深水鉆井機械鉆速優化分析

閆華，高季楓，安然

（中國石油集團渤海鉆探工程有限公司管具與井控技術服務分公司，天津 300280）

目前，地質勘探結果表明，海洋中同樣含有豐富的石油資源，甚至海洋中的石油資源與陸地上的石油資源相比儲量更加豐富。相關研究表明，57%的海洋面積為適合儲藏油氣資源的地質，僅我國探明的海洋石油資源就已經達到200 多億噸，可見海洋中的石油儲量較為豐富。但是，海洋石油開采成本較高，而且風險較大，容易出現污染情況。海洋石油開采主要采用深水鉆井機械鉆進，鉆進效率越高，則開采成本越低，鉆井成本固定的情況下，鉆進深度越高，開采的石油資源越多，因此，如何在保證安全的情況下對深水鉆井機械鉆速進行控制是主要難題。本文主要從深水鉆井機械鉆速經典預測模型角度入手，采用機器學習深度優化方法探究深水鉆井機械鉆速與其他參數的最佳組合情況。

1 深水鉆井機械鉆速影響因素

（1）壓力。深水鉆井機械鉆壓與鉆速呈線性關系，但是，鉆壓過大或過小的情況下，都會導致鉆速過低，甚至會出現鉆頭陷入巖層的情況。當鉆壓超過鉆壓的門限鉆壓情況下，鉆壓越大則鉆井速率越大，門限鉆壓與巖石性質和外界作用條件相關。

（2）巖屑床。深水鉆井機械鉆進過程中，泥漿中的巖屑會不斷增加泥漿液柱的壓力，若不能及時清理巖屑，則容易產生巖屑床。巖屑床會導致流體流動速度增加，最終導致壓降情況更加嚴重，進而對深水鉆井機械鉆速產生更大影響。

2 深水鉆井機械鉆速經典預測模型

（1）水力模型。深水鉆井機械鉆速常規水力模型指深水鉆井模型和延伸井模型，前者在垂直井和小斜度井中應用比較常見，后者在大角度延伸井中應用比較常見。水力模型中深水鉆井機械鉆速受鉆井液密度、鉆井液流變性、泥漿泵的輸出壓力、井眼和鉆具的幾何參數、巖屑的尺寸和形狀、機械鉆速、井斜角、鉆具的旋轉速度、鉆具的偏心率等因素影響。常規的深水垂直鉆井中，孔隙壓力／破裂壓力梯度較小時，鉆具旋轉對環空壓降具有一定影響，但是該影響不如以上因素。

（2）預探井模型。深水鉆井機械鉆速常規預探井模型在大井徑井段鉆井液環空流速很低，對泥漿泵的容量有一定約束，在立管上裝增壓器能夠清理巖屑，機械鉆速不超過一定標準的情況下，巖屑清洗效果能夠提高。但是排量增加的情況下能夠降低巖屑濃度，因此，可以根據巖屑尺寸、泵排量、地面鉆井液密度、有效井眼密度、孔隙壓力、破裂梯度、當量循環密度、循環時間、有效機械鉆速等指標對深水鉆井機械鉆速進行預測。若預探井模型針對的是超深水井鉆機，則減小井底鉆具組合堵塞的可能性的接單根的最短循環時間，機械轉速與接單根和循環時間相互配合調整，可以更好地預測當量循環密度。

（3）傳統模型。傳統模型適用于任何鉆頭類型的鉆井，該模型下深水鉆井機械鉆速主要影響因素包括鉆井壓力、轉速、鉆頭直徑、地層巖性參數。模型公式如下所示：

式中，鉆井速率用ROP 表示；鉆井壓力用WOB 表示；轉速用RPM 表示；鉆頭直徑用Db 表示；地層巖性參數用α和β表示。

（4）鉆頭磨損模型。鉆頭磨損模型在PDC 鉆頭的鉆井過程中適用，該模型下深水鉆井機械鉆速受鉆頭磨損的因素被考慮其中，主要影響因素包括巖石強度、磨損程度等。模型公式如下所示：

式中，鉆井速率、鉆井壓力、轉速、鉆頭直徑參數意義同上；巖石強度用UCS 表示；磨損程度用Wf 表示；α和γ表示固定參數。

（5）八因素模型。八因素模型主要對地層強度、地層壓實、地層孔隙度、井底壓差、鉆頭直徑、轉速、鉆頭牙齒磨損、水力八種因素與深水鉆井機械鉆速之間的關系進行描述。模型公式如下所示：

式中，鉆井速率參數意義同上；地層強度、地層壓實、地層孔隙度、井底壓差、鉆頭直徑、轉速、鉆頭牙齒磨損、水力分別用f1～f8表示；f1～f8因素對鉆井速率的影響分別用a1～a8表示。

（6）地質修正模型。地質修正模型將地質情況對鉆井速率的影響考慮其中，主要影響因素包括鉆壓、壓差影響系數、水力凈化系數、鉆頭牙齒磨損高度和牙齒磨損因素、地質情況。模型公式如下所示：

式中，鉆井速率、鉆井壓力、轉速參數意義同上；鉆壓用M 表示；壓差影響系數用Cp 表示；水力凈化系數用Ch 表示；鉆頭牙齒磨損高度用h 表示；牙齒磨損因素用C2表示；地質情況對鉆井速率的影響用Kr表示。

3 深水鉆井機械鉆速優化方法

3.1 機器學習模型

機器學習指通過訓練不斷對算法模型進行構建和完善，最終根據算法優化模型參數得到最優模型效果。機器學習訓練首先通過訓練數據進行數據分析，并通過特征共存得到訓練集和驗證集兩部分，驗證集通過算法選則、建模評估、算法調優等流程得到最終模型，其中算法調優也可以通過建模評估、算法選則各階段回到訓練集重新得到算法選擇結果，算法調優是不斷完善和循環往復的過程。

目前機器學習模型最常見的是集成樹模型、人工神經網絡模型、循環神經網絡模型。其中集成樹模型是在決策樹模型演化而來的，集成樹模型按照邏輯結構可以將訓練樣本分為多個基學習器，然后每個基學習器通過訓練得到不同權重，而且訓練后通過的樣本進入下一個基學習器進行訓練的，最終通過多批次訓練賦予不同權重，即可得到集成模型。人工神經網絡模型基本架構分為輸入層、隱含層、輸出層，通過信息的逐層提取及過濾，將數據間潛在的聯系提煉出來，但是也帶來了大量隱含權重的學習問題。循環神經網絡模型通過反向傳播算法進行學習和門控機制產生了長短期記憶神經網絡，每個神經元網絡結構都具備有效處理時間序列數據的能力。

3.2 優化算法

深水鉆井機械鉆速優化算法采用模擬退火算法，首先設定目標函數f（w）、優化初始值w，通過擾動產生新解w1，比較w1是否在約束范圍內，若是則進入下階段，若不是則沖洗通過擾動產生新解。w1在約束范圍內，則計算目標函數f（w1），△f = f（w1）- f（w），若△f ≤0 則接受新解（w=w1，f（w1）=f（w）），若△f＞0 則按照Metropolis 準則接受新解，最后根據是否得到迭代次數判斷是否進入下個循環。若未得到迭代次數則重新擾動產生新解，若得到迭代次數則查看是否滿足終止條件，如果滿足則運算結束得到最優解，不滿足則緩慢降低溫度重置迭代次數通過擾動產生新解，重新進入循環，直到滿足終止條件得到最優解。

4 深水鉆井機械鉆速優化預測系統設計

4.1 系統組成

深水鉆井機械鉆速優化預測系統由實時鉆井平臺、鉆速優化模塊、鉆速預測模塊、數據預處理模塊、智能控制模塊、數據管理模塊組成，其中鉆速優化模塊包括模擬退火、圖像化展示、分析報告等功能；鉆速預測模塊包括神經網絡、隨機森林、集成樹模型等機器學習模型；數據預處理模塊包括數據清洗、數據轉化、離群點去除等功能。智能控制模塊與實時鉆井平臺之間存在安全傳輸協議，可以與鉆速優化模塊、鉆速預測模塊、數據預處理模塊、數據管理模塊進行交互。數據管理模塊包括動態數據庫、靜態數據庫、日志數據庫、賺錢設計參數庫等內容，需要對模型進行更新。

4.2 智能控制模塊

智能控制模塊需完成模型周期性更新的任務，主要負責鉆井速率實時預測數據的獲取、傳輸、管理、調度，檢查數據格式無誤后，同時，將數據傳送至數據管理模塊和數據預處理模塊，數據預處理模塊完成數據的去噪、填充、歸一化等操作。

4.3 數據管理模塊

數據管理模塊主要功能為動態數據、靜態數據、日志數據、設計參數管理，其中動態數據參數主要包括大鉤懸重、大鉤速度、大鉤高度、鉆井速率、轉速、鉆壓、扭矩、鉆頭鉆進時間、鉆頭鉆進距離、鉆頭直徑、門限鉆壓、鉆頭垂直深度、鉆頭深度、返回深度、延遲時間以及出入口泥漿流量、溫度、電導等參數。

4.4 數據預處理模塊

數據預處理模塊主要功能包括動態數據篩選剔除、靜態數據轉換、數據格式轉換、參數篩選、缺失值填充、數據分段、數據縮放、實時數據清洗、無效值篩除、離群數據去除。

4.5 鉆速預測模塊

鉆速預測模塊首先準備訓練集、驗證集和測試集數據，然后根據出入口流量、大鉤載荷、扭矩、鉆井壓力、鉆井液密度、機械鉆速等參數得到鉆井速率預測模型，最后根據該模型得到最佳鉆進速率預測結果。

4.6 鉆速優化預測模塊

鉆速優化預測模塊必須解決鉆頭損耗、平臺費用等問題，入口泥漿流量、泥漿重量、鉆頭液壓相關的參數必須滿足相關約束條件。例如，鉆井參數及鉆井速率不能超出設計范圍，鉆井參數不能出現跳躍式變化，否則，鉆速優化預測模塊不能滿足安全性要求。

5 深水鉆井機械鉆速優化預測系統數據處理方法

5.1 離群點檢測方法

深水鉆井機械鉆速優化預測系統離群數據必須剔除，這些數據不符合客觀規律，屬于突發因素，而且與實際數據不符合，常見原因為傳感器故障。因此，常用統計檢測、聚類檢測、密度檢測和模型檢測等方法提出超出正常范圍的種群數據，確保留下的數據符合數據正常分布規律。統計檢測常用3σ 方法檢測，聚類檢測常用Kmeans 方法檢測，密度檢測常用LOF 方法檢測，模型檢測常用線性回歸等模型對偏離模型曲線的數據進行檢測。

5.2 Savitzky-Golay 濾波時序數據融合處理方法

Savitzky-Golay 濾波時序數據融合處理方法主要對以上離群點檢測方法進行融合，對以上離群點檢測方法的離群計算結果進行集成后比較是否超出閾值范圍，超出閾值范圍的為離群數據，未超出離群閾值范圍的為正常數據，直接進行Savitzky-Golay 濾波處理流程，得到最終數據。

5.3 Savitzky-Golay 濾波時序數據融合處理效果

3σ 方法檢測、Kmeans 方法檢測、LOF 方法檢測的訓練時間相近，訓練集、驗證集、測試集的均方根誤差也相近。而以上離群點檢測方法集成后訓練時間增加了一倍左右，但是，訓練集、驗證集、測試集的均方根誤差均顯著下降，因此Savitzky-Golay 濾波時序數據融合處理方法有效。

6 深水鉆井機械鉆速優化預測模型實現

6.1 優化預測模型

深水鉆井機械鉆速優化預測模型應該具備精確預測井下泥漿密度、壓力降、流體水力參數、當量循環密度、機械鉆速、鉆井水力參數、巖屑尺寸、鉆頭尖銳情況、巖屑濃度等因素對深水鉆井機械鉆速之間關系的能力。深水鉆井機械鉆速優化預測模型存在的問題是數據噪聲嚴重，尤其是地質數據參數信息，海洋鉆井環境比陸地鉆井環境更加惡劣，因此，在導入訓練數據優化預測模型之前，必須采用離群點檢測方法對數據進行處理，這樣才能得到更加精準的深水鉆井機械鉆速優化預測結果。

6.2 深水鉆井機械鉆速預測方法

以集成樹模型為例，深水鉆井機械鉆速優化預測模型通過對鉆井既往數據和其他鉆井數據的學習，能夠在訓練過程中尋找最優模型參數。設置集成樹模型的最大數數目、最大深度、葉子節點權重、隨機采樣比例、L2正則項權重、學習率等主要參數后，通過模擬擬合即可對不同參數下深水鉆井機械鉆速優化預測模型的訓練時間和均方根誤差進行比較，選擇其中最優的數據繼續優化，調整模型樹深度，查看訓練時間變化情況，最終選擇訓練時間最短且均方根誤差最小的數據進行訓練，這樣訓練集的損失逐漸下降，模型效果漸漸收斂。

6.3 深水鉆井機械鉆速優化

模擬退火算法下對不同鉆頭直徑下鉆井速率提升情況進行運算，最終分別計算出不同鉆頭直徑所對應的鉆井速率提升率，根據鉆井速率提升率變化情況，即可選擇合適鉆頭直徑，這樣再對鉆壓、轉速、鉆井液入口流量進行優化，才能進一步優化深水鉆井機械鉆速。

6.4 深水鉆井機械鉆速優化系統應用

深水鉆井機械鉆速優化系統應用后，應該分別對觀察階段下鉆壓和機械轉速的真實參數進行統計，并計算出深水鉆井機械鉆速優化后的提升率，現場操作人員可以根據實際安全閾值適當調整鉆壓和鉆井速率參數，查看該優化系統的有效性和安全性是否能夠滿足要求。

7 結語

綜上所述，深水鉆井機械鉆速優化可以基于統計檢測、聚類檢測、密度檢測和模型檢測等方法對離群數據進行提出，最后通過機器學習模型和經典預測模型預測最佳鉆速優化指標，為現場人員提供指導。