赵 颖 孙 挺 杨 进 李炎军 黄 熠 闫宇龙

(1. 中国石油大学(北京) 北京 102249； 2. 中海石油(中国)有限公司湛江分公司 广东湛江 524057； 3. 北京航空航天大学 北京 100191)

海上钻井工作环境恶劣，作业风险和费用高，尤其是近年来，随着海洋石油向深部地层及深海区域发展，钻井难度不断加大，钻井复杂情况频发，作业效率受到严重影响，如何提高钻井效率，降低钻井总成本是倍受关注的问题[1-2]。

机械钻速(ROP)是反映钻井效率的一个重要参数[3-4]，国内外学者对ROP进行了一系列研究[5-9]。1974，Bourgoyne等[6]将ROP视为钻压、转速等8种参数的函数，但是该方法只适用于牙轮钻头；2008年，Mohammad等[7]在前人的基础上提出和改进了ROP的预测模型，同时考虑了钻头水力参数、钻头的磨损情况和岩石强度等因素的影响。随着大数据和机器学习的迅速发展，很多学者开始将二者应用到提高钻井效率方面。2004年，Rommetveit等[8]提出了一种新型的钻井自动化模拟系统，通过对比实测数据和预测数据得到钻井过程中的实时诊断结果，但是该系统还处在功能设想阶段，目前尚未实现全部功能，且考虑的ROP影响因素较少；2008年，Bahar等[9]基于Bourgoyne提出的模型井结合遗传算法计算了ROP预测模型参数，但该研究只对ROP进行了计算预测，并没有作进一步的优化分析。

海上钻井作业费用高，浅水油田钻完井费用可以占到总投入的50%以上，深水油田钻完井费用占总投入的60%以上[10]，因此，在保证操作安全的前提下，提高钻井效率，降低总成本是钻井作业的目标。本文针对以上ROP研究中存在的问题，提出基于机器学习建立预测ROP模型的方法，并通过研究其他钻井参数对ROP的影响来优化ROP值，使钻井效率保持在一个较高的水平，以期为海上安全高效钻井作业及油田数字化、智能化发展提供借鉴。

1 基于极限学习机的ROP预测模型

1.1 机器学习原理

传统的学习算法(如BP神经网络)存在训练速度慢、容易陷入局部极小点等缺点，因此，本文采用极限学习机来建立ROP预测模型，极限学习机(ELM)随机产生输入层与隐含层间的连接权值、隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整即可获得唯一的最优解，学习速度快，泛化性能好[11]。

典型的单隐含层ELM结构如图1所示。ELM结构由输入层、隐含层和输出层组成，输入层的每一个元素都与隐含层连接，同时隐含层每一个元素都与输出层连接。

图1 ELM结构示意图

在ELM中，关键的变量包括：输入层神经元和输入变量n、隐含层神经元l、输出层神经元和输出变量m、输入层与隐含层的连接权值I、隐含层神经元阈值B、隐含层与输出层连接权值L。

输入层与隐含层的连接权值I为

(1)

式(2)中：Iln表示输入层第n个神经元与隐含层第l个神经元间的连接权值。

隐含层与输出层间的连接权值L为

(2)

式(2)中：Llm表示隐含层第l个神经元与输出层第m个神经元间的连接权值。

隐含层神经元的阈值B为

(3)

在ELM中,隐含层可以设置不同的层数，根据层数的不同可以分为单隐含层和多隐含层(图2)，其中w为权重，b为系数。多隐含层是将前一个隐含层的结果作为下一个隐含层的输入，通过多次运算对结果进行拟合。

图2 多层感知器结构

将钻井数据看作连续的，在统计学上称为回归问题,这些问题是由一个因变量和一个或多个自变量组成。通过回归分析找到自变量之间的关系，构建与因变量之间的关系,即

y≈f(x)

(4)

式(4)中：y表示因变量；x表示一个或多个自变量。

1.2 数据处理

选取南海YL8-3-1井现场录井数据来预测机械钻速，包括井眼深度、大钩位置、钻压、大钩载荷、转速、扭矩、立管压力、进口流量、进口钻井液密度、出口钻井液密度、进口钻井液温度、出口钻井液温度等。

利用 ELM回归算法来构建预测模型。对于录井中记录的数据，由于仪器设备的精度问题，人员操作的经验问题以及其他一些不可预计的问题存在，使得钻井过程中产生的数据不能用同一个标准去判断它们，且ELM对数据质量有一定的要求，因此首先要对数据进行无量纲化处理。通过比较优选，使用[0，1]区间归一化方法，将所有数据规整到[0,1]。

预测的ROP是无量纲处理之后的值，因此需要转换为实际单位。因此，在对ROP拟合之后需要进行逆变换，即反归一化处理。

通过程序确定输入层与隐含层间的连接权值I、隐含层神经元的阈值B和隐含层与输出层的连接权值L。在拟合的过程中，选取50%的数据作为训练，分为训练集输入(已知的其他参数)和训练集输出(给出的ROP)。其余的50%数据作为测试，分为测试集输入(已知的其他参数)和测试集输出(预测的ROP)。

1.3 ROP预测模型检验

选取南海YL8-3-1井的录井数据进行ROP的拟合和预测，该井在钻井过程中某一时刻遇到危险工况，造成一定时间的停工，所以从正常工况和故障工况分别进行ROP的拟合与预测。

1.3.1正常工况

为了直观判断结果的好坏，将训练组与测试组的ROP实际值与预测值进行比较，如图3所示。由图3可以看出，ROP的预测结果与实际值较为吻合，总体变化趋势一致，准确率达到90%以上，其中训练组的拟合度较测试组高，说明正常工况下ELM方法在ROP预测方面有适用性，测试组较好的拟合效果说明该方法在样本中有良好的泛化性。

图3 正常工况时YL8-3-1井采用ELM预测模型计算的训练组和测试组ROP预测结果

1.3.2故障工况

钻井过程中会产生钻塞、卡钻等事故，很多参数会导致钻速变慢，如地层特征、钻头类型、钻井液性质、钻头工作条件等。由于测试模型中并没有包含这些参数，所以该模型是否对样本数据中故障工况时ROP进行准确预测，需要进一步验证。

利用YL8-3-1井录井数据对ROP进行预测，增加数据集量至25 000组(根据现场采集的数据情况，一个时间间隔为一组数据)，前12 500组数据作为训练组，后12 500组数据作为测试组，ROP预测结果如图4所示。由图4可以看出，ROP预测值的总体变化趋势与实际值相吻合，仅在18 000数据组附近发生ROP异常减小的情况，这与该井1 270～1 300 m井段发生事故的实际情况相吻合。

图4 事故工况时YL8-3-1井采用ELM预测模型计算的训练组和测试组的ROP预测结果

2 钻井参数实时优化

将图4局部进行放大，可以看出实际操作中，在钻井事故发生之前预测得到的ROP值开始降低，如图5所示。因此，利用这一结果可以将实测的ROP值与实时预测的ROP值进行比较，若在一段时间内模型预测的ROP值均大大小于实际的ROP值，可以预判钻井事故的发生，并提前采取措施。

图5 事故工况时YL8-3-1井采用ELM预测模型计算的训练组和测试组的ROP预测结果(局部放大)

预判钻井事故发生之后需要现场操作人员及时采取最有效的措施，可以通过统计产品与服务解决方案(Statistical Product and Service Solutions，SPSS)做出输入录井参数与ROP之间的相关性图，如图6所示。由图6可知，钻压(Weight on Bit,WOB)与ROP的相关性最强，操作人员可及时对其进行调节操作，从而通过提前改变WOB值来预防钻井事故的发生。

ROP随着时间序列的变化情况如图7所示，可以拟合出3个不同时间段ROP的趋势。由图7可以看出，异常情况发生时ROP有一个下降的趋势，因此需要通过调整WOB值来增大ROP。

以图7中正常情况2作为ROP理想取值，通过对这个阶段的ROP进行函数拟合来计算16 000～25 000数据组时的ROP值。将预测得到的ROP作为本文所建ELM预测模型的输入，WOB作为ELM预测模型的输出，得到该数据组时间段内的WOB值，作为预防事故发生的优化值，计算结果如图8所示。由图8可以看出，在事故发生段利用优化后的ROP推算出的WOB值明显增加，所以在现场实际操作中可通过增加WOB值有效避免钻井事故的发生，保持高的钻井效率。

图6 钻井参数间的相关性矩阵

图7 不同时间段ROP变化趋势

图8 预测WOB值与实际值对比图

3 结论

基于机器学习机原理，建立了海上钻井机械钻速预测模型，通过及时优化钻压等参数可有效避免钻井事故的发生，减少非生产时间，保证钻井过程中高的钻井效率，对海上安全高效钻井作业及油田数字化、智能化发展具有较好的借鉴意义。