基于ε—SVR的钻柱延伸能力预测技术研究

李井辉 孙丽娜 申静波 邹龙朱

摘 要：钻柱的极限延伸能力是钻井设计和施工中易于忽视的关键参数，影响钻柱延伸能力的因素较多且相互关系复杂，而众多的影响因素与钻柱的延伸极限之间存在着某种非线性联系。以指定工况下钻柱能够继续钻进的约束条件及其对下入极限深度的影响分析为基础，充分利用ε-SVR在解决小样本、非线性及高维模式识别问题中的特有优势挖掘钻柱延伸能力与其不易觉察的影响变量之间的相互关系，通过精确确定回归参数获得了钻柱延伸能力及其影响因素之间的隐含关系预测模型。实验结果表明可利用该预测模型实现钻柱极限延伸长度的快速预测，同时为钻柱延伸能力的预测提供了一种新的解决方案。

关键词：钻柱力学；延伸能力；支持向量机；ε-SVR

中图分类号：TP391.41 文献标识码：A

Abstract： The drillstring extension capability is the key parameter that is easy to ignore in the drilling design and construction，there are many factors influencing the drillstring extension capability and the relationship between the influence factors，furthermore the relationship between the extension capability limit and its influence factors is nonlinear.Based on the analysis on the constraints condition to drillstring drilling and its influence on the running depth，the implied prediction model existing between the drillstring extension capability and its influencing factors is obtained by determining the regression parameters accurately，which makes full use of ε-SVR advantages in solving the small sample，nonlinear and high dimensional pattern recognition problems to dig hard for the interplay between the extension capability and its imperceptible influence variables.The experimental results show that the prediction model can be used to realize the fast prediction of the drill string extension length，and provides a new solution for the drillstirng extension capability prediction.

Key words： drillstring mechanics；extension capability；support vector machine；ε-SVR

1 引 言

钻柱的极限延伸能力是钻井设计与施工的关键参数，延伸能力的计算和预测是一个较为复杂的问题，目前的研究并不多见。李鑫和高德利[1]从水力学的角度出发，提出了大位移井水力延伸极限的概念，并对其影响因素进行了分析，给出了计算公式及步骤，分析了地层因素、泵能力、环空压耗和岩屑床高度对大位移井水力延伸极限的影响规律，为大位移井极限长度的预测、合理进行工程设计以及减少钻井风险提供了理论指导。刘玉明，张波，史玉才，尤小荣.等[2]从钻井液排量、机械速度、钻杆钻速、钻具结构、钻井工况和钻井液密度等因素入手，分析各类因素与延伸能力之间的关系。罗伟，付建红等人[3]从钻柱的摩阻扭矩、强度要求等方面对大位移井的钻井极限延伸能力进行了分析，探讨井身剖面、井眼几何特性、井眼净化、钻柱结构、钻井液性能、岩石的可钻性等对钻柱的水平延伸的影响。李庆明[4]钻柱屈曲、摩阻扭矩等角度预测钻柱极限延伸，建立大位移井钻井延伸极限预测模型，给出计算方法，并对大位移井延伸极限的影响因素的影响规律进行分析。

综合现有资料，可以看出影响钻柱延伸能力的因素包括工程技术、地质条件等多方面因素的影响和限制且相互关系复杂，考虑上述因素则需进行更多的综合分析，给钻井延伸极限的预测带来很大的困难[5-6]。在前人研究的基础上，分析在给定的井眼轨迹、钻具组合和地质参数情况下影响钻柱延伸能力的主要因素，利用钻柱力学分析结果数据，引入预测领域应用较广的ε-SVR（ε-Support Vector Regression）方法对钻柱所能钻达的最大可钻深度进行预测。对比神经网络，ε-SVR在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，在过学习、易陷入最小值等问题上均有较大改善[7-8]。因此，该方法可充分利用支持向量机在解决小样本、非线性及高维模式识别问题中的特有优势，能够充分考虑研究問题的多因素的综合影响，最终实现对其最佳拟合与预测。

2 ε-支持向量回归机

支持向量机是以统计学习理论为基础发展起来的具有分类和回归功能的学习算法，在解决小样本、适应性、泛化性能等问题方面具有无可比拟的优越性[9]。支持向量回归机（SVR）是支持向量分类机的基础上发展起来的，用于求解回归问题。回归是求解已知样本中隐含的自变量与因变量之间函数关系，并根据该函数关系对未知样本进行预