基于多时间尺度特征和神经网络的钻进过程工况识别方法与流程

本发明涉及地质勘探钻进过程智能控制领域，尤其涉及基于多时间尺度特征和神经网络的钻进过程工况识别方法。

背景技术：

我国深部矿产资源丰富，然而深部地质勘探技术尚不成熟，要保证国家资源能源安全，就必须要推动深部地质钻探科技创新，建立符合复杂地质钻进需求的智能决策和钻进控制方法。钻进过程安全性监测与工况识别是实现复杂地质条件下高效、安全钻进的关键，如果井下发生了异常不及时处理，很容易导致钻进事故，不仅影响整个工程进度，还威胁到生命财产的安全。据统计，在钻进过程中因钻进事故导致的停产时间(npt)约占钻进总时间的15％～20％。因此，建立钻进过程异常工况识别系统，是实现地质勘探钻进过程安全高效目标的重要基础。

20世纪末至21世纪初，许多学者从不同角度提出了钻进过程安全性监测与工况识别的方法，分析事故产生的内部机理及外部表现特征，进而实现早期的识别预报。国内外多家公司也致力于钻进过程安全监测技术的研究，如斯伦贝谢、贝克休斯、哈里伯顿等石油公司开发出的nds系统、edrilling系统和copilot系统，从不同方面进行钻进风险预测和实时动态诊断。由于诸多历史原因，我国钻进系统安全监测水平远落后国外，相比于其他行业的智能化程度也较为落后，目前已成为制约我国发展深部地质资源开发的关键。

目前钻进过程工况识别问题仅通过分析单一时刻录井数据获得，且多未考虑录井时序数据变化关系。当钻进参数发生逐渐增加、减小或跳变时，司钻通过历史变化曲线判断钻进系统出现的异常。因此，钻进过程工况识别模型应考虑钻进数据的不同变化趋势特征，建立数据变化特征与异常工况类型的非线性动态关系。

技术实现要素：

为了解决上述问题，本发明提供了基于多时间尺度特征和神经网络的钻进过程工况识别方法，基于多时间尺度特征和神经网络的钻进过程工况识别方法，主要包括以下步骤：

s1：基于钻进过程异常工况专家经验，分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法将录井数据分为长时间尺度段数据和短时间尺度段数据；所述钻进过程异常工况包括：井漏、钻具掉落、卡钻和超拉；

s2：采用渐变采样最小二乘法提取长时间尺度段数据的长时缓变特征，利用自适应阈值法提取短时间尺度段数据的短时突变特征；

s3：利用概率神经网络方法建立钻进过程工况识别模型；该模型的输入为当前时刻录井数据、长时缓变特征和短时突变特征，输出为井漏、钻具掉落、卡钻、超拉和正常五类钻进过程工况类型中的一种；

s4：将实际钻进过程中的某当前时刻录井数据、长时缓变特征和短时突变特征输入到所述钻进过程工况识别模型中，得到某当前的钻进过程工况类型。

进一步地，在步骤s1中，长时间尺度段数据用来分析录井数据的长时缓变特征，短时间尺度段数据用来分析录井数据的短时突变特征。

进一步地，在步骤s2中，短时突变特征的提取方法为：针对短时间尺度段数据，采用人工经验判断当前时刻录井数据与前一时刻录井数据的差值，若录井数据的相邻采样点间的差值大于当前时刻录井数据的40％，则判断当前时刻录井数据变化异常；采用自适应阈值的方法进行提取当前时刻录井数据的短时突变特征。

进一步地，在步骤s2中，针对长时间尺度段数据，采用最小二乘拟合方法进行长时缓变特征提取：

若时间序列t1-tq这段时间内，的线性拟合函数为f(tp)＝atp+e，斜率a即为时间序列的趋势特征，斜率a和参数e满足条件：其中，j为拟合误差，用来对时间序列的拟合程度进行度量；1≤p≤q，q为大于等于2的正整数，tp为当前采样点；

将长时间尺度段数据按照上述时间序列进行分段处理，分别得到相应拟合函数的斜率，即提取得到关于当前时刻录井数据的长时间尺度段数据的长时缓变特征。

进一步地，在步骤s4中，概率神经网络为一种前馈四层概率神经网络，包括输入层、模式层、求和层和输出层。

进一步地，在步骤s4中，概率神经网络的输入层接收输入的数据向量，将数据向量中的每一个录井数据传输至模式层的每个神经元；模式层将每个神经元上的录井数据乘以对应的权重系数得到每个神经元的输出；求和层的神经元通过计算属于同一类工况的所有神经元的输出，输出层将最大概率密度的一类工况作为概率神经网络的最终输出，也即得到钻进工况识别模型的输出。

本发明提供的技术方案带来的有益效果是：减少钻进成本，提高钻进过程异常工况的识别速度和识别精度，为地质勘探钻进过程安全性监测与工况识别打下了良好的基础。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例中基于多时间尺度特征和神经网络的钻进过程工况识别方法的流程图；

图2是本发明实施例中钻进过程工况识别的结构图；

图3是本发明实施例中概率神经网络结构图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明的实施例提供了基于多时间尺度特征和神经网络的钻进过程工况识别方法。

请参考图1，图1是本发明实施例中基于多时间尺度特征和神经网络的钻进过程工况识别方法的流程图，具体包括如下步骤：

s1：基于钻进过程异常工况专家经验，分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法对录井数据进行分段，将录井数据分为长时间尺度段数据和短时间尺度段数据；所述钻进过程异常工况包括：井漏、钻具掉落、卡钻和超拉；长时间尺度段数据用来分析数据缓变特征，短时间尺度段数据用来分析数据突变特征；

请参考图2，图2是本发明实施例中钻进过程工况识别的结构图，首先根据限幅滤波算法对录井数据进行滤波和归一化处理，通过将两次相邻的录井数据相减，求出其差值增量的绝对值，与预设的最大差值阈值进行比较；如果小于或等于预设的最大差值阈值，则当前时刻录井数据有效；否则取前一时刻录井数据作为当前时刻的样本；预设的最大差值阈值的大小由不同类型录井数据的特点确定。然后利用多尺度方法将处理过的录井数据分为短时间尺寸分段数据和长时间尺度分段数据；

突变特征为时间尺度较短，钻进状态和录井数据变化快速；针对钻压、扭矩和立压等突变变量，为了及时并准确地提取突变特征，采用相邻时刻点间的差值判断录井数据突变情况；

缓变特征为时间尺度较长，钻进状态和录井数据变化缓慢；针对立管压力、出口流量、总池体积等缓变变量，为了反映整体的录井数据变化趋势，即录井数据曲线的长期变化情况，将当前录井数据及前三个采样点的录井数据作为长时间尺度段数据，利用滑动窗口对该时间段内的录井数据进行分析，提取录井数据的变化趋势特征作为判断当前录井数据对应的工况的依据；所述趋势特征包括短时突变特征和长时缓变特征。

步骤s1的具体步骤如下：

s1-1：通过分析钻进过程异常工况的录井数据随时间变化的特点，确定出随着时间推移录井数据的突变和缓变情况，缓变情况包括录井数据缓慢增加和降低，突变情况表现为录井数据跳变；

s1-2：通过分析异常工况时的历史突变及缓变录井数据，利用多时间尺度方法，将不同变化类型的录井数据分为长时间尺度段数据和短时间尺度段数据，长时间尺度段数据用来分析数据缓变特征，短时间尺度段数据用来分析数据突变特征；

s2：采用渐变采样最小二乘法提取长时间尺度段数据的长时缓变特征，利用自适应阈值法提取短时间尺度段数据的短时突变特征；对缓变特征的分析，适合采用较长的分段平均长度，利用较少的分段来反映录井数据的变化趋势；对突变特征的分析，则适合采用较短的分段平均长度，反映录井数据的短期波动情况，以达到快速检测异常特征的目的；长时缓变特征和短时突变特征的提取是以当前时刻录井数据为终止数据，以当前时刻前的历史录井数据为研究对象；

s2-1：针对长时间尺度段数据，根据录井数据缓变特征及长时间尺度长度，采用渐变采样最小二乘拟合方法对滑动窗口中的部分钻进数据进行拟合，进行长时缓变特征提取；

录井数据序列可看做时间序列进行处理，时间序列分段中每段数据的长度和分段数目决定了对时间序列的特征描述程度；若时间序列t1-tq这段时间内，的线性拟合函数为f(tp)＝atp+e，斜率a即为时间序列的趋势特征，斜率a和参数e满足条件：其中，j为拟合误差，用来对时间序列的拟合程度进行度量；1≤p≤q，q为大于等于2的正整数，tp为当前采样点；

将长时间尺度段数据按照上述时间序列进行分段处理，分别得到相应拟合函数的斜率，即提取得到长时间尺度段数据的长时缓变特征。

s2-3：为了及时检测录井数据跳变异常情况，短时突变特征的提取方法为：针对短时间尺度段数据，采用人工经验判断当前时刻录井数据与前一时刻录井数据的差值，若录井数据的相邻采样点间的差值大于当前时刻录井数据的40％，则判断当前时刻录井数据发生突变；根据滑动窗口内录井数据的波动情况确定异常阈值，采用自适应阈值的方法进行提取当前时刻录井数据的短时突变特征。

因为异常阈值的选择对异常工况的判断十分重要，异常阈值设置太小容易发生误报，异常阈值设置过大则容易使监测失效，导致漏报。所以本发明实施例中采用滑动窗口模型，设定自适应阈值作为异常阈值进行短时突变特征提取。

s3：利用概率神经网络方法建立钻进过程工况识别模型；该模型的输入为当前时刻录井数据、长时缓变特征和短时突变特征，输出为井漏、钻具掉落、卡钻、超拉和正常五类钻进过程工况类型中的一种；即利用概率神经网络方法建立当前时刻录井数据、长时缓变特征和短时突变特征与钻进过程工况类型之间的关系；钻进过程工况通过录井数据-时间变化关系来反映，还与当前时刻录井数据相关；

钻进过程工况识别模型中的概率神经网络的超参数事先已设定，该模型会并输入数据进行无量纲化处理，即进行数据归一化处理；

利用历史钻进数据，调整概率神经网络中的平滑因子，对概率神经网络进行优化，提高概率神经网络的识别精度；

请参考图3，图3是本发明实施例中概率神经网络结构图，概率神经网络(pnn)是由径向基网络发展而来的一种前馈四层概率神经网络，概率神经网络(pnn)包括输入层、模式层、求和层和输出层。概率神经网络(pnn)的工作原理如下：概率神经网络的输入层接收输入的数据向量x，将数据向量x中的每一个录井数据xi′传输至模式层的每个神经元；模式层将每个神经元上的录井数据xi乘以对应的权重系数wi得到每个神经元的输出：

求和层得到属于同一类钻进工况的所有神经元的输出之和，只要概率神经网络(pnn)的输入样本的数目充足，利用概率神经网络得到的函数可以连续平滑的逼近概率密度函数fj(x)：

其中，pij(x)表示输入的数据向量x被分为第j类钻进过程工况的第i个神经元的输出，f表示数据向量x的维数，f为大于1的正整数；j表示第j类钻进过程工况，i表示属于第j类钻进过程工况的第i个神经元，1≤i≤f，1≤j≤5；σ为平滑因子；w为已知的设定向量；m表示第j类钻进过程工况中的录井数据数量；

根据密度函数的计算结果，从而得到数据向量x被分类为第j类钻进过程工况类型的最大似然性c(x)：

c(x)＝argmax{fj(x)}

根据贝叶斯理论，输出层将最大概率密度的一类工况作为概率神经网络(pnn)的最终输出，也即得到钻进工况识别模型的输出。

s4：将实际钻进过程中的某当前时刻录井数据、长时缓变特征和短时突变特征输入到所述钻进过程工况识别模型中，得到某当前的钻进过程工况类型。

以某井的录井数据与异常状态数据为例，将利用本实施例提出的基于多时间尺度特征和神经网络的钻进过程工况识别方法和常用的单样本点法得到的结果进行对比，以证明本实施例提出的基于多时间尺度特征和神经网络的钻进过程工况识别方法的识别效果更好。其中，表3和表4是基于多时间尺度特征和神经网络的钻进过程工况识别方法得到的相关结果，表3是以混淆矩阵的形式显示了基于本方法的工况识别结果，混淆矩阵也称误差矩阵，用于评价机器学习方法的分类效果。混淆矩阵的列对应实际工况类别，混淆矩阵的行对应识别出的工况类型，主对角线上的数据显示的是统计参数真正(tp)，其余3个统计参数，即假正(fp)、真负(tn)和假负(fn)也可以通过计算得到。假正(fp)表示当实际工况为异常时模型识别工况为正常的数量，假负(fn)表示当实际工况为异常时模型识别为异常的数量，真负(tn)表示当实际工况为异常时模型识别工况也为异常的数量；如：一个工况类型的假负(fn)可从相应的列计算出来，通过每一列实际工况的和减去识别出的正确的工况数即为误报数。假正率(fpr)表示异常工况被误判为正常工况的概率，真正率(tpr)表示正常工况被识别为正常工况的概率；假正率(fpr)处于较低位，且真正率(tpr)越高说明上述方法的识别效果越好。表4是基于本方法得到的交叉验证结果，通过交叉验证的方式，表4总结了利用本方法识别的3类统计参数：总识别率、假正率(fpr)和真正率(tpr)。一方面，从表4中可看出假正率(fpr)平均10％左右，最高不超过17％，说明90％的异常工况均被识别。这对于实际钻进工程系统是很有利的，因为较高的假正率(fpr)会漏报很多异常工况，若其恶化导致事故会带来较大损失。另一方面，从表4中可看出真正率(tpr)较高，平均可达95％，因为系统大多数情况运行处在正常工况，较低的真正率可能会导致过多的误报，降低工程作业效率和系统的可信度。然而，实际中无法消除系统里所有的假正(fp)或假负(fn)，需要对各类参数进行权衡，表5和表6是基于单样本点法得到的相关结果，表5是以混淆矩阵的形式显示了基于单样本点法的工况识别结果，表6是基于单样本点法得到的交叉验证结果。通过基于多时间尺度特征和神经网络的钻进过程工况识别方法和常用的单样本点法得到的结果分别进行对比，可以得到本实施例总提出的基于多时间尺度特征和神经网络的钻进过程工况识别方法对钻进过程工况的识别效果更好，识别精度更高。

表3基于多时间尺度特征和神经网络的工况识别结果

表4基于多时间尺度特征和神经网络的工况识别的交叉验证结果

表5基于单样本点法的工况识别结果

表6基于单样本点法的工况识别的交叉验证结果

利用本发明提出的特征趋势法提取钻进参数特征，建立基于pnn网络的异常工况识别模型，整体识别效果基本保持在90％以上，相比传统方法83％的识别效果有明显提高。总体来说，基于特征趋势法的异常工况识别方法，可以有效地对钻进异常进行判断，防止重大事故发生。

本发明的有益效果是：减少钻进成本，提高钻进过程异常工况的识别速度和识别精度，为地质勘探钻进过程安全性监测与工况识别打下了良好的基础。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。