礦山救援鉆孔中井涌井漏事故預(yù)警預(yù)測

陳衛(wèi)明，王家文，凡 東，郝世俊，趙江鵬，邱 雨

(1.中國地質(zhì)大學(xué)(武漢) 工程學(xué)院，湖北 武漢 430074；2.中國地質(zhì)大學(xué)(武漢) 自然災(zāi)害風(fēng)險防控與應(yīng)急管理實(shí)驗(yàn)室，湖北 武漢 430074；3.陜西省煤礦水害防治技術(shù)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710077；4.中煤科工西安研究院(集團(tuán))有限公司，陜西 西安 710077)

煤炭作為我國重要能源之一，煤炭資源百分之九十以上為地下開采，且賦存條件較為復(fù)雜[1]。近年來，隨著煤礦資源開發(fā)的不斷深入，淺部煤層已開采殆盡，需增加礦區(qū)開采深度以滿足對煤礦能源的需求，多數(shù)采礦深度已經(jīng)達(dá)到了800 m 以上，所處地質(zhì)條件復(fù)雜。礦井透水、瓦斯等事故給煤礦安全生產(chǎn)帶來挑戰(zhàn)，礦山事故救援難度增大[2]。在礦難事故發(fā)生時，解救困在井下巷道的人員，快速建立應(yīng)急救援通道是減少人員傷亡和經(jīng)濟(jì)損失的關(guān)鍵[3]。目前救援方式主要有井下和地面兩種，相較而言，井下救援方式受制于災(zāi)后巷道條件且危險系數(shù)大，因而地面鉆進(jìn)救援技術(shù)應(yīng)運(yùn)而生，地面救援一般是通過小直徑鉆孔形成搜救孔結(jié)合探測設(shè)備搜尋被困人員，然后采用大直徑鉆孔構(gòu)造救援孔營救被困人員[4]。在建立救援孔的鉆進(jìn)過程中，由于地質(zhì)構(gòu)造復(fù)雜、鉆孔施工工藝及設(shè)備等各種因素會增加鉆進(jìn)作業(yè)的危險性。其中井涌井漏事故屬于經(jīng)常發(fā)生，且對人員生命與財(cái)產(chǎn)危害較大的鉆進(jìn)事故類型[5]。為構(gòu)建安全高效的救援通道，在鉆進(jìn)過程中加強(qiáng)對該類事故的控制、建立高可靠性的事故預(yù)警預(yù)測系統(tǒng)顯得尤為重要。確保系統(tǒng)及時診斷鉆進(jìn)事故并預(yù)測其發(fā)展?fàn)顟B(tài)、使現(xiàn)場人員及時采取有效的事故控制措施，是保障礦山井下事故成功救援的關(guān)鍵[6]。

隨著機(jī)器學(xué)習(xí)技術(shù)在人類生產(chǎn)生活中的運(yùn)用愈發(fā)廣泛，諸多國內(nèi)外學(xué)者已將這類技術(shù)用于鉆孔鉆探行業(yè)的風(fēng)險、事故識別控制中[7]。目前國內(nèi)外學(xué)者對于鉆進(jìn)過程事故診斷識別和預(yù)警研究開展了大量的研究工作，主要通過引入動力學(xué)建模、傳統(tǒng)機(jī)器學(xué)習(xí)、計(jì)算機(jī)大數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)等算法實(shí)現(xiàn)對鉆進(jìn)過程事故的預(yù)警預(yù)測[8]。(1)在動力學(xué)建模方面，國內(nèi)外學(xué)者主要是采用精確的地質(zhì)建模與壓力預(yù)測技術(shù)，配合隨鉆測量系統(tǒng)并建立數(shù)據(jù)更新模型實(shí)現(xiàn)鉆進(jìn)過程事故預(yù)警[9]；此外，還通過鉆進(jìn)參數(shù)變化仿真建模模擬事故發(fā)生時的參數(shù)特征變化，為操作人員在鉆進(jìn)過程事故診斷提供參考[10]。(2)在傳統(tǒng)機(jī)器學(xué)習(xí)方面，有學(xué)者提出將鉆進(jìn)過程的實(shí)時工程參數(shù)作為輸入，鉆進(jìn)狀態(tài)作為輸出，采用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)井涌的早期計(jì)算和監(jiān)測[11]，后續(xù)研究又將鉆孔、地質(zhì)等數(shù)據(jù)作為動態(tài)神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)鉆孔井漏的預(yù)測計(jì)算[12]，其研究思路是采用動態(tài)神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)鉆井工程參數(shù)的變化趨勢與事故之間的關(guān)聯(lián)關(guān)系從而建立石油鉆井事故預(yù)警方法[13]。(3)大數(shù)據(jù)技術(shù)與神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方法是近年來的研究熱點(diǎn)，其基本研究思路是在歷史作業(yè)數(shù)據(jù)的基礎(chǔ)上，通過建立神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對作業(yè)過程態(tài)勢預(yù)測，所采用的模型主要有BP神經(jīng)網(wǎng)絡(luò)、案例推理、貝葉斯網(wǎng)絡(luò)、深度學(xué)習(xí)等。如利用鄰井作業(yè)數(shù)據(jù)，通過BP 神經(jīng)網(wǎng)絡(luò)預(yù)測鉆井過程中鉆井液出口流量，并與正常鉆進(jìn)過程的出口流量進(jìn)行對比，實(shí)時監(jiān)測井涌事故發(fā)展?fàn)顟B(tài)[14]；基于案例推理技術(shù)與鉆進(jìn)事故表征數(shù)據(jù)，實(shí)時分析現(xiàn)場數(shù)據(jù)與歷史事故數(shù)據(jù)之間相似度，實(shí)現(xiàn)鉆進(jìn)過程事故預(yù)警[15]；基于貝葉斯網(wǎng)絡(luò)模型與鉆井工程參數(shù)，模型通過提取鉆進(jìn)參數(shù)與井涌井漏事故之間邏輯關(guān)系，實(shí)現(xiàn)鉆進(jìn)過程井涌井漏事故的預(yù)警預(yù)報[16]?；贚STM 神經(jīng)網(wǎng)絡(luò)模型與鉆井工程參數(shù)，學(xué)習(xí)鉆進(jìn)參數(shù)時間序列數(shù)據(jù)與鉆進(jìn)事故類型對應(yīng)關(guān)系，實(shí)現(xiàn)鉆進(jìn)過程事故預(yù)警[17]。綜上，國內(nèi)外學(xué)者針對鉆進(jìn)過程中的井涌井漏事故預(yù)警預(yù)測技術(shù)進(jìn)行了大量的科學(xué)研究，也取得了較多的研究成果，但對于井涌井漏事故的診斷以及事故發(fā)展?fàn)顟B(tài)預(yù)測的研究還處于探索階段，尚需進(jìn)一步挖掘鉆進(jìn)過程中的工程數(shù)據(jù)與井涌井漏事故之間的關(guān)聯(lián)，解決模型實(shí)際應(yīng)用過程中存在預(yù)警預(yù)測效果不理想和泛化性較差等問題。

針對以上問題，構(gòu)建了一種礦山地面救援通道鉆進(jìn)過程中井涌井漏事故預(yù)警預(yù)測模型。模型由XGBoost事故診斷預(yù)警模型與PSO-LSTM 事故發(fā)展?fàn)顟B(tài)預(yù)測模型組成。該模型首先對實(shí)時采集的鉆進(jìn)參數(shù)進(jìn)行數(shù)據(jù)清洗處理，提取時間節(jié)點(diǎn)的參數(shù)變化趨勢；然后通過XGBoost 集成分類模型對鉆進(jìn)過程中井涌井漏事故進(jìn)行早期的診斷識別；最后采用PSO-LSTM 神經(jīng)網(wǎng)絡(luò)對事故發(fā)生后的孔底壓力參數(shù)發(fā)展趨勢進(jìn)行預(yù)測，進(jìn)而掌握井涌井漏事故的發(fā)展?fàn)顟B(tài)與風(fēng)險等級。該模型深度挖掘鉆進(jìn)數(shù)據(jù)與事故之間的邏輯關(guān)系，且充分發(fā)揮機(jī)器學(xué)習(xí)技術(shù)在精準(zhǔn)分析、快速高效判斷等優(yōu)勢，實(shí)時分析鉆進(jìn)數(shù)據(jù)、監(jiān)測井涌井漏參數(shù)變化趨勢，實(shí)現(xiàn)實(shí)時預(yù)警預(yù)測，為救援鉆孔過程中井漏井涌事故控制提供了全新的思路。

1 井涌井漏事故表征參數(shù)分析

在地面救援通道鉆孔過程中，轉(zhuǎn)盤或動力頭(頂驅(qū))驅(qū)動鉆桿帶動鉆頭回轉(zhuǎn)，給進(jìn)裝置或絞車通過控制鉆具的下放速度給予鉆頭適當(dāng)鉆壓，泥漿泵循環(huán)泥漿沖洗井底、攜出巖屑，并維持井內(nèi)壓力，保證井壁的相對穩(wěn)定[18]。當(dāng)?shù)貙又杏凶匀恍纬傻穆┦ǖ阑蜚@井液密度過高時，地層壓力低于井筒內(nèi)壓力，導(dǎo)致鉆井液從井內(nèi)流入地層，造成井漏事故。當(dāng)鉆遇高壓地層或起鉆速度過高時，地層壓力高于井筒內(nèi)壓力，導(dǎo)致地層孔隙內(nèi)的流體滲入井內(nèi)，造成井涌事故[18]。井漏事故如未及時采取堵漏措施，會導(dǎo)致井下復(fù)雜情況或井下安全事故的發(fā)生；井涌事故如未及時采取控制措施，會對鉆井液造成污染，隨著井涌量增大，最終會演變?yōu)榫畤姷戎卮蟀踩鹿蔥19]。井涌井漏事故的失控會導(dǎo)致救援通道構(gòu)建速度減緩、延誤最佳救援時間、降低鉆孔救援成功率，甚至危及救援鉆孔作業(yè)人員的生命安全[20]。

在井涌井漏事故發(fā)生初期，可通過鉆進(jìn)工程參數(shù)的異常變化診斷事故，但依據(jù)某一項(xiàng)參數(shù)的變化識別鉆進(jìn)事故并不全面。為充分挖掘鉆進(jìn)參數(shù)與事故之間的邏輯關(guān)聯(lián)，需綜合考慮多項(xiàng)鉆進(jìn)參數(shù)來識別井涌井漏事故，以此確保預(yù)警模型的準(zhǔn)確性與科學(xué)性。經(jīng)過對井涌井漏事故的分析，選取以下4 項(xiàng)鉆進(jìn)參數(shù)進(jìn)行討論。

(1) 總池體積：整個鉆進(jìn)循環(huán)系統(tǒng)鉆井液量保持不變情況下，如遇井涌事故，鉆井液返出量增大，泥漿池液面高度會增加，故泥漿液總池體積增大；如遇井漏事故，鉆井液地層內(nèi)滲漏導(dǎo)致井筒內(nèi)鉆井液減少，鉆井液返出量減少，故泥漿液總池體積減小。

(2) 立管壓力：在正常鉆進(jìn)時，立管壓力通常保持相對平穩(wěn)的狀態(tài)，而發(fā)生井涌事故時，會導(dǎo)致立管壓力上升或下降；發(fā)生井漏事故時，鉆井液返速減小，與環(huán)空間的摩阻減小，會導(dǎo)致立管壓力下降。

(3) 出入口流量差：在正常鉆進(jìn)過程中入口流量保持不變的情況下，如發(fā)生井涌事故，鉆井液的出口流速、流量增大，導(dǎo)致出入口流量差增高；如發(fā)生井漏事故時，井筒內(nèi)泥漿部分滲入到地層中，出口流量減小，導(dǎo)致出入口流量差減小。

(4) 動力頭負(fù)荷：地層內(nèi)流體密度與鉆井液密度存在差異，通常地層流體密度小于鉆井液密度，如有井涌井漏事故時，密度差產(chǎn)生的浮力變化會導(dǎo)致動力頭載荷產(chǎn)生上下浮動。

出入口流量差導(dǎo)致總池體積發(fā)生變化，由于監(jiān)測過程不同且鉆進(jìn)參數(shù)在傳輸過程可能產(chǎn)生數(shù)據(jù)丟失或者是信號弱的情況，二者可作為互補(bǔ)參數(shù)以提高模型可靠性；立管壓力與動力頭負(fù)荷這兩項(xiàng)參數(shù)在正常鉆進(jìn)過程中變化不大，在出現(xiàn)井涌井漏事故時這兩項(xiàng)參數(shù)上升或下降的比例相對增加，能一定程度表征井涌井漏事故的發(fā)生。

綜合以上討論，選取這4 項(xiàng)鉆進(jìn)參數(shù)，作為井涌井漏事故診斷的特征參數(shù)，通過其變化發(fā)展趨勢判斷是否發(fā)生井涌井漏事故。鉆進(jìn)參數(shù)的發(fā)展變化趨勢與事故類型的邏輯關(guān)系見表1。

表1 鉆進(jìn)參數(shù)與事故邏輯關(guān)系Table 1 Logic relationship between drilling parameters and accidents

實(shí)時監(jiān)測鉆進(jìn)參數(shù)的變化情況，根據(jù)表征參數(shù)在一定時間窗口內(nèi)的變化趨勢，即可預(yù)知井涌井漏事故的發(fā)展態(tài)勢，為現(xiàn)場作業(yè)人員提供充足的數(shù)據(jù)支持與準(zhǔn)備時間，迅速采取科學(xué)合理的應(yīng)急措施，有利于鉆孔作業(yè)繼續(xù)開展。此外，在鉆進(jìn)過程中，維持孔底壓力與地層壓力之間的動態(tài)平衡至關(guān)重要，當(dāng)孔底壓力與地層壓力之間的平衡被打破時，會導(dǎo)致井涌井漏事故發(fā)生。因此，孔底壓力是現(xiàn)場技術(shù)人員重點(diǎn)關(guān)注的參數(shù)，也能直接反映井涌井漏事故的發(fā)展?fàn)顟B(tài)。孔底壓力參數(shù)的變化是由多種因素綜合導(dǎo)致的，既與當(dāng)前鉆進(jìn)的地質(zhì)構(gòu)造條件有關(guān)又與人為操作等因素有關(guān)，若設(shè)想采用多相方程去計(jì)算孔底壓力參數(shù)的變化趨勢，則需要考慮的因素過多、計(jì)算過程復(fù)雜，難以滿足救援鉆孔施工現(xiàn)場實(shí)時預(yù)測的需求，無法快速準(zhǔn)確預(yù)測孔底壓力參數(shù)發(fā)展趨勢。孔底壓力參數(shù)的變化與時間關(guān)聯(lián)密切，數(shù)值并非隨機(jī)產(chǎn)生而是具有一定規(guī)律性，因此，本文考慮將其視為一維時間序列數(shù)據(jù)去進(jìn)行分析。通過預(yù)測孔底壓力參數(shù)在事故發(fā)生后的變化趨勢，掌握井涌井漏的嚴(yán)重程度與發(fā)展?fàn)顟B(tài)。

綜合分析各個事故表征參數(shù)的特點(diǎn)，選取總池體積、立管壓力、出入口流量差及動力頭負(fù)荷這4 個參數(shù)作為事故預(yù)警模型的特征參數(shù)，將孔底壓力作為預(yù)測模型的特征參數(shù)。

2 井涌井漏事故預(yù)警預(yù)測模型

模型首先對鉆孔現(xiàn)場實(shí)時采集的鉆進(jìn)參數(shù)進(jìn)行數(shù)據(jù)清洗處理，提取時間節(jié)點(diǎn)的參數(shù)變化趨勢；然后通過XGBoost 事故診斷預(yù)警模型對井涌井漏事故進(jìn)行早期診斷識別；最后采用PSO-LSTM 事故發(fā)展預(yù)測模型對事故發(fā)生后的孔底壓力參數(shù)的發(fā)展趨勢進(jìn)行預(yù)測分析，實(shí)現(xiàn)事故發(fā)展趨勢和風(fēng)險程度的提前預(yù)警，使司鉆人員及時采取有效科學(xué)的安全控制措施，保證救援鉆孔作業(yè)高效開展。

2.1 XGBoost 事故診斷模型

作為目前機(jī)器學(xué)習(xí)領(lǐng)域最熱門的研究方向之一，集成學(xué)習(xí)在工程技術(shù)方面的應(yīng)用愈發(fā)廣泛，XGBoost 作為集成學(xué)習(xí)中一種高效的梯度提升決策樹算法，在原有的梯度提升樹(GBDT，Gradient Boosting Decision Tree)基礎(chǔ)上優(yōu)化改進(jìn)，使得模型運(yùn)算效果得到大幅提升[21]。作為一種前向加法模型，采用集成思想-Boosting思想，將多個弱學(xué)習(xí)器組合為一個強(qiáng)學(xué)習(xí)器[22]。即用多棵樹共同決策，并將所有的結(jié)果累加得到最終的結(jié)果，以此提升模型的性能[23]。構(gòu)建XGBoost 事故診斷預(yù)警模型，挖掘鉆孔過程中鉆進(jìn)參數(shù)趨勢變化規(guī)律與井涌井漏事故之間的映射關(guān)系，實(shí)現(xiàn)對鉆進(jìn)過程井涌井漏事故進(jìn)行早期的診斷識別。根據(jù)井涌井漏事故表征規(guī)律的分析，構(gòu)建多分類XGBoost 機(jī)器學(xué)習(xí)模型，基于實(shí)際工程數(shù)據(jù)，訓(xùn)練XGBoost 分類模型。通過輸入總池體積、立管壓力、出入口流量差和動力頭負(fù)荷這4 項(xiàng)鉆進(jìn)參數(shù)的時間節(jié)點(diǎn)變化趨勢，輸出無事故風(fēng)險、井涌風(fēng)險、井漏風(fēng)險這3 種標(biāo)簽，判斷事故類型。

由于在鉆孔施工現(xiàn)場監(jiān)測采集到的鉆進(jìn)參數(shù)單位各不相同，變化范圍往往也具有較大差異，例如立管壓力的變化范圍大概為0～10 MPa，而總池體積的變化范圍大概為0～120 m3。并且由于地質(zhì)和工程技術(shù)等因素，對于同一項(xiàng)工程參數(shù)，不同鉆孔的變化范圍也都有所差異。雖在發(fā)生井涌井漏事故時對應(yīng)參數(shù)的變化趨勢大體相同，但由于具體數(shù)值不同，不利于模型的訓(xùn)練與驗(yàn)證。為了保證后續(xù)參數(shù)趨勢特征提取以及模型訓(xùn)練的準(zhǔn)確性，需要對采集到的鉆進(jìn)參數(shù)進(jìn)行數(shù)據(jù)清洗工作。為消除不同單位與量綱之間的影響，以及在網(wǎng)絡(luò)訓(xùn)練中更快達(dá)到收斂。由于本文采集到的數(shù)據(jù)集中，故選用消除量綱和數(shù)據(jù)取值范圍影響的最簡單的Min-Max 標(biāo)準(zhǔn)化進(jìn)行數(shù)據(jù)歸一化。采用歸一化處理，使得各個鉆進(jìn)參數(shù)都映射到[0,1]。Min-Max 標(biāo)準(zhǔn)化如下式：

經(jīng)過Min-Max 標(biāo)準(zhǔn)化處理后的數(shù)據(jù)能夠屏蔽數(shù)據(jù)值不同帶來的影響，專注于保留數(shù)據(jù)本身的發(fā)展趨勢特征，有效提升了模型的準(zhǔn)確性與泛化性。

此外，由于外界因素的干擾，所采集到的鉆進(jìn)參數(shù)往往含有噪聲，如果對含有過多噪聲的數(shù)據(jù)進(jìn)行趨勢特征提取往往無法保證趨勢提取的準(zhǔn)確性，為降低噪聲對趨勢特征提取的影響，采用對周期性干擾有良好的抑制作用的滑動平均法對歸一化后的數(shù)據(jù)進(jìn)行處理，公式如下：

經(jīng)過滑動平均法處理后的數(shù)據(jù)規(guī)避了某單個噪聲點(diǎn)所帶來的不確定性，平緩了數(shù)據(jù)抖動、完整地保留了原始數(shù)據(jù)的整體趨勢，在確保關(guān)鍵信息沒有丟失前提下，加快趨勢特征提取算法的運(yùn)算速度與準(zhǔn)確性。

對鉆進(jìn)參數(shù)進(jìn)行歸一化和滑動平均法處理后，消除了不同鉆孔之間的數(shù)據(jù)差距，著重于數(shù)據(jù)的趨勢特征提取。引入長短期均值差值概念來判斷時間節(jié)點(diǎn)的參數(shù)變化趨勢。當(dāng)前時間節(jié)點(diǎn)前S-T 秒時間窗口內(nèi)的數(shù)據(jù)均值作為此時間節(jié)點(diǎn)的短期時間窗口均值，記為MST；當(dāng)前時間節(jié)點(diǎn)前L-T 秒時間窗口內(nèi)的數(shù)據(jù)均值作為該點(diǎn)的長期時間窗口均值，記為MLT。那么長短期均值差就被定義為MST與MLT的差值，記為MD，公式如下：

選取的時間窗口長度大于數(shù)據(jù)隨機(jī)波動周期，故當(dāng)參數(shù)呈上升趨勢時，短期均值始終大于長期均值，MD值大于零；同理當(dāng)參數(shù)呈下降趨勢時，MD值小于零。

2.2 PSO-LSTM 事故發(fā)展預(yù)測模型

識別井涌井漏事故發(fā)生后，如提前掌握事故發(fā)展?fàn)顟B(tài)，方可為后續(xù)的井涌井漏事故處置提供科學(xué)方法與數(shù)據(jù)支持，有利于鉆孔過程順利進(jìn)行?？椎讐毫?shù)的變化情況能夠迅速準(zhǔn)確表征井涌井漏事故的發(fā)展?fàn)顟B(tài)。將孔底壓力參數(shù)視作一維時間序列數(shù)據(jù)，采用經(jīng)粒子群算法優(yōu)化的長短期記憶網(wǎng)絡(luò)(PSO-LSTM)預(yù)測一定時間窗口后的孔底壓力變化情況。

LSTM 是應(yīng)用最廣泛的循環(huán)神經(jīng)網(wǎng)絡(luò)之一，針對RNN(Recurrent Neural Network)長期記憶力不足、存在梯度消失與梯度爆炸等問題而提出[24]。LSTM 相比于RNN，在訓(xùn)練長時間序列時有更好的性能表現(xiàn)。LSTM引入門控機(jī)制來控制長期信息的累積程度，有選擇地加入新信息，有選擇地遺忘累積的信息[25]。LSTM 網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 LSTM network structure

LSTM 有遺忘門、輸入門和輸出門3 個門控單元。

(1) 遺忘門：控制上一個時刻的記憶單元狀態(tài)Ct-1需要遺忘多少信息、保留多少信息到當(dāng)前記憶單元狀態(tài)Ct。計(jì)算如下式：

(2) 輸入門：決定當(dāng)前時刻輸入xt有多少信息輸入到當(dāng)前記憶單元狀態(tài)Ct。計(jì)算如下式：

(3) 輸出門：控制當(dāng)前時刻的記憶單元狀態(tài)Ct有多少信息給到輸出狀態(tài)ht。計(jì)算如下式：

雖然長短期記憶網(wǎng)絡(luò)的出現(xiàn)解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的些許不足，但在模型訓(xùn)練過程中，其網(wǎng)絡(luò)超參數(shù)往往難以確定，不同參數(shù)的選取對預(yù)測結(jié)果存在很大的影響[26]。粒子群優(yōu)化算法最初是受到飛鳥集群活動的規(guī)律性啟發(fā)，利用群體智能而建立的模型[27]。粒子群算法在對動物集群活動行為觀察基礎(chǔ)上，利用群體中的個體對信息的共享使整個群體的運(yùn)動在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得最優(yōu)解[28]。因此，粒子群算法廣泛應(yīng)用在解決各種超參數(shù)優(yōu)化問題。應(yīng)用粒子群優(yōu)化算法對LSTM 神經(jīng)網(wǎng)絡(luò)的隱藏層個數(shù)L1、學(xué)習(xí)率ε和訓(xùn)練迭代次數(shù)k這3 個超參數(shù)進(jìn)行搜索，建立PSO-LSTM 模型，尋找最優(yōu)參數(shù)組合使預(yù)測結(jié)果更加精準(zhǔn)?；赑SO 優(yōu)化LSTM 網(wǎng)絡(luò)超參數(shù)的具體步驟如下。

(1)預(yù)處理原始數(shù)據(jù)，使用歸一化、滑動平均法進(jìn)行處理，將數(shù)據(jù)縮放到一個區(qū)間，消除不同單位與量綱帶來的影響，同時降低了噪聲對趨勢特征提取的影響。

(2)建立LSTM 模型，確定使用粒子群算法尋優(yōu)的超參數(shù)，隱藏層個數(shù)L1，學(xué)習(xí)率ε，訓(xùn)練迭代次數(shù)k，并確定各超參數(shù)的尋優(yōu)范圍。

(3)初始化PSO 粒子群參數(shù)，包括尋優(yōu)粒子數(shù)、迭代次數(shù)、權(quán)重系數(shù)和加速因子。

(4)隨機(jī)初始化每個粒子的位置和速度：

(5)采用均方根誤差(ERMS)設(shè)置為PSO 的適應(yīng)度函數(shù)f(x)：

(6)計(jì)算對比粒子每次迭代時的適應(yīng)度值，確定個體最優(yōu)及全局最優(yōu)位置，依據(jù)式(10)、式(11)不斷更新粒子的速度和位置，直到達(dá)到迭代次數(shù)或者滿足收斂條件。此時，適應(yīng)度達(dá)到最優(yōu)值，方可確定LSTM 網(wǎng)絡(luò)模型的隱藏層個數(shù)、迭代次數(shù)和學(xué)習(xí)率的最優(yōu)超參數(shù)組合。

PSO-LSTM 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測流程如圖2 所示。

圖2 PSO-LSTM 預(yù)測模型流程Fig.2 PSO-LSTM prediction model process

3 實(shí)驗(yàn)分析

3.1 XGBoost 事故診斷模型實(shí)驗(yàn)分析

選取3 組井的實(shí)際鉆進(jìn)數(shù)據(jù)作為XGBoost 模型的訓(xùn)練數(shù)據(jù)集，這3 組工程數(shù)據(jù)包括了402 項(xiàng)井涌事故數(shù)據(jù)、267 項(xiàng)井漏事故數(shù)據(jù)以及124 項(xiàng)正常鉆進(jìn)的數(shù)據(jù)。總池體積、出入口流量、立管壓力、動力頭負(fù)荷這4 項(xiàng)參數(shù)在實(shí)際情況中同步獲取。

訓(xùn)練數(shù)據(jù)集中4 種鉆進(jìn)參數(shù)的變化趨勢符合井涌井漏事故表征規(guī)律分析，3 組數(shù)據(jù)采樣時間間隔均為30 s，選取的時間窗口長度大于經(jīng)過數(shù)據(jù)清洗處理后數(shù)據(jù)的隨機(jī)波動周期。因此，長短期均值差的值可快速準(zhǔn)確地表征數(shù)據(jù)的變化趨勢，得到時間節(jié)點(diǎn)參數(shù)變化情況以及對應(yīng)的鉆進(jìn)狀態(tài)。由于發(fā)生事故時這4 種參數(shù)的變化趨勢會有所差異，訓(xùn)練數(shù)據(jù)要包括所有可能發(fā)生的情況，以確保模型的準(zhǔn)確性與通用性。表2-表4 中的所有數(shù)據(jù)都已經(jīng)過標(biāo)準(zhǔn)化處理。由于數(shù)據(jù)量較大，因此，表2-表4 從完整數(shù)據(jù)集中隨機(jī)選取具有代表性的幾組數(shù)據(jù)。模型部分的訓(xùn)練數(shù)據(jù)見表2，其中標(biāo)簽1 代表無事故風(fēng)險、標(biāo)簽2 代表存在井涌事故風(fēng)險、標(biāo)簽3 代表存在井漏事故風(fēng)險。

表2 XGBOOST 事故診斷模型訓(xùn)練數(shù)據(jù)Table 2 Training data of XGBOOST

表2 中序號50～55 這6 行數(shù)據(jù)是正常鉆進(jìn)過程無井涌井漏事故的訓(xùn)練數(shù)據(jù)，理想情況下數(shù)值不應(yīng)有波動，即長短期均值差值MD都應(yīng)為零?？紤]到在數(shù)據(jù)監(jiān)測以及數(shù)據(jù)處理過程中存在誤差，因此，這些無事故的訓(xùn)練數(shù)據(jù)都為絕對值較小的數(shù)值且不考慮正負(fù)。

選取一組井涌數(shù)據(jù)和一組井漏數(shù)據(jù)驗(yàn)證模型預(yù)警的有效性。對這兩組數(shù)據(jù)進(jìn)行歸一化以及滑動平均法處理，驗(yàn)證數(shù)據(jù)采樣時間間隔與訓(xùn)練集相同也為30 s。對這兩組數(shù)據(jù)進(jìn)行趨勢特征提取，得到時間節(jié)點(diǎn)鉆進(jìn)參數(shù)的長短期均值差，由此表征參數(shù)的變化趨勢。針對這兩組井段數(shù)據(jù)特點(diǎn)，短時間窗口選擇3 min，長時間窗口選擇5 min。驗(yàn)證集井涌數(shù)據(jù)各時間節(jié)點(diǎn)鉆進(jìn)參數(shù)變化趨勢與實(shí)際鉆進(jìn)狀態(tài)見表3。驗(yàn)證集井漏數(shù)據(jù)各時間節(jié)點(diǎn)鉆進(jìn)參數(shù)變化趨勢與實(shí)際鉆進(jìn)狀態(tài)見表4。

表3 井涌時參數(shù)變化趨勢Table 3 Variations trend of kick parameters

表4 井漏時參數(shù)變化趨勢Table 4 Variations trend of lost circulation parameters

通過將表3、表4 的數(shù)據(jù)輸入模型，通過事故報警是否及時這一評價指標(biāo)去評價XGBoost 事故診斷模型的有效性。針對井涌事故數(shù)據(jù)，該模型在第35 個時間節(jié)點(diǎn)診斷出該井段發(fā)生井涌事故，這與數(shù)據(jù)的所記錄的事故發(fā)生時間節(jié)點(diǎn)一致；針對井漏事故數(shù)據(jù)，該模型在第37 個時間節(jié)點(diǎn)診斷出該井段發(fā)生井漏事故，也與數(shù)據(jù)所記錄的時間節(jié)點(diǎn)相同。

綜合實(shí)際鉆進(jìn)數(shù)據(jù)實(shí)驗(yàn)分析，得出XGBoost 集成分類模型適用于鉆進(jìn)過程中的井涌井漏事故預(yù)警，其診斷速度快、準(zhǔn)確性高，不存在虛報漏報的情況。XGBoost模型的參數(shù)多達(dá)幾十個，其分類效果很大程度上依賴于參數(shù)的選擇。用傳統(tǒng)方法尋找最優(yōu)參數(shù)存在效率低下、準(zhǔn)確性低等問題。在未來的研究中可考慮應(yīng)用模擬退火(Simulated Annealing)、遺傳算法(Genetic Algorithms)和貝葉斯優(yōu)化(Bayesian Optimization)等智能優(yōu)化算法實(shí)現(xiàn)超參數(shù)的尋優(yōu)，更好地發(fā)揮模型的優(yōu)勢。

3.2 PSO-LSTM 事故發(fā)展預(yù)測模型實(shí)驗(yàn)分析

針對PSO-LSTM 事故發(fā)展預(yù)測模型，應(yīng)分別選取井涌、井漏事故后的孔底壓力參數(shù)作為模型驗(yàn)證數(shù)據(jù)。由于兩種情況實(shí)驗(yàn)分析原理類似，因此，選取發(fā)生井涌事故的孔底壓力參數(shù)作為模型驗(yàn)證數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。數(shù)據(jù)的變化趨勢符合事故發(fā)生后的孔底壓力參數(shù)變化的一般規(guī)律。數(shù)據(jù)采樣間隔為一個時間節(jié)點(diǎn)30 s，孔底壓力參數(shù)在第160 個時間節(jié)點(diǎn)附近發(fā)生明顯下降，發(fā)生井涌事故?？椎讐毫﹄S時間變化情況如圖3 藍(lán)色線條所示。

圖3 孔底壓力時序與各模型預(yù)測結(jié)果對比Fig.3 Comparison of downhole pressure time series data and various model prediction results

基于井涌事故發(fā)生前的孔底壓力參數(shù)數(shù)據(jù)去訓(xùn)練PSO-LSTM 神經(jīng)網(wǎng)絡(luò)模型，學(xué)習(xí)孔底壓力變化發(fā)展規(guī)律，預(yù)測井涌事故發(fā)生之后孔底壓力參數(shù)的發(fā)展趨勢。同時選取BP 神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)以及支持向量機(jī)(SVM)這3 個傳統(tǒng)時間序列預(yù)測模型作為對照組進(jìn)行試驗(yàn)，驗(yàn)證PSO-LSTM 神經(jīng)網(wǎng)絡(luò)模型預(yù)測孔底壓力參數(shù)的可行性。選取發(fā)生井涌事故之前的孔底壓力數(shù)據(jù)作為訓(xùn)練集，事故之后的孔底壓力參數(shù)作為驗(yàn)證集。這4 種模型預(yù)測的預(yù)測結(jié)果如圖3 所示。

通過觀察預(yù)測對比圖可得出BP、RNN、SVM、PSO-LSTM 這4 種預(yù)測模型都可以預(yù)測出孔底壓力時間序列數(shù)據(jù)發(fā)展的大概趨勢，BP 神經(jīng)網(wǎng)絡(luò)與SVM 雖然成功預(yù)測了孔底壓力的大致發(fā)展趨勢，但是由于這兩個模型的網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)不擅長學(xué)習(xí)長期數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系。導(dǎo)致數(shù)據(jù)預(yù)測值與真實(shí)值誤差較大，不能很好地反映出井涌事故的發(fā)展?fàn)顟B(tài)；RNN 與PSO-LSTM 都屬于循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠很好地學(xué)習(xí)并且長時間序列數(shù)據(jù)的波動性與趨勢性，但是由于RNN 存在長期記憶力不足和無法確定最優(yōu)超參數(shù)組合等問題。因此在預(yù)測數(shù)據(jù)的準(zhǔn)確性上遜于加入了粒子群優(yōu)化算法的PSO-LSTM神經(jīng)網(wǎng)絡(luò)。

綜上PSO-LSTM 模型在訓(xùn)練長時間序列時，通過其他神經(jīng)網(wǎng)絡(luò)模型所不具備的三個門控單元更好學(xué)習(xí)孔底壓力參數(shù)發(fā)展規(guī)律。能夠很好地預(yù)測孔底壓力參數(shù)的趨勢性，對具有波動性的趨勢突變數(shù)據(jù)點(diǎn)預(yù)測及時準(zhǔn)確，與真實(shí)數(shù)據(jù)擬合的效果最好，可作為高效精準(zhǔn)的孔底壓力參數(shù)預(yù)測工具。

為定量評價4 種預(yù)測模型的準(zhǔn)確性，采用均方根誤差(ERMS)、平均絕對百分比誤差(EMAP)、平均絕對誤差(EMA)以及決定系數(shù)(R2)共4 項(xiàng)作為預(yù)測模型性能的評價指標(biāo)，對模型預(yù)測準(zhǔn)確性進(jìn)行分析判斷。其中ERMS、EMAP、EMA這3 項(xiàng)評價指標(biāo)都能夠反映出真實(shí)值與模型預(yù)測值的誤差大小，指標(biāo)數(shù)值越小代表預(yù)測精度越高；R2的取值范圍為[0,1]，用來描述模型對觀測數(shù)據(jù)的擬合程度，R2越接近1 表示模型對數(shù)據(jù)的擬合程度越好。這4 項(xiàng)指標(biāo)的計(jì)算式為：

下面對各個模型的預(yù)測性能進(jìn)行定量分析，評價指標(biāo)具體結(jié)果見表5。

表5 各模型的評價指標(biāo)Table 5 Evaluation indicators for various models

通過表5 方可直觀對比4 項(xiàng)評價指標(biāo)的值，BP 神經(jīng)網(wǎng)絡(luò)與SVM 的各項(xiàng)評價指標(biāo)數(shù)值是各模型中最大的，與上文的根據(jù)預(yù)測圖像分析的結(jié)果一致，模型預(yù)測結(jié)果與真實(shí)孔底壓力參數(shù)的發(fā)展?fàn)顟B(tài)相差較大，與真實(shí)值擬合效果較差。傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的EMAP、EMA、ERMS比PSO-LSTM 高，R2比PSO-LSTM 低，與真實(shí)值的擬合效果不如PSO-LSTM。綜合EMAP、EMA、ERMS、R2這4 項(xiàng)誤差評價指標(biāo)，PSO-LSTM 模型的預(yù)測性能是最優(yōu)秀的，準(zhǔn)確反映了孔底壓力參數(shù)的變化趨勢。PSO-LSTM 模型在預(yù)測時間序列數(shù)據(jù)時，通過訓(xùn)練學(xué)習(xí)歷史時間序列數(shù)據(jù)發(fā)展的趨勢性與周期性等信息。結(jié)合孔底壓力參數(shù)前后序列值非隨機(jī)產(chǎn)生，在時間維度上具有一定規(guī)律性與關(guān)聯(lián)性等特點(diǎn)。模型在遇到趨勢突變的孔底壓力參數(shù)時，根據(jù)模型學(xué)習(xí)得到數(shù)據(jù)之間的關(guān)聯(lián)信息，即能準(zhǔn)確地預(yù)測趨勢突變的數(shù)據(jù)點(diǎn)。

PSO-LSTM 模型在LSTM 基礎(chǔ)上進(jìn)行了優(yōu)化，解決了傳統(tǒng)LSTM 網(wǎng)絡(luò)參數(shù)難以確定的問題，PSO-LSTM模型在實(shí)際應(yīng)用中仍然存在一些缺陷。模型在時間序列預(yù)測中沒有考慮不同時間節(jié)點(diǎn)的歷史狀態(tài)對當(dāng)前值的影響存在差別，在未來的研究中可以引入Attention機(jī)制來捕捉時間序列的深層關(guān)聯(lián)信息；模型在訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)時，容易出現(xiàn)過擬合現(xiàn)象，因此可以在模型基礎(chǔ)上加入Dropout 神經(jīng)元優(yōu)化技術(shù)來解決過擬合現(xiàn)象，增強(qiáng)模型的泛化能力。

4 結(jié)論

a.針對井涌井漏事故診斷以及事故發(fā)展?fàn)顟B(tài)預(yù)警預(yù)測的效果不理想與魯棒性差等問題，提出了一種基于機(jī)器學(xué)習(xí)的鉆進(jìn)過程井涌井漏事故預(yù)警預(yù)測模型，豐富了鉆進(jìn)過程井涌井漏事故預(yù)警預(yù)測方法，為構(gòu)建安全高效救援通道提供了安全技術(shù)保障，具有一定的理論價值與現(xiàn)實(shí)意義。

b.利用實(shí)際鉆進(jìn)數(shù)據(jù)對基于XGBoost 的井涌井漏事故診斷預(yù)警模型進(jìn)行測試分析表明，此模型適用于鉆進(jìn)過程中的井涌井漏事故預(yù)警，其診斷速度快、準(zhǔn)確性高，不存在虛報漏報的情況。

c.通過PSO-LSTM 與BP、RNN、SVM 進(jìn)行對比，PSO-LSTM 能夠很好地預(yù)測孔底壓力參數(shù)的趨勢性與波動性，且對趨勢突變的數(shù)據(jù)點(diǎn)預(yù)測及時準(zhǔn)確，與真實(shí)數(shù)據(jù)擬合的效果最好；綜合EMAP、EMA、ERMS、R2這4項(xiàng)誤差評價指標(biāo)，PSO-LSTM 模型的預(yù)測性能最佳，能準(zhǔn)確反映孔底壓力參數(shù)的變化趨勢。

d.在事故發(fā)展趨勢預(yù)測中，僅考慮了孔底壓力參數(shù)的單一變量預(yù)測事故發(fā)展態(tài)勢，沒有考慮多變量對預(yù)測結(jié)果的影響。將來可以考慮加入多項(xiàng)參數(shù)去綜合表征鉆進(jìn)過程中井涌井漏事故的發(fā)展?fàn)顟B(tài)，提高預(yù)測模型的通用性；XGBoost 和PSO-LSTM 模型很難解釋其內(nèi)部的決策過程，常常被歸為"黑盒"模型。將來可以考慮通過特征重要性分析等方法增加模型的可解釋性。

符號注釋：

bc為隱藏單元的偏置項(xiàng)；bf為遺忘門的偏置項(xiàng)；bi為輸入門的偏置項(xiàng)；bo為輸出門的偏置項(xiàng)；c為加速因子；Ct為當(dāng)前時刻的記憶單元狀態(tài)；為隱藏單元狀態(tài)；EMA為平均絕對誤差；EMAP為平均絕對百分比誤差；ERMS為均方根誤差；ft為遺忘門控單元；ft⊙Ct-1為Ct-1有多少信息被遺忘；gj(k) 為粒子j在第k次迭代的全局極值的位置；ht為當(dāng)前時刻輸出狀態(tài)；[ht-1,xt]為上一個時刻的輸出狀態(tài)ht-1與當(dāng)前時刻輸入xt這兩個向量進(jìn)行拼接后的矩陣；i為數(shù)據(jù)的序號；it為輸入門控單元；有多少信息被保留；j為滑動窗口內(nèi)數(shù)據(jù)項(xiàng)；k為迭代次數(shù)；MD(i) 為長短期均值差；MLT(i)為長期均值；MST(i) 為短期均值；n為樣本序列數(shù)量；ot為輸出門控單元；pj(k) 為粒子j在第k次迭代的個體極值的位置；R2為決定系數(shù)；r(k) 為 [0,1] 內(nèi)的隨機(jī)數(shù)；t為對應(yīng)當(dāng)前時刻；tanh 為雙曲正切激活函數(shù)；vj(k) 為粒子j在第k次迭代時的速度；Wf為遺忘門的權(quán)重矩陣；Wi為輸入門的權(quán)重矩陣；Wo為輸出門的權(quán)重矩陣；Xi為原始序列；為歸一化處理后的數(shù)據(jù)；xj(k) 為粒子j在第k次迭代時的位置；Xmax為序列最大值；Xmin為序列最小值；yavr為滑動平均處理后的數(shù)據(jù)；為序列真實(shí)值；為序列預(yù)測值；ynorm為原序列的數(shù)據(jù)；為序列預(yù)測值的平均值；ω為權(quán)重系數(shù)；σ為Sigmoid 激活函數(shù)。