基于岩石抗钻特性的BP神经网络钻头选型方法

张 辉, 王 昊, 姜 敞, 熊天文, 范国宏

(1中国石油大学石油天然气工程学院·北京 2华东石油工程有限公司江苏钻井公司 3中国石油集团渤海钻探工程有限公司第三钻井分公司)

近年来，国内外学者针对钻头优选已经开展了较为系统的研究，并提出了不同的钻头选型方法[1-3]。钻头使用效果评价法、岩石力学参数法以及综合法是目前常用的三种钻头选型方法。钻头使用效果评价法是通过分析和统计现场钻井的钻头使用经验及效果，选择能够表征钻头实际使用效果的指标作为评价依据进行钻头优选，分析的邻井钻头使用资料越多，钻头选型越合理。岩石力学参数法主要是对相应区块地层的岩石力学性质进行计算与分析，同时参考钻头制造商的说明资料进行钻头优选。该方法要求对地层特性精确预测，对于复杂地层不适用。综合法则是将以上两种方法进行结合，综合进行钻头选型，它的适用性较强，但只有在钻头使用资料丰富的区块才能体现其效果。

地层岩石抗钻特性是影响钻头使用效果最主要的因素，但是由于不同井的同一层位或者同一井同一层位的不同深度处岩石力学性质有可能不同，所以传统的根据已钻井各地质层位的最佳钻头来优选待钻井钻头类型的方法并不一定可靠。最好的方式是建立岩石抗钻特性和最佳钻头类型的定量关系，但是各参数对钻头使用效果影响规律本身就比较复杂，用定量公式来表示这些参数组合与钻头的关系就更加难以实现。对于这种类型问题，人工神经网络具有一定的应用优势，它可以自发地从输入和输出的数据中提取需要的关键特征及规律，并通过自身的实时学习训练能力和自组织能力形成适合所分析问题的神经网络系统，慢慢掌握相似问题的分析和预测方法。因此可以将岩石抗钻特性作为输入信息、将最优的钻头类型作为输出信息，来建立基于岩石抗钻特性的BP神经网络钻头选型模型，应用该模型对钻头进行优选。

利用该神经网络钻头选型方法对大港油田港深18-17井进行了钻头选型研究，首先通过测井资料建立相应地层岩石抗钻特性计算模型来获取地层的各项岩石力学参数，然后基于神经网络原理来构建地层岩石抗钻特性和地层使用效果最佳的钻头之间的关系模型，最后进行钻头的优选。该方法考虑了钻井过程中钻头与地层的匹配关系与适用程度，通过神经网络计算提高钻头选型的适配性与准确性。

一、基于抗钻特性的BP神经网络钻头选型方法

地层岩石抗钻特性与适配钻头类型之间的数学关系很难用定量的公式表示出来，具有较强的非线性特征。人工神经网络[4-6]是主要由基本单元—神经元互联组成的自适应信息处理网络系统，通过对脑部神经网络处理信息的方式进行模拟，从而进行信息的处理与分析。它的自适应、自组织和自学习等优点非常适合于地质与地球物理中的非线性问题的研究。由于BP神经网络的相关研究及理论已经相对成熟，因此使用BP神经网络来建立基于岩石抗钻特性的钻头选型方法。

1. BP神经网络

BP神经网络[7]是一种可以自我学习及训练的多层前馈神经网络，主要由输入层、隐含层及输出层三部分结构构成。BP神经网络的基本算法为BP算法，其具有信号正向传递，误差反向传递的典型特点。BP神经网络与大多数学模型不同的地方在于它不需要预先设置相应的数学计算模型，而是通过不断地对数据进行学习训练，逐渐缩小实际输出结果与理想输出结果的误差。在处理过程中，计算误差输出时从输入层开始，经隐含层至输出层，当输出结果与期望值存在较大误差时，则由输出层向输入层方向进行权值和阈值的调整。经过大量的样本学习，最终使BP神经网络的预测误差信号最小。其拓扑结构如图1。

图1 三层神经网络结构

隐含层神经元的输入、输出分别为：

(1)

式中：Xi—神经元i给神经元j的输入；Wji—神经元i给神经元j的连接权；netj—神经元j的输入；θj—神经元j的阈值；Hj—神经元j的输出；f(·)—激励函数，常用s型函数，f(u)=(1+e-u)-1。

输出层神经元的输入、输出分别为：

(2)

式中：Wkj—神经元j给神经元k的连接权；netk—神经元k的输入；θk—神经元k的阈值；Yk—神经元k的输出；f(·)—激励函数，常用s型函数，f(u)=(1+e-u)-1。

结合梯度下降法调整BP神经网络的权值和阈值，可以得到第p组数据输出层和隐含层节点的训练误差δpk，δpj分别为：

(3)

根据总体样本误差反传和冲量校正法对标准BP算法进行改进，从而修正权值和阈值，其修正计算公式为：

(4)

(5)

式中：α—冲量因子，其取值范围为[0，1]；η—学习速率，其取值范围为[0，1]；n—迭代次数。

对于每一组数据Xp=(Xp1，…，Xpn，1)以及期望输出Hp=(Hp1，…，Hp1)都要进行以上的过程，最终使每一组输入输出都满足问题的要求。

2. BP神经网络钻头选型模型参数选择

根据BP神经网络建立地层抗钻特性与对应层段适配钻头类型的数学关系，模型建立的关键是输入层参数、隐含层层数、神经元节点的个数、激发函数以及输出层参数的选择。根据影响钻头使用效果主要的岩石力学特性，决定将BP神经网络输入层的10个节点，分别设为地层岩石的岩石力学参数(抗压强度、抗剪强度、硬度、内摩擦角、塑性系数、牙轮可钻性、PDC可钻性)及对应的测井参数(自然伽马、声波时差、补偿密度)，输出层对应各个层段中适配性最好的钻头型号。

在神经网络学习阶段，首先通过现场钻头使用的数据库系统资料[8]，根据钻头的使用效果和效益成本进行评估，得到前期完钻井各个地层中应用效果最好的钻头类型，将其编码后作为钻头的优选系列，并获取相应层段的测井数据，计算获得其岩石力学参数，组成学习样本进行神经网络训练，地层识别神经网络模型如图2所示。

图2 钻头优选神经网络模型

二、BP神经网络钻头选型方法在大港油田的应用

为了评价上述基于地层抗钻特性的BP神经网络钻头优选方法的使用效果，将该方法在大港油田的港深区块港深18-17井进行了应用试验。

1.大港油田地层抗钻特性评价模型

由于BP神经网络钻头选型模型的建立是基于地层岩石的抗钻特性，对待钻地层进行钻头选型时需要向模型提供各项岩石力学参数，所以在钻头选型前需通过实验或现场资料对大港油田地层抗钻特性进行分析并建立相应的地层抗钻特性评价模型。

以常规测井数据为基础，结合现有的理论研究成果[9-15]，并且通过室内岩心实验对大港油田现场20组岩心的抗压强度、抗剪强度、可钻性、硬度、波速等进行了实验测试，最后通过多元回归方法建立了相应的地层抗钻特性参数评价模型，相关计算模型公式如下：

1.1 泥质含量

(6)

(7)

式中：VSH1，VSH—校正前后泥质含量；GR—自然伽马测井值；GRmax—最大值；GRmin—最小值；GCUR—Hilchie指数，为3.7时，代表第三纪地层，为2时，代表老地层。

1.2 地层无围压抗压强度

UCS=0.5Ed[0.0045(1-VSH)+0.008VSH]

(8)

式中：UCS—无围压抗压强度，MPa。

1.3 地层硬度

RH=a·UCS·eb·UCS

(9)

式中：RH—地层硬度，MPa；a,b—回归系数(a，b分别取20，-0.002)。

1.4 无围压抗剪切强度

SS=1.5×10-4

(10)

式中：SS—无围压抗剪强度，MPa；μd—泊松比，ρ—岩石的密度。

1.5 地层岩石内摩擦角

(11)

M=55.668+22.812SS

(12)

式中：IAF—内摩擦角，°。

1.6 牙轮钻头岩石可钻性

(13)

式中：Kdrock—牙轮钻头的岩石可钻性。

1.7 PDC钻头可钻性

(14)

式中：Kdpdc—PDC钻头岩石可钻性。

表1 港深18-17井钻头选型结果表

2.BP神经网络钻头选型应用效果分析

大港油田抗钻特性评价模型建立之后，需收集处理大港油田各区块的岩石力学参数资料以及对应的钻头使用资料，建立钻头使用数据库，并将其作为BP神经网络钻头优选的学习训练样本。神经网络训练完成之后，需获取目标井港深18-17井的邻井测井资料，并且根据抗钻特性评价模型预测待钻井段各项岩石力学参数，最后将预测参数输入神经网络模型进行钻头优选，港深18-17井2 500～4 182 m钻头选型结果如表1所示。

将港深18-17井的神经网络钻头选型结果与同区块邻井港深16-23井对比，在港深18-17井中，东营组(2 607～2 887 m)地层选用了RK5195GH钻头，机械钻速达到了10.18 m/h，远远高于参照井港深16-23井同层段RK5195J钻头的2.9 m/h。在沙一段的3 305～3 387 m井段以及3 387～3 661 m井段选择使用HT516SJ钻头，机械钻速分别达到了4.56 m/h以及4.22 m/h，相比于港深16-23井同层段RK5195J钻头的3.44 m/h，机械钻速分别提高了33%和23%，平均机械钻速提高了25%(见表2、表3)。

表2 港深18-17井推荐钻头使用效果

表3 港深16-23井参照井钻头使用效果

三、结论与建议

(1)本文所建立的BP神经网络钻头选型模型，考虑的主要因素是影响钻头工作效果的地层岩石抗钻特性。在大港油田的应用结果表明，该钻头选型方法效果较好，有利于现场钻井机械钻速的提高。

(2)构建神经网络钻头选型模型时，选择合适的学习训练样本至关重要，其对最终优选结果的可靠性具有显著影响。因此，学习样本数据中必须包含影响钻头工作效果的主要因素，这样才能保证优选出的钻头类型与待钻地层相匹配。

(3)文中建立的神经网络模型忽略了钻井水力参数、机械破岩参数、及钻头磨损程度对钻头工作的影响，建议在数据资料充足的情况下可以进一步考虑上述各种因素。