基于动态特征和深度神经网络的钻井漏失事故预测

蔺研锋，闵超，代博仁，张馨慧

(1.西南石油大学 理学院， 成都 610500； 2.西南石油大学 人工智能研究院，四川 成都 610500； 3.西南石油大学 油气藏地质与开发工程国家重点实验室，四川 成都 610500)

引 言

准确及时地预测钻井漏失事故，对提高钻井技术水平和经济效益均具有极为重要的实际意义。传统的井漏预测方法集中在井漏的机理研究[1-3]，涉及到的物理过程较为复杂，所获得的物理模型或者经验模型难以准确的描述这些映射关系[4]。大数据分析方法，作为近些年新兴的一种数据分析手段，可以处理这些复杂的非线性问题[5]，一方面基于数据驱动的方法，可以精简利用机理模拟所需的复杂调参过程，另一方面可以综合利用多来源、多结构的数据，考虑多方面因素从进而确保预测结果的可靠性。

近年来，许多学者开始研究将大数据分析方法应用到钻井漏失事故的预测中，例如Ahmed K.Abbas[6]基于人工神经网络和支持向量基(Support Vector Machine,SVM)开发了一个能诊断井漏的专家系统; Ivan Khodnenko[7]基于最近邻分类算法(K-Nearest Neighbor,KNN)、SVM、随机森林(Random Forest,RF)、逻辑回归(Logistic Regressive,LR)、朴素贝叶斯(Naive Bayes,NB)这5种算法的预测模型对比，优选出逻辑回归算法对钻井漏失事故进行检测；Mohammad Sabah[8]利用自适应模糊神经系统(Adaptive Network-based Fuzzy Inference System,ANFIS)、遗传算法优化的多层感知机(Genetic Algorithm-Multilayer Perceptron,GA-MLP)、决策树(Decision Tree,DT)等方法对钻井漏失进行预测，并将其应用到伊朗马伦油田中。综上，目前对井漏预测的研究很少将钻井视为一个连续的过程来展开讨论[9]。

现场专家主要通过综合录井数据波形起伏的变化特点来判断漏失事故，因此应该从钻井时序数据的前后联系来展开研究，而不是将某时刻的数据点作为独立输入来进行分析。本文受语音识别的启发[10]，将采集到的综合录井时序数据视为钻井系统发出的 “声音”，现场专家就是通过“倾听”并理解这些声音所代表的“模式”来判断工况。同时，借助循环神经网络(RNN)在时序特征提取上的优势，利用基于RNN的深度神经网络能够更好地学习到录井序列中的波形变化模式[11]。因此，本文在对综合录井数据进行降噪以及对井漏点周围波形特征分析的基础上，提出了一种基于长短时记忆网(LSTM)的井漏事故实时滚动预测方法。该方法能够提取综合录井曲线动态变化的自相关特性，提取的特征更具有代表性。通过算例验证，与其他方法相比，本文提出的方法准确性更高，对现场井漏事故预测更有参考价值。

1 数据预处理

本文所用的数据为华北某油田的综合录井数据和井史数据。其中，综合录井数据包括时间、井深、立管压力、活动池总体积、出入口流量、大钩负荷和钻时等特征数据；井史数据包含地质数据、井漏发生的井深以及备注等数据。

1.1 归一化

由于综合录井数据的立管压力、活动池总体积、出入口流量等特征的尺度与量纲不一，深度神经网络模型对输入特征的尺度又比较敏感[12]，故对这些特征数据采用min-max方法归一化处理。

1.2 小波阈值降噪和滑动窗口长度的选取

综合录井数据易受机器震动、地质等因素的影响，通常含有大量的噪声。这些噪声会影响模型的泛化能力[13]，因此对综合录井数据进行去噪就显得尤为重要。小波分析作为一种时频分析的工具，在信号处理、图片降噪等方面都有着很广泛的应用[14]，用小波阈值降噪法对综合录井数据进行降噪处理，需选取合适的小波基函数、分解层数、阈值函数，同时滑动窗口的长度也影响着滤波的效果。常用的小波基函数为dbN小波、symN小波、coifN小波和biorNr.Nd小波。阈值函数包括硬阈值和软阈值。

为了评价小波阈值去噪的效果，本文通过计算立管压力、活动池总体积、出入口流量差和大钩负荷的平均信噪比(RSN)和均方误差(ERSM)作为衡量去噪性能的标准，信噪比越高，均方误差越小，去噪性能就越好。其计算式分别为：

式中，F(n)为去噪后的数据，f(n)为原始数据，n为数据的长度。

(1)选取小波基函数、分解层数与滑动窗口长度。表1为小波基函数在各个窗口长度下立管压力、活动池总体积、出入口流量差和大钩负荷的平均信噪比和均方误差。

表1 小波阈值降噪的性能指标Tab.1 Performance indexes of wavelet threshold denoising

由表1可以看出，当小波基函数为Bior3.7，分解层数为4，窗口长度为5时，信噪比最高，均方误差最小。

(2)选取阈值函数。当小波基函数为Bior3.7，分解层数为4时，硬阈值的信噪比和均方误差分别为21.363 4、0.047 6，软阈值的信噪比和均方误差分别为21.568 4、0.046 7，可以看出当阈值函数为软阈值的时候，去噪效果更好。

综上，本文采用的小波基函数为Bior3.7，阈值函数为软阈值函数，分解层数为4，滑动窗口的长度为5。图1为一段数据降噪前与降噪后的波形图，可以看出，经过小波阈值降噪的波形更加平滑，更能显示各个特征下降或者上升的趋势。

图1 滤波前后数据对比Fig.1 Comparison of waveforms before and after filtering

2 特征分析

井漏表征规律是泥浆从井筒进入地层过程中录井参数的变化规律，判断井漏经常通过录井参数中的立管压力、大钩负荷、活动池总体积、出入口流量差等特征来进行判断。其中，立管压力反映的是钻井液在钻柱、钻头水眼及环空的压力损耗，井漏发生后，环空中泥浆的返速将会降低，同时造成环空摩阻减小，从而造成立管压力减小；出入口流量和泥浆池体积能够直接反应漏失、井涌等事故，当出现漏失时，井筒内的钻井液流入到地层，泥浆返出量明显小于入口流量，泥浆池体积变小。

由于井漏发生的机理比较复杂，有时单一参数的变化并不能代表井漏的发生，因此需要综合利用多个特征参数来对井漏进行识别[15]。本文对井漏发生时的井深周围的波形特征进行统计，见表2。

表2 井漏特征统计Tab.2 Main characteristics of lost circulation

根据井漏周围的波形特征和滑动窗口长度进行打标签，绘制出录井数据的整体波形变化趋势。如图2(a)所示，红色方框标记处的波形特征，对应了井史数据中给出的井深为2 588 m时的井漏事件。为了进一步细致的观察和分析该井深周围的波形特征变化趋势，从而确定井漏的波形特征标签，截取了井深区间为[2 564，2 600]的波形图，并对其进行了滤波后局部特征展示，如图2(b)所示。从图中所呈现的变化趋势可以看出，井漏前即井深为2 576～-2 587m范围内的波形特征显示大钩负荷、立管压力均出现明显下降，活动池体积基本维持不变，出入口流量差有所上升，结合上面的因素分析表明，伴随着这些波形特征对应上述变化趋势的出现，将极大可能存在井漏发生的迹象，于是，对[2 576，2 581],[2 577,2 582],…,[2 582,2 587]这些波形打上井漏的标签。

图2 特征分析过程Fig.2 Feature analysis process

通过上述过程对特征进行分析，共得到358个井漏的标签，13 454个非井漏的标签。由于井漏标签较少，导致样本类别分别不均衡，使得模型依赖有限的样本产生过拟合问题，本文通过SMOTE[16]算法来进行上采样，弥补井漏样本的数量来实现样本均衡，然后将其带入模型进行训练,滑动窗口将完整的综合录井数据切割为许多片段，这些片段反应了波形的局部特征，在窗口的滑动过程中即可对钻井漏失事故进行滚动预测，过程如图3所示。

图3 长度为5滑动窗口模型Fig.3 Prediction model based on sliding window with length of 5

3 模型构建

3.1 长短期记忆神经网络

LSTM是一种时间递归神经网络[17]，能对间隔时间较长的信息进行识别，一般在处理时间序列方面性能优于卷积神经网络，广泛的应用在语音、自然语言处理方面。LSTM 网络的参数设置同其它神经网络类似，有所不同的是网络隐藏层不是完全采用全连接层，而是在其中加入LSTM层[18]。鉴于LSTM对于时序数据处理的优势，本文利用基于LSTM的方法进行钻井漏失事故的预测。

3.2 双向长短期记忆神经网络

Bi-LSTM克服了LSTM只能处理以前的序列但不能使用未来的序列缺点，可以充分提取序列以前和未来的关联关系[19-20]。Bi-LSTM由两个不同的LSTM隐藏层组成，且都连接着一个输出层，这样输出层就可以利用到以前和未来的信息，其结构图如图4所示。在钻井漏失事故的预测中，可能以前和未来的信息都非常重要，因此，Bi-LSTM的预测的效果要优于LSTM。

图4 双向长短期记忆神经网络结构Fig.4 Structure of bidirectional long-term and short-term memory neural network

3.3 AlexNet

AlexNet是在2012年的ImageNet竞赛中提出来的[21]，AlexNet有很多的创新，如第一次引入了激活层ReLU，同时在全连接层引入了Dropout层防止过拟合，AlexNet为工程研究的发展提供了广阔的空间。本文将AlexNet用于钻井漏失事故的预测，所用的结构前5层为卷积层，每一个卷积层后面均为ReLU函数，后面2层为全连接层，考虑到钻井漏失的波形特征复杂度较低，因此本文使用一层节点数为64的全连接层整合卷积层提取的特征，其结构示意如图5所示。

图5 简化后的AlexNet结构示意图Fig.5 Structure of simplified AlexNet

3.4 VGGNet卷积神经网络

VGGNet是ImageNet2014年的亚军[22]，它不像AlexNet使用11×11那么大的滤波器，它只使用了3×3的卷积滤波器和2×2的大池化层。本文将该网络应用到钻井漏失事故的预测中，但是由于标准的VGGNet结构分类对象较多，深度太深，并不适合本文研究对象，因此，笔者对其进行简化，采用6层类似于VGGNet的卷积神经网络，前4层为卷积层，所有的卷积核大小为3×3，后2层为全连接层，每一个卷积层后面均为ReLU函数，其结构示意图如图6所示。

图6 简化后的VGGNet结构示意图Fig.6 Structure of simplified VGGNet

4 模型评估

本文用精确率(Precision)、召回率(Recall)和F1三个指标来评价钻井漏失事故预测的效果，精确率、召回率和F1的计算公式分别为

P=TP/(TP+FP)；

R=TP/(TP+FN)；

F1=2PR/(P+R)。

式中：P为精确率；R为召回率；TP为真正例数目；FP为假正例数目；FN为假反例数目。

表3为LSTM、Bi-LSTM、简化后的VGGNet、简化后的AlexNet经训练后的性能指标，可以看出Bi-LSTM的精确率、召回率和F1值都是最大的对井漏事故预测的效果更好，提取的特征更具有代表性。

表3 性能指标Tab.3 Performance indexes

5 结 论

(1)综合录井数据易受机器震动、地质等因素的影响，通常含有大量的噪声，通过小波分析对录井数据进行降噪处理，使得各个特征的波形更为平滑，更能显示下降或者上升的趋势。

(2)基于井漏发生的复杂性，有时单一参数的变化并不能代表井漏的发生，因此本文综合利用多个特征参数来对井漏进行识别。

(3)通过对长短期记忆神经网络(LSTM)、双向长短期记忆神经网络(Bi-LSTM)、AlexNet和VGGNet预测钻井漏失事故的适应性分析，发现Bi-LSTM能够提取综合录井曲线动态变化的自相关特性，提取的特征更具有代表性，对井漏事故预测的准确率更高。