基于支持向量机的钻井工况实时智能识别方法

基于支持向量机的钻井工况实时智能识别方法
孙挺; 赵颖; 杨进; 殷启帅; 汪文星; 陈缘
【期刊名称】《《石油钻探技术》》
【年(卷),期】2019(047)005
【总页数】6页(P28-33)
【关键词】工况识别; 支持向量机; 数据驱动; 时效分析
【作者】孙挺; 赵颖; 杨进; 殷启帅; 汪文星; 陈缘
【作者单位】中国石油大学(北京)安全与海洋工程学院北京102249
【正文语种】中文
【中图分类】TE28
提高钻井时效是降本增效的重要手段，但目前通常对钻井时效进行事后人工分析，具有主观性和滞后性。

随着机器学习和大数据技术的迅速发展，国内外很多学者开展了大数据和人工智能方法在石油工程中的应用研究，A. M. Alsalama 等人[1]提出了一个包含所需数据挖掘和分析工具的集成系统，大大缩短了传统方法进行预警的时间；K. Balaji 等人[2]从基础、理论和应用方面总结了数据驱动方法在石油天然气工程中的发展；刘刚[3]建立了基于多源信息的SVM 自适应钻井井下故障预警模型；袁野[4]提出了基于SVM 的井眼轨迹智能预测方法，建立了井眼的三维可视图，可以有效地控制井眼轨迹；孙万海[5]提出了一种基于PSO-SVM 的钻井故障智能预警系统，提高了钻井质量；王江萍等人[6]提出应用神经网络技术对井
漏、井塌、井涌及井喷等井下故障进行诊断。

可见，目前国内外主要是运用大数据和机器学习对钻井故障进行预测及预防或研究相关理论问题，对工况识别的研究较少，且存在数据量小和缺乏现场实例验证等问题。

YIN Qishuai 等人[7]提出了一种基于程序的工况识别方法，很好地消除了人员对钻井工况识别的影响，但该方法基于编程语言，没有考虑前后数据之间的联系和钻井数据可能存在波动等问题。

为此，笔者提出了一种普遍适用的纯数据驱动方法，利用支持向量机（support vector machine，SVM）识别钻井工况，减少不可见非生产时间，提高钻井作业效率；采用训练-测试的方式，训练数据为综合录井提供的实时数据，解决了传统方法对人员依赖大的缺点；在钻井工况识别中应用机器学习与数据驱动方法，同时允许数据存在一定的波动，克服了编程语言识别带来的问题。

1 支持向量机模型
支持向量机是一种监督式学习模型，可以用于模式识别、分类和回归问题的分析。

该模型是基于统计学习理论和结构风险最小化原则建立的，主要思想是建立一个线性分离超平面，将非线性输入映射到高维特征空间中，使正例和反例之间的隔离边缘被最大化[8-15]。

支持向量机的原理如图1 所示。

图1 中，x1 和x2 代表输入参数特征，w 为核函数，b 为偏置，l2 代表数据分类的最佳方案。

模型的输入为钻头位置、大钩载荷、机械钻速、钻压、大钩载荷、转速、扭矩、出口排量和立管压力等9 种参数，输出包括倒划眼、接立柱、下套管、下钻及旋转钻进5 种正常工况和钻塞等复杂工况。

根据9 种输入参数的特征，采用SVM 将它们分为6 种输出结果。

图 1 支持向量机原理示意Fig. 1 Principle schematic diagram of support vector machine
针对非线性分类问题，B. E. Boser 等人[16]提出了将核技巧应用于最大边界超平面，从而创建非线性分类器的方法。

经过不断发展，应用于SVM 的核函数主要包
括以下几种类型[17]。

线性核函数：
多项式核函数：
径向基核函数：
两层感知器核函数：
式中： xi,xj 为空间中的2 个向量；k 为核函数；d,γ,κ,c为系数。

通过核函数处理，将非线性问题转化为线性问题，如图2 所示。

笔者在研究中，利用SVM 进行6 个钻井工况的识别，识别结构如图3 所示。

收集现场22 种钻井工况的录井数据，选择具有代表性的倒划眼、接立柱、下套管、下钻及旋转钻进等5 种正常工况和钻塞等复杂工况共6 种工况进行分析。

结合研究中数据的使用情况，选取的参数包括钻头位置、大钩载荷、机械钻速、钻压、大钩高度、转速、扭矩、出口排量和立管压力。

图 2 核函数作用示意Fig.2 Functional schematic diagram of the kernel function
图 3 支持向量机的识别结构示意Fig. 3 Recognition structure of support vector machine
2 工况识别模型优化
为了提高工况识别的准确率，首先对数据进行[0，1]归一化处理，然后优选SVM 核函数类型，并进行交叉验证，优化模型。

2.1 核函数优选
应用SVM 时，关键是选择核函数，不同的核函数适用于不同的问题，对准确率有很大的影响。

采用不同的核函数，对不同工况进行归一化处理，输出的结果如图4—图7 所示。

4 种核函数的识别准确率和计算时间的对比情况见表1。

图 4 线性核函数的识别结果Fig. 4 Identification results of linear kernel function
图 5 多项式核函数的识别结果Fig. 5 Identification results of polynomial kernel function
图 6 径向基核函数的识别结果Fig. 6 Identification results of radial basis kernel functions
图 7 两层感知器核函数的识别结果Fig. 7 Identification results of kernel functions by two-layer perceptron
由表1 可知，两层感知器核函数的识别准确率最低，且耗费时间最长；径向基核函数的识别准确率较高。

2.2 模型参数优选
利用SVM 进行钻井工况识别时，得到的模型需要具有高的准确率和鲁棒性，采用交叉验证的方法，将原始数据分成K 组，随机选取一组子集做验证集，其余K-1 组子集做训练集，得到K 个模型，最后选择准确率最高模型的性能指标[16] 作为最终SVM的参数。

表 1 不同核函数计算结果对比Table 1 Comparisons of calculation results with different kernel functions核函数样本数量准确识别数量准确率，% 计算用时/s 线性核函数 600 568 94.67 0.511 966多项式核函数 600 564 94.00 0.670 709径向基核函数 600 581 96.83 0.581 977两层感知器核函数 600 242 40.33
2.917 935
通过交叉验证可以选出最佳的惩罚函数c 和核函数参数g，交叉验证的结果如图8 所示（图8 中，不同等高线表示c 和g 不同取值对应的准确率）。

图 8 交叉验证结果Fig. 8 Cross validation results
由图8 可知，时，准确率可达到97%以上，此时选取c 最小的那组数据（这是因为，c 值过高会出现过学习现象，即训练集的准确率满足一定的要求，但测试集准确率很低），即c=0.353 6，g=1.534 0（见图8 中点A）。

准确识别钻井工况后，就可以对钻井作业进行事后分析，识别不可见非生产时间，提高钻井效率，从而提高钻井的安全性和经济性。

3 模型准确性验证
选取4 口井进行模型验证，以其中2 口井的录井数据为训练集，其他2 口井的录
井数据为测试集，训练集和测试集SVM 的识别结果如图9 所示。

从图9 可以看出，训练集的识别准确率高于测试集，测试集中接立柱和旋转钻进的识别准确率最高，达到了97%，工况识别准确率总体达到95%以上，说明该方法在新样本中有很好的泛化性。

图 9 最终的工况识别结果Fig. 9 Final identification results of working condition
4 钻井时效分析与应用
海上导管架平台因作业空间受限，通常在一个导管架平台上布置数十口井，这种井槽集中在一个区域的布井方式，形成了“批钻（一次性完成同一开次钻井作业）”作业模式。

由于这些井的地层情况、钻井设计方案、钻井设备、施工队伍相似，所以在“批钻”模式下，同一井段的时效具有可比性。

因此，采用基于支持向量机的钻井工况实时智能识别方法，进行工况识别、时效分析和时效辅助决策，实现提质增效。

以南海某平台批钻作业为例，首先对一口井的三开录井数据进行学习，训练得到工况识别模型；然后根据其余14 口已钻井的三开录井数据识别接立柱工况和
分析钻井时效，从而指导待钻井的施工，提高接立柱的效率。

具体应用步骤如下：1）工况识别。

利用B1 井的三开录井数据，训练得到最优模型，然后使用该模型
对其余14 口已钻井的三开工况进行识别，并统计接立柱作业时间。

2）时效分析。

为了得到三开中接立柱的平均时间，统计了前15 口已钻井的三开
接立柱时间（见图10）。

由图10 可知，10%的接立柱作业可在1.3 min 内完成，50%的接立柱作业可在2.1 min 内完成，90%的接立柱作业可在4.9 min 内完成，接立柱作业的平均完成时间为2.5 min。

3）辅助决策。

按照三开接立柱顺序分为4 个阶段，第1 阶段为第1—12 根立柱，第2 阶段为第13—24 根立柱，第3 阶段为第25—36 根立柱，第4 阶段为第37 至最后所有的立柱，前15 口井三开4 个阶段的平均接立柱时间为2.5 min。

图 10 接立柱做作业完成时间分布Fig. 10 Completion time distribution to pick up stands
将得到的模型应用到新井中，实时判断得到第1—12 根立柱的平均作业时间为
2.7 min，大于前15 口井的时间2.5 min，此时实时监测中心向平台发送“作业
效率有待提高”的指令，指导下一阶段（第13—24 根立柱）作业，并以此类推，完成全井段的时效分析，保证作业效率（见表2）。

表 2 不同层位接立柱时间统计Table 2 Time statistics for making up a stand
of drill pip立柱序号前期平均接立柱时间/min SVM实时判断新井接立柱时间
/min 现场决策 1—12 2.5 2.7 有待提高13—24 2.6 有待提高25—36 2.4 有所提高 37至最后 2.2 显著提高
4）现场施工应用。

将该方法应用到6 口新钻井的钻井施工中（包含上面提到的新钻井），各井三开接立柱作业的平均完成时间的变化如图11 所示。

由图11 可以
看出，每口新钻井的平均接立柱时间稳步下降，效率稳步提高，实现了提质增效。

5 结论
1）将机器学习的SVM 方法应用于石油工程的钻井工况识别中，以提高钻井效率。

2）提出一种纯数据驱动的方法，并充分利用油田现场数据，减少了传统方法对人员经验的依赖，提高了识别准确率，缩短了工况识别所需时间。

3）利用SVM 对6 种钻井工况进行识别，通过优选核函数类型、进行交叉验证，
逐步优化智能识别模型，不断提高模型识别的准确率，最终将识别准确率提高到了95%。

图 11 接立柱作业平均完成时间的变化情况Fig. 11 Average completion time variation to pick up stands
参考文献
【相关文献】
［1］ALSALAMA A M, CANLAS J P, GHARBI S H. An integrated system for drilling real
time data analytics[R]. SPE 181001, 2016.
［2］BALAJI K, RABIEI M, SUICMEZ V, et al. Status of data-driven methods and their applications in oil and gas industry[R]. SPE 190812, 2018.
［3］刘刚．钻井复杂自适应智能预警模型及应用研究[D]．西安：西安石油大学，2018．
LIU Gang. Drilling complex adaptive intelligent early warning model[D]. Xi'an: Xi'an Shiyou University, 2018.
［4］袁野．井眼轨迹预测及井眼轨迹三维可视化研究[D]．大庆：东北石油大学，2017．
YUAN Ye. Well trajectory prediction and 3D visualization study of well trajectory[D]. Daqing: Northeastern University of Petroleum,2017.
［5］孙万海．基于SVM 和PSO 的钻井事故智能预警系统研究[D]．西安：西安石油大学，2014．SUN Wanhai. An intelligent early warning system for drilling accidents based on SVM and PSO[D]. Xi'an: Xi'an Shiyou University, 2014.
［6］王江萍，孟祥芹，鲍泽富. 应用神经网络技术诊断钻井事故[J]. 西安石油大学学报（自然科学版）, 2008, 23（2）: 99-102.
WANG Jiangping, MENG Xiangqin, BAO Zefu. Diagnosis of drilling faults using neural network technology[J]. Xi'an University of Petroleum(Natural Science Edition), 2008, 23(2): 99-102.
［7］YIN Qishuai, YANG Jin, ZHOU Bo, et al. Improve the drilling operations efficiency by the big data mining of real-time logging[R].SPE 189330, 2018.
［8］王小川．MATLAB 神经网络43 个案例分析[M]．北京：北京航空航天大学出版社，2013：102-108．
WANG Xiaochuan. 43 case analysis of MATLAB neural network[M]. Beijing: Beihang University Press, 2013:102-108.
［9］狄勤丰，吴志浩，王文昌，等. 基于SVM 的套管最大von Mises 应力预测方法[J]. 石油钻探技术, 2019, 47（3）: 62-67.
DI Qinfeng, WU Zhihao, WANG Wenchang, et al. An prediction method for determining the maximum von Mises stress in casing based on SVM[J]. Petroleum Drilling Techniques, 2019, 47(3):62-67.
［10］彭成勇，吕欣润，马新仿，等. 海上低渗气田综合多因素压裂选井选层方法[J]. 断块油气田, 2015, 22（4）: 508-513.
PENG Chengyong, LYU Xinrun, MA Xinfang, et al. Fractured well and layer selection by multi-factor optimization for low permeability offshore gas field[J]. Fault-Block Oil &Gas Field, 2015, 22(4):508-513.
［11］徐生江，李杰，吴继伟，等. 基于支持向量机的钻井液高温高压静态密度预测模型[J]. 钻井液与完井液, 2014, 31（3）: 28-31.
XU Shengjiang, LI Jie, WU Jiwei, et al. HTHP static mud density prediction model based on support vector machine[J]. Drilling Fluid&Completion Fluid, 2014, 31(3): 28-31.
［12］陈冲，张仕民，彭鹤，等. 基于支持向量机的钻柱黏滑振动等级评估方法[J]. 石油机械, 2019, 47（1）: 20-26.
CHEN Chong, ZHANG Shimin, PENG He, et al. Research on stickslip vibration level estimation of drillstring based on SVM[J]. China Petroleum Machinery, 2019, 47(1): 20-26. ［13］王杰祥，陈征，靖伟，等. 基于支持向量机的二氧化碳非混相驱效果预测[J]. 石油钻探技术, 2015, 43（2）: 84-89.
WANG Jiexiang, CHEN Zheng, JING Wei, et al. Prediction of the effect CO2 immiscible flooding based on support vector machine[J].Petroleum Drilling Techniques, 2015, 43(2): 84-89.
［14］陈民锋，白晓虎，郑伟，等. 基于支持向量机的早期聚合物驱动态预测研究[J]. 断块油气田, 2012, 19（2）: 199-202.
CHEN Minfeng, BAI Xiaohu, ZHENG Wei, et al. Development index prediction of early polymer flooding based on support vector machine[J]. Fault-Block Oil & Gas Field, 2012, 19(2): 199-202.
［15］赵廷峰，赵春艳，何帆，等. 抽油杆柱磨损分析与安全性评价[J].石油机械, 2017, 45（8）: 65-70.
ZHAO Tingfeng, ZHAO Chunyan, HE Fan, et al. Wear analysis and safety assessment of
sucker rod[J]. China Petroleum Machinery,2017, 45(8): 65-70.
［16］BOSER B E, GUYON I M, VAPNIK V N. A training algorithm for optimal margin classifiers[C]// Proceedings of the 5th Annual Workshop on Computational Learning Theory (COLT'92).Pittsburgh: ACM Press, 1992: 144-152.
［17］JIN Chi, WANG Liwei. Dimensionality dependent PAC-Bayes margin bound[C]// NIPS′12 Proceedings of the 25th International Con ference on Neural Information Processing Systems. Lake Tahoe:Curran Associates Inc, 2012(1): 1034-1042.。