基于地質鉆探智能云監控系統的鉆速優化決策

吳 瀟 賴旭芝 陸承達 黃恒宇 吳 敏

資源能源是人類賴以生存的基礎,地質鉆探是實現地質資源能源勘探開發的必要手段[1].近年來,隨著傳感器、自動化控制和網絡技術的成熟應用,地質鉆探已具備高度的數字化、自動化水平,面臨著智能化鉆探的發展方向和工程需求.實現智能化鉆探,迫切需要集成大數據處理、數據驅動、人工智能、先進控制等關鍵技術,形成具有大數據計算、智能優化、控制與決策能力的新一代智能控制系統.

受限于鉆探現場軟硬件條件,現場原有控制系統難以滿足智能化鉆探需求,缺乏對海量過程數據有效存儲和分析的能力,導致難以依據數據分析結果實現鉆進過程的智能優化、控制與決策.梁鑫等進行了巖心鉆機自動監控系統的硬件選型、軟件設計,研發了巖心鉆機計算機數據采集控制系統[2].朱珺等研制了基于Labview 的鉆孔鉆探參數無線監控系統[3].范海鵬等通過設計遠程監控系統,實現了現場工況的遠程監測[4].文浩賢等開發了地質鉆探過程狀態監測App,實現了移動端對井場的遠程監測[5].上述研究在現場控制系統設計和過程監測方面開展了大量工作,但是缺乏集成大數據分析、智能優化、智能控制等技術,實現集遠程監測、效率優化、智能控制與決策等功能于一體的智能鉆進系統.

云控制系統[6-8]（cloud control system,CCS）在傳統控制系統中引入云計算、大數據處理以及人工智能算法等關鍵技術,將各種傳感器感知匯集而成的海量數據,即大數據,存儲在云端.然后,在云端利用人工智能算法實現系統的在線辨識與建模,應用任務的計劃、規劃、調度、預測、優化、決策和控制,結合模型預測控制、數據驅動預測控制等先進控制方法,實現系統的自主智能控制,即形成云控制[9-11].基于云控制系統的設計理念,結合地質鉆探的工程需求和現場軟硬件情況,本文設計了一種符合多鉆探現場工程應用的專有鉆探系統,即地質鉆探智能云監控系統（intelligent cloud monitoring system for geological drilling,ICMS）,集成了通信、存儲、計算、優化和控制等方面的關鍵技術,實現了鉆進工況識別[12]、安全預警與故障診斷[13-14]、效率優化[15]、鉆壓控制[16-17]等功能.

面向鉆探現場高效鉆進的工程需求,針對ICMS中的效率優化應用,本文設計了一種結合高斯過程回歸[18]（Gaussian process regression,GPR）方法和混合蝙蝠算法[19]（hybrid bat algorithm,HBA）的鉆速實時優化方案,并依托于智能云監控系統驗證方案的有效性和工程適用性.首先,運用數據驅動建模技術,基于GPR 建立鉆速預測模型[20],并結合滑動時間窗口技術進行動態預測.然后,針對鉆進現場工程約束,設計約束條件,建立鉆速優化模型.最后,針對具有非線性約束的非凸優化問題,采用HBA 優化算法求解模型,獲得最優的鉆進操作參數來指導鉆進過程,并結合滑動時間窗口技術實現實時優化,保障優化結果的可靠性和實時性.

本文主要貢獻如下：1）面向地質鉆探行業智能化鉆進的發展需求,提出了ICMS,分析其整體架構和關鍵技術；2）針對系統中鉆進效率優化問題,結合滑動時間窗口技術,提出了鉆速智能動態優化方案；3）針對鉆速的高精度預測問題,提出基于GPR 的混合預測模型,實現鉆速動態預測；4）針對實際鉆探現場應用場景,進行了基于智能云監控系統的鉆速智能動態優化,結果驗證了方案的有效性.

1 ICMS

面向地質鉆探鉆進過程控制與決策的工程應用需求,集成應用大數據處理、人工智能、先進控制等關鍵技術,設計開發集監測、預警、決策與控制于一體的深部ICMS,具備較強的工程適用性.

ICMS 以現場智能鉆進控制系統和智能監控云平臺為主,共同實現全國各地多井場的云監控和決策.系統實現如下.

1.1 系統架構設計

結合實際鉆進現場的基礎設施情況和智能化需求,本文設計了基于網絡化架構的ICMS,如圖1 所示.采用分層遞階控制的設計策略,該系統自下至上包括了基礎自動化層、現場監控層、網絡傳輸層和監控云平臺層,實現對鉆進現場的云到端的監控和決策.

圖1 ICMS 系統架構Fig.1 Architecture of ICMS

基礎自動化層負責實現鉆進現場關鍵過程數據的采集和存儲、控制指令的執行以及基本鉆井功能的具體實現,是智能云監控系統中必不可少的底層基礎.該層主要由鉆進過程中三大控制系統的基本執行單元（如變頻器、傳感器等）組成,包括鉆柱控制系統、鉆進軌跡控制系統和鉆井液循環系統.

現場監控層負責控制指令的現場下發、鉆進過程數據的實時監控以及現場實時場景的視頻監控,保障鉆進現場的穩定、高效和安全運行.其中,現場智能鉆進控制系統集成開發了基于數據驅動的地質環境建模、狀態監測、鉆進效率優化和智能控制等功能,實現對實際鉆進過程的優化決策和智能控制.

網絡傳輸層主要通過網絡傳輸協議實現智能監控云平臺和現場智能鉆進控制系統的信息傳輸,并采用編碼解碼技術來保障數據安全和隱私,實現對現場鉆進情況的遠程監控.現場數據傳輸過程采用動態域名技術,監控云平臺通過遠程監控中心軟件接收數據,并提供數據實時存儲、分析和遠程決策等服務.

監控云平臺層部署包括云控制與決策、云存儲、算法庫以及半實物實驗系統等模塊.云控制與決策,即大數據分析、優化計算和控制決策等功能被部署在云監控中心的高性能服務器中,為鉆進現場提供海量數據的云處理和決策服務.算法庫負責封裝云控制與決策模塊所需的預測、優化、控制和決策等智能算法.不同區域的鉆進現場的關鍵業務數據、實時場景圖像通過網絡通信傳輸到云監控中心的數據庫服務器,實現云存儲.算法庫和云存儲分別對應模型和數據,通過兩者融合和迭代更新,為云控制與決策提供大數據分析與決策的服務.一方面,半實物實驗系統通過模擬實際鉆進過程、運行算法功能,獲得模擬運行結果,進行優化設計方案的可行性判別；另一方面,通過網絡下發全局最優的控制與決策方案至現場監控層,提供鉆進操作指導.

為了保障系統安全和隱私,通過在監控云平臺層設置賬戶密碼、用戶權限等方式,區分不同區域、不同井場的不同職位等級的管理層,并對應設置不同等級的系統使用權限.高等級管理層可獲取更高系統權限,實現對現場的遠程監測、決策和指導；低等級管理層僅可監測現場鉆進情況,不具備現場決策和指令下發的系統權限.

1.2 系統實現

本系統面向現場監測、安全預警、效率優化等實際工程需求,集成鉆進過程工況識別、安全預警與故障診斷、鉆進效率智能優化、鉆壓與轉速控制、鉆進數據實時顯示與歷史查詢等功能,實現對鉆進過程的優化決策和智能控制,提高鉆進效率和安全.

系統各個功能模塊之間相互配合,協同實現系統功能,共同保障系統工作性能.面向現場高效鉆進的工程需求,鉆進效率智能優化模塊在系統中承擔著優化鉆進操作參數組合、下發控制指令指導鉆進操作的重要角色.此外,該模塊可以聯調鉆壓與轉速控制模塊,通過將模塊運行獲得的鉆壓、轉速的最優值輸出到鉆壓與轉速控制模塊,運行模塊控制最優鉆壓與轉速進行穩定的鉆進,進而保障鉆進過程的高效性和穩定性.

智能云監控系統的軟件結構如圖2 所示,系統搭載高速算法運算模塊,采用模型-視圖-控制器（model-view-controller,MVC）架構,具備復雜邏輯運算、智能優化決策和智能控制的能力,為實現上述系統集成功能提供技術服務.現場智能鉆進控制系統配備高性能工控機和專用工業組態軟件WinCC,實現現場鉆進數據實時采集與存儲、優化決策和控制指令下發.

圖2 ICMS 軟件架構Fig.2 Software architecture of ICMS

系統運行過程如下：通過現場可編程邏輯控制器（programmable logic controller,PLC）實時獲取現場傳感器數據,采用工業通信標準（object linking and embedding for process control,OPC）接口實現系統與WinCC 的數據通信,并采用數據對象技術（active data object,ADO）實時存儲現場數據.通過調用算法功能模塊執行相應功能,存儲實時運行結果.通過串口協議和無線終端設備數據傳輸單元（data transfer unit,DTU）,將數據發送到遠程云監控中心,實現對鉆進現場的遠程監控和決策.

在系統運行過程中,系統通過調用算法功能模塊,獲得鉆壓、轉速等鉆進操作參數的推薦值；采用操作參數推薦和閉環指令下發兩種方式,將推薦值下發至現場控制系統,進而控制現場執行機構運轉,執行系統功能.通過上述流程,智能云監控系統和現場控制系統之間進行高效的聯合運作,共同保障鉆進過程效率和安全.

在遠程監控和智能決策的服務下,鉆探現場管理者可以在多個場所通過電腦、手機等移動端實時監控現場鉆進情況,使管理者更快捷、方便地實時掌握現場鉆進情況,有效解決了管理者長時間直接在現場監視的問題.同時,管理者可依據系統運行情況和現場鉆進情況,通過系統進行遠程決策、指導現場操作,避免鉆進事故發生.總之,智能云監控系統有效保障了鉆進效率和安全、降低了管理層勞動強度以及鉆進成本.

根據智能云監控系統軟件設計需求,進行控制系統的硬件實現,如圖3 所示.通過現場PLC 讀取現場傳感器檢測數據,進一步可通過現場通信進行數據采集存儲與操作指令下發,為實現鉆進過程基礎自動化功能提供數據基礎.

圖3 ICMS 硬件架構Fig.3 Hardware architecture of ICMS

工控機通過Profibus 總線、MPI 總線、串口等與PLC 相連,實現現場工控機與硬件設備之間的通信.現場實鉆數據存儲在工控機中,并通過現場智能鉆進控制系統進行數據分析；之后,采用ADO 技術實現對鉆進過程實鉆數據和功能模塊運行結果的存儲.利用DTU 遠程通信設備,通過串口將上述數據轉換為IP 數據,并通過傳輸控制協議/網絡協議（transmission control protocol/internet protocol,TCP/IP）遠程傳輸到智能監控云平臺.

智能監控云平臺整體結構設計如圖4 所示.

圖4 智能監控云平臺Fig.4 Intelligent cloud monitoring platform

通過智能監控云平臺匯聚全國各地井場的海量鉆進數據,為現場提供大數據分析、智能優化決策與控制等服務.同時,依托于云平臺微型鉆機、軌跡控制系統、鉆具姿態控制系統、隨鉆測斜系統集成半實物實驗系統,開展算法功能模塊的半實物仿真實驗,驗證所提鉆進過程建模、優化、控制方法的有效性.結合多井場海量鉆進數據的分析,針對現場情況改進算法功能,為鉆進現場提供智能優化、云決策和控制的服務,指導安全、高效的鉆進過程.

2 基于智能云監控系統的鉆速智能動態優化與決策

面向地質鉆探工程中高效鉆進的需求,依托于ICMS,本文設計了鉆速智能優化決策方案,算法框架及流程如圖5 所示.具體步驟如下：

圖5 鉆速智能優化方案Fig.5 Intelligent optimization scheme of ROP

1）運用多變量小波濾波方法,對實際鉆進數據進行去噪處理,實現數據清洗.之后,設計基于互信息分析的特征選擇方法,為鉆速預測模型確定合適的模型輸入特征.

2）結合高斯過程回歸模型和智能優化算法,建立鉆速混合預測模型.在此基礎上,設計基于滑動時間窗口的動態建模方法,實現預測模型的動態更新,提高模型性能和適用性.

3）基于鉆速動態預測模型,結合鉆進現場工程需求設計優化目標和約束條件,建立鉆速優化模型.之后,采用混合蝙蝠算法求解模型獲得最優的鉆進操作參數,指導鉆進過程.

2.1 數據去噪與特征選擇

為了保障鉆速優化模型和模型運行結果的可靠性,需要在建模前對鉆進數據執行數據預處理操作,主要包括數據去噪與特征選擇.

數據去噪的目的是清洗鉆進過程數據,避免模型受到數據噪聲、異常數據等不利影響.因此,為了提高模型精度,本文采用多變量小波濾波方法對原始鉆進過程變量進行濾波去噪處理,將去噪后數據作為模型訓練數據.

特征選擇的目的是為鉆速預測模型選取合適的輸入特征,降低模型輸入冗余對模型預測精度的不利影響.針對鉆進過程變量之間存在強非線性、多變量耦合等復雜特性,傳統的Pearson 相關分析、Spearman 相關分析等方法難以有效衡量過程變量間的強非線性,因此,本文采用互信息分析（mutual information,MI）方法分析鉆進過程變量之間的相關性,確定合適的模型輸入特征.

具體流程如下：基于鉆進過程變量的時間序列數據,計算出不同變量間的互信息值,值越大表示變量間相關性越強；依據互信息值和鉆進過程特性,篩選出與鉆速相關性強的過程變量；刪除這些變量間強相關的耦合變量,確定出最終的模型輸入特征變量.

2.2 鉆速預測模型建模

實現鉆速優化,準確預測鉆速是必要前提和重要基礎.為了準確捕獲、表征鉆速的動態變化,結合大數據分析和機器學習方法,建立精度高、泛化能力強的鉆速預測模型至關重要.

GPR 是一種基于貝葉斯推理和統計學習理論的機器學習方法,具備處理非參數回歸的優秀能力,適合解決高度非線性、高維的復雜回歸問題.因此,結合考慮實際鉆進過程的過程特性和數據分布特征,本文采用GPR 方法來建立鉆速預測模型,以獲得良好的預測性能.

基于前述的特征選擇方法,與鉆速強相關的4個過程變量,鉆壓、轉速、泵量和扭矩,被確定為鉆速預測模型的輸入特征,定義為X.對于其時間序列X=[X1,…,Xn],GPR 模型基本函數f（X）=[f（X1）,…,f（Xn）]服從多元高斯分布,則稱其為高斯過程,記為：

依據多元高斯分布的條件概率分布公式,模型輸出的后驗概率分布表示如下：

另一方面,隨著鉆進過程的深度、地層發生變化,實時鉆進數據的動態響應和變化趨勢經常發生改變,而靜態預測模型難以適應其復雜變化.本文設計一種基于滑動時間窗口技術的動態建模方法.在訓練過程中,模型訓練集隨著時間窗口的滑動進行動態更新,進而改變預測模型的內部結構和超參數,以獲得更好的預測性能.動態預測模型具有及時學習新數據特征的能力,從而保證了模型的高適用性.

2.3 鉆速智能動態優化與決策

為了提升鉆進效率,以最大化鉆速為優化目標,以鉆壓、轉速、泵量為決策變量,針對現場實際情況設計約束條件,建立鉆速優化模型.

2.3.1 優化目標

在地質鉆探鉆進過程中,在特定地質條件下,主要通過調整鉆進操作參數的設定值來提高鉆進效率.因此,基于前文建立的鉆速預測模型,鉆速優化模型的優化目標函數可表示如下：

其中,WOB、BPM 和Q 是決策變量,分別表示鉆壓、轉速和泵量.TRQ 表示扭矩.ROPHGPR（·）代表鉆速預測模型,其輸出值作為優化目標.

2.3.2 約束條件

1）鉆進操作參數設備約束

受限于鉆進現場設備情況,鉆進操作參數需要約束在上下限值內,即：

2）鉆速范圍約束

受限于鉆進現場設備和地層條件,實際鉆速存在上下限值,即：

3）鉆進操作參數工藝約束

為了保障鉆進過程的安全和效率,鉆進操作參數不能同時設定為其限制值,即：

4）鉆頭使用壽命約束

在操作參數的不同組合下,鉆頭磨損程度不同.為了保障鉆頭使用壽命,建立約束如下：

2.3.3 優化算法

由上述約束條件可知,鉆速優化問題是典型的具有非線性約束的非凸優化問題,需要選擇合適的優化算法來解析模型,獲得合理的最優解.

為了避免優化過程容易陷入局部最優,本文采用混合蝙蝠算法來優化所建立的鉆速優化模型,求解鉆壓、轉速和泵量的最優組合,以此指導鉆進過程.算法流程如圖5 所示.

在優化過程中,采用滑動時間窗口技術來動態更新鉆速預測模型,進而動態更新鉆速優化模型,實現鉆進操作參數在線優化.

3 案例仿真與結果分析

基于地質鉆探智能云監控系統,采集湖北省襄陽市某2 000 m 地熱井實鉆數據,開展案例仿真實驗,以驗證本文方法的可行性和有效性.

3.1 數據預處理

現場通過各類傳感器檢測井深、鉆壓、轉速、鉆速、扭矩、泵量等過程參數,采樣頻率為1 Hz.面向海量實鉆數據,為了保證模型預測精度和優化結果可靠性,需要對原始數據進行數據預處理,以提高數據質量.具體操作流程如下.

1）正常鉆進數據篩選

除正常旋轉鉆進之外,鉆進過程還需執行提下鉆、接單根等必要操作,以維持鉆進過程正常運行.這些操作所產生的數據與正常鉆進數據之間存在較大差異,在模型訓練過程中會影響模型精度.因此,有必要從原始鉆進數據中篩選出正常鉆進數據進行建模.

通過查看井場的鉆井日志和班報表,可以獲得正常鉆進時間和非正常鉆進時間的相關信息.基于這些信息,參照鉆進時間和井深,可以有效挖掘出正常鉆進數據,實現數據初步預處理.

2）數據去噪處理

受復雜地質環境、鉆進工藝、傳感器等多種因素的綜合影響,鉆進過程中所采集的實鉆數據常具有尖峰和毛刺等噪聲.這些噪聲會產生奇異數據樣本,容易對預測模型精度造成不良影響.

為了降低低質量數據對鉆速預測模型精度的不良影響,本文采用多變量小波濾波方法進行數據去噪處理,實現在有效消除數據噪聲的同時,保留鉆進數據原有特征和鉆進變量間強相關性.

3）數據標準化處理

為了消除鉆進變量量綱對預測模型性能的影響,本文采用min-max 標準化方法來標準化處理鉆進數據,統一數據量綱在[0,1]范圍內.

3.2 鉆速預測結果

基于數據預處理后的正常鉆進數據,以3 min 為滑動時間窗口,取各鉆進過程變量時間序列的平均值作為模型數據樣本.經過處理,獲得500 組數據樣本,其中,400 組數據作為模型的訓練集,100 組數據作為驗證集.

在模型訓練過程中,采用混合蝙蝠算法來優化預測模型的超參數,并結合十折交叉驗證方法來提升模型泛化能力,避免出現過擬合現象.在此基礎上,運用滑動時間窗口技術來滑動更新數據集：在每次訓練、預測完一組數據后,將該組原始數據滑動放入訓練集,并移除訓練集中第1 組數據,實現訓練數據集更新；然后基于新數據集重新訓練模型,實現模型結構和超參數動態更新.通過這種方式,實時更新預測模型,實現動態預測建模,以保證模型性能和高適用性.

基于動態建模技術,鉆速預測結果如圖6 所示.可以看出,動態預測模型實現了實際鉆速變化趨勢的良好跟蹤,具有較高的預測精度.對比靜態建模方法,隨著模型結構和參數的動態更新,動態模型能夠更準確地預測鉆速,甚至實現零誤差預測,整體誤差更低.

圖6 鉆速預測結果Fig.6 Prediction results of ROP

從預測誤差率圖可以看出,對比鉆速實際值,模型預測誤差基本控制在10%以內,在誤差允許范圍內.對比靜態建模方法,動態預測結果整體誤差率更小、更集中,以及在多數點出現零誤差率預測.此外,較大誤差率通常出現在實際鉆速發生突變的情況.但是,隨著時間窗口滑動和模型動態更新,預測模型能夠迅速捕獲到實際鉆速的動態變化,并及時跟蹤上其變化趨勢.

綜上,本文建立的鉆速動態預測模型具有高預測精度和良好的泛化能力,為實現鉆速優化奠定了良好基礎,足以滿足鉆進現場的工程需求.

3.3 鉆速優化結果

基于鉆速動態預測模型,結合鉆進約束條件,建立鉆速優化模型.采用混合蝙蝠算法和滑動時間窗口技術動態優化模型,實現鉆進操作參數實時動態優化.優化結果如圖7 所示.

圖7 鉆速優化結果Fig.7 Optimization results of ROP

對比實際鉆速,模型優化鉆速整體上得到了較大提升,即鉆進效率提高.尤其在實際鉆速比較小的區域,優化鉆速的提升幅度更大.這種現象表明,當時鉆進狀態處于低效率鉆進,需要調整鉆進操作參數來提高鉆進效率.

另外,通過對比平均鉆速發現,優化后的鉆速比實際鉆速在整體上提高了近10%,體現了鉆速優化模型的有效性和可行性.

對比現場操作參數設定值發現,所提方案決策的鉆壓降低、轉速升高；從現場井上鉆柱振動情況來看,對比現場原本的高鉆壓、低轉速工作模式,系統指導下的工作模式有效減弱了鉆柱振動程度,保障了穩定、安全、高效的鉆進過程.

因此,本文所建立的鉆速智能優化模型通過實時動態地優化鉆進操作參數,指導實際鉆進操作,不僅能夠有效提升鉆進效率,還不會降低過程穩定性,符合現場高效鉆進的實際工程需求.

4 結論

面向地質鉆探鉆進過程智能控制、優化與決策的需求,本文設計了一種地質鉆探智能云監控系統,并對其系統架構和關鍵技術進行了分析,最后落地現場進行實際工程應用.基于智能系統,面向井場高效率鉆進的工程需求,開展了鉆速智能優化方案的案例仿真.結果表明,本文所提方案能夠有效提升鉆進效率,具有良好的工程適用性,在地質鉆探行業具有廣闊的應用前景.