ARMA建模在神經(jīng)網(wǎng)絡(luò)卡鉆預(yù)測(cè)方法中的應(yīng)用研究

摘 要： 為準(zhǔn)確預(yù)測(cè)卡鉆事故的發(fā)生，利用一種基于時(shí)間序列的神經(jīng)網(wǎng)絡(luò)卡鉆預(yù)測(cè)方法，將時(shí)間序列ARMA建模與神經(jīng)網(wǎng)絡(luò)非線性建模相結(jié)合。選取與卡鉆事故相關(guān)性較大的參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)，運(yùn)用現(xiàn)場(chǎng)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再利用神經(jīng)網(wǎng)路的強(qiáng)非線性和自適應(yīng)學(xué)習(xí)能力來(lái)建立卡鉆事故預(yù)測(cè)模型；通過(guò)時(shí)間序列對(duì)歷史數(shù)據(jù)的挖掘功能，揭示實(shí)際鉆井過(guò)程中對(duì)卡鉆事故影響較大的各參數(shù)的隱含規(guī)律，建立時(shí)序ARMA模型，求出卡鉆時(shí)刻鉆井相關(guān)參數(shù)的預(yù)測(cè)值；將預(yù)測(cè)值放入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試訓(xùn)練，從而達(dá)到預(yù)測(cè)卡鉆事故的效果。運(yùn)用延安地區(qū)實(shí)際現(xiàn)場(chǎng)數(shù)據(jù)證實(shí)該方法具有精確的卡鉆預(yù)測(cè)能力及較好的泛化能力。

關(guān)鍵詞： 卡鉆； 預(yù)測(cè)； 時(shí)間序列； ARMA建模； BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TN911?34； TE28 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2013）22?0017?03

0 引 言

卡鉆是指鉆具既不能轉(zhuǎn)動(dòng)也不能上下活動(dòng)，是鉆井過(guò)程中常見(jiàn)的井下事故。經(jīng)初步統(tǒng)計(jì)，卡鉆事故[1]處理時(shí)間占整個(gè)鉆井事故處理時(shí)間的60%以上，由卡鉆引起的耗費(fèi)占非生產(chǎn)耗費(fèi)的50%以上，且卡鉆事故發(fā)生后，經(jīng)常由于鉆井人員的錯(cuò)誤處理，誘發(fā)更嚴(yán)重的鉆井事故，造成巨大經(jīng)濟(jì)損失，因此找出一種準(zhǔn)確預(yù)測(cè)卡鉆事故的方法，成為現(xiàn)階段鉆井工程人員的重要任務(wù)之一。

為了減少鉆井成本，提高鉆井效率，部分研究人員對(duì)鉆井過(guò)程提出了較多的數(shù)學(xué)模型，但由于其在鉆井工況中運(yùn)用的局限性，始終無(wú)法很理想的描述鉆井過(guò)程的復(fù)雜情況[2]。BP神經(jīng)網(wǎng)絡(luò)[3?4]是一種強(qiáng)非線性、強(qiáng)自適應(yīng)學(xué)習(xí)能力的數(shù)據(jù)信息處理方法，由輸入層、隱含層、輸出層及各層節(jié)點(diǎn)連接而成，一個(gè)三層BP網(wǎng)絡(luò)可以很近似的逼近任意函數(shù)。時(shí)間序列在中短期預(yù)測(cè)處理的效果較其他方法更具優(yōu)勢(shì)，可以充分反映相關(guān)數(shù)據(jù)的信息特點(diǎn)，為了進(jìn)一步對(duì)神經(jīng)網(wǎng)絡(luò)卡鉆預(yù)測(cè)方法進(jìn)行完善，提出了一種將時(shí)間序列ARMA建模引入預(yù)測(cè)方法的理論，進(jìn)一步將診斷卡鉆升級(jí)為預(yù)測(cè)卡鉆，且運(yùn)用現(xiàn)場(chǎng)實(shí)際鉆井?dāng)?shù)據(jù)進(jìn)行了驗(yàn)證。

1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立

人工神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)，它是以人腦的組織結(jié)構(gòu)和活動(dòng)規(guī)律為背景，模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型。具有自適應(yīng)、自組織和強(qiáng)大的非線性映射能力，可以逼近任意的非線性函數(shù)。應(yīng)用在卡鉆預(yù)測(cè)中，可以避免數(shù)學(xué)模型系數(shù)難計(jì)算，過(guò)程難以確定的缺點(diǎn)。

本文以三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)來(lái)進(jìn)行建模[5]，結(jié)構(gòu)如圖1所示。

輸入層的變量要求對(duì)輸出影響較大，能夠檢測(cè)或可提取，且各輸入變量之間相關(guān)性小，因此，選取卡點(diǎn)井深、機(jī)械鉆速、排量、泵壓、漏斗黏度和含沙量等6個(gè)變量作為輸入層變量。

輸出層以0表示預(yù)測(cè)到要發(fā)生卡鉆，1表示正常鉆進(jìn)過(guò)程，0和1之間的數(shù)值表示預(yù)測(cè)的漸近類別。

隱含層的設(shè)計(jì)使用試湊法得到，試湊公式為：[m=n+l+a]

式中：[n=6]，n為輸入層神經(jīng)元個(gè)數(shù)；[l=1]；l為輸出層神經(jīng)元個(gè)數(shù)；[a]為1至10之間的常數(shù)；[m=4～14]；m為隱含層神經(jīng)元個(gè)數(shù)；則隱含層試湊過(guò)程見(jiàn)表1。可以確定隱含層為7個(gè)神經(jīng)元。

2 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

網(wǎng)絡(luò)訓(xùn)練[6?7]中提取的規(guī)律蘊(yùn)涵在樣本中，因此選擇的樣本一定要具有代表性。樣本類別的均衡性和多樣性是樣本選擇與組織的兩個(gè)原則，即樣本中的類型要全面，且保持各類別樣本的數(shù)量基本相同。若網(wǎng)絡(luò)中對(duì)某類別的樣本缺失，就會(huì)導(dǎo)致訓(xùn)練結(jié)束后網(wǎng)絡(luò)對(duì)該類別的樣本不識(shí)別。

本文中BP神經(jīng)網(wǎng)絡(luò)輸入層選取的參數(shù)有：卡點(diǎn)井深、機(jī)械鉆速、排量、泵壓、漏斗黏度、含砂量。收集延安地區(qū)30口井的鉆井?dāng)?shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，訓(xùn)練樣本集中的部分?jǐn)?shù)據(jù)如表2所示，其中包括5組卡鉆樣本和5組正常鉆進(jìn)的樣本。

BP網(wǎng)絡(luò)中對(duì)所有訓(xùn)練樣本正向運(yùn)行一輪并反向修改權(quán)值一次稱為一次訓(xùn)練。神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練經(jīng)過(guò)了526次，訓(xùn)練誤差為E=0.004 6，且訓(xùn)練精度為96.03%。前10組訓(xùn)練樣本的訓(xùn)練輸出如表4所示。

由表4可以看出卡鉆的5組數(shù)據(jù)輸出值均小于0.5，接近0；正常鉆進(jìn)的5組數(shù)據(jù)均大于0.5，接近1。則不難看出該網(wǎng)絡(luò)已初步具備了對(duì)卡鉆事故做出準(zhǔn)確預(yù)測(cè)的能力。

3 時(shí)間序列

時(shí)間序列[8]是指將某種現(xiàn)象某一個(gè)統(tǒng)計(jì)指標(biāo)在不同時(shí)間上的各個(gè)數(shù)值，按時(shí)間先后順序排列而形成的序列，從廣義上講是指一組有序的隨機(jī)數(shù)據(jù)。時(shí)間序列分析法主要有3種時(shí)序模型，分別為：ARMA，AR和MA模型。其基本形式如下：

4 時(shí)間序列建模預(yù)測(cè)及卡鉆預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)驗(yàn)證

為了實(shí)現(xiàn)卡鉆事故的預(yù)測(cè)，而非單一的診斷，在此運(yùn)用時(shí)間序列的預(yù)測(cè)功能，以神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)的卡鉆前的正常鉆進(jìn)數(shù)據(jù)為樣本，建立時(shí)間序列ARMA模型[9?10]，預(yù)測(cè)未來(lái)鉆井深度相關(guān)參數(shù)的數(shù)據(jù)，代入訓(xùn)練好的卡鉆預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)中，進(jìn)行測(cè)試，提前做到卡鉆事故的預(yù)測(cè)判斷。本文以延安地區(qū)實(shí)際鉆井?dāng)?shù)據(jù)為基礎(chǔ)，分別對(duì)機(jī)械鉆速、排量、泵壓、漏斗黏度和含砂量做ARMA模型，生成各參數(shù)未來(lái)鉆進(jìn)深度的預(yù)測(cè)值，下面給出表5中預(yù)測(cè)1 627 m相關(guān)參數(shù)數(shù)值的ARMA模型。

將表5中時(shí)序模型預(yù)測(cè)得到的訓(xùn)練樣本輸入到建立好的神經(jīng)網(wǎng)絡(luò)模型中，可以得到如表6的訓(xùn)練結(jié)果。

通過(guò)表6可以看到編號(hào)為1，3，5的三組樣本輸入到神經(jīng)網(wǎng)絡(luò)后，輸出值都大于0.5，接近于1，說(shuō)明這三個(gè)鉆井深度為正常鉆進(jìn)；編號(hào)為2，4的兩組樣本輸入到網(wǎng)絡(luò)中，輸出均小于0.5，接近于0，說(shuō)明這兩個(gè)鉆井深度可能發(fā)生卡鉆。而在實(shí)際鉆進(jìn)中編號(hào)為2，4對(duì)應(yīng)的2 353 m和3 036 m的確發(fā)生卡鉆事故，且編號(hào)為1，3，5的鉆井井況為正常鉆進(jìn)，因此可以證明該方法具備準(zhǔn)確預(yù)測(cè)卡鉆和提前預(yù)測(cè)卡鉆的功能，且此神經(jīng)網(wǎng)絡(luò)具有良好的泛化能力，從而證實(shí)了此方法的合理性和可行性。

5 結(jié) 語(yǔ)

根據(jù)延安地區(qū)現(xiàn)場(chǎng)鉆井?dāng)?shù)據(jù)，較為詳細(xì)地介紹了卡鉆預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型的建立過(guò)程，且將時(shí)間序列預(yù)測(cè)能力運(yùn)用于該卡鉆預(yù)測(cè)方法中，使此方法得到了進(jìn)一步的完善，具備了良好的提前預(yù)測(cè)功能，證實(shí)了神經(jīng)網(wǎng)絡(luò)建模方法在卡鉆預(yù)測(cè)方面的可行性與合理性。神經(jīng)網(wǎng)絡(luò)對(duì)卡鉆預(yù)測(cè)的準(zhǔn)確度依賴于其訓(xùn)練集是否包含了卡鉆所有的特征，因此還需要收集更多不同地區(qū)、不同卡鉆特征的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使卡鉆預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型得到更進(jìn)一步的完善。

參考文獻(xiàn)

[1] 蔣希文.鉆井事故與復(fù)雜問(wèn)題[M].北京：石油工業(yè)出版社，2002.

[2] 張林強(qiáng).井下卡鉆分析及處理[J].海洋石油，2007，27（3）：112?115.

[3] 單志剛，邵偉光，陳俊濤.人工神經(jīng)網(wǎng)絡(luò)在實(shí)時(shí)卡鉆預(yù)測(cè)中的應(yīng)用研究[J].地質(zhì)與勘探，2000，36（2）：10?12.

[4] 胡永建，胡艷.基于虛擬樣本神經(jīng)網(wǎng)絡(luò)的卡鉆預(yù)警裝置[J].石油礦場(chǎng)機(jī)械，2011，40（9）：80?83.

[5] 張奇志，朱丹，劉光星.基于神經(jīng)網(wǎng)絡(luò)的卡鉆預(yù)測(cè)[J].石油石化節(jié)能，2013（1）：5?7.

[6] 施彥.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京：北京郵電大學(xué)出版社，2009.

[7] 黃亞暉，周麗麗.基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的管道剩余強(qiáng)度評(píng)價(jià)[J].天然氣與石油，2011，29（6）：14?19.

[8] 魏武雄.時(shí)間序列分析：?jiǎn)巫兞亢投嘧兞糠椒╗M].2版.北京：中國(guó)人民大學(xué)出版社，2009.

[9] 曹彤，喬宇.時(shí)間序列分析中的ARMA算法及其軟件實(shí)現(xiàn)[J].北京聯(lián)合大學(xué)學(xué)報(bào)，1996，10（2）：6?11.

[10] 王宇，李治平，劉超.基于分形與ARIMA的煤層氣產(chǎn)量預(yù)測(cè)[J].天然氣與石油，2011，29（3）：45?48.