李根生，宋先知，祝兆鵬，田守嶒，盛 茂

（油氣資源與探測國家重點實驗室（中國石油大學(xué)（北京）），北京 102249）

全球科技正向著數(shù)字化、信息化和智能化方向發(fā)展，人工智能技術(shù)已成為第四代工業(yè)革命的核心驅(qū)動力[1]和引領(lǐng)未來發(fā)展的戰(zhàn)略性技術(shù)。油氣行業(yè)也將人工智能視為變革性技術(shù)，正加快數(shù)字化轉(zhuǎn)型和智能化發(fā)展進程。國際能源署預(yù)測，大規(guī)模應(yīng)用數(shù)字技術(shù)能使油氣生產(chǎn)成本降低10%～20%。斯倫貝謝等國際石油公司和油服公司將發(fā)展人工智能作為重大戰(zhàn)略，并通過自研、與IT 業(yè)界巨頭跨界合作等方式進行人工智能技術(shù)研究。我國“十四五”規(guī)劃和2035 年遠景目標(biāo)綱要將新一代人工智能、智慧能源、油氣田智能化升級等列為重點發(fā)展的核心技術(shù)；國家能源局大力推動油氣行業(yè)與數(shù)字化、智能化技術(shù)深度融合與轉(zhuǎn)型升級；中國石油、中國石化和中國海油等公司也正在全面推進數(shù)字化轉(zhuǎn)型和智能化發(fā)展[2–4]。智能鉆完井技術(shù)是油氣鉆完井工程與人工智能等先進技術(shù)的有機融合，利用人工智能強大的數(shù)據(jù)分析能力和業(yè)務(wù)學(xué)習(xí)能力來解決復(fù)雜環(huán)境下鉆完井工程的設(shè)計、決策等問題，有望大幅提升鉆完井效率、儲層鉆遇率和油氣采收率，被視為油氣行業(yè)發(fā)展的重要趨勢和前沿?zé)狳c[5–6]。

我國智能鉆完井理論與技術(shù)發(fā)展迅速，目前已實現(xiàn)探索性應(yīng)用，與國外同處鉆完井智能化發(fā)展初期[7–8]。加快人工智能技術(shù)與油氣鉆完井工程的深度融合和智能鉆完井技術(shù)的落地應(yīng)用推廣是全球油氣行業(yè)關(guān)注的重點，亟需攻克數(shù)據(jù)治理及模型遷移、模型解釋、機理–數(shù)據(jù)融合等共性和個性難題。筆者基于智能鉆完井應(yīng)用場景和國內(nèi)外技術(shù)現(xiàn)狀，闡述了智能鉆完井技術(shù)發(fā)展的層次，明確了智能鉆完井理論與技術(shù)的重點攻關(guān)方向，展望了智能鉆完井技術(shù)的發(fā)展前景，并提出了中長期規(guī)劃，以期為我國智能鉆完井技術(shù)的發(fā)展和推廣應(yīng)用提供參考。

1 油氣鉆完井人工智能應(yīng)用場景

油氣鉆完井人工智能應(yīng)用場景是特定鉆完井工程環(huán)節(jié)中地質(zhì)–工程數(shù)據(jù)、智能算法、工程理論、工具裝備和系統(tǒng)平臺的融合方式及其對技術(shù)需求的響應(yīng)關(guān)系，具備明確的數(shù)據(jù)需求、應(yīng)用環(huán)節(jié)和技術(shù)目標(biāo)，是人工智能技術(shù)與油氣鉆完井工程深度融合的重要基礎(chǔ)和智能化技術(shù)落地應(yīng)用的關(guān)鍵。筆者從效率、質(zhì)量和安全等角度出發(fā)，構(gòu)建了油氣鉆完井人工智能應(yīng)用場景，包括機械鉆速智能預(yù)測與參數(shù)優(yōu)化、井眼軌跡智能優(yōu)化與閉環(huán)調(diào)控、鉆井風(fēng)險智能預(yù)警與動態(tài)調(diào)控、固井質(zhì)量智能評價與優(yōu)化控制、壓裂方案智能設(shè)計和優(yōu)化調(diào)控、完井方案智能設(shè)計與生產(chǎn)優(yōu)化以及鉆完井多過程動態(tài)耦合與多目標(biāo)協(xié)同優(yōu)化等應(yīng)用場景。智能鉆完井技術(shù)應(yīng)用場景及架構(gòu)設(shè)計如圖1所示。

圖1 智能鉆完井技術(shù)應(yīng)用場景及架構(gòu)設(shè)計Fig. 1 Application scenario and architecture design of intelligent drilling and completion technology

1.1 機械鉆速智能預(yù)測與參數(shù)優(yōu)化

機械鉆速是地層與鉆頭交互作用的結(jié)果，機械鉆速預(yù)測和優(yōu)化的基礎(chǔ)是地層抗鉆特性和鉆頭工作狀態(tài)智能表征與監(jiān)測。根據(jù)地震和測井?dāng)?shù)據(jù)，可實現(xiàn)地層的抗鉆強度鉆前表征[9]；考慮鉆井參數(shù)、鉆具組合和鉆井液等因素建立的機械鉆速智能預(yù)測模型[10]，可實現(xiàn)鉆井KPI 時效分析，輔助鉆井方案設(shè)計；利用地面鉆井參數(shù)–井下三軸振動數(shù)據(jù)，引入智能分類/聚類算法，可實時監(jiān)測和診斷鉆進過程中鉆頭磨損、異常振動[11]等井下工況，指導(dǎo)鉆井參數(shù)優(yōu)化；以機械鉆速、比能等為優(yōu)化目標(biāo)，建立機理–數(shù)據(jù)融合的機械鉆速智能預(yù)測模型[12]，結(jié)合智能模型的遷移微調(diào)[13]、在線訓(xùn)練等方法，形成了鉆井參數(shù)的實時優(yōu)化技術(shù)，可顯著減少非生產(chǎn)時間，增加鉆頭進尺，提升鉆井效率。

1.2 井眼軌跡智能優(yōu)化與閉環(huán)調(diào)控

地層–井筒模型重構(gòu)和井眼軌道優(yōu)化設(shè)計等是實現(xiàn)井眼軌跡智能優(yōu)化與閉環(huán)調(diào)控的科學(xué)依據(jù)?；诘刭|(zhì)–工程大數(shù)據(jù)技術(shù)，融合井眼軌跡參數(shù)、地層參數(shù)、鉆井參數(shù)及工具參數(shù)等數(shù)據(jù)，應(yīng)用計算機視覺、定位感知等算法，研究機理與數(shù)據(jù)融合的地層–井筒三維模型重構(gòu)技術(shù)[14]，形成井眼軌道智能設(shè)計和施工方案鉆前優(yōu)化方法[15]；應(yīng)用時序神經(jīng)網(wǎng)絡(luò)、多目標(biāo)優(yōu)化等算法，結(jié)合地面–井下雙通訊技術(shù)，實時監(jiān)測和評價井眼軌跡，更新儲層靶點坐標(biāo)，實現(xiàn)井眼軌跡實時優(yōu)化[16]；以優(yōu)化的井眼軌道為目標(biāo)，采用智能導(dǎo)向工具和井下芯片等，應(yīng)用強化學(xué)習(xí)等激勵決策類算法，研發(fā)井眼軌跡地面–井下雙閉環(huán)調(diào)控技術(shù)[17]，可以提升儲層鉆遇率和井身質(zhì)量，為提高油氣動用程度提供技術(shù)支撐。

1.3 鉆井風(fēng)險智能預(yù)警與動態(tài)調(diào)控

井筒與地層的動態(tài)平衡是鉆井風(fēng)險診斷與調(diào)控的關(guān)鍵[18]。利用鄰井地層壓力、套管參數(shù)與井身結(jié)構(gòu)，以溢漏塌卡等鉆井風(fēng)險為約束，結(jié)合決策樹等機器學(xué)習(xí)算法，實現(xiàn)井筒安全風(fēng)險的實時監(jiān)測[19]；基于地面錄井參數(shù)和隨鉆測量等實時數(shù)據(jù)，結(jié)合地層信息與井筒流動參數(shù)，采用遺傳算法等對傳統(tǒng)機器學(xué)習(xí)算法進行修正，形成鉆井風(fēng)險實時診斷和預(yù)測技術(shù)，實現(xiàn)風(fēng)險精確預(yù)報[20]；結(jié)合精細控壓鉆井設(shè)備，利用智能推理和智能調(diào)控技術(shù)，形成鉆井風(fēng)險原因推理和量化評價方法，構(gòu)建鉆井風(fēng)險自適應(yīng)閉環(huán)調(diào)控技術(shù)，減少非鉆進時間，實現(xiàn)提速增效，提高經(jīng)濟效益[21]。

1.4 固井質(zhì)量智能評價與優(yōu)化控制

測井資料的智能化解釋是固井質(zhì)量評價和優(yōu)化的基礎(chǔ)。通過聲幅測井曲線和變密度測井圖的多模態(tài)融合，結(jié)合深度學(xué)習(xí)和主成分分析方法，實現(xiàn)測井結(jié)果的智能化解釋，以評價固井質(zhì)量[22]；集合孔隙度、滲透率等地質(zhì)參數(shù)和套管居中度、水泥漿返速等工程參數(shù)，引入卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)時序分析型算法，實現(xiàn)固井質(zhì)量超前預(yù)測[23]；結(jié)合控壓固井設(shè)備和多線程控制算法，構(gòu)建固井質(zhì)量KPI 參數(shù)指標(biāo)，進行固井參數(shù)動態(tài)優(yōu)化，形成固井方案智能推薦技術(shù)，為保證固井質(zhì)量、延長油氣井壽命提供技術(shù)支持。

1.5 壓裂方案智能設(shè)計和優(yōu)化調(diào)控

壓裂設(shè)計智能優(yōu)化、工況診斷預(yù)警與返排優(yōu)化控制為高質(zhì)量均衡造縫和安全壓裂提供了理論支持。利用智能算法優(yōu)化壓裂工藝參數(shù)和完井參數(shù)，可實現(xiàn)高質(zhì)量均衡造縫和大幅增產(chǎn)[24]；結(jié)合地面或井下實時監(jiān)測數(shù)據(jù)及專家經(jīng)驗標(biāo)簽形成訓(xùn)練數(shù)據(jù)集，基于小樣本學(xué)習(xí)算法與深度神經(jīng)網(wǎng)絡(luò)，可實現(xiàn)復(fù)雜工況診斷與風(fēng)險預(yù)警，保障施工安全[25]；融合返排生產(chǎn)動態(tài)數(shù)據(jù)和地質(zhì)工程靜態(tài)數(shù)據(jù)，可優(yōu)化返排壓差與流量等工作制度[26]；建立壓裂設(shè)計參數(shù)多目標(biāo)協(xié)同優(yōu)化模型，可實現(xiàn)壓裂參數(shù)的實時更新與優(yōu)化，形成壓裂設(shè)計與工藝智能推薦方案，保障高質(zhì)量造縫與安全壓裂。

1.6 完井方案智能設(shè)計與生產(chǎn)優(yōu)化

完井智能設(shè)計與生產(chǎn)優(yōu)化是提高油氣井產(chǎn)能的有效措施，其主要研究內(nèi)容包括產(chǎn)量智能預(yù)測、完井方案智能設(shè)計和入流剖面預(yù)測等。首先，根據(jù)鄰井鉆完井歷史數(shù)據(jù)、油藏孔滲和飽和度等儲層參數(shù)及生產(chǎn)制度等信息，采用深度學(xué)習(xí)算法，進行產(chǎn)量智能預(yù)測[27]，實現(xiàn)完井方案智能設(shè)計[28]；隨后，利用高斯牛頓等反演算法，將井下實時壓力、溫度和流量等監(jiān)測數(shù)據(jù)反演為流入剖面與產(chǎn)液數(shù)據(jù)[29]，并實時修正產(chǎn)量預(yù)測模型，分析預(yù)測生產(chǎn)趨勢；最后通過智能完井系統(tǒng)和優(yōu)化控制算法，根據(jù)產(chǎn)量、防砂等需求，形成生產(chǎn)動態(tài)智能優(yōu)化和調(diào)控技術(shù)，進而實現(xiàn)全生命周期優(yōu)化調(diào)控，為改善油藏管理提供指導(dǎo)。

1.7 鉆完井多過程動態(tài)耦合與多目標(biāo)協(xié)同優(yōu)化

鉆完井過程多智能體的構(gòu)建及耦合協(xié)同，為鉆完井過程動態(tài)耦合與多目標(biāo)協(xié)同優(yōu)化提供了模型基礎(chǔ)。綜合考慮鉆完井過程多源數(shù)據(jù)，通過數(shù)據(jù)–機理融合和在線更新的方法，構(gòu)建鉆完井過程的不同智能體，并實現(xiàn)智能體實時更新；動態(tài)耦合多智能體，形成鉆完井多過程協(xié)同機制[30]；構(gòu)建風(fēng)險約束條件和綜合優(yōu)化函數(shù)，基于NSGA 和TOPSIS 等多目標(biāo)優(yōu)化和決策算法[31]，建立鉆完井過程協(xié)同的優(yōu)化決策方法，實現(xiàn)鉆完井過程智能分析決策與井下地面閉環(huán)調(diào)控，保障安全、高效、經(jīng)濟、優(yōu)質(zhì)鉆進。

2 智能鉆完井技術(shù)的發(fā)展層次

智能鉆完井技術(shù)是大數(shù)據(jù)、機理知識、人工智能算法、工具裝備和軟件平臺融合的有機整體，發(fā)展程度主要受數(shù)據(jù)治理水平、智能化工具裝備和運算能力等因素制約，是需要長期推進和逐步升級的系統(tǒng)性工程。參考人工智能技術(shù)發(fā)展趨勢，根據(jù)數(shù)據(jù)、機理、軟件和裝備的融合方式，對智能鉆完井技術(shù)的發(fā)展層次進行了系統(tǒng)劃分（見圖2）。

圖2 智能鉆完井技術(shù)的發(fā)展層次Fig. 2 Development level of intelligent drilling and completion technology system

1）靜態(tài)分析。基于鄰井歷史數(shù)據(jù)和當(dāng)前井已鉆井段的前序數(shù)據(jù)，采用支持向量機、神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)和深度學(xué)習(xí)算法，實現(xiàn)機械鉆速超前預(yù)測和井眼軌道優(yōu)化設(shè)計。

2）動態(tài)感知。采用數(shù)據(jù)監(jiān)測和實時同化技術(shù)，融合歷史數(shù)據(jù)和實時數(shù)據(jù)，通過人工智能算法，實現(xiàn)鉆完井工況實時診斷和風(fēng)險智能預(yù)警。

3）優(yōu)化決策。進一步利用數(shù)據(jù)–機理混合驅(qū)動、在線學(xué)習(xí)等方法，實現(xiàn)地層–井筒三維模型的建立和實時重構(gòu)，引入智能優(yōu)化算法，形成鉆完井過程實時優(yōu)化和智能決策技術(shù)。

4）閉環(huán)調(diào)控。攻克地面–井下雙向高效通訊問題，實現(xiàn)地面和井下智能調(diào)控工具和數(shù)字孿生技術(shù)，基于鉆完井過程動態(tài)感知和優(yōu)化決策，實現(xiàn)地面–井下雙閉環(huán)調(diào)控。

5）自主智能。基于智能裝備、智能機器人，構(gòu)建地面–井下一體化的智能終端，實現(xiàn)鉆完井過程實時表征與自主決策。依托全局管理平臺，構(gòu)建全過程、全工況和全自主的智能化鉆完井技術(shù)體系。

現(xiàn)階段智能鉆完井技術(shù)主要處于靜態(tài)分析和基于動態(tài)感知的優(yōu)化決策層次，正聚焦地面–井下雙向高效通訊和井下調(diào)控裝置等技術(shù)難題，同步發(fā)展智能化工具裝備和系統(tǒng)平臺，進而逐步實現(xiàn)鉆完井過程的閉環(huán)調(diào)控和自主智能。

3 智能鉆完井技術(shù)研究現(xiàn)狀

3.1 機械鉆速智能預(yù)測和參數(shù)優(yōu)化

井下破巖環(huán)境動態(tài)變化、干擾因素多，工程師經(jīng)驗與傳統(tǒng)機理模型預(yù)測機械鉆速和優(yōu)化鉆井參數(shù)的精度和效率難以滿足要求[32]。2017 年以來，C.Hegde 等人[33]在數(shù)據(jù)驅(qū)動的機械鉆速智能預(yù)測與優(yōu)化方面進行了大量研究，機器學(xué)習(xí)模型在鉆速預(yù)測和參數(shù)優(yōu)化方面的優(yōu)越性初步顯現(xiàn)。2022 年，F(xiàn).J.Pacis 等人[13]采用遷移算法建立了鉆速預(yù)測預(yù)訓(xùn)練模型，提高了鉆速預(yù)測模型的遷移性能。D.Etesami等人[34]結(jié)合傳統(tǒng)鉆速方程輔助智能模型訓(xùn)練，有效提升了智能模型的透明性。G.S.Payette 等人[35]研究了鉆頭破巖工況檢測方法，綜合考慮鉆頭壽命、鉆速和鉆井風(fēng)險，與多目標(biāo)遺傳算法結(jié)合實現(xiàn)了鉆井參數(shù)的多目標(biāo)優(yōu)化。宋先知等人[36–39]基于機理約束下的鉆頭工況智能診斷，建立了機理–數(shù)據(jù)融合的鉆速智能預(yù)測模型，搭建了鉆速實時預(yù)測（見圖3）和多目標(biāo)參數(shù)優(yōu)化算法和相關(guān)軟件模塊。斯倫貝謝公司[40]研發(fā)了井下破巖工況監(jiān)測和優(yōu)化系統(tǒng)，通過大數(shù)據(jù)中心，描述井下鉆頭的破巖狀態(tài)，優(yōu)化鉆進參數(shù)。中國石油集團工程技術(shù)研究院有限公司提出了破巖能效量化評價方法和鉆頭工作參數(shù)優(yōu)化方法，研發(fā)了鉆井節(jié)能提速司鉆導(dǎo)航儀?？傮w來說，現(xiàn)有鉆井智能提速方法以大數(shù)據(jù)驅(qū)動的模型為基礎(chǔ)，穩(wěn)定性和遷移性有待提升，且未充分考慮井下工況對鉆井效率的影響，因此以井下復(fù)雜工況為約束，通過領(lǐng)域知識嵌入，提升智能提速方法的泛化性能和可靠性是廣泛應(yīng)用的前提。

圖3 鉆速預(yù)測模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[38]Fig. 3 Neural network structure of drilling rate prediction model[38]

3.2 井眼軌道智能優(yōu)化與閉環(huán)調(diào)控

井眼軌道優(yōu)化設(shè)計是軌跡調(diào)控的基礎(chǔ)。早期的井眼軌道優(yōu)化設(shè)計多以單目標(biāo)為主，1998 年，M.W.Helmy 等人[41]以軌道長度為目標(biāo)，運用非線性算法進行了軌道優(yōu)化設(shè)計；A.Atashnezhad 等人[42]對經(jīng)典優(yōu)化算法進行了改進，應(yīng)用啟發(fā)式算法建立了井眼軌道優(yōu)化模型；劉繪新等人[43]以摩阻、成本等為單目標(biāo)求軌道參數(shù)的最優(yōu)解。A.K.Abbas 等人[44–45]以最優(yōu)鉆速、軌道長度、成本、應(yīng)變能等為優(yōu)化目標(biāo)，使用改良優(yōu)化算法開展了軌道多目標(biāo)優(yōu)化設(shè)計。井眼軌跡調(diào)控方面，Yu Le 等人[46]應(yīng)用機器學(xué)習(xí)方法實現(xiàn)了巖性智能識別與儲層物性反演。2005 年，王延江等人[47]使用支持向量機進行了井眼軌跡預(yù)測；孟慶華等人[48–49]使用神經(jīng)網(wǎng)絡(luò)和Krijing 代理模型，進一步提高了井眼軌跡預(yù)測精度。陳冬等人[15，50]建立了地質(zhì)–井筒三維重構(gòu)模型，并基于計算機視覺算法進行了井眼軌跡實時優(yōu)化；劉昊[51]模擬井下環(huán)境，基于強化學(xué)習(xí)開展了井眼軌跡實時調(diào)控研究。貝克休斯等公司與智能化工具和裝備結(jié)合，研發(fā)了智能導(dǎo)向系統(tǒng)[52]。斯倫貝謝公司于2021 年推出了自主定向鉆進技術(shù)，可進行自主決策調(diào)控，實現(xiàn)任意井段的自主導(dǎo)向[53]。中國石化集團研發(fā)了經(jīng)緯旋轉(zhuǎn)地質(zhì)導(dǎo)向鉆井系統(tǒng)，試驗井優(yōu)質(zhì)儲層鉆遇率達到96%，整體達到了國際先進水平。中國科學(xué)院設(shè)立了智能導(dǎo)向系統(tǒng)的戰(zhàn)略性先導(dǎo)科技專項，集成旋轉(zhuǎn)導(dǎo)向、電磁前探等前沿技術(shù)，設(shè)計了一種閉環(huán)控制隨鉆智能導(dǎo)向系統(tǒng)（見圖4）[17]。綜上所述，井眼軌道多目標(biāo)優(yōu)化設(shè)計方法尚未實現(xiàn)儲層分布和管柱狀態(tài)的深度融合，現(xiàn)場應(yīng)用尚不成熟；井眼軌跡調(diào)控仍需與鉆速進行協(xié)同優(yōu)化，實現(xiàn)較高鉆速下的井眼軌跡調(diào)控，為長水平段水平井優(yōu)快鉆井提供技術(shù)支撐。

圖4 大閉環(huán)伺服控制隨鉆智能導(dǎo)向鉆井系統(tǒng)的思路[17]Fig. 4 Idea of global closed-loop servo control of intelligent-while-drilling steering system[17]

3.3 鉆井風(fēng)險智能預(yù)警與動態(tài)調(diào)控

鉆井風(fēng)險的實時診斷、早期預(yù)警和智能調(diào)控是安全高效鉆井的基礎(chǔ)。2010 年以來，國內(nèi)外學(xué)者[54–56]利用經(jīng)典的機器學(xué)習(xí)算法建立了鉆井風(fēng)險智能診斷和預(yù)警模型，診斷精度得到顯著提高。2021 年，劉建明等人[57]利用主成分分析方法對輸入?yún)?shù)進行降維處理，大幅提高了模型的運算效率。2023 年，Duan Shiming 等人[58]根據(jù)工況類型制定了不同的輸入?yún)?shù)組合，提高了氣侵預(yù)警的準(zhǔn)確率。Liang Haibo等人[59]以遺傳算法代替?zhèn)鹘y(tǒng)梯度下降算法進行參數(shù)尋優(yōu)，提高了診斷卡鉆、溢流等風(fēng)險的準(zhǔn)確率。2022 年，Yin Qishuai 等人[60]考慮了風(fēng)險演化的時序性，優(yōu)選LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行溢流風(fēng)險預(yù)警。2019 年以來，宋先知等人[58,61–63]通過機理數(shù)據(jù)融合的方法實現(xiàn)了地層和井筒壓力的準(zhǔn)確預(yù)測；基于地層–井筒壓力平衡、分工況建模和小樣本處理等方法建立了溢漏風(fēng)險智能診斷模型，形成了基于自適應(yīng)算法的風(fēng)險自動調(diào)控處理方法。斯倫貝謝公司NDS 系統(tǒng)[64]（見圖5）和中國石化DrillRisk 風(fēng)險評價系統(tǒng)[65]等國內(nèi)外公司研發(fā)的系統(tǒng)高度集成了多領(lǐng)域?qū)＜抑R、先進的硬件設(shè)備和軟件算法，可及時分析鉆井施工狀況，實現(xiàn)鉆井風(fēng)險的高效診斷與調(diào)控處理。不可否認，鉆井風(fēng)險智能預(yù)警系統(tǒng)面臨虛警和誤警的難題，因此，算法和場景融合的數(shù)據(jù)治理、基于小樣本學(xué)習(xí)和小波分析的數(shù)據(jù)增廣與特征增強、多維參數(shù)聯(lián)動機制等會提高風(fēng)險預(yù)警系統(tǒng)的性能。

圖5 斯倫貝謝公司NDS 系統(tǒng)處理過程示意[64]Fig. 5 Overview of the processing for the Schlumberger NDS system[64]

3.4 固井質(zhì)量智能評價與優(yōu)化控制

現(xiàn)有對固井質(zhì)量的研究主要集中在固井質(zhì)量智能預(yù)測和解釋評估等方面。2002 年，朱玉璽等人[66]首先提出應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)算法建立數(shù)學(xué)模型進行固井質(zhì)量預(yù)測，并將此模型應(yīng)用于大慶油田，預(yù)測準(zhǔn)確率為90%～98%。2009 年，倪紅梅等人[67]將免疫算法與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合，提高了固井質(zhì)量預(yù)測的準(zhǔn)確率和求解速率。2020 年，D.K.Voleti 等人[68]基于強化學(xué)習(xí)方法，融合多種機器學(xué)習(xí)的預(yù)測結(jié)果來預(yù)測固井質(zhì)量，預(yù)測精度高達99.4%。2021 年，L.Santos 等人[69]基于高斯過程回歸算法預(yù)測固井質(zhì)量，增強了模型的遷移性。鄭雙進等人[23]基于GASVR 算法對順北區(qū)塊的固井質(zhì)量進行預(yù)測，實現(xiàn)了固井質(zhì)量的實時預(yù)測。固井質(zhì)量智能解釋方面，2020 年，D.Reolon 等人[70]采用MRGC 算法，利用聲波和超聲波測井資料實時評價固井質(zhì)量。2020 年，E.M.Viggen 等人[71]使用卷積神經(jīng)網(wǎng)絡(luò)識別變密度測井曲線，進行固井質(zhì)量評價，并在此基礎(chǔ)上融合更多的測井?dāng)?shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)算法評價固井質(zhì)量。2022 年，F(xiàn)ang Chunfei 等人[22]基于聲幅和變密度測井?dāng)?shù)據(jù)采用多模態(tài)學(xué)習(xí)方法改進了卷積神經(jīng)網(wǎng)絡(luò)，建立了多維尺度感知卷積網(wǎng)絡(luò)模型（見圖6），將固井質(zhì)量評價的準(zhǔn)確率提高至95%?？傊?，固井質(zhì)量的智能診斷與評價方法逐步成熟，但對固井質(zhì)量預(yù)測和優(yōu)化方法的研究較少，其中固井參數(shù)實時優(yōu)化和固井方案智能推薦將成為現(xiàn)場應(yīng)用的主要方式。

圖6 固井質(zhì)量預(yù)測的多維尺度感知卷積網(wǎng)絡(luò)模型示意[22]Fig. 6 Multi-dimensional scale sensing convolutional network model for cementing quality prediction[22]

3.5 壓裂方案智能設(shè)計與優(yōu)化調(diào)控

壓裂參數(shù)智能設(shè)計、工況診斷和實時優(yōu)化是智能壓裂研究的熱點。2016 年，L.V.Lehman 等人[72]利用神經(jīng)網(wǎng)絡(luò)將鉆井?dāng)?shù)據(jù)與測井?dāng)?shù)據(jù)融合，優(yōu)化射孔間距。W.P.Scanlan 等人[73]利用神經(jīng)網(wǎng)絡(luò)建立了更加詳細的分層地質(zhì)力學(xué)模型，在精細壓裂的同時進行射孔簇設(shè)計和分組。R.Keshavarzi 等人[74]率先將數(shù)值模擬與人工神經(jīng)網(wǎng)絡(luò)結(jié)合建立了天然裂縫作用下的壓裂裂縫預(yù)測模型，獲得了影響天然裂縫儲層水力壓裂的宏觀和微觀因素。Yang Ruiyue 等人[75]建立了考慮縫間應(yīng)力干擾的壓裂射孔簇位置優(yōu)選方法，并添加機理約束，構(gòu)建了基于混合神經(jīng)網(wǎng)絡(luò)的煤層氣壓裂井產(chǎn)能預(yù)測模型。美國Drill2Frac 公司利用深度學(xué)習(xí)算法，建立了壓裂完井智能優(yōu)化方法，實現(xiàn)了可壓性評價、布縫位置優(yōu)選、壓裂參數(shù)優(yōu)化等功能[76]。

壓裂工況診斷方面，目前國內(nèi)外基于規(guī)則學(xué)習(xí)、遷移學(xué)習(xí)等算法，以壓裂施工曲線為輸入，實現(xiàn)了壓裂工況事件細分。Hu Jinqiu 等人[77]利用局部加權(quán)線性回歸方法，建立了壓裂壓力預(yù)測模型，并結(jié)合粒子濾波算法對模型參數(shù)進行了優(yōu)化。盛茂等人[78]建立了壓裂暫堵、球座坐封、壓裂砂堵風(fēng)險監(jiān)測判識模型，實現(xiàn)了壓裂過程復(fù)雜異常工況實時監(jiān)測與評價。以哈里伯頓公司Smart-Fleet[79]為代表的智能壓裂系統(tǒng)綜合運用光纖監(jiān)測、井下微地震、壓力計等多源實時數(shù)據(jù)和智能算法，實現(xiàn)了壓裂射孔簇均衡起裂、裂縫擴展可視化和泵注參數(shù)實時調(diào)控。

壓裂優(yōu)化控制方面，Zhou Qiumei 等人[80]通過某頁巖區(qū)塊完井、壓裂和生產(chǎn)數(shù)據(jù)分析，揭示了壓裂液返排與完井屬性、地質(zhì)環(huán)境之間的相關(guān)性。Fu Yingkun等人[81]基于Anadarko 盆地7口非常規(guī)油氣井壓裂返排數(shù)據(jù)的分析，優(yōu)化了壓裂返排的關(guān)鍵參數(shù)。D.Maity 等人[82]采用K近鄰等智能算法，實現(xiàn)了支撐劑顆粒的分類與位置識別。要實現(xiàn)智能壓裂技術(shù)的工業(yè)化應(yīng)用，目前仍存在數(shù)據(jù)標(biāo)簽樣本少、模型可解釋差等問題。未來，壓裂增產(chǎn)數(shù)據(jù)治理、小樣本數(shù)據(jù)挖掘、可解釋性算法將成為壓裂智能設(shè)計決策與優(yōu)化調(diào)控技術(shù)的攻關(guān)重點，如圖7 所示[83]。

圖7 壓裂泵注實時決策系統(tǒng)[83]Fig. 7 Real-time decision-making system for fracturing pumping treatment[83]

3.6 完井方案智能設(shè)計與生產(chǎn)優(yōu)化

通過智能完井生產(chǎn)優(yōu)化與調(diào)控對油氣井生產(chǎn)進行科學(xué)管理，可有效延長油氣井壽命，提高采收率。近年來國內(nèi)外學(xué)者與油服公司主要圍繞產(chǎn)能預(yù)測、生產(chǎn)動態(tài)優(yōu)化、軟件平臺及硬件系統(tǒng)等方面開展攻關(guān)。A.M.Nejad 等人[84]使用數(shù)據(jù)驅(qū)動方法預(yù)測多層合采油氣井的產(chǎn)量。Yang Ruiyue 等人[85]建立了機理–數(shù)據(jù)聯(lián)合驅(qū)動的模型，提高了模型的精確度與穩(wěn)定性。Z.Tariq 等人[86]根據(jù)產(chǎn)量時序數(shù)據(jù)、儲層數(shù)據(jù)、ICV 開度等參數(shù)，對入流剖面進行實時預(yù)測。Q.Bello 等人[87]通過智能完井入流控制裝備優(yōu)化生產(chǎn)方案。汪志明等人[88–89]研究了新型流入控制裝置與智能完井流動機理，形成了完井參數(shù)優(yōu)化設(shè)計方法。斯倫貝謝公司的WellWatcher Advisor 平臺可搭配Manara 智能完井系統(tǒng)，對生產(chǎn)過程進行實時監(jiān)測優(yōu)化。國內(nèi)外油服公司已成功研制了多種智能完井系統(tǒng)（見表1），其中貝克休斯公司的SureCONNECT智能完井系統(tǒng)結(jié)合分布式傳感器、智能滑套等裝備，對整個生產(chǎn)過程進行監(jiān)測控制。2020 年，安哥拉G 油田將智能完井與防砂工具相結(jié)合，同時滿足了防砂及油藏分注等要求[90]。中國海油自主研發(fā)的深水智能完井系統(tǒng)在南海進行了應(yīng)用。隨著產(chǎn)能智能預(yù)測和生產(chǎn)動態(tài)優(yōu)化方法的逐步成熟，亟需加快智能方法與智能完井系統(tǒng)的融合，以進一步優(yōu)化“完井設(shè)計—生產(chǎn)監(jiān)測—生產(chǎn)優(yōu)化決策”的油藏生產(chǎn)智能化管理模式。

表1 國內(nèi)外典型的智能完井系統(tǒng)Table 1 Typical intelligent well completion system at home and abroad

3.7 鉆井多過程協(xié)同優(yōu)化調(diào)控技術(shù)

現(xiàn)有鉆井優(yōu)化技術(shù)多依托單一模型，未考慮鉆井多過程模型的強耦合與約束性，國內(nèi)外學(xué)者針對鉆井多過程協(xié)同方法開展了大量探索。C.Hedge等人[91]在優(yōu)化機械鉆速時考慮了鉆具振動，并融合了鉆速和風(fēng)險2 個模塊。R.A.Shishavan 等人[30]將水力學(xué)和鉆速機理方程耦合，研制了綜合考慮鉆速和井底壓力的控壓鉆井多變量控制器。E.Z.Losoya等人[92]設(shè)計了一種開源的鉆井模擬協(xié)議，包含鉆柱動力學(xué)、摩阻扭矩分析、地質(zhì)建模、水力學(xué)、井筒壓力建模等部分。宋先知等人[38,93]動態(tài)耦合了破巖模型、管柱力學(xué)模型和水平井巖屑運移模型，提出了基于多過程動態(tài)耦合的鉆井提速–清巖–減阻多目標(biāo)協(xié)同優(yōu)化方法。徐寶昌等人[94]結(jié)合環(huán)空壓力模型、鉆柱模型、機械鉆速模型等，建立了鉆井過程全局動態(tài)模型，為控壓鉆井智能控制與實時決策系統(tǒng)提供了理論支持。挪威eDrilling 公司利用數(shù)字孿生技術(shù)搭建了鉆井模擬仿真系統(tǒng)[95]（見圖8），其集成了水力學(xué)、管柱力學(xué)、機械鉆速、孔隙壓力等多個模塊，通過鉆井多子過程的實時協(xié)同，實現(xiàn)了鉆井全生命周期的工況診斷預(yù)測及鉆井參數(shù)優(yōu)化。挪威NORCE 研究所構(gòu)建了基于歷史和實時數(shù)據(jù)的自動化鉆井系統(tǒng)[96]，實現(xiàn)了鉆井優(yōu)化、自動操作、閉環(huán)控制、軌道優(yōu)化和風(fēng)險處理等功能?，F(xiàn)有鉆井多過程協(xié)同優(yōu)化存在不同過程模型成熟度失衡的問題，并且多以目標(biāo)函數(shù)耦合的方式進行協(xié)同，但鉆井多過程的動態(tài)耦合未實現(xiàn)，現(xiàn)場應(yīng)用的可信度有待提升。

圖8 eDrilling 智能鉆井系統(tǒng)[95]Fig. 8 The eDrilling Intelligent Drilling System[95]

4 智能鉆完井技術(shù)發(fā)展前景及攻關(guān)重點

當(dāng)前人工智能技術(shù)正從感知智能向認知智能、專用智能向通用智能發(fā)展，人工智能技術(shù)的可解釋性、推理能力和認知能力成為國內(nèi)外學(xué)者關(guān)注的重點。智能鉆完井基礎(chǔ)理論與關(guān)鍵技術(shù)的發(fā)展將以領(lǐng)域知識和智能算法的深度融合為重點，在進一步完善和細化人工智能應(yīng)用場景的基礎(chǔ)上，推進地質(zhì)–工程數(shù)據(jù)融合治理和智能鉆完井技術(shù)標(biāo)準(zhǔn)制定，加強個性化智能算法、智能化工具裝備、一體化系統(tǒng)軟件和高效通訊技術(shù)的研發(fā)，不斷融合數(shù)字孿生、邊緣計算和量子力學(xué)等前沿技術(shù)，實現(xiàn)鉆完井全生命周期的人機交互智能決策和閉環(huán)調(diào)控。

4.1 中長期發(fā)展規(guī)劃

智能鉆完井技術(shù)以自動化鉆井為基礎(chǔ)，深度融合領(lǐng)域知識和人工智能算法，軟硬件結(jié)合以實現(xiàn)鉆完井全生命周期的智能決策和閉環(huán)調(diào)控。其中，長期發(fā)展可分為3 個階段：

第1 階段?！笆奈濉逼陂g，繼續(xù)強化智能鉆完井模型的感知分析能力，提升模型遷移性與魯棒性?；阢@完井地質(zhì)–工程數(shù)據(jù)融合治理標(biāo)準(zhǔn)，研究鉆完井多過程智能化建模方法，構(gòu)建多智能體耦合的鉆完井全局表征模型，同時加強智能芯片、智能終端的研發(fā)，為認知智能奠定基礎(chǔ)。

第2 階段?！笆逦濉逼陂g，感知智能向認知智能過渡，強化模型的認知推理水平，此階段的智能鉆完井模型將具有更靈活、更容易落地的特點?；谥悄芑夹g(shù)標(biāo)準(zhǔn)體系，重點提升工具裝備與智能模型的集成，通過多模態(tài)建模和邊云一體技術(shù)，實現(xiàn)鉆完井?dāng)?shù)字孿生體的實時更新，智能鉆機等工具裝備逐步成熟，智能化工程技術(shù)落地應(yīng)用的可行性進一步提高。

第3 階段。“十六五”期間，認知智能向自主智能演化，模型將具備更全面、更高層次的優(yōu)化調(diào)控能力。通過構(gòu)建鉆完井全流程的數(shù)字孿生體系，研發(fā)智能鉆井液等高端智能新材料，人機交互技術(shù)逐步成熟，形成以智能裝備終端為基礎(chǔ)的鉆完井群智協(xié)同鉆井系統(tǒng)，實現(xiàn)鉆完井過程的全自主智能決策和閉環(huán)調(diào)控。

4.2 攻關(guān)重點

隨著智能鉆完井技術(shù)研究和應(yīng)用的不斷深入，穩(wěn)定性和可遷移性不好、可信度不高的問題愈發(fā)突出，亟需進行基礎(chǔ)理論攻關(guān)，克服智能鉆完井現(xiàn)場應(yīng)用的技術(shù)瓶頸。因此，進一步推進智能算法與應(yīng)用場景、領(lǐng)域知識、智能化工具等深度融合將是未來攻關(guān)的主要方向。

4.2.1 機理–數(shù)據(jù)混合驅(qū)動的建模方法

機理和數(shù)據(jù)融合是人工智能技術(shù)在油氣鉆完井工程領(lǐng)域落地應(yīng)用的必由途徑，可有效提升模型的穩(wěn)定性和魯棒性，優(yōu)化其在不同數(shù)據(jù)空間的性能?，F(xiàn)有方法主要包括混合機理數(shù)據(jù)的數(shù)據(jù)集和輸入?yún)?shù)、模型結(jié)構(gòu)優(yōu)化和嵌入約束的損失函數(shù)等。如根據(jù)管柱力學(xué)、水力學(xué)等機理模型計算關(guān)鍵特征參數(shù)作為數(shù)據(jù)驅(qū)動模型的輸入，擴充數(shù)據(jù)特征空間[97]；根據(jù)機械破巖機理和井筒水力學(xué)等優(yōu)化設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，強化神經(jīng)網(wǎng)絡(luò)模型對不同特征的提取能力；應(yīng)用管柱力學(xué)和先驗知識等構(gòu)建約束條件，形成機理約束下的損失函數(shù)，使模型輸出符合物理規(guī)律，提高模型的預(yù)測精度[98]。

4.2.2 基于領(lǐng)域知識的智能模型泛化方法

由于地質(zhì)條件、井下環(huán)境和工程參數(shù)的復(fù)雜性，提高基于歷史數(shù)據(jù)訓(xùn)練智能模型在不同井段和油田區(qū)塊的遷移泛化能力是智能鉆完井技術(shù)落地的關(guān)鍵。智能鉆完井技術(shù)的領(lǐng)域泛化方法主要有遷移學(xué)習(xí)算法、模型實時更新和領(lǐng)域知識輔助建模等。遷移學(xué)習(xí)算法可以保留利用大量原始數(shù)據(jù)預(yù)訓(xùn)練獲得的知識，在新區(qū)塊、新地層條件下結(jié)合新數(shù)據(jù)微調(diào)預(yù)訓(xùn)練模型，可以保證模型的性能[99]。模型實時更新是結(jié)合實時測錄井?dāng)?shù)據(jù)，采用在線學(xué)習(xí)等方法實時更新智能模型，使其不斷適應(yīng)井下環(huán)境的變化[38]。領(lǐng)域知識輔助建模是將鉆完井領(lǐng)域知識嵌入智能算法，讓智能算法的運行符合領(lǐng)域知識約束，實現(xiàn)不同數(shù)據(jù)空間的遷移[100]。

4.2.3 基于小樣本學(xué)習(xí)的模型優(yōu)化方法

鉆完井過程中復(fù)雜工況、壓裂事件和鉆井風(fēng)險等是典型的小樣本事件，具有數(shù)據(jù)規(guī)模小、樣本空間失衡等特點，依賴大數(shù)據(jù)驅(qū)動的常規(guī)機器學(xué)習(xí)方法難以實現(xiàn)小樣本數(shù)據(jù)的深度挖掘和學(xué)習(xí)。小樣本學(xué)習(xí)方法能夠克服數(shù)據(jù)不均衡、特征向量少等局限，提升模型的性能，主要包括模型微調(diào)、數(shù)據(jù)增強、度量學(xué)習(xí)和元學(xué)習(xí)等4 種方法[101]。使用小樣本數(shù)據(jù)微調(diào)預(yù)訓(xùn)練網(wǎng)絡(luò)模型，從而優(yōu)化模型的性能。利用數(shù)據(jù)增強方法擴充鉆井風(fēng)險樣本數(shù)據(jù)量和特征多樣性，可有效提高模型診斷的準(zhǔn)確度。通過度量學(xué)習(xí)計算不同樣本之間的距離，可輔助復(fù)雜工況高效分類?；谠獙W(xué)習(xí)框架，使模型通過先驗任務(wù)自動學(xué)習(xí)元知識，可指導(dǎo)模型在壓裂計算、風(fēng)險識別等特定數(shù)據(jù)空間中快速學(xué)習(xí)。

4.2.4 智能鉆完井模型的可解釋方法

決策的透明程度與結(jié)果的可解釋性是智能鉆完井模型得到大規(guī)模部署應(yīng)用的前提。將不同層面的鉆完井領(lǐng)域知識嵌入智能模型，可有效提升其可信度和穩(wěn)定性?？山忉屝苑椒ㄖ饕譃? 個層面：1）數(shù)據(jù)的可解釋性。利用專家經(jīng)驗知識對鉆井?dāng)?shù)據(jù)進行特征工程處理分析，判斷影響模型結(jié)果的關(guān)鍵特征參數(shù)[102]。2）模型自身的可解釋性。根據(jù)注意力機制解釋模型在決策過程中關(guān)注度更高的特征[103]，從現(xiàn)場鉆井?dāng)?shù)據(jù)中發(fā)現(xiàn)新的物理規(guī)律。3）輸出結(jié)果的可解釋性。通過分析影響模型決策的重要參數(shù)，對智能模型的結(jié)果做出符合鉆井物理規(guī)律的解釋[104]。此外，基于數(shù)字孿生的智能表征和輔助決策、基于知識圖譜的智能推理、邊云一體的模型重構(gòu)等也是智能鉆完井技術(shù)發(fā)展的重要方向和落地應(yīng)用的關(guān)鍵。

5 結(jié)束語

智能鉆完井技術(shù)是一種變革性技術(shù)，可大幅提升鉆井效率、儲層鉆遇率和油氣產(chǎn)量，近年來受到國內(nèi)外油氣公司和學(xué)者的高度重視，獲得快速發(fā)展。智能鉆完井技術(shù)目前正處于基礎(chǔ)理論研究向工程技術(shù)應(yīng)用過渡的初級階段，仍面臨機理–數(shù)據(jù)融合、模型遷移、可解釋和小樣本等難題。下一步需加強基礎(chǔ)理論和關(guān)鍵技術(shù)攻關(guān)，同時加快智能化工具裝備的研發(fā)進程，強化產(chǎn)–學(xué)–研–用融合發(fā)展機制，推進油氣人工智能復(fù)合型創(chuàng)新人才的培養(yǎng)，形成科學(xué)研究、技術(shù)應(yīng)用和人才培養(yǎng)協(xié)同發(fā)展的模式，為推動我國油氣智能鉆完井技術(shù)落地應(yīng)用奠定基礎(chǔ)。