基于云端大數(shù)據(jù)的智能導向鉆井技術方法*

底青云 李守定 付長民 吳思源 王嘯天

(①中國科學院地質(zhì)與地球物理研究所，中國科學院頁巖氣與地質(zhì)工程重點實驗室，北京 100029，中國)(②中國科學院地質(zhì)與地球物理研究所，中國科學院深地資源裝備技術工程實驗室，北京 100029，中國)(③中國科學院地球科學研究院，北京 100029，中國)(④中國科學院大學，地球與行星科學學院，北京 100049，中國)

0 引 言

石油天然氣是重要的戰(zhàn)略物資和工業(yè)資源，我國國民經(jīng)濟的快速發(fā)展對石油天然氣生產(chǎn)始終保持高需求度，2019年我國石油對外依存度達到70%以上(劉朝全等，2019)。提高油氣產(chǎn)量，尤其是實現(xiàn)非常規(guī)等復雜油氣藏開發(fā)對保障我國經(jīng)濟發(fā)展和能源安全具有重要意義(劉洪林等，2009;鄒才能等，2010;賈承造等，2012)。導向鉆井技術方法是21世紀全球石油工業(yè)最重要的技術進步之一，也是美國“頁巖氣革命”核心技術水平鉆井的關鍵組成部分。導向鉆井技術包括旋轉(zhuǎn)導向鉆井技術和隨鉆測井技術，是實現(xiàn)深層非常規(guī)等復雜油氣藏開發(fā)最先進的鉆井技術之一。旋轉(zhuǎn)導向技術可有效控制井眼軌跡，使鉆頭沿著特定方向鉆達地下預定目標，隨鉆測井系統(tǒng)相當井下設備的“千里眼”，能夠隨時將鉆進沿途井下地質(zhì)數(shù)據(jù)反饋至地面，用于優(yōu)化鉆井作業(yè)和地層評價，兩種技術相結(jié)合能夠極大提升作業(yè)效率、降低工程風險。

當前，導向鉆井的主要研究目標是提高鉆井速度、降低鉆井時間和風險，智能化是目標實現(xiàn)的重要途徑。物聯(lián)網(wǎng)、大數(shù)據(jù)、云平臺和人工智能等前沿技術賦能各行各業(yè)的數(shù)字化轉(zhuǎn)型，數(shù)字化轉(zhuǎn)型成為油氣企業(yè)應對低油價挑戰(zhàn)、實現(xiàn)高質(zhì)量發(fā)展的重要手段(高志亮等，2015;馬濤等，2020;王同良，2020)。面對能源革命的新趨勢，智能導鉆工程必須要有效利用上述技術，推動石油開發(fā)向數(shù)字化、智能化轉(zhuǎn)型。石油和天然氣行業(yè)具有海量數(shù)據(jù)資源，包括不同類型和復雜程度的巖性、構(gòu)造多元異構(gòu)的大數(shù)據(jù)體，收集國外有關數(shù)據(jù)以形成油氣“大數(shù)據(jù)鏈”，可以從中提取、挖掘出具有創(chuàng)新價值的核心信息(Baaziz et al.，2014;Staff，2015;滕吉文等，2016;Feng et al.，2019;徐鵬等，2020)?；诖髷?shù)據(jù)和人工智能等前沿技術的智能鉆井技術，有望實現(xiàn)鉆井過程的超前探測、智能導向、閉環(huán)控制和智能決策，從而大幅提高油氣井產(chǎn)量和采收率，降低鉆井成本(李根生等，2020;李劍峰，2020;李陽等，2020)。

目前，國內(nèi)外各大石油公司和油服公司紛紛開展了基于大數(shù)據(jù)和人工智能的平臺建設(Korovin et al.，2016;匡立春等，2021)。英國石油公司開發(fā)了Sandy平臺集成上下游業(yè)務，實現(xiàn)決策自動化。斯倫貝謝和道達爾合作開發(fā)了DELFI云平臺，綜合管理開發(fā)勘探、開發(fā)、存儲和管道項目。國內(nèi)中石油和華為合作，開發(fā)了夢想云平臺(杜金虎等，2020;馬濤等，2020)，中石化和阿里巴巴合作，開發(fā)了油田智云工業(yè)互聯(lián)網(wǎng)平臺，中海油開發(fā)了智能油田技術平臺。利用物聯(lián)網(wǎng)和云平臺技術，實現(xiàn)石油行業(yè)的大數(shù)據(jù)上云，利用人工智能助力決策，打造云端智能導向一體化指揮平臺是實現(xiàn)油氣行業(yè)數(shù)字化轉(zhuǎn)型發(fā)展的方向(Hassani et al.，2018)。因此，本文提出一種依托物聯(lián)網(wǎng)，利用云平臺，使用大數(shù)據(jù)和人工智能等技術的前沿智能導向鉆井技術方法，并開展了相關算法的研究。

1 云端大數(shù)據(jù)智能導向鉆井方法架構(gòu)

基于云端大數(shù)據(jù)智能導向鉆井方法架構(gòu)主要包括3層：物聯(lián)網(wǎng)感知層，大數(shù)據(jù)存儲層和云平臺決策層，系統(tǒng)架構(gòu)如圖1所示。其中：物聯(lián)網(wǎng)感知層處于最底層，實現(xiàn)井場關鍵信息的采集和傳輸，借助現(xiàn)有4G/5G/衛(wèi)星等通訊設施，將井場數(shù)據(jù)直接上傳至大數(shù)據(jù)中心。大數(shù)據(jù)中心構(gòu)建大統(tǒng)一數(shù)據(jù)庫，支持結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)存儲，將以前分散在各個井場和技術人員工作站中的數(shù)據(jù)統(tǒng)一入云管理，為構(gòu)建人工智能訓練網(wǎng)絡提供數(shù)據(jù)基礎。云平臺決策層依托大數(shù)據(jù)中心的海量數(shù)據(jù)，包含云端地面軟件、人工智能決策以及云平臺管理等軟件子系統(tǒng)。云端地面軟件系統(tǒng)，用于對井下實時上傳的泥漿數(shù)據(jù)或者電磁信號進行解碼，實時獲取鉆井軌跡和測井曲線，同時將解碼后的數(shù)據(jù)存儲至大數(shù)據(jù)中心。人工智能決策模塊基于大數(shù)據(jù)中心的海量數(shù)據(jù)和自研的機器學習算法，實現(xiàn)地下巖性智能預測和存儲物性智能反演，識別儲層和孔隙度、滲速率、飽和度等關鍵儲層參數(shù)，進而實現(xiàn)鉆井軌跡智能修正和鉆井參數(shù)智能優(yōu)化，保證智能導向工程鉆得準、鉆得快。云端管理相當于云平臺的“管家”，用于保障用戶安全管理和對相關設備和軟件進行統(tǒng)一配置。

圖1 智能導向云平臺架構(gòu)Fig.1 Intelligent-oriented cloud platform architecture

(1)物聯(lián)網(wǎng)感知。鉆井工程離不開各種傳感器數(shù)據(jù)，脈沖壓力傳感器接收泥漿脈沖壓力波動用于井下數(shù)據(jù)的解碼和譯碼。指令下傳器用于和井下工具通訊，更新井下工具鉆進指令。鉆壓、轉(zhuǎn)速、排量等傳感器用于實時監(jiān)測鉆井關鍵參數(shù)，是保障井下工具正常工作和鉆井安全的重要手段。物聯(lián)網(wǎng)技術可以實現(xiàn)利用傳感器對現(xiàn)場進行信息采集，通過網(wǎng)絡直接發(fā)送到云端大數(shù)據(jù)中心。井場數(shù)據(jù)通過物聯(lián)網(wǎng)發(fā)送至云端之后，遠程專家可以通過電腦或移動端實時查看不同區(qū)塊的不同井場的多種數(shù)據(jù)。

(2)大數(shù)據(jù)中心。現(xiàn)有作業(yè)方式下，每個專業(yè)需要各自的數(shù)據(jù)采集和處理流程，不同處理系統(tǒng)之間的數(shù)據(jù)相對封閉，形成“數(shù)據(jù)孤島”，不同系統(tǒng)之間難以進行數(shù)據(jù)的連接互動?！皵?shù)據(jù)孤島”持續(xù)制約著石油工業(yè)研發(fā)與施工各個環(huán)節(jié)的交互連接，導致后端工程施工結(jié)果不能動態(tài)反饋給地質(zhì)部門，油藏模型得不到及時修正，造成大量的投資浪費。針對同一油氣藏工作，由于選用的參數(shù)值不一致，不同單位的研究結(jié)果缺乏縱向一致性和橫向可比性(匡立春等，2021)。將井場物聯(lián)網(wǎng)感知模塊所得到各種數(shù)據(jù)，包括實時壓力波形數(shù)據(jù)，實時鉆井參數(shù)數(shù)據(jù)等，通過高速傳輸網(wǎng)絡，實時上傳至云平臺大數(shù)據(jù)中心，以現(xiàn)有井場地面系統(tǒng)數(shù)據(jù)庫為基礎，在云平臺建立起大統(tǒng)一數(shù)據(jù)庫，支持結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)存儲，將所有區(qū)塊的井數(shù)據(jù)進行統(tǒng)一存儲，打破“數(shù)據(jù)孤島”。數(shù)據(jù)可以通過底層物聯(lián)網(wǎng)上傳、由云端地面軟件系統(tǒng)實時解碼存儲，由用戶登陸云平臺數(shù)據(jù)中心系統(tǒng)上傳等方式獲取。

(3)云平臺決策。該模塊包括云端地面軟件系統(tǒng)、人工智能決策系統(tǒng)以及云端管理系統(tǒng)，云平臺數(shù)據(jù)流如圖2所示。

圖2 云平臺數(shù)據(jù)流Fig.2 Cloud platform data flow

隨鉆測井作業(yè)是一項復雜的工程，地面軟件系統(tǒng)是此項工程中重要的工具。地面軟件系統(tǒng)負責井場現(xiàn)場的工作管理，負責解碼地面?zhèn)鞲衅鲾?shù)據(jù)和井下儀器測量數(shù)據(jù)，獲得來自于井下工具的狀態(tài)指示信息以及地層測量數(shù)據(jù)信息，從而掌握井下工具的工作狀態(tài)，得到井下工具采集的地質(zhì)信息。專家對獲得的井場現(xiàn)場數(shù)據(jù)進行分析處理解釋，指導工作現(xiàn)場，可達到大幅降低鉆井成本、有效提高鉆井效益的目的。

現(xiàn)有地面系統(tǒng)軟件為單機操作，獨立運行。井場工程師利用此套地面軟件系統(tǒng)在現(xiàn)場進行操作，采集隨鉆測井數(shù)據(jù)。在需要向外傳輸數(shù)據(jù)時連接服務器，通過國際標準的WITS或者WITSML協(xié)議，將隨鉆測井的相關數(shù)據(jù)、鉆井相關數(shù)據(jù)進行遠程傳輸，遠程專家在對數(shù)據(jù)進行處理分析后，利用電話等方式，與井場現(xiàn)場進行溝通。

本架構(gòu)中云端地面軟件系統(tǒng)將隨鉆測井工程中各種應用軟件上云，采用云上解碼，云上顯示和云上導向。該軟件從大數(shù)據(jù)中心獲取實時脈沖數(shù)據(jù)，利用解碼算法模塊進行云解碼，得到實時井斜、方位和深度信息，得到實時地質(zhì)信息，包括伽馬、電阻率、密度和孔隙度信息，將工程信息和測井參數(shù)曲線云端實時顯示。人工智能決策系統(tǒng)以大數(shù)據(jù)中心為支撐，基于大數(shù)據(jù)中心的海量數(shù)據(jù)，利用深度學習技術以及大幅提升的計算力，研究人工智能在智能導向工程中的應用。通過構(gòu)建訓練集數(shù)據(jù)，訓練具有不同功能的網(wǎng)絡模型，經(jīng)過訓練后的模型存儲在云平臺上，用戶可以直接調(diào)用，用戶將物聯(lián)網(wǎng)感知模塊上傳的實時數(shù)據(jù)以及先驗知識輸入人工智能預測模型進行決策判斷，根據(jù)決策判斷的結(jié)果指導智能導向安全高效進行，降低成本和風險，提高復雜油氣藏的開發(fā)能力。云端管理系統(tǒng)則用于統(tǒng)一進行權(quán)限管理、配置管理、日志管理以及井場視頻管理等。

2 隨鉆測井參數(shù)智能反演與識別

深層復雜的地質(zhì)環(huán)境導致鉆井風險高、成本大、周期長，給旋轉(zhuǎn)導向帶來了極大的不確定性。亟需認識深部地層特性，掌握深部高溫高壓鉆井工程影響因素、鉆進響應特征規(guī)律。其中：巖性識別是鉆井實時監(jiān)控的重要研究內(nèi)容。通過巖性識別將儲層巖石進行適當定義和分類，結(jié)合油藏數(shù)值模擬模型即可獲得儲層的真正動態(tài)特性。綜合利用測井資料確定巖性，對油氣勘探和測井解釋有十分重要的意義。不同的儲集層具有不同的物性、含油性和地球物理特征，因此測井解釋的某些規(guī)律也因巖性的不同而有所差異。在此認識的基礎上，主要研究了深部鉆遇地層巖性分類，從大量無序的地球物理、地質(zhì)錄井信息中，運用機器學習的方法找出特征并進行分類預測，為構(gòu)建巖石數(shù)據(jù)庫提供物理機制與參數(shù)基礎。

目前國內(nèi)外學者在利用測井數(shù)據(jù)進行巖性識別方面的研究成果豐碩。如交會圖法可以根據(jù)與取芯井巖芯資料對比校正后的圖版，較為準確地識別多種巖性在交會點的坐標，從而看出各種巖性的分界和所分布的區(qū)域，實現(xiàn)巖性識別(范宜仁等，1999)。但交會圖法不能進行全井段的巖性識別，且耗時較長、人為因素大。同時地下情況復雜和非均質(zhì)性較強，測井數(shù)據(jù)之間經(jīng)常呈現(xiàn)極強的非線性關系，數(shù)據(jù)間的映射關系也極為復雜，應用傳統(tǒng)方法的效果較差。神經(jīng)網(wǎng)絡模型可以進行測井資料的巖性識別，經(jīng)過訓練和測試，驗證了神經(jīng)網(wǎng)絡模型在巖性識別中是行之有效的，但神經(jīng)網(wǎng)絡中存在的過擬合、局部極小化問題、收斂速度慢等缺點(Zhu et al.，2018)。支持向量機算法在巖性識別中的可行性和有效性，并且運用支持向量機模型在巖性識別中取得了較好的效果。但支持向量機是一種有堅實理論基礎的小樣本學習方法，若面對成千上萬甚至更多的測井數(shù)據(jù)點，其優(yōu)勢不能得到很好的發(fā)揮(Al-anazi et al.，2010)。所以提出了在進行巖性剖面預測的過程中根據(jù)決策樹(Quinlan，1986)和隨機森林(Breiman，2001;方匡南等，2011)的優(yōu)缺點，靈活運用以得到精度最高、泛化能力最強的模型。

基于國內(nèi)某井的地質(zhì)錄井資料和地球物理測井資料，進行巖性分類預測。全井共下5層套管，在第5次開鉆時，即超深層段發(fā)生了井漏，由于在鉆進過程中加入了大量隨鉆堵漏材料，巖屑代表性極差，真巖屑極少。根據(jù)錄井油氣顯示，該層段屬于儲層，該層段地質(zhì)資料的全面性對后續(xù)開采有至關重要的作用。重新鉆井再進行錄井往往需要很高的成本，對于已經(jīng)實現(xiàn)完井操作的井眼，重新進行巖屑錄井難以實現(xiàn)。為了節(jié)約成本，可以采用多種方法直接利用已有測井數(shù)據(jù)人工生成錄井剖面，從而補全缺失井段信息。

具體實現(xiàn)過程，首先利用本區(qū)塊內(nèi)已有的測井曲線作為輸入，巖性剖面作為輸出并行訓練生成模型。然后對于新鉆探的超深井，基于實測的測井曲線，自動生成巖性剖面。這種人工巖性剖面成本較低、耗時較短，容易得到大規(guī)模的應用，有利于進行區(qū)塊乃至盆地級別的評估與分析。針對缺少巖屑錄井剖面的區(qū)塊，也可以考慮結(jié)合遷移學習的方法，利用其他區(qū)塊訓練獲得的模型進行預測分析。研究路線如圖3所示。

圖3 研究路線Fig.3 Research route

在中國華南區(qū)域多源多尺度地質(zhì)、地球物理數(shù)據(jù)分析的基礎上(Di et al.,2021)，通過收集，共整理了不同區(qū)塊且深度不同的測井資料及部分錄井、巖芯資料，選取了測井資料、錄井資料、巖芯資料齊全超深層段組成了深部地層巖性分類的數(shù)據(jù)集。選取自然電位(SP)、自然伽馬(GR)、密度(DEN)、聲波(AC)、補償中子(CNL)、電阻率(RT)等6個測井參數(shù)作為輸入。同時將巖性剖面數(shù)據(jù)化，如表1所示。并結(jié)合錄井資料進行深度校正，將巖性分為7類，作為輸出。

由于測井儀器不是一次性下測，且不同的測井儀器取點間距不同，所以需要將所有測井曲線校正到同一取點深度間隔。例如，聲波的取點間距是其他測井曲線的兩倍，則采取的辦法是舍棄其他測井曲線一半的采樣點，使聲波測井曲線與其他測井曲線具有相同的采樣間隔且在同樣的深度點取點。既保證了地層地球物理參數(shù)的真實性，又便于在模型建立時其他參考資料的統(tǒng)一。

2.1 數(shù)據(jù)清洗與標準化

數(shù)據(jù)清洗與標準化是構(gòu)建準確度較高模型的先決條件。模型的輸入與輸出之間應該存在正確的地球物理關系，這樣建立出來的模型才能進行正確的預測。所以在模型之前，應該先檢驗各參數(shù)之間的關系。調(diào)用python中seaborn庫，將自然電位、自然伽馬、密度、聲波、補償中子、電阻率等6個測井參數(shù)值在每類巖性上的分布情況進行可視化，以便對樣本數(shù)據(jù)集有更好的掌握。小提琴圖(Violin Plot)用于顯示數(shù)據(jù)分布及其概率密度。這種圖表結(jié)合了箱形圖和密度圖的特征，主要用來顯示數(shù)據(jù)的分布形狀。中間的黑色粗條表示四分位數(shù)范圍，從其延伸的幼細黑線代表95%置信區(qū)間，而白點則為中位數(shù)(圖4)?？梢暬瘓D橫坐標是巖性分類類別，縱坐標是測井參數(shù)值。圖中某一錐形表達可以看出，橫向分布越寬則代表此巖性類別對應的縱坐標(即測井參數(shù)值)數(shù)量越多。

圖4 測井參數(shù)與巖性分布情況Fig.4 Logging parameters and lithology distribution

2.2 構(gòu)建模型

首先，構(gòu)建決策樹來進行預測。將數(shù)據(jù)集分為訓練集、測試集，且訓練集數(shù)據(jù)與測試集數(shù)據(jù)比值為3︰1。決策樹是一種非常引人注目、可解釋極強的分類方法。通過可視化一棵樹，可以了解如何通過將分類規(guī)則分解成一系列關于數(shù)據(jù)特征的問題來進行預測，圖5即為該模型可視化后的決策樹。

圖5 決策樹模型Fig.5 Decision tree model

為了尋求更高的準確度，進一步采用隨機森林的方法構(gòu)建模型。隨機森林是近年來提出的一種融合二叉決策樹的集成學習算法。隨機森林方法有良好的抗噪、抗異常值性能，不容易出現(xiàn)過擬合現(xiàn)象。由于生成決策樹的過程是獨立的，隨機森林在處理大數(shù)據(jù)的時候便于進行并行運算，尤其是在對高維度數(shù)據(jù)進行分類的時候，隨機森林速度快、精度高、穩(wěn)定性好的特點得到更明顯的體現(xiàn)，適用于地球物理測井數(shù)據(jù)對巖性分類，其有效性得到了驗證。在地球物理學領域，現(xiàn)有研究利用不同的機器學習方法對地震圖像進行濾波處理、對測井曲線缺失段進行預測、對巖性進行識別。雖然方法各異，但過擬合問題、準確度和泛化能力較低的問題仍較為突出。針對以上問題，在超深層井中應用隨機森林的方法進行巖性分類預測。

2.3 檢驗模型的準確度

構(gòu)建上述模型后，通過構(gòu)建決策樹模型預測的準確率是0.81，而隨機森林模型預測準確率是0.89。選定電阻率和密度作為最優(yōu)特征對巖性進行分類。進一步地，將預測過程進行可視化：輸出預測值，并與原始預測集中的真實值進行對比。如圖6所示，可以看到左圖是直接用模型輸出的預測值與真實值進行對比分析，在虛線框中具有非常好的預測性。右圖是將模型輸出的預測值按四舍五入的方法取整之后再與真實值進行對比分析，虛線框內(nèi)同樣具有良好的相關性。

圖6 預測值與真實值對比Fig.6 Comparison of predicted value and true value

最后，繪制了數(shù)字數(shù)據(jù)集的隨機森林分類器的學習曲線(圖7)。降低過擬合現(xiàn)在最好的方法就是擴大訓練樣本數(shù)量，從學習曲線中可以清楚地看到訓練出一個最精準的模型所需樣本數(shù)量的情況。從隨機森林分類器的學習曲線可以看出：訓練得分在開始時非常高并且隨著樣本量的增加而降低，并且交叉驗證得分在開始時非常低并且隨著樣本量的增加而增加。最終精度穩(wěn)定在0.85～0.90之間。所以可以進一步通過增加訓練樣本來增加驗證分數(shù)，降低過擬合現(xiàn)象。

圖7 隨機森林模型的學習曲線Fig.7 The learning curve of the random forest model

3 云端管理決策平臺

云端平臺管理決策主要用于井下實時上傳的泥漿數(shù)據(jù)或者電磁信號進行解碼，實時獲取鉆井軌跡和測井曲線，同時將解碼后的數(shù)據(jù)存儲至大數(shù)據(jù)中心。人工智能決策模塊基于大數(shù)據(jù)中心的海量數(shù)據(jù)和自研的深度學習算法，實現(xiàn)地下巖性智能預測和存儲物性智能反演，識別儲層和孔隙度、滲透率、飽和度等關鍵儲層參數(shù)，進而實現(xiàn)鉆井軌跡智能修正和鉆井參數(shù)智能優(yōu)化，保證智能導向工程鉆得準、鉆得快。云端管理相當于云平臺的“管家”，用于保障用戶安全管理和對相關設備和軟件進行統(tǒng)一配置。

云端服務管理包括鑒權(quán)與授權(quán)云服務系統(tǒng)、配置管理、日志管理云服務模塊和井場實時視頻系統(tǒng)(白凱等，2017)。傳統(tǒng)的智能導向軟件系統(tǒng)與井下硬件儀器結(jié)合緊密，其操作涉及到儀器系統(tǒng)的機密技術，因此需要嚴格細致的權(quán)限劃分功能?，F(xiàn)有技術鑒權(quán)系統(tǒng)也安裝在本地，采用固定的用戶名及密碼登陸，當電腦系統(tǒng)故障或者受到木馬入侵，將可能導致賬戶丟失或被竊取，影響作業(yè)進度，危及技術安全，無法滿足復雜安全的權(quán)限需求，且遠程基地無法控制井場現(xiàn)場的用戶登陸，存在技術泄露風險。

通過部署在云端的鑒權(quán)與授權(quán)云服務系統(tǒng)，本地機器可以不再保存賬戶信息，防止因忘記密碼、系統(tǒng)崩潰、木馬入侵等原因影響現(xiàn)場作業(yè)進度。具有權(quán)限的管理員可遠程登陸至鑒權(quán)與授權(quán)云服務系統(tǒng)進行用戶權(quán)限的設置，包括用戶的添加、刪除、用戶密碼的修改、用戶的角色和權(quán)限設置。智能導向系統(tǒng)軟件模塊眾多，功能復雜，在系統(tǒng)運行時需專業(yè)人員對系統(tǒng)進行配置，從而完成相關功能?，F(xiàn)有技術需專人到現(xiàn)場操作配置，時間與資金成本大且效率低，高度依賴現(xiàn)場工程師個人經(jīng)驗水平。

配置管理云服務模塊基于鑒權(quán)與授權(quán)云服務系統(tǒng)提供的權(quán)限功能，配置管理員可遠程登陸至配置管理云服務系統(tǒng)，在系統(tǒng)中選擇相應的井場對應的地面軟件系統(tǒng)，進行系統(tǒng)配置。地面軟件系統(tǒng)登陸后，向配置管理云服務申請其配置文件，地面軟件系統(tǒng)根據(jù)獲得的配置文件對其本身進行配置，配置內(nèi)容包括：地面?zhèn)鞲衅髋渲梦募④浖到y(tǒng)的配置文件、顯示模板配置、測井儀器庫配置、默認的儀器參數(shù)配置、儀器功能測試配置文件、儀器刻度文件配置、單位制配置文件和泥漿解碼算法配置文件。

現(xiàn)有智能導向軟件系統(tǒng)僅支持測井、鉆井相關數(shù)據(jù)的遠程傳輸，無法將軟件系統(tǒng)運行日志等相關數(shù)據(jù)外傳。由于系統(tǒng)的復雜性，測井數(shù)據(jù)結(jié)果受現(xiàn)場操作影響，遠程專家無法獲得軟件操作日志等信息，無法監(jiān)控地面軟件處理數(shù)據(jù)的過程是否正確，僅利用智能導向軟件系統(tǒng)處理之后的井場測井數(shù)據(jù)進行分析處理，無法從源頭上排查錯誤數(shù)據(jù)，從而影響遠程數(shù)據(jù)分析的準確性。

日志管理云服務模塊基于鑒權(quán)與授權(quán)云服務系統(tǒng)，相關日志管理員可遠程登陸。地面軟件系統(tǒng)運行時，連接日志管理云服務模塊，并上傳系統(tǒng)產(chǎn)生的相關日志，日志管理員可實時采集獲得來自于各井場的地面軟件系統(tǒng)日志信息，日志包括：軟件系統(tǒng)基本運行日志、軟件操作日志、模塊訪問日志和軟件錯誤日志，遠程專家可從源頭上監(jiān)控地面軟件數(shù)據(jù)處理過程。

井場實時視頻系統(tǒng)包括安裝在井架上的攝像機以及井場上空飛行的無人機。井架攝像機負責對井口現(xiàn)場的施工視頻進行實時記錄，無人機負責對井場的整體狀態(tài)進行記錄，兩者錄制的視頻經(jīng)井場視頻系統(tǒng)實時傳輸?shù)皆破脚_數(shù)據(jù)中心中，作為遠程決策系統(tǒng)中視頻監(jiān)控模塊的數(shù)據(jù)源。

4 結(jié) 論

分析了國內(nèi)外大數(shù)據(jù)與人工智能在石油工業(yè)應用情況，建立了云端大數(shù)據(jù)智能導向鉆井方法架構(gòu)，提出了隨鉆測井參數(shù)人工智能反演與識別方法，指出了云端大數(shù)據(jù)與智能算法管理的實現(xiàn)途徑，結(jié)論如下：

(1)基于云端大數(shù)據(jù)智能導向鉆井方法主要包括物聯(lián)網(wǎng)感知層、大數(shù)據(jù)存儲層和云平臺決策層。物聯(lián)網(wǎng)感知層實現(xiàn)井場關鍵信息的采集并傳輸至大數(shù)據(jù)中心；大數(shù)據(jù)中心支持數(shù)據(jù)存儲與云管理；云平臺決策層依托大數(shù)據(jù)中心的海量數(shù)據(jù)，進行云端地面軟件控制、人工智能決策以及云平臺管理。

(2)采用機器學習的方法智能反演與識別地層巖性，選擇自然電位、自然伽馬、密度、聲波、補償中子、電阻率等6條隨鉆測井數(shù)據(jù)，分別采用不同的機器學習算法進行地層巖性反演與識別，決策樹模型和隨機森林模型分別達到0.81和0.89的準確度，形成了一套可快速自動描述巖性特性分類的方案。

(3)云端平臺管理決策主要用于井下實時上傳數(shù)據(jù)解碼，獲取鉆井軌跡和測井曲線，云端人工智能決策模塊對地層及鉆井參數(shù)進行智能反演預測，實現(xiàn)鉆井軌跡智能修正和鉆井參數(shù)智能優(yōu)化，保證智能導向工程鉆的準、鉆的快。