深水钻井机械钻速优化分析

闫华，高季枫，安然

（中国石油集团渤海钻探工程有限公司管具与井控技术服务分公司，天津 300280）

目前，地质勘探结果表明，海洋中同样含有丰富的石油资源，甚至海洋中的石油资源与陆地上的石油资源相比储量更加丰富。相关研究表明，57%的海洋面积为适合储藏油气资源的地质，仅我国探明的海洋石油资源就已经达到200 多亿吨，可见海洋中的石油储量较为丰富。但是，海洋石油开采成本较高，而且风险较大，容易出现污染情况。海洋石油开采主要采用深水钻井机械钻进，钻进效率越高，则开采成本越低，钻井成本固定的情况下，钻进深度越高，开采的石油资源越多，因此，如何在保证安全的情况下对深水钻井机械钻速进行控制是主要难题。本文主要从深水钻井机械钻速经典预测模型角度入手，采用机器学习深度优化方法探究深水钻井机械钻速与其他参数的最佳组合情况。

1 深水钻井机械钻速影响因素

（1）压力。深水钻井机械钻压与钻速呈线性关系，但是，钻压过大或过小的情况下，都会导致钻速过低，甚至会出现钻头陷入岩层的情况。当钻压超过钻压的门限钻压情况下，钻压越大则钻井速率越大，门限钻压与岩石性质和外界作用条件相关。

（2）岩屑床。深水钻井机械钻进过程中，泥浆中的岩屑会不断增加泥浆液柱的压力，若不能及时清理岩屑，则容易产生岩屑床。岩屑床会导致流体流动速度增加，最终导致压降情况更加严重，进而对深水钻井机械钻速产生更大影响。

2 深水钻井机械钻速经典预测模型

（1）水力模型。深水钻井机械钻速常规水力模型指深水钻井模型和延伸井模型，前者在垂直井和小斜度井中应用比较常见，后者在大角度延伸井中应用比较常见。水力模型中深水钻井机械钻速受钻井液密度、钻井液流变性、泥浆泵的输出压力、井眼和钻具的几何参数、岩屑的尺寸和形状、机械钻速、井斜角、钻具的旋转速度、钻具的偏心率等因素影响。常规的深水垂直钻井中，孔隙压力／破裂压力梯度较小时，钻具旋转对环空压降具有一定影响，但是该影响不如以上因素。

（2）预探井模型。深水钻井机械钻速常规预探井模型在大井径井段钻井液环空流速很低，对泥浆泵的容量有一定约束，在立管上装增压器能够清理岩屑，机械钻速不超过一定标准的情况下，岩屑清洗效果能够提高。但是排量增加的情况下能够降低岩屑浓度，因此，可以根据岩屑尺寸、泵排量、地面钻井液密度、有效井眼密度、孔隙压力、破裂梯度、当量循环密度、循环时间、有效机械钻速等指标对深水钻井机械钻速进行预测。若预探井模型针对的是超深水井钻机，则减小井底钻具组合堵塞的可能性的接单根的最短循环时间，机械转速与接单根和循环时间相互配合调整，可以更好地预测当量循环密度。

（3）传统模型。传统模型适用于任何钻头类型的钻井，该模型下深水钻井机械钻速主要影响因素包括钻井压力、转速、钻头直径、地层岩性参数。模型公式如下所示：

式中，钻井速率用ROP 表示；钻井压力用WOB 表示；转速用RPM 表示；钻头直径用Db 表示；地层岩性参数用α和β表示。

（4）钻头磨损模型。钻头磨损模型在PDC 钻头的钻井过程中适用，该模型下深水钻井机械钻速受钻头磨损的因素被考虑其中，主要影响因素包括岩石强度、磨损程度等。模型公式如下所示：

式中，钻井速率、钻井压力、转速、钻头直径参数意义同上；岩石强度用UCS 表示；磨损程度用Wf 表示；α和γ表示固定参数。

（5）八因素模型。八因素模型主要对地层强度、地层压实、地层孔隙度、井底压差、钻头直径、转速、钻头牙齿磨损、水力八种因素与深水钻井机械钻速之间的关系进行描述。模型公式如下所示：

式中，钻井速率参数意义同上；地层强度、地层压实、地层孔隙度、井底压差、钻头直径、转速、钻头牙齿磨损、水力分别用f1～f8表示；f1～f8因素对钻井速率的影响分别用a1～a8表示。

（6）地质修正模型。地质修正模型将地质情况对钻井速率的影响考虑其中，主要影响因素包括钻压、压差影响系数、水力净化系数、钻头牙齿磨损高度和牙齿磨损因素、地质情况。模型公式如下所示：

式中，钻井速率、钻井压力、转速参数意义同上；钻压用M 表示；压差影响系数用Cp 表示；水力净化系数用Ch 表示；钻头牙齿磨损高度用h 表示；牙齿磨损因素用C2表示；地质情况对钻井速率的影响用Kr表示。

3 深水钻井机械钻速优化方法

3.1 机器学习模型

机器学习指通过训练不断对算法模型进行构建和完善，最终根据算法优化模型参数得到最优模型效果。机器学习训练首先通过训练数据进行数据分析，并通过特征共存得到训练集和验证集两部分，验证集通过算法选则、建模评估、算法调优等流程得到最终模型，其中算法调优也可以通过建模评估、算法选则各阶段回到训练集重新得到算法选择结果，算法调优是不断完善和循环往复的过程。

目前机器学习模型最常见的是集成树模型、人工神经网络模型、循环神经网络模型。其中集成树模型是在决策树模型演化而来的，集成树模型按照逻辑结构可以将训练样本分为多个基学习器，然后每个基学习器通过训练得到不同权重，而且训练后通过的样本进入下一个基学习器进行训练的，最终通过多批次训练赋予不同权重，即可得到集成模型。人工神经网络模型基本架构分为输入层、隐含层、输出层，通过信息的逐层提取及过滤，将数据间潜在的联系提炼出来，但是也带来了大量隐含权重的学习问题。循环神经网络模型通过反向传播算法进行学习和门控机制产生了长短期记忆神经网络，每个神经元网络结构都具备有效处理时间序列数据的能力。

3.2 优化算法

深水钻井机械钻速优化算法采用模拟退火算法，首先设定目标函数f（w）、优化初始值w，通过扰动产生新解w1，比较w1是否在约束范围内，若是则进入下阶段，若不是则冲洗通过扰动产生新解。w1在约束范围内，则计算目标函数f（w1），△f = f（w1）- f（w），若△f ≤0 则接受新解（w=w1，f（w1）=f（w）），若△f＞0 则按照Metropolis 准则接受新解，最后根据是否得到迭代次数判断是否进入下个循环。若未得到迭代次数则重新扰动产生新解，若得到迭代次数则查看是否满足终止条件，如果满足则运算结束得到最优解，不满足则缓慢降低温度重置迭代次数通过扰动产生新解，重新进入循环，直到满足终止条件得到最优解。

4 深水钻井机械钻速优化预测系统设计

4.1 系统组成

深水钻井机械钻速优化预测系统由实时钻井平台、钻速优化模块、钻速预测模块、数据预处理模块、智能控制模块、数据管理模块组成，其中钻速优化模块包括模拟退火、图像化展示、分析报告等功能；钻速预测模块包括神经网络、随机森林、集成树模型等机器学习模型；数据预处理模块包括数据清洗、数据转化、离群点去除等功能。智能控制模块与实时钻井平台之间存在安全传输协议，可以与钻速优化模块、钻速预测模块、数据预处理模块、数据管理模块进行交互。数据管理模块包括动态数据库、静态数据库、日志数据库、赚钱设计参数库等内容，需要对模型进行更新。

4.2 智能控制模块

智能控制模块需完成模型周期性更新的任务，主要负责钻井速率实时预测数据的获取、传输、管理、调度，检查数据格式无误后，同时，将数据传送至数据管理模块和数据预处理模块，数据预处理模块完成数据的去噪、填充、归一化等操作。

4.3 数据管理模块

数据管理模块主要功能为动态数据、静态数据、日志数据、设计参数管理，其中动态数据参数主要包括大钩悬重、大钩速度、大钩高度、钻井速率、转速、钻压、扭矩、钻头钻进时间、钻头钻进距离、钻头直径、门限钻压、钻头垂直深度、钻头深度、返回深度、延迟时间以及出入口泥浆流量、温度、电导等参数。

4.4 数据预处理模块

数据预处理模块主要功能包括动态数据筛选剔除、静态数据转换、数据格式转换、参数筛选、缺失值填充、数据分段、数据缩放、实时数据清洗、无效值筛除、离群数据去除。

4.5 钻速预测模块

钻速预测模块首先准备训练集、验证集和测试集数据，然后根据出入口流量、大钩载荷、扭矩、钻井压力、钻井液密度、机械钻速等参数得到钻井速率预测模型，最后根据该模型得到最佳钻进速率预测结果。

4.6 钻速优化预测模块

钻速优化预测模块必须解决钻头损耗、平台费用等问题，入口泥浆流量、泥浆重量、钻头液压相关的参数必须满足相关约束条件。例如，钻井参数及钻井速率不能超出设计范围，钻井参数不能出现跳跃式变化，否则，钻速优化预测模块不能满足安全性要求。

5 深水钻井机械钻速优化预测系统数据处理方法

5.1 离群点检测方法

深水钻井机械钻速优化预测系统离群数据必须剔除，这些数据不符合客观规律，属于突发因素，而且与实际数据不符合，常见原因为传感器故障。因此，常用统计检测、聚类检测、密度检测和模型检测等方法提出超出正常范围的种群数据，确保留下的数据符合数据正常分布规律。统计检测常用3σ 方法检测，聚类检测常用Kmeans 方法检测，密度检测常用LOF 方法检测，模型检测常用线性回归等模型对偏离模型曲线的数据进行检测。

5.2 Savitzky-Golay 滤波时序数据融合处理方法

Savitzky-Golay 滤波时序数据融合处理方法主要对以上离群点检测方法进行融合，对以上离群点检测方法的离群计算结果进行集成后比较是否超出阈值范围，超出阈值范围的为离群数据，未超出离群阈值范围的为正常数据，直接进行Savitzky-Golay 滤波处理流程，得到最终数据。

5.3 Savitzky-Golay 滤波时序数据融合处理效果

3σ 方法检测、Kmeans 方法检测、LOF 方法检测的训练时间相近，训练集、验证集、测试集的均方根误差也相近。而以上离群点检测方法集成后训练时间增加了一倍左右，但是，训练集、验证集、测试集的均方根误差均显著下降，因此Savitzky-Golay 滤波时序数据融合处理方法有效。

6 深水钻井机械钻速优化预测模型实现

6.1 优化预测模型

深水钻井机械钻速优化预测模型应该具备精确预测井下泥浆密度、压力降、流体水力参数、当量循环密度、机械钻速、钻井水力参数、岩屑尺寸、钻头尖锐情况、岩屑浓度等因素对深水钻井机械钻速之间关系的能力。深水钻井机械钻速优化预测模型存在的问题是数据噪声严重，尤其是地质数据参数信息，海洋钻井环境比陆地钻井环境更加恶劣，因此，在导入训练数据优化预测模型之前，必须采用离群点检测方法对数据进行处理，这样才能得到更加精准的深水钻井机械钻速优化预测结果。

6.2 深水钻井机械钻速预测方法

以集成树模型为例，深水钻井机械钻速优化预测模型通过对钻井既往数据和其他钻井数据的学习，能够在训练过程中寻找最优模型参数。设置集成树模型的最大数数目、最大深度、叶子节点权重、随机采样比例、L2正则项权重、学习率等主要参数后，通过模拟拟合即可对不同参数下深水钻井机械钻速优化预测模型的训练时间和均方根误差进行比较，选择其中最优的数据继续优化，调整模型树深度，查看训练时间变化情况，最终选择训练时间最短且均方根误差最小的数据进行训练，这样训练集的损失逐渐下降，模型效果渐渐收敛。

6.3 深水钻井机械钻速优化

模拟退火算法下对不同钻头直径下钻井速率提升情况进行运算，最终分别计算出不同钻头直径所对应的钻井速率提升率，根据钻井速率提升率变化情况，即可选择合适钻头直径，这样再对钻压、转速、钻井液入口流量进行优化，才能进一步优化深水钻井机械钻速。

6.4 深水钻井机械钻速优化系统应用

深水钻井机械钻速优化系统应用后，应该分别对观察阶段下钻压和机械转速的真实参数进行统计，并计算出深水钻井机械钻速优化后的提升率，现场操作人员可以根据实际安全阈值适当调整钻压和钻井速率参数，查看该优化系统的有效性和安全性是否能够满足要求。

7 结语

综上所述，深水钻井机械钻速优化可以基于统计检测、聚类检测、密度检测和模型检测等方法对离群数据进行提出，最后通过机器学习模型和经典预测模型预测最佳钻速优化指标，为现场人员提供指导。