基于机器学习的水平孔绳索取心钻进钻压预测模型.pdf

第 69 卷增刊 1Vol.69Supp.12023 年6 月Jun.,2023地质论评GEOLOGICALREVIEW559基于机器学习的水平孔绳索取心钻进钻压预测模型高希坤1,2)，赵大军1,2)，陈勇3)1)吉林大学，长春，130000；2)自然资源部复杂条件钻采技术重点实验室，长春，130000；3)吉林省煤田地质局 203 勘探队，吉林四平，136000注：本文为科技部重点研发青年科学家资助项目（编号：2021YFC2900200）的成果。收稿日期：2023-04-10；改回日期：2023-04-30；责任编辑：方向。DOI：10.16509/j.georeview.2023.s1.246作者简介：高希坤，男，1996 年生，博士研究生，主要从事钻探机具和材料研究；Email:gaoxk21 。通讯作者：赵大军，男，1964年生，博士，教授，博士生导师，主要从事钻探工程专业的教学、复杂地层钻探技术的研究与科技开发管理工作；Email:。关键词：关键词：机器学习；绳索取心钻进；水平孔；钻压小直径水平孔绳索取心钻探在隧道勘察等领域有着十分重要的应用，在进行长水平孔钻进时，由于钻柱的弱刚度特性及孔内强大摩阻的作用，钻压及扭矩损失严重，导致钻进效率低下，且极易发生卡钻等事故，因此及时掌握扭矩及孔底钻压状态从而调整钻进参数显得尤为必要。长水平孔钻进时，孔底钻压直接测量难度较大，机器学习算法的发展使得孔底钻压预测成为可能。因此，笔者首先基于相似原理构建了水平孔模拟钻进平台，在钻柱动力学分析基础上，将机器学习经典算法BP神经网络应用于水平孔钻压预测中，以转速及给进压力为输入量，孔底钻压为预测量，构建了钻压的神经网络预测模型，试验结果表明，经过优化的神经网络预测模型能够对孔底钻压实现较高精度的预测，模型 R2值达到了 0.97，对长水平孔钻进给进压力施加策略的制定具有一定的指导意义。1机器学习在地质勘探中的应用随着川藏铁路、滇藏铁路等一系列重大工程的逐步实施，我国西南部山区的长大隧道数量将越来越多（罗显粱等，2022），一系列超长隧道的建设对隧道地质勘察提出了新的更高的要求，使用水平孔绳索取心钻探技术能够对隧道沿线地质情况进行全面、清晰的探查，但由于水平孔钻进中钻杆及冲洗液重力、孔内复杂环境等因素影响，钻压损失严重，盲目增大给进压力极易导致钻杆弯曲，发生卡钻、钻具折断等事故。为了实现小直径（75 mm直径）长水平孔绳索取心高效高质钻进，一方面需要加大对新型钻机具材料、结构及新型钻井液等的研发，另一方面应加强对水平孔钻进钻杆动力学及智能钻进技术等的研究。在智能钻进技术方面，机器学习因为其强大的数据挖掘与处理能力，在地质勘探等领域应用越来越广泛，常见的机器学习算法包括支持向量机、人工神经网络，随机森林及各种聚类算法等。机器学习在绳索取心钻探中的典型应用是地层的识别，在钻进过程中通过随钻信号采集与分析实现对地层的实时识别与分类，及时掌握地层信息，从而及时优化钻进参数，达到高效高质钻探。近些年，基于机器学习算法所构建的多源信息融合下的岩性智能识别技术也越来越得到专家学者的重视（许振浩等，2022）。付光明等还探究了基于随机森林算法的钨矿三维成矿预测，并对成矿有利区进行了预测（付光明等，2021）。在长水平孔绳索取心钻进中，孔底钻压对钻进效果有直接的影响，在对地层进行分类的基础上应着重考虑孔底钻压，对钻压进行预测与分析，从而优化钻进参数，使钻具在当前特定地层下具有较高的钻进效率。为此，本文基于水平孔模拟钻进试验平台，将钻进参数转速及给进压力作为输入量，孔底钻压作为输出量，利用优化后的 BP 神经网络构建了钻压预测模型，对孔底钻压进行预测分析。2BP 神经网络模型构建带有负反馈的神经网络（Back PropagationNeural Network，BPNN）结构如图 1 所示，包括输入层、隐藏层及输出层，xi为经过归一化处理后的第 i 个输入变量，uj为隐藏层第 j 个神经元的输出，k为输出层第 k 个输出，各层之间均通过相应的权地质论评 2023 年 69 卷 增刊 1560值和阈值相连接（ij，vjk及 aj，bk），能够保证神经网络具有强大非线性表达能力的关键因素之一为隐藏层及输出层的激活函数 f(x)，本文中使用Sigmod 函数作为激活函数，如式（1）所示。在 BPNN网络中，数据流的传递包括信号的前向传播及误差的反向传播，在前向传播中，由输入层传递来的数据经过隐藏层激活函数的映射传递到输出层，同样的，输出层数据经过一定的非线性变化最终转化为网络的输出k（预测值）；在误差反向传播中，误差经过输出层隐藏层输入层逐层传递，使用梯度下降法对权值及阈值进行修正，梯度下降法公式如式（2）所示。11 exf x（1）+1ysssddwww（2）其中，w 为待优化的变量（ij，vjk及 aj，bk），s为迭代次数，为学习率，y 为模型预测误差。更新后的权值及阈值参与到下一次训练迭代中，直至网络收敛。隐藏层神经元数量 m 对模型的训练速度及精度有重要的影响，为此，进行了确定最佳隐藏层数量 m 的先导试验，试验表明，在当前网络参数下，当 m 为 7 时预测误差取得最低值，当m 大于 7 时误差维持在较低水平，但训练时长大大增加，综合考量，将 m 值设置为 7。3预测结果分析输入层变量及水平选取如表 1 所示，将 95 组全因子试验结果进行无序化处理，随机选取 80 组作为训练集，剩余15组作为测试集，将划分好的数据集输入到模型中，设置最大训练次数为1000，收敛容差0.0001，训练完成后模型预测值与真实值对比如图2所示，可以看到预测值与真实值重合度较高，模型预测总体R2为0.97，表现出了较高的预测精度。表 1 输入层变量及水平选取因素水平n(rpm)256,301,345,435,525P(N)17.46,21.83,26.19,30.56,34.93,39.29,43.66,52.39,65.49,87.32,109.14,130.97,152.80,174.63,196.46,218.29,240.12,261.95,283.77使用经典机器学习算法BP 神经网络对孔底钻压进行预测，有助于掌握水平孔绳索取心钻进时钻压传递状态，便于及时调整钻进参数，实现高效高质钻进。为了进一步提高模型的泛化性，可以从算法层面进行改进，并引入多源信息融合作为输入参数，提高有效数据提取能力，增强算法的精度稳定性等。参考文献/References付光明,严加永,罗凡,钟任富,谢学华.2021.基于随机森林算法的三维成矿预测以赣东北朱溪鹤矿床外围为例.地质论评,67(z1):275276.罗显粱,徐正宣,吴金生,黄晓林,石绍云,蒋炳,刘建国.2022.川藏铁路千米级水平孔绳索取心钻进技术与应用.地质与勘探,58(3):665675.许振浩,马文,李术才,林鹏,梁锋,许广璐,李珊,韩涛,石恒.2022.岩性识别:方法、现状及智能化发展趋势.地质论评,68(6):22902304.GAO Xikun,ZHAO Dajun,CHEN Yong:Prediction modelof weight on bit for wire-line coring drilling of horizontalhole based on machine learningKeywords:machine learning;wire-line coring drilling;horizontal hole;weight on bit图 1BP 神经网络结构图 2 模型预测值与真实值对比