基于相对熵改进模糊C均值聚类的溢流预警研究.pdf

第 46 卷 第 3 期Vol.46 No.3钻 采 工 艺DRILLING&PRODUCTION TECHNOLOGY 基金项目:中海油田服务股份有限公司级项目“溢流井涌早期监测预警系统研制”(编号:YJB21YF012)。作者简介:李辉(1981-),硕士,工程师,2008 年毕业于清华大学控制科学与工程专业,现主要从事随钻和旋转导向井下工具和地面系统研制。地址:(065201)河北省廊坊市三河市燕郊海油大街 201 号,电话:[phone],E-mail:lihui30 生产线上基于相对熵改进模糊 C 均值聚类的溢流预警研究李 辉1,满曰南1,李红星1,孙 鹏21 中海油田服务股份有限公司油田技术研究院 2 中国石油青海油田工程技术处摘 要:钻井过程中溢流的早期发现非常重要,目前国内外基于人工智能的溢流预警模型普遍使用大量先验知识或训练数据,其准确性、实时性、可靠性完全受限于先验知识和训练数据,文章提出了基于相对熵改进模糊 C 均值聚类的溢流预警模型,采用相对熵理论改进模糊 C 均值聚类算法,克服传统模糊 C 均值聚类时聚类数目由用户主动给出的缺点,并结合溢流故障的发生与立压、套压的变化趋势具有相关性的特点,建立了早期溢流智能预警模型,实现对早期溢流的及时发现。通过对现场数据的仿真分析表明,该预警模型能够通过立压和套压的斜率变化及时准确地判断是否发生溢流。关键词:相对熵;模糊 C 均值聚类;溢流预警模型DOI:10.3969/J.ISSN.1006-768X.2023.03.28引用格式:李辉,满曰南,李红星.基于相对熵改进模糊 C 均值聚类的溢流预警研究J.钻采工艺,2023,46(3):165-170LI Hui,MAN Yuenan,LI Hongxing.Research on Kick Warning Based on Relative Entropy Improved Fuzzy C-mean Cluste-ringJ.Drilling and Production Technology,2023,46(3):165-170Research on Kick Warning Based on Relative Entropy Improved Fuzzy C-mean ClusteringLI Hui1,MAN Yuenan1,LI Hongxing1,SUN Peng21.Well Tech R&D Institute of China Oilfield Services Limited,San He,Hebei 065201,China;2.Qinghai Oilfield Engineering Technology Department,Dunhuang,Gansu 736202,ChinaAbstract:The early kick detection is essential during the drilling process to avoid accidents.At present,the ear-ly kick detection models based on artificial intelligence at home and abroad generally adopt a large amount of pri-or knowledge or training data,and their accuracy,timeliness and reliability are completely limited by prior knowledge and training data.In this paper,a new kick warning model based on relative entropy improved fuzzy C-mean clustering is proposed to overcome these problems.The relative entropy theory is used to improve the FCM clustering algorithm and overcome the disadvantage that the number of clusters is actively given by the user in FCM clustering.Combined with the characteristics of the correlation between the occurrence of overflow fault and the change trend of standpipe pressure(SSP)and casing pressure(CP),an intelligent early kick warning model is established to realize the timely early kick detection.The simulation analysis of the field data shows that the early warning model can determine whether the kick occurs in a timely and accurate manner by the change of the slope of SSP and CP.Key words:relative entropy;FCM clustering;overflow warning model0 引言溢流是井喷发生的首发信号,如未及时采取有效应急措施,可能发生井涌或井喷,造成井毁人亡、破坏油气资源、破坏自然环境等严重后果1。因此对溢流风险的快速智能预警研究一直是钻井井控安全控制研究的热点。561 钻 采 工 艺DRILLING&PRODUCTION TECHNOLOGY2023 年 5 月May 2023国内外基于人工智能提出了多种溢流智能预警模型。张博等人2提出了钻井工程参数早期溢流监测模型;冯光通3建立了钻井环空多相流动数学力学模型,结合泵参数和立压参数建立了早期溢流发现判别的方法;张兴全等人4通过对比出入口微量的流量变化,提出了精细控压钻井溢流检测和分析方法。上述预警模型存在一个共同的局限性,均需要大量的先验知识或训练数据,溢流监测的准确性、实时性、可靠性完全受限于先验知识和训练数据。聚类分析法是“物以类聚”思想的体现,根据样品的特征采用某种相似性度量的方法,实现聚类划分。本文首先利用相对熵理论计算数据样本不同划分所对应的相对熵值,然后根据相对熵值选取最佳的分类个数,最后运用模糊 C 均值(简称 FCM)聚类方法进行聚类,建立钻井溢流事故的智能预警模型。该模型克服了目前人工智能溢流预警模型依赖于大量先验知识以及训练数据的缺点,提高了溢流预警的准确性、可靠性、实时性。1 立压套压预警原理当发生溢流时,地层流体进入井筒会使环空中钻井液的密度发生变化,进而导致压力发生变化,打破系统压力平衡5。随着地层侵入流体进入环空向上运移且由于压力减小而发生膨胀,使环空静液柱的压力降低,从而导致立管压力下降,进一步导致回压上升6。立管压力和套管压力监测技术是通过把压力传感器安装在立管和套管出口来进行对立管压力以及套管压力变化的实时监测,从而实现对早期溢流及时、准确的监测7-8。在溢流发生时,由于地层流体不断进入井筒环空,使井筒环空中钻井液的物理性质发生变化,如钻井液的密度、温度、流量等。溢流时,出口流量增加,摩阻上升,环空出口压力上升,立管压力和套管压力同时增加。2 基于 FCM 聚类算法的溢流预警模型研究2.1 相对熵理论相对熵9是一种表示两个分布之间差异大小的非对称性度量,在本文中用于衡量原始数据集和随机划分后子集的差异程度,以确定初始聚类数目,相对熵定义如下:P(x)和 Q(x)是随机变量 X 上的两个离散分布,则相对熵 RE(PQ)定义为:RE(PQ)=XxP(x)logP(x)Q(x)(1)在 FCM 聚类分析中,数据点的归属客观上是确定的,但主观上依赖用户依照经验所选取的聚类数目,当对样本进行不同聚类划分时,样本在不同的状态间存在着相对熵值的微小变化。在聚类数目不断增加的过程中,根据相对熵跃迁值跳变幅度限制条件,确定相对熵值最小为最佳聚类数目的评判标准10-11。假设聚类数目为 k(k2),则根据相对熵定义及以上分析,可求出此时数据集对应的相对熵值。2.2 FCM 聚类算法FCM 聚类算法是一种柔性的模糊划分,在聚类的基础上引入了模糊理论,利用隶属度函数确定某一数据对象的划分类别12-13。FCM 聚类算法是一种基于目标函数的算法,把含有 n 个数据对象的集合 X=x1,x2,xn分为 k 类,其聚类中心用 ck表示,目标函数是:min J(U,c1,c2,ck)=ki=1Ji=ki=1nj=1umijd2ijs.t.ki=1uki=1,uki0,1,ni=1uki(0,n,1jn,1ik(2)式中:U隶属度矩阵;ck聚类中心;uij样本 j 属于类 i 的程度;m大于 1 的加权模糊指数,用来控制聚类的模糊程度,一般取 2;dij样本 xj到类中心 ci的欧氏距离。在约束条件下,利用 Lagrange 乘数法求解,可得:uij=1/kl=1dijdlj()2/(m-1),ci=nj=1umijxj/nj=1uij(3)2.3 基于改进 FCM 聚类的溢流智能预警模型建立由于 FCM 计算所有样本的隶属度会导致计算量过大,FCM 聚类数目由使用者主动给出,初始聚类中心是随机选定,这样会使聚类结果的质量很难保证。本文根据相对熵理论对 FCM 聚类做如下改进:(1)为了克服 FCM 聚类算法计算量大以及满足智能预警及时性的需求,将聚类样本数目固定为离采样时刻最近的 N 个数据。即当有新数据点出现时,就将样本中离当前时刻最远的数据点删除出去。(2)FCM 聚类算法用于智能预警模型,必须克服聚类数目由用户主动给出的缺点。为此可以基于相对熵理论,先计算出不同聚类划分的相对熵值,由相对熵值自动确定最终聚类数目。(3)当聚类数目为 1 时,Ek(x)=0,所以基于相对661第 46 卷 第 3 期Vol.46 No.3钻 采 工 艺DRILLING&PRODUCTION TECHNOLOGY 熵自动确定聚类数目 k2。但本文研究的智能预警模型在溢流未发生的情况下,数据样本中的所有数据点都应该属于同一类,故存在聚类数目 k=1 的情况。鉴于此,我们同样可以基于相对熵值进行判断。若聚类数目 k 的真实值为 1,而对样本进行 k=2 或 k=3 错误划分并计算相对熵时,由于错误的划分会使二者的相对熵差值大于某个阈值 e2,故可以用阈值 e2进行判断。基于相对熵改进的 FCM 聚类算法对采集立压套压进行聚类,得到聚类结果后,当出现 2 类以上结果时,分别对立压套压数据段利用最小二乘法拟合得到直线段的斜率来表示此段压力曲线的斜率 Ki,将斜率Ki与设置的溢流事故识别敏感度 SS 进行对比,从而判断溢流事故是否发生。3 模型仿真分析3.1 阈值 e2确定及选取选择 M 油田 N 油井溢流未发生时立压套压数据进行分析选取阈值 e2。选取一段时间内的 768 条数 据,并将选取的数据随机平均分成 12,分别计算相对熵值 Ek2与 Ek3,根据二者的差值决定 e2。计算结果如表 1 所示。表 1 相对熵值 Ek2与 Ek3序号Ek2Ek3Ek3-Ek2序号Ek2Ek3Ek3-Ek2124.536.411.9724.536.311.8224.536.411.9824.636.411.8325.237.111.9924.536.311.8425.537.111.61025.237.111.9524.736.411.71125.337.211.9624.836.211.41224.536.311.8 由表 1 中的熵值 Ek2与 Ek3的差值,可知对于 M油田 N 油井应用基于相对熵改进的 FCM 聚类算法溢流智能预警模型,阈值 e2应选为 12。阈值不同选择对聚类效果影响如图 1、图 2 所示。在图 1 和图 2 中,从左到右和从上到下依次为时间序列逐渐增大的立压套压数据,如点(1,1)表示第一个数据,点(8,8)表示最后一个数据。方格内的数据表示当时的压力大小。从图 1 和图 2 中可以看出,阈值为 12 时,立压和套压分类结果相同为一类,分类 图 1 阈值 e2=12 的分类结果图 2 阈值 e2=13 的分类结果761 钻 采 工 艺DRILLING&PRODUCTION TECHNOLOGY2023 年 5 月May 2023正确,表示未发生溢流。阈值为 13 时,立压和套压分为 2 类,分类错误,且立压和套压的分类结果一致,表示发生了溢流,说明立压和套压的相关性很强且说明计算的阈值正确。3.2 早期溢流聚类法溢流预警的效果评价溢流不同阶段聚类效果如图 3图 6 所示。图 3 溢流未发生图 4 早期溢流发生图 5 溢流发生 以上为整个溢流发生过程。图 3 是当未有溢流发生时,基于相对熵改进 FCM 聚类方法应用在溢流智能预警模型中,计算的相对熵差值未达到阈值 e2,所以模型将该组数据溢流未发生时的数据正确聚为一类。图 4 是早期溢流发生时,立压值与套压值同时增大,模型计算的相对熵差值超过阈值 e2,所以模型将早期溢流发生的数据正确聚为两类。图 5 是早期溢流发生一段时间后,立压值与套压值持续增大,模型计算的相对熵差值仍然超过阈值 e2,所以模型将数据进行聚为 2 类。图 6 是溢流发生后采取一定措施后,溢流得到控制,但立压套压值未下降到溢流发生前的聚类效果图。861第 46 卷 第 3 期Vol.46 No.3钻 采 工 艺DRILLING&PRODUCTION TECHNOLOGY 图 6 溢流得到控制 应当注意,现场立压和套压分别受泥浆泵泵冲次和节流阀动作影响较大。若在泵冲变化和节流阀动作时,会导致立压和套压突然变化,有可能导致本模型识别错误产生误报,所以本模型的最佳适用场景是泵冲稳定且节流阀无动作的正常钻井过程中。3.3 FCM 聚类法溢流预警的效果分析在对立压和套压数据使用聚类算法进行分析估计压力变化趋势后,进一步根据设置的溢流事故识别敏感度 SS 来实现对断溢流事故的判断。图7 分别是立压套压数据结合聚类法得出的斜率变化趋势识别图。聚类法(红色)是指聚类出现 2 种结果后对每一类数据进行线性拟合后求得流量变化斜率值;立压套压溢流事故识别敏感度 SS(蓝色)分别设定为 0.053与 0.021,可据现场实际实时调整。表 2 拟合得出到立压套压变化斜率平均值FCM 聚类方法早期溢流敏感值立压斜率第一类0.039 2第二类0.064 80.053套压斜率第一类-0.000 031第二类0.039 5420.021图 7 立压套压数据识别效果对比图 结合立压套压数据识别效果对比图(图 7)和拟合得出立压变化斜率平均值(表 2)可以看出,立压套压数据利用改进 FCM 聚类方法对数据进行聚类,当出现 2 种聚类结果时,对相同类数据进行拟合求得平缓段的变化斜率值一直稳定处于溢流事故识别敏感度值下方,上升段则都处于其上方,本段数据的溢流事故发生在处于上升段,即识别效果正确有效。综上,利用聚类法识别溢流事故判别法稳定可靠,识别精准度更高,可有效地减少甚至规避误报和漏报。因此,在溢流事故识别流程设计时采用了聚类后分段拟合立压套压变化斜率的方式,用以判断是否发生溢流事故。4 结论(1)本文改进了传统 FCM 聚类算法,充分利用少量已知信息样本,以相对熵最小值所对应的 k 值作为整个样本的最佳聚类数目。同时结合溢流事故发生机理、立压套压监测研究以及基于聚类算法的学习,建立了基于相对熵改进 FCM 聚类算法的钻井溢流智能预警模型。该模型与目前国内外其他人工智能溢流预警模型相比,具有输入参数少,前期训练数据少,预警准确性高,预警及时性好等优点。(2)通过现场数据仿真分析表明,该模型能够较961 钻 采 工 艺DRILLING&PRODUCTION TECHNOLOGY2023 年 5 月May 2023为精确的对钻井溢流事故进行智能预警,为实现溢流快速监测提供依据,具有工业化推广价值。参 考 文 献1陈平.钻井与完井工程M.北京:石油工业出版社,2011.CHEN Ping.Drilling and completion engineering M.Beijing:Petroleum Industry Press,2011.2张博,胡旭光,刘贵义,等.面向早期溢流监测的钻井工程参数仿真建模方法J.录井工程,2019,30(4):44-50.ZHANG Bo,HU Xuguang,LIU Guiyi,et al.Simulation modeling method of drilling engineering parameters for ear-ly overflow monitoring J.Mud Logging Engineering,2019,30(4):44-50.3冯光通.气井钻井溢流早期监测技术J.广西大学学报(自然科学版),2016,41(1):291-300.FENG Guangtong.Early detection technology of overflow during drilling gas wellJ.Journal of Guangxi University(Natural Science Edition),2016,41(1):291-300.4张兴全,周英操,翟小强,等.精细控压钻井溢流检测及模拟研究J.西南石油大学学报(自然科学版),2015,37(5):128-132.ZHANG Xingquan,ZHOU Yingcao,ZHAI Xiaoqiang,et al.Kick detection and simulation in accurate managed pres-sure drillingJ.Journal of Southwest Petroleum Universi-ty(Science&Technology Edition),2015,37(5):128-132.5燕修良,陈永明,李宗清,等.三参数自动控压钻井技术室内试验J.石油机械,2012,40(12):13-16.YAN Xiuliang,CHEN Yongming,LI Zongqing,et al.Laboratory test of the three-parameter automatic pressure control drilling technologyJ.China Petroleum Machiner-y,2012,40(12):13-16.6骆发前,何世明,黄桢,等.溢流关井时的水击压力及其影响因素J.钻采工艺,2006,29(3):1-3.LUO Faqian,HE Shiming,HUANG Zhen,et al.The surge pressure in overflow well shut in and its influencing factorsJ.Drilling&Production,2006,29(3):1-3.7任美鹏,李相方,王岩,等.基于立压套压的气侵速度及气侵高度判断方法J.石油钻采工艺,2012,34(4):16-19.REN Meipeng,LI Xiangfang,WANG Yan,et al.Judge-ment method of kick rate and height based on standpipe and casing pressureJ.Oil Drilling&Production Technology,2012,34(4):16-19.8李基伟,柳贡慧,李军,等.双梯度钻井 U 型管效应溢流监测方法研究J.钻采工艺,2016,39(1):19-22.LI Jiwei,etc.Study on kick detection methods during U-tubing effect in dual gradient drillingJ.Drilling&Pro-duction,2016,39(1):19-22.9SALEHI F,KEYVANPOUR M R,SHARIFI A.SMKFC-ER:semi-supervised multiple kernel fuzzy clustering based on entropy and relative entropyJ.Information Sciences,2021,547:667-688.10 毛伊敏,郭斌斌,易见兵,等.基于相对熵和余弦相似度的并行 SVM 算法J/OL.计算机集成制造系统:1-262022-11-23.http:/ Yimin,GUO Binbin,YI Jianbing,et al.Parallel support vector machine algorithm based on relative entropy and cosine similarityJ/OL.Computer Integrated Manu-facturing Systems:1-262022-11-23.http:/ 李美娟,刘佳鸿,杨隆浩,等.基于相对熵距离的动态改进理想解法及其应用研究J.系统科学与数学,2023,43(1):174-185.LI Meijuan,LIU Jiahong,YANG Longhao,et al.Dy-namic improved topsis based on relative entropy distance and its application researchJ.Journal of Systems Science and Mathematical Sciences,2023,43(1):174-185.12 刘锋.基于改进 FCM 聚类分析的电能质量综合评估方法J.电子测试,2022,36(17):59-61.LIU Feng.Comprehensive evaluation of power quality based on improved FCM cluster analysisJ.Electronic Test,2022,36(17):59-61.13 郭振斌,冯雪龙,田地,等.EKM 溢流预警智能系统及其应用J.钻采工艺,2020,43(1):132-134.GUO Zhenbin,etc.KEM Intelligent System and Its Appli-cationJ.Drilling&Production Technology,2020,43(1):132-134.(修改回稿日期 2023-03-23 编辑 丁浩)071