基于虛擬樣本神經網絡的卡鉆預警裝置

胡永建，胡 艷

（1.中國石油西部鉆探定向井技術服務公司，新疆鄯善838202；2.中國石油華東化工銷售公司，上海200120） ①

基于虛擬樣本神經網絡的卡鉆預警裝置

胡永建1，胡 艷2

（1.中國石油西部鉆探定向井技術服務公司，新疆鄯善838202；2.中國石油華東化工銷售公司，上海200120）①

使用神經網絡算法來診斷可能誘發卡鉆事故的井下復雜，可提前預警卡鉆事故。設計了反映專家知識的虛擬樣本來訓練神經網絡，達到了較好的井下復雜識別率。采用集中式數據采集方式，使用可編程序控制器及人機界面設計了適合鉆井現場的卡鉆預警設備。試驗結果表明：該卡鉆預警設備有助于消除事故隱患，在鉆井領域具有良好應用前景。

神經網絡；虛擬樣本；卡鉆；井下復雜；預警

卡鉆是指鉆具既不能轉動也不能上下活動，是鉆井過程中常見的井下事故。除了干鉆及落物因素外，有多種井下復雜可以誘發卡鉆，例如井塌、粘吸、砂橋、縮徑、泥包、鍵槽等［1］。任由井下復雜發展就會引起卡鉆事故，一旦發生卡鉆事故，需要耗費大量人力、物力和時間來處理，處理不好甚至會導致全井報廢。如果能對誘發卡鉆的井下復雜預警，就可以及時采取措施，預防卡鉆事故發生。

石油鉆井過程是一個非線性系統，井下復雜的產生因素難以明確界定，鉆井參數的變化與井下復雜的產生密切相關。在人工智能研究領域，可以把井下復雜預警作為模式識別問題來處理，其中基于專家系統及神經網絡的診斷方法比較成熟。在石油工業領域，神經網絡技術應用也日益廣泛［2－4］，崔鳳新［5］等人使用基于神經網絡的數據融合技術對鉆井過程故障進行診斷，得到較好的結果。在多年的鉆井過程中，已經分析總結出許多井下復雜發生的規律，專家系統充分利用了這些經驗知識進行診斷。由于鉆井過程的復雜性導致井下復雜發生的原因很多，使專家系統因為原因組合太多而難以處理。神經網絡可以模擬復雜的非線性映射，適合井下復雜的診斷應用。

由于用于訓練的樣本數量有限，神經網絡的泛化（預測）能力難以提高。這里提出了虛擬訓練樣本概念，用來反映井下復雜的發生規律。使用虛擬樣本訓練BP（反向傳播）神經網絡，不僅可以體現已有的經驗知識，也可以提高泛化及擬合（診斷）能力。采用基于虛擬樣本的神經網絡模型，使用可編程序控制器及人機界面設計了卡鉆預警裝置。該裝置可根據現場采集的鉆井參數信息來判斷是否發生了井下復雜，有助于防止卡鉆事故發生，具有較大的安全及生產價值。

1 神經網絡的虛擬樣本訓練

1.1 神經網絡模式識別

在井下復雜診斷應用中，使用神經網絡完成模式識別。理論上已證實，3層BP神經網絡能夠以任意精度逼近任意連續函數，可表示為

式中，P為歸一化的輸入特征向量；A1、A2分別為輸入層與隱含層的輸出向量；W1、W2為其權重矩陣；B1、B2為其偏差向量；f1、f2分別為限制輸入層與隱含層輸出的激勵函數，在井下復雜診斷應用中，一般f1使用Sigmoid函數，f2使用線性函數；隱含層節點數為6～8。

A2經過歸一化后，作為輸出層的輸出向量用于模式識別處理。對于正常狀態的模式輸出，使用全零的目標向量，而對異常狀態的模式輸出，使用獨熱碼（one－hot）編碼的目標向量。為了避免輸出不確定的識別結果，本文設計了一種新的模式識別判斷準則，表達式為

式中，A3為神經網絡輸出層的輸出向量，也就是經過［0，1］歸一化后的A2向量；t為A3最大的元素；m為元素t的序號；g為判斷閾值，對于井下復雜診斷應用，一般可選0.5～0.6；Y為用于模式識別的輸出向量。該模式識別判斷準則簡單易用，有利于泛化、擬合效果評估及計算機程序化應用。

1.2 井下復雜虛擬樣本

選擇可能誘發卡鉆的井塌、粘吸、砂橋、縮徑、泥包、鍵槽等井下復雜作為神經網絡的識別模式。當卡鉆預警裝置診斷出發生井下復雜時，可以根據發生的不同復雜情況對癥下藥處理，避免繼續發展為卡鉆事故。

在鉆井過程中，可以采集大鉤載荷、鉆壓、泵壓、轉盤扭矩、轉盤轉速、機械轉速等實時鉆井參數。由于鉆井過程的復雜性，這些鉆井參數信息會與井下復雜相關聯，大都可以選擇作為特征參數。

在各類卡鉆中，坍塌卡鉆是由于井壁失穩發生井塌引起的，是性質最惡劣的一種卡鉆，處理不好可能會導致全井或部分井報廢。導致井壁失穩的原因很多，既有地質上的原因，也有物理化學及工藝上的原因，很難量化分析。發生井塌時，坍塌碎屑堵住環空，影響循環，發生泵壓上升、泥漿出口流量下降現象；碎屑產生對鉆具的摩擦阻力，橫向阻力導致轉盤扭矩增大、轉速下降現象，縱向阻力導致大鉤載荷下降。分析了這些現象，同時參照已發生的典型復雜樣本，可以對井塌識別模式設計虛擬樣本，如表1所示。

其中，為了體現普遍性及提高神經網絡診斷的有效性，使用歸一化后的數據（無量綱）?？梢钥吹?，與正常模式相比，井塌的虛擬樣本反映了發生井塌的經驗規律。以該虛擬樣本訓練神經網絡，即可體現發生井塌的經驗規律。

表1 正常及井塌虛擬樣本設計樣例

1.3 神經網絡樣本訓練

本文使用Matlab的神經網絡工具箱完成神經網絡的虛擬樣本訓練，其M語言子程序如下：

需要嘗試不同的神經元數目，多次重復訓練得到最佳的泛化及擬合效果。可以通過設置神經網絡的showWindow參數確定是否顯示訓練窗口，訓練窗口有訓練過程的相關信息，用于查看訓練效果。根據式（2）的判斷準則，用Matlab編程實現井下復雜診斷。訓練完成后得到各層權重矩陣及偏差向量的文本文件，用于神經網絡實時診斷參數設定。

2 卡鉆預警裝置設計

2.1 工作原理

可編程序控制器（PLC）具有組合靈活、功能完善、使用簡便等特點，特別適合工業數據采集及控制領域，鄭蕓哲［6］等人使用PLC實現了司鉆控制系統，與人機界面（HMI）配合，可以提供方便操作的友好用戶界面。使用PLC及HMI設計了卡鉆預警裝置，其工作原理如圖1所示。

裝置選用了西門子公司的S7－200系列PLC及配套模塊［7］，使用集中式數據采集方式。用于鉆井參數測量的變送器輸出電壓或電流信號，經隔離柵由模擬量輸入擴展模塊EM231采集，數據送往中央處理單元CPU 222CN。HMI操作面板TP277經過組態建立與中央處理單元外部變量的數據映射，經過BP神經網絡算法輸出診斷結果并顯示。如果需要發出報警信號，HMI設置中央處理單元的數字I／O輸出，控制報警指示繼電器。隔離柵用于防爆，TP277操作面板符合IP65防護等級，所有其他電子線路均安裝在防爆機箱中以滿足防爆要求。

圖1 工作原理

2.2 神經網絡算法實現

如前所述，神經網絡訓練完成后得到各層的權重矩陣及偏差向量，使用式（1）即可根據輸入的鉆井參數得到擬合結果向量，經過判斷準則式（2）處理后得到最終診斷結果。該神經網絡診斷過程牽涉到指數、矩陣等運算，是較復雜的算法。對于PLC的梯形圖編程，實現復雜浮點運算是一件麻煩的事情，而且PLC的低運算速度也影響及時診斷。

西門子OP 270／TP 270及以上級別的HMI設備具有VB腳本（Visual Basic Script）功能，可以實現復雜的數學及邏輯算法，同時HMI計算速度也能達到設計要求。這里選擇西門子TP277操作面板，該面板配備5.7英寸TFT 256色觸摸液晶屏，有VB腳本編程功能［8］。VB腳本語言支持多維數組變量，可用于矩陣運算，有豐富的VBS標準函數及系統函數可供調用，例如LinearScaling函數可直接用于歸一化處理。如下Sigmoid函數實現了神經網絡輸入層激勵函數的功能：

2.3 HMI組態

西門子TP277操作面板有豐富的功能可用于卡鉆預警裝置。在使用WinCC flexible中國標準版組態工具時，不僅可以實現VB腳本功能，也可以容易地實現報警及數據記錄功能。圖2是卡鉆預警裝置的功能模塊圖，說明了每個硬件模塊實現的功能，其中頻率測量由CPU 222CN模塊處理。

圖2 卡鉆預警裝置功能模塊

TP277操作面板的運行界面如圖3。

運行界面直觀顯示了各個鉆井參數的實時數值，在出現井下復雜跡象時，顯示預警信息，同時報警指示繼電器閉合，發出聲光提示。每個鉆井參數均可設定報警門限，也可以在系統設置中設定數據記錄參數。

圖3 TP277操作面板運行界面

3 結語

為了驗證虛擬樣本神經網絡算法模型的準確性，收集了吐哈油田柯柯亞地區的井下復雜樣本共計12組，用該算法模型診斷，識別率為100%。說明不使用實際發生的井下復雜樣本來訓練網絡，僅使用虛擬樣本即可達到較好的診斷效果。

用反映井下復雜發生規律的虛擬樣本對神經網絡訓練，可以結合專家系統及常規神經網絡的優點，綜合已有的經驗知識，提高泛化及診斷能力。通過預報可能誘發卡鉆的井下復雜，能夠有的放矢、及時處理，避免卡鉆事故發生，因而具有較大的安全及生產價值。

［1］ 蔣希文.鉆井事故與復雜問題［M］.2版.北京：石油工業出版社，2006.

［2］ 鄒龍慶，方 剛，郭 鳳，等.基于神經網絡的石油井架損傷定位識別［J］.石油礦場機械，2008，37（10）：23－26.

［3］ 杜美華，程國建，李中亞.基于廣義回歸神經網絡的油氣層識別模型［J］.石油礦場機械，2007，36（11）：1－4.

［4］ 竇春紅，林近山，寇興磊.基于BP神經網絡的海洋平臺振動載荷識別［J］.石油礦場機械，2007，36（7）：11－15.

［5］ 崔鳳新，廖明燕.基于數據融合技術的鉆井過程故障診斷［J］.石油礦場機械，2008，37（12）：7－11.

［6］ 鄭蕓哲，齊明俠，沈 蓉，等.基于西門子PLC的司鉆控制系統［J］.石油礦場機械，2008，37（5）：53－56.

［7］ 西門子（中國）有限公司.S7－200CN可編程序控制器產品樣本［Z］.2008.

［8］ 西門子（中國）有限公司.SIMATIC Panel產品樣本［Z］.2008.

Pipe－sticking Warning Device Based on Neural Network Trained with Virtual Examples

HU Yong－jian1，HU Yan2
（1.XDEC Directional Well Company of CNPC，Shanshan838202，China；2.PetroChina East China Chemicals Marketing Company，Shanghai 200120，China）

In order to give an early warning for pipe－sticking accident，a neural network algorithm is used to diagnose downhole problems which can cause pipe－sticking accident.This neural network algorithm that trained with virtual examples designed to represent specialist knowledge achieves a better recognition rate of downhole problems.A pipe－sticking warning device beingfit for rig－site utilization was designed with PLC and HMI using centralized data acquisition technology.The experiments showed that this pipe－sticking warning device could eliminate accident potential and was very promising in drilling field application.

neural network；virtual example；pipe－sticking；downhole problem；early warning

1001－3482（2011）09－0080－04

TE927

B

2011－03－07

胡永建（1970－），男，河南商水人，高級工程師，碩士，主要從事鉆井工藝技術研究。