大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井方法

吳思源， 李守定*， 陳冬， 李曉， 杜愛民， 張瑩

1 中國科學(xué)院頁巖氣與地質(zhì)工程重點(diǎn)實(shí)驗(yàn)室， 中國科學(xué)院地質(zhì)與地球物理研究所， 北京 100029 2 行星與地球科學(xué)學(xué)院， 中國科學(xué)院大學(xué)， 北京 100049 3 中國科學(xué)院地球科學(xué)研究院， 北京 100029 4 中國科學(xué)院深地資源裝備技術(shù)工程實(shí)驗(yàn)室， 中國科學(xué)院地質(zhì)與地球物理研究所， 北京 100029 5 油氣資源與探測(cè)國家重點(diǎn)實(shí)驗(yàn)室， 中國石油大學(xué)(北京)， 北京 102249

0 引言

石油與天然氣是國際戰(zhàn)略資源，是國民經(jīng)濟(jì)發(fā)展的“血液”.隨著國內(nèi)外油氣勘探開發(fā)力度進(jìn)一步加大、鉆井深度進(jìn)一步加深，高效開發(fā)深層超深層油氣資源是實(shí)現(xiàn)中國能源接替戰(zhàn)略的首要任務(wù)，也是當(dāng)前和未來油氣勘探開發(fā)的重點(diǎn)和熱點(diǎn)，但目前深層油氣勘探開發(fā)仍面臨系列挑戰(zhàn)(劉光鼎，2005；賈承造和龐雄奇，2015).由于深井超深井地層情況復(fù)雜，井下復(fù)雜事故頻發(fā)，建井周期長(zhǎng)，鉆完井成本高，降低了油氣開發(fā)的技術(shù)性和經(jīng)濟(jì)性，智能化是解決以上問題的重要途徑(底青云等，2021).在我國塔里木盆地、準(zhǔn)噶爾盆地、四川盆地及柴達(dá)木盆地等地區(qū)，分布著眾多的深井超深井，其勘探開發(fā)的進(jìn)程受到勘探科技水平約束.因此，提出了一種大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井方法的架構(gòu)設(shè)計(jì)，并開展了相關(guān)算法的初探.

地質(zhì)導(dǎo)向技術(shù)與旋轉(zhuǎn)導(dǎo)向技術(shù)是目前鉆井領(lǐng)域自動(dòng)化程度最高的鉆井方法，可以有效提高油氣鉆遇率、鉆進(jìn)效率和井眼質(zhì)量.該方法依賴高效的井地?cái)?shù)據(jù)傳輸，通過專家遠(yuǎn)程分析上傳數(shù)據(jù)判斷鉆井作業(yè)狀態(tài)，可及時(shí)優(yōu)化鉆井決策.現(xiàn)有井地?cái)?shù)據(jù)傳輸主要使用的方法是泥漿脈沖法(房軍和蘇義腦，2004)，把鉆柱內(nèi)流動(dòng)的鉆井液作為傳輸介質(zhì)，以編碼壓力脈沖或波的形式傳輸信息.然而，隨著井深的增加，泥漿脈沖信號(hào)會(huì)不斷衰減.因此，在深井超深井中，高效的數(shù)據(jù)傳輸面臨著巨大的困難(Berro and Reich，2019).目前解決方法有以下兩種：一種是采用有線鉆桿等新型數(shù)據(jù)傳輸技術(shù)，保障在深井超深井條件下井地?cái)?shù)據(jù)傳輸效率；另一種是采用大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井方法，利用人工智能(Artificial Intelligence，AI)方法提高鉆井智能化水平，使其具有自主決策能力，以減少對(duì)數(shù)據(jù)傳輸和人類專家的依賴.要實(shí)現(xiàn)大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)，需要完成兩個(gè)部分的無人化自主預(yù)測(cè)：一是利用隨鉆測(cè)井實(shí)時(shí)感知，并快速智能地對(duì)儲(chǔ)層進(jìn)行評(píng)價(jià)，為數(shù)據(jù)融合與閉環(huán)控制策略提供物理機(jī)制與參數(shù)基礎(chǔ)；二是利用鉆井工程參數(shù)對(duì)鉆進(jìn)過程中機(jī)械鉆速進(jìn)行預(yù)測(cè)和優(yōu)化，為綜合優(yōu)快鉆井提供可靠的數(shù)據(jù)保障.

縱向分辨率較高、連續(xù)性較好的地球物理測(cè)井參數(shù)在油藏描述中具有重要作用.在儲(chǔ)層評(píng)價(jià)中，地球物理測(cè)井綜合解釋可解決兩類問題：一類是通過地球物理測(cè)井曲線對(duì)地層進(jìn)行劃分，即地層中油氣水層的判別、不同巖性的劃分等分類問題；另一類是利用地球物理測(cè)井曲線求取地層的物性參數(shù)，如孔隙度、滲透率、飽和度等回歸問題(雍世和和張超謨，1996).隨著計(jì)算機(jī)技術(shù)的發(fā)展和地質(zhì)行業(yè)數(shù)據(jù)量的爆炸式增長(zhǎng)，人工智能技術(shù)在油氣勘探開發(fā)領(lǐng)域中應(yīng)用非常廣泛.Wu和Nyland(1987)認(rèn)為人工智能可以將地質(zhì)因素納入地層分層解釋中，故采用了一個(gè)簡(jiǎn)單的迭代線性回歸模型來識(shí)別界面，并用啟發(fā)式算法過濾得到分層.劉爭(zhēng)平和何永富(1995)應(yīng)用人工神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network)建立了地球物理測(cè)井參數(shù)與地層參數(shù)的關(guān)系，克服了傳統(tǒng)地球物理測(cè)井解釋方法中所遇到的高度復(fù)雜非線性建模困難的問題.王淑盛等(2004)改進(jìn)了傳統(tǒng)K近鄰方法，提出了加權(quán)K近鄰的方法利用地球物理測(cè)井?dāng)?shù)據(jù)進(jìn)行巖性識(shí)別.近年來，隨著深度學(xué)習(xí)的發(fā)展應(yīng)用，在地球物理學(xué)領(lǐng)域中也引入了深度學(xué)習(xí)的方法.張吉昌等(2005)利用神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)結(jié)合模糊邏輯的方法，以地球物理測(cè)井資料為輸入?yún)?shù)進(jìn)行裂縫識(shí)別研究.許滔滔等(2020)利用LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)，對(duì)大地電磁工頻干擾進(jìn)行有效壓制，從而提高了數(shù)據(jù)處理質(zhì)量.目前利用人工智能方法對(duì)儲(chǔ)層進(jìn)行評(píng)價(jià)的研究很多，但大多都是針對(duì)一個(gè)參數(shù)進(jìn)行預(yù)測(cè)，并且預(yù)測(cè)準(zhǔn)確率和泛化能力差異較大，沒有形成統(tǒng)一的理論體系.所以本研究嘗試了多種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，通過地球物理測(cè)井參數(shù)來預(yù)測(cè)儲(chǔ)層物性參數(shù)，對(duì)比不同算法的優(yōu)劣，為大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)中鉆進(jìn)環(huán)境感知模塊提供參數(shù)基礎(chǔ).

鉆井過程中大部分工作是破碎巖石，從而達(dá)到增加井深的目的.在安全、成功、高效的鉆進(jìn)目標(biāo)下，提高機(jī)械鉆速是目前超深井鉆井的迫切需求(孫金聲等，2009；陳平，2005).劉向君等(2005)結(jié)合地球物理測(cè)井資料和其他巖石物理參數(shù)提出了一個(gè)地層可鉆性模型，可以在現(xiàn)場(chǎng)進(jìn)行快速實(shí)時(shí)的可鉆性預(yù)測(cè).范翔宇等(2007)利用地震資料，運(yùn)用數(shù)理統(tǒng)計(jì)方法模擬和優(yōu)選出了地震層速度與機(jī)械鉆速之間的定量計(jì)算模型.林元華等(2005)借鑒三牙輪鉆頭仿真理論，建立了沖擊器動(dòng)力學(xué)模型和機(jī)械鉆速仿真模型，并預(yù)測(cè)出空氣沖旋轉(zhuǎn)鉆井機(jī)械鉆速.Bybee(2006)針對(duì)鉆頭、動(dòng)力鉆具以及底部鉆具組合，提出了提高機(jī)械鉆速的方法.本研究將機(jī)器學(xué)習(xí)算法引入到利用鉆井工程參數(shù)預(yù)測(cè)機(jī)械鉆速中，并獲得了較好的結(jié)果，為大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)中智能決策模塊提供了鉆進(jìn)參數(shù)優(yōu)化的依據(jù).

本文在提出大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井方法的基礎(chǔ)上，采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，對(duì)大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)架構(gòu)的鉆進(jìn)環(huán)境感知模塊、鉆進(jìn)參數(shù)智能決策模塊開展詳細(xì)研究，為深井超深井導(dǎo)向鉆井提供了解決方案.既體現(xiàn)了該系統(tǒng)架構(gòu)的可行性，也為系統(tǒng)內(nèi)其他環(huán)節(jié)的實(shí)現(xiàn)提供了參考實(shí)例，符合自動(dòng)化鉆井朝著智能化鉆井發(fā)展的歷史趨勢(shì).

1 大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井方法架構(gòu)

隨著鉆井朝著4500 m以深的深層超深層發(fā)展，復(fù)雜的地質(zhì)條件對(duì)油氣儲(chǔ)層的刻畫、井眼軌跡的設(shè)計(jì)及控制提出了更高的要求.深層超深層井型越來越復(fù)雜，泥漿信號(hào)傳輸速率受限，導(dǎo)致井下地質(zhì)導(dǎo)向等數(shù)據(jù)很難實(shí)時(shí)傳到井場(chǎng)，使井場(chǎng)鉆井及遠(yuǎn)程控制滯后，增加了鉆出儲(chǔ)層風(fēng)險(xiǎn)和深層超深層鉆井的成本.因此，對(duì)于深層超深層鉆井，發(fā)展智能鉆井方法，實(shí)現(xiàn)井下自主探測(cè)、自主決策、自主控制、自主鉆進(jìn)的智能控制鉆井技術(shù)，是未來深層油氣高效開發(fā)的必由之路(劉清友，2009).

大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井方法，基于地質(zhì)模態(tài)、鉆進(jìn)策略和導(dǎo)向策略建立導(dǎo)向知識(shí)庫，實(shí)現(xiàn)井下油氣藏甜點(diǎn)的智能探測(cè)識(shí)別，自主智能鉆進(jìn)，這將是未來地下能源無人化智能開發(fā)的前沿技術(shù).井下自主智能鉆進(jìn)須構(gòu)建新的技術(shù)方法與實(shí)現(xiàn)路徑，圖1構(gòu)建了一種大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)架構(gòu)，將旋轉(zhuǎn)導(dǎo)向、地質(zhì)導(dǎo)向、隨鉆地震、電磁前探、隨鉆測(cè)量、信號(hào)傳輸、自動(dòng)鉆機(jī)等技術(shù)集成于一體，通過人工智能評(píng)價(jià)與決策，實(shí)現(xiàn)井下自主智能鉆進(jìn).該系統(tǒng)架構(gòu)分為鉆進(jìn)感知、智能決策與大閉環(huán)控制3個(gè)部分：

圖1 大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)架構(gòu)Fig.1 Global closed-loop servo control of intelligent-while-drilling steering system framework

(1)鉆進(jìn)感知模塊.包括隨鉆測(cè)量、地質(zhì)導(dǎo)向、電磁前探和隨鉆地震.隨鉆測(cè)量工具獲取鉆頭定位信息，地質(zhì)導(dǎo)向獲取井周地層特性與參數(shù)，電磁前探和隨鉆地震探測(cè)獲取鉆頭前方地層與結(jié)構(gòu)信息，具體而言：①隨鉆測(cè)量工具，獲取地磁方位、重力井斜等參數(shù)確定鉆頭的空間坐標(biāo)與姿態(tài)，實(shí)現(xiàn)井軌跡實(shí)時(shí)計(jì)算.這些參數(shù)輸入到大閉環(huán)控制模塊中的數(shù)字閉環(huán)伺服控制器，作為鉆井軌道控制目標(biāo)，同時(shí)也作為智能決策模塊中軌道鉆進(jìn)參數(shù)智能修正的初始參數(shù).②地質(zhì)導(dǎo)向通過方位聲波電磁波成像、電阻率成像、方位聲波成像、核磁共振與地層測(cè)試等技術(shù)獲取井周地層的地球物理測(cè)井參數(shù)，感知井周地層特性.這些參數(shù)將傳入智能決策模塊的參數(shù)智能反演，為鉆進(jìn)決策提供依據(jù).③電磁前探和隨鉆地震能對(duì)鉆頭前方地層進(jìn)行超前探測(cè)，獲得地層巖性、結(jié)構(gòu)及地質(zhì)力學(xué)相關(guān)特性.這些參數(shù)將傳入智能決策模塊進(jìn)行參數(shù)智能反演，為自主確定鉆進(jìn)軌道提供依據(jù).

(2)智能決策模塊.包括預(yù)設(shè)軌道參數(shù)、預(yù)設(shè)鉆進(jìn)參數(shù)、參數(shù)智能反演和軌道鉆進(jìn)參數(shù)智能修正部分.該模塊是智能鉆進(jìn)的“大腦”，依據(jù)智能感知系統(tǒng)獲取的信息和先驗(yàn)知識(shí)輸入AI預(yù)測(cè)模型進(jìn)行決策判斷，并根據(jù)預(yù)測(cè)結(jié)果對(duì)軌道和鉆進(jìn)策略進(jìn)行智能修正，及時(shí)調(diào)整鉆進(jìn)方向和速度.決策方法主要包括有限狀態(tài)機(jī)模型、強(qiáng)化學(xué)習(xí)、決策樹模型、神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)等.①預(yù)設(shè)軌道參數(shù)，是鉆井初始軌道參數(shù)序列.在區(qū)塊井場(chǎng)地質(zhì)、地球物理與前期鉆井資料形成的三維地質(zhì)模型基礎(chǔ)上，形成的鉆井設(shè)計(jì)預(yù)設(shè)軌道參數(shù)，是參數(shù)智能修正的基礎(chǔ)軌道參數(shù).②預(yù)設(shè)鉆進(jìn)參數(shù)，是鉆井的初始鉆進(jìn)工程參數(shù).在軌道參數(shù)的基礎(chǔ)上，結(jié)合地層特性與結(jié)構(gòu)參數(shù)，形成的鉆井設(shè)計(jì)預(yù)設(shè)鉆進(jìn)機(jī)械與水力參數(shù)，是參數(shù)智能修正的基礎(chǔ)鉆進(jìn)參數(shù).③參數(shù)智能反演，根據(jù)鉆進(jìn)感知的探邊與前探數(shù)據(jù)，通過人工智能算法模型反演井周與鉆頭前方地層巖性與物性參數(shù)，實(shí)時(shí)分辨油、氣、水層和前方地層的結(jié)構(gòu)特性，建立儲(chǔ)層的地質(zhì)模型并對(duì)鉆頭前方的地層特性和油氣甜點(diǎn)進(jìn)行評(píng)價(jià).④軌道鉆進(jìn)參數(shù)智能修正.在地質(zhì)模型的基礎(chǔ)上，利用地層參數(shù)智能反演結(jié)果生成新的預(yù)設(shè)鉆井軌道參數(shù)和預(yù)設(shè)鉆進(jìn)參數(shù)，然后輸入AI模型對(duì)軌道鉆進(jìn)參數(shù)進(jìn)行智能修正，使鉆頭鉆進(jìn)軌道不脫離儲(chǔ)層，有效地穿過儲(chǔ)層甜點(diǎn)，更安全快速地完成鉆進(jìn)任務(wù).

(3)大閉環(huán)伺服控制模塊.包括數(shù)字閉環(huán)伺服控制器，旋轉(zhuǎn)導(dǎo)向、鉆頭、自動(dòng)鉆機(jī)等部分，是智能鉆井的執(zhí)行模塊.數(shù)字閉環(huán)伺服控制器，是鉆進(jìn)策略與軌道執(zhí)行的“中樞”，它根據(jù)智能決策模塊中修正后的軌道和鉆進(jìn)參數(shù)，結(jié)合井斜和方位計(jì)算偏執(zhí)力，將偏執(zhí)力矢量信號(hào)傳輸?shù)叫D(zhuǎn)導(dǎo)向執(zhí)行轉(zhuǎn)向，使旋轉(zhuǎn)導(dǎo)向前方的鉆頭實(shí)現(xiàn)偏轉(zhuǎn).同時(shí)，數(shù)字閉環(huán)伺服控制器還將鉆進(jìn)參數(shù)組模式信號(hào)通過泥漿脈沖傳輸?shù)骄畧?chǎng)自動(dòng)鉆機(jī)，自動(dòng)鉆機(jī)根據(jù)接收到的鉆進(jìn)參數(shù)組模式信號(hào)，調(diào)整鉆壓、轉(zhuǎn)速、泵壓和泵量等鉆進(jìn)參數(shù)，合理調(diào)整鉆頭的鉆進(jìn)速度.隨鉆測(cè)量工具和地質(zhì)導(dǎo)向在鉆頭鉆進(jìn)過程中，將記錄的井斜、方位和機(jī)械鉆速、鉆頭位置等參數(shù)反饋到數(shù)字閉環(huán)伺服控制器，由此實(shí)現(xiàn)了鉆頭鉆進(jìn)與轉(zhuǎn)向兩個(gè)鉆進(jìn)指標(biāo)的大閉環(huán)伺服控制.

圖2為大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)軟硬件智能測(cè)控關(guān)系，鉆頭后方從前到后分別為旋轉(zhuǎn)導(dǎo)向、地質(zhì)導(dǎo)向、隨鉆測(cè)量工具，地質(zhì)導(dǎo)向?qū)崿F(xiàn)井周和鉆頭前方地層的地球物理特性探測(cè)，獲得鉆頭井周地層情況；這些井周與鉆頭前方的位置和特性參數(shù)，作為軌跡和鉆進(jìn)參數(shù)智能修正的輸入條件，經(jīng)過軌跡與鉆進(jìn)參數(shù)修正，使鉆頭鉆進(jìn)軌道不脫離儲(chǔ)層；修正后的軌道和鉆進(jìn)參數(shù)輸入到閉環(huán)控制器，閉環(huán)控制器將這些參數(shù)作為伺服目標(biāo)，經(jīng)過伺服控制計(jì)算，向旋轉(zhuǎn)導(dǎo)向發(fā)送偏執(zhí)力信號(hào)，旋轉(zhuǎn)導(dǎo)向執(zhí)行鉆頭轉(zhuǎn)向，通過泥漿脈沖向井場(chǎng)鉆機(jī)發(fā)送鉆進(jìn)模式信號(hào)，鉆機(jī)按照預(yù)定好的鉆進(jìn)模式設(shè)定鉆進(jìn)工程與水力參數(shù)進(jìn)行鉆進(jìn)，地質(zhì)導(dǎo)向和隨鉆測(cè)量中的定位模塊將鉆頭位置返回到數(shù)字閉環(huán)伺服控制器，伺服控制器根據(jù)鉆頭位置反饋進(jìn)行誤差計(jì)算，調(diào)整新的偏執(zhí)力與鉆進(jìn)模態(tài)分別發(fā)送到旋轉(zhuǎn)導(dǎo)向和井場(chǎng)鉆機(jī)，獨(dú)立完成鉆頭鉆進(jìn)與轉(zhuǎn)向的閉環(huán)伺服測(cè)控.上述大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)井下工具組合與信號(hào)傳輸關(guān)系見圖3.

圖2 大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)軟硬件智能測(cè)控關(guān)系Fig.2 Measurement and control technique between software and hardware of global closed-loop servo control of intelligent-while-drilling steering system

圖3 大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)井下工具組合與信號(hào)傳輸Fig.3 Downhole tool combination and signal transmission of global closed-loop servo control of intelligent-while-drilling steering system

2 鉆進(jìn)環(huán)境感知智能反演算法

鉆進(jìn)感知算法決定了感知信息的利用程度與利用效率，是大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)中獲取地層信息的重要模塊.利用地球物理測(cè)井技術(shù)獲取地層地球物理測(cè)井參數(shù)，建立適當(dāng)?shù)乃惴P(guān)系，將其轉(zhuǎn)化為如巖性、孔隙度、滲透率、含水飽和度、泥質(zhì)含量等地質(zhì)信息，根據(jù)這些信息能科學(xué)地評(píng)價(jià)鉆遇地層并智能優(yōu)化預(yù)設(shè)的鉆進(jìn)參數(shù)，也能為井眼軌道智能規(guī)劃和導(dǎo)鉆決策控制提供數(shù)據(jù)支撐.井地信息雙向傳輸能力弱和井下閉環(huán)控制算法不足，是制約深井超深井智能鉆井系統(tǒng)鉆進(jìn)感知能力的主要因素.嘗試不同的機(jī)器學(xué)習(xí)算法構(gòu)建地層特性預(yù)測(cè)模型，進(jìn)行地球物理測(cè)井參數(shù)反演，為軌道鉆進(jìn)參數(shù)智能修正提供依據(jù).

首先進(jìn)行數(shù)據(jù)準(zhǔn)備.在綜合分析中國華南多源多尺度地質(zhì)和地球物理數(shù)據(jù)得到的理論背景下(Di et al., 2021)，收集地球物理測(cè)井參數(shù)和巖性、物性等參數(shù)組成數(shù)據(jù)集，數(shù)據(jù)來源于已完成勘探開發(fā)的區(qū)塊且該數(shù)據(jù)集所在區(qū)塊的錄井和地球物理測(cè)井等地質(zhì)資料較為齊全，保證了數(shù)據(jù)的有效性和正確性.根據(jù)國內(nèi)外各大石油公司目前隨鉆測(cè)井儀器的技術(shù)水平，選取自然伽馬GR、聲波AC、密度DEN、中子CNL、電阻率RT等5個(gè)地球物理測(cè)井參數(shù)作為輸入.選取通過地球物理測(cè)井解釋后得到的巖性、孔隙度、滲透率、飽和度、泥質(zhì)含量等物性參數(shù)作為輸出，輸出參數(shù)按數(shù)據(jù)類型分為：屬于分類問題的巖性識(shí)別和屬于回歸問題的孔隙度、滲透率、飽和度、泥質(zhì)含量預(yù)測(cè)等.

由于數(shù)據(jù)集來自西部地區(qū)某區(qū)塊的不同井次，地球物理測(cè)井參數(shù)和解釋參數(shù)的側(cè)重點(diǎn)有所差異，故需要對(duì)數(shù)據(jù)集進(jìn)行基礎(chǔ)的數(shù)據(jù)清洗，即對(duì)一些缺失數(shù)據(jù)、異常點(diǎn)和分類數(shù)據(jù)進(jìn)行處理.針對(duì)缺失數(shù)據(jù)：若是局部缺失，主要通過鄰點(diǎn)插值的方法補(bǔ)全缺失點(diǎn)數(shù)據(jù)，若是缺失層段較長(zhǎng)，則刪除對(duì)應(yīng)深度所有參數(shù)值以保證數(shù)據(jù)集的真實(shí)性.地層性質(zhì)隨著地層深度的增加變得越來越復(fù)雜，時(shí)常有異常點(diǎn)出現(xiàn).根據(jù)地質(zhì)錄井資料、鉆井報(bào)告等查詢?cè)撋疃仍诳碧竭^程中是否出現(xiàn)過事故，判斷該異常點(diǎn)是否能真實(shí)反映地層性質(zhì)，對(duì)該異常點(diǎn)進(jìn)行合理取舍.

地層發(fā)育的連續(xù)性使得儲(chǔ)層巖性分布具有漸變性，因此在試驗(yàn)中巖性的劃分非常精細(xì).由于分類類別過多會(huì)使支持向量機(jī)的訓(xùn)練和測(cè)試計(jì)算量大大提高，故選擇粉砂質(zhì)泥巖、細(xì)砂巖、泥巖、泥質(zhì)粉砂巖4類巖性作為標(biāo)簽進(jìn)行訓(xùn)練，分別記為1、2、3、4，方便后續(xù)數(shù)據(jù)處理與分析.

隨鉆測(cè)井工具獲得的參數(shù)較多，但有些參數(shù)相關(guān)性不大，由于數(shù)據(jù)集維數(shù)較大時(shí)會(huì)增加分類器的計(jì)算量，應(yīng)該去掉這部分特征，以增加分析任務(wù)的有效性，從而提高模型精度、減少運(yùn)行時(shí)間. 在建立物性參數(shù)與地球物理測(cè)井參數(shù)之間關(guān)系矩陣時(shí)，引入信息熵(Kolter and Maloof，2004)的概念，通過計(jì)算得到特征屬性的重要程度.增強(qiáng)熱圖是一種能很好反映各特征重要性程度以及特征之間相關(guān)性的表現(xiàn)方法，可以從大量無序的地球物理測(cè)井參數(shù)找出與預(yù)測(cè)值相關(guān)性較高的特征.以孔隙度為例，引入增強(qiáng)熱圖直觀表示各地球物理測(cè)井參數(shù)與孔隙度之間的關(guān)系，兩者相關(guān)性越大圖中的數(shù)值越趨近于1，相關(guān)性越低數(shù)值越趨近于0.具體實(shí)現(xiàn)流程如下：首先設(shè)置關(guān)系矩陣的框架格式，并調(diào)用某區(qū)塊超深井?dāng)?shù)據(jù)集中的5個(gè)地球物理測(cè)井參數(shù)列以及孔隙度列. 引入sns.heatmap函數(shù)，對(duì)函數(shù)內(nèi)的參數(shù)進(jìn)行設(shè)置，即可實(shí)現(xiàn)用顏色編碼的矩陣來繪制矩形數(shù)據(jù)-熱力圖. 最后得到孔隙度與地球物理測(cè)井參數(shù)之間的關(guān)系矩陣，如圖4所示，與孔隙度相關(guān)性較高的地球物理測(cè)井曲線有密度、聲波、中子，符合地球物理測(cè)井原理.

圖4 孔隙度與地球物理測(cè)井參數(shù)之間的關(guān)系矩陣Fig.4 The relationship matrix between porosity and logging parameters

2.1 巖性識(shí)別智能算法

巖性識(shí)別是儲(chǔ)層評(píng)價(jià)和油藏描述的重要研究?jī)?nèi)容，同時(shí)也是鉆進(jìn)感知需要獲取的基礎(chǔ)參數(shù).在劃分層位、地層對(duì)比時(shí)，僅從巖屑錄井來判斷巖性分類往往是不夠的.地球物理測(cè)井曲線中包含豐富的地層信息，不同地球物理測(cè)井曲線對(duì)巖性和地層的區(qū)分程度不同.其中，自然伽馬、自然電位、巖石體積密度等常規(guī)地球物理測(cè)井曲線常作為巖性分層的依據(jù)(馬海等，2009).地球物理測(cè)井曲線是判斷、解釋巖性剖面的主要依據(jù)，但是由于地下儲(chǔ)層非均質(zhì)性很高，地球物理測(cè)井參數(shù)與巖性的對(duì)應(yīng)關(guān)系大多是非線性關(guān)系.目前使用較多的傳統(tǒng)巖性識(shí)別方法，如：交會(huì)圖法、地質(zhì)統(tǒng)計(jì)學(xué)方法，其準(zhǔn)確率和效率主要取決于人的經(jīng)驗(yàn)，可靠性無法得到保證.

支持向量機(jī)算法被廣泛應(yīng)用于巖性識(shí)別中，但得到的識(shí)別率和泛化能力差異較大.通過巖心取樣和錄井剖面獲得的巖性是較為可靠的，但由于花費(fèi)較大，往往只在儲(chǔ)層段或具有研究?jī)r(jià)值的目的層段取心，數(shù)據(jù)量相對(duì)較小.所以相對(duì)于孔隙度、滲透率、飽和度等物性參數(shù)的預(yù)測(cè)回歸任務(wù)，巖性分類屬于小樣本數(shù)據(jù)學(xué)習(xí).由于支持向量機(jī)更適合對(duì)非線性小樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)且具有優(yōu)秀的泛化性能，故采用該算法對(duì)巖性進(jìn)行分類.通過學(xué)習(xí)分類尋找并建立不同巖性切分的超平面，再根據(jù)現(xiàn)場(chǎng)隨鉆測(cè)井測(cè)得的地球物理測(cè)井資料自動(dòng)劃分鉆遇地層的巖性.

支持向量機(jī)在1995年被正式提出(Cortes and Vapnik，1995)，是一種非常強(qiáng)大和多功能的基于線性判別函數(shù)的有監(jiān)督模型.其思想如下：能將訓(xùn)練樣本劃分開的超平面有很多，但只有位于兩類訓(xùn)練樣本正中心的超平面使得正負(fù)例之間的間隔最大化，在這個(gè)超平面上的數(shù)據(jù)稱為支持向量(周志華，2016).

支持向量機(jī)算法在本質(zhì)上與地球物理測(cè)井解釋的思想一致，尋找確定不同巖性數(shù)據(jù)的邊界，即通過學(xué)習(xí)分類尋找并建立將不同巖性切分的超平面，再根據(jù)現(xiàn)場(chǎng)隨鉆測(cè)井測(cè)得的地球物理測(cè)井資料自動(dòng)劃分鉆遇地層的巖性.針對(duì)巖性樣本數(shù)量較少、分類標(biāo)簽復(fù)雜度較低的情況，選擇一對(duì)一的多類分類支持向量機(jī)(Multi-class Support Vector Machines，MSVM)來解決此分類問題.決策采用投票法，每個(gè)分類器都對(duì)類別進(jìn)行判斷并投票，未知樣本的類別輸出是得票數(shù)最多的那一類別(Krepel，1999；薛寧靜，2011).二分類支持向量機(jī)可以通過最小二乘法來尋找決策超平面(Gestel et al., 2004；Sengur，2009；Adankon and Cheriet，2009).二分類支持向量機(jī)的核函數(shù)選擇常用的是高斯徑向基核函數(shù)，核參數(shù)σ二進(jìn)間隔取值范圍為2-10～210.通過核函數(shù)，可將低維空間中非線性的數(shù)據(jù)映射為高維或無限維空間中近似線性關(guān)系的數(shù)據(jù)，然后進(jìn)行求解.

收集了某區(qū)塊的地球物理測(cè)井?dāng)?shù)據(jù)共368組，在同一深度具有相對(duì)應(yīng)的巖性數(shù)據(jù)，在判別巖性時(shí)可以相互驗(yàn)證、互為依據(jù).將數(shù)據(jù)集按4∶1的比例分為訓(xùn)練集、測(cè)試集，為模型的建立及測(cè)試提供數(shù)據(jù)基礎(chǔ).根據(jù)從隨鉆測(cè)井常測(cè)的參數(shù)中選出自然伽馬、電阻率、密度、聲波、中子等5條地球物理測(cè)井曲線，對(duì)其進(jìn)行歸一化后作為巖性預(yù)測(cè)的輸入.然后，引入支持向量機(jī)模型來構(gòu)建預(yù)測(cè)模型. 模型的參數(shù)設(shè)置如下：支持向量機(jī)懲罰因子C=1.0和核函數(shù)參數(shù)Gamma=28.594，核函數(shù)選擇的是RBF kernel，分類策略是ovo(one v one)，即類別兩兩之間進(jìn)行劃分，用二分類方法模擬多分類的結(jié)果.巖性識(shí)別結(jié)果見圖5，左圖是通過錄井資料實(shí)測(cè)的真實(shí)巖性剖面，右圖是此次試驗(yàn)中構(gòu)建的支持向量機(jī)模型預(yù)測(cè)的巖性剖面. 分析巖性分類結(jié)果可知，砂泥巖互層的地層主要靠泥質(zhì)含量進(jìn)行區(qū)分.結(jié)果顯示，該模型對(duì)細(xì)砂巖和泥巖的識(shí)別能力較強(qiáng)，而對(duì)于粉砂質(zhì)泥巖和泥質(zhì)粉砂巖或其互層的地層識(shí)別能力相對(duì)較弱.模型在訓(xùn)練集中得到了87.34%的準(zhǔn)確率，在測(cè)試集上得到了86.08%的準(zhǔn)確率.

圖5 支持向量機(jī)算法預(yù)測(cè)巖性對(duì)比剖面圖Fig.5 Comparison of lithology section predicted by SVM algorithm

2.2 儲(chǔ)層物性智能反演算法

孔隙度、滲透率、飽和度和泥質(zhì)含量是評(píng)價(jià)儲(chǔ)集層油氣儲(chǔ)集能力的基本物性參數(shù)，受埋藏深度、儲(chǔ)層構(gòu)造、沉積環(huán)境、成巖作用等多種地質(zhì)因素的影響，這些參數(shù)與地球物理測(cè)井參數(shù)之間是典型的多參數(shù)非線性映射關(guān)系.充分利用多種地球物理測(cè)井參數(shù)對(duì)孔隙度、滲透率、飽和度參數(shù)進(jìn)行綜合預(yù)測(cè)，對(duì)勘探開發(fā)具有十分重要的意義.以孔隙度為例，介紹利用地球物理測(cè)井?dāng)?shù)據(jù)構(gòu)建回歸模型預(yù)測(cè)孔隙度，并推廣到其他儲(chǔ)層物性參數(shù)的預(yù)測(cè)方法.

2.2.1 隨機(jī)森林

隨機(jī)森林(Random Forest)是一種統(tǒng)計(jì)學(xué)習(xí)理論，以決策樹為基學(xué)習(xí)器，通過對(duì)每個(gè)基學(xué)習(xí)器的預(yù)測(cè)值進(jìn)行投票或者求平均值得出最終預(yù)測(cè)結(jié)果的一種方法.作為一種機(jī)器學(xué)習(xí)理論，隨機(jī)森林是集成學(xué)習(xí)的一個(gè)擴(kuò)展變體(Breiman，1996，2001).與集成學(xué)習(xí)中只通過樣本擾動(dòng)的方法實(shí)現(xiàn)基學(xué)習(xí)器的“多樣性”(通過對(duì)初始訓(xùn)練集采樣)不同，隨機(jī)森林中基學(xué)習(xí)器的多樣性除了來自樣本擾動(dòng)，還來自屬性擾動(dòng)，使得個(gè)體學(xué)習(xí)器之間的差異程度增加，從而使最終集成的模型泛化性進(jìn)一步提高.隨機(jī)森林算法邏輯簡(jiǎn)單、計(jì)算開銷低，在許多任務(wù)實(shí)現(xiàn)中表現(xiàn)出強(qiáng)大的性能.

收集到某區(qū)塊的處理后數(shù)據(jù)3642組，按3∶1的比例將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，用于模型的訓(xùn)練和測(cè)試.通過特征選擇，選擇輸入樣本特征與巖性識(shí)別相同，即對(duì)孔隙度敏感的密度、中子、聲波，反映巖層泥質(zhì)含量的自然伽馬，以及包含豐富的巖層滲透率和飽和度信息的電阻率曲線(劉爭(zhēng)平和何永富，1995).通過以下步驟實(shí)現(xiàn)孔隙度預(yù)測(cè)：向建立好的隨機(jī)森林中輸入一個(gè)新樣本(訓(xùn)練集)；隨機(jī)森林中的每棵決策樹都可以獨(dú)立地做出判斷；將所有回歸決策樹輸出值的平均值作為預(yù)測(cè)值進(jìn)行輸出；將訓(xùn)練完成的模型應(yīng)用在測(cè)試集上驗(yàn)證其性能，并調(diào)整參數(shù).實(shí)際試驗(yàn)調(diào)用RandomForestRegressor函數(shù)構(gòu)建模型，函數(shù)內(nèi)部的參數(shù)設(shè)置為：nestimators=4，criterion=‘mse’，randomstate=3，njobs=-1. 試驗(yàn)結(jié)果顯示，應(yīng)用隨機(jī)森林算法進(jìn)行孔隙度預(yù)測(cè)，在測(cè)試集上得到了97.39%的準(zhǔn)確率.同樣的，應(yīng)用隨機(jī)森林算法對(duì)滲透率、飽和度和泥質(zhì)含量進(jìn)行預(yù)測(cè)，得到的準(zhǔn)確率分別是93.22%、91.05%、96.53%，真實(shí)值與預(yù)測(cè)值的對(duì)比見圖6.基于隨機(jī)森林算法的孔隙度、滲透率和飽和度的預(yù)測(cè)結(jié)果與真實(shí)值具有良好的相關(guān)性，表明了隨機(jī)森林算法預(yù)測(cè)孔隙度、滲透率和飽和度的有效性和實(shí)用性.在預(yù)測(cè)精度得到保證的情況下，應(yīng)用隨機(jī)森林算法預(yù)測(cè)儲(chǔ)層參數(shù)的時(shí)間大大縮短，節(jié)省了時(shí)間成本.

圖6 儲(chǔ)層參數(shù)預(yù)測(cè)結(jié)果對(duì)比圖Fig.6 Comparison of reservoir parameters prediction results

2.2.2 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的機(jī)器學(xué)習(xí)算法在很多儲(chǔ)層評(píng)價(jià)和表征的實(shí)例中都能得到很好的結(jié)果，但由于訓(xùn)練數(shù)據(jù)量較小和傳統(tǒng)機(jī)器學(xué)習(xí)算法自身的局限性，導(dǎo)致了很多模型泛化能力不足，即訓(xùn)練好的模型不能應(yīng)用于更廣泛的地區(qū).而這時(shí)擁有著更強(qiáng)泛化能力的深度學(xué)習(xí)算法就可以取得更好的效果.許多專家學(xué)者采用深度學(xué)習(xí)的方法對(duì)地球物理測(cè)井?dāng)?shù)據(jù)進(jìn)行分析預(yù)測(cè).針對(duì)地球物理測(cè)井?dāng)?shù)據(jù)量較大的問題，循環(huán)神經(jīng)網(wǎng)絡(luò)暴露了梯度消失和梯度爆炸的問題，導(dǎo)致無法利用時(shí)間較為靠前的數(shù)據(jù)，Hochreiter和Schmidhuber(1997)提出了長(zhǎng)短期記憶LSTM循環(huán)神經(jīng)網(wǎng)絡(luò).Zhang等(2018a)將LSTM方法運(yùn)用于地球物理測(cè)井曲線的補(bǔ)全和人工測(cè)井的生成，有利于更好的認(rèn)識(shí)地層并改進(jìn)鉆井策略，從而達(dá)到油氣開發(fā)降本增效的目的.安鵬等(2019)運(yùn)用LSTM的方法，利用地球物理測(cè)井參數(shù)對(duì)儲(chǔ)層的物性參數(shù)進(jìn)行預(yù)測(cè).Zhang(2018b)運(yùn)用LSTM的方法預(yù)測(cè)地下水位深度，獲得了比傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)更好的R2得分.

針對(duì)孔隙度反演，在Keras框架下實(shí)現(xiàn)，Keras是基于Theano和TensorFlow等底層框架實(shí)現(xiàn)的高層框架，該框架提供了許多用于快速訓(xùn)練和測(cè)試網(wǎng)絡(luò)的高級(jí)接口. 本次試驗(yàn)構(gòu)建了一個(gè)包含6個(gè)隱層的深度神經(jīng)網(wǎng)絡(luò)模型，數(shù)據(jù)通過MinMaxScaler的方式進(jìn)行了預(yù)處理，輸入?yún)?shù)為DEN、CNL、AC、GR、RT. 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法使用Adagrad算法，激勵(lì)函數(shù)使用ReLU函數(shù)，最后使用了Softmax層進(jìn)行輸出. 試驗(yàn)中構(gòu)建的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)框架見圖7.訓(xùn)練模型除了包含循環(huán)神經(jīng)網(wǎng)絡(luò)外部結(jié)構(gòu)基本的循環(huán)外，LSTM還存在內(nèi)部的“單元”循環(huán)(自循環(huán)).具體地，LSTM和普通的循環(huán)網(wǎng)絡(luò)相似之處在于每個(gè)單元都具有相同的輸入和輸出，但增加了控制信息流動(dòng)的門控單元系統(tǒng)和更多的參數(shù)設(shè)置.

圖7框架中最重要的組成部分是狀態(tài)單元ct，保證信息不變地流過整個(gè)RNNs.第一個(gè)自環(huán)的權(quán)重(或相關(guān)聯(lián)的時(shí)間常數(shù))由遺忘門(Forget Gate)ft控制是否丟棄ct-1中的信息，是線性自環(huán).具體操作為sigmoid單元將權(quán)重設(shè)置為0和1之間的值，控制細(xì)胞狀態(tài)ct-1的信息.因此LSTM細(xì)胞內(nèi)部狀態(tài)更新，其中有一個(gè)條件的自環(huán)權(quán)重ft：

圖7 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)框架Fig.7 LSTM recurrent neural network framework

ft=σ(ωifxt+bif+ωhfht-1+bhf).

(1)

it=σ(ωiixt+bii+ωhiht-1+bhi),

(2)

(3)

(4)

輸出門(Output Gate)ot控制著LSTM細(xì)胞信息的輸出ht(使用Sigmoid單元作為門控)，ht為當(dāng)前隱藏層向量，包含所有LSTM細(xì)胞信息的輸出，xt為當(dāng)前輸入向量：

ot=σ(ωioxt+bio+ωhoht-1+bho),

(5)

ht=ot⊙tanh(ct).

(6)

數(shù)據(jù)共有14666組，選擇前10000組數(shù)據(jù)進(jìn)行LSTM模型訓(xùn)練，利用后4666組數(shù)據(jù)進(jìn)行測(cè)試，在訓(xùn)練集上得到的結(jié)果和實(shí)際孔隙度的對(duì)比見圖8.可以明顯看出預(yù)測(cè)的孔隙度和實(shí)際的孔隙度十分接近，在測(cè)試集上預(yù)測(cè)結(jié)果的準(zhǔn)確率為95.4%，均方根誤差RMSE=0.0261，RMSE是方差的算術(shù)平方根，能反映一個(gè)數(shù)據(jù)集的離散程度.與隨機(jī)森林算法相比，LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)算法在構(gòu)建孔隙度預(yù)測(cè)模型時(shí)的數(shù)據(jù)量遠(yuǎn)大于隨機(jī)森林，最終模型的泛化能力也高于隨機(jī)森林算法，能應(yīng)用于更多區(qū)塊的油藏評(píng)價(jià).所以，隨著大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)的不斷完善和發(fā)展，油氣田勘探開發(fā)獲取的數(shù)據(jù)量暴增，深度學(xué)習(xí)算法在預(yù)測(cè)能力和泛化能力上比機(jī)器學(xué)習(xí)更有優(yōu)勢(shì).

圖8 基于LSTM的孔隙度預(yù)測(cè)結(jié)果對(duì)比圖Fig.8 Comparison of porosity prediction results by LSTM

3 鉆進(jìn)參數(shù)智能決策算法

智能決策的主要任務(wù)是根據(jù)感知到的地層信息進(jìn)行全局鉆井參數(shù)優(yōu)化和鉆井設(shè)計(jì)，并根據(jù)鉆頭實(shí)時(shí)的定位信息進(jìn)行實(shí)時(shí)鉆進(jìn)參數(shù)智能優(yōu)化和軌道參數(shù)智能修正，是大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)的決策中心.鉆井參數(shù)包括機(jī)械破巖參數(shù)與水力參數(shù)，通過AI模型確定最佳鉆井參數(shù)組合，實(shí)現(xiàn)優(yōu)質(zhì)高效鉆進(jìn).軌道規(guī)劃參數(shù)需要根據(jù)預(yù)設(shè)軌道參數(shù)與隨鉆測(cè)量數(shù)據(jù)，通過AI模型進(jìn)行智能修正，使軌道不偏離儲(chǔ)層，并穿越更多的地質(zhì)甜點(diǎn).

3.1 鉆進(jìn)參數(shù)智能決策

國內(nèi)深井超深井鉆井技術(shù)起步較晚，但深井?dāng)?shù)量和機(jī)械鉆速都在不斷提高(汪海閣和鄭新權(quán)，2005).機(jī)械鉆速預(yù)測(cè)的發(fā)展大體經(jīng)歷了三個(gè)階段(林元華等，2004)：(1)收集現(xiàn)場(chǎng)的鉆井工程數(shù)據(jù)，通過統(tǒng)計(jì)學(xué)的方法構(gòu)建機(jī)械鉆速方程；(2)考慮鉆頭結(jié)構(gòu)、地層力學(xué)性質(zhì)和鉆井工程參數(shù)等因素的經(jīng)驗(yàn)公式；(3)在實(shí)驗(yàn)室數(shù)據(jù)的基礎(chǔ)上，建立與鉆井過程有關(guān)的鉆井仿真數(shù)值模型.隨著計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)械鉆速預(yù)測(cè)的準(zhǔn)確性和速度有了顯著提高.

本文提出了基于隨機(jī)森林的機(jī)械鉆速預(yù)測(cè)方法，根據(jù)機(jī)械鉆速預(yù)測(cè)模型確定最優(yōu)鉆進(jìn)工程與水力參數(shù).首先，收集鉆進(jìn)工程數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，大部分鉆進(jìn)深度超過6500 m，屬于深井、超深井范疇.隨后，對(duì)機(jī)械鉆速數(shù)據(jù)進(jìn)行預(yù)處理，使數(shù)據(jù)呈正態(tài)分布趨勢(shì).針對(duì)同一組鉆井工程參數(shù)，應(yīng)用不同的機(jī)器學(xué)習(xí)方法構(gòu)建模型并進(jìn)行機(jī)械鉆速預(yù)測(cè).最后，驗(yàn)證模型的準(zhǔn)確率.不同機(jī)器學(xué)習(xí)算法在訓(xùn)練集和測(cè)試集上獲得的準(zhǔn)確率見表1.由表1可知，隨機(jī)森林構(gòu)建的模型與其他機(jī)器學(xué)習(xí)算法相比，具有較高的預(yù)測(cè)準(zhǔn)確率.高效、準(zhǔn)確地預(yù)測(cè)出機(jī)械鉆速，是實(shí)現(xiàn)科學(xué)化、智能化鉆井的重要工作之一(Li et al., 2019).通過鉆進(jìn)參數(shù)預(yù)測(cè)機(jī)械鉆速，不僅可以為現(xiàn)場(chǎng)機(jī)械鉆速的控制提供參考，還可以為軌道鉆進(jìn)參數(shù)智能修正提供準(zhǔn)確的輸入，以保證閉環(huán)控制的完成.

表1 不同機(jī)器學(xué)習(xí)方法的機(jī)械鉆速預(yù)測(cè)結(jié)果Table 1 Rate of penetration prediction results by different machine learning methods

3.2 軌道智能修正方法

自動(dòng)導(dǎo)向鉆井技術(shù)基本已實(shí)現(xiàn)，但鉆井技術(shù)的發(fā)展并未真正意義上進(jìn)入智能化鉆井階段.因?yàn)樵谲壍酪?guī)劃階段還有人工參與，未實(shí)現(xiàn)鉆井軌道智能修正與軌跡閉環(huán)控制.鉆井軌道的設(shè)計(jì)主要以地質(zhì)、采油部門提供的地質(zhì)分層情況與目標(biāo)點(diǎn)或目標(biāo)井段的數(shù)據(jù)為基礎(chǔ)，通過數(shù)學(xué)方法計(jì)算出滿足設(shè)計(jì)要求的井眼軌道(劉修善，2006).以上軌道設(shè)計(jì)方法本質(zhì)上都在使用數(shù)值迭代法求解，難以滿足復(fù)雜油氣藏井眼軌道設(shè)計(jì)與實(shí)時(shí)優(yōu)化鉆井軌道的要求.理論研究的缺失使得井軌道設(shè)計(jì)技術(shù)向智能方向發(fā)展的進(jìn)程緩慢，且嚴(yán)重阻礙了自動(dòng)化鉆井技術(shù)的發(fā)展以及大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井方法的實(shí)現(xiàn).

Wang等(2019)提出了一種基于計(jì)算機(jī)視覺的油氣儲(chǔ)層內(nèi)井軌道智能規(guī)劃算法.這一井軌道智能規(guī)劃方法能夠在獲取實(shí)際地層信息的前提下，利用計(jì)算機(jī)自主進(jìn)行井軌道規(guī)劃，見圖9.圖中紅色部分為油氣分布圖像，線條為計(jì)算機(jī)根據(jù)油氣分布規(guī)律自主規(guī)劃的井軌道.這種井軌道規(guī)劃的思路有益于解決具有較大不確定性地下復(fù)雜工況的井軌道實(shí)時(shí)規(guī)劃問題.

圖9 井軌道智能規(guī)劃算法示意圖(Wang et al.,2019)Fig.9 Schematic diagram of intelligent well track planning algorithm (Wang et al., 2019)

4 結(jié)論

大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井方法的提出，旨在借鑒無人駕駛汽車的理論架構(gòu)，提出井下自主智能鉆井的方法，解決深層超深層鉆井“看得清、找得準(zhǔn)、打得快”的系統(tǒng)架構(gòu)問題.該方法的實(shí)現(xiàn)將大幅降低鉆井成本，提高鉆井速度，減少鉆井事故的發(fā)生，實(shí)現(xiàn)井眼軌跡的精確控制，提高深層超深層鉆井效率.此外，基于大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井方法與技術(shù)架構(gòu)，在對(duì)大量地球物理測(cè)井和鉆井工程數(shù)據(jù)分析的基礎(chǔ)上，利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法建立了鉆進(jìn)感知智能反演算法和鉆進(jìn)參數(shù)智能決策算法，快速并準(zhǔn)確地預(yù)測(cè)儲(chǔ)層物性參數(shù)、機(jī)械鉆速和識(shí)別巖性.具體結(jié)論如下：

(1)大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)包括鉆進(jìn)感知、智能決策與大閉環(huán)控制3個(gè)部分.鉆進(jìn)感知部分通過隨鉆測(cè)井?dāng)?shù)據(jù)獲取鉆頭定位信息、井周地層及鉆頭前方特性與參數(shù)；智能決策部分依據(jù)鉆進(jìn)感知部分獲取的信息通過AI決策模型修正軌道和鉆進(jìn)策略；大閉環(huán)控制部分根據(jù)智能決策指令執(zhí)行調(diào)整鉆進(jìn)方向和速度.該系統(tǒng)的實(shí)施能有效地克服因井地傳輸慢而導(dǎo)致決策不及時(shí)的問題，提高鉆進(jìn)的安全性、及時(shí)性、經(jīng)濟(jì)性.

(2)基于支持向量機(jī)算法利用地球物理測(cè)井?dāng)?shù)據(jù)進(jìn)行巖性智能識(shí)別，達(dá)到了86.08%的準(zhǔn)確率；利用地球物理測(cè)井?dāng)?shù)據(jù)對(duì)孔隙度、滲透率、飽和度和泥質(zhì)含量進(jìn)行評(píng)價(jià)，隨機(jī)森林算法具有很好的適用性，均達(dá)到了90%以上的準(zhǔn)確率；進(jìn)一步地，用深度學(xué)習(xí)的方法中對(duì)序列化數(shù)據(jù)具有較好的預(yù)測(cè)能力的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)孔隙度進(jìn)行預(yù)測(cè)，達(dá)到了95.4%的準(zhǔn)確率.不僅可以為大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)提供控制參數(shù)，還可以應(yīng)用于區(qū)塊乃至盆地級(jí)別的儲(chǔ)層評(píng)估及分析，為油藏評(píng)價(jià)提供可靠的儲(chǔ)層參數(shù).

(3)利用鉆井工程參數(shù)對(duì)機(jī)械鉆速進(jìn)行預(yù)測(cè)與優(yōu)化，隨機(jī)森林算法獲得了76%的準(zhǔn)確率，相較于其他算法準(zhǔn)確率更高，為大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)提供決策參數(shù).

致謝文章撰寫過程中得到中國科學(xué)院地質(zhì)與地球物理研究所張文秀博士的幫助和修改，在此表示誠摯的感謝.