基于虚拟样本神经网络的卡钻预警装置

胡永建，胡 艳

（1.中国石油西部钻探定向井技术服务公司，新疆鄯善838202；2.中国石油华东化工销售公司，上海200120） ①

基于虚拟样本神经网络的卡钻预警装置

胡永建1，胡 艳2

（1.中国石油西部钻探定向井技术服务公司，新疆鄯善838202；2.中国石油华东化工销售公司，上海200120）①

使用神经网络算法来诊断可能诱发卡钻事故的井下复杂，可提前预警卡钻事故。设计了反映专家知识的虚拟样本来训练神经网络，达到了较好的井下复杂识别率。采用集中式数据采集方式，使用可编程序控制器及人机界面设计了适合钻井现场的卡钻预警设备。试验结果表明：该卡钻预警设备有助于消除事故隐患，在钻井领域具有良好应用前景。

神经网络；虚拟样本；卡钻；井下复杂；预警

卡钻是指钻具既不能转动也不能上下活动，是钻井过程中常见的井下事故。除了干钻及落物因素外，有多种井下复杂可以诱发卡钻，例如井塌、粘吸、砂桥、缩径、泥包、键槽等［1］。任由井下复杂发展就会引起卡钻事故，一旦发生卡钻事故，需要耗费大量人力、物力和时间来处理，处理不好甚至会导致全井报废。如果能对诱发卡钻的井下复杂预警，就可以及时采取措施，预防卡钻事故发生。

石油钻井过程是一个非线性系统，井下复杂的产生因素难以明确界定，钻井参数的变化与井下复杂的产生密切相关。在人工智能研究领域，可以把井下复杂预警作为模式识别问题来处理，其中基于专家系统及神经网络的诊断方法比较成熟。在石油工业领域，神经网络技术应用也日益广泛［2－4］，崔凤新［5］等人使用基于神经网络的数据融合技术对钻井过程故障进行诊断，得到较好的结果。在多年的钻井过程中，已经分析总结出许多井下复杂发生的规律，专家系统充分利用了这些经验知识进行诊断。由于钻井过程的复杂性导致井下复杂发生的原因很多，使专家系统因为原因组合太多而难以处理。神经网络可以模拟复杂的非线性映射，适合井下复杂的诊断应用。

由于用于训练的样本数量有限，神经网络的泛化（预测）能力难以提高。这里提出了虚拟训练样本概念，用来反映井下复杂的发生规律。使用虚拟样本训练BP（反向传播）神经网络，不仅可以体现已有的经验知识，也可以提高泛化及拟合（诊断）能力。采用基于虚拟样本的神经网络模型，使用可编程序控制器及人机界面设计了卡钻预警装置。该装置可根据现场采集的钻井参数信息来判断是否发生了井下复杂，有助于防止卡钻事故发生，具有较大的安全及生产价值。

1 神经网络的虚拟样本训练

1.1 神经网络模式识别

在井下复杂诊断应用中，使用神经网络完成模式识别。理论上已证实，3层BP神经网络能够以任意精度逼近任意连续函数，可表示为

式中，P为归一化的输入特征向量；A1、A2分别为输入层与隐含层的输出向量；W1、W2为其权重矩阵；B1、B2为其偏差向量；f1、f2分别为限制输入层与隐含层输出的激励函数，在井下复杂诊断应用中，一般f1使用Sigmoid函数，f2使用线性函数；隐含层节点数为6～8。

A2经过归一化后，作为输出层的输出向量用于模式识别处理。对于正常状态的模式输出，使用全零的目标向量，而对异常状态的模式输出，使用独热码（one－hot）编码的目标向量。为了避免输出不确定的识别结果，本文设计了一种新的模式识别判断准则，表达式为

式中，A3为神经网络输出层的输出向量，也就是经过［0，1］归一化后的A2向量；t为A3最大的元素；m为元素t的序号；g为判断阈值，对于井下复杂诊断应用，一般可选0.5～0.6；Y为用于模式识别的输出向量。该模式识别判断准则简单易用，有利于泛化、拟合效果评估及计算机程序化应用。

1.2 井下复杂虚拟样本

选择可能诱发卡钻的井塌、粘吸、砂桥、缩径、泥包、键槽等井下复杂作为神经网络的识别模式。当卡钻预警装置诊断出发生井下复杂时，可以根据发生的不同复杂情况对症下药处理，避免继续发展为卡钻事故。

在钻井过程中，可以采集大钩载荷、钻压、泵压、转盘扭矩、转盘转速、机械转速等实时钻井参数。由于钻井过程的复杂性，这些钻井参数信息会与井下复杂相关联，大都可以选择作为特征参数。

在各类卡钻中，坍塌卡钻是由于井壁失稳发生井塌引起的，是性质最恶劣的一种卡钻，处理不好可能会导致全井或部分井报废。导致井壁失稳的原因很多，既有地质上的原因，也有物理化学及工艺上的原因，很难量化分析。发生井塌时，坍塌碎屑堵住环空，影响循环，发生泵压上升、泥浆出口流量下降现象；碎屑产生对钻具的摩擦阻力，横向阻力导致转盘扭矩增大、转速下降现象，纵向阻力导致大钩载荷下降。分析了这些现象，同时参照已发生的典型复杂样本，可以对井塌识别模式设计虚拟样本，如表1所示。

其中，为了体现普遍性及提高神经网络诊断的有效性，使用归一化后的数据（无量纲）。可以看到，与正常模式相比，井塌的虚拟样本反映了发生井塌的经验规律。以该虚拟样本训练神经网络，即可体现发生井塌的经验规律。

表1 正常及井塌虚拟样本设计样例

1.3 神经网络样本训练

本文使用Matlab的神经网络工具箱完成神经网络的虚拟样本训练，其M语言子程序如下：

需要尝试不同的神经元数目，多次重复训练得到最佳的泛化及拟合效果。可以通过设置神经网络的showWindow参数确定是否显示训练窗口，训练窗口有训练过程的相关信息，用于查看训练效果。根据式（2）的判断准则，用Matlab编程实现井下复杂诊断。训练完成后得到各层权重矩阵及偏差向量的文本文件，用于神经网络实时诊断参数设定。

2 卡钻预警装置设计

2.1 工作原理

可编程序控制器（PLC）具有组合灵活、功能完善、使用简便等特点，特别适合工业数据采集及控制领域，郑芸哲［6］等人使用PLC实现了司钻控制系统，与人机界面（HMI）配合，可以提供方便操作的友好用户界面。使用PLC及HMI设计了卡钻预警装置，其工作原理如图1所示。

装置选用了西门子公司的S7－200系列PLC及配套模块［7］，使用集中式数据采集方式。用于钻井参数测量的变送器输出电压或电流信号，经隔离栅由模拟量输入扩展模块EM231采集，数据送往中央处理单元CPU 222CN。HMI操作面板TP277经过组态建立与中央处理单元外部变量的数据映射，经过BP神经网络算法输出诊断结果并显示。如果需要发出报警信号，HMI设置中央处理单元的数字I／O输出，控制报警指示继电器。隔离栅用于防爆，TP277操作面板符合IP65防护等级，所有其他电子线路均安装在防爆机箱中以满足防爆要求。

图1 工作原理

2.2 神经网络算法实现

如前所述，神经网络训练完成后得到各层的权重矩阵及偏差向量，使用式（1）即可根据输入的钻井参数得到拟合结果向量，经过判断准则式（2）处理后得到最终诊断结果。该神经网络诊断过程牵涉到指数、矩阵等运算，是较复杂的算法。对于PLC的梯形图编程，实现复杂浮点运算是一件麻烦的事情，而且PLC的低运算速度也影响及时诊断。

西门子OP 270／TP 270及以上级别的HMI设备具有VB脚本（Visual Basic Script）功能，可以实现复杂的数学及逻辑算法，同时HMI计算速度也能达到设计要求。这里选择西门子TP277操作面板，该面板配备5.7英寸TFT 256色触摸液晶屏，有VB脚本编程功能［8］。VB脚本语言支持多维数组变量，可用于矩阵运算，有丰富的VBS标准函数及系统函数可供调用，例如LinearScaling函数可直接用于归一化处理。如下Sigmoid函数实现了神经网络输入层激励函数的功能：

2.3 HMI组态

西门子TP277操作面板有丰富的功能可用于卡钻预警装置。在使用WinCC flexible中国标准版组态工具时，不仅可以实现VB脚本功能，也可以容易地实现报警及数据记录功能。图2是卡钻预警装置的功能模块图，说明了每个硬件模块实现的功能，其中频率测量由CPU 222CN模块处理。

图2 卡钻预警装置功能模块

TP277操作面板的运行界面如图3。

运行界面直观显示了各个钻井参数的实时数值，在出现井下复杂迹象时，显示预警信息，同时报警指示继电器闭合，发出声光提示。每个钻井参数均可设定报警门限，也可以在系统设置中设定数据记录参数。

图3 TP277操作面板运行界面

3 结语

为了验证虚拟样本神经网络算法模型的准确性，收集了吐哈油田柯柯亚地区的井下复杂样本共计12组，用该算法模型诊断，识别率为100%。说明不使用实际发生的井下复杂样本来训练网络，仅使用虚拟样本即可达到较好的诊断效果。

用反映井下复杂发生规律的虚拟样本对神经网络训练，可以结合专家系统及常规神经网络的优点，综合已有的经验知识，提高泛化及诊断能力。通过预报可能诱发卡钻的井下复杂，能够有的放矢、及时处理，避免卡钻事故发生，因而具有较大的安全及生产价值。

［1］ 蒋希文.钻井事故与复杂问题［M］.2版.北京：石油工业出版社，2006.

［2］ 邹龙庆，方 刚，郭 凤，等.基于神经网络的石油井架损伤定位识别［J］.石油矿场机械，2008，37（10）：23－26.

［3］ 杜美华，程国建，李中亚.基于广义回归神经网络的油气层识别模型［J］.石油矿场机械，2007，36（11）：1－4.

［4］ 窦春红，林近山，寇兴磊.基于BP神经网络的海洋平台振动载荷识别［J］.石油矿场机械，2007，36（7）：11－15.

［5］ 崔凤新，廖明燕.基于数据融合技术的钻井过程故障诊断［J］.石油矿场机械，2008，37（12）：7－11.

［6］ 郑芸哲，齐明侠，沈 蓉，等.基于西门子PLC的司钻控制系统［J］.石油矿场机械，2008，37（5）：53－56.

［7］ 西门子（中国）有限公司.S7－200CN可编程序控制器产品样本［Z］.2008.

［8］ 西门子（中国）有限公司.SIMATIC Panel产品样本［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，高级工程师，硕士，主要从事钻井工艺技术研究。