摘要
大洋钻探是从事海洋能源资源勘探开发和地壳构造演化研究的主要手段，常面临复杂海况扰动大、海底地层不确定性强等问题。本文提出一种大洋钻探过程钻速在线区间预测方法，以微型钻探船室内模拟实验为例开展方法的验证工作，为工程化应用奠定重要基础。首先，运用数据重采样、数据时深匹配、数据滤波等方法对多源大洋钻探数据进行预处理。其次，引入极限学习机、粒子群优化等方法建立钻速点预测模型。再者，利用非参数估计方法构造置信区间，建立钻速区间预测模型，并开展钻速区间预测。最后，通过滑动窗口方法在线更新区间预测模型参数，实现模型的在线学习和优化。微型钻探船室内模拟实验的对比结果验证了所提方法具有很强的钻速预测能力和鲁棒性，为大洋钻探过程钻速优化控制提供了新的工程解决方案。
海洋蕴藏着丰富的资源、能源，随着陆地资源日益紧缺，促进海洋勘探与开发正在逐步推进。大洋钻探是研究海洋地壳构造、从事海底资源开发的主要手
在钻速离线预测方面，研究学者以机理分析方法或机器学习方法为主建立钻速离线预测模型。机理分析方法以Bourgoyne & Young（BYM）模
相对于离线预测方法，钻速在线预测方法利用实时采集钻探数据更新模型，以提高模型对钻速变化的捕捉能
针对大洋钻探过程存在海况环境扰动、海底地层不确定性强等特点，本文提出大洋钻探过程钻速在线区间预测方法，在建立精度高点预测模型基础上建立区间预测模型，对大洋钻探过程存在的不确定性具有较好的量化表示。
大洋钻探主要利用大洋钻探船或海上钻井平台等装备获取海底沉积物及岩石样本研究海洋地质构造、开发海底矿产资源。在大洋钻探过程中，钻探设备穿过海域到达海底，利用钻头旋转切割海底岩石，而司钻利用人机交互屏幕实时监测并及时调整钻探参数，保证安全高效钻探。由于存在穿过海域、深孔钻探、数据远距离传输等情况，导致大洋钻探过程存在复杂海洋地质环境影响、钻探过程工况切换频繁、钻探数据价值密度低的特点。
一方面，大洋钻探过程存在海风、海浪、海流等复杂海况影响。大洋钻探过程钻探装备及设备经过海平面、海中及海底等区域，复杂海况的不确定因素导致钻探过程钻速波动频繁。另一方面，大洋钻探过程存在海底地层高温高压环境、软硬岩交替变化明显、地层特征参数不确定性等特点，导致钻探效率低。例如南海某钻采区域存在巨厚泥岩覆盖层，泥质较纯、渗透率极
大洋钻探过程利用钻探设备穿过海中部分到达海底进行深水钻探，钻探深达数千米，钻探过程需不停地更换钻头、钻杆等设备。其次，在钻探过程中存在钻头失效、孔内事故等问题引发打捞、清孔、更换设备等操
针对上述特点，本文利用在线学习策略、机器学习方法、统计分析等建立大洋钻探过程钻速在线区间预测模型，模型框架如
图1 钻速在线区间预测方法框架
Fig.1 Framework of ROP online interval prediction method
根据1.3节内容分析可知，钻探过程数据存在尖峰毛刺、噪声干扰等问题，为了保证建立精度高、预测准确的钻速点预测模型及区间预测模型，有必要对钻探数据进行预处理，提高数据的价值密度。
在钻探数据预处理阶段，采用数据重采样、时深匹配、滤波3种方法。一方面，钻探数据来自传感器实时数据，较低的采样频率能够满足钻探过程基本需求，能够帮助司钻了解现场情况，因此对采集的钻探数据进行重采样操作，处理高频数据，减少数据的冗余。其次，钻探过程工况切换频繁，而钻探参数能够反映钻探过程中某一深度的地层情况及钻探情况，能够更好地帮助模型进行决策输出，因此对数据进行时深转换，将钻探数据由时间域转换为深度域。在此过程中，依靠专家经验确定钻探参数的范围，去除钻探异常数据，保留旋转钻进工况数据。最后，实时采集数据出现噪声、毛刺等问题，选择SG滤波方法进行滤波，提高数据质量，为钻速建模奠定基础。
对钻探数据预处理后，利用钻探数据建立钻速点预测模型。钻探数据中深度变化能够反映地层信息，对钻速变化的趋势具有较好地反映；钻压、转速、扭矩等参数与钻速之间具有较强的非线性关系，钻压、转速、扭矩的整体变化能够反映钻速的变化，因此本文选择钻压、转速、扭矩、深度作为钻速点预测模型的输入参数。结合钻探数据特点及模型在线更新需求，采用粒子群算法（Particle Swarm Algorithm， PSO）优化极限学习机（Extreme Learning Machine， ELM）的建模方法建立钻速点预测模型。一方面，ELM的单隐层前馈神经网络特点为钻速快速建模奠定基础，另一方面，利用PSO优化ELM参数，减少模型自身参数不确定性影响，提高模型的点预测精度。同时利用滑动窗口结合上述方法实现钻速的在线点建模，提高模型对钻速变化趋势的捕捉能力。
钻速在线区间建模阶段用于构建钻速的区间预测模型。结合钻探数据及钻速点预测模型，得到钻速的点预测结果。在此基础上，考虑到复杂的环境扰动及不确定性因素，建立钻速区间预测模型，提高模型的鲁棒性。结合点预测结果，获得钻速预测的误差集，针对钻速误差的特点，利用非参数估计方法拟合钻速预测误差的分布通过设置置信度，得到钻速的区间预测模型，为钻速区间预测阶段使用。在钻速在线点预测模型的基础上，实现钻速在线区间建模，在线更新置信区间的预测结果。
本文使用在线学习策略更新模型，利用不同窗口的训练数据得到钻速点预测模型，并预测区间建模阶段的钻速，得到钻速预测误差数据集，该数据集存在不同的分布差异，而核密度估计（Kernel Density Estimation， KDE）方法作为一种非参数估计方法，不需要钻速预测误差分布特性的先验知识，能够有效灵活地捕捉钻速预测误差的数据分布情况。因此本文选择KDE方法用于估计钻速预测误差的分布，该方法得到的概率密度函数为：
| （1） |
式中：——实测钻探数据的样本数；——钻速预测的误差值；——窗口宽度；——核函数。
使用中国地质大学（武汉）自动化学院海洋勘探模拟实验系统进行室内模拟实验，采集钻探数据，并实现钻速的在线区间预测。
本文数据来自海洋勘探模拟实验系统室内模拟实验设备传感器实测数据，室内模拟实验系统及设备如
图2 室内模拟实验系统及设备
Fig.2 Indoor simulation experiment system and equipment
室内模拟实验共收集40500组钻探数据，对应钻头位置变化为82~148.1 mm，包含深度、滑台电机力矩、钻杆电机力矩、转速、钻速等参数。考虑到钻速点预测模型的输入包含钻压参数，利用滑台电机力矩及推力转换公式得到钻压实际值。
室内模拟实验过程中，数据采集频率为50 Hz，由于实验过程周期较长，过高的采集频率产生数据冗余，影响模型精度，因此对数据进行重采样处理，求解每50组数据的平均值作为每一秒时刻的实际数据。数据重采样后得到810组数据，钻探参数数据分布如
图3 数据重采样数据分布
Fig.3 Data distribution after data resampling
为了进一步了解钻速变化与地层深度的关系，对数据进行时深匹配，将钻探数据由时间域转化为深度域。由
| 参数 | 钻速/ (mm· | 钻压/ N | 转速/ (r·mi | 扭矩/ (N·m) |
|---|---|---|---|---|
| 设定范围 | 0~0.3 | >0 | >0 | >0 |
最后考虑到实际传感器测量误差及异常值，利用SG滤波方法对数据进行滤波，提高数据质量。钻探数据预处理结果如
图4 钻探数据预处理结果
Fig.4 Drilling data preprocessing results
结合钻探数据预处理，采用滑动窗口策略实现钻速的在线预测。在钻速点建模过程中，利用滑动窗口内的部分数据训练钻速点预测模型，利用该模型实时预测钻速。由于新数据的引入、旧数据的剔除，滑动窗口内的数据不断更新，使得钻速点预测模型也得到更新，更好地捕捉钻速的变化。
本文使用ELM建立钻速预测模型，考虑到ELM方法的输入权重及偏置权重随机产生，模型的自身不确定性影响钻速点预测结果，将训练集的归一化均方误差作为适应度函数，使用PSO算法寻找输入权重及偏置权重的最优解，提高钻速点预测结果的精度。引入均方根误差、归一化均方误差及平均绝对误差作为模型评价指标，其计算公式为：
| (2) |
| (3) |
| (4) |
式中：——实测钻速值；——钻速点预测结果。
本文对比使用在线学习方法和离线方法及是否使用PSO算法优化参数的方法建立钻速点预测模型，模型性能如
| 方 法 | RMSE | NRMSE | MAE |
|---|---|---|---|
| PSO-ELM-online | 0.0290 | 27.04% | 0.0190 |
| ELM-online | 0.0308 | 29.50% | 0.0202 |
| PSO-ELM | 0.0308 | 29.47% | 0.0241 |
| ELM | 0.0331 | 30.89% | 0.0242 |
针对钻探过程中存在的环境不确定性、模型不确定性等，利用PSO-ELM-online方法建立的钻速点预测模型作为基础，对钻探数据预测误差分析并且构造钻速区间预测模型。
考虑到钻探数据及钻探深度，将滑动窗口的大小定义为60个数据点，两个滑动窗口的距离为2个数据点，对应
图5 点预测误差分布对比
Fig.5 Comparison of point prediction error distribution
由
针对区间建模阶段钻速预测误差分析结果，通过估计当前窗口预测误差的分布情况，并根据置信度得到该窗口下区间建模阶段钻速预测误差的上下分位点。在区间预测阶段实时采集数据，结合点建模阶段的钻速点预测模型得到实测数据的钻速点预测结果，结合区间建模阶段的上下分位点得到钻速的区间预测结果。
引入区间覆盖率（Prediction Interval Coverage Proability，PICP）、平均预测区间宽度（Mean Prediction Interval Width，MPIW）、宽度范围综合指标（Coverage Width-based Criterion，CWC）作为区间预测性能评估指标，其计算公式为：
| (5) |
| (6) |
| (7) |
式中：——实测钻速满足在钻速预测区间内的布尔值，表示实测钻速在钻速预测区间之内；、——分别对应钻速预测区间的上限值与下限值；——置信度水平；——布尔值，当时，取值为0，反之，取值为1；——控制参数，取值为5
图6 钻速区间预测对比结果
Fig.6 Comparison results of ROP interval prediction
| 方 法 | PICP | MPIW | CWC |
|---|---|---|---|
| 在线区间预测 | 0.9274 | 0.0796 | 0.0796 |
| 总体误差估计区间预测 | 0.8675 | 0.1139 | 0.6151 |
从
针对大洋钻探过程复杂海洋地质环境、地层不确定性等特点，本文提出钻速在线区间预测方法，通过对钻速预测误差分析，构造钻速在线区间预测模型，对比实验表明在线区间预测模型具有更好的区间预测能力，能够有效预测实际钻速因环境等不确定性因素影响而发生较大变化处的钻速区间。本文主要贡献如下：
（1）利用中国地质大学（武汉）自动化学院海洋勘探模拟实验系统模拟复杂海洋环境开展大洋钻探模拟实验，收集钻探数据。针对钻探过程多工况切换、数据价值密度低等特点，通过重采样、时深匹配、滤波等技术提高数据质量，为钻速在线区间预测模型奠定数据基础。
（2）针对复杂海洋地质环境及不确定性，在钻速点预测结果的基础上进行误差分析，并构造置信区间，建立钻速区间预测模型，实现钻速的区间预测，较好地量化表示不确定因素，提高预测模型的准确性及鲁棒性。
（3）引入滑动窗口策略实现模型的在线学习，更新优化模型参数，进一步提高钻速区间预测模型对钻速变化的捕捉能力，提供更高的覆盖率及更窄的预测区间宽度。
本文提出一种大洋钻探过程钻速在线区间预测方法，并以微型钻探船室内模拟实验为例验证所提方法的有效性，所提方法能够为大洋钻探过程钻速优化控制提供新的工程解决方案。
参考文献（References）
贾向锋，李亚伟，赵涛.大洋钻探船钻探系统装备现状及总体配置研究［J］.船舶，2023，34（5）：67-76. [百度学术]
JIA Xiangfeng, LI Yawei, ZHAO Tao. State‑of‑the‑Art and overall configuration of drilling system equipment for ocean drilling vessels[J]. Ship & Boat, 2023,34(5):67-76. [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]
LI Gensheng， SONG Xianzhi， TIAN Shouceng， et al. Intelligent drilling and completion： a review［J］. Engineering， 2022，18：33-48. [百度学术]
Bourgoyne A. T.， Young F. S. A multiple regression approach to optimal drilling and abnormal pressure detection［J］. Social of Petroleum Engineers Journal， 1974，14（4）：371-384. [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 based on artificial intelligence[J]. Drilling Engineering, 2021,48(3):21-30. [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]
CHEN Xuyue， WENG Chengkai， DU Xu， et al. Prediction of the rate of penetration in offshore large‑scale cluster extended reach wells drilling based on machine learning and big‑data techniques［J］. Ocean Engineering， 2023，285：115404. [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]
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]
甘超，曹卫华，王鲁朝，等.深部地质钻探钻进过程流式大数据分析与动态预处理——以辽宁丹东3000m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 Luzhao, 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]
WANG Jianhua， YAN Zhi， PAN Tao， et al. Drilling parameters multi-objective optimization method based on PSO-Bi-LSTM［J］. Applied Sciences， 2023，13（21）：11666. [百度学术]
甘超，汪祥，王鲁朝，等.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［J］.钻探工程，2023，50（4）：1-8. [百度学术]
GAN Chao, WANG Xiang, WANG Luzhao, et al. Dynamic prediction method of rate of penetration (ROP) in deep geological drilling process based on regional multi‑well data optimization and model pre‑training[J]. Drilling Engineering, 2023,50(4):1-8. [百度学术]
曾小龙，李谦，魏宏超，等.基于南海巨厚塑性泥岩地层特征的钻速预测模型［J］.煤田地质与勘探，2023，51（11）：159-168. [百度学术]
ZENG Xiaolong, LI Qian, WEI Hongchao, et a1. Rate‑of‑penetration (ROP) prediction model based on formation characteristics of extremely thick plastic mudstone in South China Sea[J]. Coal Geology & Exploration, 2023,51(11):159-168. [百度学术]
