一、人工智能在钻井工程中的运用特点

与传统建模或数据剖析方法比较，人工智能技能在钻井工程中运用紧张具有以下上风：（1）能够在输入和输出变量之间无关系假设的情形下，对繁芜的非线性过程进行建模；（2）打算结果比利用线性或非线性多元回归预测模型和履历模型更加准确；（3）能够通过剖析大量数据，在不明确规则的情形下通过进行终极目标模型演习选取特色，具有自动学习特色的能力，并可以利用不完全或有噪声的数据；（4）本钱效益较好，利用数据集进行系统演习，而不必编写程序，因此更具本钱效益，也更易于应对变革；（5）降落了对算力的哀求，以深度学习算法为例，通过采取多层调参、层层收敛的办法，担保参数的数量始终处于合理范围内，提高了模型的可打算性。

与其他工具一样，人工智能技能也有自身的局限性。
如人工神经网络仅根据数据集演习反响输出和输入变量之间的关系，这使人们担忧其是否能较好地表征数据集。
有人提出将多个算法组合成稠浊算法方案，或将人工智能算法与传统模型进行集成来办理黑盒子问题；利用遗传算法很难像利用数学编程方法那样真正创造问题和解决问题，为了深入创造问题，可能须要多次运行模型，评估办理方案对问题的各种假设和参数的敏感性，缺少达到“最优”办理方案的能力。
其他局限还包括处理韶光较长、系统须要更大的打算资源并且有时会产生过度拟合等。

二、人工智能在钻井工程中的运用

在数据采集、传输技能发展的协同下，人工智能技能在钻井设计、钻井参数优化、钻井井眼轨迹掌握、井筒完全性监控、风险预警、程序决策等方面正在发挥积极浸染，部分技能已经实现现场运用并取得良好效果。

1、钻井优化设计

钻井的优化设计是担保安全、高效和低本钱的钻井作业的根本，人工智能技能可用于井眼轨道优化、钻头优选、地层分裂压力和遗漏压力预测、套管下深优化、水泥浆性能预测等，可以提高钻井设计的准确性和可靠性。
国民油井公司采取人工神经网络对钻头选择数据库的数据进行演习，数据库中包括钻头编码、岩石强度数据、地质力学、地层压实特色和对应于岩石的常规机器钻速值等信息，输入地理位置、地质特色、岩石力学数据后，即可输出选择的钻头类型、效果预测及利用指南。
科威特大学采取广义回归神经网络，输入深度、上覆地层压力梯度和泊松比等参数，即可预测分裂压力，精度在1%以内，比传统方法（Eaton等方法）精确度更高。
卡尔加里大学采取反向传播神经网络，输入地理位置、深度、孔隙压力、套管堕落速率、套管强度等参数，预测套管失落效的深度和概率，但该方法仍旧须要进一步开展关键数据的提取，提高其预测结果的准确性。
斯伦贝谢采取人工神经网络（ANN），根据水泥的漫反射红外傅里叶变换光谱、粒度分布等来预测水泥浆性能。

2、钻井参数优化

钻井过程参数的优化紧张通过对井下机器钻速、井底钻具组合相应特性、钻柱振动、钻头性能、钻遇地层特性等参数的监测，来降落钻井作业的不愿定性，并提高预测的置信度。

钻井过程中常常会碰着不同的地质条件，如岩性的变革、地层压力的变革等，实时理解钻头周围岩石的物理及力学性子对付优化钻井参数非常主要。
只管随钻测井可以供应这些信息，但其通报到地面的信息与钻头实际性能之间存在深度滞后。
奥克拉荷马大学以机器学习事情流程中的钻头与钻柱性能数据为根本，来预测随钻钻头处的岩性。
事情流程如下：首先利用盒形图和交叉图对裸眼测井资料进行剖析，并天生干系系数表，剔除非常值，并准备数据聚类。
第2步对测井数据进行主身分剖析，去除干系变量，用不干系主身分代替干系变量，利用K-均值、SOM和层次聚类3种聚类技能对岩性变革进行分离。
第3步通过不雅观察3个岩群的测井数据和岩心特色，确定这些岩群（或岩相）的岩石物理意义。
末了，利用已清理和准备好的MWD数据，采取随机森林、梯度增强和神经网络等技能，对不同岩性群进行预测，事情流程如图1所示。
该方法在挪威Volve油田现场进行了测试，岩性预测准确性达75%。

图1 机器学习预测地层岩性

钻井机器钻速的预测对付优化钻井参数起着至关主要的浸染，可用于检讨钻井数据，优化钻机器钻速，降落机器比能，提高钻头寿命。
基于传统线性统计的方法无法得到空想的钻速预测结果，须要采取非线性方法和前辈的集成技能。
德克萨斯A&M大学采取人工智能算法进行网络机器钻速的预测，首先建立包括层间厚度、钻井液密度、钻压、转速、流量、钻进深度等参数的钻速特色凑集。
绘制不同特色参数随韶光的变革值，检讨是否有特定参数掌握相应。
利用不同参数之间的干系性对数据凑集中的缺失落值进行补全，同时剔除由于丈量偏差或者卡钻等事件造成的数据偏差。
利用主身分剖析法对特色数量进行降维，以此来提升模型的预测精度以及降落打算的繁芜程度，连续通过特色剖析推导出每个特种属性的相对权重和贡献。
再选取支持向量回归模型、梯度增强模型、神经网络模型、K值最近邻模型、随机森林与梯度增强集成模型等5种人工智能预测模型，多种模型的演习有助于提高精度和减少偏差，终极随机森林算法以10%的均方差成功预测和优化了钻井参数，钻速预测效果最好。

3、钻井井眼轨迹掌握

在地质导向和旋转导向施工过程中，须要履历丰富的专业职员做大量的决策，人工判断易涌现缺点与偏差。
利用人工智能技能，钻井井眼轨迹导向与掌握完备可以离开人的干预，井下信息的丈量、传输和掌握指令的产生、实行完备可以自动进行。
壳牌研发了智能定向钻井系统——Shell Geodesic™。
该系统首先将网络的钻井参数通过筛选、过滤、归一化，再选择适当的参数用于构建和演习人工神经网络。
人工神经网络利用强化学习方法来细化演习历史数据，通过自主学习仿照施工职员日常操作，演习后的人工神经网络可以最大限度地实钻井眼轨迹与预设值的偏差，提高吻合度，减少后期纠正井眼轨迹的事情量，提高机器钻速，降落作业本钱。
成熟的神经网络可以媲美一个定向钻井专家的决策能力，并担保决策失落误率在3%以内。
在美国二叠纪盆地，利用14口水平井定向钻井数据，通过当前工具面、钻压、泥浆排量、机器钻速、压差、旋转扭矩，预测未来压差和旋转扭矩等，经由1800000个演习步骤后，压差预测偏差为0.21％，扭矩预测偏差为2.72％。

4、井筒完全性监控

在钻井过程中，特殊是高温高压深井，会碰着井漏等各种井下繁芜情形，增加非生产韶光。
目前，普遍通过电阻率测井、打算井筒温度剖面和循环当量密度等办法进行井漏预测。
然而，这些方法在运用过程中由于本钱或技能缘故原由而无法成功运用。
法赫德国王石油与矿业大学采取支持向量机（SVM）的机器学习技能成功实现了井漏预测。
该方法在三维特色空间中演习样本，在钻井遗漏预测方面具有比人工神经网络和传统方法更高的精度，在钻进遗漏层前，可帮助现场钻井工程师提前预测，从而及早调度钻井参数或堵漏方案。
SVM技能须要井漏记录数据和干系钻井参数。
井漏数据包括出口流量、遗漏井深；输入的钻井参数包括井深、大钩载荷、大钩高度、机器钻速、转速、立压、扭矩、钻压等。
再对数据进行处理，去除无效值，并进行过滤和平滑后，将单井的钻井参数分成两组，一组用来机器学习和演习，另一组用来测试预测结果的精度，终极达到钻井遗漏预测的目标。
利用SVM技能和基于径向基的神经网络技能（RBF）对钻井遗漏情形进行了预测，75%的数据用于演习，25%的数据用于测试和改动干系模型。
结果显示，RBF技能的预测干系系数为0.981，均方根偏差为0.097，而SVM预测遗漏干系度为1，均方根偏差为0，具有更高的预测精度。
密苏里科学技能大学采取机器学习的方法，准确预测伊拉克Rumaila油田Dammam地层钻井过程中的钻井液遗漏体积、ECD和ROP等参数，与传统方法比较，该方法预测精度与实际情形更吻合。

5、钻井风险识别

意外的溢流和井涌对钻井作业构成重大风险。
常用的溢漏报警系统采取固定的判断界线，误报率高，可靠性低。
Pason系统公司提出了一种适用于循环系统监测的机器学习算法框架，通过为循环出口流量和泥浆池增量供应预期的安全操作范围，使其保持非常低的误报率。
该算法可以用图2中的流程图来描述，棕黄色框表示功能，蓝色框表示可能的用户输入，绿色框表示基于司钻输入参数（入口流量和钻头运动），利用在线自适应机器学习明确估计出口流量和泥浆池增量的期望值。

图2 利用预测变量进行溢漏监测的机器学习示例

自适应机器学习算法用于自动和自适应地更新预期的操作范围，预测指标与预期操作范围的直接比较用于天生警告，并可将这些警告组合起来天生警报。
通过利用大量标记的溢流和遗漏来评估其研发的系统，结果表明，与现有的溢流和遗漏监测的固定例模方法比较，新方法降落虚报警率，增强监测概率，减少预警韶光等方面有显著改进。
经典机器学习算法供应了强大的功能，但是这些方法的内部事情是不透明的，不知足实际动态运用需求。
Pason公司提出的溢漏监测机器学习框架，通过供应明确的安全操作界线和用户驱动的模型重置，将数据动态剖析功能紧密集成到钻井作业职员中，使得钻井作业职员能够将其专业知识与可阐明的机器学习供应的信息结合起来，增强了溢流监测的可靠性与灵巧性。

钻井过程中套管下入井中时，管柱在井内会受阻遇卡，导致钻井延迟，用度昂贵。
BP公司利用人工智能技能进行套管卡管预测，让司钻在卡管发生前校正管柱下入的方法。
该方法通过建立干系数学算法概率模型（如决策树、神经网络等），再从大量历史数据中，识别出过去发生的与静摩擦事宜干系的230个属性特色，基于历史模式、预测模型，可在5s内对静摩擦事宜进行识别。
运用该方法后，预测卡管精确度达到85%，大大减少了卡管造成的丢失。
德克萨斯大学奥斯丁分校采取自主学习（ALM，active learning method），通过上千口井的钻井数据，利用反向传播学习规则，剖析输入测深、钻井液参数、钻压、转速等，实时监测可能发生的卡钻情形，预测精度达到100%，履行流如图3所示。

图3 ALM 方法流程图

6、钻井程序决策

为了达到提高产量、降落本钱、节省韶光的目的，常常须要选择一些分外的钻井作业程序，如欠平衡钻井、过平衡钻井、喷射钻井等。
为了评价所选作业程序的适用性，雪佛龙公司运用基于案例推理（CBR）进行浅疏松砂岩最佳洗井程序的选择。
为了进行推理评估，建立了包含近5000口井的生产操作和井筒干预详细信息的数据库。
通过1组随机案例的初始测试，表明人工智能工具提出的方法和专家现场辅导履行的方法有80%的相似性度。
在连续油管作业中，作业程序制订紧张依据作业者的履历，传统的连续油管仿真软件没有足够现场数据做支撑，无法有效识别风险，在繁芜井施工中该作业办法易降落作业质量，乃至破坏作业设备。
贝克休斯的CIRCA连续油管软件则基于过去30年现场数据进行学习和建模改进，将理论模型和以往大量的现场履历数据进行拟合，帮助作业者基于可靠的实际数据进行决策。

本文作者：王敏生，光新军，耿黎东，文章转载自《石油钻采工艺》，内容不做商用，仅用于技能互换，如有侵权，请联系

更多精彩内容请添加 “装备e家”微信"大众年夜众号