中文題目：機理約束下鉆井機械鉆速智能預測泛化方法

論文題目：機理約束下鉆井機械鉆速智能預測泛化方法

錄用期刊/會議：天然氣工業 (EI中文核心)

原文DOI：10.3787/j.issn.1000-0976.2024.09.016

錄用/見刊時間：2024年9月

作者列表：

1） 祝兆鵬 中國石油大學（北京）機械與儲運工程學院 機電系教師

2） 朱林 中國石油大學（北京）人工智能學院 油氣人工智能專業 博24

3） 宋先知 中國石油大學（北京）石油工程學院 鉆井系教師

摘要:

鉆井機械鉆速的精準預測對資源優化配置和鉆井作業方案制定至關重要。智能化鉆速預測成為行業焦點，為改善模型跨井遷移能力，基于預處理后的錄井數據，結合鉆井專業知識，引入DANN構建遷移學習模型。研究顯示：數據和網絡層約束提升模型精度和穩定性，DANN模型有效實現鄰井知識遷移，增量學習算法通過雙滑動窗口實現模型實時更新，提高預測精度和泛化能力。機理約束、遷移訓練與實時更新疊加增強模型泛化性能，新井預測平均相對誤差降至20.2%。該方法相比傳統模型，具有更好的遷移性和準確度，減少了重復訓練時間，為智能鉆速預測提供了新路徑。

背景與動機:

本文提出了一體化的機械鉆速預測方法，結合機理約束和模型遷移更新。在模型訓練層面，通過破巖機理建立了數據和架構的雙重約束；在優化層面，采用域對抗神經網絡（DANN）制定了跨井遷移機制；在運行層面，利用滑動窗口、增量更新和實時錄井數據實現了模型的實時更新和動態遷移。以國內某區塊3口井為例，該方法相比傳統模型在遷移性和準確度上表現更優，減少了遷移訓練時間，為機械鉆速預測提供了新方向。

設計與實現:

（1）數據預處理：

采用孤立森林算法檢測并剔除數據異常值，提高數據質量；應用SG濾波算法降噪，保留數據關鍵特征和趨勢；通過min-max標準化方法對數據進行歸一化，確保模型訓練不受輸入參數規模影響。

（2）特征優選：

基于鉆井工程機理和相關分析，將影響鉆速的可控因素分為施工參數、鉆頭參數、地質參數和鉆井液參數四類；利用距離相關系數進行相關性分析，篩選與鉆速相關性較高的參數，最終確定模型的輸入參數包括：施工參數；鉆頭參數；鉆井液參；其他參數。

（3）機理約束：

將修正楊格鉆速方程、機械比能方程和鉆頭水功率方程中的部分參數作為模型新特征輸入，使模型更具靈活性，并有效減少模型過擬合的風險；在損失函數中添加鉆速對鉆壓和轉速偏導數的懲罰項，確保模型符合鉆速與鉆壓、轉速呈正相關關系的物理約束關系。

（4）遷移學習：

采用域對抗神經網絡（DANN）進行遷移學習，將鄰井數據知識遷移到測試井，提升模型泛化能力。DANN模型由特征提取器、回歸器和域分類器組成，通過對抗訓練學習域無關特征表示，實現知識遷移。

（5）模型更新：

包括滑動窗口和增量學習算法，實現模型隨井下工況的實時更新；鄰井滑動及鉆井滑動窗口分別采集鄰井數據和目標域數據；根立柱長度為步長更新數據，實現模型實時更新和優化。

主要內容:

一、機理約束：

數據層約束W×n作為特征，可以反映鉆壓和轉速對鉆速的綜合影響；4W/Πd_B²作為特征，可以反映破巖過程中單位體積巖石所需的能量；ρ_dQ³/d⁴_ne作為特征，可以反映水力因素對鉆速的影響。

網絡層約束：鉆速與鉆壓、轉速正相關，損失函數加入懲罰項增強模型穩定性和泛化能力。

二、遷移學習：

DANN模型由特征提取器、回歸器和域分類器組成，分別用于提取特征、進行預測和識別特征域，以實現跨域學習。模型訓練采用復合損失函數，融合鉆速預測誤差和域分類誤差。鉆速預測誤差通過比較實際與預測鉆速來衡量性能，而損失權重的調整則用于平衡特征提取與域分類的訓練。

三、模型更新：

雙滑動窗口：鄰井滑動窗口用于采集鉆進過程中鉆頭位置上下500 m 范圍內井段的工程數據，以作為遷移學習訓練的源域數據；鉆井滑動窗口用于采集新鉆進的100 m 數據，作為目標域數據。

增量學習：以一根立柱長度為步長更新數據，實現模型實時更新和優化。隨著源域和目標域的滑動更新，模型也進行重新訓練，從而讓模型實時適應地下鉆進環境變化。

實驗結果及分析:

一、機理約束對比實驗：

對比了隨機森林、XGBoost和BP神經網絡等模型，BP模型表現最優。在BP模型基礎上，分別進行數據層和網絡層機理約束，雙約束模型預測精度最高，MAPE降低了20.8%，證明專業知識與神經網絡結合具有有效性。

二、遷移學習對比實驗：

遷移學習對比顯示，僅用目標域或源域數據的BP模型預測不佳，結合數據后有所改善但仍有偏差。DANN模型利用相同數據遷移學習，預測性能大幅提升，MAPE降至29.6%，凸顯DANN模型在知識遷移上的優勢。

三、模型更新對比實驗：

雙滑動窗口增量學習更新DANN模型，源域用鄰井數據，目標域用測試井數據，提升預測精度和泛化能力，MAPE降31.8%，R2升16.9%，驗證更新機制高效。

結論:

（1）數據層和網絡層約束共同提升了BP模型的精度和穩定性，雙機理約束使MAPE降低了20.8%。

（2）采用域對抗神經網絡的模型有效實現鄰井數據遷移，預測MAPE為29.6%，優于非遷移學習模型。

（3）通過增量學習算法和雙滑動窗口機制更新數據，模型實時適應鉆進環境，MAPE降至20.2%，提高精度和泛化能力。

（4）機理約束、遷移學習和增量更新機制疊加提升預測效果，所提模型性能遠超傳統模型，相比普通BP模型，MAPE降低43.3%。其 MAPE 降低 43.3%。

作者簡介:

祝兆鵬，中國石油大學（北京）機械與儲運工程學院，副教授，長期從事井筒多相流動機理和智能鉆完井理論相關研究。

通訊作者簡介:

宋先知 中國石油大學（北京）石油工程學院院長，碳中和示范性能源學院執行院長，二級教授。