隨鉆地質導向智能決策的實現與應用

林昕 苑仁國 韓雪銀 盧中原 于忠濤 譚偉雄

中海油能源發展股份有限公司工程技術分公司

隨鉆地質導向是地質工程一體化開發的核心技術之一，對于當前勘探開發的熱點資源，如頁巖氣水平井工廠、煤層氣多分支水平井以及復雜油氣藏等，有著廣泛的應用前景［1-6］。地質導向決策是地質導向工程師基于隨鉆測井數據進行實時分析的結果，體現了隨鉆地質導向技術的核心價值［1-2］。然而，由于人員經驗差別會導致決策結果不同并最終影響導向施工效果。開展隨鉆地質導向智能決策研究以消除人員經驗差別，可以提高施工服務質量，降低地質導向技術服務成本，提高實時決策分析效率。該研究對于實現地質導向技術的智能化轉型具有重要意義。

1 地質導向決策流程

地質導向決策是將現場采集得到的實時隨鉆測井數據進行分析獲取導向關鍵參數，并將分析結果與導向施工目標相結合，轉化為地質導向施工指令的過程［1,6］。

1.1 地質導向施工目標

導向施工目標是指作業者根據地質油藏開發計劃確定的井軌跡設計方案［6-7］。圖1展示了常見的3種地質導向施工目標，其中圓點代表鉆頭，箭頭代表鉆進方向，虛線代表目標鉆進軌跡。

圖1地質導向場景類型示意圖Fig.1 Schematic type of geosteering scenario

不同的導向施工目標決定了井軌跡不同的設計方案：(1)確保鉆遇率，將鉆井軌跡設計在儲層中部(圖1a)；(2)提高水平井產能，例如含邊底水儲層(或閣樓油)開發中，為避免后期底水錐進，將鉆井軌跡設計在貼近儲層頂部的位置(圖1b)；(3)追蹤儲層甜點，沿儲層水平段某一特征物性設計鉆井軌跡(圖1c)。

1.2 導向關鍵參數的獲取

通常地質導向工程師會采用地質導向建模的方法進行分析獲取導向關鍵參數［5-9］，包括：鉆頭位置、地層厚度、工具能力以及傾角夾角。鉆頭位置基于模擬擬合的分析方法，結合實時隨鉆測井數據，分析井軌跡所處地層的位置；地層厚度即目的層真實厚度，通常結合區塊經驗和鄰井數據分析獲得；工具能力即分析工具在當前地層環境下的施工能力，可以通過分析已鉆井段的工具作業情況得到；為了減少關鍵參數數量，本文的傾角夾角是指地層傾角與鉆頭井斜之間的夾角(圖2b)。其中地層傾角通過隨鉆測井數據分析得到；鉆頭井斜目前尚無直接測量的技術，通常是根據現有測斜數據，結合工具能力進行預測得到。

圖2導向關鍵參數示意圖Fig.2 Sketch of key steering parameters

1.3 地質導向施工指令

目前絕大多數地質導向施工決策是基于垂向(井斜)上的調整，極少數用到橫向(方位)上的調整［10］。基于垂向調整的地質導向指令可以分為4種類型：穩斜、增斜、降斜以及地質停鉆。其中地質停鉆是指遭遇重大地層變化(如斷層、尖滅等)，當前工具施工能力條件下已無法滿足導向目標要求，需要對導向目標進行調整的情況。

2 智能決策的實現

通過上文分析，可以知道地質導向決策是尋找從地質導向關鍵參數(鉆頭位置、地層厚度、工具能力以及傾角夾角)到地質導向決策指令(增斜、穩斜、降斜以及地質停鉆)之間的映射關系。

受隨鉆工具測量零長的影響，通常鉆頭位置比地層數據測量位置提前8~20 m，因此計算得到地層信息相對鉆頭位置滯后。同時工具在地層中的工作狀態受圍巖地層環境變化影響大，導致在非均質地層中的軌跡預測存在較大誤差(圖3)。在生成導向決策指令的過程中，需要充分考慮不確定因素下的計算誤差。

2.1 機器學習的應用

采用機器學習的神經網絡算法對分類等問題的應用效果較好。分類問題是指通過某一組特征變量將對象分配到一組預定義的分類，其計算的本質是求取特征數據集到分類數據集的函數映射［10-11］。

地質導向智能決策應用了神經網絡的運算方法。通過已經完成的地質導向施工數據得到訓練數據集，經過整理形成結構化數據并將該數據用于神經網絡訓練。訓練完成后的神經網絡可以根據輸入特征變量自動生成輸出指令，實現導向智能決策。

圖3預測軌跡示意圖Fig.3 Sketch of predicted trajectory

設計神經網絡為3層前饋網絡，包括輸入層、隱藏層和輸出層。根據地質導向施工決策中的4個核心關鍵參數(鉆頭位置、地層厚度、工具能力以及傾角夾角)，對應其輸入層的4個特征向量；其輸出層為導向決策使用的4條指令(增斜、穩斜、降斜以及地質停鉆)，對應其輸出層的4種指令類型；隱藏層有20個神經元，通過實驗后確定其數量。神經網絡的初始參數矩陣由隨機數組成［11-12］。

由于輸入的特征變量存在數量級差別，會導致運算過程中某幾個變量權重過大的情況，為防止單一數據異常影響其他變量，對所有訓練數據進行歸一化處理，即所有輸入的特征變量都轉換為區間[0,1]之間的數。調用邏輯回歸函數進行運算，神經網絡的每個神經元節點的輸出值范圍在[0,1]。對于不同的指令輸出選取最大輸出值對應的指令類別作為計算結果［11-16］。

2.2 多井訓練

共選用了60口井的數據，包含3種常見地質導向目標場景，并從中整理共計3 000條導向決策樣本數據，樣本分布情況為：784條增斜指令(指令1)，933條穩斜指令(指令2)，576條降斜指令(指令3)和707條地質停鉆指令(指令4)。通過計算機將該數據集隨機分成訓練集、驗證集以及測試集3部分，分別占比70%、15%和15%［12］。

用訓練集數據訓練并調整神經網絡；驗證集數據測量神經網絡表現并在神經網絡停止改進的情況下終止訓練過程；測試集數據不參與神經網絡訓練，用來測試神經網絡的訓練效果［11-12］。如圖4，選取2 100條訓練集數據和450條驗證集數據對神經網絡進行訓練，得到的神經網絡對于訓練集和驗證集的指令分類正確率達到90.2%和88.9%，即輸出正確指令數分別達到1 894條和400條。

圖4輸出數據結果對比分布矩陣Fig.4 Distribution matrix of output data result contrast

神經網絡訓練誤差曲線如圖5，經過75次的迭代計算獲得擬合的最佳效果。在第69次計算得到的驗證集最佳交叉熵值為0.055。選取測試集的450條數據對神經網絡的性能進行進一步測試，結果顯示準確率達到88.9%，比訓練集數據的結果略差，仍然滿足施工需求。以上結果表明訓練得到的神經網絡對導向決策的模擬效果較好。

圖5驗證集數據誤差分析Fig.5 Analysis on the data error of validation set

在錯誤的判定樣本中，地質停鉆指令對應的錯誤輸出樣本數量共計98 條，占到全部錯誤樣本的32%，分析該類別指令判定結果受到輸入訓練樣本數量少的影響。最終地質停鉆指令的預測準確率86.1%。另外，可以發現所有錯誤類型中沒有出現相反的決策指令，即該增(降)斜的地方采用降(增)斜的情況發生。

最終統計表明，采用神經網絡算法的導向決策模塊預測準確率達到89.7%，可實現地質導向智能決策，滿足工程施工需求。

3 實例分析

選取某單井施工數據(圖6)，如圖中黃框位置所示，由于導向施工盲目追求儲層甜點和鉆遇率，導致軌跡大幅度調整［1,10］。區別于傳統地質導向的定性分析結論，智能決策可以提供更直觀的定量分析。

圖6導向指令大幅度調整導致鉆井風險Fig.6 Drilling risk caused by the substantialadjustment of steering order

利用智能決策系統進行回放分析，共提取169條指令并進行對比，輸出指令分布如圖7a 所示：4種指令類型采用不同的顏色進行表示，上色帶為實時決策指令序列，下色帶為智能決策指令序列。其中共43條實時施工指令和智能系統的輸出指令相同，即正確指令的占比僅25.4%。指令輸出對比如圖7b所示。智能決策分析可以更直觀地展示導向施工質量，提供定量分析結果。智能導向決策提高了地質導向施工的分析效率，可有效輔助作業人員實施對多口井的同時監控。

圖7導向指令輸出分布及對比分析Fig.7 Output distribution and comparative analysis of steering order

進一步分析發現，共52條“穩斜”指令在鉆進過程中采取了非穩斜的導向措施，占所有指令的32%。說明作業團隊在導向施工中存在頻繁調整軌跡的情況，即可采用穩斜指令的情況卻采用了增斜或降斜的導向措施，最終導致軌跡出現大幅波動的軌跡形態。

將圖7b中導向指令對比分析圖進一步和工程施工狗腿度對比，如圖8所示，可以觀察到錯誤指令發生的位置同狗腿度超限(6(°)/30 m)的位置吻合度達到69.2%。說明作業團隊在導向施工中大量采用了超出軌跡調整限制的狗腿度來確保達到地層鉆遇率目標，增加了鉆井工程風險，并為后續生產留下井眼坍塌的隱患。

圖8導向指令和施工狗腿度分布對比Fig.8 Distribution comparison between steering order and construction dogleg

4 結論

(1)梳理了地質導向決策流程，分析了常見的地質導向目標類型，包括確保鉆遇率、提高水平井產能以及追蹤儲層甜點；導向關鍵參數的獲取，包括鉆頭位置、地層厚度、工具能力以及傾角夾角；導向決策指令分類，包括增斜、穩斜、降斜以及地質停鉆。

(2)利用機器學習的神經網絡算法實現地質導向智能決策。根據常見的3種地質導向目標，選取60口井的3 000條樣本數據進行結構化處理，并完成神經網絡訓練。訓練結果表明輸出指令的正確率達到89.7%，滿足實時地質導向的作業需求。

(3)應用地質導向智能決策，可以實現對地質導向施工質量的定量分析，進而可以對不同的井進行對比分析，達到優化井眼軌跡、降低鉆井工程風險和提高導向施工效率等目的。

(4)地質導向決策具備共性特征，建議結合遷移學習對算法進一步提升，將訓練得到的模型應用到其他區塊，避免重復訓練以提升效率，并解決鄰井數量少(缺乏訓練數據)情況下地質導向智能決策技術的應用。