王敏生 光新軍 耿黎東

中國(guó)石化石油工程技術(shù)研究院

人工智能作為新一輪產(chǎn)業(yè)變革和科技革命的新引擎和核心驅(qū)動(dòng)力，已成為引領(lǐng)未來發(fā)展的戰(zhàn)略性新興技術(shù)，正在對(duì)各行業(yè)產(chǎn)生深刻影響。人工智能技術(shù)是油氣勘探開發(fā)降本增效的有效手段，也是實(shí)現(xiàn)關(guān)鍵技術(shù)升級(jí)換代，提高競(jìng)爭(zhēng)力的有效途徑［1-3］。近年來，國(guó)外嘗試將人工智能應(yīng)用于鉆井工程領(lǐng)域，開展了基于人工智能的鉆井設(shè)計(jì)、鉆井參數(shù)優(yōu)化、井眼軌跡控制、風(fēng)險(xiǎn)預(yù)警、鉆井程序決策等探索研究，部分技術(shù)實(shí)現(xiàn)了現(xiàn)場(chǎng)應(yīng)用，顯示了較好的應(yīng)用前景。國(guó)內(nèi)在將人工智能應(yīng)用于鉆井機(jī)械鉆速預(yù)測(cè)、漏失風(fēng)險(xiǎn)預(yù)測(cè)、隨鉆地質(zhì)導(dǎo)向智能決策等方面進(jìn)行了有益探索［4-10］。為了給我國(guó)利用人工智能技術(shù)實(shí)現(xiàn)鉆井提速提效提供借鑒和研發(fā)思路，筆者對(duì)人工智能及其在鉆井工程中的應(yīng)用特點(diǎn)、應(yīng)用進(jìn)展和應(yīng)用關(guān)鍵進(jìn)行了分析，提出了攻關(guān)思路和研發(fā)重點(diǎn)。

1 人工智能在鉆井工程中的發(fā)展階段及特點(diǎn)

1.1 人工智能在鉆井工程中的發(fā)展階段

人工智能是通過提高機(jī)器的計(jì)算力、感知力、認(rèn)知力、推理能力等智能水平，使其具有判斷、推理、證明、識(shí)別、感知、理解、溝通、規(guī)劃和學(xué)習(xí)等思維活動(dòng)，讓機(jī)器能夠自主判斷和決策，完成原本要靠人類智能才能完成的工作［11］。按照應(yīng)用程度，人工智能可以分為弱人工智能、強(qiáng)人工智能和超人工智能3個(gè)階段。弱人工智能專注于且只能解決特定領(lǐng)域問題的人工智能，如圖像識(shí)別、語音識(shí)別、語義分析、智能搜索等；強(qiáng)人工智能能夠和人類一樣對(duì)世界進(jìn)行感知和交互，通過自我學(xué)習(xí)的方式對(duì)所有領(lǐng)域進(jìn)行記憶、推理和解決問題，如無人駕駛、無人機(jī)、智能機(jī)器人等；超強(qiáng)人工智能在所有領(lǐng)域全方位超越人類大腦的思維能力，能力和運(yùn)用范圍仍在一個(gè)無法預(yù)估的范疇。目前，鉆井工程領(lǐng)域的人工智能研究屬于弱人工智能范疇，即通過人工智能算法將一些不確定的數(shù)據(jù)輸入來進(jìn)行不確定性的決策，實(shí)現(xiàn)自我學(xué)習(xí)和演變。人工智能使用較為廣泛的算法包括人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳算法、支持向量機(jī)、案例推理和混合算法等。

1.2 人工智能在鉆井工程中的應(yīng)用特點(diǎn)

與傳統(tǒng)建?；驍?shù)據(jù)分析方法相比，人工智能技術(shù)在鉆井工程中應(yīng)用主要具有以下優(yōu)勢(shì)：(1)能夠在輸入和輸出變量之間無關(guān)系假設(shè)的情況下，對(duì)復(fù)雜的非線性過程進(jìn)行建模；(2)計(jì)算結(jié)果比使用線性或非線性多元回歸預(yù)測(cè)模型和經(jīng)驗(yàn)?zāi)Ｐ透訙?zhǔn)確；(3)能夠通過分析大量數(shù)據(jù)，在不明確規(guī)則的情況下通過進(jìn)行最終目標(biāo)模型訓(xùn)練選取特征，具有自動(dòng)學(xué)習(xí)特征的能力，并可以利用不完整或有噪聲的數(shù)據(jù)；(4)成本效益較好，使用數(shù)據(jù)集進(jìn)行系統(tǒng)訓(xùn)練，而不必編寫程序，因此更具成本效益，也更易于應(yīng)對(duì)變化；(5)降低了對(duì)算力的要求，以深度學(xué)習(xí)算法為例，通過采用多層調(diào)參、層層收斂的方式，保證參數(shù)的數(shù)量始終處于合理范圍內(nèi)，提高了模型的可計(jì)算性。

與其他工具一樣，人工智能技術(shù)也有自身的局限性。如人工神經(jīng)網(wǎng)絡(luò)僅根據(jù)數(shù)據(jù)集訓(xùn)練反映輸出和輸入變量之間的關(guān)系，這使人們擔(dān)憂其是否能較好地表征數(shù)據(jù)集。有人提出將多個(gè)算法組合成混合算法方案，或?qū)⑷斯ぶ悄芩惴ㄅc傳統(tǒng)模型進(jìn)行集成來解決黑盒子問題；使用遺傳算法很難像使用數(shù)學(xué)編程方法那樣真正發(fā)現(xiàn)問題和解決問題，為了深入發(fā)現(xiàn)問題，可能需要多次運(yùn)行模型，評(píng)估解決方案對(duì)問題的各種假設(shè)和參數(shù)的敏感性，缺乏達(dá)到“最優(yōu)”解決方案的能力。其他局限還包括處理時(shí)間較長(zhǎng)、系統(tǒng)需要更大的計(jì)算資源并且有時(shí)會(huì)產(chǎn)生過度擬合等［12-13］。

2 人工智能在鉆井工程中的應(yīng)用

在數(shù)據(jù)采集、傳輸技術(shù)發(fā)展的協(xié)同下，人工智能技術(shù)在鉆井設(shè)計(jì)、鉆井參數(shù)優(yōu)化、鉆井井眼軌跡控制、井筒完整性監(jiān)控、風(fēng)險(xiǎn)預(yù)警、程序決策等方面正在發(fā)揮積極作用，部分技術(shù)已經(jīng)實(shí)現(xiàn)現(xiàn)場(chǎng)應(yīng)用并取得良好效果。

2.1 鉆井優(yōu)化設(shè)計(jì)

鉆井的優(yōu)化設(shè)計(jì)是保證安全、高效和低成本的鉆井作業(yè)的基礎(chǔ)，人工智能技術(shù)可用于井眼軌道優(yōu)化、鉆頭優(yōu)選、地層破裂壓力和漏失壓力預(yù)測(cè)、套管下深優(yōu)化、水泥漿性能預(yù)測(cè)等，可以提高鉆井設(shè)計(jì)的準(zhǔn)確性和可靠性。國(guó)民油井公司采用人工神經(jīng)網(wǎng)絡(luò)對(duì)鉆頭選擇數(shù)據(jù)庫(kù)的數(shù)據(jù)進(jìn)行訓(xùn)練，數(shù)據(jù)庫(kù)中包括鉆頭編碼、巖石強(qiáng)度數(shù)據(jù)、地質(zhì)力學(xué)、地層壓實(shí)特征和對(duì)應(yīng)于巖石的常規(guī)機(jī)械鉆速值等信息，輸入地理位置、地質(zhì)特征、巖石力學(xué)數(shù)據(jù)后，即可輸出選擇的鉆頭類型、效果預(yù)測(cè)及使用指南。科威特大學(xué)采用廣義回歸神經(jīng)網(wǎng)絡(luò)，輸入深度、上覆地層壓力梯度和泊松比等參數(shù)，即可預(yù)測(cè)破裂壓力，精度在1%以內(nèi)，比傳統(tǒng)方法(Eaton等方法)精確度更高［14］?？柤永锎髮W(xué)采用反向傳播神經(jīng)網(wǎng)絡(luò)，輸入地理位置、深度、孔隙壓力、套管腐蝕速率、套管強(qiáng)度等參數(shù)，預(yù)測(cè)套管失效的深度和概率，但該方法仍然需要進(jìn)一步開展關(guān)鍵數(shù)據(jù)的提取，提高其預(yù)測(cè)結(jié)果的準(zhǔn)確性［15］。斯倫貝謝采用人工神經(jīng)網(wǎng)絡(luò)(ANN)，根據(jù)水泥的漫反射紅外傅里葉變換光譜、粒度分布等來預(yù)測(cè)水泥漿性能［16］。

2.2 鉆井參數(shù)優(yōu)化

鉆井過程參數(shù)的優(yōu)化主要通過對(duì)井下機(jī)械鉆速、井底鉆具組合響應(yīng)特性、鉆柱振動(dòng)、鉆頭性能、鉆遇地層特性等參數(shù)的監(jiān)測(cè)，來降低鉆井作業(yè)的不確定性，并提高預(yù)測(cè)的置信度。

鉆井過程中經(jīng)常會(huì)遇到不同的地質(zhì)條件，如巖性的變化、地層壓力的變化等，實(shí)時(shí)了解鉆頭周圍巖石的物理及力學(xué)性質(zhì)對(duì)于優(yōu)化鉆井參數(shù)非常重要。盡管隨鉆測(cè)井可以提供這些信息，但其傳遞到地面的信息與鉆頭實(shí)際性能之間存在深度滯后。奧克拉荷馬大學(xué)以機(jī)器學(xué)習(xí)工作流程中的鉆頭與鉆柱性能數(shù)據(jù)為基礎(chǔ)，來預(yù)測(cè)隨鉆鉆頭處的巖性。工作流程如下：首先利用盒形圖和交叉圖對(duì)裸眼測(cè)井資料進(jìn)行分析，并生成相關(guān)系數(shù)表，剔除異常值，并準(zhǔn)備數(shù)據(jù)聚類；第2步對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行主成分分析，去除相關(guān)變量，用不相關(guān)主成分代替相關(guān)變量，利用K-均值、SOM和層次聚類3種聚類技術(shù)對(duì)巖性變化進(jìn)行分離；第3步通過觀察3個(gè)巖群的測(cè)井?dāng)?shù)據(jù)和巖心特征，確定這些巖群(或巖相)的巖石物理意義；最后，利用已清理和準(zhǔn)備好的MWD數(shù)據(jù)，采用隨機(jī)森林、梯度增強(qiáng)和神經(jīng)網(wǎng)絡(luò)等技術(shù)，對(duì)不同巖性群進(jìn)行預(yù)測(cè)，工作流程如圖1所示［17］。該方法在挪威Volve油田現(xiàn)場(chǎng)進(jìn)行了測(cè)試，預(yù)測(cè)準(zhǔn)確率達(dá)75%。

圖1 機(jī)器學(xué)習(xí)預(yù)測(cè)地層巖性Fig. 1 Prediction of formation lithology by machine learning

鉆井機(jī)械鉆速的預(yù)測(cè)對(duì)于優(yōu)化鉆井參數(shù)起著至關(guān)重要的作用，可用于檢查鉆井?dāng)?shù)據(jù)，優(yōu)化機(jī)械鉆速，降低機(jī)械比能，提高鉆頭壽命?；趥鹘y(tǒng)線性統(tǒng)計(jì)的方法無法獲得理想的鉆速預(yù)測(cè)結(jié)果，需要采用非線性方法和先進(jìn)的集成技術(shù)。德克薩斯A&M大學(xué)采用人工智能算法進(jìn)行網(wǎng)絡(luò)機(jī)械鉆速的預(yù)測(cè)［18］，首先建立包括層間厚度、鉆井液密度、鉆壓、轉(zhuǎn)速、流量、鉆進(jìn)深度等參數(shù)的鉆速特征集合；繪制不同特征參數(shù)隨時(shí)間的變化值，檢查是否有特定參數(shù)控制響應(yīng)；利用不同參數(shù)之間的相關(guān)性對(duì)數(shù)據(jù)集合中的缺失值進(jìn)行補(bǔ)全，同時(shí)剔除由于測(cè)量誤差或者卡鉆等事故造成的數(shù)據(jù)誤差；利用主成分分析法對(duì)特征數(shù)量進(jìn)行降維，以此來提升模型的預(yù)測(cè)精度以及降低計(jì)算的復(fù)雜程度，繼續(xù)通過特征分析推導(dǎo)出每個(gè)特征屬性的相對(duì)權(quán)重和貢獻(xiàn)；再選取支持向量回歸模型、梯度增強(qiáng)模型、神經(jīng)網(wǎng)絡(luò)模型、K值最近鄰模型、隨機(jī)森林與梯度增強(qiáng)集成模型等5種人工智能預(yù)測(cè)模型，多種模型的訓(xùn)練有助于提高精度和減少誤差，最終隨機(jī)森林算法以10%的均方差成功預(yù)測(cè)和優(yōu)化了鉆井參數(shù)，鉆速預(yù)測(cè)效果最好。

2.3 鉆井井眼軌跡控制

在地質(zhì)導(dǎo)向和旋轉(zhuǎn)導(dǎo)向施工過程中，需要經(jīng)驗(yàn)豐富的專業(yè)人員做大量的決策，人工判斷易出現(xiàn)錯(cuò)誤與誤差。利用人工智能技術(shù)，鉆井井眼軌跡導(dǎo)向與控制完全可以離開人的干預(yù)，井下信息的測(cè)量、傳輸和控制指令的產(chǎn)生、執(zhí)行完全可以自動(dòng)進(jìn)行。殼牌研發(fā)了智能定向鉆井系統(tǒng)——Shell GeodesicTM[19］。該系統(tǒng)首先將收集的鉆井參數(shù)通過篩選、過濾、歸一化，再選擇適當(dāng)?shù)膮?shù)用于構(gòu)建和訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)利用強(qiáng)化學(xué)習(xí)方法來細(xì)化訓(xùn)練歷史數(shù)據(jù)，通過自主學(xué)習(xí)模擬施工人員日常操作，訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)可以最大限度地降低實(shí)鉆井眼軌跡與預(yù)設(shè)值的偏差，提高吻合度，減少后期糾正井眼軌跡的工作量，提高機(jī)械鉆速，降低作業(yè)成本。成熟的神經(jīng)網(wǎng)絡(luò)可以媲美一個(gè)定向鉆井專家的決策能力，并保證決策失誤率在3%以內(nèi)。在美國(guó)二疊紀(jì)盆地，利用14口水平井定向鉆井?dāng)?shù)據(jù)，通過當(dāng)前工具面、鉆壓、鉆井液排量、機(jī)械鉆速、壓差、旋轉(zhuǎn)扭矩，預(yù)測(cè)未來壓差和旋轉(zhuǎn)扭矩等，經(jīng)過1 800 000個(gè)訓(xùn)練步驟后，壓差預(yù)測(cè)誤差為0.21%，扭矩預(yù)測(cè)誤差為2.72%。

2.4 井筒完整性監(jiān)控

在鉆井過程中，特別是高溫高壓深井，會(huì)遇到井漏等各種井下復(fù)雜情況，增加非生產(chǎn)時(shí)間。目前，普遍通過電阻率測(cè)井、計(jì)算井筒溫度剖面和循環(huán)當(dāng)量密度等方式進(jìn)行井漏預(yù)測(cè)。然而，這些方法在應(yīng)用過程中由于成本或技術(shù)原因而無法成功。法赫德國(guó)王石油與礦業(yè)大學(xué)采用支持向量機(jī)(SVM)的機(jī)器學(xué)習(xí)技術(shù)成功實(shí)現(xiàn)了井漏預(yù)測(cè)。該方法在三維特征空間中訓(xùn)練樣本，在鉆井漏失預(yù)測(cè)方面具有比人工神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)方法更高的精度，在鉆進(jìn)漏失層前，可幫助現(xiàn)場(chǎng)鉆井工程師提前預(yù)測(cè)，從而及早調(diào)整鉆井參數(shù)或堵漏方案。SVM技術(shù)需要井漏記錄數(shù)據(jù)和相關(guān)鉆井參數(shù)。井漏數(shù)據(jù)包括出口流量、漏失井深；輸入的鉆井參數(shù)包括井深、大鉤載荷、大鉤高度、機(jī)械鉆速、轉(zhuǎn)速、立壓、扭矩、鉆壓等。再對(duì)數(shù)據(jù)進(jìn)行處理，去除無效值，并進(jìn)行過濾和平滑后，將單井的鉆井參數(shù)分成兩組，一組用來機(jī)器學(xué)習(xí)和訓(xùn)練，另一組用來測(cè)試預(yù)測(cè)結(jié)果的精度，最終達(dá)到鉆井漏失預(yù)測(cè)的目標(biāo)。利用SVM技術(shù)和基于徑向基的神經(jīng)網(wǎng)絡(luò)技術(shù)(RBF)對(duì)鉆井漏失情況進(jìn)行了預(yù)測(cè)，75%的數(shù)據(jù)用于訓(xùn)練，25%的數(shù)據(jù)用于測(cè)試和修正相關(guān)模型。結(jié)果顯示，RBF技術(shù)的預(yù)測(cè)相關(guān)系數(shù)為0.981，均方根誤差為0.097，而SVM預(yù)測(cè)漏失相關(guān)度為1，均方根誤差為0，具有更高的精度［20］。 密蘇里科學(xué)技術(shù)大學(xué)采用機(jī)器學(xué)習(xí)的方法，準(zhǔn)確預(yù)測(cè)伊拉克Rumaila油田Dammam地層鉆井過程中的鉆井液漏失體積、ECD和ROP等參數(shù)，與傳統(tǒng)方法相比，該方法預(yù)測(cè)精度與實(shí)際情況更吻合［21］。

2.5 鉆井風(fēng)險(xiǎn)識(shí)別

意外的溢流和井涌對(duì)鉆井作業(yè)構(gòu)成重大風(fēng)險(xiǎn)。常用的溢漏報(bào)警系統(tǒng)采用固定的判斷界限，誤報(bào)率高，可靠性低。Pason系統(tǒng)公司提出了一種適用于循環(huán)系統(tǒng)監(jiān)測(cè)的機(jī)器學(xué)習(xí)算法框架，通過為循環(huán)出口流量和泥漿池增量提供預(yù)期的安全操作范圍，使其保持非常低的誤報(bào)率。該算法可以用圖2中的流程來描述，棕黃色框表示功能，藍(lán)色框表示可能的用戶輸入，綠色框表示基于司鉆輸入?yún)?shù)(入口流量和鉆頭運(yùn)動(dòng))，使用在線自適應(yīng)機(jī)器學(xué)習(xí)明確估計(jì)出口流量和泥漿池增量的期望值［22］。自適應(yīng)機(jī)器學(xué)習(xí)算法用于自動(dòng)和自適應(yīng)地更新預(yù)期的操作范圍，預(yù)測(cè)指標(biāo)與預(yù)期操作范圍的直接比較用于生成警告，并可將這些警告組合起來生成警報(bào)。通過使用大量標(biāo)記的溢流和漏失來評(píng)估其研發(fā)的系統(tǒng)，結(jié)果表明，與現(xiàn)有的溢流和漏失監(jiān)測(cè)的固定范圍方法相比，新方法降低虛報(bào)警率，增強(qiáng)監(jiān)測(cè)概率，減少預(yù)警時(shí)間等方面有顯著改進(jìn)。經(jīng)典機(jī)器學(xué)習(xí)算法提供了強(qiáng)大的功能，但是這些方法的內(nèi)部工作是不透明的，不滿足實(shí)際動(dòng)態(tài)應(yīng)用需求。Pason公司提出的溢漏監(jiān)測(cè)機(jī)器學(xué)習(xí)框架，通過提供明確的安全操作界限和用戶驅(qū)動(dòng)的模型重置，將數(shù)據(jù)動(dòng)態(tài)分析功能緊密集成到鉆井作業(yè)人員中，使得鉆井作業(yè)人員能夠?qū)⑵鋵I(yè)知識(shí)與可解釋的機(jī)器學(xué)習(xí)提供的信息結(jié)合起來，增強(qiáng)了溢流監(jiān)測(cè)的可靠性與靈活性。

圖2 使用預(yù)測(cè)變量進(jìn)行溢漏監(jiān)測(cè)的機(jī)器學(xué)習(xí)示例Fig. 2 Example of machine learning for spill monitoring using predictive variables

鉆井過程中套管下入井中時(shí)，管柱在井內(nèi)會(huì)受阻遇卡，導(dǎo)致鉆井延遲，費(fèi)用昂貴。BP公司運(yùn)用人工智能技術(shù)進(jìn)行套管卡管預(yù)測(cè)，讓司鉆在卡管發(fā)生前校正管柱下入的方法。該方法通過建立相關(guān)數(shù)學(xué)算法概率模型(如決策樹、神經(jīng)網(wǎng)絡(luò)等)，再?gòu)拇罅繗v史數(shù)據(jù)中，識(shí)別出過去發(fā)生的與靜摩擦事件相關(guān)的230個(gè)屬性特征，基于歷史模式、預(yù)測(cè)模型，可在5 s內(nèi)對(duì)靜摩擦事件進(jìn)行識(shí)別。應(yīng)用該方法后，預(yù)測(cè)卡管精確度達(dá)到85%，大大減少了卡管造成的損失。德克薩斯大學(xué)奧斯丁分校采用自主學(xué)習(xí)(ALM，active learning method) ，通過上千口井的鉆井?dāng)?shù)據(jù)，使用反向傳播學(xué)習(xí)規(guī)則，分析輸入測(cè)深、鉆井液參數(shù)、鉆壓、轉(zhuǎn)速等，實(shí)時(shí)監(jiān)測(cè)可能發(fā)生的卡鉆情況，預(yù)測(cè)精度達(dá)到100%，實(shí)施流如圖3所示［23］。

圖3 ALM方法流程圖Fig. 3 ALM method flow chart

2.6 鉆井程序決策

為達(dá)到提高產(chǎn)量、降低成本、節(jié)省時(shí)間的目的，經(jīng)常要選擇一些特殊的鉆井作業(yè)程序，如欠平衡鉆井、過平衡鉆井、噴射鉆井等。為評(píng)價(jià)所選作業(yè)程序的適用性，雪佛龍公司基于案例推理(CBR)進(jìn)行淺疏松砂巖最佳洗井程序的選擇。為了進(jìn)行推理評(píng)估，建立了包含近5 000口井的生產(chǎn)操作和井筒干預(yù)詳細(xì)信息的數(shù)據(jù)庫(kù)。通過1組隨機(jī)案例的初始測(cè)試，表明人工智能工具提出的方法和專家現(xiàn)場(chǎng)指導(dǎo)實(shí)施的方法有80%的相似度［24］。在連續(xù)油管作業(yè)中，作業(yè)程序制定主要依據(jù)作業(yè)者經(jīng)驗(yàn)，傳統(tǒng)的連續(xù)油管仿真軟件沒有足夠現(xiàn)場(chǎng)數(shù)據(jù)支撐，無法有效識(shí)別風(fēng)險(xiǎn)，在復(fù)雜井施工中該作業(yè)方式易降低作業(yè)質(zhì)量，甚至損壞作業(yè)設(shè)備。貝克休斯的CIRCA連續(xù)油管軟件則基于過去30年現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行學(xué)習(xí)和建模改進(jìn)，將理論模型和以往大量現(xiàn)場(chǎng)經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行擬合，幫助作業(yè)者基于可靠的實(shí)際數(shù)據(jù)進(jìn)行決策。

3 應(yīng)用關(guān)鍵

在20 世紀(jì)八九十年代，油氣領(lǐng)域開始探索引入人工智能技術(shù)，由于數(shù)據(jù)、算力等原因并沒有達(dá)到預(yù)期的效果，投入削減，研究進(jìn)度放緩。2010年以來，隨著互聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、芯片、算法快速發(fā)展，國(guó)外油氣公司、研究機(jī)構(gòu)在人工智能應(yīng)用于鉆井工程中開展了大量探索，部分技術(shù)進(jìn)行了現(xiàn)場(chǎng)試驗(yàn)，取得了較好的應(yīng)用效果，但整體還處于前期研發(fā)試驗(yàn)階段。從應(yīng)用情況來看，鉆井?dāng)?shù)據(jù)的實(shí)時(shí)共享、人工智能算法的優(yōu)選、人工智能內(nèi)在邏輯規(guī)律的解釋和云計(jì)算與邊緣計(jì)算的協(xié)同發(fā)展對(duì)于鉆井人工智能的成功應(yīng)用起著至關(guān)重要的作用。

3.1 鉆井?dāng)?shù)據(jù)的實(shí)時(shí)共享

人工智能技術(shù)的應(yīng)用和發(fā)展離不開數(shù)據(jù)基礎(chǔ)的支撐，需要油田分公司、石油公司、科研機(jī)構(gòu)的共同參與，加速大數(shù)據(jù)平臺(tái)的建設(shè)，打破“數(shù)據(jù)孤島”，加強(qiáng)鉆井工程各環(huán)節(jié)的數(shù)據(jù)共享，規(guī)范數(shù)據(jù)的采集、傳輸、存儲(chǔ)、轉(zhuǎn)換、集成和應(yīng)用，提升數(shù)據(jù)一致性和可靠性，協(xié)同推動(dòng)鉆井人工智能技術(shù)和產(chǎn)品的研發(fā)，通過系統(tǒng)集成實(shí)現(xiàn)產(chǎn)業(yè)化。

3.2 人工智能算法的優(yōu)選

人工智能應(yīng)用于鉆井工程的場(chǎng)景包含鉆井設(shè)計(jì)、鉆井參數(shù)優(yōu)化、鉆井井眼軌跡控制、風(fēng)險(xiǎn)預(yù)測(cè)等多個(gè)作業(yè)環(huán)節(jié)，不同應(yīng)用場(chǎng)景對(duì)人工智能算法的適應(yīng)性差別較大，因此針對(duì)鉆井工程不同應(yīng)用場(chǎng)景特點(diǎn)對(duì)不同的人工智能算法進(jìn)行比較、優(yōu)選或組合，對(duì)提高人工智能模型的準(zhǔn)確性和計(jì)算速度非常重要。

3.3 人工智能內(nèi)在邏輯規(guī)律的解釋

人工智能模型根據(jù)數(shù)據(jù)集訓(xùn)練反映輸出和輸入變量之間的關(guān)系，內(nèi)在邏輯規(guī)律無法解釋，未來人工智能的發(fā)展需要將“黑匣子”的分析逐步轉(zhuǎn)化為 “透明匣子”的展示，即讓人工智能技術(shù)與鉆井工程的理論、技術(shù)深度融合，充分解釋物理、力學(xué)、化學(xué)機(jī)理導(dǎo)致的各種邏輯規(guī)律［25-26］。

3.4 云計(jì)算與邊緣計(jì)算的協(xié)同發(fā)展

人工智能技術(shù)在鉆井工程中的發(fā)展離不開強(qiáng)大算力支持，常規(guī)油田基地服務(wù)器越來越難以支撐大規(guī)模數(shù)據(jù)的計(jì)算需求，云計(jì)算雖具有強(qiáng)大的計(jì)算能力，但無法滿足鉆井工程中近實(shí)時(shí)、低延時(shí)的應(yīng)用需求，這就要利用邊緣計(jì)算形成高效的分布式協(xié)調(diào)機(jī)制和決策模型，以實(shí)現(xiàn)鉆井工程作業(yè)效率最大化。

4 發(fā)展建議

4.1 國(guó)內(nèi)外主要石油公司技術(shù)布局與水平對(duì)比

國(guó)外油公司、油服公司積極開展人工智能技術(shù)布局，多采用自主創(chuàng)新與合作研發(fā)(與數(shù)字巨頭、高校等)并舉、投資小公司的策略。油公司側(cè)重通過搭建油田勘探開發(fā)大數(shù)據(jù)分析平臺(tái)，將人工智能用于智能油田建設(shè)、提高油氣儲(chǔ)層識(shí)別、提高油氣采收率、生產(chǎn)設(shè)備維護(hù)等方面，以提高儲(chǔ)量發(fā)現(xiàn)率、油氣采收率，降低作業(yè)成本。油服公司側(cè)重搭建鉆完井應(yīng)用平臺(tái)，并將相關(guān)專業(yè)化軟件融入，開展鉆井設(shè)計(jì)、鉆井優(yōu)化、鉆井風(fēng)險(xiǎn)預(yù)警、完井優(yōu)化等方面，并與油公司合作開展生產(chǎn)優(yōu)化、生產(chǎn)監(jiān)測(cè)等方面的研究，共同促進(jìn)油氣上游技術(shù)的智能化發(fā)展［27-29］。高校和科研機(jī)構(gòu)更加側(cè)重人工智能算法的研究，并與油公司和油服公司合作，將成熟技術(shù)集成在油公司和油田服務(wù)公司相關(guān)應(yīng)用平臺(tái)。表1為國(guó)外主要石油公司人工智能技術(shù)應(yīng)用布局及研發(fā)策略。

表1 國(guó)外主要石油公司人工智能技術(shù)布局及策略Table 1 Layout and strategy of artificial intelligence technology of major foreign oil companies

國(guó)內(nèi)大型石油公司在人工智能技術(shù)研究方面也取得了一定進(jìn)展，中國(guó)石油搭建了勘探開發(fā)夢(mèng)想云平臺(tái)，正在開展人工智能頂層設(shè)計(jì)，全面推動(dòng)人工智能在勘探開發(fā)中的應(yīng)用研究；中國(guó)石化開發(fā)了覆蓋公司內(nèi)各油田勘探開發(fā)業(yè)務(wù)的協(xié)同平臺(tái)，研發(fā)了鉆井專家決策支持系統(tǒng)，探索了人工智能鉆井參數(shù)優(yōu)化、風(fēng)險(xiǎn)預(yù)警和智能導(dǎo)航等研究；中國(guó)海油搭建了鉆井遠(yuǎn)程專家支持系統(tǒng)，并開展了鉆機(jī)系統(tǒng)故障的智能診斷等研究?？傮w上，我國(guó)油氣勘探開發(fā)大數(shù)據(jù)平臺(tái)建設(shè)方面與國(guó)外水平相當(dāng)，但是人工智能應(yīng)用場(chǎng)景還不明確、不系統(tǒng)，其發(fā)展目標(biāo)和技術(shù)路線不清晰［30］。在鉆井人工智能應(yīng)用平臺(tái)建設(shè)、算法優(yōu)化、智能決策子系統(tǒng)等方面與國(guó)外還有一定的差距。

4.2 發(fā)展建議

結(jié)合我國(guó)油氣勘探開發(fā)降本增效需求以及人工智能技術(shù)本身的發(fā)展?fàn)顩r，建議我國(guó)鉆井人工智能技術(shù)從3個(gè)階段發(fā)展：(1)基于大數(shù)據(jù)、云計(jì)算和物聯(lián)網(wǎng)技術(shù)，構(gòu)建鉆井人工智能應(yīng)用軟件平臺(tái)，為鉆井智能決策支持提供數(shù)據(jù)基礎(chǔ)和平臺(tái)基礎(chǔ)；(2)針對(duì)鉆井具體應(yīng)用場(chǎng)景，基于人工智能技術(shù)研發(fā)一批能顯著降本增效的新技術(shù)、新裝備和新軟件，為構(gòu)建智能鉆井生態(tài)系統(tǒng)提供核心技術(shù)基礎(chǔ)。近期重點(diǎn)開展鉆井參數(shù)優(yōu)化、井眼軌跡控制和風(fēng)險(xiǎn)預(yù)警等方面的研究，技術(shù)成熟后，通過示范帶動(dòng)效應(yīng)，再開展人工智能在其他領(lǐng)域研究；(3)構(gòu)建智能鉆井生態(tài)系統(tǒng)，使人工智能技術(shù)滲透進(jìn)鉆井工程的每一個(gè)角落。同時(shí)，加強(qiáng)鉆井人工智能基礎(chǔ)理論攻關(guān)，加大現(xiàn)場(chǎng)先導(dǎo)試驗(yàn)，盡快形成我國(guó)鉆井人工智能技術(shù)體系。

4.2.1 鉆井人工智能應(yīng)用平臺(tái)

鉆井人工智能應(yīng)用平臺(tái)總體架構(gòu)包括感知層、平臺(tái)層、應(yīng)用層3層結(jié)構(gòu)。感知層借助物聯(lián)網(wǎng)手段，通過各類終端數(shù)據(jù)統(tǒng)一標(biāo)準(zhǔn)化接入，實(shí)現(xiàn)對(duì)歷史和實(shí)時(shí)地質(zhì)數(shù)據(jù)、鉆井?dāng)?shù)據(jù)、完井?dāng)?shù)據(jù)、測(cè)錄井?dāng)?shù)據(jù)和其他數(shù)據(jù)的全景、廣域采集和感知，匯聚形成鉆井大數(shù)據(jù)；平臺(tái)層提供平臺(tái)和業(yè)務(wù)支撐，利用云提供計(jì)算平臺(tái)，在此基礎(chǔ)上構(gòu)建人工智能引擎，通過豐富的機(jī)器學(xué)習(xí)算法和模型庫(kù)，支持從數(shù)據(jù)集選擇、開發(fā)、訓(xùn)練到服務(wù)的全流程一站式管理；應(yīng)用層通過人工智能技術(shù)與傳統(tǒng)技術(shù)優(yōu)勢(shì)互補(bǔ)，應(yīng)用于鉆井軌跡優(yōu)化、風(fēng)險(xiǎn)預(yù)警、鉆速優(yōu)化等場(chǎng)景。

4.2.2 鉆井參數(shù)優(yōu)化

結(jié)合地層巖性、鉆頭磨損、破巖效率、鉆柱振動(dòng)等特征，以最大機(jī)械鉆速、最長(zhǎng)鉆頭壽命、最大鉆井進(jìn)尺、最低鉆井成本等為多目標(biāo)，尋找最佳鉆井工程參數(shù)組合?；跈C(jī)器學(xué)習(xí)方法對(duì)機(jī)械鉆速模型進(jìn)行評(píng)估，確定不同鉆井方式下最優(yōu)模型，并使機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)在線自適應(yīng)更新。利用機(jī)器學(xué)習(xí)算法得到地面-井下參數(shù)匹配的代理模型，揭示地面-井下參數(shù)的動(dòng)態(tài)匹配關(guān)系，實(shí)現(xiàn)鉆井工程參數(shù)的智能調(diào)控，提高鉆井機(jī)械鉆速。

4.2.3 鉆井智能導(dǎo)航

通過采集相應(yīng)的鉆井歷史資料，基于隨機(jī)森林、梯度增強(qiáng)、神經(jīng)網(wǎng)絡(luò)等人工智能算法，利用隨鉆時(shí)間序列信號(hào)智能分類處理方法，對(duì)不同巖性群進(jìn)行識(shí)別和預(yù)測(cè)，實(shí)現(xiàn)地層的智能識(shí)別與分類。再利用人工智能網(wǎng)絡(luò)模型，對(duì)隨鉆數(shù)據(jù)進(jìn)行實(shí)鉆處理和識(shí)別，定位鉆頭位置。結(jié)合地層智能識(shí)別結(jié)果，綜合判斷鉆頭在地層中的穿行狀態(tài)，利用深度學(xué)習(xí)算法進(jìn)行軌跡優(yōu)化，從而實(shí)現(xiàn)高效的智能導(dǎo)向鉆進(jìn)。

4.2.4 鉆井風(fēng)險(xiǎn)預(yù)警

從大量歷史數(shù)據(jù)中，基于機(jī)器學(xué)習(xí)篩選出鉆井風(fēng)險(xiǎn)(井漏、井涌、井塌等)的關(guān)聯(lián)參數(shù)，建立關(guān)聯(lián)參數(shù)邏輯模型。用不同算法模型計(jì)算同一個(gè)驗(yàn)證數(shù)據(jù)集，評(píng)價(jià)和優(yōu)選不同算法模型的可靠性和適用性?；陲L(fēng)險(xiǎn)智能診斷模型，結(jié)合鉆壓、鉆時(shí)、排量、鉆井液密度等實(shí)鉆參數(shù)，實(shí)時(shí)預(yù)測(cè)鉆井作業(yè)風(fēng)險(xiǎn)，指導(dǎo)現(xiàn)場(chǎng)作業(yè)，減少非生產(chǎn)時(shí)間。

4.2.5 基礎(chǔ)前瞻研究

開展人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、蟻群算法等算法對(duì)具體應(yīng)用領(lǐng)域的適應(yīng)性，并構(gòu)建鉆井工程人工智能應(yīng)用流程規(guī)范和標(biāo)準(zhǔn)體系，突破關(guān)鍵技術(shù)瓶頸；研發(fā)鉆井井筒數(shù)字孿生系統(tǒng)，使用地面和井下實(shí)時(shí)鉆井?dāng)?shù)據(jù)，進(jìn)行實(shí)時(shí)建模，以監(jiān)督和優(yōu)化鉆井過程；開展人工智能用于非常規(guī)油氣藏裂縫表征、鉆井設(shè)備與工具預(yù)測(cè)性維護(hù)等前瞻研究，儲(chǔ)備下一代鉆井人工智能技術(shù)。