基于卷積神經(jīng)網(wǎng)絡(luò)的井漏預(yù)測(cè)

李昌華，張學(xué)齡，杜小蕓，郭志陽

（1.長(zhǎng)江大學(xué)石油工程學(xué)院，武漢 430100；2.中石化石油工程設(shè)計(jì)有限公司，山東東營(yíng) 257026；3.油氣鉆采工程湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430100）

0 引 言

井漏一直是鉆井研究的主題，事故一旦發(fā)生，不僅影響勘探開發(fā)的進(jìn)程，還可能導(dǎo)致井眼報(bào)廢，甚至造成嚴(yán)重的人員傷亡事故，處理井漏的最好辦法就是人為抑制發(fā)生，但目前預(yù)測(cè)方法仍不成熟。

常規(guī)判斷井漏的測(cè)井技術(shù)有自然伽馬測(cè)井、自然電位測(cè)井、井徑測(cè)井、井溫測(cè)井、成像測(cè)井等。井漏位置計(jì)算的主要方法有正反循環(huán)測(cè)試法、井漏前后泵壓變化測(cè)試法、注低密度鉆井液找漏層位置、循環(huán)時(shí)差法等。分析井漏發(fā)生的條件可以歸納為：鉆井液性能、漏失壓差和漏失通道的性質(zhì)。范翔宇等［1］對(duì)DN氣田的漏失層位進(jìn)行確定時(shí)發(fā)現(xiàn)，在鉆井液性能發(fā)生變化時(shí)，僅依靠鉆井不能準(zhǔn)確確定漏失層段，還需要依靠測(cè)井手段來解決問題。陳鋼花等［2］利用改進(jìn)立壓變化法計(jì)算井漏層位。改進(jìn)的方法需要鉆井液以及井眼的相關(guān)參數(shù)，達(dá)到較高的準(zhǔn)確率，但鉆井液參數(shù)測(cè)量分辨率較低，使得計(jì)算結(jié)果誤差很大，難以在現(xiàn)場(chǎng)推廣應(yīng)用。昌犇［3］利用電阻率、井溫等多條測(cè)井曲線以及成像測(cè)井法對(duì)紅河油田進(jìn)行分析，可判斷正在漏失和漏失時(shí)間不長(zhǎng)的層位，確定漏失層段；成像測(cè)井在此基礎(chǔ)上可確定漏層的特征和漏失通道的性質(zhì)。傳統(tǒng)確定漏失層位的方法依賴專家經(jīng)驗(yàn)，技術(shù)可復(fù)制性差，難以避免地造成鉆井液的損失和油層的污染。同時(shí)，分析過程所需數(shù)據(jù)資料多，計(jì)算復(fù)雜，難以及時(shí)有效地確定漏失層位，無法滿足深井復(fù)雜地層的鉆探安全需求［4-5］。

隨著機(jī)器學(xué)習(xí)在油氣領(lǐng)域的進(jìn)一步發(fā)展，信息化、智能化成為油田企業(yè)新的建設(shè)方向。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)中最重要的一個(gè)分支，對(duì)數(shù)據(jù)處理具有獨(dú)特的優(yōu)勢(shì)，從業(yè)者已在油氣各領(lǐng)域展開了研究［6-8］。涂曦予等［9］以錄井觀測(cè)日志為數(shù)據(jù)支撐，利用自然語言處理方法，基于Xgbost 算法建立了井漏事故預(yù)警模型；王雷雯［10］選用生物地理算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立漏失層預(yù)測(cè)模型，通過該算法得到網(wǎng)絡(luò)初始權(quán)重和閾值來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到了較為準(zhǔn)確的預(yù)測(cè)結(jié)果。Arehart［11］利用神經(jīng)網(wǎng)絡(luò)開展鉆頭故障的研究，Ben等［12］利用隨機(jī)森林算法等混合模型實(shí)現(xiàn)鉆井狀態(tài)的實(shí)時(shí)識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)是受生物視覺機(jī)制啟發(fā)而來的一種高效信息識(shí)別模式，具有局部區(qū)域連接、權(quán)值共享、降采樣等特點(diǎn)，在一些領(lǐng)域已經(jīng)開展了豐富的應(yīng)用，但運(yùn)用該方法預(yù)測(cè)井漏問題的案例較少。

本文建立卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)井漏模型，利用圖像識(shí)別對(duì)數(shù)據(jù)進(jìn)行分析；對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，增加有效數(shù)據(jù)；將特征物理數(shù)值轉(zhuǎn)化為數(shù)字圖片，直觀了解漏失圖像；結(jié)合現(xiàn)場(chǎng)數(shù)據(jù)將傳統(tǒng)思路與本文方法進(jìn)行對(duì)比，表明本模型的合理性與可靠性。

1 井漏預(yù)測(cè)卷積神經(jīng)網(wǎng)絡(luò)模型

1.1 數(shù)據(jù)來源及預(yù)處理

本數(shù)據(jù)來自某油田A 區(qū)塊，該油田為奧陶系碳酸鹽裂縫-洞穴型油藏，儲(chǔ)層埋藏深度超7 km。該地區(qū)地質(zhì)結(jié)構(gòu)復(fù)雜，受斷裂運(yùn)動(dòng)影響，易發(fā)生垮塌漏失事故，部分井甚至還發(fā)生過嚴(yán)重的連續(xù)漏失事故。通過對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行統(tǒng)計(jì)，本文選取解釋井漏所需的特征值，同時(shí)所有井中共有的特征量制作數(shù)據(jù)集。包括伽馬值、自然電位、泥漿電阻率、聲波時(shí)差、鉆時(shí)、井溫、井徑等特征量。漏失記錄中，詳細(xì)記錄的有效數(shù)據(jù)有57處。通過研究井史資料，現(xiàn)場(chǎng)平均每天鉆深30 m，因此統(tǒng)計(jì)漏失前30 m數(shù)據(jù)作為預(yù)警數(shù)據(jù)，綜合分析下方地層的漏失風(fēng)險(xiǎn)，共計(jì)54 處有效樣本，其余視為正常數(shù)據(jù)。數(shù)據(jù)處理過程如下：

（1）歸一化。為消除原始數(shù)據(jù)中量綱和取值范圍對(duì)結(jié)果的影響，使網(wǎng)絡(luò)能正常響應(yīng)不同的輸入信號(hào)，為便于綜合分析，利用線性函數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，將其轉(zhuǎn)換到［0，1］的范圍。此外，歸一化還能加快網(wǎng)絡(luò)的學(xué)習(xí)速度。選用最小-最大歸一化函數(shù)

式中：X為原始數(shù)據(jù)；Xnorm、Xmin和Xmax分別為歸一化后的數(shù)據(jù)、數(shù)據(jù)集中的最小和最大值。

（2）數(shù)據(jù)增廣。根據(jù)統(tǒng)計(jì)，有54 處漏失前的有效樣本，不利于神經(jīng)網(wǎng)絡(luò)訓(xùn)練出足夠好的參數(shù)。為增加有效數(shù)據(jù)，通過對(duì)數(shù)據(jù)進(jìn)行翻轉(zhuǎn)處理增加偽樣本數(shù)量。其他則為測(cè)井?dāng)?shù)據(jù)中篩選得到的正常數(shù)據(jù)。按照3.5∶1合理劃分訓(xùn)練集與測(cè)試集的數(shù)據(jù)量，共計(jì)900 例。數(shù)據(jù)集制作結(jié)果見表1。

表1 數(shù)據(jù)集組成

（3）數(shù)字圖像化。為方便觀察井漏特征，將特征量轉(zhuǎn)化為數(shù)字圖像。圖像在計(jì)算機(jī)中是由矩陣排列的多個(gè)像素點(diǎn)組成，每個(gè)像素點(diǎn)有一對(duì)應(yīng)的數(shù)值表示該像素點(diǎn)的亮度，這些像素點(diǎn)陣的數(shù)值構(gòu)成了一個(gè)離散函數(shù)：

式中：i取值范圍為［1，N］；j為［1，M］。

以該區(qū)塊中A-1 井為例，該井有效數(shù)據(jù)深度910～9 396 m，多次發(fā)生漏失，將歸一化后的測(cè)井?dāng)?shù)據(jù)轉(zhuǎn)化為數(shù)字圖像如圖1 所示。該井漏失圖像與預(yù)警圖像如圖1（a）所示，由于漏失3、4，漏失6、7 處深度相距較近，將包含兩處漏失的前30 m數(shù)據(jù)區(qū)間并為一處。每個(gè)小圖片對(duì)應(yīng)300 ×7 的數(shù)據(jù)段，逐個(gè)把數(shù)據(jù)段轉(zhuǎn)化為單個(gè)圖片后，拼接得到單井?dāng)?shù)字圖像如圖1（b）所示。

圖1 測(cè)井?dāng)?shù)字圖像

1.2 CNN結(jié)構(gòu)模型特點(diǎn)

卷積神經(jīng)網(wǎng)絡(luò)中，卷積核參數(shù)被輸入層數(shù)據(jù)共享，大大減少了權(quán)重的數(shù)量，降低了網(wǎng)絡(luò)的復(fù)雜度。卷積核類似于窗口，以固定的大小、步幅按照數(shù)據(jù)的軸向順序依次滑動(dòng)，持續(xù)計(jì)算。利用數(shù)據(jù)間的局部相關(guān)性，卷積核不斷提取數(shù)據(jù)的有效信息。測(cè)井?dāng)?shù)據(jù)的卷積過程如圖2、3 所示。

圖2 數(shù)字圖像卷積過程

1.2.1 CNN結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)中卷積層擁有多個(gè)小型濾波器，它們?cè)诩由罹W(wǎng)絡(luò)的同時(shí)，分析鄰近及相距較遠(yuǎn)的數(shù)據(jù)之間的關(guān)聯(lián)，更好地利用數(shù)據(jù)的隱藏信息，得到輸入數(shù)據(jù)或圖像的多個(gè)特征，池化層進(jìn)一步提取圖像重要信息。原本復(fù)雜的曲線數(shù)據(jù)通過CNN處理，避免了人工提取特征的過程。卷積過程擴(kuò)大了神經(jīng)元處理數(shù)據(jù)的范圍，提高模型的容錯(cuò)性。建立的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成如圖3、4 所示。

圖3 卷積計(jì)算圖

圖4 卷積神經(jīng)網(wǎng)絡(luò)

全連接層（Affine）對(duì)輸入數(shù)據(jù)進(jìn)行了抽象處理，通過特征數(shù)據(jù)的線性組合去判斷提取到的信息是否正確；神經(jīng)網(wǎng)絡(luò)計(jì)算得到的數(shù)值，相當(dāng)于對(duì)特征關(guān)系強(qiáng)弱的描述，即數(shù)據(jù)間的相對(duì)聯(lián)系。根據(jù)傳入數(shù)據(jù)的形狀，將相鄰神經(jīng)元連接在一起，決定模型輸出的格式：

式中：wij（l）為該神經(jīng)元的權(quán)重；xj（l－1）為上一層神經(jīng)元的輸出；bi（l）為偏置。

全連接層中隱藏層節(jié)點(diǎn)數(shù)為

式中：mi為輸入層節(jié)點(diǎn)數(shù)；mj為輸出層節(jié)點(diǎn)數(shù)。經(jīng)分析與嘗試，本次隱藏層取55 層。

損失函數(shù)選擇交叉熵誤差函數(shù)，N個(gè)數(shù)據(jù)的交叉熵誤差［13］（損失函數(shù)總和），即

式中：ti，k為正確解標(biāo)簽；yi，k為神經(jīng)網(wǎng)絡(luò)的輸出。

1.2.2 參數(shù)的優(yōu)化

（1）參數(shù)優(yōu)選。由于損失函數(shù)復(fù)雜，參數(shù)空間龐大，為同時(shí)保證模型準(zhǔn)確率和加速模型的收斂速度，需要得到最優(yōu)參數(shù)搭配。為使梯度下降到全局最優(yōu)，優(yōu)化器使用由動(dòng)量梯度下降法和RMS算法結(jié)合的Adam優(yōu)化算法。

卷積層激活函數(shù)使用ReLU 函數(shù)，權(quán)重初始值使用He初始值分布，即標(biāo)準(zhǔn)差為0.01 的高斯分布。通過構(gòu)建多個(gè)神經(jīng)網(wǎng)絡(luò)模型發(fā)現(xiàn)，增加神經(jīng)元層數(shù)要比增加神經(jīng)元數(shù)量可得到更快的收斂速度，最終參數(shù)取值見表2。

表2 網(wǎng)絡(luò)參數(shù)表

（2）抑制過擬合以提高模型的泛化能力。很多情況下權(quán)重參數(shù)取值過大導(dǎo)致過擬合的發(fā)生，在本模型中，為損失函數(shù)加權(quán)重的平方范數(shù)（L2范數(shù)）來抑制權(quán)重過大，防止過擬合的發(fā)生。則L2范數(shù)

式中，wi為權(quán)重值。

隨著網(wǎng)絡(luò)的復(fù)雜度增加，僅用權(quán)值衰減難以達(dá)到理想的訓(xùn)練結(jié)果。Dropout可有效地加快訓(xùn)練進(jìn)程，初步訓(xùn)練趨勢(shì)如圖5 所示。圖中橫坐標(biāo)為全部數(shù)據(jù)集完成一次前向和后向傳播的次數(shù)，縱坐標(biāo)為準(zhǔn)確率。隨著訓(xùn)練次數(shù)的增加，訓(xùn)練集和測(cè)試集的準(zhǔn)確率持續(xù)上升且無過擬合情況。經(jīng)過300 次迭代的初步學(xué)習(xí)，訓(xùn)練集和測(cè)試集的準(zhǔn)確率如圖5 所示，分別達(dá)到60%、50%以上。

圖5 正則化后訓(xùn)練過程

2 結(jié)果與討論

2.1 傳統(tǒng)井漏識(shí)別方法的不足

測(cè)井記錄每0.1 或0.125 m 采樣一次，最終每口井均包含數(shù)萬行的記錄數(shù)據(jù)。井漏的發(fā)生，都有一些與之響應(yīng)的先兆，利用現(xiàn)代工程技術(shù)實(shí)時(shí)監(jiān)測(cè)采集這些信息，可歸納為：泥漿池液面下降；鉆井液密度增大；鉆時(shí)明顯減小等。分析圖6 發(fā)現(xiàn)，在左圖測(cè)井曲線中：自然電位、聲波時(shí)差等數(shù)據(jù)變化異常，電阻率、鉆時(shí)出現(xiàn)增大趨勢(shì)，通過數(shù)據(jù)分析、專家研判后得到漏失深度位于4 169 m處。傳統(tǒng)方法只能在漏失發(fā)生后進(jìn)行研判，費(fèi)時(shí)且工程損失較大。

圖6 漏失段數(shù)據(jù)圖

2.2 CNN模型訓(xùn)練結(jié)果

卷積核在降低數(shù)據(jù)維度的過程中，對(duì)區(qū)間井深的特征數(shù)據(jù)進(jìn)行了綜合計(jì)算。本模型以30 m 深度數(shù)據(jù)量作為單個(gè)輸入數(shù)據(jù)對(duì)漏失事故進(jìn)行預(yù)測(cè)，相比單行數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)提取到關(guān)于該區(qū)域內(nèi)更綜合的工程信息，同時(shí)使模型的預(yù)測(cè)結(jié)果具有更高的容錯(cuò)力。以測(cè)試集中A08 井2 次漏失，A14、A19 井各一次漏失（均未參與訓(xùn)練）為例，在施工過程中，模型實(shí)時(shí)根據(jù)當(dāng)前深度至上方30 m 區(qū)間測(cè)井?dāng)?shù)據(jù)分析下方地層狀態(tài)。在到達(dá)事故地層前，模型發(fā)出警告信息。

由測(cè)井?dāng)?shù)據(jù)轉(zhuǎn)換為圖像后，從另一角度體現(xiàn)特征量的變化情況，將測(cè)試集中的部分發(fā)出預(yù)警的數(shù)據(jù)段可視化后得到預(yù)警圖像見表3。預(yù)測(cè)對(duì)比測(cè)井曲線與對(duì)應(yīng)預(yù)警圖像發(fā)現(xiàn)，不同深度所對(duì)應(yīng)的圖像中主色彩存在差異。漏失前30 m 所處的深度區(qū)間中的特征量數(shù)值波動(dòng)時(shí)，預(yù)警圖片在對(duì)應(yīng)高度上的色彩出現(xiàn)了分層漸變的現(xiàn)象。針對(duì)這類數(shù)據(jù)，卷積神經(jīng)網(wǎng)絡(luò)可快速地分析特征變化，通過模型的前向與反向傳播，在訓(xùn)練過程中逐步強(qiáng)化對(duì)特征值的響應(yīng)，從而識(shí)別到正確的漏前特征。

表3 測(cè)井曲線與預(yù)警圖像對(duì)比

如圖7 所示，訓(xùn)練過程中，對(duì)訓(xùn)練集全部數(shù)據(jù)迭代一輪后，利用測(cè)試集數(shù)據(jù)計(jì)算模型的準(zhǔn)確率。經(jīng)過多輪訓(xùn)練，模型對(duì)下方地層情況的判別能力逐步提升，訓(xùn)練集準(zhǔn)確率達(dá)到90%以上。將未參與訓(xùn)練的測(cè)試集傳入訓(xùn)練好的模型發(fā)現(xiàn)，測(cè)試集的平均準(zhǔn)確率達(dá)到了91.5%。

圖7 CNN模型訓(xùn)練結(jié)果圖

最終識(shí)別情況見表4。訓(xùn)練結(jié)果表明，模型可根據(jù)當(dāng)前30 m特征數(shù)據(jù)對(duì)下方地層及時(shí)發(fā)出預(yù)警信息，對(duì)漏失情況進(jìn)行準(zhǔn)確判斷。

表4 模型對(duì)不同工況識(shí)別準(zhǔn)確率

3 結(jié) 語

（1）設(shè)計(jì)了一套適合神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理方法，選取預(yù)測(cè)所需的地質(zhì)、工程、流體相關(guān)的7 個(gè)特征量，對(duì)數(shù)據(jù)進(jìn)行增廣后解決了樣本偏少的問題，模型的表現(xiàn)說明了參數(shù)選取與處理方法的可靠性。

（2）使用圖像處理的方法，將測(cè)井?dāng)?shù)據(jù)可視化，以圖片形式理解數(shù)據(jù)的變化，了解數(shù)據(jù)處理情況和卷積核的特征計(jì)算流程。圖像特征與數(shù)據(jù)變化相對(duì)應(yīng)，對(duì)數(shù)據(jù)分析增加了新的角度。

（3）使用多口不同深度的井漏失數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，模型可對(duì)不同情況下的風(fēng)險(xiǎn)識(shí)別具有較好的泛化能力；通過現(xiàn)場(chǎng)數(shù)據(jù)測(cè)試，模型對(duì)不同工況下測(cè)井?dāng)?shù)據(jù)預(yù)測(cè)的平均準(zhǔn)確率為91.5%，可綜合當(dāng)前30 m的數(shù)據(jù)信息對(duì)下方井漏風(fēng)險(xiǎn)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。本方法得到的結(jié)果與實(shí)際情況基本相符，具有一定的可行性，對(duì)工程中應(yīng)對(duì)井漏事故具有一定的輔助決策意義。