基于人工神經(jīng)網(wǎng)在鉆頭結(jié)構(gòu)優(yōu)選中的研究

耿巖 唐鳴宇

摘 要：對(duì)復(fù)合鉆井進(jìn)行鉆進(jìn)參數(shù)優(yōu)選是成功應(yīng)用該技術(shù)的關(guān)鍵。目前國(guó)內(nèi)的專家或?qū)W者雖然對(duì)復(fù)合鉆井井下動(dòng)力鉆具進(jìn)行了大量的研究，但是對(duì)其鉆進(jìn)參數(shù)優(yōu)選的關(guān)注卻很少。目前的鉆井參數(shù)優(yōu)選方法沒(méi)有考慮動(dòng)力鉆具的影響，適用范圍有限，并且井斜角也對(duì)鉆壓的傳遞起著制約的作用。因此，本文以復(fù)合鉆井為前提，對(duì)Bourgoyne和Young模型進(jìn)行了相關(guān)修正，并采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行鉆井參數(shù)優(yōu)選。實(shí)例分析表明，該方法可行性強(qiáng)，優(yōu)選精度高，具有現(xiàn)場(chǎng)應(yīng)用價(jià)值。

關(guān)鍵詞：復(fù)合鉆井 鉆進(jìn)參數(shù)優(yōu)選 人工神經(jīng)網(wǎng)絡(luò)

關(guān)于鉆井參數(shù)的優(yōu)選，國(guó)外自1950年就展開(kāi)了大量的研究：1959年，Graham 和Muench首次提出了鉆井參數(shù)優(yōu)選的概念；1962年，Maurer給出了牙輪鉆頭的鉆速方程式；1963年，Galle和Woods研究了鉆壓和轉(zhuǎn)速的最優(yōu)匹配關(guān)系；1972年，Reed給出了每米成本最少的鉆壓—鉆速優(yōu)選模型；1974年，Bourgoyne和Young提出采用多元線性回歸技術(shù)優(yōu)選鉆井參數(shù)；1988年，Miska給出了鉆速、鉆頭磨損率與軸承磨損率三個(gè)控制微分方程；2005年，Dupriest和Koederitz提出采用機(jī)械比能法評(píng)價(jià)鉆井效率等。國(guó)內(nèi)有代表性的鉆井參數(shù)優(yōu)選研究包括：1994年，劉楊等人提出基于隨機(jī)鉆井模式的鉆井參數(shù)優(yōu)選模型；1998年，范軍提出采用模糊綜合評(píng)判法優(yōu)選鉆井參數(shù)；2007年，李士斌等人提出基于可鉆性鉆速模式的鉆井參數(shù)優(yōu)選方法；2009年，張立剛等人提出基于巖屑分形理論的鉆井參數(shù)優(yōu)選模式。上述這些方法，有的優(yōu)選模型僅局限于鄰井或同一地區(qū)相似地質(zhì)條件井的參數(shù)優(yōu)選；有的只是定性地分析了鉆井參數(shù)優(yōu)選的影響因素，沒(méi)有定量地給出優(yōu)選方法；有的只是從技術(shù)層面進(jìn)行研究，并沒(méi)有從理論分析方面深入探討；有的影響因素分析不全面，帶有很強(qiáng)的模糊性。而且，目前國(guó)內(nèi)的專家或?qū)W者雖然對(duì)復(fù)合鉆井井下動(dòng)力鉆具進(jìn)行了大量的研究，并取得了顯著地成果，但是對(duì)復(fù)合鉆井鉆進(jìn)參數(shù)優(yōu)選的關(guān)注卻很少。復(fù)合鉆井時(shí)，鉆井液的性能、流量、壓差、鉆壓、扭矩等影響著螺桿鉆具的性能，若參數(shù)優(yōu)選不當(dāng)，螺桿鉆具可能會(huì)出現(xiàn)制動(dòng)，嚴(yán)重的將會(huì)損壞鉆具，反而大大增加鉆井成本。

因此，對(duì)復(fù)合鉆井進(jìn)行鉆進(jìn)參數(shù)優(yōu)選的研究非常有必要。本文采用人工神經(jīng)網(wǎng)絡(luò)（ANN）方法優(yōu)選鉆井參數(shù)，綜合分析了所有因素的影響，通過(guò)對(duì)大量的人為可控參數(shù)的學(xué)習(xí)，在客觀的巖石物理特性基礎(chǔ)上優(yōu)選參數(shù)，根據(jù)ANN的實(shí)時(shí)計(jì)算結(jié)果，在鉆井過(guò)程中隨時(shí)調(diào)整鉆進(jìn)參數(shù)，提高平均機(jī)械鉆速，延長(zhǎng)鉆具壽命，并最終減少總的鉆井成本。

一、 復(fù)合鉆井鉆進(jìn)參數(shù)優(yōu)選模型

鉆井參數(shù)優(yōu)選的目標(biāo)就是通過(guò)獲得“最優(yōu)”的機(jī)械鉆速來(lái)減少鉆井成本。影響機(jī)械鉆速的因素主要包括人為可控因素和客觀存在因素。人為可控因素包括鉆壓、轉(zhuǎn)速、鉆頭類型、鉆井液流變性、鉆井液比重、泵壓等；客觀存在因素包括巖石硬度、巖石抗壓強(qiáng)度等。通過(guò)確定這些參數(shù)之間的內(nèi)在關(guān)系來(lái)優(yōu)選鉆井參數(shù)是一個(gè)非常復(fù)雜的過(guò)程，并且其中還包含了大量的隨機(jī)不確定性因素。

1.參數(shù)優(yōu)選模型建立。由于Bourgoyne和Young模型包含了8種變量因素對(duì)機(jī)械鉆速的影響，是目前考慮因素最為完整的機(jī)械鉆速計(jì)算模型，因此本文以該模型為基準(zhǔn)，并加入了軸承磨損的影響。式1為該模型的數(shù)學(xué)表達(dá)式，圖1為參數(shù)優(yōu)選模式示意圖：

2.復(fù)合鉆井參數(shù)優(yōu)選模型修正。進(jìn)行復(fù)合鉆井參數(shù)優(yōu)選時(shí)，由于井眼傾斜和螺桿鉆具的影響，需要對(duì)傳統(tǒng)的Bourgoyne和Young模型進(jìn)行修正。

首選對(duì)鉆壓進(jìn)行修正。定向井中，井眼軌跡影響著鉆壓的傳遞，鉆壓又影響著機(jī)械鉆速的大小。鉆定向井時(shí)，在達(dá)到設(shè)計(jì)要求前，井斜角是不斷變化的，因此需要進(jìn)行鉆壓修正來(lái)說(shuō)明井斜的影響。圖2 為鉆頭受鉆壓簡(jiǎn)示圖。

這里不考慮鉆柱與井壁的接觸以及摩擦作用，僅考慮井斜角因素，將鉆壓分解為X向與Y向分量，如圖2所示，則有：

＼*MERGEFORMAT（2）

式中：—鉆臺(tái)之中表所示鉆壓，；—井斜角，度。

復(fù)合鉆井時(shí)，在螺桿轉(zhuǎn)子工作的同時(shí)，轉(zhuǎn)盤(pán)驅(qū)動(dòng)螺桿定子同時(shí)轉(zhuǎn)動(dòng)，此時(shí)鉆頭既由螺桿轉(zhuǎn)子帶動(dòng)旋轉(zhuǎn)，又由螺桿定子帶動(dòng)旋轉(zhuǎn)。因此，螺桿鉆具對(duì)參數(shù)優(yōu)選的影響可以看成是給鉆頭額外增加了一個(gè)轉(zhuǎn)速，由文獻(xiàn)14可知，此時(shí)鉆頭的轉(zhuǎn)速可近似看成轉(zhuǎn)盤(pán)轉(zhuǎn)速與螺桿轉(zhuǎn)子轉(zhuǎn)速之和。

二、 神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行鉆井參數(shù)優(yōu)選

1.人工神經(jīng)網(wǎng)絡(luò)技術(shù)。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、較好的容錯(cuò)性和優(yōu)良的非線性逼近能力，已成為解決很多問(wèn)題的有力工具。神經(jīng)網(wǎng)絡(luò)是一個(gè)并行和分布式的信息處理網(wǎng)絡(luò)結(jié)構(gòu)，她一般由大量的神經(jīng)元組成。一個(gè)典型的神經(jīng)網(wǎng)絡(luò)由三層神經(jīng)元組成—輸入層、隱含層和輸出層。每個(gè)神經(jīng)元輸入有多個(gè)連接通道，每個(gè)連接通道對(duì)應(yīng)于一個(gè)連接權(quán)系數(shù)；而每個(gè)神經(jīng)元只有一個(gè)輸出，可以連接到很多其他的神經(jīng)元。

本文采用誤差反向傳播（BP）算法計(jì)算。該算法的基本思想就是信號(hào)的正向傳播與誤差的反向傳播結(jié)合。通過(guò)正向傳播，信息由輸入神經(jīng)元輸入，經(jīng)過(guò)各隱含層神經(jīng)元依次傳播到輸出層。上下層神經(jīng)元之間實(shí)現(xiàn)全連接，每層神經(jīng)元之間則無(wú)連接。反向傳播則是將輸出結(jié)果與期望結(jié)果比較，若不一致，則從輸出層經(jīng)過(guò)各隱含層逐層修正各個(gè)連接權(quán)值，最后回到輸入層，再進(jìn)行正向計(jì)算，直到輸出值達(dá)到要求的精度為止。隨著這種誤差逆的傳播修正不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也不斷上升。圖3為鉆井參數(shù)優(yōu)選BP神經(jīng)網(wǎng)絡(luò)模型。

圖3中，為輸入單元個(gè)數(shù)，為隱含層單元個(gè)數(shù)，為隱含層單元閾值，為輸出層單元閾值，為輸入層與隱含層的連接權(quán)，為隱含層至輸出層的連接權(quán)。為隱含層單元的輸入值，為隱含層單元的激發(fā)值。

2.采用人工神經(jīng)網(wǎng)絡(luò)方法優(yōu)選鉆井參數(shù)。本文采用BP網(wǎng)絡(luò)算法優(yōu)選鉆井參數(shù)，將機(jī)械鉆速的各主要影響因素作為輸入神經(jīng)元，即將井深、鉆頭直徑、鉆壓、轉(zhuǎn)速、泥漿比重、排量、井斜角、鉆頭牙齒磨損和鉆頭軸承磨損9組因素組成輸入模式向量，目標(biāo)輸出值則為機(jī)械鉆速。即輸入層節(jié)點(diǎn)數(shù)為9，輸出層節(jié)點(diǎn)數(shù)為1，為了增加計(jì)算精度，隱含層節(jié)點(diǎn)數(shù)選為150，其基本操作步驟如下：

（8）隨機(jī)選取下一組樣本，返回步驟（3），直到所有的訓(xùn)練樣本訓(xùn)練完畢。再重新從練習(xí)樣本中隨機(jī)選一組樣本，返回步驟（3），直到網(wǎng)絡(luò)全局誤差E小于，網(wǎng)絡(luò)收斂，訓(xùn)練結(jié)束。

本文統(tǒng)計(jì)了大港油田濱深、濱海、埕海、埕北4個(gè)區(qū)塊的30口井鉆井資料作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，表1為用于訓(xùn)練的部分樣本數(shù)據(jù)。

將這些樣本數(shù)據(jù)按照上述步驟進(jìn)行運(yùn)算，并通過(guò)數(shù)據(jù)統(tǒng)計(jì)，即可得出各個(gè)區(qū)塊不同井段內(nèi)鉆井參數(shù)優(yōu)選結(jié)果。表2為濱深區(qū)塊部分井段鉆井參數(shù)優(yōu)選結(jié)果。通過(guò)對(duì)多口井的優(yōu)選結(jié)果可以看出：增加鉆壓或者轉(zhuǎn)速并不總是能夠增加機(jī)械鉆速，有時(shí)反而會(huì)因?yàn)殂@壓或轉(zhuǎn)速過(guò)高導(dǎo)致井眼凈化不完全以及鉆頭泥包等鉆井問(wèn)題；泥漿比重越小，機(jī)械鉆速相對(duì)越高；最優(yōu)的鉆壓、轉(zhuǎn)速往往并不是最大或者最小的鉆壓、轉(zhuǎn)速。

三、 結(jié)語(yǔ)

1.采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，可以通過(guò)輸入與輸出之間復(fù)雜的非線性映射，不需要建立相關(guān)等式即可確定使機(jī)械鉆速達(dá)到最大時(shí)的鉆井參數(shù)組，避免了分析過(guò)程中的人為誤差，提高了計(jì)算結(jié)果的準(zhǔn)確度。

2.對(duì)復(fù)合鉆井鉆進(jìn)參數(shù)優(yōu)選，必須要考慮井斜角與螺桿轉(zhuǎn)子轉(zhuǎn)速的影響。在鉆井參數(shù)優(yōu)選模型中，必須對(duì)模型中的鉆壓和轉(zhuǎn)速進(jìn)行修正，才能提高機(jī)械鉆速的預(yù)測(cè)精度，并最終提高鉆井參數(shù)優(yōu)選的精度。

3.必須合理確定輸入訓(xùn)練樣本中各個(gè)參數(shù)的取值范圍，訓(xùn)練樣本參數(shù)代表性越強(qiáng)，輸出結(jié)果越精確。

作者簡(jiǎn)介：耿巖（1985—）男。吉林松原人。畢業(yè)于南昌大學(xué)車輛工程專業(yè)。工學(xué)學(xué)士學(xué)位。助理工程師。研究方向：鉆探裝備、抽油機(jī)制造方面的研究。