基于虛擬樣本神經(jīng)網(wǎng)絡(luò)的卡鉆預(yù)警裝置

胡永建，胡 艷

（1.中國石油西部鉆探定向井技術(shù)服務(wù)公司，新疆鄯善838202；2.中國石油華東化工銷售公司，上海200120） ①

基于虛擬樣本神經(jīng)網(wǎng)絡(luò)的卡鉆預(yù)警裝置

胡永建1，胡 艷2

（1.中國石油西部鉆探定向井技術(shù)服務(wù)公司，新疆鄯善838202；2.中國石油華東化工銷售公司，上海200120）①

使用神經(jīng)網(wǎng)絡(luò)算法來診斷可能誘發(fā)卡鉆事故的井下復(fù)雜，可提前預(yù)警卡鉆事故。設(shè)計(jì)了反映專家知識的虛擬樣本來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，達(dá)到了較好的井下復(fù)雜識別率。采用集中式數(shù)據(jù)采集方式，使用可編程序控制器及人機(jī)界面設(shè)計(jì)了適合鉆井現(xiàn)場的卡鉆預(yù)警設(shè)備。試驗(yàn)結(jié)果表明：該卡鉆預(yù)警設(shè)備有助于消除事故隱患，在鉆井領(lǐng)域具有良好應(yīng)用前景。

神經(jīng)網(wǎng)絡(luò)；虛擬樣本；卡鉆；井下復(fù)雜；預(yù)警

卡鉆是指鉆具既不能轉(zhuǎn)動也不能上下活動，是鉆井過程中常見的井下事故。除了干鉆及落物因素外，有多種井下復(fù)雜可以誘發(fā)卡鉆，例如井塌、粘吸、砂橋、縮徑、泥包、鍵槽等［1］。任由井下復(fù)雜發(fā)展就會引起卡鉆事故，一旦發(fā)生卡鉆事故，需要耗費(fèi)大量人力、物力和時(shí)間來處理，處理不好甚至?xí)?dǎo)致全井報(bào)廢。如果能對誘發(fā)卡鉆的井下復(fù)雜預(yù)警，就可以及時(shí)采取措施，預(yù)防卡鉆事故發(fā)生。

石油鉆井過程是一個(gè)非線性系統(tǒng)，井下復(fù)雜的產(chǎn)生因素難以明確界定，鉆井參數(shù)的變化與井下復(fù)雜的產(chǎn)生密切相關(guān)。在人工智能研究領(lǐng)域，可以把井下復(fù)雜預(yù)警作為模式識別問題來處理，其中基于專家系統(tǒng)及神經(jīng)網(wǎng)絡(luò)的診斷方法比較成熟。在石油工業(yè)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用也日益廣泛［2－4］，崔鳳新［5］等人使用基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù)對鉆井過程故障進(jìn)行診斷，得到較好的結(jié)果。在多年的鉆井過程中，已經(jīng)分析總結(jié)出許多井下復(fù)雜發(fā)生的規(guī)律，專家系統(tǒng)充分利用了這些經(jīng)驗(yàn)知識進(jìn)行診斷。由于鉆井過程的復(fù)雜性導(dǎo)致井下復(fù)雜發(fā)生的原因很多，使專家系統(tǒng)因?yàn)樵蚪M合太多而難以處理。神經(jīng)網(wǎng)絡(luò)可以模擬復(fù)雜的非線性映射，適合井下復(fù)雜的診斷應(yīng)用。

由于用于訓(xùn)練的樣本數(shù)量有限，神經(jīng)網(wǎng)絡(luò)的泛化（預(yù)測）能力難以提高。這里提出了虛擬訓(xùn)練樣本概念，用來反映井下復(fù)雜的發(fā)生規(guī)律。使用虛擬樣本訓(xùn)練BP（反向傳播）神經(jīng)網(wǎng)絡(luò)，不僅可以體現(xiàn)已有的經(jīng)驗(yàn)知識，也可以提高泛化及擬合（診斷）能力。采用基于虛擬樣本的神經(jīng)網(wǎng)絡(luò)模型，使用可編程序控制器及人機(jī)界面設(shè)計(jì)了卡鉆預(yù)警裝置。該裝置可根據(jù)現(xiàn)場采集的鉆井參數(shù)信息來判斷是否發(fā)生了井下復(fù)雜，有助于防止卡鉆事故發(fā)生，具有較大的安全及生產(chǎn)價(jià)值。

1 神經(jīng)網(wǎng)絡(luò)的虛擬樣本訓(xùn)練

1.1 神經(jīng)網(wǎng)絡(luò)模式識別

在井下復(fù)雜診斷應(yīng)用中，使用神經(jīng)網(wǎng)絡(luò)完成模式識別。理論上已證實(shí)，3層BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)，可表示為

式中，P為歸一化的輸入特征向量；A1、A2分別為輸入層與隱含層的輸出向量；W1、W2為其權(quán)重矩陣；B1、B2為其偏差向量；f1、f2分別為限制輸入層與隱含層輸出的激勵(lì)函數(shù)，在井下復(fù)雜診斷應(yīng)用中，一般f1使用Sigmoid函數(shù)，f2使用線性函數(shù)；隱含層節(jié)點(diǎn)數(shù)為6～8。

A2經(jīng)過歸一化后，作為輸出層的輸出向量用于模式識別處理。對于正常狀態(tài)的模式輸出，使用全零的目標(biāo)向量，而對異常狀態(tài)的模式輸出，使用獨(dú)熱碼（one－h(huán)ot）編碼的目標(biāo)向量。為了避免輸出不確定的識別結(jié)果，本文設(shè)計(jì)了一種新的模式識別判斷準(zhǔn)則，表達(dá)式為

式中，A3為神經(jīng)網(wǎng)絡(luò)輸出層的輸出向量，也就是經(jīng)過［0，1］歸一化后的A2向量；t為A3最大的元素；m為元素t的序號；g為判斷閾值，對于井下復(fù)雜診斷應(yīng)用，一般可選0.5～0.6；Y為用于模式識別的輸出向量。該模式識別判斷準(zhǔn)則簡單易用，有利于泛化、擬合效果評估及計(jì)算機(jī)程序化應(yīng)用。

1.2 井下復(fù)雜虛擬樣本

選擇可能誘發(fā)卡鉆的井塌、粘吸、砂橋、縮徑、泥包、鍵槽等井下復(fù)雜作為神經(jīng)網(wǎng)絡(luò)的識別模式。當(dāng)卡鉆預(yù)警裝置診斷出發(fā)生井下復(fù)雜時(shí)，可以根據(jù)發(fā)生的不同復(fù)雜情況對癥下藥處理，避免繼續(xù)發(fā)展為卡鉆事故。

在鉆井過程中，可以采集大鉤載荷、鉆壓、泵壓、轉(zhuǎn)盤扭矩、轉(zhuǎn)盤轉(zhuǎn)速、機(jī)械轉(zhuǎn)速等實(shí)時(shí)鉆井參數(shù)。由于鉆井過程的復(fù)雜性，這些鉆井參數(shù)信息會與井下復(fù)雜相關(guān)聯(lián)，大都可以選擇作為特征參數(shù)。

在各類卡鉆中，坍塌卡鉆是由于井壁失穩(wěn)發(fā)生井塌引起的，是性質(zhì)最惡劣的一種卡鉆，處理不好可能會導(dǎo)致全井或部分井報(bào)廢。導(dǎo)致井壁失穩(wěn)的原因很多，既有地質(zhì)上的原因，也有物理化學(xué)及工藝上的原因，很難量化分析。發(fā)生井塌時(shí)，坍塌碎屑堵住環(huán)空，影響循環(huán)，發(fā)生泵壓上升、泥漿出口流量下降現(xiàn)象；碎屑產(chǎn)生對鉆具的摩擦阻力，橫向阻力導(dǎo)致轉(zhuǎn)盤扭矩增大、轉(zhuǎn)速下降現(xiàn)象，縱向阻力導(dǎo)致大鉤載荷下降。分析了這些現(xiàn)象，同時(shí)參照已發(fā)生的典型復(fù)雜樣本，可以對井塌識別模式設(shè)計(jì)虛擬樣本，如表1所示。

其中，為了體現(xiàn)普遍性及提高神經(jīng)網(wǎng)絡(luò)診斷的有效性，使用歸一化后的數(shù)據(jù)（無量綱）。可以看到，與正常模式相比，井塌的虛擬樣本反映了發(fā)生井塌的經(jīng)驗(yàn)規(guī)律。以該虛擬樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，即可體現(xiàn)發(fā)生井塌的經(jīng)驗(yàn)規(guī)律。

表1 正常及井塌虛擬樣本設(shè)計(jì)樣例

1.3 神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練

本文使用Matlab的神經(jīng)網(wǎng)絡(luò)工具箱完成神經(jīng)網(wǎng)絡(luò)的虛擬樣本訓(xùn)練，其M語言子程序如下：

需要嘗試不同的神經(jīng)元數(shù)目，多次重復(fù)訓(xùn)練得到最佳的泛化及擬合效果。可以通過設(shè)置神經(jīng)網(wǎng)絡(luò)的showWindow參數(shù)確定是否顯示訓(xùn)練窗口，訓(xùn)練窗口有訓(xùn)練過程的相關(guān)信息，用于查看訓(xùn)練效果。根據(jù)式（2）的判斷準(zhǔn)則，用Matlab編程實(shí)現(xiàn)井下復(fù)雜診斷。訓(xùn)練完成后得到各層權(quán)重矩陣及偏差向量的文本文件，用于神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)診斷參數(shù)設(shè)定。

2 卡鉆預(yù)警裝置設(shè)計(jì)

2.1 工作原理

可編程序控制器（PLC）具有組合靈活、功能完善、使用簡便等特點(diǎn)，特別適合工業(yè)數(shù)據(jù)采集及控制領(lǐng)域，鄭蕓哲［6］等人使用PLC實(shí)現(xiàn)了司鉆控制系統(tǒng)，與人機(jī)界面（HMI）配合，可以提供方便操作的友好用戶界面。使用PLC及HMI設(shè)計(jì)了卡鉆預(yù)警裝置，其工作原理如圖1所示。

裝置選用了西門子公司的S7－200系列PLC及配套模塊［7］，使用集中式數(shù)據(jù)采集方式。用于鉆井參數(shù)測量的變送器輸出電壓或電流信號，經(jīng)隔離柵由模擬量輸入擴(kuò)展模塊EM231采集，數(shù)據(jù)送往中央處理單元CPU 222CN。HMI操作面板TP277經(jīng)過組態(tài)建立與中央處理單元外部變量的數(shù)據(jù)映射，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)算法輸出診斷結(jié)果并顯示。如果需要發(fā)出報(bào)警信號，HMI設(shè)置中央處理單元的數(shù)字I／O輸出，控制報(bào)警指示繼電器。隔離柵用于防爆，TP277操作面板符合IP65防護(hù)等級，所有其他電子線路均安裝在防爆機(jī)箱中以滿足防爆要求。

圖1 工作原理

2.2 神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)

如前所述，神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后得到各層的權(quán)重矩陣及偏差向量，使用式（1）即可根據(jù)輸入的鉆井參數(shù)得到擬合結(jié)果向量，經(jīng)過判斷準(zhǔn)則式（2）處理后得到最終診斷結(jié)果。該神經(jīng)網(wǎng)絡(luò)診斷過程牽涉到指數(shù)、矩陣等運(yùn)算，是較復(fù)雜的算法。對于PLC的梯形圖編程，實(shí)現(xiàn)復(fù)雜浮點(diǎn)運(yùn)算是一件麻煩的事情，而且PLC的低運(yùn)算速度也影響及時(shí)診斷。

西門子OP 270／TP 270及以上級別的HMI設(shè)備具有VB腳本（Visual Basic Script）功能，可以實(shí)現(xiàn)復(fù)雜的數(shù)學(xué)及邏輯算法，同時(shí)HMI計(jì)算速度也能達(dá)到設(shè)計(jì)要求。這里選擇西門子TP277操作面板，該面板配備5.7英寸TFT 256色觸摸液晶屏，有VB腳本編程功能［8］。VB腳本語言支持多維數(shù)組變量，可用于矩陣運(yùn)算，有豐富的VBS標(biāo)準(zhǔn)函數(shù)及系統(tǒng)函數(shù)可供調(diào)用，例如LinearScaling函數(shù)可直接用于歸一化處理。如下Sigmoid函數(shù)實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)輸入層激勵(lì)函數(shù)的功能：

2.3 HMI組態(tài)

西門子TP277操作面板有豐富的功能可用于卡鉆預(yù)警裝置。在使用WinCC flexible中國標(biāo)準(zhǔn)版組態(tài)工具時(shí)，不僅可以實(shí)現(xiàn)VB腳本功能，也可以容易地實(shí)現(xiàn)報(bào)警及數(shù)據(jù)記錄功能。圖2是卡鉆預(yù)警裝置的功能模塊圖，說明了每個(gè)硬件模塊實(shí)現(xiàn)的功能，其中頻率測量由CPU 222CN模塊處理。

圖2 卡鉆預(yù)警裝置功能模塊

TP277操作面板的運(yùn)行界面如圖3。

運(yùn)行界面直觀顯示了各個(gè)鉆井參數(shù)的實(shí)時(shí)數(shù)值，在出現(xiàn)井下復(fù)雜跡象時(shí)，顯示預(yù)警信息，同時(shí)報(bào)警指示繼電器閉合，發(fā)出聲光提示。每個(gè)鉆井參數(shù)均可設(shè)定報(bào)警門限，也可以在系統(tǒng)設(shè)置中設(shè)定數(shù)據(jù)記錄參數(shù)。

圖3 TP277操作面板運(yùn)行界面

3 結(jié)語

為了驗(yàn)證虛擬樣本神經(jīng)網(wǎng)絡(luò)算法模型的準(zhǔn)確性，收集了吐哈油田柯柯亞地區(qū)的井下復(fù)雜樣本共計(jì)12組，用該算法模型診斷，識別率為100%。說明不使用實(shí)際發(fā)生的井下復(fù)雜樣本來訓(xùn)練網(wǎng)絡(luò)，僅使用虛擬樣本即可達(dá)到較好的診斷效果。

用反映井下復(fù)雜發(fā)生規(guī)律的虛擬樣本對神經(jīng)網(wǎng)絡(luò)訓(xùn)練，可以結(jié)合專家系統(tǒng)及常規(guī)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，綜合已有的經(jīng)驗(yàn)知識，提高泛化及診斷能力。通過預(yù)報(bào)可能誘發(fā)卡鉆的井下復(fù)雜，能夠有的放矢、及時(shí)處理，避免卡鉆事故發(fā)生，因而具有較大的安全及生產(chǎn)價(jià)值。

［1］ 蔣希文.鉆井事故與復(fù)雜問題［M］.2版.北京：石油工業(yè)出版社，2006.

［2］ 鄒龍慶，方 剛，郭 鳳，等.基于神經(jīng)網(wǎng)絡(luò)的石油井架損傷定位識別［J］.石油礦場機(jī)械，2008，37（10）：23－26.

［3］ 杜美華，程國建，李中亞.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的油氣層識別模型［J］.石油礦場機(jī)械，2007，36（11）：1－4.

［4］ 竇春紅，林近山，寇興磊.基于BP神經(jīng)網(wǎng)絡(luò)的海洋平臺振動載荷識別［J］.石油礦場機(jī)械，2007，36（7）：11－15.

［5］ 崔鳳新，廖明燕.基于數(shù)據(jù)融合技術(shù)的鉆井過程故障診斷［J］.石油礦場機(jī)械，2008，37（12）：7－11.

［6］ 鄭蕓哲，齊明俠，沈 蓉，等.基于西門子PLC的司鉆控制系統(tǒng)［J］.石油礦場機(jī)械，2008，37（5）：53－56.

［7］ 西門子（中國）有限公司.S7－200CN可編程序控制器產(chǎn)品樣本［Z］.2008.

［8］ 西門子（中國）有限公司.SIMATIC Panel產(chǎn)品樣本［Z］.2008.

Pipe－sticking Warning Device Based on Neural Network Trained with Virtual Examples

HU Yong－jian1，HU Yan2
（1.XDEC Directional Well Company of CNPC，Shanshan838202，China；2.PetroChina East China Chemicals Marketing Company，Shanghai 200120，China）

In order to give an early warning for pipe－sticking accident，a neural network algorithm is used to diagnose downhole problems which can cause pipe－sticking accident.This neural network algorithm that trained with virtual examples designed to represent specialist knowledge achieves a better recognition rate of downhole problems.A pipe－sticking warning device beingfit for rig－site utilization was designed with PLC and HMI using centralized data acquisition technology.The experiments showed that this pipe－sticking warning device could eliminate accident potential and was very promising in drilling field application.

neural network；virtual example；pipe－sticking；downhole problem；early warning

1001－3482（2011）09－0080－04

TE927

B

2011－03－07

胡永建（1970－），男，河南商水人，高級工程師，碩士，主要從事鉆井工藝技術(shù)研究。