自然語言方法提取油井修井施工信息提高智能化效率

關鍵詞/主題詞：人工智能；大數(shù)據；算法；修井；數(shù)字經濟；室內測試；新質生產力；油氣改革

0引言

修井作業(yè)作為在油氣開發(fā)復雜且漫長的過程中的關鍵環(huán)節(jié)，是確保油氣井正常運行、提高油氣產量的重要手段和方法［1］。當前，修井作業(yè)施工方案的制定大多依賴于人工經驗和歷史數(shù)據。這種依賴經驗的方式雖然在一定程度上保證了作業(yè)的順利進行，但由于人工經驗的局限性和應對復雜問題的能力不足，方案的制定效率低，且無法全面考慮到修井過程中潛在的各種事故隱患及其復雜的關聯(lián)關系［2］。

此外，許多成功的修井作業(yè)方案在作業(yè)完成后并未被充分利用，這些方案文本中涵蓋諸多復雜工序，例如洗井、壓井、沖砂、檢泵等作業(yè)環(huán)節(jié)的施工內容與技術細節(jié)，蘊含了大量寶貴的專家知識與經驗，其中包含了大量的修井施工技術細節(jié)、操作注意事項、處理應急情況的方法等，有助于后續(xù)作業(yè)方案的優(yōu)化。有效地挖掘和利用這些專家知識，不僅能夠顯著提高修井作業(yè)的效率，還能降低作業(yè)過程中的風險，提升油氣田的開發(fā)效率［3］。修井知識挖掘的目的是通過分析和提取修井過程中的關鍵數(shù)據、操作經驗和技術要點，幫助提升修井作業(yè)的效率和安全性。通過對歷史修井記錄、設備性能、地質信息以及施工環(huán)境等多維數(shù)據的挖掘，可以發(fā)現(xiàn)潛在的規(guī)律和優(yōu)化點，從而指導未來修井工作中的決策制定，減少故障發(fā)生，降低成本，并提高井下作業(yè)的成功率［4］。

目前深度學習、機器學習等人工智能技術在全球油氣工業(yè)領域內被廣泛運用，智慧地質、智慧鉆井以及智慧油田的概念相繼被提出，但是針對對石油領域的知識挖掘研究較少，與其他熱門行業(yè)相比，其發(fā)展程度尚顯不足［5］。這導致石油行業(yè)在面對復雜的勘探、開采與生產等環(huán)節(jié)時，難以充分利用數(shù)據資源挖掘潛在價值。例如，在油藏描述方面，若缺乏高效知識挖掘，可能導致對儲層特征與流體分布的認識不夠精準，從而影響開采方案制定［6］。從技術層面看，石油領域數(shù)據具有多源性、復雜性和專業(yè)性等特點，傳統(tǒng)知識挖掘方法適應性較差。而深度學習等新興技術雖有潛力，但因起步晚、專業(yè)人才匱乏等，應用尚未普及［7］。同時，石油企業(yè)對知識挖掘重視程度不一，部分企業(yè)因投入成本與回報周期等考量，在相關技術研發(fā)與應用上積極性不高，這也在一定程度上制約了石油領域知識挖掘工作的推進與發(fā)展，不利于行業(yè)的長遠創(chuàng)新與競爭力提升［8］。因此，提供一個高效可靠的修井知識挖掘與分析方法顯得尤為迫切。

修井知識挖掘方法的本質是尋找具有一定關聯(lián)的文本對，例如清水-洗井和壓井-壓井液，在這些具有關聯(lián)關系的文本對中總結出修井方案中所存在的知識［9］。為了解現(xiàn)有油氣領域內容的修井知識挖掘方法研究現(xiàn)狀，文章對現(xiàn)有的修井知識挖掘方法進行了調查研究。調研發(fā)現(xiàn)修井知識挖掘的方法通常可劃分為兩類，一類是基于統(tǒng)計規(guī)則的方法，通過細致統(tǒng)計數(shù)據里的各種規(guī)律、頻次以及關聯(lián)關系，挖掘出潛在的知識要點［10］。另一類則是基于深度學習的方法，借助深度神經網絡架構強大的學習能力，使模型自主學習數(shù)據復雜的特征與模式，從大量數(shù)據中深度探尋知識［11］，二者各有側重。

基于統(tǒng)計學的知識挖掘方法主要是從海量的數(shù)據文本里，通過統(tǒng)計各個文本對出現(xiàn)的次數(shù)，進而將其作為判斷是否為知識的重要依據，關聯(lián)規(guī)則挖掘是一種被廣泛應用且成效顯著的知識挖掘途徑，具備較高的計算準確性和可靠性［12］。Apriori算法在關聯(lián)規(guī)則挖掘領域占據著重要地位。例如，Kim等學者提出利用Apriori文本挖掘方法，專門針對健康大數(shù)據進行深度挖掘，成功地提取出關聯(lián)特征信息，極大地推動了健康產業(yè)大數(shù)據的應用與發(fā)展，為健康領域的數(shù)據化研究提供了新的思路與方法［13］。陳碧云等研究者則采用關聯(lián)規(guī)則挖掘技術，借助Apriori算法深入剖析規(guī)則，進而提出誘因的誘發(fā)度計算方法，他們通過對某區(qū)域近5年的事故實例展開全面的關聯(lián)分析，有效地驗證了該方法的科學性與有效性，為事故預防與分析提供了有力的技術支撐［14］。于溪芮等以827起氫系統(tǒng)安全事故為數(shù)據集，通過構建事故致因網絡、交互分析致因與后果及Apriori算法，得出多種事故致因組合及事故與相關因素強關聯(lián)結論，為氫安全領域的事故防范做出了貢獻［15］。隨著研究的深入推進，Apriori算法也暴露出一些局限性，例如算法效率低，同時知識挖掘片面。盡管后續(xù)出現(xiàn)了Apriori的變種算法，但依然難以徹底解決其固有問題。例如，國漢軍等在動火作業(yè)事故原因的知識關聯(lián)分析中，運用內外理論與Apriori算法雖取得了一定成果，推動了動火作業(yè)事故預防領域的進步，但是Apriori算法由于其計算開銷較大，并且只能進行關聯(lián)規(guī)則的靜態(tài)挖掘，使得算法執(zhí)行效率較低［16］。這不僅導致知識挖掘的過程耗時較長，而且在挖掘結果上難以做到全面、系統(tǒng)，往往會遺漏一些潛在的關聯(lián)信息，具有片面性。

基于深度學習的知識挖掘方法主要以深度學習網絡為核心，并結合回歸等有監(jiān)督方法展開，這些有監(jiān)督方法能夠依據已標記的數(shù)據進行學習與分析，從而挖掘出潛在的知識模式與規(guī)律。在油氣田領域，鐘儀華等研究者運用深度卷積網絡和循環(huán)神經網絡，致力于對油氣田知識進行深度挖掘與精準預測。然而，油氣田開發(fā)是一個極為復雜的過程，具有顯著的時空動態(tài)變化特性以及復雜的多變量相互依賴關系，在這種情境下，卷積神經網絡和循環(huán)神經網絡暴露出了一定的局限性［17］。例如，面對油田開發(fā)中長時序依賴的數(shù)據，它們難以精準地捕捉到遠距離數(shù)據之間的關聯(lián)關系。在處理多模態(tài)數(shù)據時，由于數(shù)據來源的多樣性和復雜性，模型的泛化能力較弱。此外，盡管目前提出了借助模型庫和知識庫來篩選最佳預測模型的思路，但在實際操作中，如何高效且自動地從海量的模型中準確甄別出最為合適的那一款模型，依舊是橫亙在研究者面前的一道難題［18］。海量的模型意味著龐大的搜索空間，要在其中快速定位到最優(yōu)解難度較大。并且，當前深度學習方法在實際應用場景中，對計算資源的消耗量極大，這無疑增加了研究與應用的成本。同時，調參過程也極為復雜，不同的參數(shù)設置可能會導致模型性能的巨大差異，需要耗費大量的時間與精力去反復調試，這些都在一定程度上制約了基于深度學習的知識挖掘方法在油氣田開發(fā)等領域的廣泛應用與深入發(fā)展［19］。

在基于深度學習的知識挖掘方法中，能夠以較高精度識別文本數(shù)據中的知識實體是開展知識挖掘工作的重要前提條件。命名實體識別作為自然語言處理領域的一項核心任務，其主要目標是從繁雜的文本當中自動且精準地識別并分類特定的實體類型，涵蓋了人名、地點、組織機構名等豐富類別［20］，可以勝任修井知識的提取識別。在油氣開發(fā)這一特定領域，命名實體識別已經得到初步的應用實踐。為有效挖掘石油生產數(shù)據，鑒于傳統(tǒng)統(tǒng)計模型及部分現(xiàn)有深度學習方法在命名實體識別方面存在不足，如傳統(tǒng)統(tǒng)計模型依賴大量注釋語料庫、部分深度學習方法信息傳遞或特征提取有缺陷，任偉建等提出基于XLBIC（XLNet-BiGRUIDCNN-CRF）的命名實體識別模型，該模型在自建石油開采數(shù)據集上對多數(shù)實體識別效果良好［21］。然而，XLBIC模型未考慮不同油田或更廣泛石油文本場景下的適應性，在遭遇非標準化或者超出油氣開發(fā)領域范圍的文本時，其適應能力略顯不足，在處理這類文本時可能會出現(xiàn)識別錯誤或遺漏等情況。鐘源等研究者則聚焦于油氣勘探領域知識構建，提出了BiLSTM+CRF模型。該模型能夠出色地完成實體、屬性抽取模型的訓練任務，在油氣勘探知識挖掘方面展現(xiàn)出一定的潛力然而，其訓練過程不可避免地會受到標注數(shù)據量和質量的雙重限制［22］。例如標注數(shù)據量過少，模型可能無法充分學習到各類實體和屬性的特征，標注數(shù)據質量不高，例如存在標注錯誤或模糊不清的情況，也會對模型的訓練效果產生負面影響，進而制約模型在實際應用中的準確性和可靠性［23］。

綜上所述，無論是基于統(tǒng)計學的方法還是有深度學習的方法，目前均存在算法效率較低，挖掘知識不全面的問題，同時命名實體識別作為有監(jiān)督挖掘方法的前提，對修井知識的識別精度無法保證，缺乏較強的泛化能力［24］。因此，如何結合現(xiàn)代先進的人工智能技術，尤其是利用深度學習和關聯(lián)規(guī)則分析方法系統(tǒng)地提取和利用修井知識，成為了當前研究的熱點。

通過對上述各類方法的優(yōu)缺點對比分析，可得出單一的方法難以高效解決修井知識挖掘的問題的結論。因此，提出了一種面向施工方案文本的兩階段修井知識智能分析與挖掘方法。該方法融合了深度學習與關聯(lián)規(guī)則挖掘方法，為高效理解修井施工文本開辟了行之有效的新路徑。在施工方案文本的實體提取階段，文章提出一種基于標簽權重的改進注意力機制IAMILW，以明確不同位置標簽的語義角色，并與預訓練權重模型Bert［25］和時序模型BiLSTM共同構成修井知識實體提取模型Bert-BIIAM。在關聯(lián)規(guī)則挖掘階段，設計一種融合貝葉斯方法和Hash樹的改進的BH-Apriori算法，以提高大量設計施工設計方案文本中修井知識的利用率，為后續(xù)修井過程的智能化提供指導。主要創(chuàng)新點如下：

（1）針對當前修井作業(yè)施工記錄中知識未得到充分利用的問題，提出了一種融合深度學習與關聯(lián)規(guī)則挖掘的面向施工方案文本的兩階段修井知識智能分析與挖掘方法。

（2）針對當前BiLSTM+CRF、Bert等模型在修井文本實體識別的精度不高，設計了一種基于融合標簽加權的改進注意力機制，并組成Bert-BIIAM模型。

（3）針對傳統(tǒng)Apriori算法在規(guī)則挖掘的時效性低以及計算復雜度高，提出了BH-Apriori算法以提高算法時效性并保證關聯(lián)規(guī)則的質量。

1方法過程

1.1研究方法過程

修井施工文本包含工程質量控制、進度控制與安全管理等相關內容，諸如施工周報、安全隱患排查報告等，其為修井工程建設的具體呈現(xiàn)。修井工程施工關聯(lián)多元管理主體與不同工程單元，施工文本信息記錄有差異，所以從多源文本提取有效信息是文本挖掘的重要前提［26］。

考慮到單一的統(tǒng)計學方法與深度學習方法無法處理此類復雜文本，因此針對修井施工設計中的文本內容，結合命名實體識別和關聯(lián)規(guī)則的方法，提出融合深度學習與關聯(lián)規(guī)則相結合的兩階段修井實體知識挖掘及分析方法。設計方案文本的修井知識挖掘方法及流程為：

（1）收集修井施工文檔，分析施工方案文檔中需要做出知識實體識別的類別數(shù)量，建立分類為措施、指標、現(xiàn)象以及物質的實體知識標簽體系，同時，對施工方案進行知識識別和知識挖掘的數(shù)據預處理，剔除冗余文本項；（2）基于Bert-BIIAM模型，對經預處理的施工方案文本數(shù)據進行修井實體知識的識別提取，建立措施、物質、現(xiàn)象以及指標的知識實體集合，完成關聯(lián)規(guī)則挖掘的數(shù)據準備；（3）對識別提取到的四類知識實體集合，做出基于BH-Apriori算法的關聯(lián)規(guī)則挖掘，分析不同知識集合內的知識實體之間的關聯(lián)程度，并總結出相關的修井知識；（4）以具體的修井施工方案文本為例，按照（1）（2）（3）所述步驟總結提取施工文本中所蘊含的知識，并分析不同知識類別之間的關聯(lián)程度。

1.1.1修井知識實體識別方法

在施工方案設計的修井知識提取過程中，存在一條文本中可能出現(xiàn)長短不一的實體，同一個實體在不同的文本扮演不同的語義角色，容易誤抽取出指定實體之外的關鍵詞或短語的三個知識抽取難題。具體如下：

（1）一條文本中可能出現(xiàn)長短不一的實體，如在“暫堵劑24m3+清水30m3正沖砂，全部漏失，下完井”文本中“暫堵劑”、“全部漏失”、“沖砂”等；（2）同一個實體在不同的文本中扮演不同的角色，如在“清水30m3，正沖砂，井段：明油三組_1遇阻”和“清水30m3，正洗井，漏失清水10m3”中，“清水”在前者的角色為物質，而在后者中則是物質和現(xiàn)象均有；（3）容易誤抽取出指定實體之外的關鍵詞或短語，如在“活動撈砂井段明油二組_3至明油三組_1遇阻，起出井內全部管柱”中，容易提取出“井段”等不相關實體。

為了解決在修井知識抽取過程中出現(xiàn)的上述難點，提出了Bert-BIIAM模型。Bert-BIIAM整合了預訓練模型Bert、雙向長短時記憶模型BiLSTM以及融合標簽加權的改進注意力機制IAMILW模型，其中Bert憑借其強大的語言表征能力，負責生成輸入文本的詞向量嵌入表示，為文本的初步數(shù)字化編碼提供高維且語義豐富的向量形式［27］；BiLSTM在文本訓練流程中承擔著關鍵任務，通過其獨特的雙向結構特性，有效地提取文本的上下文信息，增強對文本語義連貫性與邏輯性的理解與把握［28］；IAMILW模型則聚焦于實體角色分析，運用融合標簽加權的改進注意力機制，精準計算不同實體在不同位置所扮演角色的概率，從而為深入挖掘文本中的實體關系與語義結構提供有力支持，使得該模型在知識挖掘與文本分析領域具備獨特的優(yōu)勢與應用潛力。

一段待執(zhí)行修井實體識別任務的文本，首先在輸入模型時，會被劃分成一段Token序列，序列中會添加表示文本開始的[CLS]標志位以及[SEP]語句劃分標志位，最終，輸入的Token序列會經過段落嵌入、編碼嵌入和位置嵌入的三種嵌入方式，最終輸出一個可以用來計算的向量［29］。

對于具有時序特性的文本數(shù)據而言，其在LSTM單元中的信息流轉遵循特定規(guī)律，即當前LSTM單元的輸出由上一單元的外部狀態(tài)予以決定［30］。

多頭注意力機制是一種在自然語言處理及其他深度學習領域廣泛應用且極具影響力的技術，其核心原理是基于注意力機制，通過多個并行的注意力頭來計算不同子空間的注意力分布，使它能夠從不同的表示子空間中捕捉輸入序列的特征信息，例如，在處理文本序列時，一個頭可能側重于詞匯語義層面的關聯(lián)，另一個頭則聚焦于語法結構或句子間邏輯關系等方面［31］。這些不同頭的輸出結果在最后會被拼接或進行其他融合操作，從而得到一個綜合了多方面信息、更豐富且全面的序列表示。這種機制有效地增加了模型對輸入信息的感知能力和表達能力，使其能夠更好地處理長序列數(shù)據中的復雜依賴關系和多種特征信息，IAMILW機制基于多頭注意力機制改進［32］，如圖1所示。

從圖1中可以看出，輸入序列首先被分別處理生成K、Q、V三個矩陣，其中K和Q通過矩陣乘法操作后經過激活函數(shù)，再與經過3D卷積、池化和求均值操作的V矩陣進行相乘和拼接操作，得到注意力權重。IAMILW架構通過多個處理路徑，充分利用了多頭注意力機制，能夠從不同角度捕捉輸入序列的特征，融合多方面信息，提升對長序列數(shù)據處理的能力。設一段經過文本信息嵌入表示層輸出的文本序列為P，見式（1）。

對于向量VP，為了可以更好的提取文本中的特征，對這個向量進行了一次卷積和池化操作［33］。為了保持向量的維度信息，在卷積和池化操作中分別選用5×5的卷積核和池化核。

將注意力得分矩陣轉化為一維的向量，向量中的元素代表了實體的標簽類型，輸出這些符合標簽類型的實體，即可得到修井文本中的知識實體。將提取的修井知識實體按照措施、物質、指標和現(xiàn)象組成四類實體集合，為后續(xù)關聯(lián)規(guī)則分析做好數(shù)據準備。

1.1.2修井實體知識關聯(lián)規(guī)則挖掘

在修井施工文本理解分析環(huán)節(jié)，面對大量涵蓋各類施工信息的文本資料，要運用關聯(lián)分析的方法，厘清文本中所闡述的具體工程細節(jié)，精確掌握相應工程所涉及的施工操作步驟以及所需的材料、設備等，以此提煉出工程施工方面的關鍵知識要點。關聯(lián)規(guī)則，旨在從海量數(shù)據中挖掘出頻繁項集以及對應的關聯(lián)關系，從而揭示數(shù)據項之間的潛在關系，這些規(guī)則通常以“前提-結果”的形式表達［34］。Apriori算法在關聯(lián)規(guī)則挖掘中比較常見，主要用于從大量的事務數(shù)據中發(fā)現(xiàn)頻繁項集和關聯(lián)規(guī)則，但其存在明顯的缺點，主要是時間消耗較大，尤其是在處理大規(guī)模數(shù)據集時，計算頻繁項集所需的多次數(shù)據庫掃描導致了算法效率低下［35］。此外，算法依賴于用戶人為設定的最小支持度和最小置信度，這可能導致修井知識挖掘結果的不穩(wěn)定性和不準確性。為了克服上述不足，提出了BH-Apriori算法：引入自適應支持度和置信度計算方法，通過貝葉斯方法更新在每次N項頻繁項集時最小支持度和最小置信度［36］。使得最小支持度以及置信度在關聯(lián)規(guī)則挖掘過程動態(tài)變化，保證挖掘的規(guī)則的質量；利用Hash樹優(yōu)化算法頻繁項集的計算效率，Hash樹可通過將項集進行分組和存儲，有效減少候選集的數(shù)量，從而降低數(shù)據庫的掃描次數(shù)，提高運算效率［37］。

BH-Apriori算法通過初始化的最小支持度與最小置信度分布，掃描整個修井知識數(shù)據集生成可用于知識挖掘的候選項集C1，隨后利用hash和貝葉斯定理動態(tài)更新最小支持度與最小置信度的閾值，實現(xiàn)多項頻繁項集的挖掘，BH-Apriori算法流程圖，如圖2所示。

從圖2中可以看出，對于一個待挖掘的修井知識實體集合D，BH-Apriori算法在挖掘過程中通過比對當前挖掘步驟的支持度、置信度與當前步驟下的最小支持度、最小置信度的大小，輸出頻繁項集，具體流程如下：

（1）掃描修井知識實體集合D，形成1項-頻繁候選集C1并定義最小支持度Smin和最小置信度Cmin的初始分布B；C1L1

（2）從篩選出的候選項集，通過散列函數(shù)，形成散列表［39］，將散列表中的頻繁項的支持度與置信度與最小支持度和最小置信度進行對比，形成1項-頻繁項集；L1C2L2

（3）根據1項-頻繁項集，挖掘2項候選項集，通過散列函數(shù)形成散列表，同時依據散列表，更新最小支持度和最小置信度的B分布，計算B分布的期望作為新的最小支持度和最小置信度，形成2項-頻繁項集；

（4）借助（2）（3）思想推廣至挖掘n項-頻繁項集，判斷是否為空，不為空，則繼續(xù)進行挖掘，為空，則輸出頻繁項集，算法結束。

1.2應用過程

以大港油田2300條修井文本數(shù)據進行實驗，這些文本數(shù)據中包括歷次修井作業(yè)的方案設計、地質設計和舉升設計。每份報告都全面記錄了包括施工進度、資源管理以及工序等可以全面描述修井施工工藝的技術細節(jié)，蘊含了大量的寶貴知識及經驗。通過對這些數(shù)據進行深入挖掘和分析，可以發(fā)現(xiàn)隱藏在其中的規(guī)律和關聯(lián)。例如，在修井方案設計中，不同地質條件下的修井策略往往存在差異，而這些差異在文本數(shù)據中會有所體現(xiàn)［40］。

進一步分析能揭示出特定施工工序與資源投入之間的關系，以及施工進度受地質因素影響的程度。這有助于精準制定未來修井作業(yè)計劃，提高施工效率，降低成本與風險，為大港油田乃至石油領域內的修井工程優(yōu)化提供極具價值的決策參考依據，推動油田開采作業(yè)的可持續(xù)發(fā)展。

1.2.1修井文本數(shù)據預處理

在進行相應的實體識別以及關聯(lián)規(guī)則挖掘任務時，施工記錄中的高度距離和工具型號等因素會對修井知識識別精度產生影響。施工記錄中的高度距離往往存在多種單位和精度表述，而工具型號則可能因型號眾多且復雜而干擾實體識別。這些因素的存在會導致在識別實體過程中出現(xiàn)誤判或遺漏，進而影響到后續(xù)關聯(lián)規(guī)則挖掘的準確性。為了避免這種情況，需要對高度距離和工具型號進行模糊處理。具體而言，采用特殊字符來替代這些高度距離和工具類型，這樣可以減少不必要的干擾，提高實體識別和關聯(lián)規(guī)則挖掘的精準度，保障整個分析流程的有效性和可靠性。

在修井施工方案設計中，采用特定字符代替施工高度，例如“明油一組”等。在“明油一組”所代表的高度范圍內，依據施工文檔中的高度分布，將其進一步劃分，劃分時以50m或100m為間隔形成不同的高度區(qū)間，并用在“明油一組”后加下劃線和數(shù)字的形式來表示這些細分的高度范圍，如“明油一組_2”，對應700m到1400m的深度區(qū)間。這樣在進行知識實體提取時，模型可以根據字符規(guī)則快速識別和提取出相關的高度范圍數(shù)據，有助于從施工文檔中挖掘有價值的信息。同樣，對于在修井施工方案設計文檔出現(xiàn)的具有多種型號的工具進行了模糊處理，例如對（平式）油管、通井規(guī)、平式接箍等具有不同規(guī)格的工具做了編號。對于文檔中出現(xiàn)的其他型號的工具，由于其型號相對固定，因此對其不做模糊處理。

1.2.2施工設計文本實體類型確定

收集的修井施工方案設計文檔包含了修井施工中的地質設計、工藝設計和施工設計。其中，地質設計文檔中包含了對油井的歷次施工作業(yè)記錄簡述，記錄了歷次作業(yè)的目的、采用的工具和方法、出現(xiàn)的問題以及具體的解決措施。工藝設計文檔則側重于闡述具體的修井工藝流程，包括各個環(huán)節(jié)的操作規(guī)范、技術參數(shù)設定以及質量控制要點等。施工設計文檔則著眼于整個施工項目的組織與安排，涵蓋了施工隊伍的組建、施工進度的規(guī)劃、施工設備與材料的調配等方面。

將修井施工方案歷次作業(yè)記錄中出現(xiàn)的實體界定為四個實體知識類型，分別為措施、物質、指標和現(xiàn)象四類，其中措施代表在歷次作業(yè)中采取的各項操作措施，包括井下作業(yè)、壓裂、酸化、堵水等工藝；物質類則表示在作業(yè)過程中使用的各種材料與化學藥劑，如泥漿、封堵劑、鹵水等；指標涉及在作業(yè)過程中設備探入井下的高度范圍，物質材料的用料多少；現(xiàn)象類則記錄了作業(yè)過程中觀察到的井下及地表現(xiàn)象，包括異常現(xiàn)象的出現(xiàn)、設備運行狀態(tài)的變化等。

在后續(xù)的修井施工方案設計文檔實體標注過程中，分別將措施、物質、指標以及現(xiàn)象四類實體的標簽命名為Me、Sub、Ti和Phe，采用BME三段集標注方式，特別地，對文檔中出現(xiàn)非實體采用O表示。通過這樣一套標注規(guī)則與方法，能夠有效提升修井施工方案設計文檔實體標注的準確性、一致性以及可操作性，為基于這些標注數(shù)據開展的深入研究與模型開發(fā)奠定堅實的基礎，確保在修井知識挖掘、關聯(lián)規(guī)則分析以及實體識別模型構建等相關工作中能夠獲取高質量的數(shù)據支持。

1.2.3實驗評價指標建立

1）修井知識實體提取模型Bert-BIIAM實驗評價指標說明。將標注好的大港油田施工文本數(shù)據，按照固定比例分類，分為訓練集、測試集輸入到Bert-BIIAM模型中，可以得到實體提取模型對4類的實體的識別精度。將標注完成且劃分為訓練集和驗證集的文本序列輸入Bert-BIIAM模型進行訓練，優(yōu)化網絡提高文本識別精度，對于修井知識文本識別的效果的評估，使用傳統(tǒng)的精確度（Precision）、召回率（Recall）、F1值作為評判［41］，其中精確度能夠反映Bert-BIIAM模型預測為正類時的準確程度；召回率體現(xiàn)模型對修井知識實體的識別能力；F1值則可以能夠更全面地評估模型的性能。

針對已經標注的文本序列，按照4∶2∶1的比例劃分成訓練集、驗證集和測試集，用于模型的訓練以及精度的測試。定義文本維度為768維，將劃分的訓練集送入Bert-BIIAM模型進行訓練。將整個修井施工方案設計實體知識識別網絡的訓練超參數(shù)為：輸入的文本維度為768，總迭代次數(shù)為100次，學習率為0.001，隱含的卷積層數(shù)為96。每次批處理的文本序列設置為4。

2）修井知識關聯(lián)規(guī)則挖掘BH-Apriori實驗評價指標說明。在修井施工文本的解析流程中，存有大量涵蓋多元施工要點的資料文檔。需運用關聯(lián)分析手段，深度梳理文本所記載的專項工程細節(jié)，精準洞察工程所涉及的具體施工工序流程、適配材料以及設備規(guī)格等關鍵信息，進而有效提取工程施工領域的核心知識要點，為后續(xù)施工實踐提供精準的理論支撐。將從修井施工方案設計知識實體識別任務中的2300個句子中提取出的實體作為關聯(lián)規(guī)則挖掘的輸入事務集。設置最小置信度和最小支持度的初始B分布參數(shù)分別為為0.1，為0.2，為0.1，為0.3。掃描整個事務數(shù)據集，開始挖掘事務集中存在的關聯(lián)關系。

在關聯(lián)規(guī)則實驗挖掘的評價指標部分，使用BH-Apriori算法的消耗時間以及關聯(lián)規(guī)則的挖掘條數(shù)作為評價指標，以此判斷改進BH-Apriori算法是否符合預期。關于修井知識挖掘與關聯(lián)規(guī)則分析的算法精度、事件效率以及挖掘條數(shù)的分析，將在后文討論。

1.2.4實驗流程設計

1）完成對修井方案文本的預處理后，依據上文所設置的Bert-BIIAM模型參數(shù)，開始修井知識實體提取實驗，主要步驟安排如下：

第1步：收集大港油田港東港西地區(qū)共20口油井近3年的施工方案，按照前文所述預處理方法，對方案文本進行數(shù)據處理及標注，形成2300條文本數(shù)據。

第2步：將收集并處理好的2300條文本數(shù)據，劃分為訓練集、驗證集輸入到Bert-BIIAM模型，得到模型的實體識別結果。

第3步：將測試集輸入到Bert-BIIAM模型，得到模型對修井實體的識別效果，記錄模型對不同實體類別的識別精度、召回率以及F1值，以評價模型在修井知識提取領域的表現(xiàn)。

2）將修井實體提取階段所提取的不同實體作為關聯(lián)規(guī)則分析的輸入數(shù)據集，開展關聯(lián)規(guī)則挖掘實驗，主要步驟安排如下：

第1步：將從Bert-BIIAM模型輸出的修井知識實體，組織成可用于關聯(lián)規(guī)則分析的事務集，開展修井知識實體之間的關聯(lián)規(guī)則挖掘。 s s c c s s c c

第2步，初始化最小支持度和最小置信度的Beta分布參數(shù)分別為為0.1，為0.2，為0.1，為0.3。其中，為最小支持度的Beta分布的參數(shù)，，為最小置信度的Beta分布的參數(shù)。

第3步，將修井知識事務集送入至BH-Apriori算法入口，挖掘不同實體之間關聯(lián)規(guī)則。記錄算法運行時間以及挖掘的條數(shù)，將挖掘出的關聯(lián)規(guī)則按照實體類別統(tǒng)計，分析不同類別的頻繁項集組合中所蘊含的知識。

2結果現(xiàn)象討論

2.1知識抽取模型精度及召回率討論

對于修井知識提取的評價指標，選取修井知識抽取時的模型精度作為模型評價的指標。同樣。為了更加全面的評價模型在修井文本識別領域的泛化能力，選擇召回率以及F1值佐證。

在形成了含有措施、物質、指標、現(xiàn)象的四類實體的修井文本數(shù)據集后，將修井數(shù)據集輸入至Bert-BIIAM模型進行訓練，記錄訓練過程中每一類實體的識別精度、召回率以及F1值。在模型的訓練過程中，訓練的超參數(shù)為：Bert-BIIAM模型的總迭代次數(shù)為100次，每次批處理的文本序列數(shù)量為4。在Bert-BIIAM模型的訓練過程中，發(fā)現(xiàn)當?shù)螖?shù)達到80次時，同時在后續(xù)的訓練過程中每類實體的精度曲線收斂，說明此時模型訓練完成。記錄此時模型對各類實體的識別精度收斂時的精度、召回率以及F1值作為模型的評判指標。在修井施工方案設計中實體識別實驗中，Bert-BIIAM模型對各類知識實體的識別的平均精度、平均召回率以及平均F1值分別為81.83%、80.68%、81.23%，其中Bert-BIIAM模型對4類修井知識實體的三類表現(xiàn)數(shù)據，如圖3所示。

從圖3中可以看出，在進行實體識別任務時，Bert-BIIAM模型的精度、召回率和F1值均達到80%，進一步說明模型在修井過程中的實體識別任務中可靠性和精確性較好。在進行實體識別任務時Bert-BIIAM模型的精度達到81.83%，這意味著在所有被模型判定為正類的樣本中，真正屬于正類的樣本比例較高，模型對實體識別的準確程度較好；召回率為80.68%，表明模型能夠成功識別出的實際正類樣本在所有正類樣本中的占比較大，漏判的情況較少；F1值達到81.23%，F(xiàn)1值綜合考慮了精度和召回率，進一步驗證了模型在實體識別任務中的整體性能優(yōu)良。這些數(shù)據充分表明，Bert-BIIAM模型在修井相關的實體識別場景下的表現(xiàn)可靠且精確。

2.1.1Bert-BIIAM模型與傳統(tǒng)模型對比

為了驗證改進模型的效果，設置了LSTM+CRF、Bert_BiLSTMCRF、BertLinear、Bert_CNN和Bert-BITWA模型的對比實驗。對比實驗結果，如圖4所示。

從圖4中可以看出，從精度、召回率以F1值的指標出發(fā)，對比模型的在三個指標上的均值分別79.30%，79.04%以及79.54%，Bert-BIIAM均優(yōu)于諸如LSTM+CRF、Bert_BiLSTMCRF等模型。在精度方面，Bert-BIIAM模型能夠更精準地對修井知識進行判別，減少誤判情況。召回率上，該模型對修井知識實體的捕捉能力更強，遺漏更少。F1值則體現(xiàn)了其在精度和召回率綜合性能上的優(yōu)勢，這充分表明Bert-BIIAM模型在修井知識的識別能力上更為出色，在修井知識實體識別等相關任務中具有更高的可靠性，能夠為修井相關工作提供更準確的數(shù)據支持。

更高的精度和F1值指標，意味著模型在修井文本的知識識別提取的漏檢誤檢的情況越少、較對比模型更適合修井文本知識的提取任務。例如在LSTM+CRF模型中，“軟探砂面值明油二組_3”作為指標的修井知識實體可能未被模型正確識別，同樣，在BertLinear模型中，“完井”未作為措施類知識實體也可能被模型漏檢。從前文可知雖然如LSTM+CRF、BertLinear等對比模型的模型性能較Bert-BIIAM的差距不大，但是在實際的修井知識識別過程中，對知識實體的漏檢及誤檢現(xiàn)象卻比Bert-BIIAM模型更為明顯。

2.1.2Bert-BIIAM模型精度及召回率提高原因

從Bert-BIIAM模型的實驗能夠觀察到，Bert-BIIAM模型在精度與召回率方面相對于其他傳統(tǒng)模型分別展現(xiàn)出約3%和1%的提升。這一提升表明Bert-BIIAM模型在修井知識挖掘領域具備更優(yōu)的適配性。對其精度、召回率以及F1值提升的原因進行深入剖析，主要可歸納為以下幾個關鍵方面：

（1）Bert-BIIAM模型充分發(fā)揮了Bert預訓練語言模型所具備的強大語義表示能力。Bert在大規(guī)模語料庫上進行預訓練的過程中，運用了先進的神經網絡架構與訓練算法，能夠深度挖掘并捕捉詞匯之間復雜而深層次的語義關聯(lián)信息。這種在大規(guī)模數(shù)據中學習到的語義知識，為其在下游修井知識挖掘任務中的應用提供了極為豐富且精準的上下文信息基礎。當模型處理修井相關文本時，能夠依據這些豐富的語義信息，更敏銳地感知和理解文本中各種概念、實體以及它們之間的相互關系，從而極大地提高了對文本進行分類處理的準確性［42］。例如，在識別修井方案中的技術措施與相關物質的關聯(lián)時，Bert預訓練所獲得的語義理解能力能夠幫助模型更精準地判斷其關系類型，避免誤判。

（2）BERT模型所采用的雙向Transformer結構是其性能優(yōu)勢的重要保障。與傳統(tǒng)的單向處理方式（如僅從左到右或從右到左）不同，雙向Transformer結構能夠同時兼顧文本的前后上下文信息［43］。在修井知識文本中，往往存在諸多前后呼應、相互關聯(lián)的信息表述，例如對某種地質現(xiàn)象的描述可能與后續(xù)的修井措施存在因果關聯(lián)，雙向編碼方式能夠全面地整合這些信息，使得模型在處理復雜語義關系時擁有更強的判別力。Bert-BIIAM模型通過多層的Transformer結構，能夠穩(wěn)定且高效地處理長期依賴關系，深入挖掘文本中的復雜信息脈絡，為精準分類提供有力支持（3）Bert模塊的輸出傳遞給BiLSTM模塊。BiLSTM利用其雙向結構，以前向和后向兩個方向對Bert生成的詞向量序列進行處理。Bert提供的語義豐富的向量使得BiLSTM能夠更有效地提取文本的上下文信息。BiLSTM能夠在Bert初步編碼的基礎上，進一步挖掘文本的語義連貫性和邏輯性。例如，當處理包含因果關系的修井知識文本時，BiLSTM可以利用Bert提供的詞匯語義，更好地捕捉到前后文之間的因果關聯(lián)，這種關聯(lián)信息的挖掘有助于更準確地理解文本的整體意圖［44］，提高Bert-BIIAM模型對文本語義理解的深度和準確性。

（4）IAMILW機制在模型中發(fā)揮了獨特的作用。通過對輸入的標簽進行加權，并引入多頭注意力機制，進一步優(yōu)化了模型的注意力分配策略。在修井知識挖掘中，不同的實體標簽具有不同的重要性和信息價值，IAMILW機制能夠根據這些差異對標簽進行合理加權，使得模型在訓練過程中更加聚焦于關鍵實體的特征學習與識別分類。多頭注意力機制則允許模型從多個角度同時關注輸入信息，如同多個“視角”協(xié)同工作，能夠捕捉到更多的細粒度信息，從而在面對復雜多樣的修井知識輸入時，具備更強的區(qū)分能力，有效提升了分類精度，為修井知識挖掘任務提供了更為可靠和高效的模型解決方案。

綜上所述，Bert-BIIAM模型在精度、召回率以及F1值方面的提升是多個關鍵因素協(xié)同作用的結果。這種多模塊的有機結合與優(yōu)勢互補，使得Bert-BIIAM模型在修井知識挖掘領域展現(xiàn)出相較于傳統(tǒng)模型更為出色的性能表現(xiàn)，為該領域的知識挖掘工作提供了更高效、更精準的工具與方法，在未來的相關研究與實踐應用中有著廣闊的發(fā)展前景與巨大的應用潛力，有望推動修井知識挖掘技術向更高水平發(fā)展，助力修井工程相關決策與操作更加科學、合理、高效。

2.2關聯(lián)規(guī)則計算效率討論

BH-Apriori算法可過動態(tài)調整挖掘頻繁項集中的最小支持度以及最小置信度來全面挖掘存在于修井實體之間的關聯(lián)關系。BH-Apriori算法在對修井知識的挖掘過程中，最小支持度和最小置信度曲線整體呈遞減趨勢，變化區(qū)間為0.6至0.8之間，這使BH-Apriori算法所引入的自適應最小支持度和置信度可根據N項頻繁項集情況靈活變動，在確保挖掘規(guī)則質量的同時，也讓在挖掘多種類別的關聯(lián)規(guī)則時更具準度，有助于提升挖掘多種修井知識關聯(lián)規(guī)則時的準確性，能夠更精準地挖掘出修井知識中不同類別間的潛在聯(lián)系與規(guī)律，為修井工作的深入分析與優(yōu)化提供有力的數(shù)據支持。

通過對修井施工方案設計報告中的識別出的共計800個實體之間的關聯(lián)規(guī)則提取，可快速理解在修井作業(yè)中不同作業(yè)操作、工序以及指標之間的潛在關系，同時幫助修井人員在后續(xù)的修井施工中更加智能化決策。BH-Apriori算法在性能上相較于傳統(tǒng)Apriori算法有較大提升，以挖掘2項-頻繁項集為例，二者在算法時效性、頻繁項集以及強關聯(lián)組合的挖掘條數(shù)上的對比，如圖5所示。

從圖5中可以看出，傳統(tǒng)的Apriori算法執(zhí)行此任務需要花費時間共計32min，而BH-Apriori算法僅需要21min，計算效率提升了0.5倍。同時，在修井施工方案設計報告中有關修井知識實體的關聯(lián)規(guī)則挖掘的數(shù)量上，BH-Apriori算法挖掘的頻繁項集數(shù)量為814條，具有強關聯(lián)實體組合的數(shù)量為515條，而傳統(tǒng)Apriori算法挖掘的頻繁項集和具有強關聯(lián)實體組合數(shù)量分別為654和421條。綜上，BH-Apriori算法無論在算法效率以及挖掘數(shù)量相較于傳統(tǒng)的Apriori算法有較大提升，可以勝任在修井知識挖掘領域內的關聯(lián)規(guī)則分析，為高效理解修井施工方案文本提供行之有效的途徑。

2.2.1BH-Apriori算法時效提升原因

相較于傳統(tǒng)的Apriori算法，BH-Apriori算法在挖掘頻繁項集上所需時間降低0.5倍，表明BHApriori在時效上改進的成功。BH-Apriori算法在用時上的減少，歸功于Hash樹的引入。對于首次的頻繁項集挖掘，BH-Apriori算法會將符合最小支持度的候選項集映射到散列表中，下次挖掘時，BH-Apriori算法會直接從散列表中找尋數(shù)據，而不是再次掃描整個數(shù)據庫，從而降低了算法在時間上的消耗從而提高算法效率。

2.2.2關聯(lián)規(guī)則挖掘條數(shù)提高的原因

傳統(tǒng)Apriori算法在頻繁項集的認定中，是以當前頻繁項集的支持度、置信度與算法的最小支持度、最小置信度的大小為依據，由此靜態(tài)的最小支持度以及最小置信度容易造成頻繁項挖掘不充分，特別是在修井施工方案中出現(xiàn)次數(shù)相對較少，但事實上已然專家較為認可的知識。因此提出了最小支持度和最小置信度動態(tài)變化的BH-Apriori算法。

BH-Apriori算法使用動態(tài)變化的最小支持度以及最小置信度作為頻繁項集篩選的指標，使得對修井方案中的頻繁項集挖掘更加充分、全面，避免了傳統(tǒng)Apriori在此方面的不足。通過這種動態(tài)調整機制，能更好地適應修井數(shù)據的多樣性與復雜性，捕捉到那些被傳統(tǒng)算法忽視的潛在關聯(lián)。它能夠在不同規(guī)模和特征的數(shù)據集中靈活運作，不僅提升了挖掘效率，還為修井方案的精細化制定提供了更豐富、準確的依據，有力推動修井工程領域的數(shù)據分析與決策優(yōu)化進程。

根據實體組合間的關聯(lián)規(guī)則，提取不同實體類型組合間的前60%，可以直觀理解不同實體組合間的關聯(lián)規(guī)則。以組合（措施，物質）（措施，現(xiàn)象）（措施，指標）（物質，現(xiàn)象）（措施，物質，指標）（物質，指標，現(xiàn)象）為例，（措施，物質）表明在修井施工作業(yè)中，不同的修井措施皆與物質類中清水之間存在強關聯(lián)關系，在這些強關聯(lián)關系中，可以總結出以下知識：例如在反壓井、正沖砂等操作過程中，清水被十分廣泛的添加，在其他諸如洗井、固沙等操作中，除清水外，堿水、鹵水、暫堵劑等會被添加以實現(xiàn)特定目的；（措施，現(xiàn)象）中展示了不同修井措施與施工過程中的現(xiàn)象之間的關聯(lián)關系，例如抽油桿、扶正防磨塊的布設位置直接與井筒偏磨位置存在強相關關系；陶瓷凡爾球座的使用，往往代表該井存在較為嚴重井筒腐蝕、結垢、磁化現(xiàn)象；（措施，指標）展示了措施與指標之間的關聯(lián)關系。其中，“軟探砂面明油二組_3”、“軟探砂面明油二組_2”，“硬探沙面至明油二組_3”三個指標在整個指標中占比最多，表明在壓井、洗井等修井操作中有關高度的指標，這三者占比最多，即整個施工過程多位于這些高度范圍內。（物質，現(xiàn)象）展示了物質和現(xiàn)象之間的關聯(lián)規(guī)則。其中物質清水與各種現(xiàn)象之間均存在關聯(lián)關系，特別是無漏失，遇阻、合格等現(xiàn)象之間的關聯(lián)規(guī)則較強，因此容易得出清水多與措施的成功與否存在關系，壓井、洗井等措施中若僅使用清水物質表明這些措施很大概率不會出現(xiàn)異常現(xiàn)象。

同時，從現(xiàn)象的角度出發(fā)，當出現(xiàn)出口反油氣水、漏失、遇阻等異常現(xiàn)象時，可作為解決異常現(xiàn)象措施的依據。例如，當出現(xiàn)遇阻的異常現(xiàn)象時，可添加的物質有投球和清水。（措施，物質，指標），（物質，指標，現(xiàn)象）分別展示了措施-物質-指標和物質-指標-現(xiàn)象之間的關聯(lián)規(guī)則，容易看出集合（下完井，清水，軟探砂面值明油二組_3），（反壓井，清水，下?lián)粕肮ぞ呒坝凸苡蔡缴懊婷饔投M_3）和（正沖砂，鹵水，硬探砂面至明油二組_3）等在整個強關聯(lián)集合中占比較高，因此，在這些強關聯(lián)集中可總結出以下知識，例如在反壓井操作中，多在高度范圍為明油二組，所添加的物質為清水和鹵水。同時，在物質-指標-現(xiàn)象的強關聯(lián)集合中，（清水、軟探砂面明油二組_3，無漏失）和（鹵水，硬探砂面至明油二組_3，不漏）的占比較多，可總結出以下知識，例如在操作“軟探砂面明油二組_3”中，所添加的物質多為鹵水與清水，出現(xiàn)的現(xiàn)象多為“無漏失”。

通過不同類別實體之間的關聯(lián)規(guī)則分析，可以直觀的總結出具有強關聯(lián)關系的頻繁項集，從而獲得出可靠的修井知識。例如在知識“修井過程中，清水被廣泛添加，隨后鹵水、前置液使用率靠后，且多用于壓井、完井、洗井等操作中”中，揭示了材料在修井施工中的重要地位，因此可以快速理解修井施工設計方案文本內容，便于優(yōu)化在修井施工中不同施工內容的操作流程，為后續(xù)修井施工提供更加智能的操作指導，促進油氣開發(fā)的智能化發(fā)展。

3結論建議

（1）根據施工方案文本中的修井知識，提取操作、物質、指標和現(xiàn)象四類實體知識類型，提出了融合標簽注意力機制的Bert-BIIAM模型，構建修井實體知識識別模型Bert-BIIAM從而識別施工方案文本中的修井知識。經過對具體的施工設計方案文本進行實體識別，Bert-BIIAM模型平均精度和平均F1值達到81.83%和81.23%，驗證了模型的可靠性與適用性。在修井實體知識的關聯(lián)規(guī)則挖掘上，針對傳統(tǒng)關聯(lián)規(guī)則挖掘算法在時效性和精確性不足的基礎上，提出了引入貝葉斯方法和Hash樹的BH-Apriori算法。基于大港油田提供的修井施工文本數(shù)據的實驗證明，BH-Apriori算法無論是在時效性和精確度上相較于傳統(tǒng)的Apriori算法均有提升，從而驗證了BH-Apriori算法在修井知識的關聯(lián)規(guī)則挖掘工作中的優(yōu)勢，表明結合深度學習和關聯(lián)規(guī)則分析的兩階段修井知識智能分析與挖掘方法，符合對修井知識高效挖掘的預期，加深了管理人員對修井施工過程的理解效率，對提高修井施工質量具有重要意義。

（2）提出的修井知識智能分析與挖掘方法在實體識別和關聯(lián)規(guī)則挖掘方面取得了較好的效果，但仍存在一些不足。首先，Bert-BIIAM模型在處理復雜、模糊或不規(guī)范的文本時可能存在識別準確性不足的問題，且訓練數(shù)據中的實體類別不均衡可能影響低頻實體的識別效果。其次，改進的Apriori算法雖然提高了效率，但仍可能受到噪聲數(shù)據的干擾，且規(guī)則的數(shù)量過多可能導致挖掘出大量冗余或無意義的規(guī)則。

（3）未來可以嘗試結合多模態(tài)數(shù)據提升實體識別的準確性，并利用數(shù)據增強技術平衡數(shù)據集；同時，可采用更精細的過濾和優(yōu)化策略來提升關聯(lián)規(guī)則挖掘的精度，并在算法中引入更強的噪聲處理能力，從而提高整體智能化水平。