基于支持向量机的钻井工况实时智能识别方法

2019-10-30殷启帅汪文星

石油钻探技术 2019年5期

孙挺，赵颖，杨进，殷启帅，汪文星，陈缘

（中国石油大学（北京）安全与海洋工程学院，北京 102249）

提高钻井时效是降本增效的重要手段，但目前通常对钻井时效进行事后人工分析，具有主观性和滞后性。随着机器学习和大数据技术的迅速发展，国内外很多学者开展了大数据和人工智能方法在石油工程中的应用研究，A. M. Alsalama 等人[1]提出了一个包含所需数据挖掘和分析工具的集成系统，大大缩短了传统方法进行预警的时间；K. Balaji 等人[2]从基础、理论和应用方面总结了数据驱动方法在石油天然气工程中的发展；刘刚[3]建立了基于多源信息的SVM 自适应钻井井下故障预警模型；袁野[4]提出了基于SVM 的井眼轨迹智能预测方法，建立了井眼的三维可视图，可以有效地控制井眼轨迹；孙万海[5]提出了一种基于PSO-SVM 的钻井故障智能预警系统，提高了钻井质量；王江萍等人[6]提出应用神经网络技术对井漏、井塌、井涌及井喷等井下故障进行诊断。可见，目前国内外主要是运用大数据和机器学习对钻井故障进行预测及预防或研究相关理论问题，对工况识别的研究较少，且存在数据量小和缺乏现场实例验证等问题。YIN Qishuai 等人[7]提出了一种基于程序的工况识别方法，很好地消除了人员对钻井工况识别的影响，但该方法基于编程语言，没有考虑前后数据之间的联系和钻井数据可能存在波动等问题。为此，笔者提出了一种普遍适用的纯数据驱动方法，利用支持向量机（support vector machine，SVM）识别钻井工况，减少不可见非生产时间，提高钻井作业效率；采用训练-测试的方式，训练数据为综合录井提供的实时数据，解决了传统方法对人员依赖大的缺点；在钻井工况识别中应用机器学习与数据驱动方法，同时允许数据存在一定的波动，克服了编程语言识别带来的问题。

1 支持向量机模型

支持向量机是一种监督式学习模型，可以用于模式识别、分类和回归问题的分析。该模型是基于统计学习理论和结构风险最小化原则建立的，主要思想是建立一个线性分离超平面，将非线性输入映射到高维特征空间中，使正例和反例之间的隔离边缘被最大化[8-15]。支持向量机的原理如图1 所示。图1 中，x1和x2代表输入参数特征，w 为核函数，b 为偏置，l2代表数据分类的最佳方案。模型的输入为钻头位置、大钩载荷、机械钻速、钻压、大钩载荷、转速、扭矩、出口排量和立管压力等9 种参数，输出包括倒划眼、接立柱、下套管、下钻及旋转钻进5 种正常工况和钻塞等复杂工况。根据9 种输入参数的特征，采用SVM 将它们分为6 种输出结果。

图 1 支持向量机原理示意Fig. 1 Principle schematic diagram of support vector machine

针对非线性分类问题，B. E. Boser 等人[16]提出了将核技巧应用于最大边界超平面，从而创建非线性分类器的方法。经过不断发展，应用于SVM 的核函数主要包括以下几种类型[17]。

线性核函数：

多项式核函数：

径向基核函数：

两层感知器核函数：

式中： xi,xj为空间中的2 个向量；k 为核函数；d,γ,κ,c为系数。

通过核函数处理，将非线性问题转化为线性问题，如图2 所示。

笔者在研究中，利用SVM 进行6 个钻井工况的识别，识别结构如图3 所示。收集现场22 种钻井工况的录井数据，选择具有代表性的倒划眼、接立柱、下套管、下钻及旋转钻进等5 种正常工况和钻塞等复杂工况共6 种工况进行分析。结合研究中数据的使用情况，选取的参数包括钻头位置、大钩载荷、机械钻速、钻压、大钩高度、转速、扭矩、出口排量和立管压力。

图 2 核函数作用示意Fig.2 Functional schematic diagram of the kernel function

图 3 支持向量机的识别结构示意Fig. 3 Recognition structure of support vector machine

2 工况识别模型优化

为了提高工况识别的准确率，首先对数据进行[0，1]归一化处理，然后优选SVM 核函数类型，并进行交叉验证，优化模型。

2.1 核函数优选

应用SVM 时，关键是选择核函数，不同的核函数适用于不同的问题，对准确率有很大的影响。采用不同的核函数，对不同工况进行归一化处理，输出的结果如图4—图7 所示。

4 种核函数的识别准确率和计算时间的对比情况见表1。

图 4 线性核函数的识别结果Fig. 4 Identification results of linear kernel function

图 5 多项式核函数的识别结果Fig. 5 Identification results of polynomial kernel function

图 6 径向基核函数的识别结果Fig. 6 Identification results of radial basis kernel functions

图 7 两层感知器核函数的识别结果Fig. 7 Identification results of kernel functions by two-layer perceptron

由表1 可知，两层感知器核函数的识别准确率最低，且耗费时间最长；径向基核函数的识别准确率较高。

2.2 模型参数优选

利用SVM 进行钻井工况识别时，得到的模型需要具有高的准确率和鲁棒性，采用交叉验证的方法，将原始数据分成K 组，随机选取一组子集做验证集，其余K-1 组子集做训练集，得到K 个模型，最后选择准确率最高模型的性能指标[16]作为最终SVM的参数。

表 1 不同核函数计算结果对比Table 1 Comparisons of calculation results with different kernel functions

通过交叉验证可以选出最佳的惩罚函数c 和核函数参数g，交叉验证的结果如图8 所示（图8 中，不同等高线表示c 和g 不同取值对应的准确率）。

图 8 交叉验证结果Fig. 8 Cross validation results

由图8 可知，时，准确率可达到97%以上，此时选取c 最小的那组数据（这是因为，c 值过高会出现过学习现象，即训练集的准确率满足一定的要求，但测试集准确率很低），即c=0.353 6，g=1.534 0（见图8 中点A）。准确识别钻井工况后，就可以对钻井作业进行事后分析，识别不可见非生产时间，提高钻井效率，从而提高钻井的安全性和经济性。

3 模型准确性验证

选取4 口井进行模型验证，以其中2 口井的录井数据为训练集，其他2 口井的录井数据为测试集，训练集和测试集SVM 的识别结果如图9 所示。从图9 可以看出，训练集的识别准确率高于测试集，测试集中接立柱和旋转钻进的识别准确率最高，达到了97%，工况识别准确率总体达到95%以上，说明该方法在新样本中有很好的泛化性。

图 9 最终的工况识别结果Fig. 9 Final identification results of working condition

4 钻井时效分析与应用

海上导管架平台因作业空间受限，通常在一个导管架平台上布置数十口井，这种井槽集中在一个区域的布井方式，形成了“批钻（一次性完成同一开次钻井作业）”作业模式。由于这些井的地层情况、钻井设计方案、钻井设备、施工队伍相似，所以在“批钻”模式下，同一井段的时效具有可比性。因此，采用基于支持向量机的钻井工况实时智能识别方法，进行工况识别、时效分析和时效辅助决策，实现提质增效。以南海某平台批钻作业为例，首先对一口井的三开录井数据进行学习，训练得到工况识别模型；然后根据其余14 口已钻井的三开录井数据识别接立柱工况和分析钻井时效，从而指导待钻井的施工，提高接立柱的效率。具体应用步骤如下：

1）工况识别。利用B1 井的三开录井数据，训练得到最优模型，然后使用该模型对其余14 口已钻井的三开工况进行识别，并统计接立柱作业时间。

2）时效分析。为了得到三开中接立柱的平均时间，统计了前15 口已钻井的三开接立柱时间（见图10）。由图10 可知，10%的接立柱作业可在1.3 min 内完成，50%的接立柱作业可在2.1 min 内完成，90%的接立柱作业可在4.9 min 内完成，接立柱作业的平均完成时间为2.5 min。

3）辅助决策。按照三开接立柱顺序分为4 个阶段，第1 阶段为第1—12 根立柱，第2 阶段为第13—24 根立柱，第3 阶段为第25—36 根立柱，第4 阶段为第37 至最后所有的立柱，前15 口井三开4 个阶段的平均接立柱时间为2.5 min。