Технические науки/ 10.Горное дело

К.т.н. Чигур Л.Я.

Івано-Франківський національний технічний універитет нафти і газу, Україна, 76019, м. Івано-Франківськ, вул. Карпатська, 15. E-mail: lyudmylla@gmail.com

Контроль технічного стану алмазних доліт за умов апріорної та поточної невизначеності процесу буріння

На сьогоднішній день нафтова промисловість є стратегічною для багатьох країн і України зокрема. Не дивлячись на досить великі потенційні можливості видобутку нафти, дана промисловість в Україні характеризується низькими показниками, в порівнянні з країнами, які володіють приблизно таким об’ємом ресурсів. У зв’язку з енергетичною кризою були вичерпані значна частина середніх і великих родовищ, а скорочення асигнувань на геологорозвідувальні роботи привело до ситуації, коли приріст розвіданих запасів вуглеводнів не перевищує їхній видобуток. Тому актуальною є задача зменшення собівартості буріння за рахунок різних факторів. Значною мірою вирішити всі ці питання може оптимальний вибір долота при бурінні свердловини. На сучасному етапі розвитку нафтогазової промисловості свою доцільність використання довели алмазні долота різних типів. Не зважаючи на високу вартість, в порівнянні з шарошковими долотами вони мають ряд значних переваг. Застосування доліт типу алмазних доліт дозволяє в порівнянні з шарошковими збільшити проходку долота і швидкість буріння в 4-5 раз, зменшити кількість спуско-підіймальних операцій, покращити контроль за напрямком буріння, значно зменшити вібраційне навантаження на бурильний інструмент, заощадити до 40÷50% палива, а також експлуатаційних витрат; забезпечити повторне використання долота без погіршення експлуатаційних якостей і мінімальний ризик обриву інструмента за рахунок відсутності рухомих елементів, значно знизити собівартість метра проходки і часу буріння свердловини [1].

Особливістю роботи долота, як об’єкту контролю, на вибої свердловини є складність встановлення причинно-наслідкового зв’язку між співвідношенням інформаційних параметрів контрольованого об’єкту і його технічним станом. Розроблені інформаційні моделі контролю долота ефективні за відсутності інформаційної невизначеності, зумовленої можливим виникненням ускладнень в процесі буріння (прихоплення колони бурильних труб, обвал стінок свердловини, вхід долота в зону аномальних пластових тисків та інші). Тому в деяких випадках виникає необхідність у додатковій інформації для достовірного визначення стану долота на вибої свердловини [2]. Одним із джерел такої інформації є статистичні дані режимних параметрів про вже пробурених свердловинах із апріорі відомими технічними станами контрольованого об’єкту на різних етапах буріння, та ускладненнями, що виникали під час буріння свердловини, параметричні ознаки яких подібні до ознак зношення долота.Для ідентифікації поточного стану зношення долота в умовах інформаційної невизначеності пропонується використовувати нейромережевий класифікатор на основі гібридної нейромережі, що складається з мережі Кохонена та нейромережі прямого поширення [3, 4].Цей підхід дозволяє перейти до безеталонних методик контролю, а у випадку відомої статистичної вибірки, що містить дані про значення інформаційних параметрів і відповідних їм технічних станів долота як контрольованого об’єкта, виявляти і поширювати причинно-наслідкові зв’язки між співвідношенням значень інформаційних параметрів контрольованого об’єкту і його технічним станом.

Для вирішення поставленої задачі пропонується застосувати сомоорганізовану нейронну мережу Кохонена (СОМ), яка дозволяє самостійно ідентифікувати нестаціонарності контрольованого процесу, шляхом аналізу вхідних даних в реальному масштабі часу.

Аналіз роботи мереж такого типу, дозволив зробити висновок, що для вирішення поставленої задачі оптимальною є мережа Кохонена, що складається з М нейронів, які утворюють прямокутні решітки на площині. Як активаційна функція мережі пропонується функція Гауса, яка забезпечує високу швидкість навчання СОМ при мінімальній похибці квантування [4].

Модель Кохонена відноситься до класу алгоритмів векторного кодування. Вона забезпечує топологічне відображення, що оптимально розміщає фіксоване число векторів у вхідному просторі більш високої розмірності, забезпечуючи, таким чином, стиснення даних (рис.1). На цьому рисунку прийняті такі позначення: - вектор вхідних даних, - синаптичні зв’язки між нейронами.

Застосування мережі Кохонена дозволяє крім іншого виявляти нові стани в яких перебуває контрольо-ваний об’єкт, які раніше не були описані статистичними вибірками. Система зможе розширювати власну базу знань про можливі стани контрольованого об’єкту у процесі функціонування. Для формування бази класів можливих станів долота як контрольованого об’єкта необхідно виконати кластерний аналіз, що розбиває множину станів на класи. Кластерний аналіз, на відміну від задач класифікації, не потребує апріорних припущень про набір даних, не накладає обмеження на подання досліджуваних об’єктів, дозволяє аналізувати показники різних типів даних (інтервальні, частоти, бінарні дані).Результатом кластерного аналізу є розбиття станів на групи, що задовольняють деякий критерій оптимальності. До основних станів контрольованого об’єкту відносяться - працездатний стан, непрацездатний стан, передаварійний стан, невизначений стан).Як правило побудови кластерів виступають критерії, що використовуються у процесі вирішення питання про схожість станів.Одним із критеріїв визначення схожості та відмінності кластерів є відстань між векторами на діаграмі розсіювання [3].Для проведення кластерного аналізу використано шар Кохонена, що складається з деякої кількості n адаптивних лінійних суматорів, які діють паралельно (лінійних формальних нейронів). Всі вони мають однакову кількість входів m і отримують на свої входи один і той же вектор вхідних сигналів x=(x₁...x_n). Дані, що подаються на входи шару Кохонена, мають бути у вигляді вектора діагностичних ознак (станів) у N-вимірному евклідовому просторі, а також правильно промасштабовані для подальшого їх оброблення.

Дискретні значення контрольованих технологічних параметрів (момент на долоті, частота його обертання, навантаження на долото, швидкість проходки) подаються на вхід мережі. Ці дані представляють собою набір із m точок в n-вимірному просторі. Необхідно розбити цю множину точок на k - класів близьких стосовно квадрату евклідової відстані. Для цього необхідно знайти k точок таких, що , мінімальне . Існує декілька алгоритмів вирішення цієї задачі.

Вихідним результатом роботи шару Кохонена є множина класів - стани в яких перебуває контрольований об’єкт. На практиці технічний стан долота характеризується складними причинно-наслідковими зв’язками між великою кількістю інформативних параметрів і його технічним станом.Вирішення задачі в такому випадку припускає застосування нейронних мереж, що організована за типом багатошарових нейронних мереж прямого поширення.

Нейромережа оцінки зношення долота на вибої свердловини є складовою частиною загальної системи контролю зношення долота в умовах невизначеності процесу буріння свердловин.

Особливістю мережі є наявність трьох шарів з прямою передачею сигналу.Кожен формальний нейрон, що входить у мережу, реалізує одну розділюючу пряму або площину, внаслідок чого в сукупності виходить досить складна крива або поверхня (поверхні) розділення станів.Реалізована нейромережа має три прошарки: вхідний прошарок з п’ятьма вхідними змінними, прихований прошарок та вихідний прошарок, сигнал якого є оцінкою ступеня зношення породоруйнівного інструменту (рис. 2). Приховані шари забезпечують проміжне оброблення вхідного сигналу.

Пред’явлення мережі вхідних параметрів процесу буріння здійснюється у певних проміжках часу – кроках , вважатимемо, що на цих проміжках значення вимірюваного параметру залишаються незмінними. Вхідними сигналами нейромережі є: механічна швидкість буріння , частота обертання породоруйнівного інструменту , момент на породоруйнівному інструменті . Два інших входи і можуть бути визначені з попередніх значень моменту на породоруйнівному інструменті та оцінки зношення породоруйнівного інструменту . Введемо наступні позначення для сигналів кожного з прошарків нейронної мережі: - входи нейромережі: , , , , ; - виходи прихованого прошарку нейромережі; - вихід нейромережі: .

Вагові коефіцієнти між вхідним і прихованим прошарками позначимо через , а вагові коефіцієнти між прихованим і вихідним прошарками як . В запропонованій архітектурі нейромережі, що зображена на рис. 1, введено два додаткові вузли, одиничні виходи яких зв’язані з нейронами в прихованому і вихідному прошарках. Ці додаткові зв’язки призначені для корекції порогових активаційних функцій, що входять до алгоритму функціонування мережі. Вагові коефіцієнти зв’язків між додатковими вузлами і прихованим прошарком складають , а між додатковими вузлами і вихідним прошарком - відповідно.

Процес створення нейромережевого алгоритму оцінки зношення породоруйнівного інструменту починається з ініціалізації нейромережі, тобто попереднього визначення всіх вагових коефіцієнтів , , , . На цьому етапі їм присвоюють випадкові малі значення.

Процес навчання починається з того, що нейромережі пред’являються зразків набору вхідних технологічних параметрів процесу буріння та бажаний вихід , який характеризує ступінь зношення породоруйнівного інструменту. Зразки, що використовуються для навчання були отримані шляхом обробки інформації отриманої шляхом запису основних технологічних параметрів на бурових платформах України та Росії. Ступінь зношення породоруйнівного інструменту, що використовується в навчальних зразках - змінюється в межах [0,1] і визначається в результаті обробки експертної інформації технологів-операторів (лінгвістичні оцінки ступеня зношення породоруйнівного інструменту для кожного набору контрольованих технологічних параметрів) з використанням методів Fuzzy Logic.

Вихід нейромережі обчислюється згідно принципів класичних Feed-Forward мереж.

Реалізація запропонованих підходів мереж дозволить розробляти адаптивні системи контролю зношення долота і ідентифікації технологічних ситуацій, що виникають в процесі буріння глибоких свердловин на нафту і газ. Ці системи дозволять значно підвищити вірогідність контрою, оскільки можуть автоматично пристосовуватися до змінних геолого-технічних умов процесу поглиблення свердловин, та прогнозувати виникнення і розпізнавати відомі передаварійні ситуації і ускладнення, які можуть виникнути в процесі буріння свердловин.

Література

1. Бондаренко Н. А. Исследование износа алмазных буровых долот. 5. Кинетика износа/ Н. А. Бондаренко, А. Н. Жуковский, В. А. Мечник// Розвідка та розробка нафтових і газових родовищ. – 2007. – №1(22). – С.34 - 37.

2. Шагеев А. Ф. Автоматизированный мониторинг процессов обработки скважин – первая ступень интеллектуальных систем управления/ А. Ф. Шагеев, А. М. Тимушева, Л. Н. Шагаева, А. С. Гришин// Нефтяное хозяйство – 2000. – №11. – С. 48-49.

3. Штучні нейромережі. Навчальний посібник/ Руденко О. Г., Бодянський Є. В. – Харків, 2006. – 404c.

4. Self-organizing maps. Teuvo Kohonen, Helsinki, Finland, 2005. – 496p.