提高钻井时效是降本增效的重要手段，但目前通常对钻井时效进行事后人工分析，具有主观性和滞后性。随着机器学习和大数据技术的迅速发展，国内外很多学者开展了大数据和人工智能方法在石油工程中的应用研究，A. M. Alsalama等人^[1]提出了一个包含所需数据挖掘和分析工具的集成系统，大大缩短了传统方法进行预警的时间；K. Balaji等人^[2]从基础、理论和应用方面总结了数据驱动方法在石油天然气工程中的发展；刘刚^[3]建立了基于多源信息的SVM自适应钻井井下故障预警模型；袁野^[4]提出了基于SVM的井眼轨迹智能预测方法，建立了井眼的三维可视图，可以有效地控制井眼轨迹；孙万海^[5]提出了一种基于PSO-SVM的钻井故障智能预警系统，提高了钻井质量；王江萍等人^[6]提出应用神经网络技术对井漏、井塌、井涌及井喷等井下故障进行诊断。可见，目前国内外主要是运用大数据和机器学习对钻井故障进行预测及预防或研究相关理论问题，对工况识别的研究较少，且存在数据量小和缺乏现场实例验证等问题。YIN Qishuai等人^[7]提出了一种基于程序的工况识别方法，很好地消除了人员对钻井工况识别的影响，但该方法基于编程语言，没有考虑前后数据之间的联系和钻井数据可能存在波动等问题。为此，笔者提出了一种普遍适用的纯数据驱动方法，利用支持向量机（support vector machine，SVM）识别钻井工况，减少不可见非生产时间，提高钻井作业效率；采用训练–测试的方式，训练数据为综合录井提供的实时数据，解决了传统方法对人员依赖大的缺点；在钻井工况识别中应用机器学习与数据驱动方法，同时允许数据存在一定的波动，克服了编程语言识别带来的问题。

1.   支持向量机模型

支持向量机是一种监督式学习模型，可以用于模式识别、分类和回归问题的分析。该模型是基于统计学习理论和结构风险最小化原则建立的，主要思想是建立一个线性分离超平面，将非线性输入映射到高维特征空间中，使正例和反例之间的隔离边缘被最大化^[8–15]。支持向量机的原理如图1所示。图1中，x₁和x₂代表输入参数特征，w为核函数，b为偏置，l₂代表数据分类的最佳方案。模型的输入为钻头位置、大钩载荷、机械钻速、钻压、大钩载荷、转速、扭矩、出口排量和立管压力等9种参数，输出包括倒划眼、接立柱、下套管、下钻及旋转钻进5种正常工况和钻塞等复杂工况。根据9种输入参数的特征，采用SVM将它们分为6种输出结果。

图  1  支持向量机原理示意

Figure  1.  Principle schematic diagram of support vector machine

下载: 全尺寸图片 幻灯片

针对非线性分类问题，B. E. Boser等人^[16]提出了将核技巧应用于最大边界超平面，从而创建非线性分类器的方法。经过不断发展，应用于SVM的核函数主要包括以下几种类型^[17]。

线性核函数：

多项式核函数：

径向基核函数：

两层感知器核函数：

式中：${{{x}}_i},{{{x}}_j}$为空间中的2个向量；k为核函数；$d,{\gamma },{\kappa },c$为系数。

通过核函数处理，将非线性问题转化为线性问题，如图2所示。

图  2  核函数作用示意

Figure  2.  Functional schematic diagram of the kernel function

下载: 全尺寸图片 幻灯片

笔者在研究中，利用SVM进行6个钻井工况的识别，识别结构如图3所示。收集现场22种钻井工况的录井数据，选择具有代表性的倒划眼、接立柱、下套管、下钻及旋转钻进等5种正常工况和钻塞等复杂工况共6种工况进行分析。结合研究中数据的使用情况，选取的参数包括钻头位置、大钩载荷、机械钻速、钻压、大钩高度、转速、扭矩、出口排量和立管压力。

图  3  支持向量机的识别结构示意

Figure  3.  Recognition structure of support vector machine

下载: 全尺寸图片 幻灯片

2.   工况识别模型优化

为了提高工况识别的准确率，首先对数据进行[0，1]归一化处理，然后优选SVM核函数类型，并进行交叉验证，优化模型。

2.1   核函数优选

应用SVM时，关键是选择核函数，不同的核函数适用于不同的问题，对准确率有很大的影响。采用不同的核函数，对不同工况进行归一化处理，输出的结果如图4—图7所示。

图  4  线性核函数的识别结果

Figure  4.  Identification results of linear kernel function

下载: 全尺寸图片 幻灯片

图  5  多项式核函数的识别结果

Figure  5.  Identification results of polynomial kernel function

下载: 全尺寸图片 幻灯片

图  6  径向基核函数的识别结果

Figure  6.  Identification results of radial basis kernel functions

下载: 全尺寸图片 幻灯片

图  7  两层感知器核函数的识别结果

Figure  7.  Identification results of kernel functions by two-layer perceptron

下载: 全尺寸图片 幻灯片

4种核函数的识别准确率和计算时间的对比情况见表1。

表  1  不同核函数计算结果对比

Table  1.  Comparisons of calculation results with different kernel functions

核函数	样本 数量	准确识别 数量	准确 率，%	计算用时/s
线性核函数	600	568	94.67	0.511 966
多项式核函数	600	564	94.00	0.670 709
径向基核函数	600	581	96.83	0.581 977
两层感知器核函数	600	242	40.33	2.917 935

下载: 导出CSV 

| 显示表格

由表1可知，两层感知器核函数的识别准确率最低，且耗费时间最长；径向基核函数的识别准确率较高。

2.2   模型参数优选

利用SVM进行钻井工况识别时，得到的模型需要具有高的准确率和鲁棒性，采用交叉验证的方法，将原始数据分成K组，随机选取一组子集做验证集，其余K–1组子集做训练集，得到K个模型，最后选择准确率最高模型的性能指标^[16]作为最终SVM的参数。

通过交叉验证可以选出最佳的惩罚函数c和核函数参数g，交叉验证的结果如图8所示（图8中，不同等高线表示c和g不同取值对应的准确率）。

图  8  交叉验证结果

Figure  8.  Cross validation results

下载: 全尺寸图片 幻灯片

由图8可知，$c > {2^{ - 1.5}}$，${2^{ - 1}} < g < {2^2}$时，准确率可达到97%以上，此时选取c最小的那组数据（这是因为，c值过高会出现过学习现象，即训练集的准确率满足一定的要求，但测试集准确率很低），即c=0.353 6，g=1.534 0（见图8中点A）。准确识别钻井工况后，就可以对钻井作业进行事后分析，识别不可见非生产时间，提高钻井效率，从而提高钻井的安全性和经济性。

3.   模型准确性验证

选取4口井进行模型验证，以其中2口井的录井数据为训练集，其他2口井的录井数据为测试集，训练集和测试集SVM的识别结果如图9所示。从图9可以看出，训练集的识别准确率高于测试集，测试集中接立柱和旋转钻进的识别准确率最高，达到了97%，工况识别准确率总体达到95%以上，说明该方法在新样本中有很好的泛化性。

图  9  最终的工况识别结果

Figure  9.  Final identification results of working condition

下载: 全尺寸图片 幻灯片

4.   钻井时效分析与应用

海上导管架平台因作业空间受限，通常在一个导管架平台上布置数十口井，这种井槽集中在一个区域的布井方式，形成了“批钻（一次性完成同一开次钻井作业）”作业模式。由于这些井的地层情况、钻井设计方案、钻井设备、施工队伍相似，所以在“批钻”模式下，同一井段的时效具有可比性。因此，采用基于支持向量机的钻井工况实时智能识别方法，进行工况识别、时效分析和时效辅助决策，实现提质增效。以南海某平台批钻作业为例，首先对一口井的三开录井数据进行学习，训练得到工况识别模型；然后根据其余14口已钻井的三开录井数据识别接立柱工况和分析钻井时效，从而指导待钻井的施工，提高接立柱的效率。具体应用步骤如下：

1）工况识别。利用B1井的三开录井数据，训练得到最优模型，然后使用该模型对其余14口已钻井的三开工况进行识别，并统计接立柱作业时间。

2）时效分析。为了得到三开中接立柱的平均时间，统计了前15口已钻井的三开接立柱时间（见图10）。由图10可知，10%的接立柱作业可在1.3 min内完成，50%的接立柱作业可在2.1 min内完成，90%的接立柱作业可在4.9 min内完成，接立柱作业的平均完成时间为2.5 min。

图  10  接立柱做作业完成时间分布

Figure  10.  Completion time distribution to pick up stands

下载: 全尺寸图片 幻灯片

3）辅助决策。按照三开接立柱顺序分为4个阶段，第1阶段为第1—12根立柱，第2阶段为第13—24根立柱，第3阶段为第25—36根立柱，第4阶段为第37至最后所有的立柱，前15口井三开4个阶段的平均接立柱时间为2.5 min。

将得到的模型应用到新井中，实时判断得到第1—12根立柱的平均作业时间为2.7 min，大于前15口井的时间2.5 min，此时实时监测中心向平台发送“作业效率有待提高”的指令，指导下一阶段（第13—24根立柱）作业，并以此类推，完成全井段的时效分析，保证作业效率（见表2）。

表  2  不同层位接立柱时间统计

Table  2.  Time statistics for making up a stand of drill pip

立柱序号	前期平均接 立柱时间/min	SVM实时判断新井接 立柱时间/min	现场决策
1—12	2.5	2.7	有待提高
13—24		2.6	有待提高
25—36		2.4	有所提高
37至最后		2.2	显著提高

下载: 导出CSV 

| 显示表格

4）现场施工应用。将该方法应用到6口新钻井的钻井施工中（包含上面提到的新钻井），各井三开接立柱作业的平均完成时间的变化如图11所示。由图11可以看出，每口新钻井的平均接立柱时间稳步下降，效率稳步提高，实现了提质增效。

图  11  接立柱作业平均完成时间的变化情况

Figure  11.  Average completion time variation to pick up stands

下载: 全尺寸图片 幻灯片

5.   结　论

1）将机器学习的SVM方法应用于石油工程的钻井工况识别中，以提高钻井效率。

2）提出一种纯数据驱动的方法，并充分利用油田现场数据，减少了传统方法对人员经验的依赖，提高了识别准确率，缩短了工况识别所需时间。

3）利用SVM对6种钻井工况进行识别，通过优选核函数类型、进行交叉验证，逐步优化智能识别模型，不断提高模型识别的准确率，最终将识别准确率提高到了95%。