背景與動機:

在深海鉆井作業中，表層導管噴射安裝時間的控制和優化問題引發了廣泛關注。導管噴射安裝時間，由下入階段的導管下入時間與靜置階段的導管靜置時間兩部分構成，其決定了整個安裝過程的效率和成本。然而，這兩個階段的時間長度由多種噴射參數共同影響，其復雜度使得傳統的優化方法常常無法給出滿意的解決方案。因此，如何高效、準確地優化導管噴射安裝時間，是深海鉆井工作中亟待解決的重要問題。

設計與實現:

基于正交模擬實驗，形成系統的數據集。經過特征提取和參數縮放預處理，將安裝參數與噴射和靜置時間聯系起來。采用基于CAPQL多目標強化學習框架，建立了同時優化噴射時間和靜置時間的馬爾可夫決策過程環境。將該框架應用于選定的深海油氣井驗證。

主要內容:

設置導管噴射安裝正交物理模擬實驗，建立鉆井壓力、流量、鉆頭延伸和鉆頭與套管尺寸比等參數的數據集。詳細記錄了鉆井和靜置時間，經過特征提取和參數縮放預處理，將安裝參數與噴射和靜置時間聯系起來，分析各鉆井參數與地層參數對鉆井時間的影響規律。

圖1 導管噴射鉆井實驗原理圖

圖2 導管噴射鉆井參數的影響規律

引入了一種基于全連接神經網絡算法的導管噴射安裝時間預測模型?？紤]到輸入特征和可用訓練數據的特點，考慮捕捉輸入特征和輸出特征之間復雜的映射關系，選擇全連接神經網絡作為預測模型。添加Dropout層以減輕過擬合，通過粒子群優化確定模型的初始權值，以避免局部最優，使用網格搜索方法對學習率、隱藏層神經元數量和輟學率等超參數進行了優化。在此模型的基礎上，建立了馬爾可夫決策過程環境?？紤]到噴射鉆井時間和靜置時間的內在矛盾，引入了帕累托邊界的概念。

圖3 預測模型的訓練、驗證和測試流程圖

采用基于CAPQL多目標強化學習框架，建立了同時優化噴射時間和靜置時間的馬爾可夫決策過程環境。將該框架應用于選定的深海油氣井驗證。

圖4 噴射鉆進時間隨迭代的變化

圖5 靜置時間隨迭代的變化

結論:

通過深水地面導管套管噴射安裝模擬實驗，獲得了導管套管噴射安裝過程的大量數據，并將其匯編成樣本集。在此基礎上，建立了導管噴射安裝時間的預測模型。該模型能夠準確、高效地模擬導管噴射安裝參數、噴射鉆井參數、沉降之間的映射規律。

從導管噴射安裝時間預測模型出發，考慮到導管噴射安裝參數的實際工程約束條件，探討了安裝參數對安裝時間的影響機理，為優化導管噴射安裝參數奠定了理論基礎。

為實現導管噴射安裝時間的最小化，采用多目標深度強化學習算法對導管噴射安裝參數進行優化設計。并形成了一套結構化的參數優化設計流程。通過在特定區塊的目標井下進行實驗驗證，建立了優化導管噴射參數的Pareto邊界。在Pareto前沿地區，證明了優化縮短套管射流安裝時間的潛力。更重要的是該方法在優化導管安裝時間方面適用于不同的土體環境。

Fig. Pareto Frontier upon Optimization Completion

Fig. Comparison of Jetting Installation Parameters Before and After Optimization.

作者簡介:

宋宇，中國石油大學（北京）信息科學與工程/人工智能學院 自動化系教師，主要研究方向是海洋油氣鉆井、智能控制和鉆井感知相關的研究工作?，F主持國家自然科學基金青年項目、重點研發計劃子課題等國家級課題5項，獨立承擔十余項企業橫向項目，參研973、國家自然科學重點項目、聯合基金項目、企業項目超30項。在JPSE、OE、FGCS、中國海上油氣、石油鉆采工藝等國內外主流期刊發表論文20余篇。