藺研鋒，閔超，代博仁，張馨慧

(1.西南石油大學(xué) 理學(xué)院， 成都 610500； 2.西南石油大學(xué) 人工智能研究院，四川 成都 610500； 3.西南石油大學(xué) 油氣藏地質(zhì)與開發(fā)工程國家重點(diǎn)實(shí)驗(yàn)室，四川 成都 610500)

引 言

準(zhǔn)確及時地預(yù)測鉆井漏失事故，對提高鉆井技術(shù)水平和經(jīng)濟(jì)效益均具有極為重要的實(shí)際意義。傳統(tǒng)的井漏預(yù)測方法集中在井漏的機(jī)理研究[1-3]，涉及到的物理過程較為復(fù)雜，所獲得的物理模型或者經(jīng)驗(yàn)?zāi)Ｐ碗y以準(zhǔn)確的描述這些映射關(guān)系[4]。大數(shù)據(jù)分析方法，作為近些年新興的一種數(shù)據(jù)分析手段，可以處理這些復(fù)雜的非線性問題[5]，一方面基于數(shù)據(jù)驅(qū)動的方法，可以精簡利用機(jī)理模擬所需的復(fù)雜調(diào)參過程，另一方面可以綜合利用多來源、多結(jié)構(gòu)的數(shù)據(jù)，考慮多方面因素從進(jìn)而確保預(yù)測結(jié)果的可靠性。

近年來，許多學(xué)者開始研究將大數(shù)據(jù)分析方法應(yīng)用到鉆井漏失事故的預(yù)測中，例如Ahmed K.Abbas[6]基于人工神經(jīng)網(wǎng)絡(luò)和支持向量基(Support Vector Machine,SVM)開發(fā)了一個能診斷井漏的專家系統(tǒng); Ivan Khodnenko[7]基于最近鄰分類算法(K-Nearest Neighbor,KNN)、SVM、隨機(jī)森林(Random Forest,RF)、邏輯回歸(Logistic Regressive,LR)、樸素貝葉斯(Naive Bayes,NB)這5種算法的預(yù)測模型對比，優(yōu)選出邏輯回歸算法對鉆井漏失事故進(jìn)行檢測；Mohammad Sabah[8]利用自適應(yīng)模糊神經(jīng)系統(tǒng)(Adaptive Network-based Fuzzy Inference System,ANFIS)、遺傳算法優(yōu)化的多層感知機(jī)(Genetic Algorithm-Multilayer Perceptron,GA-MLP)、決策樹(Decision Tree,DT)等方法對鉆井漏失進(jìn)行預(yù)測，并將其應(yīng)用到伊朗馬倫油田中。綜上，目前對井漏預(yù)測的研究很少將鉆井視為一個連續(xù)的過程來展開討論[9]。

現(xiàn)場專家主要通過綜合錄井?dāng)?shù)據(jù)波形起伏的變化特點(diǎn)來判斷漏失事故，因此應(yīng)該從鉆井時序數(shù)據(jù)的前后聯(lián)系來展開研究，而不是將某時刻的數(shù)據(jù)點(diǎn)作為獨(dú)立輸入來進(jìn)行分析。本文受語音識別的啟發(fā)[10]，將采集到的綜合錄井時序數(shù)據(jù)視為鉆井系統(tǒng)發(fā)出的 “聲音”，現(xiàn)場專家就是通過“傾聽”并理解這些聲音所代表的“模式”來判斷工況。同時，借助循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)在時序特征提取上的優(yōu)勢，利用基于RNN的深度神經(jīng)網(wǎng)絡(luò)能夠更好地學(xué)習(xí)到錄井序列中的波形變化模式[11]。因此，本文在對綜合錄井?dāng)?shù)據(jù)進(jìn)行降噪以及對井漏點(diǎn)周圍波形特征分析的基礎(chǔ)上，提出了一種基于長短時記憶網(wǎng)(LSTM)的井漏事故實(shí)時滾動預(yù)測方法。該方法能夠提取綜合錄井曲線動態(tài)變化的自相關(guān)特性，提取的特征更具有代表性。通過算例驗(yàn)證，與其他方法相比，本文提出的方法準(zhǔn)確性更高，對現(xiàn)場井漏事故預(yù)測更有參考價值。

1 數(shù)據(jù)預(yù)處理

本文所用的數(shù)據(jù)為華北某油田的綜合錄井?dāng)?shù)據(jù)和井史數(shù)據(jù)。其中，綜合錄井?dāng)?shù)據(jù)包括時間、井深、立管壓力、活動池總體積、出入口流量、大鉤負(fù)荷和鉆時等特征數(shù)據(jù)；井史數(shù)據(jù)包含地質(zhì)數(shù)據(jù)、井漏發(fā)生的井深以及備注等數(shù)據(jù)。

1.1 歸一化

由于綜合錄井?dāng)?shù)據(jù)的立管壓力、活動池總體積、出入口流量等特征的尺度與量綱不一，深度神經(jīng)網(wǎng)絡(luò)模型對輸入特征的尺度又比較敏感[12]，故對這些特征數(shù)據(jù)采用min-max方法歸一化處理。

1.2 小波閾值降噪和滑動窗口長度的選取

綜合錄井?dāng)?shù)據(jù)易受機(jī)器震動、地質(zhì)等因素的影響，通常含有大量的噪聲。這些噪聲會影響模型的泛化能力[13]，因此對綜合錄井?dāng)?shù)據(jù)進(jìn)行去噪就顯得尤為重要。小波分析作為一種時頻分析的工具，在信號處理、圖片降噪等方面都有著很廣泛的應(yīng)用[14]，用小波閾值降噪法對綜合錄井?dāng)?shù)據(jù)進(jìn)行降噪處理，需選取合適的小波基函數(shù)、分解層數(shù)、閾值函數(shù)，同時滑動窗口的長度也影響著濾波的效果。常用的小波基函數(shù)為dbN小波、symN小波、coifN小波和biorNr.Nd小波。閾值函數(shù)包括硬閾值和軟閾值。

為了評價小波閾值去噪的效果，本文通過計算立管壓力、活動池總體積、出入口流量差和大鉤負(fù)荷的平均信噪比(RSN)和均方誤差(ERSM)作為衡量去噪性能的標(biāo)準(zhǔn)，信噪比越高，均方誤差越小，去噪性能就越好。其計算式分別為：

式中，F(xiàn)(n)為去噪后的數(shù)據(jù)，f(n)為原始數(shù)據(jù)，n為數(shù)據(jù)的長度。

(1)選取小波基函數(shù)、分解層數(shù)與滑動窗口長度。表1為小波基函數(shù)在各個窗口長度下立管壓力、活動池總體積、出入口流量差和大鉤負(fù)荷的平均信噪比和均方誤差。

表1 小波閾值降噪的性能指標(biāo)Tab.1 Performance indexes of wavelet threshold denoising

由表1可以看出，當(dāng)小波基函數(shù)為Bior3.7，分解層數(shù)為4，窗口長度為5時，信噪比最高，均方誤差最小。

(2)選取閾值函數(shù)。當(dāng)小波基函數(shù)為Bior3.7，分解層數(shù)為4時，硬閾值的信噪比和均方誤差分別為21.363 4、0.047 6，軟閾值的信噪比和均方誤差分別為21.568 4、0.046 7，可以看出當(dāng)閾值函數(shù)為軟閾值的時候，去噪效果更好。

綜上，本文采用的小波基函數(shù)為Bior3.7，閾值函數(shù)為軟閾值函數(shù)，分解層數(shù)為4，滑動窗口的長度為5。圖1為一段數(shù)據(jù)降噪前與降噪后的波形圖，可以看出，經(jīng)過小波閾值降噪的波形更加平滑，更能顯示各個特征下降或者上升的趨勢。

圖1 濾波前后數(shù)據(jù)對比Fig.1 Comparison of waveforms before and after filtering

2 特征分析

井漏表征規(guī)律是泥漿從井筒進(jìn)入地層過程中錄井參數(shù)的變化規(guī)律，判斷井漏經(jīng)常通過錄井參數(shù)中的立管壓力、大鉤負(fù)荷、活動池總體積、出入口流量差等特征來進(jìn)行判斷。其中，立管壓力反映的是鉆井液在鉆柱、鉆頭水眼及環(huán)空的壓力損耗，井漏發(fā)生后，環(huán)空中泥漿的返速將會降低，同時造成環(huán)空摩阻減小，從而造成立管壓力減小；出入口流量和泥漿池體積能夠直接反應(yīng)漏失、井涌等事故，當(dāng)出現(xiàn)漏失時，井筒內(nèi)的鉆井液流入到地層，泥漿返出量明顯小于入口流量，泥漿池體積變小。

由于井漏發(fā)生的機(jī)理比較復(fù)雜，有時單一參數(shù)的變化并不能代表井漏的發(fā)生，因此需要綜合利用多個特征參數(shù)來對井漏進(jìn)行識別[15]。本文對井漏發(fā)生時的井深周圍的波形特征進(jìn)行統(tǒng)計，見表2。

表2 井漏特征統(tǒng)計Tab.2 Main characteristics of lost circulation

根據(jù)井漏周圍的波形特征和滑動窗口長度進(jìn)行打標(biāo)簽，繪制出錄井?dāng)?shù)據(jù)的整體波形變化趨勢。如圖2(a)所示，紅色方框標(biāo)記處的波形特征，對應(yīng)了井史數(shù)據(jù)中給出的井深為2 588 m時的井漏事件。為了進(jìn)一步細(xì)致的觀察和分析該井深周圍的波形特征變化趨勢，從而確定井漏的波形特征標(biāo)簽，截取了井深區(qū)間為[2 564，2 600]的波形圖，并對其進(jìn)行了濾波后局部特征展示，如圖2(b)所示。從圖中所呈現(xiàn)的變化趨勢可以看出，井漏前即井深為2 576～-2 587m范圍內(nèi)的波形特征顯示大鉤負(fù)荷、立管壓力均出現(xiàn)明顯下降，活動池體積基本維持不變，出入口流量差有所上升，結(jié)合上面的因素分析表明，伴隨著這些波形特征對應(yīng)上述變化趨勢的出現(xiàn)，將極大可能存在井漏發(fā)生的跡象，于是，對[2 576，2 581],[2 577,2 582],…,[2 582,2 587]這些波形打上井漏的標(biāo)簽。

圖2 特征分析過程Fig.2 Feature analysis process

通過上述過程對特征進(jìn)行分析，共得到358個井漏的標(biāo)簽，13 454個非井漏的標(biāo)簽。由于井漏標(biāo)簽較少，導(dǎo)致樣本類別分別不均衡，使得模型依賴有限的樣本產(chǎn)生過擬合問題，本文通過SMOTE[16]算法來進(jìn)行上采樣，彌補(bǔ)井漏樣本的數(shù)量來實(shí)現(xiàn)樣本均衡，然后將其帶入模型進(jìn)行訓(xùn)練,滑動窗口將完整的綜合錄井?dāng)?shù)據(jù)切割為許多片段，這些片段反應(yīng)了波形的局部特征，在窗口的滑動過程中即可對鉆井漏失事故進(jìn)行滾動預(yù)測，過程如圖3所示。

圖3 長度為5滑動窗口模型Fig.3 Prediction model based on sliding window with length of 5

3 模型構(gòu)建

3.1 長短期記憶神經(jīng)網(wǎng)絡(luò)

LSTM是一種時間遞歸神經(jīng)網(wǎng)絡(luò)[17]，能對間隔時間較長的信息進(jìn)行識別，一般在處理時間序列方面性能優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)，廣泛的應(yīng)用在語音、自然語言處理方面。LSTM 網(wǎng)絡(luò)的參數(shù)設(shè)置同其它神經(jīng)網(wǎng)絡(luò)類似，有所不同的是網(wǎng)絡(luò)隱藏層不是完全采用全連接層，而是在其中加入LSTM層[18]。鑒于LSTM對于時序數(shù)據(jù)處理的優(yōu)勢，本文利用基于LSTM的方法進(jìn)行鉆井漏失事故的預(yù)測。

3.2 雙向長短期記憶神經(jīng)網(wǎng)絡(luò)

Bi-LSTM克服了LSTM只能處理以前的序列但不能使用未來的序列缺點(diǎn)，可以充分提取序列以前和未來的關(guān)聯(lián)關(guān)系[19-20]。Bi-LSTM由兩個不同的LSTM隱藏層組成，且都連接著一個輸出層，這樣輸出層就可以利用到以前和未來的信息，其結(jié)構(gòu)圖如圖4所示。在鉆井漏失事故的預(yù)測中，可能以前和未來的信息都非常重要，因此，Bi-LSTM的預(yù)測的效果要優(yōu)于LSTM。

圖4 雙向長短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of bidirectional long-term and short-term memory neural network

3.3 AlexNet

AlexNet是在2012年的ImageNet競賽中提出來的[21]，AlexNet有很多的創(chuàng)新，如第一次引入了激活層ReLU，同時在全連接層引入了Dropout層防止過擬合，AlexNet為工程研究的發(fā)展提供了廣闊的空間。本文將AlexNet用于鉆井漏失事故的預(yù)測，所用的結(jié)構(gòu)前5層為卷積層，每一個卷積層后面均為ReLU函數(shù)，后面2層為全連接層，考慮到鉆井漏失的波形特征復(fù)雜度較低，因此本文使用一層節(jié)點(diǎn)數(shù)為64的全連接層整合卷積層提取的特征，其結(jié)構(gòu)示意如圖5所示。

圖5 簡化后的AlexNet結(jié)構(gòu)示意圖Fig.5 Structure of simplified AlexNet

3.4 VGGNet卷積神經(jīng)網(wǎng)絡(luò)

VGGNet是ImageNet2014年的亞軍[22]，它不像AlexNet使用11×11那么大的濾波器，它只使用了3×3的卷積濾波器和2×2的大池化層。本文將該網(wǎng)絡(luò)應(yīng)用到鉆井漏失事故的預(yù)測中，但是由于標(biāo)準(zhǔn)的VGGNet結(jié)構(gòu)分類對象較多，深度太深，并不適合本文研究對象，因此，筆者對其進(jìn)行簡化，采用6層類似于VGGNet的卷積神經(jīng)網(wǎng)絡(luò)，前4層為卷積層，所有的卷積核大小為3×3，后2層為全連接層，每一個卷積層后面均為ReLU函數(shù)，其結(jié)構(gòu)示意圖如圖6所示。

圖6 簡化后的VGGNet結(jié)構(gòu)示意圖Fig.6 Structure of simplified VGGNet

4 模型評估

本文用精確率(Precision)、召回率(Recall)和F1三個指標(biāo)來評價鉆井漏失事故預(yù)測的效果，精確率、召回率和F1的計算公式分別為

P=TP/(TP+FP)；

R=TP/(TP+FN)；

F1=2PR/(P+R)。

式中：P為精確率；R為召回率；TP為真正例數(shù)目；FP為假正例數(shù)目；FN為假反例數(shù)目。

表3為LSTM、Bi-LSTM、簡化后的VGGNet、簡化后的AlexNet經(jīng)訓(xùn)練后的性能指標(biāo)，可以看出Bi-LSTM的精確率、召回率和F1值都是最大的對井漏事故預(yù)測的效果更好，提取的特征更具有代表性。

表3 性能指標(biāo)Tab.3 Performance indexes

5 結(jié) 論

(1)綜合錄井?dāng)?shù)據(jù)易受機(jī)器震動、地質(zhì)等因素的影響，通常含有大量的噪聲，通過小波分析對錄井?dāng)?shù)據(jù)進(jìn)行降噪處理，使得各個特征的波形更為平滑，更能顯示下降或者上升的趨勢。

(2)基于井漏發(fā)生的復(fù)雜性，有時單一參數(shù)的變化并不能代表井漏的發(fā)生，因此本文綜合利用多個特征參數(shù)來對井漏進(jìn)行識別。

(3)通過對長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(Bi-LSTM)、AlexNet和VGGNet預(yù)測鉆井漏失事故的適應(yīng)性分析，發(fā)現(xiàn)Bi-LSTM能夠提取綜合錄井曲線動態(tài)變化的自相關(guān)特性，提取的特征更具有代表性，對井漏事故預(yù)測的準(zhǔn)確率更高。