基于地面钻井参数增强特征与CNN-BiLSTM的井下振动分类分级方法

本发明涉及石油天然气钻井工程、井下振动识别、钻井参数智能分析与人工智能，更具体的说是涉及基于地面钻井参数增强特征与cnn-bilstm的井下振动分类分级方法。

背景技术：

1、钻井过程中，钻柱、钻头、井壁和地层之间存在复杂耦合作用，受钻压、转速、扭矩、泵压、排量、井深变化、钻头－岩石相互作用及地层非均质性等因素影响，钻具易产生轴向、横向和粘滑振动等复杂井下振动。轴向振动可能引起钻头跳动和井底冲击，横向振动可能导致钻具与井壁碰撞、钻具偏磨和井眼质量恶化，粘滑振动则会造成钻头转速周期性停滞与突增，严重时引起钻头损坏、钻具疲劳失效和钻井效率下降。因此，对井下振动类型及其严重程度进行识别，对钻井参数优化、井下风险预警和钻井安全控制具有重要意义。

2、目前，井下振动识别通常依赖近钻头或井下短节布置的高频加速度计、陀螺仪、扭矩或弯矩传感器。该类数据能够直接反映井下振动状态，但现场实时传输受泥浆脉冲带宽、传感器成本、工具可靠性和井下工作环境限制，难以在所有井段和全部钻井过程中持续获得高频井下数据。对于仅依赖井下高频振动数据的识别方法，虽然识别准确性较高，但其工程应用受限于井下测量工具成本、数据传输条件以及现场部署复杂性。

3、地面钻井参数如钩载、钻压、转速、扭矩、泵压、排量、井深和机械钻速容易实时获取，具有工程应用成本低、适用范围广的优势。然而，地面参数与井下振动之间存在滞后、耦合和非线性关系，仅使用原始地面参数难以充分表征破岩效率、能量耗散、钻头切削状态和局部波动等与井下振动密切相关的机理信息。现有方法多集中于粘滑振动或单一振动模式，对轴向、横向和粘滑振动等级的统一分类分级识别仍不充分。

4、因此，有必要提出一种不依赖实时井下高频振动数据作为模型输入、能够融合地面钻井参数与钻井工程机理增强特征、并能分别识别轴向振动、横向振动和粘滑振动等级的方法，以提高井下振动分类分级识别的稳定性、适用性和工程可实施性。

技术实现思路

1、本发明的目的是提供基于地面钻井参数增强特征与cnn-bilstm的井下振动分类分级方法，通过基于地面钻井参数增强特征构建滑动窗口时序样本并结合cnn-bilstm模型，实现井下振动的分类分级。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于地面钻井参数增强特征与cnn-bilstm的井下振动分类分级方法，包括以下步骤：

4、s1、获取目标井段的井下振动测量数据、与所述井下振动测量数据对应的地面钻井参数以及与目标井段对应的钻具组合参数；基于所述井下振动测量数据构建轴向、横向和粘滑振动等级标签；

5、s2、对所述地面钻井参数进行预处理，并基于钻具组合参数和预处理后的地面钻井参数构造增强特征，并筛选得到模型输入特征集合；

6、s3、利用所述模型输入特征集合和所述振动等级标签构建滑动窗口时序样本，将窗口内振动等级标签的众数作为样本标签，并分别训练轴向、横向和粘滑振动的单任务cnn-bilstm分类分级模型；

7、s4、采集待识别井段的地面钻井参数及匹配的钻具组合参数，并依据单任务cnn-bilstm分类分级模型在训练阶段确定的数据处理规则、增强特征构造规则、模型输入特征集合和标准化参数，生成待识别窗口的模型输入样本；

8、s5、将所述待识别窗口的模型输入样本输入训练好的单任务cnn-bilstm分类分级模型中，输出当前滑动窗口内对应振动类型的主要振动等级。

9、进一步地，所述s1中，井下振动测量数据包括：x、y、z方向振动均方根值和粘滑振动指标；

10、所述地面钻井参数包括：钩载、钻压、转速、扭矩、泵压、排量、井深和机械钻速；

11、所述钻具组合参数包括：钻头直径。

12、进一步地，所述s1中，轴向、横向和粘滑振动等级标签的构建过程包括：对x、y、z方向振动均方根值和粘滑振动指标进行滤波和异常屏蔽；

13、以x方向振动均方根值确定轴向振动等级标签；

14、以y方向和z方向振动均方根值的合成值确定横向振动等级标签；

15、以粘滑比阈值构建粘滑振动等级标签。

16、进一步地，所述轴向振动等级标签和横向振动等级标签均按照振动均方根值x划分为0-7级，其中0级为0≤x＜0.5g，1级为0.5g≤x＜1.0g，2级为1.0g≤x＜2.0g，3级为2.0g≤x＜3.0g，4级为3.0g≤x＜5.0g，5级为5.0g≤x＜8.0g，6级为8.0g≤x＜15.0g，7级为x≥15.0g。

17、进一步地，所述s2中，对所述地面钻井参数进行预处理的过程包括：对所述地面钻井参数进行时间排序、去重、重采样；对所述地面钻井参数的短时缺失值进行插值处理并剔除长时间连续缺失区间；基于所述地面钻井参数中的转速、泵压、排量、钻压、井深变化和机械钻速构建有效钻进工况掩码；在有效钻进工况掩码约束下，采用滑动中位数和滑动中位数绝对偏差对所述地面钻井参数进行局部异常检测，并结合分位数边界和物理边界识别异常值，对所述地面钻井参数的短时孤立异常点进行修正。

18、进一步地，所述s2中，增强特征包括：机械比能、钻头切削深度、钻进强度、摩擦代理系数、机械比能旋转贡献占比、机械比能与钻进强度融合比以及转速、钻压和扭矩波动系数中的至少一种；

19、所述增强特征基于预处理后的地面钻井参数和钻具组合参数中的钻头直径计算得到。

20、进一步地，所述s2中，模型输入特征集合的获得过程包括：剔除井下振动统计量、振动等级标签列以及由振动等级标签直接反推得到的变量；剔除常数列、低方差列和缺失率大于预设阈值的特征；计算候选特征与振动等级标签之间，以及候选特征之间的pearson相关系数和spearman相关系数，并根据相关性结果优先保留工程含义明确、与目标标签关联稳定且非冗余的输入特征，得到模型输入特征集合。

21、进一步地，所述s3中，滑动窗口时序样本的长度为60秒，采样间隔为1秒；每个滑动窗口包括：连续60个时间步的模型输入特征。

22、进一步地，所述s3中，单任务cnn-bilstm分类分级模型包括：输入层、一维卷积特征提取层、残差空洞卷积层、双向长短期记忆网络层、注意力池化层、统计特征分支、特征融合层和全连接分类层；

23、输入层接收滑动窗口时序样本，通过一维卷积特征提取层和残差空洞卷积层提取局部波动特征并扩大时间感受野，再由双向长短期记忆网络层学习时序依赖并通过注意力池化层生成序列上下文向量，同时统计特征分支提取窗口整体统计特征向量；序列上下文向量与统计特征向量在特征融合层拼接后输入全连接分类层，输出当前窗口内的主要振动等级。

24、进一步地，所述输入层，用于接收滑动窗口时序样本；

25、所述一维卷积特征提取层，用于沿时间方向对滑动窗口时序样本进行一维卷积，提取钻压、转速、扭矩等参数在短时间内的局部波动、突变和耦合变化特征；

26、所述残差空洞卷积层，用于通过设置不同的膨胀率，扩大时间感受野，提取多尺度的局部动态特征，并通过残差连接保持梯度传播稳定性；

27、所述双向长短期记忆网络层，用于分别从正向和反向两个方向学习窗口内参数变化的时序依赖关系；

28、所述注意力池化层，用于利用双向长短期记忆网络层输出的各时间步特征计算时间权重，并对各时间步特征进行加权求和得到序列上下文向量；

29、所述统计特征分支，用于从原始地面参数和增强特征中提取窗口末端值、均值、标准差和最大值，得到统计特征向量；

30、所述特征融合层，用于将所述序列上下文向量和统计特征向量进行拼接，得到融合特征向量；

31、所述全连接分类层，用于基于融合特征向量计算各振动等级的概率分布，并输出当前滑动窗口内的主要振动等级。

32、根据本发明提供的具体实施例，本发明相对于现有技术具有以下技术效果：

33、本发明通过利用地面钻井参数与钻具组合参数构建增强特征，有效弥补了地面常规参数对井下复杂振动响应表征能力弱的不足，充分挖掘了多源参数间的潜在关联，为模型提供了高质量、高维度的输入信息；结合滑动窗口技术与众数标签策略，不仅适应了钻井数据的强时序特性，还有效滤除了瞬时噪声干扰，显著提升了训练样本标签的鲁棒性与稳定性；采用cnn-bilstm网络架构，利用卷积神经网络在提取深层局部特征方面的优势与双向长短期记忆网络（bilstm）在捕捉时序双向依赖关系上的长处，分别针对轴向、横向和粘滑三种振动模式构建单任务分类分级模型，实现了对不同振动类型特征的精准映射与高精度等级判定；本发明能够仅基于易于实时采集的地面数据，准确、高效地识别井下振动的类型与主要等级，克服了依赖井下传感器传输滞后和成本高昂的问题，显著提升了井下工况监测的实时性与经济性，为预防钻井事故、优化钻进参数及保障安全高效钻井提供了可靠的技术支持。