基于支持向量機的鉆井工況實時智能識別方法

孫 挺， 趙 穎， 楊 進， 殷啟帥， 汪文星， 陳 緣

（中國石油大學（北京）安全與海洋工程學院，北京 102249）

提高鉆井時效是降本增效的重要手段，但目前通常對鉆井時效進行事后人工分析，具有主觀性和滯后性。隨著機器學習和大數據技術的迅速發展，國內外很多學者開展了大數據和人工智能方法在石油工程中的應用研究，A. M. Alsalama 等人[1]提出了一個包含所需數據挖掘和分析工具的集成系統，大大縮短了傳統方法進行預警的時間；K. Balaji 等人[2]從基礎、理論和應用方面總結了數據驅動方法在石油天然氣工程中的發展；劉剛[3]建立了基于多源信息的SVM 自適應鉆井井下故障預警模型；袁野[4]提出了基于SVM 的井眼軌跡智能預測方法，建立了井眼的三維可視圖，可以有效地控制井眼軌跡；孫萬海[5]提出了一種基于PSO-SVM 的鉆井故障智能預警系統，提高了鉆井質量；王江萍等人[6]提出應用神經網絡技術對井漏、井塌、井涌及井噴等井下故障進行診斷。可見，目前國內外主要是運用大數據和機器學習對鉆井故障進行預測及預防或研究相關理論問題，對工況識別的研究較少，且存在數據量小和缺乏現場實例驗證等問題。YIN Qishuai 等人[7]提出了一種基于程序的工況識別方法，很好地消除了人員對鉆井工況識別的影響，但該方法基于編程語言，沒有考慮前后數據之間的聯系和鉆井數據可能存在波動等問題。為此，筆者提出了一種普遍適用的純數據驅動方法，利用支持向量機（support vector machine，SVM）識別鉆井工況，減少不可見非生產時間，提高鉆井作業效率；采用訓練-測試的方式，訓練數據為綜合錄井提供的實時數據，解決了傳統方法對人員依賴大的缺點；在鉆井工況識別中應用機器學習與數據驅動方法，同時允許數據存在一定的波動，克服了編程語言識別帶來的問題。

1 支持向量機模型

支持向量機是一種監督式學習模型，可以用于模式識別、分類和回歸問題的分析。該模型是基于統計學習理論和結構風險最小化原則建立的，主要思想是建立一個線性分離超平面，將非線性輸入映射到高維特征空間中，使正例和反例之間的隔離邊緣被最大化[8-15]。支持向量機的原理如圖1 所示。圖1 中，x1和x2代表輸入參數特征，w 為核函數，b 為偏置，l2代表數據分類的最佳方案。模型的輸入為鉆頭位置、大鉤載荷、機械鉆速、鉆壓、大鉤載荷、轉速、扭矩、出口排量和立管壓力等9 種參數，輸出包括倒劃眼、接立柱、下套管、下鉆及旋轉鉆進5 種正常工況和鉆塞等復雜工況。根據9 種輸入參數的特征，采用SVM 將它們分為6 種輸出結果。

圖 1 支持向量機原理示意Fig. 1 Principle schematic diagram of support vector machine

針對非線性分類問題，B. E. Boser 等人[16]提出了將核技巧應用于最大邊界超平面，從而創建非線性分類器的方法。經過不斷發展，應用于SVM 的核函數主要包括以下幾種類型[17]。

線性核函數：

多項式核函數：

徑向基核函數：

兩層感知器核函數：

式中： xi,xj為空間中的2 個向量；k 為核函數；d,γ,κ,c為系數。

通過核函數處理，將非線性問題轉化為線性問題，如圖2 所示。

筆者在研究中，利用SVM 進行6 個鉆井工況的識別，識別結構如圖3 所示。收集現場22 種鉆井工況的錄井數據，選擇具有代表性的倒劃眼、接立柱、下套管、下鉆及旋轉鉆進等5 種正常工況和鉆塞等復雜工況共6 種工況進行分析。結合研究中數據的使用情況，選取的參數包括鉆頭位置、大鉤載荷、機械鉆速、鉆壓、大鉤高度、轉速、扭矩、出口排量和立管壓力。

圖 2 核函數作用示意Fig.2 Functional schematic diagram of the kernel function

圖 3 支持向量機的識別結構示意Fig. 3 Recognition structure of support vector machine

2 工況識別模型優化

為了提高工況識別的準確率，首先對數據進行[0，1]歸一化處理，然后優選SVM 核函數類型，并進行交叉驗證，優化模型。

2.1 核函數優選

應用SVM 時，關鍵是選擇核函數，不同的核函數適用于不同的問題，對準確率有很大的影響。采用不同的核函數，對不同工況進行歸一化處理，輸出的結果如圖4—圖7 所示。

4 種核函數的識別準確率和計算時間的對比情況見表1。

圖 4 線性核函數的識別結果Fig. 4 Identification results of linear kernel function

圖 5 多項式核函數的識別結果Fig. 5 Identification results of polynomial kernel function

圖 6 徑向基核函數的識別結果Fig. 6 Identification results of radial basis kernel functions

圖 7 兩層感知器核函數的識別結果Fig. 7 Identification results of kernel functions by two-layer perceptron

由表1 可知，兩層感知器核函數的識別準確率最低，且耗費時間最長；徑向基核函數的識別準確率較高。

2.2 模型參數優選

利用SVM 進行鉆井工況識別時，得到的模型需要具有高的準確率和魯棒性，采用交叉驗證的方法，將原始數據分成K 組，隨機選取一組子集做驗證集，其余K-1 組子集做訓練集，得到K 個模型，最后選擇準確率最高模型的性能指標[16]作為最終SVM的參數。

表 1 不同核函數計算結果對比Table 1 Comparisons of calculation results with different kernel functions

通過交叉驗證可以選出最佳的懲罰函數c 和核函數參數g，交叉驗證的結果如圖8 所示（圖8 中，不同等高線表示c 和g 不同取值對應的準確率）。

圖 8 交叉驗證結果Fig. 8 Cross validation results

由圖8 可知，時，準確率可達到97%以上，此時選取c 最小的那組數據（這是因為，c 值過高會出現過學習現象，即訓練集的準確率滿足一定的要求，但測試集準確率很低），即c=0.353 6，g=1.534 0（見圖8 中點A）。準確識別鉆井工況后，就可以對鉆井作業進行事后分析，識別不可見非生產時間，提高鉆井效率，從而提高鉆井的安全性和經濟性。

3 模型準確性驗證

選取4 口井進行模型驗證，以其中2 口井的錄井數據為訓練集，其他2 口井的錄井數據為測試集，訓練集和測試集SVM 的識別結果如圖9 所示。從圖9 可以看出，訓練集的識別準確率高于測試集，測試集中接立柱和旋轉鉆進的識別準確率最高，達到了97%，工況識別準確率總體達到95%以上，說明該方法在新樣本中有很好的泛化性。

圖 9 最終的工況識別結果Fig. 9 Final identification results of working condition

4 鉆井時效分析與應用

海上導管架平臺因作業空間受限，通常在一個導管架平臺上布置數十口井，這種井槽集中在一個區域的布井方式，形成了“批鉆（一次性完成同一開次鉆井作業）”作業模式。由于這些井的地層情況、鉆井設計方案、鉆井設備、施工隊伍相似，所以在“批鉆”模式下，同一井段的時效具有可比性。因此，采用基于支持向量機的鉆井工況實時智能識別方法，進行工況識別、時效分析和時效輔助決策，實現提質增效。以南海某平臺批鉆作業為例，首先對一口井的三開錄井數據進行學習，訓練得到工況識別模型；然后根據其余14 口已鉆井的三開錄井數據識別接立柱工況和分析鉆井時效，從而指導待鉆井的施工，提高接立柱的效率。具體應用步驟如下：

1）工況識別。利用B1 井的三開錄井數據，訓練得到最優模型，然后使用該模型對其余14 口已鉆井的三開工況進行識別，并統計接立柱作業時間。

2）時效分析。為了得到三開中接立柱的平均時間，統計了前15 口已鉆井的三開接立柱時間（見圖10）。由圖10 可知，10%的接立柱作業可在1.3 min 內完成，50%的接立柱作業可在2.1 min 內完成，90%的接立柱作業可在4.9 min 內完成，接立柱作業的平均完成時間為2.5 min。

3）輔助決策。按照三開接立柱順序分為4 個階段，第1 階段為第1—12 根立柱，第2 階段為第13—24 根立柱，第3 階段為第25—36 根立柱，第4 階段為第37 至最后所有的立柱，前15 口井三開4 個階段的平均接立柱時間為2.5 min。

圖 10 接立柱做作業完成時間分布Fig. 10 Completion time distribution to pick up stands

將得到的模型應用到新井中，實時判斷得到第1—12 根立柱的平均作業時間為2.7 min，大于前15 口井的時間2.5 min，此時實時監測中心向平臺發送“作業效率有待提高”的指令，指導下一階段（第13—24 根立柱）作業，并以此類推，完成全井段的時效分析，保證作業效率（見表2）。

表 2 不同層位接立柱時間統計Table 2 Time statistics for making up a stand of drill pip

4）現場施工應用。將該方法應用到6 口新鉆井的鉆井施工中（包含上面提到的新鉆井），各井三開接立柱作業的平均完成時間的變化如圖11 所示。由圖11 可以看出，每口新鉆井的平均接立柱時間穩步下降，效率穩步提高，實現了提質增效。

5 結 論

1）將機器學習的SVM 方法應用于石油工程的鉆井工況識別中，以提高鉆井效率。

2）提出一種純數據驅動的方法，并充分利用油田現場數據，減少了傳統方法對人員經驗的依賴，提高了識別準確率，縮短了工況識別所需時間。

3）利用SVM 對6 種鉆井工況進行識別，通過優選核函數類型、進行交叉驗證，逐步優化智能識別模型，不斷提高模型識別的準確率，最終將識別準確率提高到了95%。

圖 11 接立柱作業平均完成時間的變化情況Fig. 11 Average completion time variation to pick up stands