大閉環伺服控制隨鉆智能導向鉆井方法

吳思源， 李守定*， 陳冬， 李曉， 杜愛民， 張瑩

1 中國科學院頁巖氣與地質工程重點實驗室， 中國科學院地質與地球物理研究所， 北京 100029 2 行星與地球科學學院， 中國科學院大學， 北京 100049 3 中國科學院地球科學研究院， 北京 100029 4 中國科學院深地資源裝備技術工程實驗室， 中國科學院地質與地球物理研究所， 北京 100029 5 油氣資源與探測國家重點實驗室， 中國石油大學(北京)， 北京 102249

0 引言

石油與天然氣是國際戰略資源，是國民經濟發展的“血液”.隨著國內外油氣勘探開發力度進一步加大、鉆井深度進一步加深，高效開發深層超深層油氣資源是實現中國能源接替戰略的首要任務，也是當前和未來油氣勘探開發的重點和熱點，但目前深層油氣勘探開發仍面臨系列挑戰(劉光鼎，2005；賈承造和龐雄奇，2015).由于深井超深井地層情況復雜，井下復雜事故頻發，建井周期長，鉆完井成本高，降低了油氣開發的技術性和經濟性，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、準噶爾盆地、四川盆地及柴達木盆地等地區，分布著眾多的深井超深井，其勘探開發的進程受到勘探科技水平約束.因此，提出了一種大閉環伺服控制隨鉆智能導向鉆井方法的架構設計，并開展了相關算法的初探.

地質導向技術與旋轉導向技術是目前鉆井領域自動化程度最高的鉆井方法，可以有效提高油氣鉆遇率、鉆進效率和井眼質量.該方法依賴高效的井地數據傳輸，通過專家遠程分析上傳數據判斷鉆井作業狀態，可及時優化鉆井決策.現有井地數據傳輸主要使用的方法是泥漿脈沖法(房軍和蘇義腦，2004)，把鉆柱內流動的鉆井液作為傳輸介質，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，泥漿脈沖信號會不斷衰減.因此，在深井超深井中，高效的數據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據傳輸技術，保障在深井超深井條件下井地數據傳輸效率；另一種是采用大閉環伺服控制隨鉆智能導向鉆井方法，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，以減少對數據傳輸和人類專家的依賴.要實現大閉環伺服控制隨鉆智能導向鉆井系統，需要完成兩個部分的無人化自主預測：一是利用隨鉆測井實時感知，并快速智能地對儲層進行評價，為數據融合與閉環控制策略提供物理機制與參數基礎；二是利用鉆井工程參數對鉆進過程中機械鉆速進行預測和優化，為綜合優快鉆井提供可靠的數據保障.

縱向分辨率較高、連續性較好的地球物理測井參數在油藏描述中具有重要作用.在儲層評價中，地球物理測井綜合解釋可解決兩類問題：一類是通過地球物理測井曲線對地層進行劃分，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井曲線求取地層的物性參數，如孔隙度、滲透率、飽和度等回歸問題(雍世和和張超謨，1996).隨著計算機技術的發展和地質行業數據量的爆炸式增長，人工智能技術在油氣勘探開發領域中應用非常廣泛.Wu和Nyland(1987)認為人工智能可以將地質因素納入地層分層解釋中，故采用了一個簡單的迭代線性回歸模型來識別界面，并用啟發式算法過濾得到分層.劉爭平和何永富(1995)應用人工神經網絡中的BP神經網絡(Back Propagation Neural Network)建立了地球物理測井參數與地層參數的關系，克服了傳統地球物理測井解釋方法中所遇到的高度復雜非線性建模困難的問題.王淑盛等(2004)改進了傳統K近鄰方法，提出了加權K近鄰的方法利用地球物理測井數據進行巖性識別.近年來，隨著深度學習的發展應用，在地球物理學領域中也引入了深度學習的方法.張吉昌等(2005)利用神經網絡(Artificial Neural Network，ANN)結合模糊邏輯的方法，以地球物理測井資料為輸入參數進行裂縫識別研究.許滔滔等(2020)利用LSTM循環神經網絡，對大地電磁工頻干擾進行有效壓制，從而提高了數據處理質量.目前利用人工智能方法對儲層進行評價的研究很多，但大多都是針對一個參數進行預測，并且預測準確率和泛化能力差異較大，沒有形成統一的理論體系.所以本研究嘗試了多種機器學習和深度學習算法，通過地球物理測井參數來預測儲層物性參數，對比不同算法的優劣，為大閉環伺服控制隨鉆智能導向鉆井系統中鉆進環境感知模塊提供參數基礎.

鉆井過程中大部分工作是破碎巖石，從而達到增加井深的目的.在安全、成功、高效的鉆進目標下，提高機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)結合地球物理測井資料和其他巖石物理參數提出了一個地層可鉆性模型，可以在現場進行快速實時的可鉆性預測.范翔宇等(2007)利用地震資料，運用數理統計方法模擬和優選出了地震層速度與機械鉆速之間的定量計算模型.林元華等(2005)借鑒三牙輪鉆頭仿真理論，建立了沖擊器動力學模型和機械鉆速仿真模型，并預測出空氣沖旋轉鉆井機械鉆速.Bybee(2006)針對鉆頭、動力鉆具以及底部鉆具組合，提出了提高機械鉆速的方法.本研究將機器學習算法引入到利用鉆井工程參數預測機械鉆速中，并獲得了較好的結果，為大閉環伺服控制隨鉆智能導向鉆井系統中智能決策模塊提供了鉆進參數優化的依據.

本文在提出大閉環伺服控制隨鉆智能導向鉆井方法的基礎上，采用機器學習和深度學習算法，對大閉環伺服控制隨鉆智能導向鉆井系統架構的鉆進環境感知模塊、鉆進參數智能決策模塊開展詳細研究，為深井超深井導向鉆井提供了解決方案.既體現了該系統架構的可行性，也為系統內其他環節的實現提供了參考實例，符合自動化鉆井朝著智能化鉆井發展的歷史趨勢.

1 大閉環伺服控制隨鉆智能導向鉆井方法架構

隨著鉆井朝著4500 m以深的深層超深層發展，復雜的地質條件對油氣儲層的刻畫、井眼軌跡的設計及控制提出了更高的要求.深層超深層井型越來越復雜，泥漿信號傳輸速率受限，導致井下地質導向等數據很難實時傳到井場，使井場鉆井及遠程控制滯后，增加了鉆出儲層風險和深層超深層鉆井的成本.因此，對于深層超深層鉆井，發展智能鉆井方法，實現井下自主探測、自主決策、自主控制、自主鉆進的智能控制鉆井技術，是未來深層油氣高效開發的必由之路(劉清友，2009).

大閉環伺服控制隨鉆智能導向鉆井方法，基于地質模態、鉆進策略和導向策略建立導向知識庫，實現井下油氣藏甜點的智能探測識別，自主智能鉆進，這將是未來地下能源無人化智能開發的前沿技術.井下自主智能鉆進須構建新的技術方法與實現路徑，圖1構建了一種大閉環伺服控制隨鉆智能導向鉆井系統架構，將旋轉導向、地質導向、隨鉆地震、電磁前探、隨鉆測量、信號傳輸、自動鉆機等技術集成于一體，通過人工智能評價與決策，實現井下自主智能鉆進.該系統架構分為鉆進感知、智能決策與大閉環控制3個部分：

圖1 大閉環伺服控制隨鉆智能導向鉆井系統架構Fig.1 Global closed-loop servo control of intelligent-while-drilling steering system framework

(1)鉆進感知模塊.包括隨鉆測量、地質導向、電磁前探和隨鉆地震.隨鉆測量工具獲取鉆頭定位信息，地質導向獲取井周地層特性與參數，電磁前探和隨鉆地震探測獲取鉆頭前方地層與結構信息，具體而言：①隨鉆測量工具，獲取地磁方位、重力井斜等參數確定鉆頭的空間坐標與姿態，實現井軌跡實時計算.這些參數輸入到大閉環控制模塊中的數字閉環伺服控制器，作為鉆井軌道控制目標，同時也作為智能決策模塊中軌道鉆進參數智能修正的初始參數.②地質導向通過方位聲波電磁波成像、電阻率成像、方位聲波成像、核磁共振與地層測試等技術獲取井周地層的地球物理測井參數，感知井周地層特性.這些參數將傳入智能決策模塊的參數智能反演，為鉆進決策提供依據.③電磁前探和隨鉆地震能對鉆頭前方地層進行超前探測，獲得地層巖性、結構及地質力學相關特性.這些參數將傳入智能決策模塊進行參數智能反演，為自主確定鉆進軌道提供依據.

(2)智能決策模塊.包括預設軌道參數、預設鉆進參數、參數智能反演和軌道鉆進參數智能修正部分.該模塊是智能鉆進的“大腦”，依據智能感知系統獲取的信息和先驗知識輸入AI預測模型進行決策判斷，并根據預測結果對軌道和鉆進策略進行智能修正，及時調整鉆進方向和速度.決策方法主要包括有限狀態機模型、強化學習、決策樹模型、神經網絡和貝葉斯網絡等.①預設軌道參數，是鉆井初始軌道參數序列.在區塊井場地質、地球物理與前期鉆井資料形成的三維地質模型基礎上，形成的鉆井設計預設軌道參數，是參數智能修正的基礎軌道參數.②預設鉆進參數，是鉆井的初始鉆進工程參數.在軌道參數的基礎上，結合地層特性與結構參數，形成的鉆井設計預設鉆進機械與水力參數，是參數智能修正的基礎鉆進參數.③參數智能反演，根據鉆進感知的探邊與前探數據，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，實時分辨油、氣、水層和前方地層的結構特性，建立儲層的地質模型并對鉆頭前方的地層特性和油氣甜點進行評價.④軌道鉆進參數智能修正.在地質模型的基礎上，利用地層參數智能反演結果生成新的預設鉆井軌道參數和預設鉆進參數，然后輸入AI模型對軌道鉆進參數進行智能修正，使鉆頭鉆進軌道不脫離儲層，有效地穿過儲層甜點，更安全快速地完成鉆進任務.

(3)大閉環伺服控制模塊.包括數字閉環伺服控制器，旋轉導向、鉆頭、自動鉆機等部分，是智能鉆井的執行模塊.數字閉環伺服控制器，是鉆進策略與軌道執行的“中樞”，它根據智能決策模塊中修正后的軌道和鉆進參數，結合井斜和方位計算偏執力，將偏執力矢量信號傳輸到旋轉導向執行轉向，使旋轉導向前方的鉆頭實現偏轉.同時，數字閉環伺服控制器還將鉆進參數組模式信號通過泥漿脈沖傳輸到井場自動鉆機，自動鉆機根據接收到的鉆進參數組模式信號，調整鉆壓、轉速、泵壓和泵量等鉆進參數，合理調整鉆頭的鉆進速度.隨鉆測量工具和地質導向在鉆頭鉆進過程中，將記錄的井斜、方位和機械鉆速、鉆頭位置等參數反饋到數字閉環伺服控制器，由此實現了鉆頭鉆進與轉向兩個鉆進指標的大閉環伺服控制.

圖2為大閉環伺服控制隨鉆智能導向鉆井系統軟硬件智能測控關系，鉆頭后方從前到后分別為旋轉導向、地質導向、隨鉆測量工具，地質導向實現井周和鉆頭前方地層的地球物理特性探測，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，作為軌跡和鉆進參數智能修正的輸入條件，經過軌跡與鉆進參數修正，使鉆頭鉆進軌道不脫離儲層；修正后的軌道和鉆進參數輸入到閉環控制器，閉環控制器將這些參數作為伺服目標，經過伺服控制計算，向旋轉導向發送偏執力信號，旋轉導向執行鉆頭轉向，通過泥漿脈沖向井場鉆機發送鉆進模式信號，鉆機按照預定好的鉆進模式設定鉆進工程與水力參數進行鉆進，地質導向和隨鉆測量中的定位模塊將鉆頭位置返回到數字閉環伺服控制器，伺服控制器根據鉆頭位置反饋進行誤差計算，調整新的偏執力與鉆進模態分別發送到旋轉導向和井場鉆機，獨立完成鉆頭鉆進與轉向的閉環伺服測控.上述大閉環伺服控制隨鉆智能導向鉆井系統井下工具組合與信號傳輸關系見圖3.

圖2 大閉環伺服控制隨鉆智能導向鉆井系統軟硬件智能測控關系Fig.2 Measurement and control technique between software and hardware of global closed-loop servo control of intelligent-while-drilling steering system

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

2 鉆進環境感知智能反演算法

鉆進感知算法決定了感知信息的利用程度與利用效率，是大閉環伺服控制隨鉆智能導向鉆井系統中獲取地層信息的重要模塊.利用地球物理測井技術獲取地層地球物理測井參數，建立適當的算法關系，將其轉化為如巖性、孔隙度、滲透率、含水飽和度、泥質含量等地質信息，根據這些信息能科學地評價鉆遇地層并智能優化預設的鉆進參數，也能為井眼軌道智能規劃和導鉆決策控制提供數據支撐.井地信息雙向傳輸能力弱和井下閉環控制算法不足，是制約深井超深井智能鉆井系統鉆進感知能力的主要因素.嘗試不同的機器學習算法構建地層特性預測模型，進行地球物理測井參數反演，為軌道鉆進參數智能修正提供依據.

首先進行數據準備.在綜合分析中國華南多源多尺度地質和地球物理數據得到的理論背景下(Di et al., 2021)，收集地球物理測井參數和巖性、物性等參數組成數據集，數據來源于已完成勘探開發的區塊且該數據集所在區塊的錄井和地球物理測井等地質資料較為齊全，保證了數據的有效性和正確性.根據國內外各大石油公司目前隨鉆測井儀器的技術水平，選取自然伽馬GR、聲波AC、密度DEN、中子CNL、電阻率RT等5個地球物理測井參數作為輸入.選取通過地球物理測井解釋后得到的巖性、孔隙度、滲透率、飽和度、泥質含量等物性參數作為輸出，輸出參數按數據類型分為：屬于分類問題的巖性識別和屬于回歸問題的孔隙度、滲透率、飽和度、泥質含量預測等.

由于數據集來自西部地區某區塊的不同井次，地球物理測井參數和解釋參數的側重點有所差異，故需要對數據集進行基礎的數據清洗，即對一些缺失數據、異常點和分類數據進行處理.針對缺失數據：若是局部缺失，主要通過鄰點插值的方法補全缺失點數據，若是缺失層段較長，則刪除對應深度所有參數值以保證數據集的真實性.地層性質隨著地層深度的增加變得越來越復雜，時常有異常點出現.根據地質錄井資料、鉆井報告等查詢該深度在勘探過程中是否出現過事故，判斷該異常點是否能真實反映地層性質，對該異常點進行合理取舍.

地層發育的連續性使得儲層巖性分布具有漸變性，因此在試驗中巖性的劃分非常精細.由于分類類別過多會使支持向量機的訓練和測試計算量大大提高，故選擇粉砂質泥巖、細砂巖、泥巖、泥質粉砂巖4類巖性作為標簽進行訓練，分別記為1、2、3、4，方便后續數據處理與分析.

隨鉆測井工具獲得的參數較多，但有些參數相關性不大，由于數據集維數較大時會增加分類器的計算量，應該去掉這部分特征，以增加分析任務的有效性，從而提高模型精度、減少運行時間. 在建立物性參數與地球物理測井參數之間關系矩陣時，引入信息熵(Kolter and Maloof，2004)的概念，通過計算得到特征屬性的重要程度.增強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性的表現方法，可以從大量無序的地球物理測井參數找出與預測值相關性較高的特征.以孔隙度為例，引入增強熱圖直觀表示各地球物理測井參數與孔隙度之間的關系，兩者相關性越大圖中的數值越趨近于1，相關性越低數值越趨近于0.具體實現流程如下：首先設置關系矩陣的框架格式，并調用某區塊超深井數據集中的5個地球物理測井參數列以及孔隙度列. 引入sns.heatmap函數，對函數內的參數進行設置，即可實現用顏色編碼的矩陣來繪制矩形數據-熱力圖. 最后得到孔隙度與地球物理測井參數之間的關系矩陣，如圖4所示，與孔隙度相關性較高的地球物理測井曲線有密度、聲波、中子，符合地球物理測井原理.

圖4 孔隙度與地球物理測井參數之間的關系矩陣Fig.4 The relationship matrix between porosity and logging parameters

2.1 巖性識別智能算法

巖性識別是儲層評價和油藏描述的重要研究內容，同時也是鉆進感知需要獲取的基礎參數.在劃分層位、地層對比時，僅從巖屑錄井來判斷巖性分類往往是不夠的.地球物理測井曲線中包含豐富的地層信息，不同地球物理測井曲線對巖性和地層的區分程度不同.其中，自然伽馬、自然電位、巖石體積密度等常規地球物理測井曲線常作為巖性分層的依據(馬海等，2009).地球物理測井曲線是判斷、解釋巖性剖面的主要依據，但是由于地下儲層非均質性很高，地球物理測井參數與巖性的對應關系大多是非線性關系.目前使用較多的傳統巖性識別方法，如：交會圖法、地質統計學方法，其準確率和效率主要取決于人的經驗，可靠性無法得到保證.

支持向量機算法被廣泛應用于巖性識別中，但得到的識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，但由于花費較大，往往只在儲層段或具有研究價值的目的層段取心，數據量相對較小.所以相對于孔隙度、滲透率、飽和度等物性參數的預測回歸任務，巖性分類屬于小樣本數據學習.由于支持向量機更適合對非線性小樣本數據進行學習且具有優秀的泛化性能，故采用該算法對巖性進行分類.通過學習分類尋找并建立不同巖性切分的超平面，再根據現場隨鉆測井測得的地球物理測井資料自動劃分鉆遇地層的巖性.

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

支持向量機算法在本質上與地球物理測井解釋的思想一致，尋找確定不同巖性數據的邊界，即通過學習分類尋找并建立將不同巖性切分的超平面，再根據現場隨鉆測井測得的地球物理測井資料自動劃分鉆遇地層的巖性.針對巖性樣本數量較少、分類標簽復雜度較低的情況，選擇一對一的多類分類支持向量機(Multi-class Support Vector Machines，MSVM)來解決此分類問題.決策采用投票法，每個分類器都對類別進行判斷并投票，未知樣本的類別輸出是得票數最多的那一類別(Krepel，1999；薛寧靜，2011).二分類支持向量機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).二分類支持向量機的核函數選擇常用的是高斯徑向基核函數，核參數σ二進間隔取值范圍為2-10～210.通過核函數，可將低維空間中非線性的數據映射為高維或無限維空間中近似線性關系的數據，然后進行求解.

收集了某區塊的地球物理測井數據共368組，在同一深度具有相對應的巖性數據，在判別巖性時可以相互驗證、互為依據.將數據集按4∶1的比例分為訓練集、測試集，為模型的建立及測試提供數據基礎.根據從隨鉆測井常測的參數中選出自然伽馬、電阻率、密度、聲波、中子等5條地球物理測井曲線，對其進行歸一化后作為巖性預測的輸入.然后，引入支持向量機模型來構建預測模型. 模型的參數設置如下：支持向量機懲罰因子C=1.0和核函數參數Gamma=28.594，核函數選擇的是RBF kernel，分類策略是ovo(one v one)，即類別兩兩之間進行劃分，用二分類方法模擬多分類的結果.巖性識別結果見圖5，左圖是通過錄井資料實測的真實巖性剖面，右圖是此次試驗中構建的支持向量機模型預測的巖性剖面. 分析巖性分類結果可知，砂泥巖互層的地層主要靠泥質含量進行區分.結果顯示，該模型對細砂巖和泥巖的識別能力較強，而對于粉砂質泥巖和泥質粉砂巖或其互層的地層識別能力相對較弱.模型在訓練集中得到了87.34%的準確率，在測試集上得到了86.08%的準確率.

圖5 支持向量機算法預測巖性對比剖面圖Fig.5 Comparison of lithology section predicted by SVM algorithm

2.2 儲層物性智能反演算法

孔隙度、滲透率、飽和度和泥質含量是評價儲集層油氣儲集能力的基本物性參數，受埋藏深度、儲層構造、沉積環境、成巖作用等多種地質因素的影響，這些參數與地球物理測井參數之間是典型的多參數非線性映射關系.充分利用多種地球物理測井參數對孔隙度、滲透率、飽和度參數進行綜合預測，對勘探開發具有十分重要的意義.以孔隙度為例，介紹利用地球物理測井數據構建回歸模型預測孔隙度，并推廣到其他儲層物性參數的預測方法.

2.2.1 隨機森林

隨機森林(Random Forest)是一種統計學習理論，以決策樹為基學習器，通過對每個基學習器的預測值進行投票或者求平均值得出最終預測結果的一種方法.作為一種機器學習理論，隨機森林是集成學習的一個擴展變體(Breiman，1996，2001).與集成學習中只通過樣本擾動的方法實現基學習器的“多樣性”(通過對初始訓練集采樣)不同，隨機森林中基學習器的多樣性除了來自樣本擾動，還來自屬性擾動，使得個體學習器之間的差異程度增加，從而使最終集成的模型泛化性進一步提高.隨機森林算法邏輯簡單、計算開銷低，在許多任務實現中表現出強大的性能.

收集到某區塊的處理后數據3642組，按3∶1的比例將數據集分為訓練集和測試集，用于模型的訓練和測試.通過特征選擇，選擇輸入樣本特征與巖性識別相同，即對孔隙度敏感的密度、中子、聲波，反映巖層泥質含量的自然伽馬，以及包含豐富的巖層滲透率和飽和度信息的電阻率曲線(劉爭平和何永富，1995).通過以下步驟實現孔隙度預測：向建立好的隨機森林中輸入一個新樣本(訓練集)；隨機森林中的每棵決策樹都可以獨立地做出判斷；將所有回歸決策樹輸出值的平均值作為預測值進行輸出；將訓練完成的模型應用在測試集上驗證其性能，并調整參數.實際試驗調用RandomForestRegressor函數構建模型，函數內部的參數設置為：nestimators=4，criterion=‘mse’，randomstate=3，njobs=-1. 試驗結果顯示，應用隨機森林算法進行孔隙度預測，在測試集上得到了97.39%的準確率.同樣的，應用隨機森林算法對滲透率、飽和度和泥質含量進行預測，得到的準確率分別是93.22%、91.05%、96.53%，真實值與預測值的對比見圖6.基于隨機森林算法的孔隙度、滲透率和飽和度的預測結果與真實值具有良好的相關性，表明了隨機森林算法預測孔隙度、滲透率和飽和度的有效性和實用性.在預測精度得到保證的情況下，應用隨機森林算法預測儲層參數的時間大大縮短，節省了時間成本.

圖6 儲層參數預測結果對比圖Fig.6 Comparison of reservoir parameters prediction results

2.2.2 LSTM循環神經網絡

傳統的機器學習算法在很多儲層評價和表征的實例中都能得到很好的結果，但由于訓練數據量較小和傳統機器學習算法自身的局限性，導致了很多模型泛化能力不足，即訓練好的模型不能應用于更廣泛的地區.而這時擁有著更強泛化能力的深度學習算法就可以取得更好的效果.許多專家學者采用深度學習的方法對地球物理測井數據進行分析預測.針對地球物理測井數據量較大的問題，循環神經網絡暴露了梯度消失和梯度爆炸的問題，導致無法利用時間較為靠前的數據，Hochreiter和Schmidhuber(1997)提出了長短期記憶LSTM循環神經網絡.Zhang等(2018a)將LSTM方法運用于地球物理測井曲線的補全和人工測井的生成，有利于更好的認識地層并改進鉆井策略，從而達到油氣開發降本增效的目的.安鵬等(2019)運用LSTM的方法，利用地球物理測井參數對儲層的物性參數進行預測.Zhang(2018b)運用LSTM的方法預測地下水位深度，獲得了比傳統前饋神經網絡更好的R2得分.

針對孔隙度反演，在Keras框架下實現，Keras是基于Theano和TensorFlow等底層框架實現的高層框架，該框架提供了許多用于快速訓練和測試網絡的高級接口. 本次試驗構建了一個包含6個隱層的深度神經網絡模型，數據通過MinMaxScaler的方式進行了預處理，輸入參數為DEN、CNL、AC、GR、RT. 神經網絡優化算法使用Adagrad算法，激勵函數使用ReLU函數，最后使用了Softmax層進行輸出. 試驗中構建的LSTM循環神經網絡整體結構框架見圖7.訓練模型除了包含循環神經網絡外部結構基本的循環外，LSTM還存在內部的“單元”循環(自循環).具體地，LSTM和普通的循環網絡相似之處在于每個單元都具有相同的輸入和輸出，但增加了控制信息流動的門控單元系統和更多的參數設置.

圖7框架中最重要的組成部分是狀態單元ct，保證信息不變地流過整個RNNs.第一個自環的權重(或相關聯的時間常數)由遺忘門(Forget Gate)ft控制是否丟棄ct-1中的信息，是線性自環.具體操作為sigmoid單元將權重設置為0和1之間的值，控制細胞狀態ct-1的信息.因此LSTM細胞內部狀態更新，其中有一個條件的自環權重ft：

圖7 LSTM循環神經網絡框架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細胞信息的輸出ht(使用Sigmoid單元作為門控)，ht為當前隱藏層向量，包含所有LSTM細胞信息的輸出，xt為當前輸入向量：

ot=σ(ωioxt+bio+ωhoht-1+bho),

(5)

ht=ot⊙tanh(ct).

(6)

數據共有14666組，選擇前10000組數據進行LSTM模型訓練，利用后4666組數據進行測試，在訓練集上得到的結果和實際孔隙度的對比見圖8.可以明顯看出預測的孔隙度和實際的孔隙度十分接近，在測試集上預測結果的準確率為95.4%，均方根誤差RMSE=0.0261，RMSE是方差的算術平方根，能反映一個數據集的離散程度.與隨機森林算法相比，LSTM循環神經網絡算法在構建孔隙度預測模型時的數據量遠大于隨機森林，最終模型的泛化能力也高于隨機森林算法，能應用于更多區塊的油藏評價.所以，隨著大閉環伺服控制隨鉆智能導向鉆井系統的不斷完善和發展，油氣田勘探開發獲取的數據量暴增，深度學習算法在預測能力和泛化能力上比機器學習更有優勢.

圖8 基于LSTM的孔隙度預測結果對比圖Fig.8 Comparison of porosity prediction results by LSTM

3 鉆進參數智能決策算法

智能決策的主要任務是根據感知到的地層信息進行全局鉆井參數優化和鉆井設計，并根據鉆頭實時的定位信息進行實時鉆進參數智能優化和軌道參數智能修正，是大閉環伺服控制隨鉆智能導向鉆井系統的決策中心.鉆井參數包括機械破巖參數與水力參數，通過AI模型確定最佳鉆井參數組合，實現優質高效鉆進.軌道規劃參數需要根據預設軌道參數與隨鉆測量數據，通過AI模型進行智能修正，使軌道不偏離儲層，并穿越更多的地質甜點.

3.1 鉆進參數智能決策

國內深井超深井鉆井技術起步較晚，但深井數量和機械鉆速都在不斷提高(汪海閣和鄭新權，2005).機械鉆速預測的發展大體經歷了三個階段(林元華等，2004)：(1)收集現場的鉆井工程數據，通過統計學的方法構建機械鉆速方程；(2)考慮鉆頭結構、地層力學性質和鉆井工程參數等因素的經驗公式；(3)在實驗室數據的基礎上，建立與鉆井過程有關的鉆井仿真數值模型.隨著計算機技術的發展，機械鉆速預測的準確性和速度有了顯著提高.

本文提出了基于隨機森林的機械鉆速預測方法，根據機械鉆速預測模型確定最優鉆進工程與水力參數.首先，收集鉆進工程數據進行分析和預測，大部分鉆進深度超過6500 m，屬于深井、超深井范疇.隨后，對機械鉆速數據進行預處理，使數據呈正態分布趨勢.針對同一組鉆井工程參數，應用不同的機器學習方法構建模型并進行機械鉆速預測.最后，驗證模型的準確率.不同機器學習算法在訓練集和測試集上獲得的準確率見表1.由表1可知，隨機森林構建的模型與其他機器學習算法相比，具有較高的預測準確率.高效、準確地預測出機械鉆速，是實現科學化、智能化鉆井的重要工作之一(Li et al., 2019).通過鉆進參數預測機械鉆速，不僅可以為現場機械鉆速的控制提供參考，還可以為軌道鉆進參數智能修正提供準確的輸入，以保證閉環控制的完成.

表1 不同機器學習方法的機械鉆速預測結果Table 1 Rate of penetration prediction results by different machine learning methods

3.2 軌道智能修正方法

自動導向鉆井技術基本已實現，但鉆井技術的發展并未真正意義上進入智能化鉆井階段.因為在軌道規劃階段還有人工參與，未實現鉆井軌道智能修正與軌跡閉環控制.鉆井軌道的設計主要以地質、采油部門提供的地質分層情況與目標點或目標井段的數據為基礎，通過數學方法計算出滿足設計要求的井眼軌道(劉修善，2006).以上軌道設計方法本質上都在使用數值迭代法求解，難以滿足復雜油氣藏井眼軌道設計與實時優化鉆井軌道的要求.理論研究的缺失使得井軌道設計技術向智能方向發展的進程緩慢，且嚴重阻礙了自動化鉆井技術的發展以及大閉環伺服控制隨鉆智能導向鉆井方法的實現.

Wang等(2019)提出了一種基于計算機視覺的油氣儲層內井軌道智能規劃算法.這一井軌道智能規劃方法能夠在獲取實際地層信息的前提下，利用計算機自主進行井軌道規劃，見圖9.圖中紅色部分為油氣分布圖像，線條為計算機根據油氣分布規律自主規劃的井軌道.這種井軌道規劃的思路有益于解決具有較大不確定性地下復雜工況的井軌道實時規劃問題.

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

4 結論

大閉環伺服控制隨鉆智能導向鉆井方法的提出，旨在借鑒無人駕駛汽車的理論架構，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、打得快”的系統架構問題.該方法的實現將大幅降低鉆井成本，提高鉆井速度，減少鉆井事故的發生，實現井眼軌跡的精確控制，提高深層超深層鉆井效率.此外，基于大閉環伺服控制隨鉆智能導向鉆井方法與技術架構，在對大量地球物理測井和鉆井工程數據分析的基礎上，利用機器學習和深度學習的方法建立了鉆進感知智能反演算法和鉆進參數智能決策算法，快速并準確地預測儲層物性參數、機械鉆速和識別巖性.具體結論如下：

(1)大閉環伺服控制隨鉆智能導向鉆井系統包括鉆進感知、智能決策與大閉環控制3個部分.鉆進感知部分通過隨鉆測井數據獲取鉆頭定位信息、井周地層及鉆頭前方特性與參數；智能決策部分依據鉆進感知部分獲取的信息通過AI決策模型修正軌道和鉆進策略；大閉環控制部分根據智能決策指令執行調整鉆進方向和速度.該系統的實施能有效地克服因井地傳輸慢而導致決策不及時的問題，提高鉆進的安全性、及時性、經濟性.

(2)基于支持向量機算法利用地球物理測井數據進行巖性智能識別，達到了86.08%的準確率；利用地球物理測井數據對孔隙度、滲透率、飽和度和泥質含量進行評價，隨機森林算法具有很好的適用性，均達到了90%以上的準確率；進一步地，用深度學習的方法中對序列化數據具有較好的預測能力的LSTM循環神經網絡對孔隙度進行預測，達到了95.4%的準確率.不僅可以為大閉環伺服控制隨鉆智能導向鉆井系統提供控制參數，還可以應用于區塊乃至盆地級別的儲層評估及分析，為油藏評價提供可靠的儲層參數.

(3)利用鉆井工程參數對機械鉆速進行預測與優化，隨機森林算法獲得了76%的準確率，相較于其他算法準確率更高，為大閉環伺服控制隨鉆智能導向鉆井系統提供決策參數.

致謝文章撰寫過程中得到中國科學院地質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.