摘要
深部地质钻探过程钻速精准预测有助于提升钻探效率、降低钻探成本，可为安全高效的深部地质钻探施工提供关键技术支撑。本文提出了一种基于区域多井数据优选与模型预训练的深部地质钻探过程钻速动态预测方法。首先，选取岩性识别软件、钻进过程智能监控云平台、地质云系统等作为数据源，在此基础上设计深部地质钻探数据仓库。其次，运用区域多井数据优选技术在数据仓库中选择与目标井较匹配的数据，并开展钻速模型预训练。最后，结合深部地质钻探过程实钻数据，引入小波滤波、超限学习机、增量学习等技术，实现钻速预测模型动态更新。实验对比结果验证了所提方法具有很强的钻速预测性能与泛化能力。
“深部探测钻探技术装备专题”编者按：地球深部探测国家重大项目立项实施正在加快推进，深部探测技术和装备研发持续开展，致力形成我国万米空间入地能力。为此，山东省地矿局钻探工程技术研究中心与编辑部联合组织了“深部探测钻探技术装备专题”，由翟育峰高级工程师担任客座编辑。本专题遴选6篇论文发表，内容涵盖深部钻探技术与机具研究、深部钻探工程实践等内容，以期推动深部钻探技术的发展，服务地球深部探测工程。
深部地质钻探过程通常采用多种钻探装备从地表钻至目标地层，以获取地下埋藏资源能源。整个过程会遭遇各种突变地层，导致钻探效率受到严重影
第一类是利用机理分析或机器学习方法进行钻速静态建模并开展预测。其中机理分析是在钻头-岩石作用机制的基础上建立钻速预测模
第二类是根据实时钻探大数据对模型进行更新并开展预
针对上述问题，本文在现有钻速在线模型的基础上开展相关钻速预测研究，提出了一种基于区域多井数据优选与模型预训练的深部地质钻探过程钻速动态预测方法，具体内容如下所述。
在深部地质钻探过程中，现场工人可以在司钻房中实时监测钻探参数，并操作人机交互屏/按钮下发指令给可编辑逻辑控制器，所提方法输出的钻速预测值将为司钻员提供指导。现场工人需要在钻探平台上开展相关作业，例如接单根、下套管等任务。同时，由于深部地质钻探的复杂性与多变性，该过程存在参数来源不同、钻探数据价值密度低、多参数非线性强和地层岩性变化剧烈等特点。
大多数井场会采集丰富的过程信息，按照不同来源可以分为地层参数、钻探参数和区域多完钻井信息。地层参数可以利用岩性识别软件进行辨识，能很好的描述地层变化情况，包括地层可钻性、单轴抗压强度、地层压力等参数；钻探参数是通过钻进过程智能监控云平
深部地质钻探过程存在高温、高压、高地应力等复杂地质力学环境，钻探数据的价值密度与整体质量偏低，存在大量的异常样本点需要处理。除此之外，钻探过程时常发生粘滑振动、钻头跳钻、卡钻、断钻具等情况，导致钻探数据会受到不同频率的噪声干扰，数据的信噪比程度相对较低。
钻压、转速、钻速等钻探参数之间存在较强的非线性关系。在理想状态下，钻速会随钻压或转速的上升而增加，但受地层环境、钻头寿命等因素的影响和制约，导致钻压或转速在提升到一定程度后，钻速会不增反降。同时，在面对复杂多变的地层环境时，地层特征参数（尤其是地层可钻性）与上述钻探参数之间也存在较强的非线性关
所提钻速在线预测模型框架如
图1 所提钻速在线预测模型框架
Fig.1 Proposed model framework for ROP online prediction
由1.1节分析可以发现，岩性识别软件、钻进过程智能监控云平台、地质云系统可以采集到大量的地层信息、钻探信息和区域多完钻井信息，因而可以将上述软件或系统作为核心数据源。同时，在核心数据源的基础上设计一种综合性的深部地质钻探数据仓库，具体包括目标井样本库、完钻井样本库、数据选取样本库和模型参数库，使所提钻速预测模型可以快速提取相关信息。
由1.1节与2.1节分析可知，深部地质钻探数据仓库包含区域多井的各类信息，涉及面广且信息丰富，本文引入钻探工程师的专家经验对不同井场进行全面分析，确定同目标井匹配度最高的完钻井。具体而言，从深部地质钻探数据仓库中提取模型参数、完钻井过程信息、完钻井地层岩性信息、完钻井钻探数据、目标井过程信息、目标井基础地质资料等多源异构信息，利用区域多井数据优选技术对不同完钻井与目标井进行特性匹配。通过分析不同井场在钻探区域、过程特点、地层环境等方面的相同点与不同点，确定区域完钻井数据优选结果（具体包括完钻井钻探、完钻井地层和模型参数优选结果），为后续钻速模型预训练提供关键信息。
由1.2节分析可知，钻探过程存在传感器测量误差、传输检测异常、高低频噪声干扰等问题，导致钻探数据的价值密度较低，难以为后续研究提供有力支撑。针对上述问题，本文在确定区域完钻井数据优选结果后，运用两种预处理技术对原始钻探数据进行清洗。在第一种数据预处理技术中，根据专家经验确定钻探核心参数（扭矩、钻压、转速、钻速）的合理波动范围，并且将超出范围的异常样本点剔除。在第二种数据预处理技术中，根据钻探数据的分布特征设置小波滤波参数的阈值，针对筛选后的钻探数据进行降噪处理，提高钻探数据的价值密度。
由1.3节分析可知，钻探参数与地层参数之间呈现强烈的非线性关系，导致难以建立准确的钻速预测模型。针对上述问题，本文在预处理后的完钻井数据优选结果基础上，引入具有泛化性能强、学习速度快的超限学习机算法进行钻速模型预训练，以提升所提方法的预测精度。同时，利用十折交叉验证方法对钻速预测模型中的关键参数做进一步优化，选取相对最优的模型结构及参数。
由1.4节分析可知，深部地质钻探过程地层复杂，岩性变化剧烈，较难感知和捕捉钻速的动态变
| （1） |
式中：Pk——中间参数矩阵，；——k时刻的输入参数矩阵；——k+1时刻的输入参数矩阵；——k+1时刻的输入参数矩阵的转置。
| （2） |
式中：——k时刻的模型参数；——k+1时刻的模型参数；——k+1时刻的输出参数。
通过递推最小二乘算法可以有效实现所提模型对多完钻井数据优选结果与目标井信息的整合提炼。
从已建立的深部地质钻探数据仓库中选取河北保定地区某井、黑龙江安达地区某井和湖北襄阳地区某井作为完钻井，辽宁丹东地区某井作为目标井，利用区域多井数据优选技术对不同完钻井与目标井进行适配性分析，输出完钻井数据优选结果。同时，针对完钻井数据优选结果进行预处理。
从钻探类型、钻探区域、测量参数、过程特点、地层环境、钻探效率等方面对区域不同完钻井与目标井进行匹配优选，具体如
| 过程信息 | 河北保定地区某井 （完钻井） | 黑龙江安达地区某井 （完钻井） | 湖北襄阳地区某井 （完钻井） | 辽宁丹东地区某井 （目标井） |
|---|---|---|---|---|
|
钻探类型 钻探区域 |
特深孔取心钻探 中国华北地区 |
特深孔取心钻探 中国东北地区 |
深孔全面钻探 中国华中地区 |
特深孔取心钻探 中国东北地区 |
| 测量参数 | 钻压、泵压、转速、钻速等 | 钻压、转速、钻速、扭矩等 | 井深、转速、泵量、钻速等 | 钻压、转速、扭矩、钻速等 |
| 过程特点 | 钻速非常低、钻压误差大、送钻精度差、深部取心艰难 | 钻进速度慢、钻头磨损严重、起下钻耗时长、跳钻现象突出 | 钻速波动大、钻头更换频繁、测量误差大、取心工序繁杂 | 钻速较缓慢、钻头磨损严重、传感器检测异常、设备冲击性能弱 |
| 地层环境 | 地层岩性多变，多为硅质白云岩 | 地层坚硬复杂，岩石类型丰富 | 以灰岩、页岩和白云岩为主 | 岩石破碎带，大倾角地层 |
| 钻探效率 | 低 | 低 | 不高 | 低 |
| 钻探深度 | 4000 m | 7000 m | 2000 m | 3000 m |
由
由于辽宁丹东地区某井（目标井）与黑龙江安达地区某井（完钻井）都可以实时采集到扭矩、钻压、转速、钻速4个钻探参数，并且扭矩、钻压、转速与钻速存在强烈的非线性关系，于是本文选取黑龙江安达地区某井4244组钻探数据作为样本总集，数据分布如
| 参数 | 扭矩/ （N·m） | 钻压/ kN | 转速/ （r·mi | 钻速/ （cm·mi |
|---|---|---|---|---|
| 最小值 | 0 | -426.9 | 0 | 0 |
| 平均值 | 2326.1 | 179.3 | 19.2 | 0.3 |
| 最大值 | 23500 | 1072.1 | 80 | 13.1 |
| 标准差 | 3163.7 | 357.1 | 26.9 | 1.03 |
| 参数 | 扭矩/（N·m） | 钻压/kN | 转速/ （r·mi | 钻速/ （cm·mi |
|---|---|---|---|---|
| 范围 | 0<扭矩≤12000 | >0 | ≥10 | 0<钻速≤8.3 |
在已筛选的500组钻探数据基础上运用小波滤波分析技术对其进行过滤，过滤后的黑龙江安达地区某井钻探数据分布如
| 参数 | 扭矩/ （N·m） | 钻压/ kN | 转速/ （r·mi | 钻速/ （cm·mi |
|---|---|---|---|---|
| 最小值 | 4521.2 | 6.3 | 29.2 | 0.3 |
| 平均值 | 6646.7 | 49.5 | 59.8 | 2.3 |
| 最大值 | 11826 | 149.6 | 80.8 | 8.1 |
| 标准差 | 1644.9 | 19.8 | 13.9 | 1.9 |
由
根据上面的实验结果，选取了辽宁丹东地区某井（目标井）、黑龙江安达地区某井（完钻井）进行钻速预测实验。引入2种模型性能评价指标，其计算公式定义为：
| (3) |
| (4) |
式中：——均方根误差；——归一化均方根误差；——样本数量；——测量数据；——预测数据。
均方根误差与归一化均方根误差越小，预测钻速与实际钻速的拟合效果越好，说明钻速模型的预测能力越强。同时，为测试所提模型的性能，在该模型的基础上设计了一种钻速在线预测对比方法（不包含黑龙江安达地区某井数据），简称为H1。
图2 所提方法与钻速在线对比方法的预测曲线
Fig.2 Prediction curves of the proposed method and ROP online comparison method
| 方法 | RMSE | NRMSE/% |
|---|---|---|
| 所提方法 | 0.0917 | 3.54 |
| H1 | 0.1059 | 4.09 |
由
本文针对深部地质钻探过程钻速预测精度不高、区域多井信息利用率低等问题，综合分析深部地质钻探过程中参数来源不同、钻探数据价值密度低、多参数非线性强、地层岩性变化剧烈等特点，提出了基于区域多井数据优选与模型预训练的深部地质钻探过程钻速动态预测方法。钻速预测精度较对比方法提升了13.4%，验证了所提方法的有效性。主要创新点与贡献如下：
（1）利用区域多井数据优选技术挖掘不同完钻井在地层环境、钻探区域等方面与目标井匹配度高的关键信息，并且通过预训练建立考虑区域多井信息的钻速预测模型。
（2）引入区域多井数据优选、小波滤波、超限学习机、增量学习等技术实现钻速预测模型的动态更新，提升钻速预测模型的普适性与鲁棒性。
（3）所提方法符合钻探工程需要，为深部钻探过程智能优化控制奠定了重要基础。
将来，基于区域多井数据优选与模型预训练的深部地质钻探过程钻速动态预测方法会不断进行优化和完善，为我国深部地质钻探工程安全高效施工提供关键技术支撑。
参考文献（References）
甘超.复杂地层可钻性场智能建模与钻速优化［D］.武汉：中国地质大学（武汉），2019. [百度学术]
GAN Chao. Intelligent modeling of formation drillability field and drilling rate of penetration optimization in complex conditions［D］. Wuhan： China University of Geosciences， 2019. [百度学术]
张正，赖旭芝，陆承达，等.基于贝叶斯网络的钻进过程井漏井涌事故预警［J］.探矿工程（岩土钻掘工程），2020，47（4）：114-121，144. [百度学术]
ZHANG Zheng， LAI Xuzhi， LU Chengda， et al. Lost circulation and kick accidents warning based on Bayesian network for the drilling process［J］. Exploration Engineering （Rock & Soil Drilling and Tunneling）， 2020，47（4）：114-121，144. [百度学术]
吴敏，曹卫华，陈鑫，等.复杂地质钻进过程智能控制［M］.北京：科学出版社，2022. [百度学术]
WU Min， CAO Weihua， CHEN Xin， et al. Complex Geological Drilling Process Intelligent Control［M］. Beijing： Science Press， 2022. [百度学术]
VINíCIUS Veloso De Melo， WOLFGANG Banzhaf. Automatic feature engineering for regression models with machine learning： An evolutionary computation and statistics hybrid［J］. Information Sciences， 2018，430：287-313. [百度学术]
HUANG Junping， YAN Xuefeng. Quality‑driven principal component analysis combined with kernel least squares for multivariate statistical process monitoring［J］. IEEE Transactions on Control Systems Technology， 2019，27（6）：2688-2695. [百度学术]
ZOU Lei， WANG Zidong， HU Jun， et al. Moving horizon estimation with unknown inputs under dynamic quantization effects［J］. IEEE Transactions on Automatic Control， 2020，65（12）：5368-5375. [百度学术]
DENG Yong， CHEN Mian， JIN Yan， et al. Theoretical and experimental study on the penetration rate for roller cone bits based on the rock dynamic strength and drilling parameters［J］. Journal of Natural Gas Science and Engineering， 2016，36：117-123. [百度学术]
李谦，曹彦伟，朱海燕.基于人工智能的钻速预测模型数据有效性下限分析［J］.钻探工程，2021，48（3）：21-30. [百度学术]
LI Qian， CAO Yanwei， ZHU Haiyan. Discussion on the lower limit of data validity for ROP prediction［J］. Drilling Engineering， 2021，48（3）：21-30. [百度学术]
熊虎林，李谦.基于地层成分和钻进参数的钻速预测模型［J］.探矿工程（岩土钻掘工程），2018，45（10）：195-201. [百度学术]
XIONG Hulin， LI Qian. ROP prediction model based on formation composition and drilling parameters［J］. Exploration Engineering （Rock & Soil Drilling and Tunneling）， 2018，45（10）： 195-201. [百度学术]
周长春，姜杰，李谦，等.基于融合特征选择算法的钻速预测模型研究［J］.钻探工程，2022， 49（4）：31-40. [百度学术]
ZHOU Changchun， JIANG Jie， LI Qian， et al. Research on drilling rate prediction model based on fusion feature selection algorithm［J］. Drilling Engineering， 2022，49（4）：31-40. [百度学术]
GAN Chao， CAO Weihua， WU Min， et al. Prediction of drilling rate of penetration （ROP） using hybrid support vector regression： A case study on the Shennongjia area， Central China［J］. Journal of Petroleum Science and Engineering， 2019，181：106200. [百度学术]
ETESAMI Danial， ZHANG W J， HADIAN Mohsen. A formation‑based approach for modeling of rate of penetration for an offshore gas field using artificial neural networks［J］. Journal of Natural Gas Science and Engineering， 2021，95：104104. [百度学术]
YOUCEFI Mohamed Riad， HADJADJ Ahmed， BENTRIOU Abdelhak， et al. Rate of penetration modeling using hybridization extreme learning machine and whale optimization algorithm［J］. Earth Science Informatics， 2020，13（4）：1351-1368. [百度学术]
SOARES Cesar， GRAY Kenneth. Real‑time predictive capabilities of analytical and machine learning rate of penetration （ROP） models［J］. Journal of Petroleum Science and Engineering， 2019，172：934-959. [百度学术]
SUI Dan， AADNøY Bernt Sigve. Rate of penetration optimization using moving horizon estimation［J］. Modeling， Identification and Control： A Norwegian Research Bulletin， 2016，37（3）： 149-158. [百度学术]
ZHOU Yang， CHEN Xin， ZHAO Haibin， et al. A novel rate of penetration prediction model with identified condition for the complex geological drilling process［J］. Journal of Process Control， 2021，100：30-40. [百度学术]
GAN Chao， CAO Weihua， LIU Kangzhi， et al. A new hybrid bat algorithm and its application to the ROP optimization in drilling processes［J］. IEEE Transactions on Industrial Informatics， 2020，16（12）：7338-7348. [百度学术]
GAN Chao， CAO Weihua， LIU Kangzhi， et al. A novel dynamic model for the online prediction of rate of penetration and its industrial application to a drilling process［J］. Journal of Process Control， 2022，109：83-92. [百度学术]
甘超，曹卫华，王鲁朝，等.深部地质钻探过程流式大数据分析与动态处理——以辽宁丹东3000 m科学钻探工程为例［J］.钻探工程，2022，49（4）：1-7. [百度学术]
GAN Chao， CAO Weihua， WANG Luchao， et al. Streaming big data analysis and dynamic pre‑processing in deep geological drilling process： A case study on the 3000m scientific drilling project in Dandong， Liaoning province［J］. Drilling Engineering， 2022，49（4）：1-7. [百度学术]
FAN Haipeng， WU Min， CAO Weihua， et al. An operating performance assessment strategy with multiple modes based on least squares support vector machines for drilling process［J］. Computers & Industrial Engineering， 2021，159：107492. [百度学术]
