近年来，人工智能和大数据技能的快速发展引起了环球各行各业的广泛关注。
对付一项可以引发环球家当变革性发展的前沿技能，为捉住其发展的黄金机遇期，天下各国纷纭制订了人工智能技能发展的计策蓝图。
在我国，加强人工智能技能攻关和教诲已成为国家计策，所有工业领域都制订了相应的智能化转型方案。
油气勘探开拓作为成本和技能密集型行业，急迫须要油气人工智能的快速发展，实现油气开拓的提质降本增效（图1）。
当前，环球紧张油气公司先后通过与数字化公司跨界互助的办法加快智能化转型。

图1 油气智能工程技能。
本图及后续图中缩写的含义可以在文后Abbreviations部分找到。

钻井和完井工程是油气勘探开拓的关键环节，其本钱可占总本钱的50%以上。
对付海上、超深层等繁芜油气资源，钻完井工程在效率、风险和本钱等方面面临前所未有的寻衅，安全高效开拓的难度急剧增加，亟需引进变革性技能实现繁芜油气安全高效开拓。
在繁芜油气的钻完井过程中，基于专家履历和机理知识的传统方法难以应对日益严厉的寻衅，如涉及井下环境动态变革的储层风雅描述、钻井实时优化等。
比较之下，人工智能和大数据技能具有较强的非线性拟合能力和信息挖掘能力，在办理繁芜、非线性问题方面具有显著上风。
因此钻完井人工智能技能被视为油气行业的变革性技能，已成为该领域的研究热点和前沿技能。

智能钻完井技能是基于大数据、人工智能、信息工程和掌握理论等前辈技能，通过地质-工程大数据、智能装备和智能算法等与钻完井场景的深度领悟，实现钻完井过程的风雅表征、超前预测、闭环掌握、精准导向和智能决策等，从而大幅提高钻井效率、降落钻井本钱。
智能钻完井技能研究可分为智能化理论方法和智能化工具装备两部分。
智能化理论方法利用机器学习、深度学习等人工智能算法和钻完井干系的钻-测-录多源数据，办理钻完井场景中的繁芜非线性问题，如地质属性风雅刻画、机器钻速高效预测等，其结果可作为科学依据赞助智能决策；智能化工具装备基于智能模型供应的钻完井方案，通过通信掌握系统自动实行干系指令。
智能化理论方法为智能化妆备供应决策指令，智能化妆备可为智能模型供应数据和硬件支撑。

文章全面综述了智能钻完井方法与技能的研究进展，回顾了智能钻完井的发展现状，提出了人工智能在钻完井工程中的七大运用处景，总结了每个场景下的智能化技能进展，梳理了智能钻完井技能研究的重点发展方向，可为智能钻完井技能发展供应参考和辅导。

钻完井人工智能运用处景是人工智能和大数据技能与钻完井工程环节深度领悟的工艺过程。
根据钻完井不同工程环节的施工过程和目标，文章供应了7个钻完井的人工智能运用处景（图2），并概述了不同场景下的数据情形、工程实践和智能化算法模型等内容。

图2 智能钻完井运用处景。

（一）机器钻速智能预测与优化

深部地层岩石硬度大、研磨性强，岩石属性交变，随意马虎导致严重的钻头磨损，钻井效率低、周期长，对钻井提速和钻井参数优化提出了更高哀求。
油气钻井智能提速的根本和关键是地层属性精准表征、井下钻具合理优化及钻井参数智能优化（图3）。

图3 钻速智能预测与优化细分场景。

1. 井下环境感知

井下环境感知是钻井提速的根本。
利用智能分类和回归算法能够准确地诊断地层岩性和钻头磨损。
基于对井下环境的准确描述，一方面可采取智能算法实现钻井参数动态优化和钻井提速，另一方面也能实现钻井非常工况识别和风险管控。
目前对井下环境智能感知的研究紧张集中在地层岩石性子和钻头磨损特色等方面，如表1所示。

表1 井下环境感知研究现状

2. 钻头设计与优选

钻头和底部钻具组合的优选和优化配置是钻井高效破岩的关键。
人工智能技能有助于设计得当的钻头构造、优选钻头类型，担保岩石破碎效率和钻头性能。
现有研究在钻头设计优化、钻头选择和钻头磨损管理等方面进展突出，见表2。

表2 钻头设计与优选研究现状

3. 钻速预测与优化

比较于机理模型，人工智能技能在挖掘钻速与地层性子、钻头特色、工程参数等成分之间的繁芜映射关系方面具备更加明显的上风。
数据驱动的智能模型不仅能准确预测各种条件下的钻井速率，还能供应实时优化的工程参数，在钻进过程中得到最佳钻速。
钻速模型和优化算法是提高钻速预测精度的紧张手段，见表3。

表3 钻速预测研究现状

钻速优化是钻速智能预测的深化和延伸，即通过智能优化算法实时得到最优钻井参数组合（如钻压、转速和排量），钻井参数智能优化方面的进展紧张集中在算法运用上，如表4所示。

表4 钻速优化研究现状

（二）井眼轨迹智能预测与优化

水平井和大位移井是实现非常规油气高效开拓的常用井型，然而由于地层岩石的研磨性、各向异性和非均质性，其井眼轨迹随意马虎偏离设计轨道，繁芜井眼轨迹的优化和调控成为亟待办理的难题。
钻井之前，基于大数据和智能技能开展井眼轨道智能设计是实现井眼轨迹优化的根本；钻进过程中，结合井-地模型的实时重构和智能算法，可实现井眼轨迹实时预测和轨迹偏离程度的动态评估，进而实现调控参数的高效优化。
更进一步，可建立关键调控参数与井下工具导向能力之间的映射关系，形成井眼轨迹闭环掌握系统。
井眼轨迹智能设计与实时优化包括井眼轨迹智能预测、实时评估优化和实时调控，如图4所示。

图4 井眼轨迹智能预测与优化。

1. 井眼轨道智能设计

井眼轨道智能设计指基于地质和储层模型，结合打算机视觉、智能方案等方法实现井眼轨道的自动化设计和优化。
其旨在综合考虑钻柱受力状态、延伸极限和储层钻遇率等目标，在知足井眼曲率哀求的条件下尽可能增加与目的层的打仗面积，相较传统轨道设计方法能够降落韶光和打算本钱、提高井眼轨迹的质量。
井眼轨道设计本色上是一个包括井坐标、造斜点、井深和井长等参数矩阵的优化问题，其优化目标常日是钻柱延伸极限、中靶精度和采收率（表5）。

表5 井眼轨道智能设计研究现状

2. 井眼轨迹实时评估与优化

井眼轨迹实时评估与优化指实时监测井眼轨迹和设计轨道的偏差，并通过智能算法进行评估和预测，结合井眼轨迹智能预测模型和优化调控算法，实现井眼轨迹的高效优化与调控，减小实际井眼与方案井眼之间的偏差。
井眼轨迹优化是一个多目标优化过程，其优化目标是最小化偏差、延伸极限和钻柱受力等参数，约束条件为导向工具的造斜能力等。
与井眼轨道设计比较，井眼轨迹优化须要实时打算优化结果，哀求更高的打算效率，而且井眼轨迹评估也须要综合考虑钻井本钱、风险和井筒稳定性（表6）。

表6 井眼轨迹实时评估与优化研究现状

3. 井眼轨迹智能决策与闭环掌握

井眼轨迹表征模型是实现井眼轨迹优化的根本，该模型能够挖掘关键可控参数（即导向工具掌握指令）与稳斜、造斜和降斜能力之间的映射关系。
而井下-地面信息的高效传输和智能导向工具等是井眼轨迹闭环掌握的关键。

轨迹掌握是决策下达与工具实行机构的深度组合（表7），须要根据BHA或导向工具能力来设计特定的掌握方法，并哀求实时录井数据作为支撑。

表7 井眼轨迹智能决策与闭环掌握研究现状

（三）钻井风险智能预警、诊断与调控

钻井风险智能调控指利用随钻丈量和实时录井等多源数据和数字孪生、打算机视觉和智能掌握等人工智能算法实现地层属性的风雅描述、井筒流动特性的动态预测表征、钻井风险的早期预警与高效调控，其细分场景如图5所示。

图5 人工智能在钻井风险调控中的运用处景。

1. 地层属性智能表征

地层属性紧张包括地层压力、地应力和岩石可钻性等参数，对提高机器钻速、减少钻井风险、坚持井壁稳定具有至关主要的浸染。
为提高地层表征的准确性和可靠性，国内外学者探索了不同人工智能算法和建模办法（表8）。

表8 地层属性智能表征研究现状

2. 井筒流动智能表征

井筒流动智能表征指基于实时地面监测数据和智能算法对井筒繁芜流动特性和固相岩屑的运移规律进行动态描述。
井底压力和当量循环密度智能预测紧张运用于控压钻井和欠平衡钻井，人工智能算法的引入不仅显著提高了井底压力和岩屑浓度预测的精度和效率，还战胜了传统履历模型的局限性，并且有望在一定程度上取代井下传感器的功能。

目前，将井筒流动数据和智能算法结合仍是井筒流动智能建模的常见形式。
近年来，学者们也探索了数据领悟、算法领悟和数据与机理联合驱动等一些新的建模方法，见表9。

表9 井筒流动智能表征研究现状

3. 钻井风险智能预测与诊断

井壁失落稳及井筒-地层压力的不平衡是造成溢流、井漏、卡钻和井塌等钻井风险的紧张缘故原由，钻井风险超前预测和实时诊断是避免钻井风险发生和恶化的关键。
然而微裂痕发育、井底高温高压、井涌和井喷并存等繁芜的地层和工程条件限定了钻井风险的准确预测与诊断。
人工智能算法能够反响钻井风险与多种影响成分之间的综合关系，并对录井数据中的噪声具有较强的鲁棒性，可结合实时颠簸的数据快速诊断钻井风险。
与此干系的研究包括风险钻前预测、风险预警与诊断、风险等级评估等。
现有研究紧张集中于钻进时风险的早期预警和诊断，而对付钻前风险预测与风险等级评估的干系研究相对较少（表10）。

表10 钻井风险智能预测与诊断研究现状

4. 井筒稳定性智能调控

井筒稳定是井控的核心任务，钻井过程中通过掌握井筒流量使井筒压力和岩屑浓度达到目标值，能够有效避免钻井繁芜事件的发生。
控压钻井过程中，智能掌握算法不仅可以通过节流阀开度、回压泵或泥浆泵流量等单一参数来调节井筒流量，还可以实现多个参数的协同掌握，从而提高井底压力的掌握效率和精度，避免井筒压力产生不必要的颠簸诱发二次风险（表11）。

表11 井筒稳定性智能调控研究现状

（四）固井质量智能评价与优化

固井是油气井建井的主要环节。
现阶段，固井质量评价依赖专家人工评估，耗时耗力；同时固井质量影响成分浩瀚，且彼此耦合浸染，固井质量准确预测和固井事件地层研判的难度较大。
近年来，随着人工智能技能的不断发展，图像识别、数据挖掘可实现固井质量的准确评估和预测（图6）。
固井质量评价和预测紧张基于声幅-变密度等测井数据，通过有监督学习算法演习模型，实现固井质量的实时评估和智能预测。

图6 固井质量智能评价与优化。

1. 固井质量评价

Deepak Kumar Voleti建立了随机森林和神经网络等机器学习算法，基于声幅、变密度测井数据和超声成像数据进行固井质量评价，终极利用集成学习方法将所有评价模型整合起来，固井质量评价准确率达99.4% 。
Santos和Dahi利用高斯过程回归算法进行演习，根据CBL和VDL数据天生合成测井曲线，在评价水泥胶结质量方面取得了良好效果。

2. 固井质量预测

Reolon等通过识别声波和超声波测井数据，基于MRGC算法，打算得到水泥胶结阶段的概率，实现固井质量实时预测。
Viggen等利用卷积神经网络算法进行测井数听说明，输入11种测井数据进行演习，其准确率为86.7%。
Viggen等基于卷积神经网络预测固井水泥胶结质量和水力封隔性，个中水泥环水力封隔性的预测准确率为88.9%，固井胶结质量的预测准确率为88.5%。

（五）压裂智能设计与优化

智能压裂是利用人工智能和大数据技能办理压裂过程中碰着的非线性、多参数和多目标参数优化等问题。
智能压裂包括压裂工艺智能设计、压裂施工过程智能监测、产能预测与压裂参数优化三个紧张运用处景（图7）。

图7 水力压裂智能设计与参数优化。

1. 压裂工艺智能设计

水平井压裂设计包括压裂位置与施工参数设计，其发展经历了多种方法和技能，从大略的解析模型到繁芜的数值模型、从机理模型到目前的智能模型。
利用大数据（如测井、随钻丈量和岩石力学数据）和智能算法（如聚类、回归和优化算法），可实现射孔压裂工艺优化（表12）。
目前，压裂水平井产能智能预测的精度约为70%~80%，与传统方法比较有较大提升。
然而，由于数据质量和数量的限定，干系研究的现场运用实例较少。

表12 压裂工艺智能设计研究现状

2. 压裂施工过程智能监测

压裂过程实时监测是水力压裂过程的主要环节，相较于传统手动数据特色选取与非常工况监测，人工智能技能在非常旗子暗记检测与识别上展现了显著上风。
压裂过程的智能监测紧张包括两个方面：压裂工况智能识别与压裂风险智能预警（表13）。

表13 压裂施工过程智能监测研究现状

3. 产能预测与压裂参数优化

分段压裂是高效开采非常规油气资源的必要条件。
压裂水平井产能预测对生产方案的评价和完井参数优化具有主要意义。
随着水力压裂技能的大范围运用和人工智能的发展，将机器学习方法有效运用于参数优化设计已成为未来发展的趋势。
支持向量机、决策树、神经网络及其变体等智能算法已被广泛运用于构建产能预测模型（表14）。

表14 产能预测和压裂参数优化研究现状

（六）完井过程智能设计与优化

智能完井紧张包含井下入流掌握设备、传感器组件和地面剖析系统。
如图8所示，智能完井技能通过实时采集和剖析井下生产状态和油藏状态等资料，以远程掌握的办法进行实时监测调控从而使油井采收率最大化。
在数据方面，智能完井技能的干系数据紧张由静态数据和动态数据组成：静态数据包括储层性子和油井分层注采构造等，动态数据包括油井生产数据、井下传感器信息及井下掌握系统参数等。
在智能算法方面，通过回归算法与数值仿照相结合，预测油井产能及未来的生产动态，并利用优化算法和液压掌握线来优化掌握流入掌握阀等井下流体掌握设备的事情状态，从而实现对油井生产的实时监测、优化及调控（表15 ）。

图8 智能完井优化设计流程。

表15 智能完井优化设计研究现状

（七）钻井过程全局优化与智能决策

钻井系统由地质导向、钻头破岩、管柱力学、水力学等多个子系统组成，且各子系统之间相互关联，紧密耦合（图9）。
钻井工程的目标是降落钻井作业风险及本钱，实现安全、高效、高质量钻进，因此须要耦合多个钻井子系统，建立集成模型来实现钻井过程的全局优化。
钻井过程全局优化和智能决策是人工智能技能运用于钻完井领域的紧张场景之一，对保障作业安全、缩短钻井周期、节约钻井本钱意义重大。

图9 钻井过程全局优化。

为实现这一目标，须要将机理-数据领悟的模型构建方法与钻井过程子系统耦合机制相结合，建立耦合各个钻井子系统的集成模型。
该集成模型是随钻井过程动态变革的，能够为钻井过程参数优化供应根本，并且受到地面可控作业参数和钻井风险的约束，如优化后的作业参数不能引起井涌和卡钻等钻井风险。
多目标优化算法和智能决策策略在钻井过程的运用必须有明确的目标，包括优化钻井速率、机器比能和钻井本钱等，且算法必须具有快速、高效的特点，能够知足现场作业实时操作的哀求。
末了须要建立一个集成所有模型和算法的框架，以便在钻井过程中进行全局优化和智能决策。

钻井过程全局优化与智能决策关键是构建钻井子系统集成模型以优化钻井过程。
虽然古人在模型构建、框架设计和系统开拓等方面进行了大量研究（表16），但钻井过程整体优化和智能决策的研究仍处于初期阶段。

表16 钻井过程全局优化及智能决策研究现状

（八）研究现状总结

近年来，智能钻完井技能发展迅速，人工智能与油气钻完井工程的领悟不断深化。
油气钻完井领域的国内外学者比拟研究了机器学习、深度学习等算法在不同场景下的表现和性能，并结合钻完井机理模型建立了稠浊模型以知足精度、效率和钻完井物理规律的需求，且机理-数据双驱动模型已成为本领域的研究热点，有望战胜机理模型的局限性，提高纯数据模型的稳定性。
在智能化方法落地方面，基于钻完井大数据，国内外学者的研究集中在将人工智能算法运用到地层岩性预测、钻速预测优化等钻完井场景中去，智能算法在实际钻完井过程中的运用较少。
此外，当前智能钻完井算法的研究紧张针对某个细分场景，还需考虑钻完井多目标、多场景动态耦合的特点研究钻完井过程全局优化。

近年来，智能钻完井技能发展迅速，但在数据处理、智能算法、建模方法和算法落地等方面仍面临寻衅，未来智能钻完井事情应重点研究上述方向（图10）。

图10 智能钻完井重点研究方向。

（一）钻完井地质-工程大数据的标准化领悟管理

钻完井大数据的标准化领悟管理是智能钻完井技能发展的必要条件。
钻完井数据是多源、多尺度、多类型的，包括微米级的地层孔隙构造数据和千米级的地层数据、实时监测的动态数据和地层静态数据等，其数据类型多种多样，包括数值、文本和图片等。
且钻完井地质-工程大数据受井下繁芜环境和数据采集装备性能的限定，存在噪声大、数据缺失落等非常情形，难以知足精准表征和高效建模的需求，因此自动化、标准化的数据管理方法是油气人工智能技能落地的根本和关键。

（二）人工智能前沿技能运用

人工智能算法是钻完井人工智能技能的核心，其既包括广泛运用的机器学习和深度学习算法，也包括数字孪生、知识图谱、边缘打算等当前前沿智能方法。
数字孪生技能具有虚实交互、实时更新、动态优化和可视化等特点，将有效提升钻完井过程风险预警和优化决策能力；知识图谱可连接不同的业务场景和工具，增强对钻完井业务网络的整体管控。
边云领悟打算将充分利用超级打算机等高性能打算平台与钻完井现场装备等智能终端，推动钻完井技能全过程全自主的智能化发展。

（三）结合钻完井需求建模

人工智能技能的运用须要考虑钻完井工程的实际需求。
结合物理规律和专家履历等先验知识构建智能模型，可以有效提升智能模型稳定性，是推动人工智能算法落地钻完井工程的主要路子。
只管钻完井数据量巨大，但也存在标签不平衡、标签难标定、数据不可靠等难点，如溢流、卡钻等钻井风险数据，研究小样本建模方法可在有限数据条件下提高人工智能模型的性能。

（四）人工智能算法落地

由于钻完井工程场景多、井下环境时变性等，人工智能技能在油气钻完井领域落地面临迁移性、可阐明性和实时性等难题，实际上这也是人工智能算法的共性问题。
结合实际钻完井场景，探索可阐明、可迁移的智能模型构建方法，形成适用于特定钻完井场景的个性化模型。
此外，由于井下环境时变性的影响，基于历史数据的智能模型精度难以得到担保，攻关人工智能模型利用实时数据动态更新的方法是落地关键。

智能钻完井技能是实现油气开拓降本增效的一项变革性技能，已成为油气行业发展的前沿技能与研究热点。
文章提出了人工智能技能在钻完井领域的七个运用处景，全面回顾了各个智能化场景和技能的研究现状，并结合油气钻完井与人工智能技能的发展特点和趋势，提出了智能钻完井技能未来攻关和发展的重点方向：①研究钻完井地质-工程数据的自动化标准化领悟管理方法；②加强数字孪生、知识图谱、强化学习、边缘打算等前沿技能的研究和运用；③开拓机理-数据领悟、小样本学习、不愿定性建模等建模方法；④构建可阐明、可迁移和自更新的智能模型。

注：本文内容呈现略有调度，若需可查看原文。