陳衛(wèi)明，王家文，凡 東，郝世俊，趙江鵬，邱 雨

(1.中國地質(zhì)大學(xué)(武漢) 工程學(xué)院，湖北 武漢 430074；2.中國地質(zhì)大學(xué)(武漢) 自然災(zāi)害風(fēng)險防控與應(yīng)急管理實驗室，湖北 武漢 430074；3.陜西省煤礦水害防治技術(shù)重點實驗室，陜西 西安 710077；4.中煤科工西安研究院(集團)有限公司，陜西 西安 710077)

煤炭作為我國重要能源之一，煤炭資源百分之九十以上為地下開采，且賦存條件較為復(fù)雜[1]。近年來，隨著煤礦資源開發(fā)的不斷深入，淺部煤層已開采殆盡，需增加礦區(qū)開采深度以滿足對煤礦能源的需求，多數(shù)采礦深度已經(jīng)達到了800 m 以上，所處地質(zhì)條件復(fù)雜。礦井透水、瓦斯等事故給煤礦安全生產(chǎn)帶來挑戰(zhàn)，礦山事故救援難度增大[2]。在礦難事故發(fā)生時，解救困在井下巷道的人員，快速建立應(yīng)急救援通道是減少人員傷亡和經(jīng)濟損失的關(guān)鍵[3]。目前救援方式主要有井下和地面兩種，相較而言，井下救援方式受制于災(zāi)后巷道條件且危險系數(shù)大，因而地面鉆進救援技術(shù)應(yīng)運而生，地面救援一般是通過小直徑鉆孔形成搜救孔結(jié)合探測設(shè)備搜尋被困人員，然后采用大直徑鉆孔構(gòu)造救援孔營救被困人員[4]。在建立救援孔的鉆進過程中，由于地質(zhì)構(gòu)造復(fù)雜、鉆孔施工工藝及設(shè)備等各種因素會增加鉆進作業(yè)的危險性。其中井涌井漏事故屬于經(jīng)常發(fā)生，且對人員生命與財產(chǎn)危害較大的鉆進事故類型[5]。為構(gòu)建安全高效的救援通道，在鉆進過程中加強對該類事故的控制、建立高可靠性的事故預(yù)警預(yù)測系統(tǒng)顯得尤為重要。確保系統(tǒng)及時診斷鉆進事故并預(yù)測其發(fā)展狀態(tài)、使現(xiàn)場人員及時采取有效的事故控制措施，是保障礦山井下事故成功救援的關(guān)鍵[6]。

隨著機器學(xué)習(xí)技術(shù)在人類生產(chǎn)生活中的運用愈發(fā)廣泛，諸多國內(nèi)外學(xué)者已將這類技術(shù)用于鉆孔鉆探行業(yè)的風(fēng)險、事故識別控制中[7]。目前國內(nèi)外學(xué)者對于鉆進過程事故診斷識別和預(yù)警研究開展了大量的研究工作，主要通過引入動力學(xué)建模、傳統(tǒng)機器學(xué)習(xí)、計算機大數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)等算法實現(xiàn)對鉆進過程事故的預(yù)警預(yù)測[8]。(1)在動力學(xué)建模方面，國內(nèi)外學(xué)者主要是采用精確的地質(zhì)建模與壓力預(yù)測技術(shù)，配合隨鉆測量系統(tǒng)并建立數(shù)據(jù)更新模型實現(xiàn)鉆進過程事故預(yù)警[9]；此外，還通過鉆進參數(shù)變化仿真建模模擬事故發(fā)生時的參數(shù)特征變化，為操作人員在鉆進過程事故診斷提供參考[10]。(2)在傳統(tǒng)機器學(xué)習(xí)方面，有學(xué)者提出將鉆進過程的實時工程參數(shù)作為輸入，鉆進狀態(tài)作為輸出，采用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)井涌的早期計算和監(jiān)測[11]，后續(xù)研究又將鉆孔、地質(zhì)等數(shù)據(jù)作為動態(tài)神經(jīng)網(wǎng)絡(luò)的輸入，實現(xiàn)鉆孔井漏的預(yù)測計算[12]，其研究思路是采用動態(tài)神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)鉆井工程參數(shù)的變化趨勢與事故之間的關(guān)聯(lián)關(guān)系從而建立石油鉆井事故預(yù)警方法[13]。(3)大數(shù)據(jù)技術(shù)與神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方法是近年來的研究熱點，其基本研究思路是在歷史作業(yè)數(shù)據(jù)的基礎(chǔ)上，通過建立神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對作業(yè)過程態(tài)勢預(yù)測，所采用的模型主要有BP神經(jīng)網(wǎng)絡(luò)、案例推理、貝葉斯網(wǎng)絡(luò)、深度學(xué)習(xí)等。如利用鄰井作業(yè)數(shù)據(jù)，通過BP 神經(jīng)網(wǎng)絡(luò)預(yù)測鉆井過程中鉆井液出口流量，并與正常鉆進過程的出口流量進行對比，實時監(jiān)測井涌事故發(fā)展狀態(tài)[14]；基于案例推理技術(shù)與鉆進事故表征數(shù)據(jù)，實時分析現(xiàn)場數(shù)據(jù)與歷史事故數(shù)據(jù)之間相似度，實現(xiàn)鉆進過程事故預(yù)警[15]；基于貝葉斯網(wǎng)絡(luò)模型與鉆井工程參數(shù)，模型通過提取鉆進參數(shù)與井涌井漏事故之間邏輯關(guān)系，實現(xiàn)鉆進過程井涌井漏事故的預(yù)警預(yù)報[16]?；贚STM 神經(jīng)網(wǎng)絡(luò)模型與鉆井工程參數(shù)，學(xué)習(xí)鉆進參數(shù)時間序列數(shù)據(jù)與鉆進事故類型對應(yīng)關(guān)系，實現(xiàn)鉆進過程事故預(yù)警[17]。綜上，國內(nèi)外學(xué)者針對鉆進過程中的井涌井漏事故預(yù)警預(yù)測技術(shù)進行了大量的科學(xué)研究，也取得了較多的研究成果，但對于井涌井漏事故的診斷以及事故發(fā)展狀態(tài)預(yù)測的研究還處于探索階段，尚需進一步挖掘鉆進過程中的工程數(shù)據(jù)與井涌井漏事故之間的關(guān)聯(lián)，解決模型實際應(yīng)用過程中存在預(yù)警預(yù)測效果不理想和泛化性較差等問題。

針對以上問題，構(gòu)建了一種礦山地面救援通道鉆進過程中井涌井漏事故預(yù)警預(yù)測模型。模型由XGBoost事故診斷預(yù)警模型與PSO-LSTM 事故發(fā)展狀態(tài)預(yù)測模型組成。該模型首先對實時采集的鉆進參數(shù)進行數(shù)據(jù)清洗處理，提取時間節(jié)點的參數(shù)變化趨勢；然后通過XGBoost 集成分類模型對鉆進過程中井涌井漏事故進行早期的診斷識別；最后采用PSO-LSTM 神經(jīng)網(wǎng)絡(luò)對事故發(fā)生后的孔底壓力參數(shù)發(fā)展趨勢進行預(yù)測，進而掌握井涌井漏事故的發(fā)展狀態(tài)與風(fēng)險等級。該模型深度挖掘鉆進數(shù)據(jù)與事故之間的邏輯關(guān)系，且充分發(fā)揮機器學(xué)習(xí)技術(shù)在精準分析、快速高效判斷等優(yōu)勢，實時分析鉆進數(shù)據(jù)、監(jiān)測井涌井漏參數(shù)變化趨勢，實現(xiàn)實時預(yù)警預(yù)測，為救援鉆孔過程中井漏井涌事故控制提供了全新的思路。

1 井涌井漏事故表征參數(shù)分析

在地面救援通道鉆孔過程中，轉(zhuǎn)盤或動力頭(頂驅(qū))驅(qū)動鉆桿帶動鉆頭回轉(zhuǎn)，給進裝置或絞車通過控制鉆具的下放速度給予鉆頭適當(dāng)鉆壓，泥漿泵循環(huán)泥漿沖洗井底、攜出巖屑，并維持井內(nèi)壓力，保證井壁的相對穩(wěn)定[18]。當(dāng)?shù)貙又杏凶匀恍纬傻穆┦ǖ阑蜚@井液密度過高時，地層壓力低于井筒內(nèi)壓力，導(dǎo)致鉆井液從井內(nèi)流入地層，造成井漏事故。當(dāng)鉆遇高壓地層或起鉆速度過高時，地層壓力高于井筒內(nèi)壓力，導(dǎo)致地層孔隙內(nèi)的流體滲入井內(nèi)，造成井涌事故[18]。井漏事故如未及時采取堵漏措施，會導(dǎo)致井下復(fù)雜情況或井下安全事故的發(fā)生；井涌事故如未及時采取控制措施，會對鉆井液造成污染，隨著井涌量增大，最終會演變?yōu)榫畤姷戎卮蟀踩鹿蔥19]。井涌井漏事故的失控會導(dǎo)致救援通道構(gòu)建速度減緩、延誤最佳救援時間、降低鉆孔救援成功率，甚至危及救援鉆孔作業(yè)人員的生命安全[20]。

在井涌井漏事故發(fā)生初期，可通過鉆進工程參數(shù)的異常變化診斷事故，但依據(jù)某一項參數(shù)的變化識別鉆進事故并不全面。為充分挖掘鉆進參數(shù)與事故之間的邏輯關(guān)聯(lián)，需綜合考慮多項鉆進參數(shù)來識別井涌井漏事故，以此確保預(yù)警模型的準確性與科學(xué)性。經(jīng)過對井涌井漏事故的分析，選取以下4 項鉆進參數(shù)進行討論。

(1) 總池體積：整個鉆進循環(huán)系統(tǒng)鉆井液量保持不變情況下，如遇井涌事故，鉆井液返出量增大，泥漿池液面高度會增加，故泥漿液總池體積增大；如遇井漏事故，鉆井液地層內(nèi)滲漏導(dǎo)致井筒內(nèi)鉆井液減少，鉆井液返出量減少，故泥漿液總池體積減小。

(2) 立管壓力：在正常鉆進時，立管壓力通常保持相對平穩(wěn)的狀態(tài)，而發(fā)生井涌事故時，會導(dǎo)致立管壓力上升或下降；發(fā)生井漏事故時，鉆井液返速減小，與環(huán)空間的摩阻減小，會導(dǎo)致立管壓力下降。

(3) 出入口流量差：在正常鉆進過程中入口流量保持不變的情況下，如發(fā)生井涌事故，鉆井液的出口流速、流量增大，導(dǎo)致出入口流量差增高；如發(fā)生井漏事故時，井筒內(nèi)泥漿部分滲入到地層中，出口流量減小，導(dǎo)致出入口流量差減小。

(4) 動力頭負荷：地層內(nèi)流體密度與鉆井液密度存在差異，通常地層流體密度小于鉆井液密度，如有井涌井漏事故時，密度差產(chǎn)生的浮力變化會導(dǎo)致動力頭載荷產(chǎn)生上下浮動。

出入口流量差導(dǎo)致總池體積發(fā)生變化，由于監(jiān)測過程不同且鉆進參數(shù)在傳輸過程可能產(chǎn)生數(shù)據(jù)丟失或者是信號弱的情況，二者可作為互補參數(shù)以提高模型可靠性；立管壓力與動力頭負荷這兩項參數(shù)在正常鉆進過程中變化不大，在出現(xiàn)井涌井漏事故時這兩項參數(shù)上升或下降的比例相對增加，能一定程度表征井涌井漏事故的發(fā)生。

綜合以上討論，選取這4 項鉆進參數(shù)，作為井涌井漏事故診斷的特征參數(shù)，通過其變化發(fā)展趨勢判斷是否發(fā)生井涌井漏事故。鉆進參數(shù)的發(fā)展變化趨勢與事故類型的邏輯關(guān)系見表1。

表1 鉆進參數(shù)與事故邏輯關(guān)系Table 1 Logic relationship between drilling parameters and accidents

實時監(jiān)測鉆進參數(shù)的變化情況，根據(jù)表征參數(shù)在一定時間窗口內(nèi)的變化趨勢，即可預(yù)知井涌井漏事故的發(fā)展態(tài)勢，為現(xiàn)場作業(yè)人員提供充足的數(shù)據(jù)支持與準備時間，迅速采取科學(xué)合理的應(yīng)急措施，有利于鉆孔作業(yè)繼續(xù)開展。此外，在鉆進過程中，維持孔底壓力與地層壓力之間的動態(tài)平衡至關(guān)重要，當(dāng)孔底壓力與地層壓力之間的平衡被打破時，會導(dǎo)致井涌井漏事故發(fā)生。因此，孔底壓力是現(xiàn)場技術(shù)人員重點關(guān)注的參數(shù)，也能直接反映井涌井漏事故的發(fā)展狀態(tài)?？椎讐毫?shù)的變化是由多種因素綜合導(dǎo)致的，既與當(dāng)前鉆進的地質(zhì)構(gòu)造條件有關(guān)又與人為操作等因素有關(guān)，若設(shè)想采用多相方程去計算孔底壓力參數(shù)的變化趨勢，則需要考慮的因素過多、計算過程復(fù)雜，難以滿足救援鉆孔施工現(xiàn)場實時預(yù)測的需求，無法快速準確預(yù)測孔底壓力參數(shù)發(fā)展趨勢。孔底壓力參數(shù)的變化與時間關(guān)聯(lián)密切，數(shù)值并非隨機產(chǎn)生而是具有一定規(guī)律性，因此，本文考慮將其視為一維時間序列數(shù)據(jù)去進行分析。通過預(yù)測孔底壓力參數(shù)在事故發(fā)生后的變化趨勢，掌握井涌井漏的嚴重程度與發(fā)展狀態(tài)。

綜合分析各個事故表征參數(shù)的特點，選取總池體積、立管壓力、出入口流量差及動力頭負荷這4 個參數(shù)作為事故預(yù)警模型的特征參數(shù)，將孔底壓力作為預(yù)測模型的特征參數(shù)。

2 井涌井漏事故預(yù)警預(yù)測模型

模型首先對鉆孔現(xiàn)場實時采集的鉆進參數(shù)進行數(shù)據(jù)清洗處理，提取時間節(jié)點的參數(shù)變化趨勢；然后通過XGBoost 事故診斷預(yù)警模型對井涌井漏事故進行早期診斷識別；最后采用PSO-LSTM 事故發(fā)展預(yù)測模型對事故發(fā)生后的孔底壓力參數(shù)的發(fā)展趨勢進行預(yù)測分析，實現(xiàn)事故發(fā)展趨勢和風(fēng)險程度的提前預(yù)警，使司鉆人員及時采取有效科學(xué)的安全控制措施，保證救援鉆孔作業(yè)高效開展。

2.1 XGBoost 事故診斷模型

作為目前機器學(xué)習(xí)領(lǐng)域最熱門的研究方向之一，集成學(xué)習(xí)在工程技術(shù)方面的應(yīng)用愈發(fā)廣泛，XGBoost 作為集成學(xué)習(xí)中一種高效的梯度提升決策樹算法，在原有的梯度提升樹(GBDT，Gradient Boosting Decision Tree)基礎(chǔ)上優(yōu)化改進，使得模型運算效果得到大幅提升[21]。作為一種前向加法模型，采用集成思想-Boosting思想，將多個弱學(xué)習(xí)器組合為一個強學(xué)習(xí)器[22]。即用多棵樹共同決策，并將所有的結(jié)果累加得到最終的結(jié)果，以此提升模型的性能[23]。構(gòu)建XGBoost 事故診斷預(yù)警模型，挖掘鉆孔過程中鉆進參數(shù)趨勢變化規(guī)律與井涌井漏事故之間的映射關(guān)系，實現(xiàn)對鉆進過程井涌井漏事故進行早期的診斷識別。根據(jù)井涌井漏事故表征規(guī)律的分析，構(gòu)建多分類XGBoost 機器學(xué)習(xí)模型，基于實際工程數(shù)據(jù)，訓(xùn)練XGBoost 分類模型。通過輸入總池體積、立管壓力、出入口流量差和動力頭負荷這4 項鉆進參數(shù)的時間節(jié)點變化趨勢，輸出無事故風(fēng)險、井涌風(fēng)險、井漏風(fēng)險這3 種標簽，判斷事故類型。

由于在鉆孔施工現(xiàn)場監(jiān)測采集到的鉆進參數(shù)單位各不相同，變化范圍往往也具有較大差異，例如立管壓力的變化范圍大概為0～10 MPa，而總池體積的變化范圍大概為0～120 m3。并且由于地質(zhì)和工程技術(shù)等因素，對于同一項工程參數(shù)，不同鉆孔的變化范圍也都有所差異。雖在發(fā)生井涌井漏事故時對應(yīng)參數(shù)的變化趨勢大體相同，但由于具體數(shù)值不同，不利于模型的訓(xùn)練與驗證。為了保證后續(xù)參數(shù)趨勢特征提取以及模型訓(xùn)練的準確性，需要對采集到的鉆進參數(shù)進行數(shù)據(jù)清洗工作。為消除不同單位與量綱之間的影響，以及在網(wǎng)絡(luò)訓(xùn)練中更快達到收斂。由于本文采集到的數(shù)據(jù)集中，故選用消除量綱和數(shù)據(jù)取值范圍影響的最簡單的Min-Max 標準化進行數(shù)據(jù)歸一化。采用歸一化處理，使得各個鉆進參數(shù)都映射到[0,1]。Min-Max 標準化如下式：

經(jīng)過Min-Max 標準化處理后的數(shù)據(jù)能夠屏蔽數(shù)據(jù)值不同帶來的影響，專注于保留數(shù)據(jù)本身的發(fā)展趨勢特征，有效提升了模型的準確性與泛化性。

此外，由于外界因素的干擾，所采集到的鉆進參數(shù)往往含有噪聲，如果對含有過多噪聲的數(shù)據(jù)進行趨勢特征提取往往無法保證趨勢提取的準確性，為降低噪聲對趨勢特征提取的影響，采用對周期性干擾有良好的抑制作用的滑動平均法對歸一化后的數(shù)據(jù)進行處理，公式如下：

經(jīng)過滑動平均法處理后的數(shù)據(jù)規(guī)避了某單個噪聲點所帶來的不確定性，平緩了數(shù)據(jù)抖動、完整地保留了原始數(shù)據(jù)的整體趨勢，在確保關(guān)鍵信息沒有丟失前提下，加快趨勢特征提取算法的運算速度與準確性。

對鉆進參數(shù)進行歸一化和滑動平均法處理后，消除了不同鉆孔之間的數(shù)據(jù)差距，著重于數(shù)據(jù)的趨勢特征提取。引入長短期均值差值概念來判斷時間節(jié)點的參數(shù)變化趨勢。當(dāng)前時間節(jié)點前S-T 秒時間窗口內(nèi)的數(shù)據(jù)均值作為此時間節(jié)點的短期時間窗口均值，記為MST；當(dāng)前時間節(jié)點前L-T 秒時間窗口內(nèi)的數(shù)據(jù)均值作為該點的長期時間窗口均值，記為MLT。那么長短期均值差就被定義為MST與MLT的差值，記為MD，公式如下：

選取的時間窗口長度大于數(shù)據(jù)隨機波動周期，故當(dāng)參數(shù)呈上升趨勢時，短期均值始終大于長期均值，MD值大于零；同理當(dāng)參數(shù)呈下降趨勢時，MD值小于零。

2.2 PSO-LSTM 事故發(fā)展預(yù)測模型

識別井涌井漏事故發(fā)生后，如提前掌握事故發(fā)展狀態(tài)，方可為后續(xù)的井涌井漏事故處置提供科學(xué)方法與數(shù)據(jù)支持，有利于鉆孔過程順利進行?？椎讐毫?shù)的變化情況能夠迅速準確表征井涌井漏事故的發(fā)展狀態(tài)。將孔底壓力參數(shù)視作一維時間序列數(shù)據(jù)，采用經(jīng)粒子群算法優(yōu)化的長短期記憶網(wǎng)絡(luò)(PSO-LSTM)預(yù)測一定時間窗口后的孔底壓力變化情況。

LSTM 是應(yīng)用最廣泛的循環(huán)神經(jīng)網(wǎng)絡(luò)之一，針對RNN(Recurrent Neural Network)長期記憶力不足、存在梯度消失與梯度爆炸等問題而提出[24]。LSTM 相比于RNN，在訓(xùn)練長時間序列時有更好的性能表現(xiàn)。LSTM引入門控機制來控制長期信息的累積程度，有選擇地加入新信息，有選擇地遺忘累積的信息[25]。LSTM 網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 LSTM network structure

LSTM 有遺忘門、輸入門和輸出門3 個門控單元。

(1) 遺忘門：控制上一個時刻的記憶單元狀態(tài)Ct-1需要遺忘多少信息、保留多少信息到當(dāng)前記憶單元狀態(tài)Ct。計算如下式：

(2) 輸入門：決定當(dāng)前時刻輸入xt有多少信息輸入到當(dāng)前記憶單元狀態(tài)Ct。計算如下式：

(3) 輸出門：控制當(dāng)前時刻的記憶單元狀態(tài)Ct有多少信息給到輸出狀態(tài)ht。計算如下式：

雖然長短期記憶網(wǎng)絡(luò)的出現(xiàn)解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的些許不足，但在模型訓(xùn)練過程中，其網(wǎng)絡(luò)超參數(shù)往往難以確定，不同參數(shù)的選取對預(yù)測結(jié)果存在很大的影響[26]。粒子群優(yōu)化算法最初是受到飛鳥集群活動的規(guī)律性啟發(fā)，利用群體智能而建立的模型[27]。粒子群算法在對動物集群活動行為觀察基礎(chǔ)上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得最優(yōu)解[28]。因此，粒子群算法廣泛應(yīng)用在解決各種超參數(shù)優(yōu)化問題。應(yīng)用粒子群優(yōu)化算法對LSTM 神經(jīng)網(wǎng)絡(luò)的隱藏層個數(shù)L1、學(xué)習(xí)率ε和訓(xùn)練迭代次數(shù)k這3 個超參數(shù)進行搜索，建立PSO-LSTM 模型，尋找最優(yōu)參數(shù)組合使預(yù)測結(jié)果更加精準?；赑SO 優(yōu)化LSTM 網(wǎng)絡(luò)超參數(shù)的具體步驟如下。

(1)預(yù)處理原始數(shù)據(jù)，使用歸一化、滑動平均法進行處理，將數(shù)據(jù)縮放到一個區(qū)間，消除不同單位與量綱帶來的影響，同時降低了噪聲對趨勢特征提取的影響。

(2)建立LSTM 模型，確定使用粒子群算法尋優(yōu)的超參數(shù)，隱藏層個數(shù)L1，學(xué)習(xí)率ε，訓(xùn)練迭代次數(shù)k，并確定各超參數(shù)的尋優(yōu)范圍。

(3)初始化PSO 粒子群參數(shù)，包括尋優(yōu)粒子數(shù)、迭代次數(shù)、權(quán)重系數(shù)和加速因子。

(4)隨機初始化每個粒子的位置和速度：

(5)采用均方根誤差(ERMS)設(shè)置為PSO 的適應(yīng)度函數(shù)f(x)：

(6)計算對比粒子每次迭代時的適應(yīng)度值，確定個體最優(yōu)及全局最優(yōu)位置，依據(jù)式(10)、式(11)不斷更新粒子的速度和位置，直到達到迭代次數(shù)或者滿足收斂條件。此時，適應(yīng)度達到最優(yōu)值，方可確定LSTM 網(wǎng)絡(luò)模型的隱藏層個數(shù)、迭代次數(shù)和學(xué)習(xí)率的最優(yōu)超參數(shù)組合。

PSO-LSTM 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測流程如圖2 所示。

圖2 PSO-LSTM 預(yù)測模型流程Fig.2 PSO-LSTM prediction model process

3 實驗分析

3.1 XGBoost 事故診斷模型實驗分析

選取3 組井的實際鉆進數(shù)據(jù)作為XGBoost 模型的訓(xùn)練數(shù)據(jù)集，這3 組工程數(shù)據(jù)包括了402 項井涌事故數(shù)據(jù)、267 項井漏事故數(shù)據(jù)以及124 項正常鉆進的數(shù)據(jù)?？偝伢w積、出入口流量、立管壓力、動力頭負荷這4 項參數(shù)在實際情況中同步獲取。

訓(xùn)練數(shù)據(jù)集中4 種鉆進參數(shù)的變化趨勢符合井涌井漏事故表征規(guī)律分析，3 組數(shù)據(jù)采樣時間間隔均為30 s，選取的時間窗口長度大于經(jīng)過數(shù)據(jù)清洗處理后數(shù)據(jù)的隨機波動周期。因此，長短期均值差的值可快速準確地表征數(shù)據(jù)的變化趨勢，得到時間節(jié)點參數(shù)變化情況以及對應(yīng)的鉆進狀態(tài)。由于發(fā)生事故時這4 種參數(shù)的變化趨勢會有所差異，訓(xùn)練數(shù)據(jù)要包括所有可能發(fā)生的情況，以確保模型的準確性與通用性。表2-表4 中的所有數(shù)據(jù)都已經(jīng)過標準化處理。由于數(shù)據(jù)量較大，因此，表2-表4 從完整數(shù)據(jù)集中隨機選取具有代表性的幾組數(shù)據(jù)。模型部分的訓(xùn)練數(shù)據(jù)見表2，其中標簽1 代表無事故風(fēng)險、標簽2 代表存在井涌事故風(fēng)險、標簽3 代表存在井漏事故風(fēng)險。

表2 XGBOOST 事故診斷模型訓(xùn)練數(shù)據(jù)Table 2 Training data of XGBOOST

表2 中序號50～55 這6 行數(shù)據(jù)是正常鉆進過程無井涌井漏事故的訓(xùn)練數(shù)據(jù)，理想情況下數(shù)值不應(yīng)有波動，即長短期均值差值MD都應(yīng)為零?？紤]到在數(shù)據(jù)監(jiān)測以及數(shù)據(jù)處理過程中存在誤差，因此，這些無事故的訓(xùn)練數(shù)據(jù)都為絕對值較小的數(shù)值且不考慮正負。

選取一組井涌數(shù)據(jù)和一組井漏數(shù)據(jù)驗證模型預(yù)警的有效性。對這兩組數(shù)據(jù)進行歸一化以及滑動平均法處理，驗證數(shù)據(jù)采樣時間間隔與訓(xùn)練集相同也為30 s。對這兩組數(shù)據(jù)進行趨勢特征提取，得到時間節(jié)點鉆進參數(shù)的長短期均值差，由此表征參數(shù)的變化趨勢。針對這兩組井段數(shù)據(jù)特點，短時間窗口選擇3 min，長時間窗口選擇5 min。驗證集井涌數(shù)據(jù)各時間節(jié)點鉆進參數(shù)變化趨勢與實際鉆進狀態(tài)見表3。驗證集井漏數(shù)據(jù)各時間節(jié)點鉆進參數(shù)變化趨勢與實際鉆進狀態(tài)見表4。

表3 井涌時參數(shù)變化趨勢Table 3 Variations trend of kick parameters

表4 井漏時參數(shù)變化趨勢Table 4 Variations trend of lost circulation parameters

通過將表3、表4 的數(shù)據(jù)輸入模型，通過事故報警是否及時這一評價指標去評價XGBoost 事故診斷模型的有效性。針對井涌事故數(shù)據(jù)，該模型在第35 個時間節(jié)點診斷出該井段發(fā)生井涌事故，這與數(shù)據(jù)的所記錄的事故發(fā)生時間節(jié)點一致；針對井漏事故數(shù)據(jù)，該模型在第37 個時間節(jié)點診斷出該井段發(fā)生井漏事故，也與數(shù)據(jù)所記錄的時間節(jié)點相同。

綜合實際鉆進數(shù)據(jù)實驗分析，得出XGBoost 集成分類模型適用于鉆進過程中的井涌井漏事故預(yù)警，其診斷速度快、準確性高，不存在虛報漏報的情況。XGBoost模型的參數(shù)多達幾十個，其分類效果很大程度上依賴于參數(shù)的選擇。用傳統(tǒng)方法尋找最優(yōu)參數(shù)存在效率低下、準確性低等問題。在未來的研究中可考慮應(yīng)用模擬退火(Simulated Annealing)、遺傳算法(Genetic Algorithms)和貝葉斯優(yōu)化(Bayesian Optimization)等智能優(yōu)化算法實現(xiàn)超參數(shù)的尋優(yōu)，更好地發(fā)揮模型的優(yōu)勢。

3.2 PSO-LSTM 事故發(fā)展預(yù)測模型實驗分析

針對PSO-LSTM 事故發(fā)展預(yù)測模型，應(yīng)分別選取井涌、井漏事故后的孔底壓力參數(shù)作為模型驗證數(shù)據(jù)。由于兩種情況實驗分析原理類似，因此，選取發(fā)生井涌事故的孔底壓力參數(shù)作為模型驗證數(shù)據(jù)進行實驗分析。數(shù)據(jù)的變化趨勢符合事故發(fā)生后的孔底壓力參數(shù)變化的一般規(guī)律。數(shù)據(jù)采樣間隔為一個時間節(jié)點30 s，孔底壓力參數(shù)在第160 個時間節(jié)點附近發(fā)生明顯下降，發(fā)生井涌事故。孔底壓力隨時間變化情況如圖3 藍色線條所示。

圖3 孔底壓力時序與各模型預(yù)測結(jié)果對比Fig.3 Comparison of downhole pressure time series data and various model prediction results

基于井涌事故發(fā)生前的孔底壓力參數(shù)數(shù)據(jù)去訓(xùn)練PSO-LSTM 神經(jīng)網(wǎng)絡(luò)模型，學(xué)習(xí)孔底壓力變化發(fā)展規(guī)律，預(yù)測井涌事故發(fā)生之后孔底壓力參數(shù)的發(fā)展趨勢。同時選取BP 神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)以及支持向量機(SVM)這3 個傳統(tǒng)時間序列預(yù)測模型作為對照組進行試驗，驗證PSO-LSTM 神經(jīng)網(wǎng)絡(luò)模型預(yù)測孔底壓力參數(shù)的可行性。選取發(fā)生井涌事故之前的孔底壓力數(shù)據(jù)作為訓(xùn)練集，事故之后的孔底壓力參數(shù)作為驗證集。這4 種模型預(yù)測的預(yù)測結(jié)果如圖3 所示。

通過觀察預(yù)測對比圖可得出BP、RNN、SVM、PSO-LSTM 這4 種預(yù)測模型都可以預(yù)測出孔底壓力時間序列數(shù)據(jù)發(fā)展的大概趨勢，BP 神經(jīng)網(wǎng)絡(luò)與SVM 雖然成功預(yù)測了孔底壓力的大致發(fā)展趨勢，但是由于這兩個模型的網(wǎng)絡(luò)結(jié)構(gòu)特點不擅長學(xué)習(xí)長期數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系。導(dǎo)致數(shù)據(jù)預(yù)測值與真實值誤差較大，不能很好地反映出井涌事故的發(fā)展狀態(tài)；RNN 與PSO-LSTM 都屬于循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠很好地學(xué)習(xí)并且長時間序列數(shù)據(jù)的波動性與趨勢性，但是由于RNN 存在長期記憶力不足和無法確定最優(yōu)超參數(shù)組合等問題。因此在預(yù)測數(shù)據(jù)的準確性上遜于加入了粒子群優(yōu)化算法的PSO-LSTM神經(jīng)網(wǎng)絡(luò)。

綜上PSO-LSTM 模型在訓(xùn)練長時間序列時，通過其他神經(jīng)網(wǎng)絡(luò)模型所不具備的三個門控單元更好學(xué)習(xí)孔底壓力參數(shù)發(fā)展規(guī)律。能夠很好地預(yù)測孔底壓力參數(shù)的趨勢性，對具有波動性的趨勢突變數(shù)據(jù)點預(yù)測及時準確，與真實數(shù)據(jù)擬合的效果最好，可作為高效精準的孔底壓力參數(shù)預(yù)測工具。

為定量評價4 種預(yù)測模型的準確性，采用均方根誤差(ERMS)、平均絕對百分比誤差(EMAP)、平均絕對誤差(EMA)以及決定系數(shù)(R2)共4 項作為預(yù)測模型性能的評價指標，對模型預(yù)測準確性進行分析判斷。其中ERMS、EMAP、EMA這3 項評價指標都能夠反映出真實值與模型預(yù)測值的誤差大小，指標數(shù)值越小代表預(yù)測精度越高；R2的取值范圍為[0,1]，用來描述模型對觀測數(shù)據(jù)的擬合程度，R2越接近1 表示模型對數(shù)據(jù)的擬合程度越好。這4 項指標的計算式為：

下面對各個模型的預(yù)測性能進行定量分析，評價指標具體結(jié)果見表5。

表5 各模型的評價指標Table 5 Evaluation indicators for various models

通過表5 方可直觀對比4 項評價指標的值，BP 神經(jīng)網(wǎng)絡(luò)與SVM 的各項評價指標數(shù)值是各模型中最大的，與上文的根據(jù)預(yù)測圖像分析的結(jié)果一致，模型預(yù)測結(jié)果與真實孔底壓力參數(shù)的發(fā)展狀態(tài)相差較大，與真實值擬合效果較差。傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的EMAP、EMA、ERMS比PSO-LSTM 高，R2比PSO-LSTM 低，與真實值的擬合效果不如PSO-LSTM。綜合EMAP、EMA、ERMS、R2這4 項誤差評價指標，PSO-LSTM 模型的預(yù)測性能是最優(yōu)秀的，準確反映了孔底壓力參數(shù)的變化趨勢。PSO-LSTM 模型在預(yù)測時間序列數(shù)據(jù)時，通過訓(xùn)練學(xué)習(xí)歷史時間序列數(shù)據(jù)發(fā)展的趨勢性與周期性等信息。結(jié)合孔底壓力參數(shù)前后序列值非隨機產(chǎn)生，在時間維度上具有一定規(guī)律性與關(guān)聯(lián)性等特點。模型在遇到趨勢突變的孔底壓力參數(shù)時，根據(jù)模型學(xué)習(xí)得到數(shù)據(jù)之間的關(guān)聯(lián)信息，即能準確地預(yù)測趨勢突變的數(shù)據(jù)點。

PSO-LSTM 模型在LSTM 基礎(chǔ)上進行了優(yōu)化，解決了傳統(tǒng)LSTM 網(wǎng)絡(luò)參數(shù)難以確定的問題，PSO-LSTM模型在實際應(yīng)用中仍然存在一些缺陷。模型在時間序列預(yù)測中沒有考慮不同時間節(jié)點的歷史狀態(tài)對當(dāng)前值的影響存在差別，在未來的研究中可以引入Attention機制來捕捉時間序列的深層關(guān)聯(lián)信息；模型在訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)時，容易出現(xiàn)過擬合現(xiàn)象，因此可以在模型基礎(chǔ)上加入Dropout 神經(jīng)元優(yōu)化技術(shù)來解決過擬合現(xiàn)象，增強模型的泛化能力。

4 結(jié)論

a.針對井涌井漏事故診斷以及事故發(fā)展狀態(tài)預(yù)警預(yù)測的效果不理想與魯棒性差等問題，提出了一種基于機器學(xué)習(xí)的鉆進過程井涌井漏事故預(yù)警預(yù)測模型，豐富了鉆進過程井涌井漏事故預(yù)警預(yù)測方法，為構(gòu)建安全高效救援通道提供了安全技術(shù)保障，具有一定的理論價值與現(xiàn)實意義。

b.利用實際鉆進數(shù)據(jù)對基于XGBoost 的井涌井漏事故診斷預(yù)警模型進行測試分析表明，此模型適用于鉆進過程中的井涌井漏事故預(yù)警，其診斷速度快、準確性高，不存在虛報漏報的情況。

c.通過PSO-LSTM 與BP、RNN、SVM 進行對比，PSO-LSTM 能夠很好地預(yù)測孔底壓力參數(shù)的趨勢性與波動性，且對趨勢突變的數(shù)據(jù)點預(yù)測及時準確，與真實數(shù)據(jù)擬合的效果最好；綜合EMAP、EMA、ERMS、R2這4項誤差評價指標，PSO-LSTM 模型的預(yù)測性能最佳，能準確反映孔底壓力參數(shù)的變化趨勢。

d.在事故發(fā)展趨勢預(yù)測中，僅考慮了孔底壓力參數(shù)的單一變量預(yù)測事故發(fā)展態(tài)勢，沒有考慮多變量對預(yù)測結(jié)果的影響。將來可以考慮加入多項參數(shù)去綜合表征鉆進過程中井涌井漏事故的發(fā)展狀態(tài)，提高預(yù)測模型的通用性；XGBoost 和PSO-LSTM 模型很難解釋其內(nèi)部的決策過程，常常被歸為"黑盒"模型。將來可以考慮通過特征重要性分析等方法增加模型的可解釋性。

符號注釋：

bc為隱藏單元的偏置項；bf為遺忘門的偏置項；bi為輸入門的偏置項；bo為輸出門的偏置項；c為加速因子；Ct為當(dāng)前時刻的記憶單元狀態(tài)；為隱藏單元狀態(tài)；EMA為平均絕對誤差；EMAP為平均絕對百分比誤差；ERMS為均方根誤差；ft為遺忘門控單元；ft⊙Ct-1為Ct-1有多少信息被遺忘；gj(k) 為粒子j在第k次迭代的全局極值的位置；ht為當(dāng)前時刻輸出狀態(tài)；[ht-1,xt]為上一個時刻的輸出狀態(tài)ht-1與當(dāng)前時刻輸入xt這兩個向量進行拼接后的矩陣；i為數(shù)據(jù)的序號；it為輸入門控單元；有多少信息被保留；j為滑動窗口內(nèi)數(shù)據(jù)項；k為迭代次數(shù)；MD(i) 為長短期均值差；MLT(i)為長期均值；MST(i) 為短期均值；n為樣本序列數(shù)量；ot為輸出門控單元；pj(k) 為粒子j在第k次迭代的個體極值的位置；R2為決定系數(shù)；r(k) 為 [0,1] 內(nèi)的隨機數(shù)；t為對應(yīng)當(dāng)前時刻；tanh 為雙曲正切激活函數(shù)；vj(k) 為粒子j在第k次迭代時的速度；Wf為遺忘門的權(quán)重矩陣；Wi為輸入門的權(quán)重矩陣；Wo為輸出門的權(quán)重矩陣；Xi為原始序列；為歸一化處理后的數(shù)據(jù)；xj(k) 為粒子j在第k次迭代時的位置；Xmax為序列最大值；Xmin為序列最小值；yavr為滑動平均處理后的數(shù)據(jù)；為序列真實值；為序列預(yù)測值；ynorm為原序列的數(shù)據(jù)；為序列預(yù)測值的平均值；ω為權(quán)重系數(shù)；σ為Sigmoid 激活函數(shù)。