王金龍 李凡鵬 胡鵬基 劉兆偉 劉秀全 盛磊祥

(1.中海油研究總院有限責(zé)任公司鉆采研究院 2.中國(guó)石油大學(xué)(華東)海洋油氣裝備與安全技術(shù)研究中心)

0 引 言

水下井口系統(tǒng)是海洋油氣勘探開發(fā)中位于海底的永久結(jié)構(gòu)件，其上端與防噴器(BOP)組連接，下端與淺層管柱連接深入泥線，是鉆井作業(yè)過程的“咽喉”通道[1-2]。水下井口系統(tǒng)在其服役過程中承擔(dān)著套管重力、BOP濕重等靜載荷的作用，同時(shí)受到波浪、海流、平臺(tái)運(yùn)動(dòng)以及其他循環(huán)動(dòng)載荷的作用，產(chǎn)生循環(huán)彎矩和張力，導(dǎo)致水下井口疲勞損傷迅速累積，嚴(yán)重時(shí)產(chǎn)生疲勞失效甚至疲勞破壞[3-4]。如1983年，西設(shè)得蘭海域的D534鉆井船作業(yè)時(shí)，由于隔水管系統(tǒng)振動(dòng)導(dǎo)致水下井口發(fā)生破壞，使用僅29 d[5]。因此，對(duì)水下井口系統(tǒng)進(jìn)行疲勞損傷評(píng)估對(duì)整個(gè)海洋油氣勘探開發(fā)過程具有重要意義。

目前的水下井口系統(tǒng)疲勞損傷評(píng)估大多基于海況環(huán)境設(shè)計(jì)數(shù)據(jù)，但由于實(shí)際海洋服役環(huán)境載荷的不確定性，基于環(huán)境設(shè)計(jì)數(shù)據(jù)的評(píng)估方法具有很大的保守性，不能真實(shí)反映水下井口的實(shí)際服役狀態(tài)。水下井口的疲勞損傷主要是彎曲應(yīng)力變化引起。為了更好地評(píng)估實(shí)際作業(yè)工況下的井口疲勞損傷，有必要監(jiān)測(cè)水下井口系統(tǒng)的疲勞狀態(tài)，獲得其彎曲應(yīng)力以便計(jì)算水下井口系統(tǒng)疲勞損傷[6-12]。因此，近年來，工業(yè)界和學(xué)者們?cè)絹碓阶⒅乇O(jiān)測(cè)水下井口系統(tǒng)連接作業(yè)期間，尤其是在惡劣環(huán)境和深水位置的水下井口的實(shí)時(shí)疲勞損傷積累，以避免基于設(shè)計(jì)數(shù)據(jù)的水下井口疲勞損傷評(píng)估方法的保守性[13-17]。

想要精確直接測(cè)量水下井口系統(tǒng)彎曲應(yīng)力，需要在水下井口系統(tǒng)上安裝應(yīng)變計(jì)或應(yīng)力計(jì)。然而，由于海洋環(huán)境的不確定性以及水下井口近海底泥面深度的制約性，傳感器的安裝維護(hù)非常困難。如何利用隔水管底部或者防噴器處的振動(dòng)監(jiān)測(cè)數(shù)據(jù)來預(yù)測(cè)水下井口處彎曲應(yīng)力，成為水下井口疲勞監(jiān)測(cè)的挑戰(zhàn)。當(dāng)前水下井口疲勞監(jiān)測(cè)評(píng)估主要采用傳統(tǒng)的模態(tài)匹配法等方法，依然存在著忽視波激疲勞等問題。深度學(xué)習(xí)法等人工智能方法方興未艾，如何將深入學(xué)習(xí)法引入水下井口或者水下裝備疲勞損傷預(yù)測(cè)，目前已經(jīng)有一些學(xué)者進(jìn)行了相關(guān)研究，給水下井口疲勞監(jiān)測(cè)評(píng)估提供一定的參考。R.HEJAZI等[18]提出一種新的以數(shù)據(jù)為中心的SCR立管疲勞分析方法，可以更準(zhǔn)確地預(yù)測(cè)SCR和SLWR的疲勞壽命。D.E.SIDARTA等[19]提出了一種海上平臺(tái)系泊纜張力智能預(yù)測(cè)的新方法。V.CHAVES等[20]提出利用人工神經(jīng)網(wǎng)絡(luò)計(jì)算撓性立管疲勞的新方法。A.A.ELSHAFEY等[21]提出使用隨機(jī)衰減特征和神經(jīng)網(wǎng)絡(luò)(NNs)對(duì)承受隨機(jī)載荷的海洋導(dǎo)管架平臺(tái)進(jìn)行損傷檢測(cè)，并通過試驗(yàn)證明了其有效性。B.MERCAN等[22]提出一種基于傳遞函數(shù)的水下井口疲勞損傷預(yù)測(cè)方法，建立了傳感器監(jiān)測(cè)加速度和水下井口彎曲應(yīng)力之間的傳遞函數(shù)，可以高效快速地通過實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)水下井口疲勞損傷。G.GRYTOYR等[23]提出BOP處測(cè)得的傾角和加速度與井口處測(cè)得彎矩之間的相關(guān)性。這些研究中，未見基于長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)的水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)方法研究。

為此，筆者提出一種基于深度學(xué)習(xí)的水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)方法。首先，確定在BOP布置傳感器的監(jiān)測(cè)位置與水下井口系統(tǒng)需要彎曲應(yīng)力預(yù)測(cè)的目標(biāo)位置；其次，基于設(shè)計(jì)海況進(jìn)行隔水管-水下井口系統(tǒng)動(dòng)力響應(yīng)分析，并提取BOP監(jiān)測(cè)位置加速度、轉(zhuǎn)角與目標(biāo)位置的彎曲應(yīng)力作為L(zhǎng)STM網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集；將訓(xùn)練數(shù)據(jù)輸入LSTM網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，得到水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)的深度學(xué)習(xí)模型并進(jìn)行彎曲應(yīng)力預(yù)測(cè)，從而為后續(xù)水下井口系統(tǒng)疲勞損傷評(píng)估提供支撐。

1 彎曲應(yīng)力預(yù)測(cè)方法

1.1 深度學(xué)習(xí)預(yù)測(cè)流程

基于深度學(xué)習(xí)的水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)流程如圖1所示[24-25]。首先，設(shè)計(jì)用于深度學(xué)習(xí)的隔水管-水下井口系統(tǒng)動(dòng)力響應(yīng)分析的訓(xùn)練集與測(cè)試集海況；隨后，根據(jù)訓(xùn)練集與測(cè)試集海況在有限元分析專業(yè)軟件(如FLEXCOM、ORCAFLEX、ABAQUS等)中進(jìn)行隔水管-水下井口-淺層管柱系統(tǒng)的建立并進(jìn)行動(dòng)力響應(yīng)分析；將動(dòng)力響應(yīng)分析得到的監(jiān)測(cè)點(diǎn)加速度數(shù)據(jù)與水下井口目標(biāo)位置的彎曲應(yīng)力數(shù)據(jù)提取后進(jìn)行數(shù)據(jù)歸一化預(yù)處理；將預(yù)處理后的數(shù)據(jù)使用滑動(dòng)窗口切片法得到用于深度學(xué)習(xí)訓(xùn)練的特征向量；將特征向量集輸入LSTM網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，得到水下井口疲勞損傷深度學(xué)習(xí)模型并基于案例驗(yàn)證模型精度。深度學(xué)習(xí)主要分為訓(xùn)練和測(cè)試2大部分，使用Python進(jìn)行深度學(xué)習(xí)模型搭建。

圖1 深度學(xué)習(xí)預(yù)測(cè)流程

1.2 預(yù)處理及特征向量的生成

理想情況下，以來自現(xiàn)場(chǎng)的真實(shí)傳感器數(shù)據(jù)來進(jìn)行深度學(xué)習(xí)最佳。但這需要使用水下井口系統(tǒng)的彎曲應(yīng)力監(jiān)測(cè)數(shù)據(jù)，這在實(shí)際海洋環(huán)境中幾乎難以實(shí)現(xiàn)。深水鉆井隔水管-水下井口系統(tǒng)的控制方程和基于有限元方法的數(shù)值算法在實(shí)際工程中已得到了合理的校準(zhǔn)，應(yīng)用廣泛。本文以波浪載荷矩陣為例，基于有效波高(Hs)和譜峰周期(Tp)的波浪載荷訓(xùn)練矩陣，使用隔水管-水下井口系統(tǒng)動(dòng)力響應(yīng)分析提取的響應(yīng)數(shù)據(jù)模擬真實(shí)傳感器的監(jiān)測(cè)結(jié)果。在不同海況下，通過動(dòng)力響應(yīng)分析生成和收集時(shí)序數(shù)據(jù)進(jìn)行水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)模型的訓(xùn)練及測(cè)試。

用于動(dòng)力響應(yīng)分析的隔水管-水下井口系統(tǒng)的橫向振動(dòng)控制方程為[26-30]：

(1)

式中：x、y為系統(tǒng)軸向、橫向坐標(biāo)位置，m；t為時(shí)間，s；mr為系統(tǒng)單位長(zhǎng)度質(zhì)量，kg/m；cr為系統(tǒng)阻尼系數(shù)，N·s/m；E為彈性模量，Pa；I(x)為截面慣性矩，m4；T(x)為系統(tǒng)的有效軸向張力，N；Fsea(x，t)為循環(huán)載荷作用在系統(tǒng)單位長(zhǎng)度上的力，主要為波浪和海流的水動(dòng)力載荷，N/m。

使用JONSWAP譜進(jìn)行隨機(jī)波浪的模擬，JONSWAP譜表達(dá)式為：

(2)

式中：Aγ為帶增強(qiáng)因子；γ為歸一化因子；Hs為有效波高，m；ωp為峰值頻率，rad/s；ω為波浪頻率，rad/s；σ為譜寬參數(shù)。

使用線性波疊加原理疊加100個(gè)規(guī)則波，生成隨機(jī)信號(hào)：

(3)

式中：τ(x，y，t)為波高，m；N為組成波個(gè)數(shù)；ωi為第i個(gè)組成波頻率，rad/s；SJ(ωi)為頻率ωi個(gè)對(duì)應(yīng)的功率譜密度，m2·s；Δωi為頻率間距，rad/s；ki為第i個(gè)組成波波數(shù)；εi為均勻分布在0～2π之間的隨機(jī)相位。

通過可變頻率間隔避免了時(shí)間歷程中的信號(hào)重復(fù)，因此每個(gè)正弦波具有相等的頻譜能量。波譜的增強(qiáng)參數(shù)固定為2.14。

建立隔水管-水下井口系統(tǒng)有限元法分析模型，并使用Newmark-β法進(jìn)行動(dòng)力響應(yīng)分析。分析模型為：

(4)

防噴器監(jiān)測(cè)點(diǎn)及水下井口目標(biāo)點(diǎn)位置如圖2所示。

圖2 監(jiān)測(cè)點(diǎn)及目標(biāo)位置

1.3 LSTM模型建立及訓(xùn)練

1.3.1 LSTM基本原理

目前深度學(xué)習(xí)方法被廣泛應(yīng)用于各行業(yè)的數(shù)據(jù)信息挖掘，常見的深度學(xué)習(xí)方法有BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)等[31]。這些方法各有其獨(dú)特性，而RNN與LSTM的特點(diǎn)為時(shí)序數(shù)據(jù)處理。RNN較早用于處理時(shí)序數(shù)據(jù)，它保留了每一個(gè)時(shí)間步的信息，使得其在訓(xùn)練時(shí)存在梯度消失和爆炸的問題，且計(jì)算成本大幅增加。LSTM網(wǎng)絡(luò)在RNN的基礎(chǔ)上引入了門結(jié)構(gòu)，可以有選擇性地記憶以往信息，減少梯度消失和梯度爆炸的可能性并提高了計(jì)算效率。因此，本文使用LSTM進(jìn)行水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)。LSTM基本結(jié)構(gòu)單元[32-33]基本組成結(jié)構(gòu)是3個(gè)門結(jié)構(gòu)，分別是“輸入門”“輸出門”“遺忘門”。通過門結(jié)構(gòu)，LSTM神經(jīng)網(wǎng)絡(luò)可以將短期記憶和長(zhǎng)期記憶相連接，并可以調(diào)控任意時(shí)刻的狀態(tài)和輸出，這樣就很好地解決了梯度消失的問題。LSTM神經(jīng)網(wǎng)絡(luò)輸入門的作用是遺忘部分狀態(tài)并從當(dāng)前輸入中補(bǔ)充最新的狀態(tài)；輸出門的作用是將前一時(shí)刻的輸出和現(xiàn)在時(shí)刻的輸入結(jié)合確定現(xiàn)在時(shí)刻的輸出；遺忘門的作用是讓神經(jīng)網(wǎng)絡(luò)遺忘上個(gè)節(jié)點(diǎn)沒有用過的輸入信息，從而更好地記住有用信息。LSTM有一種特殊的存儲(chǔ)單元，其作用類似于累加器，該單元直接連接了先前狀態(tài)和下一狀態(tài)，因此它可以復(fù)制當(dāng)前狀態(tài)并累加一切外部信號(hào)。LSTM可以通過遺忘門決定何時(shí)清除無用內(nèi)容。

1.3.2 LSTM神經(jīng)網(wǎng)絡(luò)模型搭建

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是整個(gè)網(wǎng)絡(luò)模型最重要的一個(gè)環(huán)節(jié)，訓(xùn)練效果直接決定了整個(gè)模型的預(yù)測(cè)質(zhì)量。本文的輸入數(shù)據(jù)(BOP監(jiān)測(cè)位置處的加速度)與輸出數(shù)據(jù)(水下井口的彎矩應(yīng)力)量級(jí)相差過大，如果一并輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練會(huì)導(dǎo)致學(xué)習(xí)速率和學(xué)習(xí)精度大大降低。為了消除數(shù)據(jù)之間數(shù)量級(jí)帶來的差異同時(shí)保證訓(xùn)練質(zhì)量，在訓(xùn)練之前需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，即數(shù)據(jù)歸一化與反歸一化，將所有的數(shù)據(jù)歸一化到[0，1]區(qū)間內(nèi)。本文采用的歸一化方式為：

(5)

式中：a為原數(shù)據(jù)；b為歸一化處理后的數(shù)據(jù)；amax、amin分別為每一行數(shù)據(jù)的最大值和最小值。

隱藏層數(shù)及神經(jīng)元個(gè)數(shù)是LSTM模型構(gòu)建過程中2個(gè)重要參數(shù)。隱藏層數(shù)及特征維度過低會(huì)導(dǎo)致模型結(jié)構(gòu)簡(jiǎn)單，泛化能力較低；過高則會(huì)增加模型訓(xùn)練難度，導(dǎo)致模型過擬合。因此選擇合適的隱藏層數(shù)及特征維度至關(guān)重要。本文中隱藏層層數(shù)及特征維度對(duì)模型的性能測(cè)試結(jié)果如圖3所示。由圖3a可知，不同的隱藏層層數(shù)對(duì)應(yīng)損失函數(shù)變化沒有顯著差異；由圖3b可知，根據(jù)特征維度與100個(gè)或更多的神經(jīng)元沒有顯著差異。當(dāng)隱藏層層數(shù)數(shù)及特征維度分別為3和50時(shí)，可以獲得足夠高的精度且計(jì)算成本相對(duì)較低，故選擇隱藏層層數(shù)為3，特征維度為50。

圖3 LSTM參數(shù)對(duì)Loss值的影響

1.4 模型評(píng)價(jià)指標(biāo)

訓(xùn)練結(jié)束后，采用平均絕對(duì)百分比誤差(EMAP)、均方誤差(EMS)和決定系數(shù)(R2)作為度量標(biāo)準(zhǔn)來評(píng)估訓(xùn)練的LSTM模型的性能。其中，R2的范圍為[0，1]，R2值接近1表示訓(xùn)練模型精度較高。EMAP、EMS和R2的計(jì)算方法如下：

(6)

(7)

(8)

(9)

(10)

2 案例分析

本文采用的訓(xùn)練及測(cè)試海況矩陣如表1所示，包含13個(gè)訓(xùn)練案例(海況1～13)及5個(gè)測(cè)試案例(海況14～18)。每個(gè)案例的模擬時(shí)間均為4 500 s，模擬步長(zhǎng)為0.1 s，提取穩(wěn)定后的4 000 s數(shù)據(jù)，用于訓(xùn)練的總模擬時(shí)間為52 000 s。使用滑動(dòng)窗口切片法生成用于LSTM訓(xùn)練的時(shí)序訓(xùn)練數(shù)據(jù)，設(shè)置移動(dòng)窗口長(zhǎng)度為5 s，步長(zhǎng)為0.1 s，生成的每個(gè)訓(xùn)練樣本在0.1 s時(shí)間步長(zhǎng)下有50個(gè)數(shù)據(jù)點(diǎn)。最終的每一組訓(xùn)練數(shù)據(jù)都有2個(gè)特征向量(BOP加速度和傾角)，每個(gè)特征向量都是長(zhǎng)度為5 s的時(shí)間序列。訓(xùn)練數(shù)據(jù)按8∶2的比例劃分為訓(xùn)練集和驗(yàn)證集。

表1 訓(xùn)練及測(cè)試海況矩陣

預(yù)測(cè)模型的特征參數(shù)設(shè)置如表2所示，其中迭代次數(shù)為模型訓(xùn)練過程中，根據(jù)損失函數(shù)的曲線變化來選定，最終發(fā)現(xiàn)訓(xùn)練500次之后損失曲線趨于平穩(wěn)，達(dá)到了很好的收斂效果。

表2 LSTM預(yù)測(cè)模型參數(shù)

2.1 LSTM模型評(píng)價(jià)

根據(jù)上述模型參數(shù)進(jìn)行LSTM網(wǎng)絡(luò)搭建，將訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集輸入網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。采用擬合優(yōu)度決定系數(shù)R2與均方誤差作為結(jié)果評(píng)價(jià)指標(biāo)，如圖4所示。

圖4 評(píng)價(jià)指標(biāo)結(jié)果

由圖4a可知，在模型訓(xùn)練迭代500次以后，均方根誤差幾乎不變且達(dá)到一個(gè)很小的值，此時(shí)隨著迭代次數(shù)增加，訓(xùn)練誤差不會(huì)再出現(xiàn)明顯的變化，可結(jié)束深度學(xué)習(xí)訓(xùn)練。由圖4b可知，該模型的驗(yàn)證集決定系數(shù)R2平均值為0.999 96，表明預(yù)測(cè)精度比較高，可用該深度學(xué)習(xí)模型進(jìn)行水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)。

2.2 應(yīng)力預(yù)測(cè)分析

訓(xùn)練結(jié)束后，使用驗(yàn)證集海況14～18對(duì)水下井口彎曲應(yīng)力預(yù)測(cè)的深度學(xué)習(xí)模型進(jìn)行驗(yàn)證。深度學(xué)習(xí)模型整體結(jié)果評(píng)價(jià)如圖5所示，具體數(shù)值見表3。由表3及圖5可知，模型在所有海況下的預(yù)測(cè)結(jié)果都較為精確，平均絕對(duì)百分比誤差EMAP均小于1%，決定系數(shù)R2均大于0.999，預(yù)測(cè)精度高。

表3 深度學(xué)習(xí)模型評(píng)價(jià)

圖5 不同海況評(píng)價(jià)結(jié)果對(duì)比

用于驗(yàn)證海況14～18的水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)結(jié)果和動(dòng)力響應(yīng)分析獲得的彎曲應(yīng)力對(duì)比及對(duì)應(yīng)工況下的擬合優(yōu)度如圖6所示。

圖6 預(yù)測(cè)結(jié)果對(duì)比與擬合優(yōu)度

由圖6可知，對(duì)于各種海況下的水下井口系統(tǒng)彎曲應(yīng)力時(shí)間歷程，可以將所有工況的輸入和輸出數(shù)據(jù)訓(xùn)練得到一個(gè)LSTM網(wǎng)絡(luò)，建立水下井口彎曲應(yīng)力預(yù)測(cè)模型。在測(cè)試海況中，無論是在深度學(xué)習(xí)模型訓(xùn)練矩陣中間的海況14～17，還是在訓(xùn)練矩陣邊緣的海況18，模型的輸出結(jié)果都與隔水管-水下井口系統(tǒng)動(dòng)力響應(yīng)分析提取的水下井口彎曲應(yīng)力時(shí)間歷程曲線相符。通過擬合優(yōu)度圖可以看出，所有彎曲應(yīng)力值都均勻地分布在零誤差基準(zhǔn)線附近，決定系數(shù)R2均在0.999以上，說明模型預(yù)測(cè)精度較高，與真實(shí)值誤差較小，故可用此模型預(yù)測(cè)水下井口系統(tǒng)彎曲應(yīng)力，為后續(xù)的水下井口系統(tǒng)疲勞損傷計(jì)算提供數(shù)據(jù)支撐。

3 結(jié) 論

(1)本文提出一種基于LSTM網(wǎng)絡(luò)的水下井口系統(tǒng)彎曲應(yīng)力智能預(yù)測(cè)方法。基于LSTM網(wǎng)絡(luò)強(qiáng)大的非線性映射能力及實(shí)時(shí)性特點(diǎn)，將BOP處的加速度及傾角與水下井口系統(tǒng)彎曲應(yīng)力建立映射關(guān)系，通過對(duì)BOP進(jìn)行狀態(tài)監(jiān)測(cè)以間接對(duì)水下井口系統(tǒng)進(jìn)行監(jiān)測(cè)，解決了水下井口系統(tǒng)因環(huán)境制約而監(jiān)測(cè)困難的難題。

(2)通過深度學(xué)習(xí)案例分析驗(yàn)證了本方法的可行性，結(jié)果表明，基于LSTM的水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)方法決定系數(shù)R2均大于0.999，模型預(yù)測(cè)精度較高，滿足水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)過程的準(zhǔn)確性及實(shí)時(shí)性要求，可使用LSTM網(wǎng)絡(luò)進(jìn)行水下井口系統(tǒng)彎曲應(yīng)力預(yù)測(cè)。