基于地质钻探智能云监控系统的钻速优化决策

吴 潇 赖旭芝 陆承达 黄恒宇 吴 敏

资源能源是人类赖以生存的基础,地质钻探是实现地质资源能源勘探开发的必要手段[1].近年来,随着传感器、自动化控制和网络技术的成熟应用,地质钻探已具备高度的数字化、自动化水平,面临着智能化钻探的发展方向和工程需求.实现智能化钻探,迫切需要集成大数据处理、数据驱动、人工智能、先进控制等关键技术,形成具有大数据计算、智能优化、控制与决策能力的新一代智能控制系统.

受限于钻探现场软硬件条件,现场原有控制系统难以满足智能化钻探需求,缺乏对海量过程数据有效存储和分析的能力,导致难以依据数据分析结果实现钻进过程的智能优化、控制与决策.梁鑫等进行了岩心钻机自动监控系统的硬件选型、软件设计,研发了岩心钻机计算机数据采集控制系统[2].朱珺等研制了基于Labview 的钻孔钻探参数无线监控系统[3].范海鹏等通过设计远程监控系统,实现了现场工况的远程监测[4].文浩贤等开发了地质钻探过程状态监测App,实现了移动端对井场的远程监测[5].上述研究在现场控制系统设计和过程监测方面开展了大量工作,但是缺乏集成大数据分析、智能优化、智能控制等技术,实现集远程监测、效率优化、智能控制与决策等功能于一体的智能钻进系统.

云控制系统[6-8]（cloud control system,CCS）在传统控制系统中引入云计算、大数据处理以及人工智能算法等关键技术,将各种传感器感知汇集而成的海量数据,即大数据,存储在云端.然后,在云端利用人工智能算法实现系统的在线辨识与建模,应用任务的计划、规划、调度、预测、优化、决策和控制,结合模型预测控制、数据驱动预测控制等先进控制方法,实现系统的自主智能控制,即形成云控制[9-11].基于云控制系统的设计理念,结合地质钻探的工程需求和现场软硬件情况,本文设计了一种符合多钻探现场工程应用的专有钻探系统,即地质钻探智能云监控系统（intelligent cloud monitoring system for geological drilling,ICMS）,集成了通信、存储、计算、优化和控制等方面的关键技术,实现了钻进工况识别[12]、安全预警与故障诊断[13-14]、效率优化[15]、钻压控制[16-17]等功能.

面向钻探现场高效钻进的工程需求,针对ICMS中的效率优化应用,本文设计了一种结合高斯过程回归[18]（Gaussian process regression,GPR）方法和混合蝙蝠算法[19]（hybrid bat algorithm,HBA）的钻速实时优化方案,并依托于智能云监控系统验证方案的有效性和工程适用性.首先,运用数据驱动建模技术,基于GPR 建立钻速预测模型[20],并结合滑动时间窗口技术进行动态预测.然后,针对钻进现场工程约束,设计约束条件,建立钻速优化模型.最后,针对具有非线性约束的非凸优化问题,采用HBA 优化算法求解模型,获得最优的钻进操作参数来指导钻进过程,并结合滑动时间窗口技术实现实时优化,保障优化结果的可靠性和实时性.

本文主要贡献如下：1）面向地质钻探行业智能化钻进的发展需求,提出了ICMS,分析其整体架构和关键技术；2）针对系统中钻进效率优化问题,结合滑动时间窗口技术,提出了钻速智能动态优化方案；3）针对钻速的高精度预测问题,提出基于GPR 的混合预测模型,实现钻速动态预测；4）针对实际钻探现场应用场景,进行了基于智能云监控系统的钻速智能动态优化,结果验证了方案的有效性.

1 ICMS

面向地质钻探钻进过程控制与决策的工程应用需求,集成应用大数据处理、人工智能、先进控制等关键技术,设计开发集监测、预警、决策与控制于一体的深部ICMS,具备较强的工程适用性.

ICMS 以现场智能钻进控制系统和智能监控云平台为主,共同实现全国各地多井场的云监控和决策.系统实现如下.

1.1 系统架构设计

结合实际钻进现场的基础设施情况和智能化需求,本文设计了基于网络化架构的ICMS,如图1 所示.采用分层递阶控制的设计策略,该系统自下至上包括了基础自动化层、现场监控层、网络传输层和监控云平台层,实现对钻进现场的云到端的监控和决策.

图1 ICMS 系统架构Fig.1 Architecture of ICMS

基础自动化层负责实现钻进现场关键过程数据的采集和存储、控制指令的执行以及基本钻井功能的具体实现,是智能云监控系统中必不可少的底层基础.该层主要由钻进过程中三大控制系统的基本执行单元（如变频器、传感器等）组成,包括钻柱控制系统、钻进轨迹控制系统和钻井液循环系统.

现场监控层负责控制指令的现场下发、钻进过程数据的实时监控以及现场实时场景的视频监控,保障钻进现场的稳定、高效和安全运行.其中,现场智能钻进控制系统集成开发了基于数据驱动的地质环境建模、状态监测、钻进效率优化和智能控制等功能,实现对实际钻进过程的优化决策和智能控制.

网络传输层主要通过网络传输协议实现智能监控云平台和现场智能钻进控制系统的信息传输,并采用编码解码技术来保障数据安全和隐私,实现对现场钻进情况的远程监控.现场数据传输过程采用动态域名技术,监控云平台通过远程监控中心软件接收数据,并提供数据实时存储、分析和远程决策等服务.

监控云平台层部署包括云控制与决策、云存储、算法库以及半实物实验系统等模块.云控制与决策,即大数据分析、优化计算和控制决策等功能被部署在云监控中心的高性能服务器中,为钻进现场提供海量数据的云处理和决策服务.算法库负责封装云控制与决策模块所需的预测、优化、控制和决策等智能算法.不同区域的钻进现场的关键业务数据、实时场景图像通过网络通信传输到云监控中心的数据库服务器,实现云存储.算法库和云存储分别对应模型和数据,通过两者融合和迭代更新,为云控制与决策提供大数据分析与决策的服务.一方面,半实物实验系统通过模拟实际钻进过程、运行算法功能,获得模拟运行结果,进行优化设计方案的可行性判别；另一方面,通过网络下发全局最优的控制与决策方案至现场监控层,提供钻进操作指导.

为了保障系统安全和隐私,通过在监控云平台层设置账户密码、用户权限等方式,区分不同区域、不同井场的不同职位等级的管理层,并对应设置不同等级的系统使用权限.高等级管理层可获取更高系统权限,实现对现场的远程监测、决策和指导；低等级管理层仅可监测现场钻进情况,不具备现场决策和指令下发的系统权限.

1.2 系统实现

本系统面向现场监测、安全预警、效率优化等实际工程需求,集成钻进过程工况识别、安全预警与故障诊断、钻进效率智能优化、钻压与转速控制、钻进数据实时显示与历史查询等功能,实现对钻进过程的优化决策和智能控制,提高钻进效率和安全.

系统各个功能模块之间相互配合,协同实现系统功能,共同保障系统工作性能.面向现场高效钻进的工程需求,钻进效率智能优化模块在系统中承担着优化钻进操作参数组合、下发控制指令指导钻进操作的重要角色.此外,该模块可以联调钻压与转速控制模块,通过将模块运行获得的钻压、转速的最优值输出到钻压与转速控制模块,运行模块控制最优钻压与转速进行稳定的钻进,进而保障钻进过程的高效性和稳定性.

智能云监控系统的软件结构如图2 所示,系统搭载高速算法运算模块,采用模型-视图-控制器（model-view-controller,MVC）架构,具备复杂逻辑运算、智能优化决策和智能控制的能力,为实现上述系统集成功能提供技术服务.现场智能钻进控制系统配备高性能工控机和专用工业组态软件WinCC,实现现场钻进数据实时采集与存储、优化决策和控制指令下发.

图2 ICMS 软件架构Fig.2 Software architecture of ICMS

系统运行过程如下：通过现场可编程逻辑控制器（programmable logic controller,PLC）实时获取现场传感器数据,采用工业通信标准（object linking and embedding for process control,OPC）接口实现系统与WinCC 的数据通信,并采用数据对象技术（active data object,ADO）实时存储现场数据.通过调用算法功能模块执行相应功能,存储实时运行结果.通过串口协议和无线终端设备数据传输单元（data transfer unit,DTU）,将数据发送到远程云监控中心,实现对钻进现场的远程监控和决策.

在系统运行过程中,系统通过调用算法功能模块,获得钻压、转速等钻进操作参数的推荐值；采用操作参数推荐和闭环指令下发两种方式,将推荐值下发至现场控制系统,进而控制现场执行机构运转,执行系统功能.通过上述流程,智能云监控系统和现场控制系统之间进行高效的联合运作,共同保障钻进过程效率和安全.

在远程监控和智能决策的服务下,钻探现场管理者可以在多个场所通过电脑、手机等移动端实时监控现场钻进情况,使管理者更快捷、方便地实时掌握现场钻进情况,有效解决了管理者长时间直接在现场监视的问题.同时,管理者可依据系统运行情况和现场钻进情况,通过系统进行远程决策、指导现场操作,避免钻进事故发生.总之,智能云监控系统有效保障了钻进效率和安全、降低了管理层劳动强度以及钻进成本.

根据智能云监控系统软件设计需求,进行控制系统的硬件实现,如图3 所示.通过现场PLC 读取现场传感器检测数据,进一步可通过现场通信进行数据采集存储与操作指令下发,为实现钻进过程基础自动化功能提供数据基础.

图3 ICMS 硬件架构Fig.3 Hardware architecture of ICMS

工控机通过Profibus 总线、MPI 总线、串口等与PLC 相连,实现现场工控机与硬件设备之间的通信.现场实钻数据存储在工控机中,并通过现场智能钻进控制系统进行数据分析；之后,采用ADO 技术实现对钻进过程实钻数据和功能模块运行结果的存储.利用DTU 远程通信设备,通过串口将上述数据转换为IP 数据,并通过传输控制协议/网络协议（transmission control protocol/internet protocol,TCP/IP）远程传输到智能监控云平台.

智能监控云平台整体结构设计如图4 所示.

图4 智能监控云平台Fig.4 Intelligent cloud monitoring platform

通过智能监控云平台汇聚全国各地井场的海量钻进数据,为现场提供大数据分析、智能优化决策与控制等服务.同时,依托于云平台微型钻机、轨迹控制系统、钻具姿态控制系统、随钻测斜系统集成半实物实验系统,开展算法功能模块的半实物仿真实验,验证所提钻进过程建模、优化、控制方法的有效性.结合多井场海量钻进数据的分析,针对现场情况改进算法功能,为钻进现场提供智能优化、云决策和控制的服务,指导安全、高效的钻进过程.

2 基于智能云监控系统的钻速智能动态优化与决策

面向地质钻探工程中高效钻进的需求,依托于ICMS,本文设计了钻速智能优化决策方案,算法框架及流程如图5 所示.具体步骤如下：

图5 钻速智能优化方案Fig.5 Intelligent optimization scheme of ROP

1）运用多变量小波滤波方法,对实际钻进数据进行去噪处理,实现数据清洗.之后,设计基于互信息分析的特征选择方法,为钻速预测模型确定合适的模型输入特征.

2）结合高斯过程回归模型和智能优化算法,建立钻速混合预测模型.在此基础上,设计基于滑动时间窗口的动态建模方法,实现预测模型的动态更新,提高模型性能和适用性.

3）基于钻速动态预测模型,结合钻进现场工程需求设计优化目标和约束条件,建立钻速优化模型.之后,采用混合蝙蝠算法求解模型获得最优的钻进操作参数,指导钻进过程.

2.1 数据去噪与特征选择

为了保障钻速优化模型和模型运行结果的可靠性,需要在建模前对钻进数据执行数据预处理操作,主要包括数据去噪与特征选择.

数据去噪的目的是清洗钻进过程数据,避免模型受到数据噪声、异常数据等不利影响.因此,为了提高模型精度,本文采用多变量小波滤波方法对原始钻进过程变量进行滤波去噪处理,将去噪后数据作为模型训练数据.

特征选择的目的是为钻速预测模型选取合适的输入特征,降低模型输入冗余对模型预测精度的不利影响.针对钻进过程变量之间存在强非线性、多变量耦合等复杂特性,传统的Pearson 相关分析、Spearman 相关分析等方法难以有效衡量过程变量间的强非线性,因此,本文采用互信息分析（mutual information,MI）方法分析钻进过程变量之间的相关性,确定合适的模型输入特征.

具体流程如下：基于钻进过程变量的时间序列数据,计算出不同变量间的互信息值,值越大表示变量间相关性越强；依据互信息值和钻进过程特性,筛选出与钻速相关性强的过程变量；删除这些变量间强相关的耦合变量,确定出最终的模型输入特征变量.

2.2 钻速预测模型建模

实现钻速优化,准确预测钻速是必要前提和重要基础.为了准确捕获、表征钻速的动态变化,结合大数据分析和机器学习方法,建立精度高、泛化能力强的钻速预测模型至关重要.

GPR 是一种基于贝叶斯推理和统计学习理论的机器学习方法,具备处理非参数回归的优秀能力,适合解决高度非线性、高维的复杂回归问题.因此,结合考虑实际钻进过程的过程特性和数据分布特征,本文采用GPR 方法来建立钻速预测模型,以获得良好的预测性能.

基于前述的特征选择方法,与钻速强相关的4个过程变量,钻压、转速、泵量和扭矩,被确定为钻速预测模型的输入特征,定义为X.对于其时间序列X=[X1,…,Xn],GPR 模型基本函数f（X）=[f（X1）,…,f（Xn）]服从多元高斯分布,则称其为高斯过程,记为：

依据多元高斯分布的条件概率分布公式,模型输出的后验概率分布表示如下：

另一方面,随着钻进过程的深度、地层发生变化,实时钻进数据的动态响应和变化趋势经常发生改变,而静态预测模型难以适应其复杂变化.本文设计一种基于滑动时间窗口技术的动态建模方法.在训练过程中,模型训练集随着时间窗口的滑动进行动态更新,进而改变预测模型的内部结构和超参数,以获得更好的预测性能.动态预测模型具有及时学习新数据特征的能力,从而保证了模型的高适用性.

2.3 钻速智能动态优化与决策

为了提升钻进效率,以最大化钻速为优化目标,以钻压、转速、泵量为决策变量,针对现场实际情况设计约束条件,建立钻速优化模型.

2.3.1 优化目标

在地质钻探钻进过程中,在特定地质条件下,主要通过调整钻进操作参数的设定值来提高钻进效率.因此,基于前文建立的钻速预测模型,钻速优化模型的优化目标函数可表示如下：

其中,WOB、BPM 和Q 是决策变量,分别表示钻压、转速和泵量.TRQ 表示扭矩.ROPHGPR（·）代表钻速预测模型,其输出值作为优化目标.

2.3.2 约束条件

1）钻进操作参数设备约束

受限于钻进现场设备情况,钻进操作参数需要约束在上下限值内,即：

2）钻速范围约束

受限于钻进现场设备和地层条件,实际钻速存在上下限值,即：

3）钻进操作参数工艺约束

为了保障钻进过程的安全和效率,钻进操作参数不能同时设定为其限制值,即：

4）钻头使用寿命约束

在操作参数的不同组合下,钻头磨损程度不同.为了保障钻头使用寿命,建立约束如下：

2.3.3 优化算法

由上述约束条件可知,钻速优化问题是典型的具有非线性约束的非凸优化问题,需要选择合适的优化算法来解析模型,获得合理的最优解.

为了避免优化过程容易陷入局部最优,本文采用混合蝙蝠算法来优化所建立的钻速优化模型,求解钻压、转速和泵量的最优组合,以此指导钻进过程.算法流程如图5 所示.

在优化过程中,采用滑动时间窗口技术来动态更新钻速预测模型,进而动态更新钻速优化模型,实现钻进操作参数在线优化.

3 案例仿真与结果分析

基于地质钻探智能云监控系统,采集湖北省襄阳市某2 000 m 地热井实钻数据,开展案例仿真实验,以验证本文方法的可行性和有效性.

3.1 数据预处理

现场通过各类传感器检测井深、钻压、转速、钻速、扭矩、泵量等过程参数,采样频率为1 Hz.面向海量实钻数据,为了保证模型预测精度和优化结果可靠性,需要对原始数据进行数据预处理,以提高数据质量.具体操作流程如下.

1）正常钻进数据筛选

除正常旋转钻进之外,钻进过程还需执行提下钻、接单根等必要操作,以维持钻进过程正常运行.这些操作所产生的数据与正常钻进数据之间存在较大差异,在模型训练过程中会影响模型精度.因此,有必要从原始钻进数据中筛选出正常钻进数据进行建模.

通过查看井场的钻井日志和班报表,可以获得正常钻进时间和非正常钻进时间的相关信息.基于这些信息,参照钻进时间和井深,可以有效挖掘出正常钻进数据,实现数据初步预处理.

2）数据去噪处理

受复杂地质环境、钻进工艺、传感器等多种因素的综合影响,钻进过程中所采集的实钻数据常具有尖峰和毛刺等噪声.这些噪声会产生奇异数据样本,容易对预测模型精度造成不良影响.

为了降低低质量数据对钻速预测模型精度的不良影响,本文采用多变量小波滤波方法进行数据去噪处理,实现在有效消除数据噪声的同时,保留钻进数据原有特征和钻进变量间强相关性.

3）数据标准化处理

为了消除钻进变量量纲对预测模型性能的影响,本文采用min-max 标准化方法来标准化处理钻进数据,统一数据量纲在[0,1]范围内.

3.2 钻速预测结果

基于数据预处理后的正常钻进数据,以3 min 为滑动时间窗口,取各钻进过程变量时间序列的平均值作为模型数据样本.经过处理,获得500 组数据样本,其中,400 组数据作为模型的训练集,100 组数据作为验证集.

在模型训练过程中,采用混合蝙蝠算法来优化预测模型的超参数,并结合十折交叉验证方法来提升模型泛化能力,避免出现过拟合现象.在此基础上,运用滑动时间窗口技术来滑动更新数据集：在每次训练、预测完一组数据后,将该组原始数据滑动放入训练集,并移除训练集中第1 组数据,实现训练数据集更新；然后基于新数据集重新训练模型,实现模型结构和超参数动态更新.通过这种方式,实时更新预测模型,实现动态预测建模,以保证模型性能和高适用性.

基于动态建模技术,钻速预测结果如图6 所示.可以看出,动态预测模型实现了实际钻速变化趋势的良好跟踪,具有较高的预测精度.对比静态建模方法,随着模型结构和参数的动态更新,动态模型能够更准确地预测钻速,甚至实现零误差预测,整体误差更低.

图6 钻速预测结果Fig.6 Prediction results of ROP

从预测误差率图可以看出,对比钻速实际值,模型预测误差基本控制在10%以内,在误差允许范围内.对比静态建模方法,动态预测结果整体误差率更小、更集中,以及在多数点出现零误差率预测.此外,较大误差率通常出现在实际钻速发生突变的情况.但是,随着时间窗口滑动和模型动态更新,预测模型能够迅速捕获到实际钻速的动态变化,并及时跟踪上其变化趋势.

综上,本文建立的钻速动态预测模型具有高预测精度和良好的泛化能力,为实现钻速优化奠定了良好基础,足以满足钻进现场的工程需求.

3.3 钻速优化结果

基于钻速动态预测模型,结合钻进约束条件,建立钻速优化模型.采用混合蝙蝠算法和滑动时间窗口技术动态优化模型,实现钻进操作参数实时动态优化.优化结果如图7 所示.

图7 钻速优化结果Fig.7 Optimization results of ROP

对比实际钻速,模型优化钻速整体上得到了较大提升,即钻进效率提高.尤其在实际钻速比较小的区域,优化钻速的提升幅度更大.这种现象表明,当时钻进状态处于低效率钻进,需要调整钻进操作参数来提高钻进效率.

另外,通过对比平均钻速发现,优化后的钻速比实际钻速在整体上提高了近10%,体现了钻速优化模型的有效性和可行性.

对比现场操作参数设定值发现,所提方案决策的钻压降低、转速升高；从现场井上钻柱振动情况来看,对比现场原本的高钻压、低转速工作模式,系统指导下的工作模式有效减弱了钻柱振动程度,保障了稳定、安全、高效的钻进过程.

因此,本文所建立的钻速智能优化模型通过实时动态地优化钻进操作参数,指导实际钻进操作,不仅能够有效提升钻进效率,还不会降低过程稳定性,符合现场高效钻进的实际工程需求.

4 结论

面向地质钻探钻进过程智能控制、优化与决策的需求,本文设计了一种地质钻探智能云监控系统,并对其系统架构和关键技术进行了分析,最后落地现场进行实际工程应用.基于智能系统,面向井场高效率钻进的工程需求,开展了钻速智能优化方案的案例仿真.结果表明,本文所提方案能够有效提升钻进效率,具有良好的工程适用性,在地质钻探行业具有广阔的应用前景.