井下測量工具云端協(xié)同平臺開發(fā)與實踐

DevelopmentandPracticeofCloud CollaborativePlatform forDownholeMeasurementTools

CheYang1.2Yuan Guangjie1，2Qian Hongyu3Du Weiqiang1，2Wang Chenlong1.2Ding Jiping1，2 （1.CNPCEngineringTechnologyRamp;DCompanyLimited；2.NationalEngineringResearchCenterofOilamp;GasDrillnganc CompletionTechnology；3.SchoolofElectrical InformationandEngineeringoftheNortheastPetroleum University）

Abstract： The digital transformation and intelligentdevelopment of the petroleum industry have become a consensus.Thedigital solutionforsurface equipmentis relatively mature，whilethe digitalupgradeof downhole tools is difficult.The measurement tools are mainly single machine version，which is difcult to meet the current requirements for improving driling quality and efficiency.In the paper，based on the remote operation requirements of coreless magnetic steering tool，a platformarchitectureoffive modules，including simulation rehearsal，virtual training，remoteoperation，smart tooland intellgent decision，was designed indetail，achieving a whole process digitization from predrilling risk assessment and in-drilling acquisition and processing topost-drilling feedback and optimization，anda visual interfacewas developed.Moreover，tosolve the problemof low far-field ranging accuracy，multiple magnetic steering data mining algorithms such as support vector machine （SVM），decision tree （DT），multilayer perceptron（MLP）and convolutional neural network（CNN）were built and compared，indicating thatthe robustnessand generalization of the multilayer perceptron algorithm is the best.The field application in 5 wells shows that the efficiency is improved by 30% and the remote measurement accuracy is increased by 20% . The research results provide areference for the development of cloud collaborative digital platform of similar tols.

Keywords： downhole measurementtool; cloud collaboration; platform;data mining;coreless magnetic steering

0 引言

隨著信息技術(shù)的發(fā)展和普及，石油行業(yè)的數(shù)字化轉(zhuǎn)型和智能化發(fā)展已成為共識。運(yùn)用先進(jìn)的網(wǎng)絡(luò)通信技術(shù)，可以實現(xiàn)對井下工具的遠(yuǎn)程監(jiān)控、遠(yuǎn)程指導(dǎo)和遠(yuǎn)程故障排除，提高了作業(yè)的靈活性和響應(yīng)速度，降低了現(xiàn)場人員的風(fēng)險，是未來一大趨勢。

在國內(nèi)井噴失控救援、儲氣庫復(fù)雜老井封堵等救援井無源磁導(dǎo)向技術(shù)受制于人的背景下，2020年，研制出國產(chǎn)無源磁導(dǎo)向工具，打破了國外的壟斷[1。通過4年的產(chǎn)業(yè)化推廣，該工具難以滿足更加復(fù)雜、更加繁重的工作量需求，軟硬件迭代升級迫在眉睫。在軟件方面，現(xiàn)有的單機(jī)版軟件底層數(shù)據(jù)不互通，工程師需要長駐現(xiàn)場跟蹤，實驗室標(biāo)定結(jié)果不共享，存在核心人員不足、信息不暢等問題，數(shù)據(jù)作用也無法充分發(fā)揮。

國外各大油服公司從20世紀(jì)80年代開始研發(fā)類似軟件系統(tǒng)，旨在實現(xiàn)井場作業(yè)的遠(yuǎn)程支持。為此紛紛著手建設(shè)遠(yuǎn)程決策支持系統(tǒng)[，通過現(xiàn)場工具及系統(tǒng)采集和上傳處理各類井場數(shù)據(jù)，同時建立現(xiàn)場與遠(yuǎn)程決策中心之間的聯(lián)系，并采用人工結(jié)合智能算法的方法，進(jìn)行數(shù)據(jù)分析以及施工數(shù)據(jù)的預(yù)測，進(jìn)一步指導(dǎo)現(xiàn)場工作。其中，哈里伯頓公司研發(fā)了InSite軟件系統(tǒng)[3]，斯倫貝謝推出了InterACT系統(tǒng)[4]，而貝克休斯則開發(fā)了BEACON軟件平臺[5]。這些一體化軟件系統(tǒng)在很大程度上減少了現(xiàn)場人員，提升了部門協(xié)作效率，并降低了鉆井風(fēng)險。

與國外公司相比，國內(nèi)相關(guān)系統(tǒng)的建設(shè)起步較晚。各單位通過積極攻關(guān)，成功研發(fā)了多套軟件系統(tǒng)，并取得了多項研究成果。例如，中國石油天然氣集團(tuán)有限公司建立了基于工程技術(shù)物聯(lián)網(wǎng)的多級遠(yuǎn)程技術(shù)支持中心，實現(xiàn)了現(xiàn)場數(shù)據(jù)的上傳及遠(yuǎn)程分析，建立了多方協(xié)同的工作平臺與工作流程[6-7]；中國石油化工股份有限公司研發(fā)的鉆井工程決策支持系統(tǒng)，也實現(xiàn)了現(xiàn)場數(shù)據(jù)上傳及遠(yuǎn)程分析功能，可以進(jìn)行施工過程優(yōu)化、鉆后分析等，為近百口井提供了遠(yuǎn)程技術(shù)服務(wù)[8-9]；中國海洋石油集團(tuán)有限公司研發(fā)了實時決策系統(tǒng)，能夠?qū)⒑５讛?shù)據(jù)實時傳輸至陸地，由專家在后方進(jìn)行分析處理，實時反饋給現(xiàn)場以指導(dǎo)下一步施工[10-]。這些軟件系統(tǒng)為我國多口井的鉆完井設(shè)計、施工以及決策提供了有力支持，既降低了成本又提高了效率。

具體到井下工具，國際各大公司已初步實現(xiàn)了相關(guān)系統(tǒng)的數(shù)字化，但這些軟件系統(tǒng)的具體功能參數(shù)保密，且建立在內(nèi)部共享平臺上[12]。而國內(nèi)的井下工具軟件面臨著數(shù)據(jù)標(biāo)準(zhǔn)不統(tǒng)一、信息共享不暢等問題，未能實現(xiàn)與機(jī)器學(xué)習(xí)算法的融合，井下工具的作業(yè)系統(tǒng)和遠(yuǎn)程決策系統(tǒng)的智能化發(fā)展進(jìn)展緩慢[13-15]。

基于上述需求和國內(nèi)外研究現(xiàn)狀，筆者團(tuán)隊創(chuàng)新研發(fā)了無源磁導(dǎo)向工具云端協(xié)同平臺，通過數(shù)據(jù)的實時傳輸和處理，可以及時發(fā)現(xiàn)和解決現(xiàn)場作業(yè)中出現(xiàn)的問題，減少了作業(yè)中斷和延誤的可能性，提高了作業(yè)的效率和質(zhì)量。同時，遠(yuǎn)程數(shù)字化作業(yè)中心還可以為無源磁導(dǎo)向作業(yè)提供更加全面和深入的模型分析和安全管理，為作業(yè)人員提供更加全面和可靠的技術(shù)支持。

1平臺設(shè)計

明確了實際需求，想進(jìn)一步提升作業(yè)精度和效率，有必要整合通用數(shù)據(jù)庫，并借助AI數(shù)據(jù)挖掘技術(shù)改進(jìn)傳統(tǒng)算法，最后構(gòu)建可實現(xiàn)同時多個現(xiàn)場實施的無源磁導(dǎo)向“ 1+N^′′ 工作模式，如圖1所示。其中“1”是指中控系統(tǒng)，“N”是指作業(yè)現(xiàn)場數(shù)量。現(xiàn)場采集數(shù)據(jù)通過網(wǎng)絡(luò)傳遞到中控，中控?fù)碛袕?qiáng)大的云計算和專家團(tuán)隊，處理后將結(jié)果返回到現(xiàn)場，從而實現(xiàn)數(shù)據(jù)互通互聯(lián)。進(jìn)一步地，數(shù)據(jù)與算法、模型用接口實現(xiàn)對接，人員與工具用影像實現(xiàn)交互。

1.1 系統(tǒng)架構(gòu)

設(shè)計“云-端-智”架構(gòu)。云是指在云端存儲井下工具產(chǎn)生的數(shù)據(jù)，并使用云計算資源進(jìn)行數(shù)據(jù)處理和分析；端是指井下工具（無源磁導(dǎo)向工具）作為終端設(shè)備，實時采集井下數(shù)據(jù)，并進(jìn)行初步處理；智是利用智能算法（如多層感知機(jī)算法）在云端或終端進(jìn)行數(shù)據(jù)分析，優(yōu)化測量精度和工作效率。

1.2 數(shù)字孿生

系統(tǒng)架構(gòu)及功能設(shè)計如圖2所示。平臺內(nèi)設(shè)5大系統(tǒng)，包括仿真預(yù)演、遠(yuǎn)程作業(yè)、智能決策、智慧工具、虛擬培訓(xùn)等，為工程提供移動應(yīng)用，為智能工作的開展提供軟件基礎(chǔ)。仿真預(yù)演系統(tǒng)進(jìn)行磁導(dǎo)向作業(yè)前的模擬仿真，模擬在不同距離、地層、鉆井液等條件下磁導(dǎo)向測量電磁場分布，在解釋端軟件內(nèi)置與數(shù)值仿真軟件互通的接口，輸人必要的地層、軌跡、工具參數(shù)和邊界條件后輸出仿真結(jié)果，輔助開展風(fēng)險預(yù)警等指導(dǎo)現(xiàn)場作業(yè)；遠(yuǎn)程作業(yè)系統(tǒng)通過視頻監(jiān)控掌握現(xiàn)場作業(yè)進(jìn)度，采集作業(yè)數(shù)據(jù)可用于仿真預(yù)演反演以及訓(xùn)練決策模型；智能決策系統(tǒng)通過模型預(yù)測井距數(shù)據(jù)，輔助優(yōu)化現(xiàn)場作業(yè)；虛擬培訓(xùn)系統(tǒng)對后備工程師實施全流程培訓(xùn)，通過見習(xí)結(jié)合實操，在后方完成人員的培訓(xùn)，實現(xiàn)人員互聯(lián)；智慧工具系統(tǒng)對現(xiàn)場工具進(jìn)行監(jiān)控，實時掌握工具數(shù)據(jù)并上傳至數(shù)據(jù)庫，實現(xiàn)虛擬空間、人員、工具、中控和作業(yè)現(xiàn)場的數(shù)字孿生。

1.3 展示功能

將多元化的展示技術(shù)與磁導(dǎo)向工具結(jié)合，構(gòu)建立體宣傳矩陣；解釋端軟件耦合地質(zhì)接口，構(gòu)建地質(zhì)工程一體化、前后方一體化等三維高端視圖展示功能。具備運(yùn)行資料查詢、大數(shù)據(jù)分析、三維數(shù)字井筒展示等功能。同時增設(shè)會議區(qū)，便于專家團(tuán)隊與現(xiàn)場工程師連線并進(jìn)行討論。

1.4培訓(xùn)功能

虛擬培訓(xùn)系統(tǒng)通過有限元、虛擬現(xiàn)實（VirtualReality，VR）技術(shù)結(jié)合真實井況，完成業(yè)務(wù)全流程的仿真，并開展新進(jìn)人員的日常輪訓(xùn)，進(jìn)行虛擬數(shù)字樣機(jī)、全流程測量工藝的教學(xué)展示。搭建無源磁導(dǎo)向工具典型應(yīng)用場景實時演示動畫及交互頁面菜單，完善無源磁導(dǎo)向工具裝配使用等VR培訓(xùn)內(nèi)容。

設(shè)置VR頭顯無失真運(yùn)行 1：1 呈現(xiàn)數(shù)字樣機(jī)及使用、安裝、維保等場景。為此，開發(fā)交互菜單，正確觸發(fā)設(shè)計的實時演示內(nèi)容，建立2D菜單可快速切換展示工具的使用、安裝及維保場景，通過VR手柄可獲得良好的人機(jī)交互體驗。

2 數(shù)據(jù)采集與處理

通過智慧工具系統(tǒng)以及遠(yuǎn)程作業(yè)系統(tǒng)進(jìn)行數(shù)據(jù)采集，實時采集來自無源磁導(dǎo)向工具的數(shù)據(jù)，并確保數(shù)據(jù)的準(zhǔn)確性和完整性；通過智能決策系統(tǒng)中的數(shù)據(jù)處理功能對數(shù)據(jù)進(jìn)行清洗、歸一等處理，對處理后的數(shù)據(jù)進(jìn)行模型訓(xùn)練自學(xué)習(xí)。

2.1工具數(shù)據(jù)采集

智慧工具系統(tǒng)應(yīng)用流程包括智能識別監(jiān)控工具動態(tài)，指導(dǎo)工具的運(yùn)維保養(yǎng)，同時規(guī)范化實驗室標(biāo)定和現(xiàn)場入并操作，從而掌握工具現(xiàn)場使用情況，實時推送工具狀態(tài)。如圖3所示。

現(xiàn)場人員預(yù)約出入庫管理，完成對出入庫申請的審核后生成出人庫單，最后進(jìn)行上架和下架任務(wù)，更新物料庫存。同時查看物料在系統(tǒng)中的出入庫流水信息，統(tǒng)計系統(tǒng)中所有物料的庫存情況，并盤點系統(tǒng)的物料庫存情況與實際倉庫的庫存情況是否保持一致，以及對設(shè)備的狀態(tài)（保修、損壞等）情況進(jìn)行數(shù)據(jù)記錄。

智慧工具系統(tǒng)設(shè)置倉庫、貨架、物料等基礎(chǔ)數(shù)據(jù)管理，具有查看消息通知、編輯維護(hù)倉庫數(shù)據(jù)、入庫管理、出庫管理和庫存管理功能，與工程作業(yè)智能支持中心（EngineeringInfelligent SupportCenter，EISC）系統(tǒng)對接，收集現(xiàn)場的數(shù)據(jù)。

2.2現(xiàn)場作業(yè)數(shù)據(jù)采集

遠(yuǎn)程作業(yè)系統(tǒng)中的采集端與現(xiàn)場的采集工具連接，負(fù)責(zé)將現(xiàn)場采集的數(shù)據(jù)實時傳回，存儲在系統(tǒng)中的服務(wù)端，即云端存儲數(shù)據(jù)平臺。后方通過中控平臺對現(xiàn)場數(shù)據(jù)進(jìn)行遠(yuǎn)程解釋，針對疑難問題進(jìn)行研討后下發(fā)解釋報告與導(dǎo)向指令。實現(xiàn)遠(yuǎn)程數(shù)據(jù)更新。工作流程如圖4所示。

2.2.1采集端數(shù)據(jù)處理與上傳

數(shù)據(jù)采集端篩選符合預(yù)設(shè)條件和質(zhì)量標(biāo)準(zhǔn)的數(shù)據(jù)上傳至遠(yuǎn)程云服務(wù)器，以優(yōu)化存儲空間，提高數(shù)據(jù)處理效率。

對數(shù)據(jù)采集系統(tǒng)配置測試參數(shù)，通過實際作業(yè)場景生成數(shù)據(jù)，在采集端排除明顯錯誤或無關(guān)數(shù)據(jù)，根據(jù)預(yù)設(shè)條件進(jìn)一步篩選數(shù)據(jù)，以備上傳。建立數(shù)據(jù)上傳通道，將標(biāo)記為有效的數(shù)據(jù)發(fā)送至服務(wù)器，在服務(wù)器端檢查接收到的數(shù)據(jù)是否符合預(yù)期，包括數(shù)據(jù)完整性和準(zhǔn)確性。最后對上傳的數(shù)據(jù)進(jìn)行存儲和處理，保證有效數(shù)據(jù)正常上傳。

2.2.2遠(yuǎn)程作業(yè)系統(tǒng)集成

為確保系統(tǒng)的各個組件與其他模塊的集成，提供一個完整、穩(wěn)定且高效的工作環(huán)境，開發(fā)遠(yuǎn)程作業(yè)系統(tǒng)的綜合功能，系統(tǒng)預(yù)留了集成接口，與仿真預(yù)演、虛擬培訓(xùn)、智慧工具和智能決策等模塊進(jìn)行集成，以便于數(shù)據(jù)的互聯(lián)互通。

數(shù)據(jù)查詢功能對接EISC數(shù)據(jù)湖數(shù)據(jù)服務(wù)API接口，獲取錄井、井史等多種查閱數(shù)據(jù)。同時開發(fā)EISC系統(tǒng)的錯誤識別、處理和數(shù)據(jù)恢復(fù)功能，以應(yīng)對數(shù)據(jù)傳輸過程中的各種可能錯誤。

3算法開發(fā)與優(yōu)化

搭建了智能決策系統(tǒng)，創(chuàng)新開發(fā)數(shù)據(jù)AI分析工具與流程，輔助提高分析決策效率，增大支撐范圍，并將預(yù)測結(jié)果在用戶界面進(jìn)行結(jié)果展示。

3.1 預(yù)設(shè)標(biāo)準(zhǔn)井

因定位模型的限制，無源磁導(dǎo)向遠(yuǎn)場定位精度較低，而現(xiàn)場作業(yè)的兩井井下實際幾何空間位置難以驗證，進(jìn)行監(jiān)督學(xué)習(xí)難度較高。因此，選定一個矩形空地，如圖5所示。在空地中鉆7口150m 的直井，并在T井中下人鋼制套管作為目標(biāo)井，O、A、M、L1、L2、L3井下入PE塑料管（打孔）作為測試井。

然后進(jìn)行原始數(shù)據(jù)集的構(gòu)建，分別對位于現(xiàn)場目標(biāo)井不同方位的6口測試井進(jìn)行不同深度的數(shù)據(jù)樣本的采集。6口測試井在深度 64～150m 區(qū)間內(nèi)每隔 2m 測得的磁通量、加速度、探管姿態(tài)等特征量作為一次數(shù)據(jù)；6口測試井在深度 0～150m 區(qū)間內(nèi)每隔 1m 通過MWD和幾何掃描方法計算得到的測試井與目標(biāo)井的相對距離作為標(biāo)定數(shù)據(jù)，根據(jù)ISCWA模型，井深較淺，累積誤差可以忽略[16]；通過傳統(tǒng)經(jīng)驗公式計算得到的6口測試井不同深度相對目標(biāo)井的距離預(yù)測值作為對照數(shù)據(jù)。

傳統(tǒng)經(jīng)驗公式[17]如下：

式中： ∣r∣ 為相對距離， m . μ_?0 為真空磁導(dǎo)率，其值為 4π×10^-7T?m/A . I 為目標(biāo)井上聚集電流，A； H_x H_y H_z 分別為測試井預(yù)設(shè)井深處在 、 z 軸向磁場信號幅值分量，T； 為經(jīng)過大量測試所得的經(jīng)驗公式平均誤差，其值為 35.375m ○

3.2特征選擇

原始數(shù)據(jù)集中的特征數(shù)量共有11個，分別設(shè)置變量參數(shù)為 。通過 F 檢驗、互信息檢驗以及遞歸特征消除方法選擇出在不同模型訓(xùn)練過程中都比較重要的3個特征，它們分別是x1、x2、x3 ，即方位角、磁場幅值、相對方位。變量特征重要性如圖6所示。

3.3構(gòu)建數(shù)據(jù)集

使用隨機(jī)劃分和單井測試，將原始數(shù)據(jù)集中6口井的數(shù)據(jù)分別命名，且6口測試井相對目標(biāo)井的相對距離真實值范圍分別為 55～59m 、 8～10m 、

29～31m 、 55～59m 1 60～68m 1 4～6m 。

3.4數(shù)據(jù)挖掘算法開發(fā)

3.4.1 過程簡述

從當(dāng)前人工智能領(lǐng)域的主流算法進(jìn)行選擇，使用線性回歸、多項式回歸、支持向量機(jī)（SVR）、決策樹（CART）、多層感知機(jī)（MLP）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等算法。定義好網(wǎng)絡(luò)模型，并通過不斷改變損失函數(shù)、優(yōu)化器、訓(xùn)練輪次和學(xué)習(xí)率等參數(shù)來實現(xiàn)模型的優(yōu)化。

將數(shù)據(jù)集中的11個特征參數(shù)以及同一井中不同井深下的井距數(shù)據(jù)，按照 4：1 的比例隨機(jī)劃分訓(xùn)練集和測試集，作為模型的輸人數(shù)據(jù)。將測試集輸入算法進(jìn)行算法的自學(xué)習(xí)，得到訓(xùn)練后的最終模型；將測試集輸入最終模型進(jìn)行井距預(yù)測，輸出預(yù)測數(shù)據(jù)并與真實井距數(shù)據(jù)進(jìn)行對比，得到擬合效果，由此對比模型效果的優(yōu)劣。

以上數(shù)據(jù)預(yù)處理、模型訓(xùn)練以及模型預(yù)測過程如圖7所示，以卷積神經(jīng)網(wǎng)絡(luò)為例展示模型算法的訓(xùn)練及預(yù)測過程。

3.4.2測試結(jié)果6種數(shù)據(jù)挖掘算法的擬合效果見圖8＼～圖13。

3.5數(shù)據(jù)挖掘效果評價檢驗總結(jié)

傳統(tǒng)經(jīng)驗公式在隨機(jī)劃分?jǐn)?shù)據(jù)集情況下的正確率為 37% ；線性回歸、多項式回歸、SVR、CART、MLP、CNN在隨機(jī)劃分的情況下相比傳統(tǒng)方法分別提升 48% 、 48% 、 0% 、 60% 、 61% 、 59% 。

傳統(tǒng)經(jīng)驗公式在隨機(jī)劃分?jǐn)?shù)據(jù)集情況下浮動

10% 的占比為0；線性回歸、多項式回歸、SVR、CART、MLP、CNN在隨機(jī)劃分的情況下相比傳統(tǒng)方法分別提升 46% ！ 57% 、 22% ！ 97% 、 100% 、 74% 。

綜上所述，當(dāng)以預(yù)測精度作為評估指標(biāo)時，6種算法都有不同程度的提升，當(dāng)以浮動 10% 占比作為評估指標(biāo)時，除了SVR外的其他5種方法提升幅度都較大。其中尤其以MLP的提升效果最為明顯且穩(wěn)定，且相比于其他算法，其魯棒性和泛化性提升程度同樣最高。因此，使用MLP作為無源磁導(dǎo)向遠(yuǎn)場定位數(shù)據(jù)挖掘算法是最優(yōu)選擇。

4用戶界面與可視化

4.1 工具動態(tài)監(jiān)控

智慧工具系統(tǒng)智能識別監(jiān)控工具動態(tài)，指導(dǎo)工具的運(yùn)維保養(yǎng)，掌握工具現(xiàn)場使用情況，融合定位系統(tǒng)，形成工具動態(tài)監(jiān)控看板，實時推送工具狀態(tài)數(shù)據(jù)，如圖14所示。

4.2算法性能可視化

將智能決策系統(tǒng)不同模型算法的擬合效果以及性能提升結(jié)果在用戶界面以折線圖和柱狀圖的形式進(jìn)行結(jié)果展示，用戶可以據(jù)此選擇合適的模型進(jìn)行相應(yīng)的任務(wù)處理，如圖15所示。

4.3遠(yuǎn)程作業(yè)可視化

遠(yuǎn)程作業(yè)系統(tǒng)能夠進(jìn)行現(xiàn)場作業(yè)數(shù)據(jù)的分析以及三維立體展示，并在現(xiàn)場設(shè)置多個監(jiān)控攝像頭，實時監(jiān)控現(xiàn)場作業(yè)的狀態(tài)，配置現(xiàn)場通信設(shè)備，通過監(jiān)控中心與作業(yè)現(xiàn)場連接通信。

4.4仿真預(yù)演可視化

基于建立的磁導(dǎo)向測量的電磁場分布數(shù)學(xué)模型，獲得了不同條件下磁導(dǎo)向測量電磁場分布規(guī)律，開發(fā)了一套磁導(dǎo)向全數(shù)字驅(qū)動仿真模擬軟件，根據(jù)井眼軌跡建立鉆井井筒以及描述動態(tài)鉆進(jìn)過程，分析計算并顯示事故井周圍的磁場分布，導(dǎo)出磁場模擬結(jié)果。通過實時計算顯示并可導(dǎo)出環(huán)境磁源與磁傳感器附近的磁場分布特征，實現(xiàn)3D模型的顯示、選擇和控制，為鉆前軌跡設(shè)計提供了必要的用戶交互功能，可以指導(dǎo)無源磁導(dǎo)向作業(yè)的安全有效進(jìn)行。圖16為仿真預(yù)演系統(tǒng)的可視化架構(gòu)。

5 現(xiàn)場試驗與應(yīng)用

2022一2023年在冀東油田、遼河油田等地同時將協(xié)同平臺應(yīng)用5口井，開展了3個服務(wù)隊的培訓(xùn)，顯著降低了人員成本?，F(xiàn)場試驗效果如表1所示，同一時間最多開展3口井作業(yè)，遠(yuǎn)距離測量范圍提升了10倍，總體作業(yè)效率提升 30% ，達(dá)到國際先進(jìn)水平。

6 結(jié)論與認(rèn)識

通過詳細(xì)設(shè)計和開發(fā)實現(xiàn)了一個基于無源磁導(dǎo)向工具的云端協(xié)同平臺，展示了在井下工具數(shù)字化轉(zhuǎn)型中的探索和突破。

（1）平臺架構(gòu)包括仿真預(yù)演、遠(yuǎn)程作業(yè)、智能決策、智慧工具和虛擬培訓(xùn)5大模塊，平臺覆蓋了從鉆前準(zhǔn)備到鉆后反饋優(yōu)化的全部流程，確保了數(shù)據(jù)的連續(xù)性和一致性。

（2）通過對支持向量機(jī)（SVM）、決策樹、多層感知機(jī)（MLP）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）等多種測距數(shù)據(jù)挖掘算法的對比，選取了表現(xiàn)最佳的MLP算法，提升了數(shù)據(jù)處理的準(zhǔn)確性和效率，測量精度提升了 20% 。

（3）現(xiàn)場應(yīng)用結(jié)果表明，該平臺在5口井的應(yīng)用中，作業(yè)效率提升了 30% ，遠(yuǎn)距離測量范圍提升了10倍。這些成果為同類工具云端協(xié)同數(shù)字化平臺的開發(fā)提供了寶貴的參考依據(jù)。

（4）下一步將在現(xiàn)有基礎(chǔ)上繼續(xù)推進(jìn)井下智慧傳感器的研發(fā)，在現(xiàn)有智能決策系統(tǒng)的基礎(chǔ)上，探索更深層次的測導(dǎo)控一體化人工智能應(yīng)用，提升現(xiàn)場軌跡精細(xì)決策支持的智能化水平。

參考文獻(xiàn)

[1］車陽，喬磊，袁光杰，等．主動磁測距技術(shù)在T1井封井工程的應(yīng)用[J].石油機(jī)械，2022，50（2）：15-22.CHEY，QIAOL，YUANGJ，et al.Application of

active magnetic ranging technology in capping operation of well T1[J]. China Petroleum Machinery，2022，50（2）： 15-22.

[2］李根生，宋先知，田守增．智能鉆井技術(shù)研究現(xiàn)狀及發(fā) 展趨勢［J]．石油鉆探技術(shù)，2020，48（1）：1-8. LI G S，SONG XZ，TIAN SC. Intelligent drilling technology research status and development trends [J]. Petroleum Drilling Techniques，2020，48（1）：1-8.

[3]BOOTHJE.Drilling operations centers：a history offunctionality and organizational purpose-the first generation [C]//SPE Digital Energy Conference and Exhibition. Houston，Texas，USA：SPE，2009：SPE123225-MS.

[4]ADIGUN O， OKUSANYA A， OKWA H. Case study of geosteering a horizontal well in western Nigeria [J].The Leading Edge，2004，23（6）：588-591.

[5]AHMED T，SIDDIQUIM，HUSSAINA，et al. Successful implementation of interact （real time data transmission） in testing services to allow remote witnessing of testing operations and multipoint collaboration （Latif gas field-a success story）[C]//SPE/PAPG AnnualTechnical Conference. Islamabad， Pakistan： SPE，2010： SPE142840-MS.

[6]BOOTH JE E.Real-time drillng operations centers：a historyof functionalityand organizational purpose -the second generation [J]. SPEDrilling amp;Completion， 2011，26 （2）：295-302.

[7］賀會群，張行，巴莎，等．我國油氣工程技術(shù)裝備智能 化和智能制造的探索與實踐［J]．石油機(jī)械，2024，52 （6）：1-11. HE HQ，ZHANG X，BAS，et al.Exploration and practice of intelligence and intelligent manufacturing of oil and gas engineering equipment in China ［J]. China Petroleum Machinery，2024，52（6）：1-11.

[8］葛云華，周波，張彥龍．基于物聯(lián)網(wǎng)的鉆井遠(yuǎn)程支持系 統(tǒng)應(yīng)用現(xiàn)狀及發(fā)展方向［J]．石油科技論壇，2019，38 （2）：45-51. GE Y H， ZHOU B， ZHANG Y L. Application conditions and development orientation of RTOC based on internet of things[J].Petroleum Science and Technology Forum，2019，38（2）：45-51.

[9］張軍，費(fèi)海濤，王崇敬，等．鉆井遠(yuǎn)程決策支持系統(tǒng)開 發(fā)及在元壩103H井的應(yīng)用［J]．石油鉆探技術(shù)，2011， 39 （6）： 104-107. ZHANGJ，F(xiàn)EIHT，WANGCJ，et al.Development of remote drilling decision-making support system and its application in well Yuanba 103H[J].Petroleum Drilling Techniques，2011，39（6）：104-107.

[10］張東海，王昌榮．智能石油鉆機(jī)技術(shù)現(xiàn)狀及發(fā)展方向 [J]．石油機(jī)械，2020，48（7）：30-36. ZHANG D H， WANG C R. Technology status and development trend of intelligent drilling Rigs [J].China

[11］安文忠，徐榮強(qiáng)，何遼勤，等．實時可視決策系統(tǒng)在 渤海灣旅大油田開發(fā)中的應(yīng)用［J]．石油鉆探技術(shù)， 2007，35 （4）：100-102. AN W Z，XURQ，HELQ，et al. Application of realtime visual decision-making system in the development of Luda Oilfield in Bohaibay[J].Petroleum Drilling Techniques，2007，35 （4）：100-102.

[12］趙彤，葛云華，周波，等．鉆井業(yè)務(wù)物聯(lián)網(wǎng)遠(yuǎn)程決策 支持系統(tǒng)的現(xiàn)狀與發(fā)展[J]．國際石油經(jīng)濟(jì)，2019， 27 （11）： 93-97. ZHAO T，GEY H， ZHOU B，et al. Status quo and development of RTOC for drilling service IoT[J]. International Petroleum Economics，2019，27（11）：93-97.

[13]ROSENDAHL T，HEPSO V. Integrated operations in the oil and gas industry：sustainability and capability development[M].Hershey，Pennsylvania：IGI Global， 2012.

[14］閆鐵，許瑞，劉維凱，等．中國智能化鉆井技術(shù)研究 發(fā)展［J]．東北石油大學(xué)學(xué)報，2020，44（4）：15- 21，10002. YANT，XUR，LIUWK，et al.2020.Research and development of intelligent drilling technology in China [J].Journal of Northeast Petroleum University，2020， 44（4）：15-21，I0002.

[15］匡立春，劉合，任義麗，等．人工智能在石油勘探開 發(fā)領(lǐng)域的應(yīng)用現(xiàn)狀與發(fā)展趨勢［J]．石油勘探與開發(fā)， 2021，48 （1）：1-11. KUANG LC，LIU H，RENY L，et al.Application and development trend of artificial intelligence in petroleum exploration and development [J]. Petroleum Exploration and Development，2021，48（1）：1-11.

[16]ISCWSA.Definition of ISCWSA error model [EB/OL]. [2024-04-25].https：//www.iscwsa.net/media/files/ files/64bd61c2/definition-of-iscwsa-error-model-v5- 13.pdf.

[17］刁斌斌，谷浩，高德利，等．鄰井隨鉆磁測距防碰系 統(tǒng)的研制和應(yīng)用[J]．石油機(jī)械，2022，50（10）： 14-19. DIAO B B，GUH，GAO DL，et al.Development and application of magnetic ranging anti-collision while driling system [J]. China Petroleum Machinery，2022，50 （10）：14-19.

第一

作者簡介：車陽，高級工程師，生于1993年，2020年畢業(yè)于中國石油大學(xué)（北京）油氣井工程專業(yè)，現(xiàn)從事復(fù)雜井鉆井和儲氣庫封井技術(shù)研究工作。地址：（102206）北京市昌平區(qū)。email：cheyangdri@cnpc.com.cn。

收稿日期：2024-05-24 修改稿收到日期：2024-09-17（本文編輯劉鋒）