基于機器學習的鉆井監測數據處理方法研究

（中國地質大學（北京）工程技術學院，北京 100000）

傳統的地質鉆探除地形條件對機具安置有影響外，幾乎任何條件下均可使用鉆探方法，并且可以得到較為真實可靠的巖石樣本，缺點是費用高、耗費較多人力物力并且需要進一步對巖心進行力學性質試驗才能得到完整的勘探信息。鉆井過程監測的優點在于可以通過實時的監測數據得到鉆速規律來擬合對應巖石的巖性和力學參數信息。但是，DPM同樣存在一些需要解決的問題，比如鉆壓、轉速、鉆頭型號、鉆頭磨損程度都會對鉆速產生影響，如果只用鉆速來擬合所有的巖石性質是難以做到的，但是多變量的分析會增加分析的復雜程度而且不直觀，不利于推廣使用。而機器學習算法具有通過經驗自動改進的優點，結合DPM大數據可以解決鉆井過程中的經驗性問題，比如識別數據中的“噪音數據”和實現實時預測鉆井動態。

通過鉆井過程監測結合機器學習的方法，傳統的地質鉆探取芯缺點得到彌補，將會帶來更加準確、快捷的鉆探效果。

1 已有研究

香港大學岳中琦等人在國內最新開始在工程勘察領域進行鉆井過程監測的研究，并且已經應用在工程上[1，2]。他們發明的設備可以記錄鉆機每一時刻的轉速、油壓和鉆機機頭的位移，通過這些參數篩選出純鉆進過程與其對應的深度，并且得到了一個規律：同一鉆機和鉆頭對同一塊巖石塊體的鉆進速度是個常速。他們根據這條規律把鉆速的突變點作為巖土層界面的分界點，與實際人工編錄比較發現相差無幾。并且通過鉆井過程監測，進一步研究了與巖石塊體的單軸抗壓強度、大小和地下分布，以及它們之間界面斷面的產狀、延伸、凸凹起伏平整度、厚度和充填物質的物理和力學性質的關系。

M.Galende-Hernández等人介紹了一種基于隨鉆測量（MWD）的隧道施工方法[3]：通過對開挖面進行隨鉆測量（MWD）巖石特征描述和專家知識，得出巖體等級（RMR）估計。使用了著名的機器學習（ML）和計算智能（CI）技術。此外，還獲得了一個可收集和“可解釋”的知識基礎，將隨鉆測量的特征開挖面和RMR聯系起來。通過一個實際的隧道實例計算，結果表明該方法具有良好的使用性能：使用15條模糊規則、3個語言變量和3個語言術語生成的知識庫，RMR估計的準確性高，誤差測試3%。

2 研究方法和流程

2.1 數據采集

圖1 液壓回轉旋轉鉆機和構件示意圖

通過在鉆機上安裝油壓傳感器、轉速傳感器和位移傳感器對鉆機的油壓、鉆桿轉速和機頭位移進行實時監測，如圖1所示，監測時數據采集頻率為每秒一次。數據采集過程中，記錄鉆機穩定鉆進的時間節點，供后期篩選數據參考。

（2）選擇算法。針對數據分析的不同階段，采取相應的適合的算法。整個算法體系中，分為監督學習、無監督學習、半監督學習等三種算法。首先，監督學習是通過已有的一部分輸入數據與輸出數據之間的相應關系。生成一個函數，將輸入映射到合適的輸出，比如分類和回歸。其代表的算法有K-近鄰算法、支持向量機、決策樹、樸素貝葉斯、邏輯回歸這五種[4]。其次，無監督學習直接對輸入數據集進行建模，數據集中沒有預先做的標簽。比如聚類和降維。其代表算法有最大期望算法、K-MEANS聚類、稀疏自編碼器、限制波爾茲曼機，高斯混合模型等五種[5]。最后，半監督學習問題是從樣本的角度出發利用少量標注樣本和大量未標注樣本進行機器學習。也是綜合利用有標簽的數據和沒有標簽的數據，來生成合適的分類函數。

2.2 數據篩選

該鉆孔位于延安，是一個地質勘察鉆探孔，鉆孔深度為244.5m。有取芯對應的DPM數據61750組，時間間隔為1秒。

本文針對鉆井過程監測對工程地質勘探的輔助作用，只研究純鉆進過程，所以需要剔除掉停工、鉆機空轉、提鉆等未鉆進的情況。除了可以通過記錄純鉆進的時間節點來進行數據的篩選以外，還可以根據通過兩類機器學習算法來實現對數據的分離。

2.3 數據建模

通常情況下，4k技術電視播放實踐一體化網絡系統的網絡化工作流程按照時間先后可以分為策劃拍攝、制作節目、節目備播、播出等四個部分。上述整個過程都需要資料管理的支持。媒體資產管理的范疇十分廣泛，節目備播以及資料管理都是其組成部分。其中，策劃拍攝是整個網絡化工作流程的起點，重要性較強。在節目制作環節，需要使用到大量的素材，這些素材普遍來源于外拍、收錄和采集。此外，在節目播出之前，必須進行嚴格的審查，依據播出串聯單對播出素材進行全面檢查，切實保障其質量。在播出環節，必須嚴格遵循節目串聯單的順序。

出于預測地層巖性及完整性的功能需要，將采用監督學習的算法來預測。又因為不同的地層性質對應有不同的鉆機參數，相同地層對應的鉆機參數具有一類特征，所以在這個目標預測中我采用了k-近鄰算法（knn算法）。

Now P can be rewritten asNGis the grids number of FEM model.According to the modal orthogonality principle,P equals zero.Similarly,Then Eq.(16)can besimplified as

我國的中西部地區深居內陸，地形崎嶇，經濟落后，因而對外貿易發展難度較大，我國內地也長期以來缺乏經濟發展水平高，能為其他經濟發展落后的內陸地區提供發展經驗的模板。而京津冀地區通過雄安新區推動發展的例子，為云貴川，黑吉遼等內陸地區提供了一種創新科技型發展模式。同時，也提升了區域建設對可持續發展理念的重視。有利于我國內陸地區加快其傳統產業的改造、第三產業和高新技術產業的發展。雄安新區通過為我國內陸多區域的經濟優化提供模板，推動著我國中西部地區的經濟發展，促進了我國內陸地區區域經濟一體化進程。

（3）加載算法與測試結果。

在本節內容中，我將結合機器學習方法用一個鉆井過程監測的實例來預測地層巖性與完整性。

2.4 目標預測

通過訓練數據集，我們可以對巖石的巖性和完整性進行預測，如果有巖石的抗壓強度訓練集，還可以對抗壓強度進行回歸預測。

3 應用實例與結果分析

82例患者中，急性血栓9例，血栓大小：長0.6～22.0 cm，直徑0.7～3.3 cm，彩色多普勒超聲檢查病變靜脈管腔明顯增寬，其內充滿低或無回聲，血管壁與血栓界限清晰，無增厚，病變處無血流信號；陳舊性血栓73例，其中28例為伴有再通的不全性血栓，彩色多普勒超聲顯示病變靜脈管徑粗細不等，管壁局限性或彌漫性增厚，管腔內有強弱不等的實性回聲，與血管壁分界不清，局部管腔血流充盈缺損，血流變細，周邊有縫隙狀血流信號。

將經過篩選得到的純鉆進過程的數據通過算法進行分析。

3.1 數據來源

由于鉆井過程監測數據采集是連續的，而鉆機的工作是間斷性的，并且鉆機工作期間純鉆進時間也是斷斷續續的，所以需要對采集的數據進行清洗，把沒有意義的數據剔除，便于分析。

3.2 算法選擇及輸入因素選擇

（1）選擇變量。要想通過對鉆機的參數監測從而識別巖石的各項性質和力學指標必須要了解巖機相互作用的機理。其中鉆壓、轉速、扭矩、鉆速是最重要的幾個參數，前三個參數可以說是“因”，而第四個參數是“果”。這四個參數也是數據分析所要選擇的參數。首先，不同性質的巖石作用在鉆機上，體現在鉆機上是各個參數的變化；其次，相同的鉆機參數作用在巖石上，最能體現的是鉆進速度的不同，但是這種情況在施工過程中比較少，施工過程不會保持著同樣的參數讓鉆機鉆進，他們會根據鉆進的情況來調整鉆壓、轉速，以便快速鉆進，這對利用DPM數據進行地層分析提出了挑戰。

跟蹤采樣周期為0.1 s，測距精度為100 m，測角精度為0.001 5 rad，進行100次蒙特卡洛，得到的3種算法跟蹤結果如圖2～圖5所示。

輸入的因素有轉速、油壓、鉆速、地層深度等四個因素。輸出為巖層的巖性和完整性，其中巖性標簽有14種，完整性標簽有4種，分別為完整、較完整、較破碎、破碎如圖2所示。

圖2 地層原始情況

3.3 結果分析

訓練數據集數量為3040組，預測數據集數量為49133組。預測準確率為0.86013。

4 結論

從科學研究上講，DPM采集的數據可以幫助我們用量化的方式來評價地層信息，并且為工程提供可靠的地質情況。通過DPM，人們可以快捷、有效、定量、客觀地測量或計算得到巖石塊體的單軸抗壓強度、大小和地下分布，以及它們之間界面斷面的產狀、延伸、凸凹起伏平整度、厚度和充填物質的物理和力學性質。DPM為進一步完善和解決現有工程巖體質量評價方法存在的諸多問題提供了一條可行的途徑和手段。在傳統巖體質量評價方法、巖體地質條件和DPM的基礎上，可建立新的方法和規范來快捷、有效、定量和客觀地評價巖體質量。更可將這個新方法和規范推廣到全世界巖土工程界。DPM鉆孔過程實時監測將成為一種常規力學試驗，成為巖土工程生產力的一部分，從而有效地降低巖土工程中的事故和災難。

從工程管理角度上講，DPM可以實現對鉆孔過程的實時監測，可以知道鉆機的實時狀態，進而可以防止虛假鉆孔和虛假編錄。