基于神經網絡的卡鉆預測*

2013-05-04 03:11:52張奇志朱丹劉光星西安石油大學

石油石化節能 2013年1期

張奇志朱丹劉光星（西安石油大學）

基于神經網絡的卡鉆預測*

張奇志朱丹劉光星（西安石油大學）

針對鉆井過程的復雜性、不確定性等特點，提出應用神經網絡技術預測卡鉆事故，建立事故預測模型。選取對卡鉆事故的發生有較大影響的變量作為神經網絡的輸入項，分析鉆井現場實時監測的卡鉆數據和正常運行的數據，應用鉆井現場數據對神經網絡進行訓練以此建立卡鉆事故預測模型，最終通過鉆井現場數據證實該網絡具有對卡鉆事故做出準確預測的能力以及良好的泛化能力。

BP神經網絡卡鉆預測

引言

在鉆井過程中，由于各種原因造成的鉆具陷在井內不能自由活動的事故現象稱為卡鉆。近年來，世界各大石油公司相繼投入研究井下卡鉆事故的機理和監測、預防、處理技術，其主要方法有扭矩—拉力模型、多元統計法、卡鉆專家系統以及神經網絡法分析。但是這幾種方法都各有缺陷[1-3]。在卡鉆事故中，一種卡鉆事故發生后，往往會誘發另一種卡鉆或其他事故的發生，如在縮徑卡鉆、鍵槽卡鉆、落物卡鉆發生之后，由于鉆柱失去了自由活動的能力，又會發生粘吸卡鉆。粘吸卡鉆發生之后，由于處理不當，又會誘發坍塌卡鉆。所以準確預測卡鉆事故對防止事故的擴大、減輕事故損失有著至關重要的作用。

為了提高鉆井效益，鉆井技術人員對鉆井過程提出了很多數學模型，但由于鉆井過程的隨機性和不確定性，而且涉及領域較廣，鉆井過程的規律難以用精確的數學模型來描述。 BP （BackPropagation）神經網絡是一種非線性變換單元組成的前饋網絡，它由輸入層、隱層、輸出層及各層之間的節點連接構成，一個三層BP網絡可以在任意精度內逼近任意函數[4]。本文將神經網絡這一方法應用到卡鉆預測中，不僅解決了鉆進規律難以用精確數學模型來描述這一問題，而且確保了網絡對卡鉆預測過程擬合的準確性。

1 卡鉆預測網絡結構的建立

BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號向前傳遞，誤差反向傳播在向前傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層的神經元狀態只影響下一層神經元狀態。如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閥值，從而使BP神經網絡預測輸出不斷逼近期望輸出。

1.1輸入層變量選取

輸入量必須選擇那些對輸出影響大且能夠檢測或者提取的變量，此外還要求各輸入變量之間相互不相關或者相關性很小。根據現場資料的分析，造成卡鉆事故的主要因素大致可以分為：地質因素、井身結構、鉆井液參數和操作水平[5]，另外還包括鉆進參數[6]，這五個因素主要包括的參數如表1所示。

表1 影響卡鉆的主要參數

本文在同一操作水平下對開發井發生的卡鉆事故做預測模型，參照大量鉆井現場數據以及卡鉆事故典型案例，最終選取的變量為：卡點井深、鉆壓、轉速、排量、泵壓、鉆井液密度、漏斗黏度、含砂量、泥餅厚度、濾矢量十個變量作為神經網絡輸入層變量，分別用來表示，故輸入向量為

1.2輸出層節點的確立

在網絡設計中，對于確定的樣本數，網絡參數太少則不足以表達樣本中蘊涵的全部規律，而網絡參數太多則由于樣本信息少而得不到充分的訓練[7]。受樣本信息量的限制，所以在不影響網絡準確性的前提下精簡網絡參數。本模型所要實現的功能是預測卡鉆事故，故而設置一個輸出層節點：0代表沒有發生卡鉆，1代表卡鉆預警，輸出向量為。在應用中以 0.5 為基準線，小于 0.5 代表存在發生卡鉆風險，大于 0.5 代表鉆井狀態正常。

1.3隱含層節點數的確立

隱含層節點數對整個網絡的準確性有著至關重要的作用。當隱含層節點數的取值在輸入層節點數和輸出層節點數之間時，特別是當靠近輸入節點數時網絡收斂速度較快。另外隱含層節點數太少時，容易導致學習過程不收斂；隱含層節點數太多時，網絡映射能力增強，局部最小點越少，越容易收斂到全局最小點，卻致使學習時間長，且網絡容易訓練過度，此時導致網絡不僅記住了學習樣本一般特征而且記住了個別特征導致網絡容錯性降低。確定最佳隱含層節點數的一個常用的方法稱為試湊法，可先設置較少的隱含層節點訓練網絡，然后逐漸增加隱含層節點數，用同一樣本集進行訓練，從中確定網絡誤差最小時對應的隱含層節點數。用試湊法時可以先應用一些確定隱含層節點數經驗公式[7]。本文應用公式其中 n為輸入層節點， m 為輸出層節點， a 為 1～10之間的常數。輸入層 n=10 ，輸出層 m=1 ， nl=4～14 。利用試湊法作對比最終選擇網絡誤差最少的隱含層節點數為 n=7 ，隱含層輸出向量為。

ly1y2y7最終建立的卡鉆預測網絡結構如圖1所示。

圖1 卡鉆預測網絡結構圖

2 神經網絡對卡鉆預測的實現

訓練數據的準備工作是網絡設計與訓練的基礎，數據選擇的科學合理性，以及數據表示的合理性對于網絡設計具有極為重要的影響。數據的準備包括原始數據的收集、數據分析、變量選擇和數據預處理等。為了實現對鉆井現場卡鉆的預測，本文搜集陜北地區大量鉆井數據作為系統的訓練以及測試數據。選取對卡鉆預測影響較大、鉆井現場易獲取的 10個變量作為系統輸入項。部分鉆井現場數據樣本如表2所示： 10組數據中前5組為卡鉆數據，后5組為鉆井狀態正常的數據。

表2 訓練數據

表2 中卡點井深的范圍為 52.76～3330m，含砂量的范圍為 0～0.3。由此可見樣本數據存在個別變量數值差異較大的問題，不利于神經網絡的收斂。另外由于 BP 網絡的神經元均采用 Sigmoid 類轉移函數，為了防止因輸入的絕對誤差過大而使神經元輸出飽和，繼而使權值調整進入誤差曲面的平坦區，所以在網絡訓練之前需要對訓練數據進行歸一化處理。歸一化處理是指通過變換處理將訓練數據限制在[0,1]區間內，本文采取的變換式為：

本文應用 MATLAB的神經網絡工具箱完成BP神經網絡的樣本訓練，其M語言歸一化子程序如下：

input=P;%P 為輸入樣本矩陣

input=input';

savedatainput;

output=T;%T 為輸出樣本矩陣

output=output';

savedataoutput。

%歸一化

[inputn,inputs]=mapminmax(input);

outputn=output：%由于輸出變量為 [0,1]，故不需要歸一化。

歸一化結果如表3所示。

表3 訓練數據歸一化

利用對樣本集的訓練建立卡鉆預警神經網絡，M語言訓練子程序如下：

%初始化網絡結構

net=newff(inputn,outputn,7);

net.trainParam.epochs=100;

net.trainParam.lr=0.1;

net.trainParam.goal=1.0e-9;

net.trainParam.min_grad=1e-10。

%網絡訓練

net=train(net,inputn,outputn)。

多次重復訓練最終得到最佳的泛化及擬合效果，訓練完畢后將對應權值、閥值關系記憶在網絡結構上，之后便可將鉆井過程檢測的工況特征數據輸入到該網絡，從而對卡鉆事故進行預測。

3 卡鉆預測神經網絡的驗證

網絡訓練完成后應用訓練樣本進行驗證，驗證結果如表4所示。表4中卡鉆的5組數據輸出值均小于 0.5，而正常運行的四組數據均大于 0.5。由驗證結果不難看出該系統已經具有對卡鉆事故做出準確預測的能力。

表4 訓練樣本預測結果

另外網絡性能的好壞還要看其是否具有很好的泛化能力，而對泛化能力的測試則不能用訓練集的數據進行檢驗，而要用訓練集以外的測試數據來檢驗[7]。表5 為在測試數據中隨機選取的四組數據。

表5 訓練樣本預測結果

網絡泛化能力的檢驗的結果如表6所示。編號1、2的兩組卡鉆樣本輸入網絡后，其輸出值均大于0.5；而將編號 3、4 的兩組正常鉆井狀態樣本輸入神經網絡后，其輸出均小于 0.5。從表6所示的輸出結果可以看出，對于鉆井工況不同的數據，卡鉆預警神經網絡可以給出準確的預測結果，由此可見該網絡已經具備準確的預測能力和良好的泛化能力，從而證實了本文所提方法的合理性。