基于Optuna-CNN的代理模型，用于计算穿孔冲击载荷

《Geoenergy Science and Engineering》：Optuna-CNN based proxy model for calculation of perforating shock loads

本研究针对深井及超深井中 perforating 震荷计算难题，结合数值模拟数据构建多参数数据集，采用 Optuna-CNN 模型并利用超参数优化，验证结果表明该模型在两口实际井中的计算误差分别低于3.5%，显著优于传统方法。

　　

乔登|桂林琪|姜家东|杨东

中国湖北省武汉市长江大学石油工程学院低碳催化与二氧化碳利用国家重点实验室，430100

摘要

由于深井、超深井以及深海和超深海条件的复杂性，来自联合穿孔和井测试系统的穿孔冲击载荷很容易损坏井筒的内部结构，从而带来较高的安全风险。计算穿孔冲击载荷是进一步全面分析井筒安全性的基本前提。值得注意的是，现有的计算模型主要依赖于从爆炸现象中得出的经验公式，因此需要一种符合实际条件的多参数计算方法。因此，本研究利用数值模拟生成的穿孔数据，开发了一种基于Optuna-CNN的代理模型。穿孔模型被构建为一个数据集，其中包含了在不同总爆炸重量、初始井筒压力、井筒爆炸体积、 detonation间隔和地层压力下的穿孔冲击载荷。然后，使用皮尔逊相关系数来确定这些参数与穿孔冲击载荷之间的关系。随后，通过Optuna框架对Optuna-CNN代理模型进行超参数优化，并分析了超参数的重要性。通过与另外三种常见回归模型（即前馈神经网络、支持向量机和梯度提升回归）进行比较，使用MAE、MSE、R²和MAPE等指标，结果表明Optuna-CNN的性能最佳，R²值为0.9562。最后，使用两个示例井的测量数据对Optuna-CNN代理模型进行了验证，结果显示其准确率分别为3.35%和3.28%。

引言

随着石油和天然气勘探开发技术的进步，深井、超深井以及海上深水和超深水油气田已成为勘探开发的主要对象。然而，深地层复杂的地质条件和不可预测的压力系统模式对现场安全操作提出了重大挑战。穿孔作为建立井筒与储层之间有效通道的关键步骤，提高了油气开发效率并增加了井产量和回收率。随着穿孔技术向高密度穿孔、增加爆炸药量和更深穿透力发展，冲击载荷也随之增加，引发了许多关于管柱安全的问题。现场实践表明，准确计算穿孔冲击载荷可以优化穿孔参数和管柱组装设计，从而提高井筒稳定性并促进安全的穿孔操作（Baumann等人，2012年；Ding等人，2024年）。

关于穿孔冲击载荷的研究主要集中在实验、数值模拟和经验公式方法上。穿孔实验需要昂贵的爆炸材料、测试设备、大型实验室和专业人员，导致成本高昂且存在安全风险（Sun等人，2002年）。数值模拟方法可以得出准确的穿孔冲击载荷，但它们需要建模、参数配置和网格划分，以及大量的计算资源（Lee，2002年；Jin等人，2011年；Cao等人，2011年；Feng等人，2013年；Liu等人，2019年；Cole，1948年）。经验公式方法源自爆炸行业，利用公式来计算穿孔冲击载荷。例如，Chen等人（2010年）基于军事专业知识，利用经验公式计算了密封容器内的爆炸压力。Dou等人（2012年）计算了不同穿孔底孔长度和穿孔比下的穿孔冲击载荷。Deng等人（2019年）从能量转换的角度出发，假设一定比例的穿孔爆炸能量转化为井筒流体的内能增加，从而导致井筒压力上升。目前的经验公式依赖于特定领域的知识和各种假设来计算穿孔冲击载荷，可以初步分析影响冲击载荷的因素。然而，这些公式无法处理复杂的穿孔输入参数，其计算结果往往与现场测量数据存在显著偏差。

人工神经网络（ANN）的发展为计算穿孔冲击载荷提供了一种新的方法。与传统方法相比，ANN可以从原始数据中自动提取特征，从而捕捉和建模非线性关系，减少了对特定领域知识的依赖。此外，ANN在处理涉及多个参数的复杂问题时表现良好。目前，ANN已在石油和天然气工程的各个领域得到应用（Alkinani等人，2019年；Otchere等人，2021年；Rao等人，2020年）。例如，Singh等人（2019年）利用离散小波变换（DWT）和ANN预测了输送管道中乙二醇、原油和气体的体积比，取得了比传统方法更高的预测精度。Sagheer和Kotb（2019年）使用深度长短期记忆（DLSTM）循环网络预测了油田产量，在中国和印度的两个油田取得了积极的结果。Fath等人（2020年）使用多层感知器（MLP）神经网络和径向基函数（RBF）神经网络预测了原油系统的气油比。Sun和Ertekin（2020年）利用高保真数值模拟模型生成的合成生产历史数据开发了基于人工神经网络的代理模型。Gamal等人（2021年）利用ANN和自适应神经模糊推理系统（ANFIS）基于钻井数据预测了等效循环密度。Kumar Pandey等人（2022年）结合遗传算法（GA）优化和ANN自动识别和描述了均质储层，分类准确率超过79%。在这些研究中，ANN展示了强大的学习能力，在钻井和储层工程中取得了积极的结果。然而，目前在穿孔冲击载荷研究领域中，人工智能方法的应用仍然不足。

因此，本文旨在弥补现有穿孔冲击载荷计算方法的不足。我们采用数值模拟方法对井下穿孔冲击载荷进行建模和计算，生成了一个穿孔数据集。利用Optuna优化框架和卷积神经网络（CNN），构建了一种改进的井下穿孔冲击载荷计算方法。这种方法旨在提供更准确可靠的穿孔冲击载荷计算，为安全的穿孔操作提供有力支持。

章节片段

穿孔建模

由于大规模穿孔实验的成本高昂，以及观察爆炸冲击波传播特性和管材动态响应的难度，本节建立了一个有限元模型来模拟穿孔操作。数值模拟结果可以提取穿孔管材的机械参数和爆炸产生的冲击载荷，为后续章节提供数据基础。

数据准备

在实际条件下，井下穿孔压力受到许多因素的影响，如穿孔参数、井筒条件和地层环境。对现有穿孔压力经验公式的分析（表4）表明，在给定穿孔药量性能和井下穿孔管材结构的情况下，穿孔冲击载荷主要与五个因素有关：总爆炸重量、初始井筒压力、井筒爆炸

卷积神经网络

卷积神经网络（CNN）是一种前馈神经网络，结合了卷积计算，并具有深层结构（Gu等人，2018年；LeCun等人，2015年）。它们的设计灵感来自人类视觉系统的运作原理，从感知局部特征（如边缘和纹理）开始，逐步过渡到抽象的高级概念（Fukushima，1980年；Dara和Tumma，2018年）。它们独特的架构

开发的Optuna-CNN代理模型的应用

为了验证Optuna-CNN，选择了三种穿孔冲击载荷的经验公式（表7），通过两个示例井的测量数据进行比较。

示例井1位于中国南海西北部，采用管材输送穿孔（TCP）技术。穿孔参数如下：井深1295米，地层压力12兆帕，人工底孔长度36.06米。使用的穿孔枪型号为178，外径为

结论

基于数值模拟方法和多次计算，本文建立了一个数据集，其中包含了在不同总爆炸重量、初始井筒压力、井筒爆炸体积、 detonation间隔和地层压力下的穿孔冲击载荷。使用Optuna框架对CNN模型进行超参数优化，从而开发了用于计算穿孔冲击载荷峰值的Optuna-CNN代理模型。

CRediT作者贡献声明

乔登：写作——审稿与编辑、资金获取、概念化、方法论、数据整理。桂林琪：方法论、形式分析、可视化、概念化、初稿撰写、调查。姜家东：写作——审稿与编辑、方法论、可视化。杨东：监督、验证、资源提供。

利益声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了极地地质与海洋矿产资源国家重点实验室（中国地质大学，北京）开放基金项目（项目编号：PGMR-2024-106）和湖北省自然科学基金（编号：2022CFB700）的支持。