù)雜算法更有效。但是目前大數(shù)據(jù)的分析對硬件及時間要求高，且受限于數(shù)據(jù)的處理方式，數(shù)據(jù)相關(guān)性的判定等，大數(shù)據(jù)理論在數(shù)據(jù)分析方面的應(yīng)用仍以統(tǒng)計為主，數(shù)據(jù)挖掘分析技術(shù)處于探索階段。對于卡鉆等難以預(yù)測的鉆井風險，大數(shù)據(jù)技術(shù)是否有效，仍存在一定的疑慮。

3 基于井壁狀態(tài)的數(shù)據(jù)驅(qū)動模型探討

3.1 井壁狀態(tài)物理量在數(shù)據(jù)模型中的應(yīng)用探討

井壁狀態(tài)物理量由井壁穩(wěn)定分析技術(shù)延伸而來。多年來，隨著理論和計算技術(shù)的發(fā)展，井壁穩(wěn)定分析中的本構(gòu)模型見表1、多場耦合應(yīng)力、破壞準則等關(guān)鍵問題都得到了深入的研究。但是，井壁穩(wěn)定在實際應(yīng)用中，仍存在一些問題：①破壞程度問題。通過分析地層的變形破壞規(guī)律，井壁穩(wěn)定分析一般以井壁破壞發(fā)生坍塌，或井壁縮徑量達到一定程度作為井壁失穩(wěn)判別條件。然而，在實際鉆井中，為了提高鉆井效率，往往允許一定程度的坍塌或縮徑發(fā)生。②靜態(tài)井壁穩(wěn)定分析結(jié)果與動態(tài)時間的矛盾。在多場耦合的地層變形破壞分析中，時間是一個重要的參數(shù)，井壁狀態(tài)隨著時間發(fā)生動態(tài)變化。在這種情況下，靜態(tài)的井壁穩(wěn)定分析結(jié)果會失去原有的指導(dǎo)意義。

表1 本構(gòu)模型

井壁狀態(tài)的提出，為現(xiàn)場數(shù)據(jù)與鉆井風險間提供了物理橋梁。在應(yīng)用井壁狀態(tài)物理量建立鉆井風險評價的數(shù)據(jù)模型時，可以考慮兩種方案：將井壁狀態(tài)作為輸入?yún)?shù)或?qū)⒕跔顟B(tài)作為中間參數(shù)。

將井壁狀態(tài)作為輸入?yún)?shù)。根據(jù)多場耦合的井壁穩(wěn)定分析模型，預(yù)測地層不同鉆開時間下的井壁狀態(tài)，參考Jahanbakhshi建立的井壁失穩(wěn)數(shù)據(jù)模型，將預(yù)測的井壁狀態(tài)作為輸入?yún)?shù)之一，利用深度學習網(wǎng)絡(luò)建立輸入?yún)?shù)與鉆井風險之間的關(guān)系模型。動態(tài)的井壁狀態(tài)既滿足了“數(shù)據(jù)平穩(wěn)分布”的需求，也解決了不同地層破壞機理存在差異的問題。這種模型的優(yōu)點在于通過引入井壁狀態(tài)物理量，加強了輸入數(shù)據(jù)與鉆井風險之間的相關(guān)度，有助于數(shù)據(jù)模型精度的提高。

將實際井壁狀態(tài)作為中間參數(shù)，將預(yù)測的井壁狀態(tài)及其他與實際井壁狀態(tài)相關(guān)度高的鉆井實時數(shù)據(jù)作為輸入?yún)?shù)，利用深度學習網(wǎng)絡(luò)建立輸入?yún)?shù)與實際井壁狀態(tài)之間的關(guān)系模型，根據(jù)實際井壁狀態(tài)來判斷鉆井風險。相比于第一種模型，降低了模型對預(yù)測井壁狀態(tài)的依賴度，提高了其他輸入?yún)?shù)與實際井壁狀態(tài)間的相關(guān)度，從而進一步提高了模型的精度。但是該模型在訓(xùn)練的過程中，需要標記大量的實際井壁狀態(tài)。如果標記的實際井壁狀態(tài)數(shù)據(jù)不足，缺乏模型訓(xùn)練所需的數(shù)據(jù)量，模型的預(yù)測精度反而會下降。

4 結(jié)束語

分析、挖掘鉆井作業(yè)中的靜態(tài)、動態(tài)數(shù)據(jù)，評價鉆井風險，為鉆井實時決策提供支持，提高決策的準確率和時效性，確保安全高效地進行鉆井作業(yè)施工是鉆井工程大數(shù)據(jù)分析應(yīng)用中重要的一環(huán)。本文探討了井壁狀態(tài)物理量在隨鉆風險評價系統(tǒng)中的應(yīng)用，得到如下結(jié)論：

1950年至今，人工智能發(fā)展經(jīng)歷了三次起伏。受惠于大數(shù)據(jù)時代，傳統(tǒng)機器學習及深度學習的精度得到了大幅度的提高；

若鉆井風險在工程參數(shù)上反應(yīng)明顯，如井涌、井漏等，純數(shù)據(jù)模型有很好地應(yīng)用效果。但在其他的鉆井風險預(yù)測上，例如卡鉆等鉆井風險，即使經(jīng)驗豐富的現(xiàn)場工程師也很難通過工程實時數(shù)據(jù)進行初步模糊地預(yù)測，以目前機器學習的發(fā)展水平，模型預(yù)測精度難以保證；

井壁狀態(tài)物理量由井壁穩(wěn)定分析技術(shù)延伸而來，用來描述地層變形破壞的程度及鉆井風險的級別。井壁狀態(tài)的提出，為現(xiàn)場數(shù)據(jù)與鉆井風險間提供了物理橋梁。將井壁狀態(tài)作為輸入?yún)?shù)或中間參數(shù)有助于提高數(shù)據(jù)模型精度。