气体钻井具有钻速快、防井漏和降低油气储层伤害等特点，应用于复杂难动用储层、低压易渗漏层和二次开采油气井等具有明显的技术优势^[1-4]。气体钻井过程中，气体对井壁产生的压力要远小于地层压力，容易诱发井壁力学失稳，造成井壁掉块、坍塌^[5]，但采用常规的地面、井下监测技术难以获取井壁坍塌、岩爆等井下工况信息^[6]。排砂管线返出岩屑流量的突然变化可以反映这一信息，因此及时监测排砂管线内大颗粒岩屑的体积流量变化情况，能够准确判断井筒携岩状态，避免大量岩屑堆积井底和卡钻等井下故障^[7]。

目前，气体钻井过程中监测排砂管线返出岩屑时，需在排砂管内安装冲刷力传感器，计算机根据采集的冲刷力变化来判断井下岩屑返出情况。该方法的监测结果虽然具有一定的准确性，但仅能监测撞击到取样板的岩屑颗粒，存在监测面过窄、实用性差的问题^[8]。为提高井下岩屑返出监测结果的准确性，笔者首次将声音识别技术应用到气体钻井返出岩屑量的监测中，利用岩屑颗粒在排砂管内运移的发声状况推算返出岩屑的流量，从而判断气体钻井携岩状态及井下工况。该方法可以监测所有在排砂管内运移的大颗粒岩屑，在一定程度上弥补了目前气体钻井井下岩屑返出监测方法存在的不足，有利于准确判断井筒携岩状态，为气体钻井的安全钻进提供了技术保障。

在排砂管线上游段下管壁进行音频信号采集时，音频信号采集设备安装在降尘水接入点的上游，避免降尘水喷射过程中产生的音频干扰。音频信号采集系统主要由拾音器、隔音材料、A/D转换设备、传输线缆和监控计算机组成(见图 1)。拾音器集成了麦克风和音频放大电路，根据现场音频分布范围，频率响应设为20~20 000 Hz，输出信号幅度为2.5 Vpp。因为声波具有向周围传播的性质，为减小钻井现场存在的各类声音对音频信号采集系统的干扰，采用吸音棉和胶毡包裹塑料管作为隔音材料，将拾音器包裹在排砂管上。A/D转换设备将拾音器采集的模拟信号转换为数字信号，然后传送到监控计算机进行处理。

图 1 音频信号采集系统组成 Fig.1 Component of the audio signal acquisition system

图选项

采用移动叠加的方式处理声音数据，处理程序每秒启动一次，处理最近采集的时长2 s的数据，重叠采样过程如图 2所示，图 2中红色虚线和黑色实线表示重叠采样中2次数据传输的范围。

图 2 重叠采样过程示意 Fig.2 Schematic diagram of the overlapping sampling process

图选项

从图 2可以看出，连续的音频信号恰好位于第2秒和第3秒2个数据包内，音频信号在黑色实线框内是完整的，而在红色虚线框内是不完整的。可以肯定，在重叠采样中总有一重可以保证信号的完整性；但这种叠加采样方式使得信号出现2次，为避免数据重复处理，需要标记已识别过的撞击音频段，下次循环只需要处理标记点以后的数据，已处理过的信号将作为重复信号而忽略掉。

为了对连续音频信号进行实时分析处理，只能将其分为多个短帧分别进行处理。根据音频信号的短时平稳特性，利用可移动的有限长度窗口加权法实现分帧预处理^[9]，考虑到帧与帧之间平滑过渡，在分帧过程中采用部分重叠的办法实现过渡。音频信号的分帧过程可表示为：

(1)

式中：x(m)为音频信号序列；x_n(m)为分帧后第n帧音频信号序列；ω(m)为窗函数；n和m分别表示帧数和序号数。

式(1) 采用卷积形式，窗函数选用旁瓣衰减较大、能够反映短时信号频率特性的汉明窗。汉明窗定义为：

(2)

式中：N为帧长。

正常钻进过程中的音频信号主要为低频空气压缩机噪声，视为背景噪音。当有大颗粒岩屑出现时，其在排砂管中的运移过程产生有效音频信号，需根据有效音频信号与背景噪声的分界点对有效信号进行提取。采用短时能量双门限法进行端点检测^[10]以提取音频段，音频信号的短时能量E_n的计算公式为：

(3)

利用一段音频信号和它的短时能量解释端点检测过程，如图 3所示。图 3中的连续音频信号包含2个有效声音段，起止点在声音波形图中标出，实线和虚线分别表示有效声音段的起点和终点。

图 3 利用音频信号短时能量进行端点检测示意 Fig.3 Sketch diagram of end point detection using short time energy of an audio signal

图选项

图 3中，T_H为设定的高门限，T_L为设定的低门限。统计多个岩屑撞击音频的短时能量，设q个音频对应的短时能量最大值分别为maxE₁，maxE₂，…，maxE_q，若第n个音频的最大短时能量值maxE_n最小，即设定T_H值为maxE_n；T_L取值应大于正常工况下采集音频的最大短时能量，且小于T_H。

提取过程为：首先对预处理后的声音信号进行逐帧判断，当某帧能量高于T_H时记为标示帧，并朝前、后方向进行逐帧检索，以寻找声音边界。当检索到帧能量小于T_L时，即认为对应帧为有效声音段的边界点。

为构建不同粒径大小岩屑在排砂管内运移发声模型并进行分类识别，需获取表征声音特征的参数。根据岩屑运移音频信号的特点，选用梅尔尺度倒谱系数(mel frequency cepstrum coefficient，MFCC)^[11]作为特征参数。

由文献[12]可知，在表征声音的特性时，短时能量反映声音幅度的变化，短时过零率为一帧信号中采样数值符号改变的次数，可反映声音的频谱特性，对不同声音具有良好的区分度。因此，笔者提出了一种改进的MFCC参数，在原12维MFCC参数的基础上增加短时能量和短时过零率2个参数，构成新的特征参数，命名为MFCC_EZ参数。短时过零率计算公式为：

(4)

气体钻井现场排砂管线长度往往超过50 m，且排砂管管壁一般为铁质材料，容易受到现场话语声、汽车鸣笛声和金属撞击声等噪音的干扰，需采取措施消除干扰噪音。近年来，广泛应用BP神经网络算法进行声音分类^[13]，笔者以双探7井现场采集到的排砂管内岩屑运移声、话语声、汽车鸣笛声和金属撞击声作为实验样本，简述BP神经网络消除干扰噪声的一般过程，并验证其分类效果。

首先对采集的声音样本进行预处理，提取MFCC_EZ参数，然后进行参数归一化处理：

(5)

式中：x_k为参数序列；y_k为归一化处理后的参数序列；x_min为参数序列中最小的数值；x_max为参数序列中最大的数值；k为参数的序号。

根据音频类别和参数结构，BP神经网络模型为14-15-4。取帧长256、帧移128，4类音频分别提取3 000帧，提取MFCC_EZ参数，其中2 000帧参数用于训练网络，1 000帧输入上述训练好的神经网络，进行判断分类。根据分类结果计算，四类音频的总体分类正确率为96.8%。

在穴蚀效应和高速碰撞的共同作用下，气体钻井返出岩屑多呈悬浮粉末状^[14-16]，若井下发生井壁垮塌等异常情况，往往会有大颗粒岩屑返出。经过BP神经网络分类，确定被测音频信号为岩屑运移发声有效音频信号，即可作为判断岩屑大小的测试样本。根据岩屑颗粒的悬浮条件、跃移起动条件和滚动起动条件^[17]，计算排砂管内滚动颗粒直径的典型值d_g、跃移颗粒直径的典型值d_y和悬浮颗粒直径的典型值d_x，其计算公式为：

(6)

(7)

(8)

式中：d_gh，d_yh和d_xh分别为气体钻井正常钻进注气量的情况下滚动颗粒、跃移颗粒和悬浮颗粒直径的上限值，mm；λ_g，λ_y和λ_x分别为滚动颗粒、跃移颗粒和悬浮颗粒直径的修正系数。

在地质条件基本相同的前提下，也可以将前一开次钻探返出的岩屑作为参考依据，选择典型粒径的颗粒作为岩屑样本。双探7井一开返出岩屑最大粒径为9.0 mm，结合现场经验，在二开气体钻井施工前，选择粒径为7.5±0.5，5.0±0.5和2.5±0.5 mm的3种岩屑进行测试。

测试过程中保持正常钻进的注气量，从排砂管的岩样注入口依次投入3种岩屑，得到典型音频信号原始波形及其短时能量波形(见图 4)。

图 4 3种典型粒径岩屑运移音频信号波形对比 Fig.4 Wave form comparison of the audio signal of cuttings transportation with 3 typical grain sizes

图选项

从图 4可以看出：较小粒径岩屑颗粒激发的音频信号波形只出现一次较高幅度的波动，可视为颗粒撞击形成；中间粒径岩屑颗粒激发的音频信号波形出现2~3次大幅波动，可视为颗粒跳跃运移形成；较大粒径岩屑颗粒激发的音频信号波形出现大幅波动的频率大幅增加，且相邻波动的时间间隔越来越小，可视为岩屑由跳跃运移逐渐变为滚动运移。很明显，3种典型粒径岩屑在排砂管内运移激发的音频信号具有很好的区分度。

根据不同粒径岩屑在排砂管内运移形成的不同音频信号特征，对其大小进行识别，识别对象是有效音频信号对应的MFCC_EZ参数。鉴于碰撞音频信号长度的不确定性，适合采用动态时间弯折(dynamic time warping，DTW)算法进行识别^[18]。

DTW算法是运用动态规划的思想，利用局部最优的方法寻找一条路径，该算法对模板样本和待测样本的长度没有要求。长度M帧的第R号音频样本与长度N帧的第T号样本之间的DTW距离D_DTW为:

(9)

其中

(10)

式中：m和n分别为第R号和第T号音频样本的帧编号；K和k分别为参数总维度和维度编号；r_i(k)和t_i(k)分别为R号样本和T号样本的参数；ϕ为从(1，1) 到(N，M)、斜率范围为1/2~2的路径；i为路径节点编号；D为欧式距离。

建立3类典型粒径岩屑运移音频信号的MFCC_EZ参数模板库，使用DTW算法计算待测样本与每个模板样本之间的最佳路径，距离最小的路径所对应的声音类别即为识别结果。

笔者采集了每类粒径岩屑的20个音频信号作为模板，然后在双探7井进行了现场音频信号采集试验。试验过程中采集了多个音频信号，从每类信号中随机选择40个作为测试样本，识别其粒径大小，识别结果见图 5，综合识别率达85.0%。试验结果表明，该方法具有良好的分类效果。

图 5 DTW算法的岩屑粒径识别结果 Fig.5 Identification results of cuttings size based on DTW

图选项

根据监测结果，计算单位时间内通过的大颗粒岩屑体积为：

(11)

式中：V为单位时间内监测的岩屑颗粒体积，mm³; p为单位时间内监测到的岩屑颗粒数; D_i为识别到的第i个岩屑的粒径, mm。

钻进过程中，首先根据司钻、录井实时提供的监测参数确定正常钻进状态，然后用式(11) 统计该状态下若干个单位时间内返出大颗粒岩屑的总体积V_zn，取体积平均值V_zb作为钻进过程中大颗粒岩屑返出量的标准值，并根据现场地质资料情况设定正常的波动范围ΔV_z，如果钻进过程中单位时间内返出大颗粒岩屑的总体积超出正常钻进的波动范围，即V>V_zb+ΔV_z，判断井内气体携岩状态不正常，已出现掉块、井塌、出砂、砂桥崩溃等异常状况；反之，则视为正常钻进。

笔者先在实验室开展了验证性试验，通过模拟岩屑返出和运移条件，实时采集了岩屑运移音频信号，并准确识别出了岩屑的大小；然后在双探7井二开气体钻井过程中开展了现场试验，音频信号监测到的多为粒径2.5 mm的岩屑颗粒，偶有5.0 mm及以上粒径的颗粒，但未连续出现。试验过程中监测到的岩屑流量均匀，未发生异常状况，与实际钻井工况一致。

1) 基于音频信号的气体钻井返出岩屑量监测方法将岩屑颗粒运动状态分析法与音频信号智能识别技术相结合，通过监测返出大颗粒岩屑的流量变化，可以快速识别和预警井壁垮塌、掉块和井下岩爆等工况，确保气体钻井施工的安全。

2) 试验结果表明，基于音频信号的气体钻井返出岩屑量监测方法，能够较为准确地识别出返出岩屑的粒径及流量变化，有效判断井下工况。

3) 目前的研究只选用了3类岩屑样本，且是在较为理想的条件下开展的研究，与实际钻井环境存在一定的差距，需进一步细化岩屑样本的分类，充分考虑复杂工况对计算岩屑量的影响，进一步提高该方法的测量精度和适应性。