丁建新 李雪松 宋先知 張誠愷 馬寶東 劉子豪 祝兆鵬

(1.昆侖數(shù)智科技有限責(zé)任公司 2.中國石油大學(xué)(北京)油氣資源與工程全國重點(diǎn)實(shí)驗(yàn)室 3.中國石油大學(xué)(北京)石油工程學(xué)院)

0 引 言

近年來，我國油氣對外依存度持續(xù)處于高位，2022年石油和天然氣對外依存度分別達(dá)到71.2%和40.5%，遠(yuǎn)超國際能源安全預(yù)警標(biāo)準(zhǔn)[1]。因此，加大油氣勘探開發(fā)力度，保障國家能源安全，是我國油氣行業(yè)未來發(fā)展的主要任務(wù)。鉆井工程是油氣資源勘探開發(fā)的關(guān)鍵環(huán)節(jié)，保證安全高效鉆進(jìn)是實(shí)現(xiàn)油氣勘探開發(fā)、降本增效的重要保障。其中鉆井過程包含鉆進(jìn)破巖、管柱延伸和井筒流動(dòng)等多個(gè)復(fù)雜過程[2-4]，國內(nèi)外專家學(xué)者在鉆速優(yōu)化、摩阻計(jì)算和井筒流動(dòng)等多個(gè)方面進(jìn)行了深入研究。

鉆井過程中的機(jī)械鉆速是反映鉆井效率的關(guān)鍵指標(biāo)，而準(zhǔn)確預(yù)測鉆速是破巖提速的基礎(chǔ)。目前鉆速預(yù)測主要有統(tǒng)計(jì)回歸和智能預(yù)測2種方法。國外學(xué)者基于室內(nèi)試驗(yàn)或者現(xiàn)場數(shù)據(jù)，通過分析鉆具、工程和地層等各類因素對機(jī)械鉆速的影響機(jī)理，構(gòu)建了Maurer、Warren、Bourgoyne-Young、Hareland鉆速方程以及修正的楊格鉆速方程等多種方程。國內(nèi)學(xué)者同樣基于多元回歸方法分析求解鉆速方程，為鉆速預(yù)測提供了理論支撐[5]。隨著人工智能技術(shù)與傳統(tǒng)油氣行業(yè)的深度融合，鉆速智能預(yù)測方法逐漸成為行業(yè)研究熱點(diǎn)，支持向量機(jī)[6]、隨機(jī)森林[7]等機(jī)器學(xué)習(xí)方法為鉆井工程參數(shù)與鉆速之間映射關(guān)系的構(gòu)建提供了新的方法和思路，而全連接神經(jīng)網(wǎng)絡(luò)(FCNN)[8]、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)[9]等深度學(xué)習(xí)模型借助其非線性建模能力和高維特征分析能力，在精度、泛化性提升等方面已取得顯著效果。

管柱摩阻是評價(jià)水平井鉆井風(fēng)險(xiǎn)的重要因素，摩阻過大會(huì)降低鉆壓、扭矩傳遞效率，影響巖石破碎效果，嚴(yán)重時(shí)可能導(dǎo)致卡鉆等風(fēng)險(xiǎn)。摩阻扭矩的傳統(tǒng)計(jì)算方法主要有軟桿模型[10]和剛桿模型[11]，分別適用于直井和水平井。有限元、有限差分、加權(quán)殘值等方法也逐步應(yīng)用到管柱摩阻扭矩相關(guān)研究中，為管柱下入能力評價(jià)及卡鉆分析提供理論基礎(chǔ)。近年來，有學(xué)者采用回歸分析、隨機(jī)森林等機(jī)器學(xué)習(xí)算法[12]對摩阻扭矩進(jìn)行實(shí)時(shí)預(yù)測，利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)[13]建立摩阻系數(shù)與影響因素之間的隱含關(guān)系，實(shí)現(xiàn)了摩阻系數(shù)的高效計(jì)算。例如，李紫璇等[14]考慮了巖屑床對管柱摩阻扭矩的附加影響，提高了卡鉆預(yù)測精度。

井眼清潔是影響水平井鉆井風(fēng)險(xiǎn)的另一個(gè)關(guān)鍵因素。鉆井過程中產(chǎn)生的巖屑在重力作用下極易在斜井段、水平段沉積并形成巖屑床，掩埋管柱，導(dǎo)致鉆桿扭矩增大[15]。因此學(xué)者們開展了相關(guān)試驗(yàn)，研究環(huán)空流速、鉆井液密度和流變性、巖屑粒徑、機(jī)械鉆速等參數(shù)對巖屑床高度等井眼清潔關(guān)鍵參數(shù)的影響規(guī)律，隨后提出了經(jīng)典的分層模型和臨界速度模型。例如：馬志忠等[16]探索了井眼清潔計(jì)算新方法，提高了環(huán)空巖屑濃度和井筒ECO的計(jì)算精度；張菲菲等[17]結(jié)合傳統(tǒng)水力學(xué)模型和人工智能方法，提出了數(shù)據(jù)驅(qū)動(dòng)定量評價(jià)巖屑動(dòng)態(tài)分布的新方法，為解決大位移井井眼清潔不充分提供了詳細(xì)井下信息。

綜上，前人針對破巖提速、管柱減阻和井筒清潔3個(gè)方面開展了大量研究，為鉆井效率優(yōu)化和風(fēng)險(xiǎn)管控提供了堅(jiān)實(shí)的理論基礎(chǔ)。但是，鉆井過程中這3個(gè)子系統(tǒng)相互耦合、相互制約，優(yōu)化鉆井過程需要綜合考慮風(fēng)險(xiǎn)和效率，現(xiàn)有單過程、單目標(biāo)優(yōu)化方法難以取得全局最優(yōu)效果[18-19]。例如，提高鉆速會(huì)增大巖屑量，巖屑床堆積過高可能會(huì)增大鉆柱摩阻造成卡鉆，也會(huì)降低鉆壓導(dǎo)致鉆速下降。因此在鉆井多過程優(yōu)化方面，挪威eDrilling公司集成了水力學(xué)、管柱力學(xué)、機(jī)械鉆速等多個(gè)模塊，搭建了鉆井?dāng)?shù)字孿生系統(tǒng)[20-21]，實(shí)現(xiàn)了鉆井全生命周期的動(dòng)態(tài)監(jiān)測與參數(shù)優(yōu)化。挪威NORCE研究所構(gòu)建了自動(dòng)化鉆井系統(tǒng)[22-23]，能夠?qū)崿F(xiàn)鉆井優(yōu)化、軌跡調(diào)控和風(fēng)險(xiǎn)處理等功能。盡管上述工作考慮了部分鉆井過程子系統(tǒng)的耦合，但在協(xié)同鉆速、摩阻和巖屑運(yùn)移等方面仍然有待深入研究。

為此，本文提出一種考慮破巖提速-管柱減阻-井筒清潔3個(gè)子系統(tǒng)協(xié)同作用的水平井鉆井多目標(biāo)優(yōu)化方法。該方法以提高機(jī)械鉆速、降低機(jī)械比能為目標(biāo)，以鉆壓、轉(zhuǎn)速和排量為調(diào)控參數(shù)，以減小管柱摩阻、促進(jìn)井筒清潔為約束條件，通過耦合鉆速預(yù)測、摩阻系數(shù)反演和巖屑運(yùn)移模型模擬，實(shí)現(xiàn)水平井鉆井提速-減阻-清屑多目標(biāo)協(xié)同優(yōu)化，為現(xiàn)場安全高效鉆進(jìn)提供保障。

1 提速-減阻-清屑協(xié)同優(yōu)化方法

1.1 數(shù)據(jù)處理

本文選擇某油田1口水平井進(jìn)行實(shí)例分析。該井井深7 788 m，造斜點(diǎn)位于井深7 105 m，表1列舉了部分測井和錄井參數(shù)。在數(shù)據(jù)處理方面，通過KNNImputer函數(shù)[24]計(jì)算各數(shù)據(jù)的歐幾里德距離，尋找最近鄰樣本，使用最近鄰樣本非空數(shù)值的均值來填補(bǔ)缺失值；基于箱線圖法[25]計(jì)算中位數(shù)和四分位數(shù)，獲取數(shù)據(jù)正常值的上、下邊界，并以此為依據(jù)剔除上、下邊界外的異常值。

1.2 機(jī)械鉆速智能預(yù)測模型

在鉆速智能預(yù)測方面，神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和支持向量機(jī)是當(dāng)前研究最充分、使用最廣泛的模型之一[26-27]。其中，隨機(jī)森林[28]是一個(gè)集成了許多決策樹的智能學(xué)習(xí)機(jī)器，模型示意圖見圖1。

決策樹是相對簡單的決策模型，具有類似流程圖的樹狀結(jié)構(gòu)，每棵樹都由不同節(jié)點(diǎn)(根節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)和葉節(jié)點(diǎn))組成，可將輸入數(shù)據(jù)分解為更小的子集。作為一個(gè)包含許多決策樹的集成學(xué)習(xí)器，隨機(jī)森林通過綜合所有決策樹的預(yù)測結(jié)果來給出輸出。與神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相比，隨機(jī)森林的一個(gè)優(yōu)點(diǎn)是預(yù)測結(jié)果更穩(wěn)健，輸出會(huì)始終處于訓(xùn)練標(biāo)簽的范圍內(nèi)，不會(huì)像神經(jīng)網(wǎng)絡(luò)一樣給出不合理的異常預(yù)測結(jié)果[29]。此外，C.SOARES等[30]、ZHANG C.K.等[31]分別對比了3種模型在鉆速實(shí)時(shí)預(yù)測與優(yōu)化方面的準(zhǔn)確性和穩(wěn)定性，認(rèn)為隨機(jī)森林優(yōu)于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。故本文采用隨機(jī)森林預(yù)測機(jī)械鉆速。

模型超參數(shù)是指在模型訓(xùn)練開始前應(yīng)設(shè)置的參數(shù)。例如，在訓(xùn)練隨機(jī)森林之前，應(yīng)人工確定樹的數(shù)量、每棵樹的最大深度等。人工智能模型的性能在很大程度上依賴于模型的超參數(shù)設(shè)置，因此，需要在模型開始訓(xùn)練前進(jìn)行超參數(shù)調(diào)優(yōu)[32]。網(wǎng)格搜索法和隨機(jī)搜索法是2種常見的超參數(shù)調(diào)優(yōu)方法[33]。其中，網(wǎng)格搜索法遍歷比較模型在所有超參數(shù)組合下的性能，其結(jié)果最為準(zhǔn)確，但計(jì)算代價(jià)高昂。例如，要為具有m個(gè)超參數(shù)且每個(gè)超參數(shù)都具有n個(gè)候選值的模型選擇最佳超參數(shù)時(shí)，模型必須運(yùn)行mn次。相反，隨機(jī)搜索法僅從所有超參數(shù)組合中隨機(jī)選擇若干進(jìn)行比較，與網(wǎng)格搜索法相比，在效果相似的情況下可大大縮短訓(xùn)練時(shí)間。因此，本文采用隨機(jī)搜索法對隨機(jī)森林的超參數(shù)進(jìn)行自動(dòng)調(diào)優(yōu)。表2列出了模型超參數(shù)及其取值范圍[30]。

表2 隨機(jī)森林模型超參數(shù)及其取值范圍Table 2 Hyperparameters of random forest model

1.3 水平井摩阻系數(shù)智能反演模型

管柱摩阻扭矩計(jì)算機(jī)理模型主要有軟桿模型和剛桿模型，其中剛桿模型相較于軟桿模型考慮了鉆柱剛度，更適合大位移井、水平井的摩阻扭矩計(jì)算，因此本文采用剛桿模型進(jìn)行水平井的摩阻系數(shù)反演[34]。

鉆柱整體受力微分方程如下：

(1)

(2)

式中：F為鉆柱上的軸向壓力，N；q為單位長度鉆柱重力，N/m；s為井深，m；“?”代表鉆柱狀態(tài)，負(fù)號代表提拉，正號代表下入；α為井斜角，rad；EI為鉆柱的抗彎剛度，N·m2；nt為鉆柱與井壁的接觸力，N/m；μ1為鉆柱軸向摩阻系數(shù)；μ2為周向摩阻系數(shù)；M為鉆柱所受扭矩，N·m；kb為井眼軸線曲率，m-1；Do為鉆柱外徑，m。

井眼曲率kb的計(jì)算公式為：

(3)

鉆柱上的接觸力nt計(jì)算公式為：

(4)

(5)

(6)

(7)

利用有限差分?jǐn)?shù)值求解方法，可將鉆柱整體受力模型寫成以下形式(以壓力為正)：

(8)

(9)

式中：Fi和Fi+1分別為第i段鉆柱單元靠近地面和靠近井下兩端的軸向力，N；MTi和MTi+1分別為第i段鉆柱單元兩端的扭矩，N·m；Kbi和Kbi+1分別為第i段鉆柱單元兩端的井眼曲率，m-1；qi、EIi、nti、Δsi和Dbi分別為第i段鉆柱單元的線重力(N/m)、抗彎剛度(N·m2)、與井壁的接觸力(N/m)、單元端的長度(m)和外徑(m)。

本文采用二分法進(jìn)行鉆柱周向摩阻系數(shù)的反演，計(jì)算流程如圖2所示。根據(jù)計(jì)算流程，首先在0～1之間選取初始摩阻系數(shù)，將其與預(yù)測得到的井底鉆壓、扭矩帶入到鉆柱整體受力模型中[35]；利用傳遞方程從鉆頭處向上依次計(jì)算每個(gè)鉆柱單元的軸向力和扭矩；比較計(jì)算得到的地面大鉤載荷、轉(zhuǎn)盤扭矩與實(shí)際測量值的誤差，若誤差在允許范圍內(nèi)，則說明給定的摩阻系數(shù)較為準(zhǔn)確，否則利用二分法對摩阻系數(shù)重新賦值計(jì)算。最終輸出鉆柱整體軸向力、扭矩及彎矩等參數(shù)。

圖2 二分法反演摩阻系數(shù)計(jì)算流程圖Fig.2 Flowchart for calculating friction coefficient by inversion using dichotomic method

1.4 水平井井眼清潔計(jì)算模型

本文采用巖屑運(yùn)移2層穩(wěn)態(tài)模型進(jìn)行巖屑床高度的計(jì)算。模型將井筒內(nèi)的巖屑床截面分為懸浮層和移動(dòng)巖屑床2層運(yùn)移，如圖3所示。其控制方程包括：巖屑質(zhì)量守恒方程、液相質(zhì)量守恒方程、懸浮層動(dòng)量守恒方程、移動(dòng)巖屑床動(dòng)量守恒方程、懸浮層巖屑擴(kuò)散方程[36]。

圖3 懸浮層和巖屑移動(dòng)床2層運(yùn)移示意圖Fig.3 Schematic diagram of two-layer transport of suspended layer and cuttings bed

巖屑質(zhì)量守恒方程：

UhChAh+UbCbAb=UsCsA

(10)

液相質(zhì)量守恒方程：

Uh(1-Ch)Ah+Ub(1-Cb)Ab=Us(1-Cs)A

(11)

懸浮層動(dòng)量守恒方程：

(12)

移動(dòng)巖屑床動(dòng)量守恒方程：

(13)

懸浮層巖屑擴(kuò)散方程：

(14)

依據(jù)巖屑床高度計(jì)算環(huán)空幾何結(jié)構(gòu)參數(shù)，采用迭代法和割線法進(jìn)行求解，求解流程如圖4所示。

圖4 2層巖屑床運(yùn)移模型求解流程圖Fig.4 Flowchart for solving of two-layer cuttings bed transport model

首先給定巖屑床高度(yb)和懸浮層質(zhì)量分?jǐn)?shù)(Ch)的初始值，根據(jù)質(zhì)量守恒方程計(jì)算巖屑床速度(Ub)和懸浮層速度(Uh)；根據(jù)擴(kuò)散方程得到懸浮層巖屑質(zhì)量分?jǐn)?shù)。與初始值對比，若誤差超出允許范圍，則重新賦值懸浮層質(zhì)量分?jǐn)?shù)，迭代計(jì)算；根據(jù)2個(gè)動(dòng)量守恒方程，計(jì)算單位長度壓降，判斷二者誤差是否在允許范圍內(nèi)，若不在允許的范圍內(nèi)，則采用割線法重新假設(shè)巖屑床高度進(jìn)行計(jì)算。經(jīng)反復(fù)迭代計(jì)算后，最終得到巖屑床高度等參數(shù)。

1.5 提速-減阻-清屑多目標(biāo)協(xié)同優(yōu)化方法

提速降本是油氣鉆井的優(yōu)先目標(biāo)，但優(yōu)化鉆速等鉆井效率指標(biāo)時(shí)還需考慮到潛在的鉆井風(fēng)險(xiǎn)。本文以提高機(jī)械鉆速、降低機(jī)械比能為目標(biāo)，以鉆壓、轉(zhuǎn)速和排量為調(diào)控參數(shù)，以減小管柱摩阻、促進(jìn)井筒清潔為約束條件，基于鉆速智能預(yù)測模型、摩阻系數(shù)智能反演模型和水平井巖屑運(yùn)移模型，構(gòu)建了鉆井提速-減阻-清屑多目標(biāo)協(xié)同優(yōu)化框架，如圖5所示。多目標(biāo)協(xié)同優(yōu)化具體流程(步驟)如下。

圖5 水平井鉆井提速-減阻-清屑多目標(biāo)協(xié)同優(yōu)化框架Fig.5 Multi-objective collaborative optimization framework for ROP improvement， drag reduction and hole cleaning in horizontal well drilling

(1)處理數(shù)據(jù)，訓(xùn)練鉆速智能預(yù)測模型。采用1.1節(jié)所述方法處理數(shù)據(jù)缺失值和異常值，基于1.2節(jié)中的隨機(jī)森林模型和超參數(shù)調(diào)優(yōu)方法訓(xùn)練、優(yōu)化機(jī)械鉆速智能預(yù)測模型。

(2)設(shè)定工程參數(shù)上、下限，得到候選參數(shù)組合。人工智能模型是從給定訓(xùn)練數(shù)據(jù)集上學(xué)習(xí)目標(biāo)變量與輸入變量的映射關(guān)系，所以當(dāng)訓(xùn)練好的智能模型應(yīng)用于非訓(xùn)練集數(shù)據(jù)時(shí)，其輸入?yún)?shù)一般不能與訓(xùn)練集參數(shù)差別過大，否則將難以取得準(zhǔn)確的預(yù)測結(jié)果。鉆壓、轉(zhuǎn)速和排量作為司鉆調(diào)控鉆井過程的主要變量，若根據(jù)鉆井設(shè)備上標(biāo)定的范圍取值，有可能取到不在訓(xùn)練集內(nèi)的參數(shù)。因此，為保證預(yù)測模型的準(zhǔn)確性，本文分別從訓(xùn)練數(shù)據(jù)集中取鉆壓、轉(zhuǎn)速和排量的最大值和最小值作為其取值上、下限，在上下限之間隨機(jī)取值，得到候選調(diào)控參數(shù)(鉆壓、轉(zhuǎn)速和排量)組合。

(3)基于NSGA-Ⅱ算法進(jìn)行多目標(biāo)優(yōu)化。本文以機(jī)械鉆速和機(jī)械比能作為優(yōu)化目標(biāo)，屬于多目標(biāo)優(yōu)化問題，文中采用改進(jìn)非支配排序遺傳算法(Non-dominated sorting genetic algorithm -II，NSGA-Ⅱ)[31，37-40]求解該問題。NSGA-Ⅱ是目前廣泛使用的多目標(biāo)遺傳算法之一，它降低了非劣排序遺傳算法的復(fù)雜性，具有運(yùn)行速度快、收斂性好的特點(diǎn)。將步驟(2)中候選調(diào)控參數(shù)組合輸入NSGA-Ⅱ算法中，求解后可獲得帕累托解集以及其對應(yīng)的參數(shù)組合，此解集和參數(shù)組合將作為后續(xù)進(jìn)行風(fēng)險(xiǎn)約束和多方案決策的基礎(chǔ)。

(4)基于摩阻系數(shù)反演模型和巖屑運(yùn)移模型施加風(fēng)險(xiǎn)約束。步驟(3)計(jì)算帕累托解集時(shí)僅考慮了機(jī)械鉆速和比能2個(gè)目標(biāo)，其對應(yīng)的調(diào)控參數(shù)(鉆壓、轉(zhuǎn)速和排量)有可能造成管柱屈曲、卡鉆以及井眼清潔等問題。因此，需要排除這些有可能造成鉆井風(fēng)險(xiǎn)的解。將優(yōu)化后的參數(shù)組合輸入摩阻系數(shù)反演模型和巖屑運(yùn)移模型，分別計(jì)算該參數(shù)組合下的摩阻系數(shù)、摩阻力和巖屑床高度，根據(jù)摩阻系數(shù)判斷是否有卡鉆風(fēng)險(xiǎn)，根據(jù)巖屑床高度判斷是否符合井眼清潔條件。本文以周向摩阻系數(shù)大于0.5為判斷有卡鉆風(fēng)險(xiǎn)的依據(jù)[34]，以巖屑床高度大于井眼直徑10%為判斷不滿足井眼清潔條件的依據(jù)[41]。淘汰不滿足風(fēng)險(xiǎn)約束的參數(shù)組合后，即得到可行的參數(shù)組合。

(5)基于TOPSIS算法進(jìn)行多方案決策。步驟(4)淘汰了帕累托解集中有可能導(dǎo)致鉆井風(fēng)險(xiǎn)的解，得到了所有可行的參數(shù)調(diào)控方案。本文采用逼近理想解排序法(Technique for Order Preference by Similarity to an Ideal Solution，TOPSIS)[31，42]，從多個(gè)可行方案中決策給出最佳方案。該算法是一種廣泛使用的綜合評價(jià)方案，它能夠充分利用原始數(shù)據(jù)信息，通過計(jì)算各方案與最優(yōu)方案、最劣方案間的距離來進(jìn)行評分，并以評分優(yōu)劣為依據(jù)進(jìn)行排序?；赥OPSIS算法對步驟(4)得到的可行參數(shù)集合進(jìn)行決策，可獲得最優(yōu)參數(shù)組合方案。此方案能夠取得機(jī)械鉆速和機(jī)械比能的相對最優(yōu)值，且不會(huì)引起屈曲、卡鉆和巖屑床堆積等鉆井風(fēng)險(xiǎn)。

2 應(yīng)用實(shí)例分析

將本文提出的水平井鉆井提速-減阻-清屑多目標(biāo)協(xié)同優(yōu)化框架應(yīng)用于該井7 600～7 650 m的水平段，分析其在機(jī)械鉆速預(yù)測、鉆速-比能協(xié)同優(yōu)化、風(fēng)險(xiǎn)約束等方面的效果。

圖6展示了協(xié)同優(yōu)化方法在訓(xùn)練集(7 600 m前數(shù)據(jù))上的機(jī)械鉆速預(yù)測效果。該井訓(xùn)練數(shù)據(jù)集上的平均機(jī)械鉆速為5.6 m/h，與本文提出的機(jī)械鉆速智能預(yù)測模型平均絕對誤差約為0.2 m/h，平均預(yù)測誤差約為3.9%，且95%情況下其絕對和相對預(yù)測誤差分別小于0.7 m/h和10%。

圖6 部分訓(xùn)練集(7 600 m前數(shù)據(jù))機(jī)械鉆速預(yù)測效果Fig.6 Prediction effect of ROP of some training sets (data before 7 600 m)

圖7對比了7 600～7 650 m的實(shí)際機(jī)械鉆速、預(yù)測機(jī)械鉆速和優(yōu)化后機(jī)械鉆速。鉆進(jìn)7 600～7 650 m時(shí)的平均機(jī)械鉆速為2.7 m/h，該模型預(yù)測的平均機(jī)械鉆速為2.5 m/h；其平均絕對預(yù)測誤差為0.3 m/h，平均相對預(yù)測誤差為11.6%。優(yōu)化后，平均機(jī)械鉆速提高至3.4 m/h，相較優(yōu)化前提高了32%，且僅在7 638 m、7 639 m和7 640 m處由于鉆速預(yù)測模型誤差過大(約15%)而低于優(yōu)化前。

圖7 7 600～7 650 m水平段實(shí)際鉆速、預(yù)測鉆速和優(yōu)化后鉆速對比Fig.7 Comparison of actual，predicted and optimized ROPs in 7 600 to 7 650 m horizontal section

圖8對比了7 600～7 650 m的真實(shí)機(jī)械比能和優(yōu)化后機(jī)械比能。優(yōu)化后機(jī)械比能相比優(yōu)化前降低了約450 MPa，降幅達(dá)19%，且僅在7 639、7 640 和7 641 m處未達(dá)成優(yōu)化效果，其原因與鉆速優(yōu)化情況類似。因此，本文提出的協(xié)同優(yōu)化方法在鉆速預(yù)測和鉆速-比能多目標(biāo)優(yōu)化方面都取得了較好的效果。

圖8 7 600～7 650 m水平段實(shí)際比能和優(yōu)化后比能對比Fig.8 Comparison of actual and optimized specific energies in 7 600 to 7 650 m horizontal section

在風(fēng)險(xiǎn)約束方面，圖9與圖10為優(yōu)化前后平均摩阻系數(shù)和平均巖屑床高度的對比。

圖9 7 600～7 650 m水平段優(yōu)化前、后平均摩阻系數(shù)Fig.9 Average friction coefficient before and after optimization of 7 600 to 7 650 m horizontal section

圖10 7 600～7 650 m水平段優(yōu)化前、后平均巖屑床高度Fig.10 Average cuttings bed height before and after optimization of 7 600 to 7 650 m horizontal section

由圖9可知，優(yōu)化前平均摩阻系數(shù)約為0.32，優(yōu)化后為0.24，降低了25%。由圖10可知，優(yōu)化前平均巖屑床高度為約1.47 cm，優(yōu)化后約1.36 cm，降低了7.5%。表3對比了7 649 m處優(yōu)化前、后的工程參數(shù)、效率指標(biāo)和風(fēng)險(xiǎn)指標(biāo)。相比優(yōu)化前，鉆壓降低了11 kN，轉(zhuǎn)速基本保持不變，排量增大了14 L/s。可見，優(yōu)化后機(jī)械鉆速和機(jī)械比能有少許提升，且由于鉆壓降低和排量提升，優(yōu)化后相關(guān)風(fēng)險(xiǎn)指標(biāo)有較大改善，表現(xiàn)在：優(yōu)化后平均摩阻系數(shù)降低0.12，平均摩阻力減小38 kN，平均巖屑床高度降低0.15 cm。由此可見，在保證鉆進(jìn)效率的同時(shí)減小了卡鉆、井眼清潔不足等風(fēng)險(xiǎn)。

表3 某井7 649 m處優(yōu)化前、后工程參數(shù)和相關(guān)指標(biāo)對比Table 3 Engineering parameters and related indicators before and after optimization at 7 649 m of a well

3 結(jié)束語

本文綜合考慮水平井鉆井破巖提速、管柱減阻和井筒清潔3個(gè)子系統(tǒng)協(xié)同作用，提出了鉆井過程協(xié)同優(yōu)化方法?；贜SGA-Ⅱ和TOPSIS算法進(jìn)行多目標(biāo)優(yōu)化決策，給出鉆壓、轉(zhuǎn)速和排量3個(gè)工程參數(shù)的推薦值。最后，以某水平井7 600～7 650 m水平段為例分析了其在機(jī)械鉆速預(yù)測、機(jī)械鉆速比能協(xié)同優(yōu)化、風(fēng)險(xiǎn)約束等方面的效果。結(jié)果表明，該協(xié)同優(yōu)化方法能夠提高機(jī)械鉆速、降低機(jī)械比能，且保證摩阻系數(shù)和巖屑床高度在安全范圍內(nèi)，實(shí)現(xiàn)安全高效鉆進(jìn)。

綜上所述，本文提出的水平井鉆井提速-減阻-清屑多目標(biāo)協(xié)同優(yōu)化方法能夠在優(yōu)化鉆井效率的同時(shí)降低卡鉆和井眼清潔不足等風(fēng)險(xiǎn)，可為現(xiàn)場安全高效鉆進(jìn)提供保障。建議后續(xù)可在以下方面改進(jìn)：①采用3層模型，細(xì)化描述巖屑運(yùn)移過程中流型變化的影響；②探索更高效的多目標(biāo)優(yōu)化與決策策略；③考慮井眼軌跡等其他鉆井子系統(tǒng)。