可伸縮式PDC-孕鑲金剛石耦合仿生智能鉆頭的破巖仿真

吳澤兵 席凱凱 王杰 李超 程歡 楊晨娟

西安石油大學機械工程學院

常規(guī)固定切削齒鉆頭包括PDC鉆頭和孕鑲金剛石鉆頭。以往對PDC齒的研究主要集中在其綜合性能方面［1］，比如改善聚晶金剛石復合片的應力狀態(tài)、提高切削齒的自銳性、改善切削齒交界面的結合強度等［2-3］。近年來，對仿生PDC齒的研究逐漸增多，西安科技大學孫榮軍［4］以鯊魚牙齒為仿生原型，設計出一種表面呈鋸齒形的仿生PDC齒；吉林大學劉婧［5］以扇貝為仿生原型設計出一種表面呈波紋形、結合面處為條柱狀的仿生PDC齒；西南石油大學劉永升［6］以穿山甲為仿生原型，設計出一種梯形仿生PDC齒，該齒具有分層剝落的特點；西南石油大學李琴［7］通過研究切削齒與巖石的作用機理，設計出一種適用于硬地層條件的仿生PDC齒；史密斯(Smith)鉆頭公司研制出一種脊形PDC齒，這種屋脊形結構能提高PDC鉆頭的抗沖擊性能、瞬時鉆進效率，降低切削載荷；貝克休斯公司研發(fā)出一種加強型PDC齒，引入第2個倒角，降低了切削刃上的應力梯度，能有效防止崩齒。常規(guī)孕鑲金剛石鉆頭破巖時主要依靠鉆頭底唇面上許多小的硬質(zhì)點(金剛石)對巖石進行磨劃破壞，出露的硬質(zhì)點被不斷磨損和消耗，新的硬質(zhì)點又繼續(xù)出露進行工作，盡管其使用壽命有所提高，但鉆進速度較低［8］。

上述鉆頭的切削結構是固定的，為了使鉆頭適應不同巖性的地層，一些學者對鉆頭的變切削結構進行了研究。近年來，出現(xiàn)了一種新的自調(diào)節(jié)牙齒吃入深度控制技術，可以解決鉆井振動和PDC鉆頭鉆長井段性能受限的問題。該技術原理較簡單：在鉆井狀態(tài)不穩(wěn)定時，通過阻止切削深度的快速變化來減輕振動；當鉆井狀態(tài)平穩(wěn)時，逐漸增加切削深度來提高機械鉆速，這主要通過縮短和延長沖程來完成。縮短沖程時，在幾秒內(nèi)通過抑制伸縮機構的高速向內(nèi)運動來緩沖外界作用力，從而調(diào)整金剛石伸縮元件的伸出長度，當金剛石伸縮元件不受外部載荷時，伸縮機構激活延長沖程，在短時間內(nèi)內(nèi)完成伸出動作［9］。Huaigang Hu等［10］研發(fā)了一種可伸縮的自調(diào)整雙直徑鉆頭，當鉆進上部較軟地層時，該鉆頭內(nèi)部伸縮機構變形小，導向鉆頭突出，使鉆速最大化；在鉆進中硬地層時接觸應力大，使鉆頭內(nèi)部伸縮機構壓縮，導向鉆頭縮回，緩沖由巖性變化帶來的沖擊，并逐漸抵消黏滑振動，以免鉆頭失效，但是該自適應切削深度功能僅在夾層或礫石等復雜地層中起作用，不能用在其他正常的穩(wěn)態(tài)鉆井條件下。由于自調(diào)整雙直徑鉆頭可以在增加鉆速的同時控制整個鉆頭的切割深度，因此它可以減輕由切削深度快速變化引起的黏滑振動。

為了使鉆頭智能化，有必要在鉆頭上安裝一種可自動識別巖性的智能傳感器，該智能傳感器基于BP神經(jīng)網(wǎng)絡，可精確識別當前巖性。2014年Xue Yongchao等［11］利用遺傳算法與神經(jīng)網(wǎng)絡對多種測井資料進行處理，實現(xiàn)了裂縫識別；2015年單敬福［12］應用BP神經(jīng)網(wǎng)絡進行巖性自動識別；2016年M Korjani等［13］利用油田測井數(shù)據(jù)建立了深度學習神經(jīng)網(wǎng)絡模型，凸顯了深度學習在油藏大數(shù)據(jù)分析上的能力；2017年Reda Abdel Azim和Tariq Shehab［14］通過BP神經(jīng)網(wǎng)絡系統(tǒng)開展了油藏裂縫密度評價研究工作。最近幾年，利用改進后的神經(jīng)網(wǎng)絡算法對儲層參數(shù)進行預測取得了進展［15-19］，2018年Luo Han等［20］用BP神經(jīng)網(wǎng)絡預測了陸相頁巖油藏巖性，準確率達80%以上。

目前對仿生PDC齒的研究大多局限于單維度結構仿生，沒有從多個維度進行仿生；當前鉆頭變切削結構的性能會因鉆井條件的變化而受到約束；現(xiàn)有鉆頭不具備對當前巖性進行智能實時識別的能力。為此，通過現(xiàn)代仿生學理論、對鉆頭結構改進以及BP神經(jīng)網(wǎng)絡模型，設計了一種新型可伸縮式仿生智能鉆頭來解決石油鉆井過程中存在的問題。

1 仿生智能鉆頭模型的建立

1.1 仿生PDC齒耦元設計

1.1.1 聚晶金剛石切削刃面耦元設計

穿山甲身體狹長，全身具有鱗片，能在泥土中挖深2~4 m、直徑20~30 cm的洞，具有高超的掘土本領，經(jīng)研究這與穿山甲體表的鱗片密切相關。穿山甲全身的鱗甲如瓦狀，與體軸平行，在縱向交錯排列，這種特殊的排列方式減小了單個鱗片切土時所受到的作用力。根據(jù)穿山甲鱗片獨特的排列方式，設計出一種仿生“階梯形”結構。

破巖時通過提高鉆壓和轉(zhuǎn)速來提升破巖速度，研究表明鉆壓對鉆頭壽命的影響遠超過轉(zhuǎn)速，因此可以通過提高轉(zhuǎn)速、適當降低鉆壓的方法來延長鉆頭使用壽命，這就要求切削齒具有較強的水平切削能力以及緩解縱向壓力的作用。土壤動物螻蛄具有高效的掘土本領，很大程度上依賴于它的前爪趾，可以研究其結構特點并運用于仿生PDC齒的結構設計。劉永升［6］對螻蛄爪趾的特征進行曲線擬合，并采用Gauss 4次擬合方法最終擬合出螻蛄爪趾的上下輪廓曲線，將這種輪廓曲線簡記為“仿生弧形”曲線并應用于仿生“階梯形”結構，形成一種仿生“弧形階梯齒”結構(圖1)，布置在聚晶金剛石切削刃面。該仿生弧形階梯齒結構具有減少巖屑在切削刃面的堆積和黏附、提升破巖速度、減小切削齒在水平和豎直方向受力、提高水平方向剪切強度的作用［8］。

圖1 仿生“弧形階梯齒”結構Fig. 1 Structure of bionic “arc ladder cutter”

1.1.2 聚晶金剛石-硬質(zhì)合金交接面耦元設計

海洋生物鯊魚是一種大型食肉魚類，它的牙齒極其鋒利。鯊魚牙齒在大的輪廓上呈鋸齒狀，在牙齒輪廓的邊上也排布了許多細小的鋸齒結構。孫榮軍[21]以鯊魚牙齒為仿生原型，設計出一種聚晶金剛石上表面呈鋸齒形的仿生PDC齒，將上述鋸齒形結構應用于聚晶金剛石與硬質(zhì)合金的交接面處，如圖2所示。該鋸齒形交接面結構鑲嵌式的結合方式增加了兩者的接觸面積，提高了兩者間的結合強度；當聚晶金剛石上表面非光滑層磨損后，這種鋸齒形結構可以繼續(xù)產(chǎn)生非光滑形態(tài)，使切削齒保持高效鉆進和較長的使用壽命[22]。

圖2 鋸齒形交接面結構Fig. 2 Structure of sawtooth-shaped contact surface

1.1.3 聚晶金剛石表面非光滑形態(tài)耦元設計

扇貝棲息在海邊，其外殼經(jīng)常被海砂磨損和海水沖蝕，具有優(yōu)良的耐磨防損功能，經(jīng)研究這與其體表的棱紋形結構有關。根據(jù)扇貝體表的棱紋形結構特征，提出一種凸包形球形仿生非光滑結構[23]，如圖3所示，將其布置在聚晶金剛石上表面。該球形仿生體能夠減少巖屑對聚晶金剛石面的磨損，對巖屑有撬離、斷屑、碎屑的作用，讓巖屑難以附著成形，有效防止鉆頭泥包的形成[8]。

圖3 凸包形單元體的球形結構Fig. 3 Spherical structure of convex unit

結合以上仿生結構設計，設計出一種新型仿生PDC齒，如圖4所示。

圖4 新型仿生PDC齒Fig. 4 Novel bionic PDC cutter

1.2 仿生智能鉆頭底唇面設計

1.2.1 鉆頭底唇面仿生單元體結構設計

為了避免孕鑲金剛石鉆頭底唇面形狀被磨平后其鉆進效率下降的問題出現(xiàn)，一方面，以土壤動物蜣螂胸節(jié)背板的凹坑形非光滑表面作為仿生原型來設計孕鑲金剛石鉆頭底唇面非光滑形態(tài)，凹坑形表面減小了接觸區(qū)域的面積，凹坑中還保留了一定量空氣，不僅減小了界面大氣負壓，還改變了其表面磨粒的運動方式，使其體表的減磨作用得到加強[24]。根據(jù)前人研究，仿生單元體直徑2 mm[25]時為最佳，鉆頭底唇面非光滑度為12.5%、仿生單元體采用均勻排布方式[26]時鉆進效率最高，按照上述經(jīng)驗，將凹坑形仿生單元體排布在孕鑲金剛石鉆頭底唇面，如圖5所示。另一方面，在凹坑形仿生單元體內(nèi)注入一種磨損率高于鉆頭胎體的材料，在鉆進過程中先被磨損，使這種凹坑形仿生單元體非光滑表面一直存在(自再生功能)，來延長鉆頭的高效鉆進時長和使用壽命。鉆頭的胎體及底唇面，仿生智能鉆頭底唇面總體設計如圖7所示。

圖5 鉆頭底唇面仿生單元體排布圖Fig. 5 Layout of bionic unit at the bottom lip surface of bit

圖7 仿生智能鉆頭底唇面總體設計Fig. 7 Overall design of non-smooth coupling element at the bottom lip surface of bionic intelligent bit

2 仿生智能鉆頭巖性識別功能

1.2.2 鉆頭底唇面棱邊梯形結構設計

為了改善孕鑲金剛石鉆頭鉆進效率低的問題，將其底唇面齒刃結構設計為仿生階梯形結構，充分發(fā)揮孕鑲金剛石鉆頭底唇面齒刃的切削能力，如圖6所示。

圖6 鉆頭底唇面棱邊仿生梯形結構Fig. 6 Bionic ladder structure on the edge of the bottom lip surface of bit

1.2.3 鉆頭底唇面總體設計

將上述仿生PDC齒排布在仿生孕鑲金剛石鉆頭底唇面，布齒時為了達到快速破巖效果，將仿生PDC齒前傾角布為20°[27]。為了準確研究孕鑲金剛石鉆頭的破巖過程，在三維軟件Solidworks中建立半徑為0.1 mm的圓球形磨粒模型，將其隨機裝配在

為了對當前巖性進行實時精確識別，在仿生智能鉆頭底唇面安全位置，安裝了兩塊智能傳感器，如圖8所示，在智能傳感器芯片里存有BP神經(jīng)網(wǎng)絡控制程序。該智能傳感器會對當前巖性進行精確識別，從而對鉆頭的切削結構做出對應調(diào)整，以便對不同巖性的巖石進行針對性破壞，來提高破巖速度并延長鉆頭使用壽命。

圖8 智能傳感器安裝位置Fig. 8 Installation position of intelligent sensor

2.1 BP神經(jīng)網(wǎng)絡原理

在各種不同類型的神經(jīng)網(wǎng)絡中，前饋式反向傳播神經(jīng)網(wǎng)絡(簡稱BP神經(jīng)網(wǎng)絡)應用最廣泛，它由輸入層、隱含層和輸出層構成。

BP神經(jīng)網(wǎng)絡的基本單元是神經(jīng)元，每一層的每一個神經(jīng)元只與相鄰層的所有神經(jīng)元相連接，而同層的神經(jīng)元則互不連接。隱含層的每個神經(jīng)元對上一層的所有神經(jīng)元輸出進行線性求和，經(jīng)過激活函數(shù)輸出到下一層的每個神經(jīng)元，作為下一層的輸入。隨著BP神經(jīng)網(wǎng)絡不斷進行正向傳播和反向傳播，網(wǎng)絡權重也不斷進行調(diào)整，最終達到較優(yōu)的預測效果[28]。

2.2 BP神經(jīng)網(wǎng)絡巖性識別模型

巖性識別主要通過建立測井參數(shù)與巖石類型之間的映射關系，并利用該映射去識別未取樣井段的巖石類型[28]。根據(jù)錄井參數(shù)，如鉆壓、轉(zhuǎn)速、扭矩及機械鉆速，結合BP神經(jīng)網(wǎng)絡原理，建立BP神經(jīng)網(wǎng)絡巖性識別模型，如圖9所示。

圖9 基于BP神經(jīng)網(wǎng)絡的巖性識別模型Fig. 9 Lithology identification model based on neural network

神經(jīng)網(wǎng)絡學習過程[29]：在BP神經(jīng)網(wǎng)絡對某一事件分類之前，必須對其進行訓練。訓練過程包含了信號從輸入層—隱含層—輸出層的正向傳播，也包含了誤差從輸出層—隱含層—輸入層的反向傳播。目的是向初始化后的BP神經(jīng)網(wǎng)絡提供學習樣本。

2.3 學習樣本的選取

將從鉆井現(xiàn)場獲得的36個巖石樣本分為兩組，第1組26個用于網(wǎng)絡訓練，即系統(tǒng)建模；第2組各5個分別作為驗證集和測試集。神經(jīng)網(wǎng)絡經(jīng)過訓練后，權值和閾值固定，用預測樣本在軟件MATLAB神經(jīng)網(wǎng)絡工具箱驗證。部分巖石樣本數(shù)據(jù)見表1。

表1 部分巖石樣本數(shù)據(jù)Table 1 Data of some rock samples

2.4 神經(jīng)網(wǎng)絡輸出結果分析

圖10為針對訓練集、驗證集、測試集以及3種數(shù)據(jù)合并后的混淆矩陣，小方框中的數(shù)字代表各數(shù)據(jù)集的樣本數(shù)，百分比代表各樣本數(shù)在此數(shù)據(jù)集中的占比。綠色方塊中的數(shù)值為正確響應值，紅色方塊中的值為錯誤響應值，淺灰色方塊中的數(shù)值為對應樣本屬性預測的準確率，藍色方塊中的值為整體響應的準確率。從圖10可以看出：正確響應值很高，錯誤響應值很低，整體響應的準確率很高，因此該神經(jīng)網(wǎng)絡模型對巖性識別的準確度非常高，是值得信任的模型。

圖10 混淆矩陣圖Fig. 10 Confusion matrix

3 仿生智能鉆頭的工作原理

當智能傳感器識別到巖層為中軟硬度巖層時，仿生智能鉆頭會通過軸向伸縮機構來調(diào)整仿生PDC齒所在鉆頭胎體的高度，使仿生PDC齒與含有凸凹仿生單元體的底唇面處于同一高度，兩者同時對巖石進行破碎，如圖11 (a)。此時，仿生PDC齒、棱邊梯形結構共同彌補了孕鑲金剛石鉆頭鉆進效率低的問題；鉆頭底唇面的自再生仿生單元體、棱邊梯形結構共同彌補了PDC齒因過度磨損而失去快速鉆進功能的缺陷。

當智能傳感器識別到巖層為高硬度巖層時，為了避免仿生孕鑲金剛石鉆頭出現(xiàn)打滑現(xiàn)象，仿生智能鉆頭會通過軸向伸縮機構來調(diào)整仿生PDC齒所在鉆頭胎體高度，使仿生PDC齒的高度低于含有凸凹仿生單元體底唇面的高度，形成“PDC主導型”切削結構，如圖11 (b)。此時，仿生PDC齒先對巖石進行切削，形成“溝槽形”齒坑，待仿生PDC齒沿縱向鉆進一定深度后，含有凸凹仿生單元體的底唇面再繼續(xù)對“溝槽形”齒坑進行刻劃磨蝕，加快巖石破碎。另外，仿生PDC齒、鉆頭底唇面凸凹仿生單元體均具有解決鉆頭泥包的功能[30]。

圖11 仿生智能鉆頭工作原理Fig. 11 Working principle of bionic intelligent bit

4 破巖仿真對比

4.1 建立切削模型

在三維軟件Solidworks中建立常規(guī)鉆頭與仿生智能鉆頭的三維模型，再建立由砂巖和花崗巖共同組成的復合巖石模型，其中砂巖厚5 mm，花崗巖厚35 mm，將兩種鉆頭分別與復合巖石進行裝配組成切削模型，導入有限元分析軟件ABAQUS進行顯式動力學仿真，切削模型如圖12所示。

圖12 仿真切削模型對比Fig. 12 Comparison between simulated cutting models

4.2 模型的求解

4.2.1 材料參數(shù)

材料參數(shù)見表2。

表2 刀具和巖石材料參數(shù)Table 2 Material parameter of cutter and rock

4.2.2 定義單元

定義鉆頭為四面體單元，巖石為六面體單元，單元 類型均為 C3D8R。

4.2.3 有限元網(wǎng)格劃分

將鉆頭與巖石上表面接觸區(qū)域進行網(wǎng)格細化，其他部位均采用默認網(wǎng)格大小，常規(guī)鉆頭網(wǎng)格總數(shù)為 277 761，仿生智能鉆頭網(wǎng)格總數(shù)為 215 642。

4.2.4 載荷約束和求解時間設置

將鉆頭耦合到鉆頭軸線某個參考點上[31]，在參考點上施加豎直向下的鉆速2 mm/s，轉(zhuǎn)速6.28 r/s；巖石上表面為自由面，其余面均為固定約束；仿真時間為5 s。

4.3 仿真結果分析

4.3.1 砂巖表面應力云圖分析

在智能傳感器識別到砂巖(軟巖)巖性時，仿生智能鉆頭會將切削結構調(diào)整為“共同作用型”切削結構。巖石破碎圖是破巖效果的最佳體現(xiàn)，圖13、圖14為常規(guī)孕鑲金剛石鉆頭與仿生智能鉆頭“共同作用型”切削結構破碎砂巖后砂巖表面的應力云圖(圖13 (a)、圖14 (a)為常規(guī)孕鑲金剛石鉆頭破碎砂巖后砂巖表面的應力云圖，圖13 (b)、圖14 (b)為仿生智能鉆頭“共同作用型”切削結構破碎砂巖后砂巖表面的應力云圖)。

圖13t=0.375 s砂巖表面應力云圖Fig. 13 Contour of the stress on the surface of sandstone at t=0.375 s

圖14t=1.125 s砂巖表面應力云圖Fig. 14 Contour of the stress on the surface of sandstone at t=1.125 s

從圖13、圖14中可以看出：

(1)“共同作用型”切削結構作用于巖石表面的應力遠超過常規(guī)鉆頭，使巖石更易達到破碎極限，提高了鉆頭鉆速。

(2)在t=0.375 s時，“共同作用型”切削結構作用的巖石部分區(qū)域已發(fā)生變形破碎，而常規(guī)鉆頭作用的巖石區(qū)域并沒有出現(xiàn)這種現(xiàn)象，即這些巖石存在損傷但沒有發(fā)生失效變形。

(3)在鉆頭底唇面切削刃與巖石接觸的部位，巖石表面出現(xiàn)較大的撕裂變形，且仿生智能鉆頭切削刃的撕裂效果更明顯，充分體現(xiàn)了棱邊仿生梯形結構的優(yōu)越性。

(4)在t=1.125 s時，“共同作用型”切削結構作用的巖石大部分區(qū)域已發(fā)生變形破碎，而常規(guī)鉆頭作用的巖石只有少部分區(qū)域變形破碎，充分體現(xiàn)了仿生智能鉆頭底唇面仿生單元體及仿生PDC齒在破巖過程中的優(yōu)越性。

4.3.2 花崗巖表面應力云圖分析

在智能傳感器識別到花崗巖(硬巖)巖性時，仿生智能鉆頭會將切削結構調(diào)整為“PDC主導型”切削結構。圖15、圖16為常規(guī)孕鑲金剛石鉆頭與仿生智能鉆頭“PDC主導型”切削結構破碎花崗巖后花崗巖表面的應力云圖，(圖15 (a)、圖16 (a)為常規(guī)孕鑲金剛石鉆頭破碎花崗巖后花崗巖表面的應力云圖，圖15 (b)、圖16 (b)為仿生智能鉆頭“PDC主導型”切削結構破碎花崗巖后花崗巖表面的應力云圖。

圖15t=0.375 s花崗巖表面應力云圖Fig. 15 Contour of the stress on the surface of granite at t=0.375 s

圖16t=1.125 s花崗巖表面應力云圖Fig. 16 Contour of the stress on the surface of granite at t=1.125 s

從圖15、圖16可以看出：

(1)“PDC主導型”切削結構作用于巖石表面的應力遠超過常規(guī)鉆頭，使巖石更易達到破碎極限，提高了鉆頭鉆速。

(2)從齒坑形貌特征看，“PDC主導型”切削結構破碎的齒坑中間有環(huán)形溝槽，這是因為仿生PDC齒先對巖石進行破碎，形成“溝槽形”齒坑，待仿生PDC齒沿縱向鉆進一定深度后，含有凸凹仿生單元體的底唇面再繼續(xù)對“溝槽形”齒坑進行刻劃磨蝕。“溝槽形”齒坑的存在加快了仿生孕鑲金剛石鉆頭底唇面在徑向和縱向的破巖速度，鉆頭更易鉆進。這種組合式的破巖方式相較于常規(guī)孕鑲金剛石鉆頭的破巖方式，在破巖速度方面有較大提升。

(3)在t=1.125 s時，“PDC主導型”切削結構作用的巖石齒坑在徑向和縱向都有較大的破碎變形，而常規(guī)鉆頭作用的巖石齒坑只發(fā)生了少量破碎變形，充分體現(xiàn)了這種組合式破巖方式的優(yōu)越性。

通過比較以上3種切削結構的破巖效果，認為 “PDC主導型”切削結構破巖效果最好，“共同作用型”切削結構破巖效果次之，常規(guī)鉆頭破巖效果最差。

5 結論

(1)仿生智能鉆頭可精確識別當前巖性并對巖石進行針對性破碎，提高破巖效率和鉆頭使用壽命。

(2)仿生智能鉆頭獨特的結構設計，在巖性識別、破巖效率、防鉆頭泥包、使用壽命等方面較常規(guī)鉆頭有較大提升。

(3)應全面考慮鉆頭在井下的實際工作狀況，對仿生智能鉆頭軸向伸縮機構進行合理設計。