胡萬(wàn)俊，夏文鶴,2，李永杰，蔣俊，李皋，陳一健

（1. 西南石油大學(xué)電氣信息學(xué)院，成都 610500；2. 油氣藏地質(zhì)及開(kāi)發(fā)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，成都 610500；3. 西南石油大學(xué)石油與天然氣工程學(xué)院，成都 610500；4. 西南石油大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，成都 610500）

0 引言

鉆井是油氣勘探開(kāi)發(fā)必不可少的關(guān)鍵工程技術(shù)，也是一項(xiàng)非常復(fù)雜的地下工程，如何在復(fù)雜的現(xiàn)場(chǎng)施工條件下及時(shí)識(shí)別出卡鉆、井壁失穩(wěn)、鉆具斷裂等隨鉆安全風(fēng)險(xiǎn)并做出相應(yīng)處理，預(yù)防大型事故的發(fā)生，是提升鉆完井成功率、降低鉆完井成本的關(guān)鍵環(huán)節(jié)[1]。目前鉆井過(guò)程中鉆井風(fēng)險(xiǎn)的識(shí)別主要依靠人工，判斷結(jié)果具有較強(qiáng)的主觀性和時(shí)間滯后性，同時(shí)因不同井況發(fā)生安全風(fēng)險(xiǎn)的特征差異巨大，現(xiàn)場(chǎng)人工辨識(shí)的難度大，準(zhǔn)確性低。

近年來(lái)，隨著人工智能技術(shù)在全球范圍內(nèi)迅猛發(fā)展，油氣勘探開(kāi)發(fā)智能化成為全球油氣行業(yè)發(fā)展的熱點(diǎn)，也成為保障中國(guó)能源戰(zhàn)略安全的變革性技術(shù)[2]。2015年，李皋等[3]建立了氣體鉆井過(guò)程中井壁失穩(wěn)、產(chǎn)水、產(chǎn)氣、井下燃爆、鉆柱失效等主要風(fēng)險(xiǎn)因素與對(duì)應(yīng)參數(shù)變化的關(guān)系模型，基于已有的地面監(jiān)測(cè)技術(shù)，形成了有效的氣體鉆井隨鉆安全風(fēng)險(xiǎn)辨識(shí)方法；2017年，邱少林等[4]分析了影響井下事故風(fēng)險(xiǎn)的7種因素，包括鉆井液密度、流變性、濾失量、巖石類(lèi)型等，建立了井下事故風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，實(shí)現(xiàn)了井下事故風(fēng)險(xiǎn)的模糊綜合量化評(píng)估；同年，管志川等提出了基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)鉆井風(fēng)險(xiǎn)評(píng)估方法[5-6]；2020年，王茜等提出采用鉆井模型與專(zhuān)家系統(tǒng)相結(jié)合的方式進(jìn)行井下安全風(fēng)險(xiǎn)識(shí)別[7]。綜上所述，鉆井技術(shù)正由傳統(tǒng)模式向機(jī)器學(xué)習(xí)與人工智能相結(jié)合的方向發(fā)展[8]，目前主要以專(zhuān)家系統(tǒng)結(jié)合BP神經(jīng)網(wǎng)絡(luò)為主[9]，但由于經(jīng)驗(yàn)及樣本的限制，目前成功應(yīng)用于鉆井工程隨鉆實(shí)時(shí)識(shí)別的案例較少。

本文針對(duì)目前智能鉆井技術(shù)在樣本收集、數(shù)據(jù)預(yù)處理以及數(shù)據(jù)特征提取方面的不足，使用少樣本學(xué)習(xí)方法擴(kuò)充樣本數(shù)據(jù)，通過(guò)對(duì)抽象特征提取更有效的卷積神經(jīng)網(wǎng)絡(luò)對(duì)隨鉆監(jiān)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，實(shí)現(xiàn)參數(shù)隱含特征的提取，并設(shè)計(jì)了與當(dāng)前隨鉆監(jiān)測(cè)數(shù)據(jù)形式相匹配的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型與訓(xùn)練方法，進(jìn)而實(shí)現(xiàn)隨鉆安全風(fēng)險(xiǎn)智能識(shí)別。

1 鉆井安全風(fēng)險(xiǎn)表征及關(guān)聯(lián)參數(shù)

1.1 隨鉆監(jiān)測(cè)參數(shù)

鉆井過(guò)程中的監(jiān)測(cè)儀器種類(lèi)眾多，數(shù)據(jù)采集時(shí)間間隔多為 1～5 s，單日單井鉆井監(jiān)測(cè)數(shù)據(jù)可超過(guò) 4×104條，數(shù)據(jù)量大且繁雜。不同井況鉆進(jìn)過(guò)程中，同類(lèi)安全風(fēng)險(xiǎn)所表現(xiàn)出的參數(shù)變化特征有著極大的差異。如圖1為A、B兩口井鉆遇產(chǎn)層時(shí)的近似工況，A井甲烷體積分?jǐn)?shù)與管線排壓大幅上升，氧氣體積分?jǐn)?shù)大幅下降，而頂驅(qū)轉(zhuǎn)速與頂驅(qū)扭矩?zé)o明顯異常；B井甲烷體積分?jǐn)?shù)與管線排壓小幅上升，氧氣體積分?jǐn)?shù)小幅下降，但由于誘發(fā)卡鉆導(dǎo)致頂驅(qū)轉(zhuǎn)速與頂驅(qū)扭矩異?！，F(xiàn)場(chǎng)人員如不具備豐富的經(jīng)驗(yàn)，難以及時(shí)準(zhǔn)確地通過(guò)隨鉆監(jiān)測(cè)參數(shù)判斷出產(chǎn)氣安全風(fēng)險(xiǎn)。因此，識(shí)別精度高且實(shí)時(shí)性強(qiáng)的智能隨鉆安全風(fēng)險(xiǎn)辨識(shí)方法對(duì)鉆井工程有重要的意義。

圖1 氣體鉆井鉆遇產(chǎn)層過(guò)程相關(guān)參數(shù)變化示意圖

1.2 氣體鉆井重要安全風(fēng)險(xiǎn)表征關(guān)聯(lián)參數(shù)

以氣體鉆井為例，其重要的鉆井安全風(fēng)險(xiǎn)主要包括地層產(chǎn)氣、地層出水、卡鉆、鉆具斷裂、井下燃爆、產(chǎn)硫化氫、井壁失穩(wěn)等。由于隨鉆監(jiān)測(cè)參數(shù)種類(lèi)繁多，若全部用于隨鉆安全風(fēng)險(xiǎn)分析，則模型復(fù)雜度高，網(wǎng)絡(luò)訓(xùn)練難度大，故需先對(duì)安全風(fēng)險(xiǎn)與隨鉆監(jiān)測(cè)參數(shù)之間的對(duì)應(yīng)關(guān)系進(jìn)行宏觀把控。本文整理、清洗10余口井隨鉆監(jiān)測(cè)歷史數(shù)據(jù)，篩選出13種核心監(jiān)測(cè)參數(shù)進(jìn)行相關(guān)系數(shù)分析，并以熱力圖的形式展示（見(jiàn)圖2，圖中數(shù)值代表兩對(duì)應(yīng)參數(shù)的相關(guān)性系數(shù)，包括正、負(fù)相關(guān)）。

圖2 Pearson系數(shù)相關(guān)性分析結(jié)果圖

基于相關(guān)性分析結(jié)果，結(jié)合現(xiàn)有的隨鉆安全風(fēng)險(xiǎn)理論模型與多個(gè)專(zhuān)家經(jīng)驗(yàn)，對(duì)歷史數(shù)據(jù)中的各類(lèi)安全風(fēng)險(xiǎn)數(shù)據(jù)變化規(guī)律進(jìn)行整理，得到部分重要安全風(fēng)險(xiǎn)對(duì)應(yīng)的特征關(guān)聯(lián)參數(shù)如下：地層產(chǎn)氣風(fēng)險(xiǎn)關(guān)聯(lián)參數(shù)為立管壓力、氧氣體積分?jǐn)?shù)、甲烷體積分?jǐn)?shù)、管線排壓，地層出水風(fēng)險(xiǎn)關(guān)聯(lián)參數(shù)為大鉤載荷、返出氣體溫濕度，卡鉆風(fēng)險(xiǎn)關(guān)聯(lián)參數(shù)為頂驅(qū)轉(zhuǎn)速、頂驅(qū)扭矩、立管壓力、管線排壓，鉆具斷裂風(fēng)險(xiǎn)關(guān)聯(lián)參數(shù)為大鉤載荷、頂驅(qū)扭矩、立管壓力、管線排壓，井下燃爆風(fēng)險(xiǎn)關(guān)聯(lián)參數(shù)為立管壓力、氧氣體積分?jǐn)?shù)、二氧化碳質(zhì)量濃度、甲烷體積分?jǐn)?shù)、返出氣體溫度、管線排壓，井壁失穩(wěn)風(fēng)險(xiǎn)關(guān)聯(lián)參數(shù)為大鉤載荷、頂驅(qū)轉(zhuǎn)速、頂驅(qū)扭矩。

2 安全風(fēng)險(xiǎn)隨鉆監(jiān)測(cè)數(shù)據(jù)樣本

隨鉆監(jiān)測(cè)參數(shù)多以時(shí)間為序進(jìn)行采集，多參數(shù)組成二維數(shù)組進(jìn)行存儲(chǔ)。根據(jù)二維數(shù)組中參數(shù)的變化趨勢(shì)以及各參數(shù)間的變化關(guān)系能有效識(shí)別大多數(shù)安全風(fēng)險(xiǎn)。因此，智能安全風(fēng)險(xiǎn)識(shí)別方法的樣本結(jié)構(gòu)應(yīng)為一段時(shí)間內(nèi)安全風(fēng)險(xiǎn)特征關(guān)聯(lián)參數(shù)構(gòu)成的二維數(shù)組。

2.1 樣本時(shí)間跨度分析

在將監(jiān)測(cè)數(shù)據(jù)轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)時(shí)，需要確定單個(gè)樣本的時(shí)間跨度。針對(duì)該問(wèn)題，本文對(duì)每一種隨鉆安全風(fēng)險(xiǎn)分別構(gòu)建 3種不同時(shí)間跨度的樣本數(shù)據(jù)，用 3個(gè)網(wǎng)絡(luò)同時(shí)進(jìn)行隨鉆安全風(fēng)險(xiǎn)識(shí)別訓(xùn)練，并進(jìn)行性能對(duì)比，確保最終的樣本形式既能包含隨鉆安全風(fēng)險(xiǎn)的大部分特征，盡可能地提升識(shí)別可靠性，又可降低系統(tǒng)時(shí)延性。4類(lèi)安全風(fēng)險(xiǎn)樣本時(shí)間跨度分布情況如表1所示，構(gòu)建后的部分樣本數(shù)量如表2所示，樣本庫(kù)包括安全風(fēng)險(xiǎn)類(lèi)樣本和正常鉆井樣本，表中第2列、第 3列數(shù)據(jù)僅為具有安全風(fēng)險(xiǎn)特征的樣本數(shù)量。以地層產(chǎn)氣時(shí)間跨度40 s樣本為例，采集時(shí)間間隔為2 s，表3為提取后的單個(gè)樣本，為20×5的二維數(shù)據(jù)。

表1 樣本時(shí)間跨度分布概況

表2 部分隨鉆安全風(fēng)險(xiǎn)樣本數(shù)目概況

表3 單次樣本示意表

雖然隨鉆監(jiān)測(cè)數(shù)據(jù)單井單日數(shù)據(jù)量可超過(guò) 4×104條，但其中能夠表征發(fā)生安全風(fēng)險(xiǎn)的有效數(shù)據(jù)段較少，構(gòu)建的安全風(fēng)險(xiǎn)類(lèi)樣本數(shù)量十分有限。此外，為了避免樣本失衡，需確保樣本庫(kù)中安全風(fēng)險(xiǎn)與正常工況樣本數(shù)量比例不超過(guò)1∶2。

2.2 隨鉆安全風(fēng)險(xiǎn)識(shí)別少樣本擴(kuò)展方法

根據(jù)英國(guó)統(tǒng)計(jì)學(xué)家威廉·西利·戈塞特的少樣本理論，樣本容量小于50則屬于少樣本條件[10]。本研究利用10余口井20余井次監(jiān)測(cè)數(shù)據(jù)建立樣本庫(kù)，4種風(fēng)險(xiǎn)有效樣本總數(shù)不超過(guò) 200個(gè)，與其他領(lǐng)域動(dòng)輒上千樣本數(shù)量的樣本庫(kù)相比，該樣本數(shù)量少，網(wǎng)絡(luò)難以高效提取到數(shù)據(jù)的有效特征。故本文使用少樣本學(xué)習(xí)方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，以擴(kuò)展樣本數(shù)量（見(jiàn)圖3）。在少樣本條件下，本文主要采用數(shù)據(jù)增強(qiáng)與遷移學(xué)習(xí)算法[11]，利用數(shù)據(jù)增強(qiáng)中縮放、裁剪、插值以及SMOTE算法[12]處理樣本，在一定程度上增加有效樣本數(shù)量。

圖3 少樣本學(xué)習(xí)示意圖

由于每個(gè)隨鉆監(jiān)測(cè)參數(shù)的變化方式以及參數(shù)的整體變化規(guī)律比數(shù)值大小更為重要，因此針對(duì)部分變化特征明顯的數(shù)據(jù)段可使用數(shù)據(jù)縮放方式將變化過(guò)程中的部分?jǐn)?shù)據(jù)提取并擴(kuò)展至標(biāo)準(zhǔn)的時(shí)間跨度（如20，40，60 s），以形成新的訓(xùn)練樣本。隨后利用拉格朗日分段插值法[13]對(duì)縮放后的數(shù)據(jù)段進(jìn)行填充，使其與標(biāo)準(zhǔn)樣本具有相同的數(shù)據(jù)長(zhǎng)度：

數(shù)據(jù)縮放插值后，再采用 SMOTE算法對(duì)個(gè)別標(biāo)志性樣本進(jìn)行分析，進(jìn)而人工合成新樣本，并添加到樣本庫(kù)中，進(jìn)一步提升網(wǎng)絡(luò)的識(shí)別性能。SMOTE合成算法如下[14]：

經(jīng)樣本擴(kuò)展處理后，部分安全風(fēng)險(xiǎn)訓(xùn)練集樣本與測(cè)試集樣本分布情況如表4所示，與表2對(duì)比可知，各類(lèi)樣本數(shù)量都有了顯著提升。此外，在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)，優(yōu)先訓(xùn)練如地層產(chǎn)氣這類(lèi)樣本豐富、樣本特征明顯的風(fēng)險(xiǎn)類(lèi)型，然后采用遷移學(xué)習(xí)算法將訓(xùn)練后的網(wǎng)絡(luò)權(quán)重遷移至地層出水這類(lèi)樣本數(shù)量較少、樣本特征不明顯的風(fēng)險(xiǎn)類(lèi)型訓(xùn)練中[15]，增強(qiáng)后者神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率[16]。在遷移過(guò)程中，如某種安全風(fēng)險(xiǎn)的數(shù)據(jù)樣本特征提取難度較大，則一般應(yīng)鎖定隱含層或輸出層，重點(diǎn)訓(xùn)練卷積層（特征提取層）[17]。

表4 樣本擴(kuò)展后部分隨鉆安全風(fēng)險(xiǎn)樣本數(shù)目概況

2.3 數(shù)據(jù)歸一化

另一方面，由于樣本中監(jiān)測(cè)參數(shù)數(shù)值范圍差太大，影響網(wǎng)絡(luò)訓(xùn)練效果，需對(duì)部分參數(shù)進(jìn)行歸一化處理。在提取出的參數(shù)中，甲烷體積分?jǐn)?shù)、氧氣體積分?jǐn)?shù)、相對(duì)濕度等參數(shù)數(shù)值范圍均在 0～100%，故以上述參數(shù)為標(biāo)準(zhǔn)，對(duì)其余參數(shù)按此范圍進(jìn)行歸一化。

綜上所述，本研究中，訓(xùn)練前期完整的數(shù)據(jù)樣本構(gòu)建方法如圖4所示，其中歷史監(jiān)測(cè)參數(shù)共包含了新疆博孜A井、迪A井，四川大邑A井、龍崗B井等多區(qū)塊的10余口井，樣本來(lái)源地區(qū)跨度大，樣本特征足夠豐富，不同井位之間存在的共性與差異性能保證模型的泛化能力。

圖4 數(shù)據(jù)預(yù)處理示意圖

3 安全風(fēng)險(xiǎn)智能識(shí)別卷積神經(jīng)網(wǎng)絡(luò)

隨鉆監(jiān)測(cè)的數(shù)據(jù)樣本可視為二維數(shù)據(jù)，若使用目前數(shù)據(jù)處理過(guò)程中常用的全連接神經(jīng)網(wǎng)絡(luò)，輸入層僅支持一維數(shù)據(jù)，則會(huì)摒棄掉數(shù)據(jù)間所有的位置關(guān)系[18]。根據(jù)卷積神經(jīng)網(wǎng)絡(luò)輸入層、卷積層、激勵(lì)層、隱含層和輸出層的基本結(jié)構(gòu)，結(jié)合安全風(fēng)險(xiǎn)數(shù)據(jù)樣本特征，構(gòu)建出安全風(fēng)險(xiǎn)智能識(shí)別神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（見(jiàn)圖5）。為了提高識(shí)別準(zhǔn)確率，安全風(fēng)險(xiǎn)單個(gè)樣本選取 20，40，60 s為時(shí)間跨度，同時(shí)為了降低系統(tǒng)計(jì)算量，提高網(wǎng)絡(luò)識(shí)別效率與實(shí)時(shí)性，單個(gè)樣本數(shù)據(jù)采集時(shí)間間隔選為2 s。使最后的輸入層數(shù)據(jù)為10×n、20×n或 30×n的二維矩陣。接立柱工況時(shí)間長(zhǎng)，對(duì)識(shí)別流程有一定影響，故將該工況樣本時(shí)間跨度設(shè)為3 min，作為特例處理，輸入層數(shù)據(jù)為90×n二維矩陣。

圖5 隨鉆安全風(fēng)險(xiǎn)智能識(shí)別卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取的過(guò)程中，往往采用多個(gè)不同層的卷積核提取輸入數(shù)據(jù)的多重特征，以提高網(wǎng)絡(luò)學(xué)習(xí)效率和泛化能力。對(duì)于鉆井施工過(guò)程而言，大部分安全風(fēng)險(xiǎn)特征主要體現(xiàn)在兩個(gè)方面：①各參數(shù)自身的變化趨勢(shì)；②不同參數(shù)間的相關(guān)關(guān)系。為了充分提取多個(gè)隨鉆監(jiān)測(cè)參數(shù)上述兩方面的有效特征，本文卷積神經(jīng)網(wǎng)絡(luò)模型使用兩層卷積層進(jìn)行特征提取。

卷積層 1負(fù)責(zé)提取各參數(shù)自身的變化趨勢(shì)，由于輸入層為p×n（p=10，20，30）的二維數(shù)組，且數(shù)組中每一列的元素為某隨鉆監(jiān)測(cè)參數(shù)隨時(shí)間變化的數(shù)值，故卷積層1采用m×1的一維縱向卷積核，分別在n個(gè)參數(shù)上進(jìn)行單獨(dú)的卷積計(jì)算。同時(shí)，由于不同安全風(fēng)險(xiǎn)其參數(shù)變化特征的時(shí)間跨度有所不同，為了更好地兼容大部分安全風(fēng)險(xiǎn)特征，卷積層1采用m×1卷積核對(duì) 3種時(shí)長(zhǎng)樣本進(jìn)行運(yùn)算，即以多個(gè)不同長(zhǎng)度的卷積核對(duì)每一個(gè)參數(shù)進(jìn)行單獨(dú)特征提取，不同時(shí)間跨度樣本所用卷積核長(zhǎng)度（m）與移動(dòng)步長(zhǎng)（s）的值如表5所示。在具體運(yùn)算過(guò)程中，采用多個(gè)具有相同m值但初始系數(shù)不同的卷積核，每個(gè)卷積核設(shè)置不同的權(quán)重系數(shù)，該方法可更加全面地對(duì)輸入數(shù)據(jù)進(jìn)行特征提取。由圖5可知，卷積層1共計(jì)使用20個(gè)卷積核。

表5 卷積層1參數(shù)m、s取值表

卷積層 1處理后，其輸出矩陣中所有元素均是對(duì)應(yīng)監(jiān)測(cè)參數(shù)隨時(shí)間推進(jìn)的特征值。在此基礎(chǔ)上，卷積層2提取參數(shù)間的相關(guān)關(guān)系，使用1×n的一維橫向卷積核對(duì)矩陣中每一行進(jìn)行單獨(dú)特征提取，n為該類(lèi)安全風(fēng)險(xiǎn)關(guān)聯(lián)參數(shù)個(gè)數(shù)。卷積核生成方式與卷積層1類(lèi)似，卷積層2共計(jì)使用20個(gè)卷積核，所有步長(zhǎng)為1。

由于卷積層1中使用了3種不同長(zhǎng)度卷積核，卷積后的特征數(shù)據(jù)至少具備3倍的重復(fù)特征，因此卷積完成后需采用數(shù)據(jù)降維處理，將卷積后的數(shù)據(jù)維度降低為原維度的1/3，否則會(huì)大幅增加后續(xù)網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)，也降低學(xué)習(xí)效率和收斂性。為充分保留主要特征，本架構(gòu)采用主成分分析法進(jìn)行降維處理[19]，最終得到l個(gè)特征值，將其作為常規(guī)全連接神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，使用一個(gè)含有150個(gè)節(jié)點(diǎn)的隱藏層進(jìn)行學(xué)習(xí)訓(xùn)練。所用激活函數(shù)同為ELU函數(shù)。輸出節(jié)點(diǎn)采用二分類(lèi)的形式，即節(jié)點(diǎn)數(shù)為2。為了利于定量化描述，輸出層采用Softmax函數(shù)將網(wǎng)絡(luò)輸出的結(jié)果轉(zhuǎn)換為安全風(fēng)險(xiǎn)發(fā)生概率。

4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果與現(xiàn)場(chǎng)應(yīng)用

4.1 部分安全風(fēng)險(xiǎn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果與分析

將各安全風(fēng)險(xiǎn)不同時(shí)長(zhǎng)樣本進(jìn)行訓(xùn)練，將訓(xùn)練結(jié)果進(jìn)行對(duì)比分析，以確定和驗(yàn)證最佳樣本時(shí)長(zhǎng)，并驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)性能[20]，訓(xùn)練集樣本訓(xùn)練和測(cè)試集樣本測(cè)試同步進(jìn)行。

4.1.1 地層產(chǎn)氣風(fēng)險(xiǎn)網(wǎng)絡(luò)訓(xùn)練

在地層產(chǎn)氣風(fēng)險(xiǎn) 3個(gè)不同時(shí)間跨度的樣本中，首先利用數(shù)據(jù)量小的 20 s樣本完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程（見(jiàn)圖6）。

圖6 地層產(chǎn)氣風(fēng)險(xiǎn)20 s樣本網(wǎng)絡(luò)訓(xùn)練結(jié)果

由圖可知，約6 000次訓(xùn)練后，網(wǎng)絡(luò)模型輸出值與真實(shí)值之間的差值（loss值）已很難下降，整個(gè)訓(xùn)練集樣本準(zhǔn)確率達(dá)到 90%后也基本不再上升，測(cè)試集樣本準(zhǔn)確率也僅約為83%。且兩類(lèi)樣本在訓(xùn)練過(guò)程中，其準(zhǔn)確度變化趨勢(shì)不完全一致，說(shuō)明20 s時(shí)長(zhǎng)難以充分展現(xiàn)地層產(chǎn)氣風(fēng)險(xiǎn)的變化規(guī)律和特征，該時(shí)長(zhǎng)樣本所含有效數(shù)據(jù)特征較少，導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)存在一定的過(guò)擬合現(xiàn)象，故不能采用此長(zhǎng)度樣本作為地層產(chǎn)氣風(fēng)險(xiǎn)識(shí)別依據(jù)。

40 s樣本與60 s樣本數(shù)據(jù)量較大，樣本所含數(shù)據(jù)特征豐富，最終訓(xùn)練效果更優(yōu)。尤其是60 s樣本7 000次訓(xùn)練后最終loss值已不足0.1，訓(xùn)練集與測(cè)試集準(zhǔn)確率均高于95%，如圖7所示。

圖7 地層產(chǎn)氣60 s樣本網(wǎng)絡(luò)訓(xùn)練結(jié)果

4.1.2 地層出水風(fēng)險(xiǎn)網(wǎng)絡(luò)訓(xùn)練

地層出水風(fēng)險(xiǎn)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，對(duì) 3個(gè)時(shí)長(zhǎng)樣本訓(xùn)練約5 000次后，loss值與準(zhǔn)確度趨于平穩(wěn)。與地層產(chǎn)氣樣本類(lèi)似，隨著地層出水單個(gè)樣本時(shí)間跨度的增加，樣本所含數(shù)據(jù)特征更加豐富，網(wǎng)絡(luò)訓(xùn)練效果更好，最終60 s樣本的網(wǎng)絡(luò)識(shí)別準(zhǔn)確率最高，訓(xùn)練結(jié)果如圖8所示。訓(xùn)練集準(zhǔn)確率與測(cè)試集準(zhǔn)確率變化趨勢(shì)基本同步，大小也非常接近，基本排除過(guò)擬合的可能性。但由于該風(fēng)險(xiǎn)工況在現(xiàn)場(chǎng)獲取樣本數(shù)相對(duì)較少，導(dǎo)致測(cè)試集最終準(zhǔn)確率稍低，只達(dá)到 87%，后續(xù)可采用增加風(fēng)險(xiǎn)樣本數(shù)量的方法進(jìn)一步提升準(zhǔn)確率。

圖8 地層出水風(fēng)險(xiǎn)60 s樣本網(wǎng)絡(luò)訓(xùn)練結(jié)果

4.1.3 卡鉆風(fēng)險(xiǎn)網(wǎng)絡(luò)訓(xùn)練

卡鉆風(fēng)險(xiǎn)40 s樣本與60 s樣本在網(wǎng)絡(luò)訓(xùn)練過(guò)程中均迅速收斂，loss值下降快，且最終訓(xùn)練集和測(cè)試集準(zhǔn)確率基本一致。圖9為60 s樣本訓(xùn)練結(jié)果，可以看到大約僅1 000次訓(xùn)練后，loss值已不足0.1，訓(xùn)練集準(zhǔn)確率高于95%，最終接近99%，測(cè)試集準(zhǔn)確率達(dá)到90%且趨于平穩(wěn)。

圖9 卡鉆風(fēng)險(xiǎn)60 s樣本網(wǎng)絡(luò)訓(xùn)練結(jié)果

60 s樣本3種安全風(fēng)險(xiǎn)對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)測(cè)試集最終準(zhǔn)確率分別為95%、87%、90%，識(shí)別準(zhǔn)確率接近或超過(guò) 90%，說(shuō)明該智能識(shí)別方法在鉆井安全風(fēng)險(xiǎn)識(shí)別中具有良好的識(shí)別效果，能滿(mǎn)足智能識(shí)別需求。尤其是卡鉆風(fēng)險(xiǎn)，其識(shí)別網(wǎng)絡(luò)訓(xùn)練快速收斂，說(shuō)明對(duì)本卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)而言，網(wǎng)絡(luò)能較為輕松地提取并學(xué)習(xí)到有效特征，做到高效識(shí)別和預(yù)測(cè)，有利于避免或快速解決鉆井現(xiàn)場(chǎng)風(fēng)險(xiǎn)，也充分體現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)在智能鉆井領(lǐng)域的適用性。若能提高樣本數(shù)量，還可進(jìn)一步提高模型的泛化能力和辨識(shí)準(zhǔn)確度。

4.2 現(xiàn)場(chǎng)應(yīng)用

將所有訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行整合后，編制氣體鉆井隨鉆安全風(fēng)險(xiǎn)智能識(shí)別預(yù)警軟件系統(tǒng)，并進(jìn)行了多次現(xiàn)場(chǎng)隨鉆識(shí)別預(yù)警應(yīng)用。

以大邑A井為例，成功辨識(shí)數(shù)次地層產(chǎn)氣、地層出水、卡鉆風(fēng)險(xiǎn)以及接立柱工況。當(dāng)現(xiàn)場(chǎng)鉆井施工至測(cè)量井深5 149.22 m時(shí)，識(shí)別系統(tǒng)第一時(shí)間警示地層產(chǎn)氣概率達(dá)到97.25%，現(xiàn)場(chǎng)監(jiān)測(cè)人員隨后確認(rèn)鉆遇小股甲烷氣體，系統(tǒng)成功識(shí)別風(fēng)險(xiǎn)；鉆至測(cè)量井深5 254.58 m時(shí)，識(shí)別系統(tǒng)提醒地層出水概率達(dá)83.54%，現(xiàn)場(chǎng)監(jiān)測(cè)人員報(bào)告決策人員并根據(jù)后續(xù)排砂狀況確認(rèn)鉆遇水層，系統(tǒng)成功預(yù)警風(fēng)險(xiǎn)；鉆至測(cè)量井深5 254.69 m時(shí)，識(shí)別系統(tǒng)提醒卡鉆概率達(dá)到96.54%，隨后現(xiàn)場(chǎng)監(jiān)測(cè)人員判斷鉆具遇卡并通知司鉆處理，系統(tǒng)再次成功識(shí)別風(fēng)險(xiǎn)。鉆井施工完成后，將系統(tǒng)智能辨識(shí)結(jié)果與隨鉆監(jiān)測(cè)時(shí)報(bào)中的專(zhuān)家結(jié)論進(jìn)行對(duì)比，結(jié)論具有一致性（見(jiàn)表6）。

表6 大邑A井識(shí)別結(jié)果與監(jiān)測(cè)時(shí)報(bào)對(duì)比

5 結(jié)論

與傳統(tǒng)的BP類(lèi)全連接神經(jīng)網(wǎng)絡(luò)架構(gòu)相比，本文設(shè)計(jì)的隨鉆監(jiān)測(cè)數(shù)據(jù)樣本建立方法，以及與樣本數(shù)據(jù)形式相匹配的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其訓(xùn)練方法，能更深入有效地感知多個(gè)隨鉆監(jiān)測(cè)參數(shù)在鉆進(jìn)過(guò)程中抽象的變化規(guī)律及隱藏的關(guān)聯(lián)關(guān)系，有效辨識(shí)出隨鉆監(jiān)測(cè)參數(shù)所表征的安全風(fēng)險(xiǎn)特征。以此為基礎(chǔ)形成的氣體鉆井隨鉆安全風(fēng)險(xiǎn)智能識(shí)別系統(tǒng)，能在一定程度上解決鉆井領(lǐng)域安全風(fēng)險(xiǎn)樣本少、智能化程度偏低的難題。經(jīng)現(xiàn)場(chǎng)多次應(yīng)用證實(shí)，氣體鉆井施工過(guò)程中各類(lèi)隨鉆安全風(fēng)險(xiǎn)識(shí)別準(zhǔn)確率為90%左右，具有良好的實(shí)用性。

符號(hào)注釋?zhuān)?/p>

A——輸入節(jié)點(diǎn)；B1，B2——輸出節(jié)點(diǎn)；H——隱含層節(jié)點(diǎn)；i——第一個(gè)參與計(jì)算的已有樣本編號(hào)；j——第二個(gè)參與計(jì)算的已有樣本編號(hào)；l——輸入節(jié)點(diǎn)總數(shù)（主要特征維數(shù)）；m1，m2，m3——卷積核 1-1、1-2、1-3縱向長(zhǎng)度；n——各類(lèi)安全風(fēng)險(xiǎn)特征參數(shù)數(shù)量；p——樣本縱向長(zhǎng)度；q——參與計(jì)算的樣本點(diǎn)總數(shù)；r——隱含層節(jié)點(diǎn)數(shù)；rand(0, 1)——區(qū)間[0,1]內(nèi)的隨機(jī)數(shù)；s1，s2，s3——卷積核 1-1、1-2、1-3卷積過(guò)程移動(dòng)步長(zhǎng)；u——插入點(diǎn)橫坐標(biāo)值；vi——已有樣本的縱坐標(biāo)值；ui，uj——已有樣本的橫坐標(biāo)值；Vq(u)——插值法輸出縱坐標(biāo)值；(x,y)——原始樣本點(diǎn)；(xnew,ynew)——新的樣本點(diǎn)；(xn,yn)——原始樣本點(diǎn)的最近鄰點(diǎn)。