ARMA建模在神经网络卡钻预测方法中的应用研究

摘 要： 为准确预测卡钻事故的发生，利用一种基于时间序列的神经网络卡钻预测方法，将时间序列ARMA建模与神经网络非线性建模相结合。选取与卡钻事故相关性较大的参数作为神经网络的输入项，运用现场数据对神经网络进行训练，再利用神经网路的强非线性和自适应学习能力来建立卡钻事故预测模型；通过时间序列对历史数据的挖掘功能，揭示实际钻井过程中对卡钻事故影响较大的各参数的隐含规律，建立时序ARMA模型，求出卡钻时刻钻井相关参数的预测值；将预测值放入神经网络模型进行测试训练，从而达到预测卡钻事故的效果。运用延安地区实际现场数据证实该方法具有精确的卡钻预测能力及较好的泛化能力。

关键词： 卡钻； 预测； 时间序列； ARMA建模； BP神经网络

中图分类号： TN911?34； TE28 文献标识码： A 文章编号： 1004?373X（2013）22?0017?03

0 引 言

卡钻是指钻具既不能转动也不能上下活动，是钻井过程中常见的井下事故。经初步统计，卡钻事故[1]处理时间占整个钻井事故处理时间的60%以上，由卡钻引起的耗费占非生产耗费的50%以上，且卡钻事故发生后，经常由于钻井人员的错误处理，诱发更严重的钻井事故，造成巨大经济损失，因此找出一种准确预测卡钻事故的方法，成为现阶段钻井工程人员的重要任务之一。

为了减少钻井成本，提高钻井效率，部分研究人员对钻井过程提出了较多的数学模型，但由于其在钻井工况中运用的局限性，始终无法很理想的描述钻井过程的复杂情况[2]。BP神经网络[3?4]是一种强非线性、强自适应学习能力的数据信息处理方法，由输入层、隐含层、输出层及各层节点连接而成，一个三层BP网络可以很近似的逼近任意函数。时间序列在中短期预测处理的效果较其他方法更具优势，可以充分反映相关数据的信息特点，为了进一步对神经网络卡钻预测方法进行完善，提出了一种将时间序列ARMA建模引入预测方法的理论，进一步将诊断卡钻升级为预测卡钻，且运用现场实际钻井数据进行了验证。

1 神经网络结构的建立

人工神经网络，简称为神经网络，它是以人脑的组织结构和活动规律为背景，模拟生物神经网络进行信息处理的一种数学模型。具有自适应、自组织和强大的非线性映射能力，可以逼近任意的非线性函数。应用在卡钻预测中，可以避免数学模型系数难计算，过程难以确定的缺点。

本文以三层BP神经网络的结构来进行建模[5]，结构如图1所示。

输入层的变量要求对输出影响较大，能够检测或可提取，且各输入变量之间相关性小，因此，选取卡点井深、机械钻速、排量、泵压、漏斗黏度和含沙量等6个变量作为输入层变量。

输出层以0表示预测到要发生卡钻，1表示正常钻进过程，0和1之间的数值表示预测的渐近类别。

隐含层的设计使用试凑法得到，试凑公式为：[m=n+l+a]

式中：[n=6]，n为输入层神经元个数；[l=1]；l为输出层神经元个数；[a]为1至10之间的常数；[m=4～14]；m为隐含层神经元个数；则隐含层试凑过程见表1。可以确定隐含层为7个神经元。

2 神经网络模型的训练

网络训练[6?7]中提取的规律蕴涵在样本中，因此选择的样本一定要具有代表性。样本类别的均衡性和多样性是样本选择与组织的两个原则，即样本中的类型要全面，且保持各类别样本的数量基本相同。若网络中对某类别的样本缺失，就会导致训练结束后网络对该类别的样本不识别。

本文中BP神经网络输入层选取的参数有：卡点井深、机械钻速、排量、泵压、漏斗黏度、含砂量。收集延安地区30口井的钻井数据作为神经网络的训练样本，训练样本集中的部分数据如表2所示，其中包括5组卡钻样本和5组正常钻进的样本。

BP网络中对所有训练样本正向运行一轮并反向修改权值一次称为一次训练。神经网络模型的训练经过了526次，训练误差为E=0.004 6，且训练精度为96.03%。前10组训练样本的训练输出如表4所示。

由表4可以看出卡钻的5组数据输出值均小于0.5，接近0；正常钻进的5组数据均大于0.5，接近1。则不难看出该网络已初步具备了对卡钻事故做出准确预测的能力。

3 时间序列

时间序列[8]是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列，从广义上讲是指一组有序的随机数据。时间序列分析法主要有3种时序模型，分别为：ARMA，AR和MA模型。其基本形式如下：

4 时间序列建模预测及卡钻预测神经网络验证

为了实现卡钻事故的预测，而非单一的诊断，在此运用时间序列的预测功能，以神经网络输入层参数的卡钻前的正常钻进数据为样本，建立时间序列ARMA模型[9?10]，预测未来钻井深度相关参数的数据，代入训练好的卡钻预测神经网络中，进行测试，提前做到卡钻事故的预测判断。本文以延安地区实际钻井数据为基础，分别对机械钻速、排量、泵压、漏斗黏度和含砂量做ARMA模型，生成各参数未来钻进深度的预测值，下面给出表5中预测1 627 m相关参数数值的ARMA模型。

将表5中时序模型预测得到的训练样本输入到建立好的神经网络模型中，可以得到如表6的训练结果。

通过表6可以看到编号为1，3，5的三组样本输入到神经网络后，输出值都大于0.5，接近于1，说明这三个钻井深度为正常钻进；编号为2，4的两组样本输入到网络中，输出均小于0.5，接近于0，说明这两个钻井深度可能发生卡钻。而在实际钻进中编号为2，4对应的2 353 m和3 036 m的确发生卡钻事故，且编号为1，3，5的钻井井况为正常钻进，因此可以证明该方法具备准确预测卡钻和提前预测卡钻的功能，且此神经网络具有良好的泛化能力，从而证实了此方法的合理性和可行性。

5 结 语

根据延安地区现场钻井数据，较为详细地介绍了卡钻预测神经网络模型的建立过程，且将时间序列预测能力运用于该卡钻预测方法中，使此方法得到了进一步的完善，具备了良好的提前预测功能，证实了神经网络建模方法在卡钻预测方面的可行性与合理性。神经网络对卡钻预测的准确度依赖于其训练集是否包含了卡钻所有的特征，因此还需要收集更多不同地区、不同卡钻特征的数据对网络进行训练，使卡钻预测神经网络模型得到更进一步的完善。

参考文献

[1] 蒋希文.钻井事故与复杂问题[M].北京：石油工业出版社，2002.

[2] 张林强.井下卡钻分析及处理[J].海洋石油，2007，27（3）：112?115.

[3] 单志刚，邵伟光，陈俊涛.人工神经网络在实时卡钻预测中的应用研究[J].地质与勘探，2000，36（2）：10?12.

[4] 胡永建，胡艳.基于虚拟样本神经网络的卡钻预警装置[J].石油矿场机械，2011，40（9）：80?83.

[5] 张奇志，朱丹，刘光星.基于神经网络的卡钻预测[J].石油石化节能，2013（1）：5?7.

[6] 施彦.神经网络设计方法与实例分析[M].北京：北京邮电大学出版社，2009.

[7] 黄亚晖，周丽丽.基于自适应模糊神经网络的管道剩余强度评价[J].天然气与石油，2011，29（6）：14?19.

[8] 魏武雄.时间序列分析：单变量和多变量方法[M].2版.北京：中国人民大学出版社，2009.

[9] 曹彤，乔宇.时间序列分析中的ARMA算法及其软件实现[J].北京联合大学学报，1996，10（2）：6?11.

[10] 王宇，李治平，刘超.基于分形与ARIMA的煤层气产量预测[J].天然气与石油，2011，29（3）：45?48.