基于人工神經網在鉆頭結構優選中的研究

耿巖 唐鳴宇

摘 要：對復合鉆井進行鉆進參數優選是成功應用該技術的關鍵。目前國內的專家或學者雖然對復合鉆井井下動力鉆具進行了大量的研究，但是對其鉆進參數優選的關注卻很少。目前的鉆井參數優選方法沒有考慮動力鉆具的影響，適用范圍有限，并且井斜角也對鉆壓的傳遞起著制約的作用。因此，本文以復合鉆井為前提，對Bourgoyne和Young模型進行了相關修正，并采用人工神經網絡技術進行鉆井參數優選。實例分析表明，該方法可行性強，優選精度高，具有現場應用價值。

關鍵詞：復合鉆井 鉆進參數優選 人工神經網絡

關于鉆井參數的優選，國外自1950年就展開了大量的研究：1959年，Graham 和Muench首次提出了鉆井參數優選的概念；1962年，Maurer給出了牙輪鉆頭的鉆速方程式；1963年，Galle和Woods研究了鉆壓和轉速的最優匹配關系；1972年，Reed給出了每米成本最少的鉆壓—鉆速優選模型；1974年，Bourgoyne和Young提出采用多元線性回歸技術優選鉆井參數；1988年，Miska給出了鉆速、鉆頭磨損率與軸承磨損率三個控制微分方程；2005年，Dupriest和Koederitz提出采用機械比能法評價鉆井效率等。國內有代表性的鉆井參數優選研究包括：1994年，劉楊等人提出基于隨機鉆井模式的鉆井參數優選模型；1998年，范軍提出采用模糊綜合評判法優選鉆井參數；2007年，李士斌等人提出基于可鉆性鉆速模式的鉆井參數優選方法；2009年，張立剛等人提出基于巖屑分形理論的鉆井參數優選模式。上述這些方法，有的優選模型僅局限于鄰井或同一地區相似地質條件井的參數優選；有的只是定性地分析了鉆井參數優選的影響因素，沒有定量地給出優選方法；有的只是從技術層面進行研究，并沒有從理論分析方面深入探討；有的影響因素分析不全面，帶有很強的模糊性。而且，目前國內的專家或學者雖然對復合鉆井井下動力鉆具進行了大量的研究，并取得了顯著地成果，但是對復合鉆井鉆進參數優選的關注卻很少。復合鉆井時，鉆井液的性能、流量、壓差、鉆壓、扭矩等影響著螺桿鉆具的性能，若參數優選不當，螺桿鉆具可能會出現制動，嚴重的將會損壞鉆具，反而大大增加鉆井成本。

因此，對復合鉆井進行鉆進參數優選的研究非常有必要。本文采用人工神經網絡（ANN）方法優選鉆井參數，綜合分析了所有因素的影響，通過對大量的人為可控參數的學習，在客觀的巖石物理特性基礎上優選參數，根據ANN的實時計算結果，在鉆井過程中隨時調整鉆進參數，提高平均機械鉆速，延長鉆具壽命，并最終減少總的鉆井成本。

一、 復合鉆井鉆進參數優選模型

鉆井參數優選的目標就是通過獲得“最優”的機械鉆速來減少鉆井成本。影響機械鉆速的因素主要包括人為可控因素和客觀存在因素。人為可控因素包括鉆壓、轉速、鉆頭類型、鉆井液流變性、鉆井液比重、泵壓等；客觀存在因素包括巖石硬度、巖石抗壓強度等。通過確定這些參數之間的內在關系來優選鉆井參數是一個非常復雜的過程，并且其中還包含了大量的隨機不確定性因素。

1.參數優選模型建立。由于Bourgoyne和Young模型包含了8種變量因素對機械鉆速的影響，是目前考慮因素最為完整的機械鉆速計算模型，因此本文以該模型為基準，并加入了軸承磨損的影響。式1為該模型的數學表達式，圖1為參數優選模式示意圖：

2.復合鉆井參數優選模型修正。進行復合鉆井參數優選時，由于井眼傾斜和螺桿鉆具的影響，需要對傳統的Bourgoyne和Young模型進行修正。

首選對鉆壓進行修正。定向井中，井眼軌跡影響著鉆壓的傳遞，鉆壓又影響著機械鉆速的大小。鉆定向井時，在達到設計要求前，井斜角是不斷變化的，因此需要進行鉆壓修正來說明井斜的影響。圖2 為鉆頭受鉆壓簡示圖。

這里不考慮鉆柱與井壁的接觸以及摩擦作用，僅考慮井斜角因素，將鉆壓分解為X向與Y向分量，如圖2所示，則有：

＼*MERGEFORMAT（2）

式中：—鉆臺之中表所示鉆壓，；—井斜角，度。

復合鉆井時，在螺桿轉子工作的同時，轉盤驅動螺桿定子同時轉動，此時鉆頭既由螺桿轉子帶動旋轉，又由螺桿定子帶動旋轉。因此，螺桿鉆具對參數優選的影響可以看成是給鉆頭額外增加了一個轉速，由文獻14可知，此時鉆頭的轉速可近似看成轉盤轉速與螺桿轉子轉速之和。

二、 神經網絡技術進行鉆井參數優選

1.人工神經網絡技術。人工神經網絡具有自學習、自組織、較好的容錯性和優良的非線性逼近能力，已成為解決很多問題的有力工具。神經網絡是一個并行和分布式的信息處理網絡結構，她一般由大量的神經元組成。一個典型的神經網絡由三層神經元組成—輸入層、隱含層和輸出層。每個神經元輸入有多個連接通道，每個連接通道對應于一個連接權系數；而每個神經元只有一個輸出，可以連接到很多其他的神經元。

本文采用誤差反向傳播（BP）算法計算。該算法的基本思想就是信號的正向傳播與誤差的反向傳播結合。通過正向傳播，信息由輸入神經元輸入，經過各隱含層神經元依次傳播到輸出層。上下層神經元之間實現全連接，每層神經元之間則無連接。反向傳播則是將輸出結果與期望結果比較，若不一致，則從輸出層經過各隱含層逐層修正各個連接權值，最后回到輸入層，再進行正向計算，直到輸出值達到要求的精度為止。隨著這種誤差逆的傳播修正不斷進行，網絡對輸入模式響應的正確率也不斷上升。圖3為鉆井參數優選BP神經網絡模型。

圖3中，為輸入單元個數，為隱含層單元個數，為隱含層單元閾值，為輸出層單元閾值，為輸入層與隱含層的連接權，為隱含層至輸出層的連接權。為隱含層單元的輸入值，為隱含層單元的激發值。

2.采用人工神經網絡方法優選鉆井參數。本文采用BP網絡算法優選鉆井參數，將機械鉆速的各主要影響因素作為輸入神經元，即將井深、鉆頭直徑、鉆壓、轉速、泥漿比重、排量、井斜角、鉆頭牙齒磨損和鉆頭軸承磨損9組因素組成輸入模式向量，目標輸出值則為機械鉆速。即輸入層節點數為9，輸出層節點數為1，為了增加計算精度，隱含層節點數選為150，其基本操作步驟如下：

（8）隨機選取下一組樣本，返回步驟（3），直到所有的訓練樣本訓練完畢。再重新從練習樣本中隨機選一組樣本，返回步驟（3），直到網絡全局誤差E小于，網絡收斂，訓練結束。

本文統計了大港油田濱深、濱海、埕海、埕北4個區塊的30口井鉆井資料作為神經網絡的訓練樣本，表1為用于訓練的部分樣本數據。

將這些樣本數據按照上述步驟進行運算，并通過數據統計，即可得出各個區塊不同井段內鉆井參數優選結果。表2為濱深區塊部分井段鉆井參數優選結果。通過對多口井的優選結果可以看出：增加鉆壓或者轉速并不總是能夠增加機械鉆速，有時反而會因為鉆壓或轉速過高導致井眼凈化不完全以及鉆頭泥包等鉆井問題；泥漿比重越小，機械鉆速相對越高；最優的鉆壓、轉速往往并不是最大或者最小的鉆壓、轉速。

三、 結語

1.采用人工神經網絡技術，可以通過輸入與輸出之間復雜的非線性映射，不需要建立相關等式即可確定使機械鉆速達到最大時的鉆井參數組，避免了分析過程中的人為誤差，提高了計算結果的準確度。

2.對復合鉆井鉆進參數優選，必須要考慮井斜角與螺桿轉子轉速的影響。在鉆井參數優選模型中，必須對模型中的鉆壓和轉速進行修正，才能提高機械鉆速的預測精度，并最終提高鉆井參數優選的精度。

3.必須合理確定輸入訓練樣本中各個參數的取值范圍，訓練樣本參數代表性越強，輸出結果越精確。

作者簡介：耿巖（1985—）男。吉林松原人。畢業于南昌大學車輛工程專業。工學學士學位。助理工程師。研究方向：鉆探裝備、抽油機制造方面的研究。