李昌華，張學齡，杜小蕓，郭志陽

（1.長江大學石油工程學院，武漢 430100；2.中石化石油工程設計有限公司，山東東營 257026；3.油氣鉆采工程湖北省重點實驗室，武漢 430100）

0 引 言

井漏一直是鉆井研究的主題，事故一旦發(fā)生，不僅影響勘探開發(fā)的進程，還可能導致井眼報廢，甚至造成嚴重的人員傷亡事故，處理井漏的最好辦法就是人為抑制發(fā)生，但目前預測方法仍不成熟。

常規(guī)判斷井漏的測井技術有自然伽馬測井、自然電位測井、井徑測井、井溫測井、成像測井等。井漏位置計算的主要方法有正反循環(huán)測試法、井漏前后泵壓變化測試法、注低密度鉆井液找漏層位置、循環(huán)時差法等。分析井漏發(fā)生的條件可以歸納為：鉆井液性能、漏失壓差和漏失通道的性質。范翔宇等［1］對DN氣田的漏失層位進行確定時發(fā)現(xiàn)，在鉆井液性能發(fā)生變化時，僅依靠鉆井不能準確確定漏失層段，還需要依靠測井手段來解決問題。陳鋼花等［2］利用改進立壓變化法計算井漏層位。改進的方法需要鉆井液以及井眼的相關參數(shù)，達到較高的準確率，但鉆井液參數(shù)測量分辨率較低，使得計算結果誤差很大，難以在現(xiàn)場推廣應用。昌犇［3］利用電阻率、井溫等多條測井曲線以及成像測井法對紅河油田進行分析，可判斷正在漏失和漏失時間不長的層位，確定漏失層段；成像測井在此基礎上可確定漏層的特征和漏失通道的性質。傳統(tǒng)確定漏失層位的方法依賴專家經驗，技術可復制性差，難以避免地造成鉆井液的損失和油層的污染。同時，分析過程所需數(shù)據(jù)資料多，計算復雜，難以及時有效地確定漏失層位，無法滿足深井復雜地層的鉆探安全需求［4-5］。

隨著機器學習在油氣領域的進一步發(fā)展，信息化、智能化成為油田企業(yè)新的建設方向。深度學習作為機器學習中最重要的一個分支，對數(shù)據(jù)處理具有獨特的優(yōu)勢，從業(yè)者已在油氣各領域展開了研究［6-8］。涂曦予等［9］以錄井觀測日志為數(shù)據(jù)支撐，利用自然語言處理方法，基于Xgbost 算法建立了井漏事故預警模型；王雷雯［10］選用生物地理算法結合BP神經網絡建立漏失層預測模型，通過該算法得到網絡初始權重和閾值來訓練神經網絡，得到了較為準確的預測結果。Arehart［11］利用神經網絡開展鉆頭故障的研究，Ben等［12］利用隨機森林算法等混合模型實現(xiàn)鉆井狀態(tài)的實時識別。卷積神經網絡是受生物視覺機制啟發(fā)而來的一種高效信息識別模式，具有局部區(qū)域連接、權值共享、降采樣等特點，在一些領域已經開展了豐富的應用，但運用該方法預測井漏問題的案例較少。

本文建立卷積神經網絡預測井漏模型，利用圖像識別對數(shù)據(jù)進行分析；對數(shù)據(jù)進行預處理，增加有效數(shù)據(jù)；將特征物理數(shù)值轉化為數(shù)字圖片，直觀了解漏失圖像；結合現(xiàn)場數(shù)據(jù)將傳統(tǒng)思路與本文方法進行對比，表明本模型的合理性與可靠性。

1 井漏預測卷積神經網絡模型

1.1 數(shù)據(jù)來源及預處理

本數(shù)據(jù)來自某油田A 區(qū)塊，該油田為奧陶系碳酸鹽裂縫-洞穴型油藏，儲層埋藏深度超7 km。該地區(qū)地質結構復雜，受斷裂運動影響，易發(fā)生垮塌漏失事故，部分井甚至還發(fā)生過嚴重的連續(xù)漏失事故。通過對測井數(shù)據(jù)進行統(tǒng)計，本文選取解釋井漏所需的特征值，同時所有井中共有的特征量制作數(shù)據(jù)集。包括伽馬值、自然電位、泥漿電阻率、聲波時差、鉆時、井溫、井徑等特征量。漏失記錄中，詳細記錄的有效數(shù)據(jù)有57處。通過研究井史資料，現(xiàn)場平均每天鉆深30 m，因此統(tǒng)計漏失前30 m數(shù)據(jù)作為預警數(shù)據(jù)，綜合分析下方地層的漏失風險，共計54 處有效樣本，其余視為正常數(shù)據(jù)。數(shù)據(jù)處理過程如下：

（1）歸一化。為消除原始數(shù)據(jù)中量綱和取值范圍對結果的影響，使網絡能正常響應不同的輸入信號，為便于綜合分析，利用線性函數(shù)對輸入數(shù)據(jù)進行歸一化處理，將其轉換到［0，1］的范圍。此外，歸一化還能加快網絡的學習速度。選用最小-最大歸一化函數(shù)

式中：X為原始數(shù)據(jù)；Xnorm、Xmin和Xmax分別為歸一化后的數(shù)據(jù)、數(shù)據(jù)集中的最小和最大值。

（2）數(shù)據(jù)增廣。根據(jù)統(tǒng)計，有54 處漏失前的有效樣本，不利于神經網絡訓練出足夠好的參數(shù)。為增加有效數(shù)據(jù)，通過對數(shù)據(jù)進行翻轉處理增加偽樣本數(shù)量。其他則為測井數(shù)據(jù)中篩選得到的正常數(shù)據(jù)。按照3.5∶1合理劃分訓練集與測試集的數(shù)據(jù)量，共計900 例。數(shù)據(jù)集制作結果見表1。

表1 數(shù)據(jù)集組成

（3）數(shù)字圖像化。為方便觀察井漏特征，將特征量轉化為數(shù)字圖像。圖像在計算機中是由矩陣排列的多個像素點組成，每個像素點有一對應的數(shù)值表示該像素點的亮度，這些像素點陣的數(shù)值構成了一個離散函數(shù)：

式中：i取值范圍為［1，N］；j為［1，M］。

以該區(qū)塊中A-1 井為例，該井有效數(shù)據(jù)深度910～9 396 m，多次發(fā)生漏失，將歸一化后的測井數(shù)據(jù)轉化為數(shù)字圖像如圖1 所示。該井漏失圖像與預警圖像如圖1（a）所示，由于漏失3、4，漏失6、7 處深度相距較近，將包含兩處漏失的前30 m數(shù)據(jù)區(qū)間并為一處。每個小圖片對應300 ×7 的數(shù)據(jù)段，逐個把數(shù)據(jù)段轉化為單個圖片后，拼接得到單井數(shù)字圖像如圖1（b）所示。

圖1 測井數(shù)字圖像

1.2 CNN結構模型特點

卷積神經網絡中，卷積核參數(shù)被輸入層數(shù)據(jù)共享，大大減少了權重的數(shù)量，降低了網絡的復雜度。卷積核類似于窗口，以固定的大小、步幅按照數(shù)據(jù)的軸向順序依次滑動，持續(xù)計算。利用數(shù)據(jù)間的局部相關性，卷積核不斷提取數(shù)據(jù)的有效信息。測井數(shù)據(jù)的卷積過程如圖2、3 所示。

圖2 數(shù)字圖像卷積過程

1.2.1 CNN結構

卷積神經網絡中卷積層擁有多個小型濾波器，它們在加深網絡的同時，分析鄰近及相距較遠的數(shù)據(jù)之間的關聯(lián)，更好地利用數(shù)據(jù)的隱藏信息，得到輸入數(shù)據(jù)或圖像的多個特征，池化層進一步提取圖像重要信息。原本復雜的曲線數(shù)據(jù)通過CNN處理，避免了人工提取特征的過程。卷積過程擴大了神經元處理數(shù)據(jù)的范圍，提高模型的容錯性。建立的卷積神經網絡構成如圖3、4 所示。

圖3 卷積計算圖

圖4 卷積神經網絡

全連接層（Affine）對輸入數(shù)據(jù)進行了抽象處理，通過特征數(shù)據(jù)的線性組合去判斷提取到的信息是否正確；神經網絡計算得到的數(shù)值，相當于對特征關系強弱的描述，即數(shù)據(jù)間的相對聯(lián)系。根據(jù)傳入數(shù)據(jù)的形狀，將相鄰神經元連接在一起，決定模型輸出的格式：

式中：wij（l）為該神經元的權重；xj（l－1）為上一層神經元的輸出；bi（l）為偏置。

全連接層中隱藏層節(jié)點數(shù)為

式中：mi為輸入層節(jié)點數(shù)；mj為輸出層節(jié)點數(shù)。經分析與嘗試，本次隱藏層取55 層。

損失函數(shù)選擇交叉熵誤差函數(shù)，N個數(shù)據(jù)的交叉熵誤差［13］（損失函數(shù)總和），即

式中：ti，k為正確解標簽；yi，k為神經網絡的輸出。

1.2.2 參數(shù)的優(yōu)化

（1）參數(shù)優(yōu)選。由于損失函數(shù)復雜，參數(shù)空間龐大，為同時保證模型準確率和加速模型的收斂速度，需要得到最優(yōu)參數(shù)搭配。為使梯度下降到全局最優(yōu)，優(yōu)化器使用由動量梯度下降法和RMS算法結合的Adam優(yōu)化算法。

卷積層激活函數(shù)使用ReLU 函數(shù)，權重初始值使用He初始值分布，即標準差為0.01 的高斯分布。通過構建多個神經網絡模型發(fā)現(xiàn)，增加神經元層數(shù)要比增加神經元數(shù)量可得到更快的收斂速度，最終參數(shù)取值見表2。

表2 網絡參數(shù)表

（2）抑制過擬合以提高模型的泛化能力。很多情況下權重參數(shù)取值過大導致過擬合的發(fā)生，在本模型中，為損失函數(shù)加權重的平方范數(shù)（L2范數(shù)）來抑制權重過大，防止過擬合的發(fā)生。則L2范數(shù)

式中，wi為權重值。

隨著網絡的復雜度增加，僅用權值衰減難以達到理想的訓練結果。Dropout可有效地加快訓練進程，初步訓練趨勢如圖5 所示。圖中橫坐標為全部數(shù)據(jù)集完成一次前向和后向傳播的次數(shù)，縱坐標為準確率。隨著訓練次數(shù)的增加，訓練集和測試集的準確率持續(xù)上升且無過擬合情況。經過300 次迭代的初步學習，訓練集和測試集的準確率如圖5 所示，分別達到60%、50%以上。

圖5 正則化后訓練過程

2 結果與討論

2.1 傳統(tǒng)井漏識別方法的不足

測井記錄每0.1 或0.125 m 采樣一次，最終每口井均包含數(shù)萬行的記錄數(shù)據(jù)。井漏的發(fā)生，都有一些與之響應的先兆，利用現(xiàn)代工程技術實時監(jiān)測采集這些信息，可歸納為：泥漿池液面下降；鉆井液密度增大；鉆時明顯減小等。分析圖6 發(fā)現(xiàn)，在左圖測井曲線中：自然電位、聲波時差等數(shù)據(jù)變化異常，電阻率、鉆時出現(xiàn)增大趨勢，通過數(shù)據(jù)分析、專家研判后得到漏失深度位于4 169 m處。傳統(tǒng)方法只能在漏失發(fā)生后進行研判，費時且工程損失較大。

圖6 漏失段數(shù)據(jù)圖

2.2 CNN模型訓練結果

卷積核在降低數(shù)據(jù)維度的過程中，對區(qū)間井深的特征數(shù)據(jù)進行了綜合計算。本模型以30 m 深度數(shù)據(jù)量作為單個輸入數(shù)據(jù)對漏失事故進行預測，相比單行數(shù)據(jù)，神經網絡提取到關于該區(qū)域內更綜合的工程信息，同時使模型的預測結果具有更高的容錯力。以測試集中A08 井2 次漏失，A14、A19 井各一次漏失（均未參與訓練）為例，在施工過程中，模型實時根據(jù)當前深度至上方30 m 區(qū)間測井數(shù)據(jù)分析下方地層狀態(tài)。在到達事故地層前，模型發(fā)出警告信息。

由測井數(shù)據(jù)轉換為圖像后，從另一角度體現(xiàn)特征量的變化情況，將測試集中的部分發(fā)出預警的數(shù)據(jù)段可視化后得到預警圖像見表3。預測對比測井曲線與對應預警圖像發(fā)現(xiàn)，不同深度所對應的圖像中主色彩存在差異。漏失前30 m 所處的深度區(qū)間中的特征量數(shù)值波動時，預警圖片在對應高度上的色彩出現(xiàn)了分層漸變的現(xiàn)象。針對這類數(shù)據(jù)，卷積神經網絡可快速地分析特征變化，通過模型的前向與反向傳播，在訓練過程中逐步強化對特征值的響應，從而識別到正確的漏前特征。

表3 測井曲線與預警圖像對比

如圖7 所示，訓練過程中，對訓練集全部數(shù)據(jù)迭代一輪后，利用測試集數(shù)據(jù)計算模型的準確率。經過多輪訓練，模型對下方地層情況的判別能力逐步提升，訓練集準確率達到90%以上。將未參與訓練的測試集傳入訓練好的模型發(fā)現(xiàn)，測試集的平均準確率達到了91.5%。

圖7 CNN模型訓練結果圖

最終識別情況見表4。訓練結果表明，模型可根據(jù)當前30 m特征數(shù)據(jù)對下方地層及時發(fā)出預警信息，對漏失情況進行準確判斷。

表4 模型對不同工況識別準確率

3 結 語

（1）設計了一套適合神經網絡的數(shù)據(jù)處理方法，選取預測所需的地質、工程、流體相關的7 個特征量，對數(shù)據(jù)進行增廣后解決了樣本偏少的問題，模型的表現(xiàn)說明了參數(shù)選取與處理方法的可靠性。

（2）使用圖像處理的方法，將測井數(shù)據(jù)可視化，以圖片形式理解數(shù)據(jù)的變化，了解數(shù)據(jù)處理情況和卷積核的特征計算流程。圖像特征與數(shù)據(jù)變化相對應，對數(shù)據(jù)分析增加了新的角度。

（3）使用多口不同深度的井漏失數(shù)據(jù)對模型進行訓練，模型可對不同情況下的風險識別具有較好的泛化能力；通過現(xiàn)場數(shù)據(jù)測試，模型對不同工況下測井數(shù)據(jù)預測的平均準確率為91.5%，可綜合當前30 m的數(shù)據(jù)信息對下方井漏風險進行實時監(jiān)測。本方法得到的結果與實際情況基本相符，具有一定的可行性，對工程中應對井漏事故具有一定的輔助決策意義。