基于神经网络的油基钻井液体系CQ-WOM高温高压流变性预测

周 杨， 周 峰， 张 华

(1油气田应用化学四川省重点实验室 2川庆钻探工程有限公司钻采工程技术研究院 3西南油气田分公司蜀南气矿)

油基钻井液具有抑制性强、润滑防卡、井壁稳定、抗污染能力强以及保护储层等诸多优点，已成为钻探高难度井和非常规油气资源的重要手段[1-2]。油基钻井液体系CQ-WOM是中石油川庆钻采院为页岩气开发所研发的一套油基钻井液体系[3]。

流变性是钻井液最重要的性能参数之一，直接影响钻井液体系的应用效果。在实际应用过程中，井下高温高压的条件会对其流变性产生显著影响。而井场条件有限，无法简便快捷地测定油基钻井液的高温高压流变性，因此通过实验数据建立预测模型是获得现场油基钻井液高温高压下流变数据的有效方法。

本文以油基钻井液体系CQ-WOM的高温高压流变性研究对象，运用人工神经网络方法，分析不同密度下，温度和压力对油基钻井液体系CQ-WOM的流变性影响，并通过神经网络集成的方法，提高了预测精度。

一、油基钻井液体系高温高压流变性研究

为了研究不同密度下，温度和压力对油基钻井液体系CQ-WOM的流变性影响，本文通过实验，测定了不同密度、温度和压力条件下油基钻井液体系的塑性黏度、动切力与Φ3读值，并以这些实验数据作为神经网络系统的训练和检验样本。实验数据共45组，随机选取35组数据作为训练样本，剩余的10组数据作为检验样本。表1是训练样本的相关信息，表2是检验样本的相关信息。

表1 训练样本信息

表2 检验样本信息

二、人工神经网络

1. 人工神经网络

人工神经网络是一种对人脑神经元网络的抽象结构，由大量处理单元组成的非线性自适应动态系统[4]。BP神经网络是误差反向传播神经网络，是典型的多层前馈网络，是应用最广泛的人工神经网络[5]。本文采用BP神经网络对油基钻井液体系CQ-WOM的流变性进行预测。

由于三层神经网络具有逼近任意非线性函数的能力[6]，因此，本文的神经网络采用三层结构，图1为模型的结构图。

图1 神经网络模型结构

其中，输入层的节点为3个，所代表的物理量为密度、温度和压力。输出层的节点数为3个，所代表的物理量为油基钻井液体系的Φ3读值、塑性黏度和动切力。隐含层节点数根据Kolmogorov定理[7]确定为7个，其公式为：

M=2×N+1

(1)

式中：M—隐含层节点数；N—输入层节点数。

2. 神经网络集成

本文采用了神经网络集成，以提高神经网络的泛化能力。泛化能力是指机器算法对同一规律学习集以外的数据，在经过训练后，能给出合理的输出。神经网络集成是指将神经网络的子网输出进行综合，这些子网的训练结构相同，但初始权值不同，最终将子网输出作为整个系统的输出。神经网络集成可以运用整个系统的泛化能，明显优于单个BP子网。该神经网络集成由5个子网构成，将5个子网训练完成后，分别将检验样本输入各个子网，得到相应的检验样本输出Tn(n=1, 2, …, 5)，再对这5个子网的输出进行平均，得到整个集成系统的输1出T′。T′的计算如式(2)：

(2)

3.神经网络模型预测结果

根据神经网络模型设计，本文选取10组数据作为检验样本。表3为单一神经网络模型预测结果和网络集成模型的预测结果比较。由表3可知，由于人工神经网络是非线性的映射，因此预测结果比较准确。通过神经网络集成系统中各个子网与集成系统的预测结果比较可以看出，神经网络集成的预测精度优于任何一个子网，预测精度大幅度提高。这说明，神经网络集成可以提高神经网络模型的泛化能力。图2是Φ3读值、塑性黏度与动切力模型预测结果与实际结果的对比。

表3 各模型预测结果比较

图2 流变参数模型结果与实验结果对比

三、结论

(1)文中采用了神经网络模型对油基钻井液体系CQ-WOM不同密度和高温高压条件下的Φ3读值、塑性黏度以及动切力三个流变性参数进行预测。检验样本对单一神经网络的检验结果表明，神经网络的非线性映射能力能将单一神经网络的预测平均误差控制在15%以内，最大误差小于45%，预测结果相对准确。

(2)人工神经网络初始权值随机，且本身易陷入局部极小，由文章可知单一神经网络的预测精度不够准确，但通过神经网络集成，可以提高神经网络的泛化能力。检验结果表明，神经网络集成的预测精度大幅提高，预测平均误差小于10%，最大误差小于25%。说明神经网络集成可以有效地提高神经网络的泛化能力和预测精度，从而实现油基钻井液体系CQ-WOM高温高压流变性的精确、快速预测。

[1]陈海力，王琳，周峰，等.四川盆地威远地区页岩气水平井优快钻井技术[J].天然气工业，2014,32(12):100-104.

[2]邱正松，高红松.页岩气钻探开发技术研究进展[J].西部探矿工程，2012(6):66-69.

[3]陶怀志，吴正良.国产油基钻井液CQ-WOM首次在页岩气威远H3-1井试验[J].钻采工艺，2014,37(5):87-90.

[4]Vapnikv. The Nature of Statistical Learning Theory[M]. New York: Springer Verlag, 2000.

[5]Xiu P, Xiu S J. Application of BP neural network and self-organizing competitive neural network to fault diagnosis of suck rod pumping system[J]. Acta Petrolei Sinica, 2006, 27(2):107-110.

[6]Dong C H. Matlab Neural Networks and Application[M]. Beijing: National Defense Industry Press,2005.

[7]Bishop C. Neural Networks for Pattern Recognition[M]. New York: Oxford University Press,1995.