论文部分内容阅读
摘 要：对复合钻井进行钻进参数优选是成功应用该技术的关键。目前国内的专家或学者虽然对复合钻井井下动力钻具进行了大量的研究，但是对其钻进参数优选的关注却很少。目前的钻井参数优选方法没有考虑动力钻具的影响，适用范围有限，并且井斜角也对钻压的传递起着制约的作用。因此，本文以复合钻井为前提，对Bourgoyne和Young模型进行了相关修正，并采用人工神经网络技术进行钻井参数优选。实例分析表明，该方法可行性强，优选精度高，具有现场应用价值。
关键词：复合钻井 钻进参数优选 人工神经网络
关于钻井参数的优选，国外自1950年就展开了大量的研究：1959年，Graham 和Muench首次提出了钻井参数优选的概念；1962年，Maurer给出了牙轮钻头的钻速方程式；1963年，Galle和Woods研究了钻压和转速的最优匹配关系；1972年，Reed给出了每米成本最少的钻压—钻速优选模型；1974年，Bourgoyne和Young提出采用多元线性回归技术优选钻井参数；1988年，Miska给出了钻速、钻头磨损率与轴承磨损率三个控制微分方程；2005年，Dupriest和Koederitz提出采用机械比能法评价钻井效率等。国内有代表性的钻井参数优选研究包括：1994年，刘杨等人提出基于随机钻井模式的钻井参数优选模型；1998年，范军提出采用模糊综合评判法优选钻井参数；2007年，李士斌等人提出基于可钻性钻速模式的钻井参数优选方法；2009年，张立刚等人提出基于岩屑分形理论的钻井参数优选模式。上述这些方法，有的优选模型仅局限于邻井或同一地区相似地质条件井的参数优选；有的只是定性地分析了钻井参数优选的影响因素，没有定量地给出优选方法；有的只是从技术层面进行研究，并没有从理论分析方面深入探讨；有的影响因素分析不全面，带有很强的模糊性。而且，目前国内的专家或学者虽然对复合钻井井下动力钻具进行了大量的研究，并取得了显著地成果，但是对复合钻井钻进参数优选的关注却很少。复合钻井时，钻井液的性能、流量、压差、钻压、扭矩等影响着螺杆钻具的性能，若参数优选不当，螺杆钻具可能会出现制动，严重的将会损坏钻具，反而大大增加钻井成本。
因此，对复合钻井进行钻进参数优选的研究非常有必要。本文采用人工神经网络（ANN）方法优选钻井参数，综合分析了所有因素的影响，通过对大量的人为可控参数的学习，在客观的岩石物理特性基础上优选参数，根据ANN的实时计算结果，在钻井过程中随时调整钻进参数，提高平均机械钻速，延长钻具寿命，并最终减少总的钻井成本。
一、 复合钻井钻进参数优选模型
钻井参数优选的目标就是通过获得“最优”的机械钻速来减少钻井成本。影响机械钻速的因素主要包括人为可控因素和客观存在因素。人为可控因素包括钻压、转速、钻头类型、钻井液流变性、钻井液比重、泵压等；客观存在因素包括岩石硬度、岩石抗压强度等。通过确定这些参数之间的内在关系来优选钻井参数是一个非常复杂的过程，并且其中还包含了大量的随机不确定性因素。
1.参数优选模型建立。由于Bourgoyne和Young模型包含了8种变量因素对机械钻速的影响，是目前考虑因素最为完整的机械钻速计算模型，因此本文以该模型为基准，并加入了轴承磨损的影响。式1为该模型的数学表达式，图1为参数优选模式示意图：
2.复合钻井参数优选模型修正。进行复合钻井参数优选时，由于井眼倾斜和螺杆钻具的影响，需要对传统的Bourgoyne和Young模型进行修正。
首选对钻压进行修正。定向井中，井眼轨迹影响着钻压的传递，钻压又影响着机械钻速的大小。钻定向井时，在达到设计要求前，井斜角是不断变化的，因此需要进行钻压修正来说明井斜的影响。图2 为钻头受钻压简示图。
这里不考虑钻柱与井壁的接触以及摩擦作用，仅考虑井斜角因素，将钻压分解为X向与Y向分量，如图2所示，则有：
＼*MERGEFORMAT（2）
式中：—钻台之中表所示钻压，；—井斜角，度。
复合钻井时，在螺杆转子工作的同时，转盘驱动螺杆定子同时转动，此时钻头既由螺杆转子带动旋转，又由螺杆定子带动旋转。因此，螺杆钻具对参数优选的影响可以看成是给钻头额外增加了一个转速，由文献14可知，此时钻头的转速可近似看成转盘转速与螺杆转子转速之和。
二、 神经网络技术进行钻井参数优选
1.人工神经网络技术。人工神经网络具有自学习、自组织、较好的容错性和优良的非线性逼近能力，已成为解决很多问题的有力工具。神经网络是一个并行和分布式的信息处理网络结构，她一般由大量的神经元组成。一个典型的神经网络由三层神经元组成—输入层、隐含层和输出层。每个神经元输入有多个连接通道，每个连接通道对应于一个连接权系数；而每个神经元只有一个输出，可以连接到很多其他的神经元。
本文采用误差反向传播（BP）算法计算。该算法的基本思想就是信号的正向传播与误差的反向传播结合。通过正向传播，信息由输入神经元输入，经过各隐含层神经元依次传播到输出层。上下层神经元之间实现全连接，每层神经元之间则无连接。反向传播则是将输出结果与期望结果比较，若不一致，则从输出层经过各隐含层逐层修正各个连接权值，最后回到输入层，再进行正向计算，直到输出值达到要求的精度为止。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。图3为钻井参数优选BP神经网络模型。
图3中，为输入单元个数，为隐含层单元个数，为隐含层单元阈值，为输出层单元阈值，为输入层与隐含层的连接权，为隐含层至输出层的连接权。为隐含层单元的输入值，为隐含层单元的激发值。
2.采用人工神经网络方法优选钻井参数。本文采用BP网络算法优选钻井参数，将机械钻速的各主要影响因素作为输入神经元，即将井深、钻头直径、钻压、转速、泥浆比重、排量、井斜角、钻头牙齿磨损和钻头轴承磨损9组因素组成输入模式向量，目标输出值则为机械钻速。即输入层节点数为9，输出层节点数为1，为了增加计算精度，隐含层节点数选为150，其基本操作步骤如下：
（8）随机选取下一组样本，返回步骤（3），直到所有的训练样本训练完毕。再重新从练习样本中随机选一组样本，返回步骤（3），直到网络全局误差E小于，网络收敛，训练结束。
本文统计了大港油田滨深、滨海、埕海、埕北4个区块的30口井钻井资料作为神经网络的训练样本，表1为用于训练的部分样本数据。
将这些样本数据按照上述步骤进行运算，并通过数据统计，即可得出各个区块不同井段内钻井参数优选结果。表2为滨深区块部分井段钻井参数优选结果。通过对多口井的优选结果可以看出：增加钻压或者转速并不总是能够增加机械钻速，有时反而会因为钻压或转速过高导致井眼净化不完全以及钻头泥包等钻井问题；泥浆比重越小，机械钻速相对越高；最优的钻压、转速往往并不是最大或者最小的钻压、转速。
三、 结语
1.采用人工神经网络技术，可以通过输入与输出之间复杂的非线性映射，不需要建立相关等式即可确定使机械钻速达到最大时的钻井参数组，避免了分析过程中的人为误差，提高了计算结果的准确度。
2.对复合钻井钻进参数优选，必须要考虑井斜角与螺杆转子转速的影响。在钻井参数优选模型中，必须对模型中的钻压和转速进行修正，才能提高机械钻速的预测精度，并最终提高钻井参数优选的精度。
3.必须合理确定输入训练样本中各个参数的取值范围，训练样本参数代表性越强，输出结果越精确。
作者简介：耿岩（1985—）男。吉林松原人。畢业于南昌大学车辆工程专业。工学学士学位。助理工程师。研究方向：钻探装备、抽油机制造方面的研究。
关键词：复合钻井 钻进参数优选 人工神经网络
关于钻井参数的优选，国外自1950年就展开了大量的研究：1959年，Graham 和Muench首次提出了钻井参数优选的概念；1962年，Maurer给出了牙轮钻头的钻速方程式；1963年，Galle和Woods研究了钻压和转速的最优匹配关系；1972年，Reed给出了每米成本最少的钻压—钻速优选模型；1974年，Bourgoyne和Young提出采用多元线性回归技术优选钻井参数；1988年，Miska给出了钻速、钻头磨损率与轴承磨损率三个控制微分方程；2005年，Dupriest和Koederitz提出采用机械比能法评价钻井效率等。国内有代表性的钻井参数优选研究包括：1994年，刘杨等人提出基于随机钻井模式的钻井参数优选模型；1998年，范军提出采用模糊综合评判法优选钻井参数；2007年，李士斌等人提出基于可钻性钻速模式的钻井参数优选方法；2009年，张立刚等人提出基于岩屑分形理论的钻井参数优选模式。上述这些方法，有的优选模型仅局限于邻井或同一地区相似地质条件井的参数优选；有的只是定性地分析了钻井参数优选的影响因素，没有定量地给出优选方法；有的只是从技术层面进行研究，并没有从理论分析方面深入探讨；有的影响因素分析不全面，带有很强的模糊性。而且，目前国内的专家或学者虽然对复合钻井井下动力钻具进行了大量的研究，并取得了显著地成果，但是对复合钻井钻进参数优选的关注却很少。复合钻井时，钻井液的性能、流量、压差、钻压、扭矩等影响着螺杆钻具的性能，若参数优选不当，螺杆钻具可能会出现制动，严重的将会损坏钻具，反而大大增加钻井成本。
因此，对复合钻井进行钻进参数优选的研究非常有必要。本文采用人工神经网络（ANN）方法优选钻井参数，综合分析了所有因素的影响，通过对大量的人为可控参数的学习，在客观的岩石物理特性基础上优选参数，根据ANN的实时计算结果，在钻井过程中随时调整钻进参数，提高平均机械钻速，延长钻具寿命，并最终减少总的钻井成本。
一、 复合钻井钻进参数优选模型
钻井参数优选的目标就是通过获得“最优”的机械钻速来减少钻井成本。影响机械钻速的因素主要包括人为可控因素和客观存在因素。人为可控因素包括钻压、转速、钻头类型、钻井液流变性、钻井液比重、泵压等；客观存在因素包括岩石硬度、岩石抗压强度等。通过确定这些参数之间的内在关系来优选钻井参数是一个非常复杂的过程，并且其中还包含了大量的随机不确定性因素。
1.参数优选模型建立。由于Bourgoyne和Young模型包含了8种变量因素对机械钻速的影响，是目前考虑因素最为完整的机械钻速计算模型，因此本文以该模型为基准，并加入了轴承磨损的影响。式1为该模型的数学表达式，图1为参数优选模式示意图：
2.复合钻井参数优选模型修正。进行复合钻井参数优选时，由于井眼倾斜和螺杆钻具的影响，需要对传统的Bourgoyne和Young模型进行修正。
首选对钻压进行修正。定向井中，井眼轨迹影响着钻压的传递，钻压又影响着机械钻速的大小。钻定向井时，在达到设计要求前，井斜角是不断变化的，因此需要进行钻压修正来说明井斜的影响。图2 为钻头受钻压简示图。
这里不考虑钻柱与井壁的接触以及摩擦作用，仅考虑井斜角因素，将钻压分解为X向与Y向分量，如图2所示，则有：
＼*MERGEFORMAT（2）
式中：—钻台之中表所示钻压，；—井斜角，度。
复合钻井时，在螺杆转子工作的同时，转盘驱动螺杆定子同时转动，此时钻头既由螺杆转子带动旋转，又由螺杆定子带动旋转。因此，螺杆钻具对参数优选的影响可以看成是给钻头额外增加了一个转速，由文献14可知，此时钻头的转速可近似看成转盘转速与螺杆转子转速之和。
二、 神经网络技术进行钻井参数优选
1.人工神经网络技术。人工神经网络具有自学习、自组织、较好的容错性和优良的非线性逼近能力，已成为解决很多问题的有力工具。神经网络是一个并行和分布式的信息处理网络结构，她一般由大量的神经元组成。一个典型的神经网络由三层神经元组成—输入层、隐含层和输出层。每个神经元输入有多个连接通道，每个连接通道对应于一个连接权系数；而每个神经元只有一个输出，可以连接到很多其他的神经元。
本文采用误差反向传播（BP）算法计算。该算法的基本思想就是信号的正向传播与误差的反向传播结合。通过正向传播，信息由输入神经元输入，经过各隐含层神经元依次传播到输出层。上下层神经元之间实现全连接，每层神经元之间则无连接。反向传播则是将输出结果与期望结果比较，若不一致，则从输出层经过各隐含层逐层修正各个连接权值，最后回到输入层，再进行正向计算，直到输出值达到要求的精度为止。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。图3为钻井参数优选BP神经网络模型。
图3中，为输入单元个数，为隐含层单元个数，为隐含层单元阈值，为输出层单元阈值，为输入层与隐含层的连接权，为隐含层至输出层的连接权。为隐含层单元的输入值，为隐含层单元的激发值。
2.采用人工神经网络方法优选钻井参数。本文采用BP网络算法优选钻井参数，将机械钻速的各主要影响因素作为输入神经元，即将井深、钻头直径、钻压、转速、泥浆比重、排量、井斜角、钻头牙齿磨损和钻头轴承磨损9组因素组成输入模式向量，目标输出值则为机械钻速。即输入层节点数为9，输出层节点数为1，为了增加计算精度，隐含层节点数选为150，其基本操作步骤如下：
（8）随机选取下一组样本，返回步骤（3），直到所有的训练样本训练完毕。再重新从练习样本中随机选一组样本，返回步骤（3），直到网络全局误差E小于，网络收敛，训练结束。
本文统计了大港油田滨深、滨海、埕海、埕北4个区块的30口井钻井资料作为神经网络的训练样本，表1为用于训练的部分样本数据。
将这些样本数据按照上述步骤进行运算，并通过数据统计，即可得出各个区块不同井段内钻井参数优选结果。表2为滨深区块部分井段钻井参数优选结果。通过对多口井的优选结果可以看出：增加钻压或者转速并不总是能够增加机械钻速，有时反而会因为钻压或转速过高导致井眼净化不完全以及钻头泥包等钻井问题；泥浆比重越小，机械钻速相对越高；最优的钻压、转速往往并不是最大或者最小的钻压、转速。
三、 结语
1.采用人工神经网络技术，可以通过输入与输出之间复杂的非线性映射，不需要建立相关等式即可确定使机械钻速达到最大时的钻井参数组，避免了分析过程中的人为误差，提高了计算结果的准确度。
2.对复合钻井钻进参数优选，必须要考虑井斜角与螺杆转子转速的影响。在钻井参数优选模型中，必须对模型中的钻压和转速进行修正，才能提高机械钻速的预测精度，并最终提高钻井参数优选的精度。
3.必须合理确定输入训练样本中各个参数的取值范围，训练样本参数代表性越强，输出结果越精确。
作者简介：耿岩（1985—）男。吉林松原人。畢业于南昌大学车辆工程专业。工学学士学位。助理工程师。研究方向：钻探装备、抽油机制造方面的研究。