劉 剛， 張家林， 劉 闖， 楊 帆， 杜佳誠(chéng)

(1. 中國(guó)石油大學(xué)(華東)石油工程學(xué)院， 山東 青島 266580；2. 中國(guó)電波傳播研究所， 河南 新鄉(xiāng) 453000； 3. 中國(guó)石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院， 山東 青島 266580)

鉆頭鉆進(jìn)不同介質(zhì)時(shí)的振動(dòng)信號(hào)特征識(shí)別研究

劉 剛1， 張家林1， 劉 闖2， 楊 帆3， 杜佳誠(chéng)1

(1. 中國(guó)石油大學(xué)(華東)石油工程學(xué)院， 山東 青島 266580；2. 中國(guó)電波傳播研究所， 河南 新鄉(xiāng) 453000； 3. 中國(guó)石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院， 山東 青島 266580)

鉆井作業(yè)中，鉆頭破碎巖石產(chǎn)生振動(dòng)，利用該振動(dòng)特征可以實(shí)時(shí)反映鉆進(jìn)介質(zhì)的種類(lèi)。提出了一種鉆頭鉆進(jìn)不同介質(zhì)時(shí)的振動(dòng)信號(hào)特征識(shí)別方法，通過(guò)牙輪鉆頭破巖室內(nèi)實(shí)驗(yàn)，采集到在不同鉆壓下鉆頭鉆進(jìn)砂巖、頁(yè)巖、水泥環(huán)和套管時(shí)的聲振信號(hào)，基于數(shù)字信號(hào)的時(shí)頻處理，提取了信號(hào)時(shí)域和頻域的50個(gè)特征值，應(yīng)用PCA降維特征矩陣獲取特征向量，建立不同鉆進(jìn)情況的鉆頭信號(hào)“指紋”特征，最后通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)“指紋”信息進(jìn)行聚類(lèi)后識(shí)別巖性和鉆壓。結(jié)果表明，該方法可以完成對(duì)鉆頭信號(hào)的特征識(shí)別，進(jìn)而區(qū)分鉆進(jìn)地層和井眼材料(套管和水泥環(huán))，為井眼防碰作業(yè)中巖性在線識(shí)別提供技術(shù)支撐。

振動(dòng)信號(hào)； 鉆進(jìn)巖性； 特征識(shí)別； PCA降維； 神經(jīng)網(wǎng)絡(luò)

我國(guó)正大力推進(jìn)海上油氣資源的勘探開(kāi)發(fā)，為降低鉆井成本，加強(qiáng)對(duì)鉆完井的集中管理，叢式井和加密調(diào)整井技術(shù)得到廣泛應(yīng)用，由于井位分布密集，鉆井作業(yè)時(shí)發(fā)生井眼碰撞的問(wèn)題越來(lái)越突出，迫切需要對(duì)實(shí)鉆過(guò)程進(jìn)行有效的防碰和預(yù)警[1-2]。劉剛等[3]提出了一種基于鉆頭振動(dòng)信號(hào)的海上叢式井防碰監(jiān)測(cè)系統(tǒng)，利用布置在風(fēng)險(xiǎn)鄰井套管頭處的傳感器，采集井筒套管傳遞上來(lái)的鉆頭振動(dòng)信號(hào)，從而實(shí)時(shí)監(jiān)測(cè)鉆頭的趨近情況，該方法雖然可以對(duì)井眼碰撞與否進(jìn)行預(yù)警識(shí)別，并已在渤海和南海等多個(gè)區(qū)塊進(jìn)行了現(xiàn)場(chǎng)應(yīng)用[4-5]，但防碰預(yù)警穩(wěn)定性有待提高，迫切需要對(duì)鉆頭趨近的材料類(lèi)別進(jìn)行有效區(qū)分。

ZOBROVJAN等[6]研究了鉆進(jìn)過(guò)程中的巖石聲學(xué)識(shí)別方法，提出在鉆進(jìn)過(guò)程中獲得的振動(dòng)信號(hào)經(jīng)過(guò)傅里葉變換后可以用來(lái)監(jiān)測(cè)巖石的破裂過(guò)程，但其研究頻率范圍較窄，且結(jié)果受鉆具馬達(dá)及冷卻液循環(huán)的影響；KUMAR等[7]應(yīng)用14種巖石，在考慮鉆頭直徑、轉(zhuǎn)速和鉆速的情況下，擬合回歸了巖石的特征(例如單軸抗壓強(qiáng)度、楊氏模量、施密特反彈數(shù)量)與聲壓級(jí)的數(shù)學(xué)模型，并且應(yīng)用F-test驗(yàn)證了模型的有效性，但未能實(shí)現(xiàn)對(duì)巖性的有效識(shí)別。

本文提出一種以鉆頭鉆進(jìn)時(shí)與破碎巖石相互激勵(lì)而引起的振動(dòng)信號(hào)為依據(jù)，進(jìn)行實(shí)鉆作業(yè)工況監(jiān)測(cè)和巖性識(shí)別的方法。設(shè)計(jì)了室內(nèi)鉆頭鉆進(jìn)信號(hào)采集實(shí)驗(yàn)，利用微型牙輪鉆頭在三種不同鉆壓下鉆進(jìn)砂巖、頁(yè)巖、水泥環(huán)和套管，測(cè)得有效的數(shù)據(jù)樣本，對(duì)所測(cè)信號(hào)數(shù)據(jù)的時(shí)域和頻域特征進(jìn)行分析，并將所得50個(gè)特征值利用PCA進(jìn)行特征抽取，降維優(yōu)化了樣本的特征向量，進(jìn)而建立每種鉆進(jìn)情況下振動(dòng)信號(hào)的“指紋”特征，最后通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)“指紋”信息進(jìn)行聚類(lèi)分析，用于巖性和鉆壓識(shí)別，結(jié)果顯示，該方法可以利用鉆頭信號(hào)完成對(duì)鉆進(jìn)地層和井眼材料(套管和水泥環(huán))的區(qū)分，判別精度較高，為鉆井作業(yè)中識(shí)別鉆頭鉆進(jìn)的材料類(lèi)別提供了新思路。

1 鉆頭信號(hào)發(fā)生與采集

1.1 鉆頭信號(hào)發(fā)生

海上叢式井防碰監(jiān)測(cè)需求多是在淺層沉積巖段，該段的實(shí)際破巖鉆進(jìn)以牙輪鉆頭為主，可采用微型牙輪鉆頭模擬鉆進(jìn)[8]。鉆頭工作時(shí)，牙輪滾動(dòng)，牙輪的牙齒單、雙交替地與井底接觸破巖[9](見(jiàn)圖1)，同時(shí)由于被鉆巖石表面不平整以及鉆進(jìn)沖擊力隨機(jī)波動(dòng)等因素，使其中心位置不斷上下移動(dòng)，發(fā)生縱向振動(dòng)，引起較強(qiáng)烈的巖石振動(dòng)響應(yīng)，因此牙輪鉆頭信號(hào)具有明顯的振動(dòng)沖擊特性[10]。

圖1 牙輪鉆頭工作原理

1.2 信號(hào)采集傳輸

室內(nèi)牙輪鉆頭破巖信號(hào)采集實(shí)驗(yàn)如圖2所示，巖石可鉆性測(cè)定儀可以通過(guò)改變左側(cè)砝碼數(shù)目來(lái)控制鉆進(jìn)壓力，用來(lái)模擬實(shí)鉆作業(yè)中的鉆壓情況，實(shí)驗(yàn)所用巖石樣本均為尺寸規(guī)格相同的正方體，被鉆面大小約為鉆頭鉆進(jìn)面積的5倍，鉆進(jìn)之前，對(duì)巖石進(jìn)行了宏觀缺陷檢查，避免了裂縫及節(jié)理面對(duì)采集效果的影響。實(shí)驗(yàn)采用單一變量法，分別改變鉆壓和鉆進(jìn)介質(zhì)進(jìn)行測(cè)試，對(duì)砂巖、頁(yè)巖、水泥環(huán)套管4種材料樣本分別在6個(gè)、8個(gè)、10個(gè)砝碼所產(chǎn)生的鉆壓下鉆進(jìn)，采集每種情況下的鉆進(jìn)信號(hào)。

圖2 破巖信號(hào)采集實(shí)驗(yàn)

為能夠更全面的研究鉆頭信號(hào)，并從某些特征上建立信號(hào)的“指紋”信息，本文對(duì)鉆頭破碎巖石時(shí)的聲音和振動(dòng)兩個(gè)通道進(jìn)行信號(hào)采集。分別采用BK公司聲學(xué)傳感器和加速度傳感器進(jìn)行聲音、振動(dòng)的測(cè)量，傳感器通過(guò)高強(qiáng)度化學(xué)粘結(jié)劑粘貼的方式將其固定在巖石物體表面，為確保能夠觀察到較廣泛的頻域信息，方便后續(xù)分析識(shí)別，設(shè)置信號(hào)采樣頻率為20 kHz。用于數(shù)據(jù)采集和觀測(cè)的數(shù)據(jù)采集儀和后端計(jì)算機(jī)布置在巖石可鉆性測(cè)定儀附近，并通過(guò)有線方式與傳感器連接，屬于短距離信號(hào)傳輸，可以忽略數(shù)據(jù)傳輸過(guò)程引起的誤差[11]。實(shí)驗(yàn)數(shù)據(jù)采集系統(tǒng)可以完成聲振信號(hào)的連續(xù)采集，并能進(jìn)行簡(jiǎn)單的頻域轉(zhuǎn)化，實(shí)現(xiàn)時(shí)域和頻域的實(shí)時(shí)觀測(cè)，有效控制實(shí)驗(yàn)進(jìn)程。

2 鉆頭信號(hào)特征提取與分析

2.1 信號(hào)特征描述

鉆頭破碎巖石時(shí)產(chǎn)生的振動(dòng)可視為隨機(jī)振動(dòng)[12]，實(shí)驗(yàn)測(cè)得的是一系列非平穩(wěn)振動(dòng)樣本數(shù)據(jù)，將每一種介質(zhì)在確定鉆壓下的鉆進(jìn)視為一種情況，對(duì)信號(hào)數(shù)據(jù)進(jìn)行時(shí)域和頻域分析以提取特征值。加速度傳感器測(cè)的是振動(dòng)加速度，此外位移、速度、振幅A、頻率f及初始相位等也是描述振動(dòng)的物理量[13]，各自關(guān)系為

(1)

(2)

式中:x(t)為位移；v(t)為速度；a(t)為加速度。

鉆頭信號(hào)的特征描述包括時(shí)域特征描述和頻域特征描述。時(shí)域特征描述主要包括：最大峰值，平均值，平均幅值，有效值，方根幅值，標(biāo)準(zhǔn)差等有量綱參數(shù)，且會(huì)隨著鉆進(jìn)條件變化發(fā)生改變。定義概率密度函數(shù)p(x)為

(3)

概率密度函數(shù)提供了隨機(jī)信號(hào)沿幅值域的分布，不同隨機(jī)振動(dòng)信號(hào)有不同概率密度函數(shù)圖形[14]。幅值域變化會(huì)很靈敏地引起概率密度函數(shù)圖形的變化，引入主要取決于概率密度函數(shù)形狀的無(wú)量綱幅值域參數(shù)，主要包括偏度標(biāo)準(zhǔn)，偏態(tài)因數(shù)，峭度指標(biāo)，峰態(tài)因數(shù)，波形因數(shù)，脈沖因數(shù)，峰值因數(shù)，裕度因數(shù)等，具體見(jiàn)表1。

頻域描述的基礎(chǔ)是對(duì)信號(hào)進(jìn)行時(shí)頻變換，得到以頻率為變量的譜函數(shù)[15]，其基礎(chǔ)是傅里葉變換，基本公式為

(4)

(5)

式中：X(f)為幅頻譜函數(shù)；x(t)為采樣得到的時(shí)域信號(hào)；Sx(ω)為功率密度函數(shù)；Rx(τ)為自相關(guān)函數(shù)。

時(shí)域信號(hào)x(t)經(jīng)傅里葉變換，可以進(jìn)行頻域特征提取，分析提取過(guò)程中，對(duì)信號(hào)數(shù)據(jù)分成相等的樣本，每個(gè)樣本的頻域長(zhǎng)度設(shè)為L(zhǎng)。文中最終采用的頻域特征有12個(gè)，其中有些是反映頻譜分散集中程度的特征，也有些是反映主頻帶位置變化的特征，具體見(jiàn)表2。

表1 鉆頭信號(hào)時(shí)域特征參數(shù)

表2 鉆頭信號(hào)頻域特征參數(shù)

2.2 時(shí)頻域特征分析

相同鉆進(jìn)介質(zhì)下，隨著鉆壓的增加，從時(shí)域上主要表現(xiàn)為鉆頭信號(hào)幅值的增加，可以用信號(hào)有效值來(lái)描述信號(hào)的能量強(qiáng)度[16]。以頁(yè)巖鉆進(jìn)實(shí)驗(yàn)為例，分別對(duì)6個(gè)砝碼到10個(gè)砝碼鉆進(jìn)下的聲信號(hào)和振動(dòng)信號(hào)進(jìn)行有效值計(jì)算，結(jié)果見(jiàn)圖3。

圖3 頁(yè)巖在不同鉆壓下聲信號(hào)和振動(dòng)信號(hào)有效值

從圖中可以看出，鉆壓由6砝碼增大到10砝碼時(shí)，聲信號(hào)有效值從0.9 Pa增大到超過(guò)1 Pa，振動(dòng)信號(hào)有效值從0.4 mm/s2增強(qiáng)到0.6 mm/s2。結(jié)果表明，信號(hào)幅值的有效值能夠在時(shí)域上體現(xiàn)鉆壓的變化，鉆壓的增加會(huì)引起鉆頭信號(hào)有效值的增大。

同在8個(gè)砝碼下鉆進(jìn)時(shí)，對(duì)四種鉆進(jìn)介質(zhì)下的鉆頭信號(hào)進(jìn)行快速傅里葉變化，可得不同情況下的信號(hào)頻域圖，見(jiàn)圖4。所得頻譜中，每個(gè)頻率都對(duì)應(yīng)信號(hào)的一個(gè)周期諧波分量，頻譜縱坐標(biāo)反映了信號(hào)所含各諧波分量的振幅大小，將周期諧波中最大化的頻譜幅度稱(chēng)為主峰，其隨著諧波次數(shù)的增加會(huì)呈減小趨勢(shì)[17]。在不同鉆進(jìn)介質(zhì)下，信號(hào)的反射與折射路徑不同，使得主峰分布存在差異。

分析圖像可知，砂巖振動(dòng)信號(hào)主峰頻率比較集中，分布在3 000 Hz附近，聲信號(hào)能量主要集中在6 000 Hz之前；頁(yè)巖振動(dòng)信號(hào)主峰頻率同樣較集中，主要在4 500 Hz附近，聲信號(hào)能量在5 000 Hz處比較強(qiáng)；水泥環(huán)振動(dòng)信號(hào)能量分布比較分散，與砂巖和頁(yè)巖相比具有多個(gè)比較明顯的主峰頻率，而聲信號(hào)也出現(xiàn)了多個(gè)主峰頻率的現(xiàn)象；套管振動(dòng)信號(hào)同樣具有多個(gè)主峰頻率，但是主峰頻率位置和水泥環(huán)主峰頻率位置不同。結(jié)果表明，鉆頭信號(hào)的主峰位置頻率能夠在時(shí)域上區(qū)分不同的鉆進(jìn)材料。

3 特征主元降維優(yōu)化

從時(shí)域和頻域兩方面提取到鉆頭破巖聲振信號(hào)的50個(gè)特征值后，為完成對(duì)鉆壓和鉆進(jìn)介質(zhì)的識(shí)別預(yù)測(cè)，采用PCA(主成分分析)對(duì)特征主元降維優(yōu)化，構(gòu)成鉆頭信號(hào)“指紋”信息，最后建立基于BP神經(jīng)網(wǎng)絡(luò)的“指紋”識(shí)別模型，鉆頭信號(hào)“指紋”制作及識(shí)別處理流程見(jiàn)圖5。

3.1 主成分分析法

主成分分析(Principal Cpmponent Analysis, PCA)是數(shù)學(xué)上對(duì)數(shù)據(jù)降維的一種方法，通過(guò)線性變換，壓縮數(shù)據(jù)中相關(guān)性較強(qiáng)的成分，將原始數(shù)據(jù)的特征矩陣變換為一組各維度線性無(wú)關(guān)的表示，賦予較高權(quán)重給差異較大的特征，差異較小的特征被賦予較低權(quán)重，使數(shù)據(jù)差異更加明顯，實(shí)現(xiàn)對(duì)信號(hào)特征的篩選優(yōu)化[18]。

圖5 基于PCA和BP的“指紋”識(shí)別處理流程

設(shè)X=(X1,X2,L,Xp)T為p維隨機(jī)向量，X的協(xié)方差矩陣為Cov(X)：

Cov(X)=Σ=E[(X-E(X))(X-E(X))T]

(6)

設(shè)F1表示原變量的第一個(gè)線性組合所形成的主成分指標(biāo)，即：

(7)

最終要選擇幾個(gè)主成分，即F1,F2,…,Fm中m值的確定是通過(guò)方差(信息)累計(jì)貢獻(xiàn)率g(m)來(lái)計(jì)算的，定義λ=(λ1,λ2,L,λp)T為樣本數(shù)據(jù)協(xié)方差矩陣Σ的特征向量，則各主成分的貢獻(xiàn)率為g(m)：

(8)

當(dāng)累積貢獻(xiàn)率大于85%時(shí)，就認(rèn)為能足夠反映原始變量的信息，對(duì)應(yīng)的m就是抽取的前m個(gè)主成分[19]。

3.2 PCA降維處理

為確定主元個(gè)數(shù)，對(duì)鉆頭信號(hào)進(jìn)行有效鉆進(jìn)數(shù)據(jù)截取，以80 000個(gè)計(jì)數(shù)點(diǎn)(采樣時(shí)間為4 s)為單位個(gè)體分割提取樣本。不同數(shù)目砝碼產(chǎn)生鉆壓下，砂巖、頁(yè)巖、水泥環(huán)、套管信號(hào)中提取到的有效樣本數(shù)目見(jiàn)表3。

為保證所有特征擁有相似的尺度，避免一項(xiàng)特征值很大而另一項(xiàng)特征值很小對(duì)降維效果產(chǎn)生影響，將所有特征值進(jìn)行歸一化處理，所用公式為[20]

g=(gmax-gmin)×(x-xmin)/(xmax-xmin)+gmin

(9)

表3 巖石數(shù)據(jù)有效樣本統(tǒng)計(jì)

式中：gmax=1；gmin=0，所有樣本特征歸一化區(qū)間為[0,1]。

以砂巖在8個(gè)砝碼下的鉆進(jìn)為例，對(duì)信號(hào)數(shù)據(jù)進(jìn)行PCA降維，優(yōu)化特征主元。該情況下，經(jīng)提取后的有效振動(dòng)信號(hào)數(shù)據(jù)為80×50維度特征矩陣，利用PCA降維后，所得系數(shù)矩陣coef為50×50維度，各主元特征值及主元累計(jì)貢獻(xiàn)率見(jiàn)圖6。

圖6 砂巖8砝碼鉆壓主成分分析結(jié)果

從圖中可見(jiàn)，前10個(gè)主元的累計(jì)貢獻(xiàn)率接近96%，滿足主元貢獻(xiàn)率達(dá)到85%的要求，因此砂巖在8個(gè)砝碼下鉆進(jìn)時(shí)的信號(hào)可以選擇的主元為前10個(gè)，其相應(yīng)主元特征值和貢獻(xiàn)率見(jiàn)表4。

表4 砂巖8砝碼鉆壓下前10個(gè)主元特征值和貢獻(xiàn)率

采用同樣方式對(duì)8砝碼下其他鉆進(jìn)介質(zhì)進(jìn)行信號(hào)數(shù)據(jù)處理，頁(yè)巖、水泥環(huán)、套管的前10個(gè)主元累計(jì)貢獻(xiàn)率分別達(dá)到95%、89%、97%，均滿足達(dá)到85%的要求。因此特征矩陣主元個(gè)數(shù)為10個(gè)時(shí)，能夠滿足累計(jì)貢獻(xiàn)率達(dá)到85%的要求。按照下面公式對(duì)所有樣本實(shí)驗(yàn)的特征矩陣進(jìn)行降維處理[21]：

(10)

式中:Tq為經(jīng)過(guò)PCA降維的主元特征矩陣，其中q取值為Ⅰ，Ⅱ，Ⅲ，Ⅳ，對(duì)應(yīng)關(guān)系為Ⅰ-砂巖、Ⅱ-套管、Ⅲ-水泥環(huán)、Ⅳ-頁(yè)巖。Yp為每個(gè)巖石類(lèi)別的特征矩陣，其中p取值為相應(yīng)巖石樣本的分割有效樣本數(shù)。系數(shù)矩陣coef選擇砂巖8砝碼鉆壓下獲得的系數(shù)矩陣作為所有樣本特征的系數(shù)矩陣。

PCA降維處理后，相當(dāng)于對(duì)鉆頭信號(hào)的特征進(jìn)行了優(yōu)化，縮小了相近特征的權(quán)重，放大了具有差異性特征的權(quán)重。

4 BP網(wǎng)絡(luò)“指紋”識(shí)別模型

4.1 相同材料不同鉆壓結(jié)果分析

采用單一變量法，首先對(duì)實(shí)驗(yàn)鉆壓條件進(jìn)行單獨(dú)測(cè)試。為使識(shí)別模型具有較強(qiáng)泛化能力和較高預(yù)測(cè)精度[21]，建立了每種鉆進(jìn)介質(zhì)的多隱含層BP網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)為10個(gè)輸入?yún)?shù)，2個(gè)輸出參數(shù)，隱含層包含2層，每層分別有23個(gè)和9個(gè)節(jié)點(diǎn)數(shù)，見(jiàn)圖7。

圖7 相同材料不同鉆壓訓(xùn)練的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

將同種材料在不同鉆壓條件下的鉆頭信號(hào)視為一個(gè)分析對(duì)象，向BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中分別輸入砂巖、頁(yè)巖、套管在3個(gè)不同鉆壓條件下所提取的10個(gè)特征主元矩陣，輸出參數(shù)為相應(yīng)的6個(gè)、8個(gè)、10個(gè)砝碼所產(chǎn)生的鉆壓，利用模型可以識(shí)別預(yù)測(cè)到每種材料鉆進(jìn)信號(hào)所對(duì)應(yīng)的鉆壓，并給出測(cè)試誤差，結(jié)果見(jiàn)圖8～10。

(a) BP網(wǎng)絡(luò)預(yù)測(cè)

(b) BP網(wǎng)絡(luò)預(yù)測(cè)誤差

(a) BP網(wǎng)絡(luò)預(yù)測(cè)

(b) BP網(wǎng)絡(luò)預(yù)測(cè)誤差

(a) BP網(wǎng)絡(luò)預(yù)測(cè)輸出

(b) BP網(wǎng)絡(luò)預(yù)測(cè)誤差

對(duì)于砂巖信號(hào)，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的輸出結(jié)果中，預(yù)測(cè)輸出多為8鉆壓條件，6鉆壓預(yù)測(cè)全部失效，少數(shù)10鉆壓條件可以分離出來(lái)，說(shuō)明砂巖對(duì)鉆壓敏感性較低。

對(duì)于頁(yè)巖信號(hào)，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的輸出結(jié)果中，對(duì)8鉆壓情況可以準(zhǔn)確識(shí)別，且識(shí)別率達(dá)到100%，而且對(duì)6鉆壓和10鉆壓情況也有一定的區(qū)分能力，整體識(shí)別正確率達(dá)到67%，表明模型對(duì)該類(lèi)巖石的鉆壓分類(lèi)有較好效果。

套管信號(hào)經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，樣本結(jié)果預(yù)測(cè)準(zhǔn)確率整體達(dá)到86%，其中對(duì)6鉆壓和8鉆壓情況具有較高區(qū)分能力，預(yù)測(cè)準(zhǔn)確率分別達(dá)到了90%以上，說(shuō)明模型適合進(jìn)行鉆進(jìn)套管時(shí)鉆壓識(shí)別工作。

4.2 相同鉆壓不相同材料結(jié)果分析

對(duì)實(shí)驗(yàn)的鉆進(jìn)材料條件同樣采用單一變量法分別進(jìn)行測(cè)試，所用BP網(wǎng)絡(luò)結(jié)構(gòu)與前面同材料異鉆壓下建立的BP網(wǎng)絡(luò)結(jié)構(gòu)相同。向該BP網(wǎng)絡(luò)中分別輸入6鉆壓、8鉆壓、10鉆壓下鉆進(jìn)不同材料時(shí)所提取的10個(gè)特征主元矩陣，輸出參數(shù)為相應(yīng)的材料類(lèi)型，可以識(shí)別預(yù)測(cè)到每種鉆壓鉆進(jìn)信號(hào)所對(duì)應(yīng)的材料，并給出測(cè)試誤差，結(jié)果見(jiàn)圖11～13。

6砝碼下，對(duì)3種鉆進(jìn)材料的45個(gè)樣本進(jìn)行輸出預(yù)測(cè)，由結(jié)果可知，模型可以對(duì)3種鉆進(jìn)材料進(jìn)行總體準(zhǔn)確率達(dá)到80%的分類(lèi)識(shí)別，其中對(duì)頁(yè)巖的預(yù)測(cè)能力更高，準(zhǔn)確率達(dá)到87%。

(a) BP網(wǎng)絡(luò)預(yù)測(cè)

(b) BP網(wǎng)絡(luò)預(yù)測(cè)誤差

(a) BP網(wǎng)絡(luò)預(yù)測(cè)

(b) BP網(wǎng)絡(luò)預(yù)測(cè)誤差

(a) BP網(wǎng)絡(luò)預(yù)測(cè)

(b) BP網(wǎng)絡(luò)預(yù)測(cè)誤差

8鉆壓下，分別對(duì)砂巖、頁(yè)巖、水泥環(huán)和套管4中鉆進(jìn)介質(zhì)進(jìn)行訓(xùn)練，輸出預(yù)測(cè)結(jié)果較為滿意，總計(jì)有70個(gè)預(yù)測(cè)樣本，正確率為63%，其中對(duì)砂巖的識(shí)別率較低，效果較差，正確率僅為44%，頁(yè)巖識(shí)別率為71%，水泥環(huán)識(shí)別率為65%，套管識(shí)別準(zhǔn)確率為63%。

10鉆壓下，對(duì)3種鉆進(jìn)介質(zhì)的60個(gè)樣本進(jìn)行輸出預(yù)測(cè)，模型對(duì)材料差異特征的顯示更加明顯，頁(yè)巖的分類(lèi)識(shí)別率較高，正確率達(dá)到83%，砂巖正確率可以達(dá)到75%，套管的正確識(shí)別率為74%。

4.3 不同材料不同鉆壓結(jié)果分析

利用“指紋”識(shí)別模型同時(shí)對(duì)鉆壓和鉆進(jìn)材料進(jìn)行分類(lèi)預(yù)測(cè)，所采用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)見(jiàn)圖14，輸入層有10個(gè)節(jié)點(diǎn)，對(duì)應(yīng)鉆頭信號(hào)的10個(gè)主元特征，輸出層有2個(gè)節(jié)點(diǎn)，分別顯示鉆進(jìn)時(shí)的材料和鉆壓，隱含層有25個(gè)節(jié)點(diǎn)。

圖14 不同材料不同鉆壓訓(xùn)練的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

共選擇50個(gè)待測(cè)樣本進(jìn)行“指紋”識(shí)別模型的分類(lèi)預(yù)測(cè)，其中砂巖3種鉆壓下每類(lèi)樣本各5個(gè)，編號(hào)按鉆壓增長(zhǎng)依次為1～15號(hào)，頁(yè)巖3種鉆壓下每類(lèi)樣本各5個(gè)，編號(hào)按鉆壓增長(zhǎng)依次為16～30號(hào)，水泥環(huán)只有8鉆壓下的5個(gè)樣本，編號(hào)依次為31～35號(hào)，套管3種鉆壓下每類(lèi)樣本各5個(gè)，編號(hào)按鉆壓增長(zhǎng)依次為36～50號(hào)。最后預(yù)測(cè)結(jié)果見(jiàn)表5，對(duì)結(jié)果采用餅狀圖統(tǒng)計(jì)，見(jiàn)圖15。

圖15 綜合預(yù)測(cè)餅狀統(tǒng)計(jì)圖

經(jīng)識(shí)別測(cè)試可知，鉆壓和鉆進(jìn)材料同時(shí)識(shí)別正確樣本數(shù)量占總樣本的60%，只有6%的樣本鉆壓和鉆進(jìn)材料同時(shí)識(shí)別失誤。測(cè)試結(jié)果表明，所建立的BP網(wǎng)絡(luò)“指紋”識(shí)別模型對(duì)不同鉆壓和不同鉆進(jìn)材料的識(shí)別預(yù)測(cè)具有較好效果。

5 結(jié) 論

(1) 對(duì)振動(dòng)信號(hào)進(jìn)行時(shí)域和頻域分析，提取到鉆頭破巖信號(hào)的50個(gè)特征值，經(jīng)過(guò)PCA對(duì)特征值降維優(yōu)化，構(gòu)成鉆頭信號(hào)的“指紋”信息，結(jié)合所設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可以建立起材料和鉆壓識(shí)別模型。

(2) 模型對(duì)相同材料不同鉆壓下的信號(hào)具有較好響應(yīng)，通過(guò)該模型可以對(duì)鉆壓進(jìn)行分類(lèi)輸出；通過(guò)模型對(duì)相同鉆壓不同鉆進(jìn)介質(zhì)的信號(hào)進(jìn)行測(cè)試，可以識(shí)別出不同介質(zhì)，且隨著鉆壓增加，信號(hào)特征差異越明顯，識(shí)別準(zhǔn)確率更高；模型對(duì)不同鉆壓和不同鉆進(jìn)材料進(jìn)行識(shí)別輸出具有較好效果，頁(yè)巖、水泥環(huán)和套管的正確判斷率達(dá)到75%以上。

表4 BP預(yù)測(cè)不同鉆壓和不同鉆進(jìn)鉆進(jìn)介質(zhì)的結(jié)果

(3) 所建模型可以基于鉆頭信號(hào)特征識(shí)別不同的鉆進(jìn)地層和井眼材料(套管和水泥環(huán))，對(duì)于鉆頭異常鉆進(jìn)的有效預(yù)警具有重要意義。

[1] 饒志華，楊超，段澤輝，等. 淺層多井防碰相對(duì)井間距預(yù)測(cè)模型的建立與現(xiàn)場(chǎng)驗(yàn)證[J]. 中國(guó)海上油氣，2014, 26(4): 80-83.

RAO Zhihua, YANG Chao, DUAN Zehui, et al. Establishment and field verification of relative inter-well distance prediction model for anti-collision of shallow multi-wells[J]. China Offshore and Gas, 2014, 26(4): 80-83.

[2] 劉剛，張家林，劉闖，等. 基于時(shí)域統(tǒng)計(jì)特征的井眼碰撞識(shí)別方法[J]. 中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2016, 40(2): 70-75.

LIU Gang, ZHANG Jialin, LIU Chuang, et al. A borehole collision recognition method based on the timestatistical characteristics[J]. Journal of China University of Petroleum(Edition of Natural Science), 2016, 40(2): 70-75.

[3] 劉剛，孫金，何寶生，等. 定向井防碰地面監(jiān)測(cè)系統(tǒng)設(shè)計(jì)及現(xiàn)場(chǎng)試驗(yàn)[J]. 石油鉆探技術(shù)，2012(1): 7-11.

LIU Gang, SUN Jin, HE Baosheng, et al. Design and field test of surface monitoring system for directional wells anti-collison[J]. Petroleum Drilling Techniques, 2012(1): 7-11.

[4] 劉剛，孔得臣，孫金，等. 套管頭振動(dòng)信號(hào)特征應(yīng)用于油井防碰監(jiān)測(cè)的可行性分析[J]. 中國(guó)海上油氣，2012, 24(3): 54-57.

LIU Gang, KONG Dechen, SUN Jin, et al. Feasibility analysis on application of casing head vibration signal in wellbore anti-collision monitoring[J]. China Offshore and Gas, 2012, 24(3): 54-57.

[5] 劉剛，陳超，蔡鵬，等. 井眼防碰技術(shù)在南海油田 W9H 的應(yīng)用[J]. 科學(xué)技術(shù)與工程，2012, 12(26): 6601-6604.

LIU Gang, CHEN Chao, CAI Peng, et al. The application of anti-collision monitoring technique in the well W9H of the South China Sea oilfield[J]. Science Technology and Engineering, 2012, 12(26): 6601-6604.

[6] ZOBROVJAN M, IGOR L, LUBOMIR D. Acoustic identification of rocks during drilling process[J]. Acta Montanistica Slovaca, 2003, 8(4): 91-93.

[7] KUMAR R B, VARDHAN H, GOVINDARAJ M, et al. Regression analysis and ANN models to predict rock properties from sound levels produced during drilling[J]. International Journal of Rock Mechanics & Mining Sciences, 2012,2013(8):61-72.

[8] 李瑋, 李亞楠, 陳世春, 等. 井底牙輪鉆頭的鉆速方程及現(xiàn)場(chǎng)應(yīng)用[J]. 中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013, 37(3): 74-77.

LI Wei, LI Yanan, CHEN Shichun, et al. Drilling rate model of cone bit in bottom hole and field application[J]. Journal of China University of Petroleum(Edition of Natural Science), 2013, 37(3): 74-77.

[9] 王清峰，朱才朝，宋朝省，等. 牙輪鉆頭單牙輪的破巖仿真研究[J]. 振動(dòng)與沖擊，2010, 29(10): 108-112.

WANG Qingfeng, ZHU Caichao, SONG Chaosheng, et al. Non-linear dynamic analysis of a roller cone bit-well rock system with rock-cone bit interaction[J]. Journal of Vibration and Shock, 2010, 29(10): 108-112.

[10] 劉剛，劉闖，夏向陽(yáng)，等. 基于HHT方法的鉆頭振動(dòng)信號(hào)識(shí)別[J]. 振動(dòng)與沖擊，2015, 46(12): 212-218.

LIU Gang, LIU Chuang, XIA Xiangyang, et al. Identification of vibration singals of drill bit based on Hilbert-Huang transform method[J]. Journal of Vibration and Shock, 2015, 46(12): 212-218.

[11] 郭延慶，孟晨，楊森，等. 基于通用檢測(cè)平臺(tái)的高頻信號(hào)傳輸補(bǔ)償方法研究[J]. 計(jì)算機(jī)測(cè)量與控制，2011, 19(11): 2791-2794.

GUO Yanqing, MENG Chen, YANG Shen, et al. Research on technology of high frequency transmission signal compensation based on general test plotform[J]. Computer Measurement & Control, 2011, 19(11): 2791-2794.

[12] FLEGNER P, KACUR J, DURDAN M, et al. Application of adaptive filters in rock separation by rotary drilling process identification[J]. Acta Montanistica Slovaca, 2015, 20(1): 38-48.

[13] 王慶有，鄒曉峰. 軌道振動(dòng)的非接觸測(cè)量[J]. 光學(xué)技術(shù)，1998(6): 18-19.

WANG Qingyou, ZOU Xiaofeng. Noncontact measuring of rail steel vibration[J]. Optical Technique, 1998(6): 18-19.

[14] 程紅偉，陶俊勇，陳循，等. 偏斜非高斯隨機(jī)振動(dòng)信號(hào)幅值概率密度函數(shù)研究[J]. 振動(dòng)與沖擊，2014, 33(12): 121-125.

CHENG Hongwei, TAO Junyong, CHEN Xun, et al. Amplitude probability density function for skewed non-gaussian random vibration signals based on gaussian-mixture model[J]. Journal of Vibration and Shock, 2014, 33(12): 121-125.

[15] 賈亮，田宇翔. 基于局部多項(xiàng)式傅里葉變換的語(yǔ)音盲源分離[J]. 電聲技術(shù)，2014, 38(2): 45-49.

JIA Liang, TIAN Yuxiang. Speech signal blind separation based on local polynomial fourier transform[J]. Audio Engineering, 2014, 38(2): 45-49.

[16] 殷祥超. 振動(dòng)理論與測(cè)試技術(shù)[M]. 徐州：中國(guó)礦業(yè)大學(xué)出版社，2007.

[17] 霍兵勇，易偉建. 密集頻率數(shù)字信號(hào)的判定和校正方法[J]. 振動(dòng)與沖擊，2013, 32(2): 171-174.

HUO Bingyong, YI Weijian. Identification and correction for a digital signal with close frequencies[J]. Journal of Vibration and Shock, 2013, 32(2): 171-174.

[18] 劉剛，劉闖，夏向陽(yáng)，等. 基于 PCA-SVDD 方法的鉆頭異常鉆進(jìn)識(shí)別[J]. 振動(dòng)與沖擊，2015, 34(13): 158-162.

LIU Gang, LIU Chuang, XIA Xiangyang, et al. Drill bit abnormal drilling condition recognition based on PCA-SVDD[J]. Journal of Vibration and Shock, 2015, 34(13): 158-162.

[19] 唐宏賓，吳運(yùn)新，滑廣軍，等. 基于PCA和BP網(wǎng)絡(luò)的液壓油缸內(nèi)泄漏故障診斷[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011, 42(12): 3709-3714.

TANG Hongbin, WU Yunxin, HUA Guangjun, et al. Internal leakage fault diagnosis of hydraulic cylinder using PCA and BP network[J]. Journal of Central South University(Science and Technology), 2011, 42(12): 3709-3714.

[20] SHREEDHARAN S, HEGDE C, SHARMA S, et al. Acoustic fingerprinting for rock identification during drilling[J]. International Journal of Mining & Mineral Engineering, 2014, 5(2): 89-105.

[21] 周璇，楊建成. 基于支持向量回歸機(jī)的空調(diào)逐時(shí)負(fù)荷滾動(dòng)預(yù)測(cè)算法[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2014(3): 952-957.

ZHOU Xuan, YANG Jiancheng. An algorithm for hourly load rolling forecasting of air conditioning system based on SVR[J]. Journal of Central South University(Science and Technology), 2014(3): 952-957.

An identification method of vibration signal features when bit drills different mediums

LIU Gang1, ZHANG Jialin1, LIU Chuang2, YANG Fan3, DU Jiacheng1

(1. School of Petroleum Engineering, China University of Petroleum, Qingdao 266580, China;2. China Research Institute of Radio Propagation, Xinxiang 453000, China;3. School of geosciences, China University of Petroleum, Qingdao 266580, China)

As a bit breaks rock into small cuttings, a series of vibrations are produced which can reflect the real-time types of drilling lithology. An identification method of vibration signal features was brought forward to monitor drilling mediums. An experiment was carried out to break rocks using a roller bit, and then sound and vibration signals were acquired by drilling clay, shale, cement and casing under three different pressures. According to time domain and frequency domain analysis, bit signal characteristics were extracted and fifty eigenvalues were got. Then the PCA dimensionality reduction algorithm was applied to reduce eigenvalues dimensions, getting feature vectors and create bits “fingerprint” of each drilling case. Eventually, A BP neural network was applied to cluster bits “fingerprint” for drilling case recognition. The results indicate that with the aid of the method, bits signals can differentiate drilling formation and wellbore materials, such as casing and cement. The research provides technical support to drilling lithology identification during borehole anti-collision monitoring.

vibration signals; drilling lithology; feature recognition; PCA dimensionality reduction; BP neural network

國(guó)家“973”計(jì)劃項(xiàng)目“深水鉆完井工程風(fēng)險(xiǎn)預(yù)警及管控”(2015CB251200)；“十二五”國(guó)家科技重大專(zhuān)項(xiàng)“加密井網(wǎng)防碰工程示范”(2011ZX05057-002-006)；“海上油田叢式井網(wǎng)整體加密調(diào)整多平臺(tái)鉆井趨近井筒監(jiān)測(cè)方法研究”(2011ZX05024-002-010)

2016-08-08 修改稿收到日期：2016-08-25

劉剛 男，博士，教授，1960年生

張家林 男，碩士生，1992年生 E-mail:jialin0513@163.com

TE242

A

10.13465/j.cnki.jvs.2017.08.012