地質導向鉆井軌跡控制技術研究

林 昕，苑仁國，韓雪銀，陳玉山，于忠濤，劉素周

中海油能源發展股份有限公司工程技術分公司

0 引言

導向鉆井軌跡精細控制是實現復雜油氣藏勘探開發的關鍵技術之一，包括幾何導向和地質導向兩類。前人的研究大多集中在前者，對于后者研究較少［1-4］。地質導向區別于幾何導向，其軌跡控制存在調整頻次高、要求響應及時以及定向參數范圍小等特點［2］。

為此，在已有的幾何導向軌跡控制研究基礎之上，研究了一種適用于地質導向鉆井軌跡控制的技術，包括地質導向決策、幾何導向指令、定向鉆進參數和隨鉆測量監控四個模塊（如圖1所示），其中隨鉆測量監控模塊引入機器學習相關技術實現對施工效果的實時監控。

圖1 地質導向鉆井軌跡控制流程圖

1 地質導向決策

地質導向決策的依據是基于導向模型關鍵參數。如圖2（a）所示，圓點代表鉆頭，導向模型關鍵參數包括鉆頭位置、地層厚度和傾角夾角，其中傾角夾角是指地層傾角和鉆頭井斜之間的夾角，通過分析關鍵參數和導向目標軌跡擺放位置之間的相對關系得到導向指令［5-6］。

目前絕大多數地質導向作業是基于垂向（井斜）上的調整，很少涉及橫向（方位）上的調整。文章僅討論垂向調整的控制，輸出的指令類型分為：增斜、穩斜、降斜以及地質停鉆。如圖2（b）所示，展示了降斜、穩斜和增斜三種導向場景。圖中紅色虛線所示為導向目標軌跡擺放位置，黑色點劃線為預測軌跡調整路線。如果在導向動力工具最大施工極限下仍無法避免鉆出目的層頂底板，則需要地質停鉆［5-6］。

圖2 地質導向決策

可以發現地質導向決策輸出的指令形式是定性的，無法直接應用到工程作業，需轉換成定量的幾何導向指令才可以應用到現場施工當中。

2 幾何導向指令

通過對現場作業流程進行分析，提出如下導向指令轉換方案： 根據導向模型關鍵參數獲取目標井斜值和井斜變化率，再結合鉆井設計獲取目標方位值和方位變化率；在優先滿足井斜調整的前提下，對方位進行設置。

根據當前行業通用的最小曲率法，可以得到導向鉆井軌跡的垂深/位移變化、井斜值和井斜變化率之間的近似關系，計算公式如下［3，7-8］：

其中:

式中:αB—目標井斜角；αA—預測鉆頭井斜角；BR—井斜變化率，（°）/m；Rc—最小曲率半徑長。

假設目標井斜不變，則BR直接影響軌跡的垂深和位移變化。BR越大，垂深和位移的變化越小。通常最大軌跡變化率（κmax）應小于導向動力工具的最大施工能力，由作業者在鉆井設計中明確具體數值，以保障工程安全。如圖3所示，在最大軌跡變化率下得到h＞D或D+h＞H時，說明軌跡存在鉆出目的層的風險，需實施地質停鉆，并獲取更高作業權限。

圖3 井斜變化與垂深、位移關系示意圖

這里需要明確目標井斜區別于上文所述的目標軌跡擺放位置的作用。通常設置目標井斜為地層傾角，調整至目標井斜后，需要進一步微調軌跡使之回到目標軌跡擺放位置，如圖2（b）所示。

3 定向鉆進參數

當前主流的導向動力工具主要包括螺桿和旋轉導向。由于工作原理不同，定向參數存在差別。其中螺桿的定向參數為工具面和滑動段長（m），旋轉導向的定向參數為工具面和力強度。兩種工具分別通過兩項參數來實現對導向軌跡變化率的控制［9-10］。

首先，工具面的角度由式（4） ～式（6）計算得到［3，7-8］?；诰眱炏日{整的指令轉換方案，BR確定后，由公式（4）得到的TR代入式（5），所得值應小于設定的κmax。

式中：TR—方位變化率；—目標方位角；—預測鉆頭方位角；LB—目標方位的斜深；LA—當前鉆頭位置斜深；κ—軌跡變化率；α—井斜角；ω—工具面。

其次，滑動段長或力強度的設置取決于實時分析。導向鉆進過程中，κ呈現非線性響應的特征，即指令不變條件下鉆進段越長，κ值越高，最終穩定在工具極限導向能力附近［9］；此外地層變化以及工具面不穩定等因素直接影響施工效果。因此滑動段長或力強度的設置應建立在對實際施工效果的準確評估和預測上。為此，添加了隨鉆測量（MWD）監控模塊，通過預測軌跡變化率分析施工效果，進而指導滑動段長或力強度的設置。

4 隨鉆測量監控

隨鉆測量監控的主要影響因素是MWD盲區長度。由國外公司主導的隨鉆工具如近鉆頭短節、旋轉導向等已實現MWD零長0.5 ～ 1.5 m。近鉆頭測量減少了MWD盲區長度，預測精度更高，因此能有效分析施工效果，成為目前解決導向軌跡控制問題的優選方案。參考文獻［11-12］介紹了運用近鉆頭測量技術解決深部（＞5 000 m垂深）、超?。ǎ?.5 m地層厚度）地層的地質導向鉆井施工，最終目的層鉆遇率可以保持在90%以上。

大多數地質導向井仍然面臨MWD零長較長的問題，如螺桿的MWD零長達到6 ～ 15 m，Vortex旋轉導向（旋轉導向+直螺桿）零長達到10 ～ 20 m［13］。為此，研究了基于機器學習的高斯過程回歸（GPR）算法，實現在導向鉆進過程中根據實時MWD數據監控施工效果。該方法包括構建MWD深度序列樣本和GPR算法應用兩個步驟。

4. 1 構建MWD深度序列樣本

構建用于機器學習的MWD深度樣本序列［14］，建立訓練集樣本序列：

D = {（xi， yi） |i= 1， 2， …，n-p+1} = （X，Y） （7）式中：X—輸入矩陣；Y—輸出矩陣；x—工具面和力的乘積；y—軌跡參數（井斜或方位）；p—傳感器測量零長。

每條樣本代表當前軌跡參數測量值（yn-p+1）、測量盲區定向參數數組（x∈Rd，d=p-1）以及預測井底鉆頭位置軌跡參數值（yn）的對應關系。定向參數以及軌跡參數均按照相同的測量間隔，根據測量深度順序排列。

利用機器學習的回歸分析可以學習輸入矩陣X與輸出矩陣Y之間的函數映射關系，并預測新測點的可能輸出值；導向鉆進過程中，隨著MWD數據的更新不斷生成新的訓練集樣本數據，并對算法模型進行重新學習訓練。通過算法模型微調，消除巖性變化等因素對預測精度的影響。

4. 2 GPR算法應用

高斯過程（GP）是基于統計學理論發展起來的通用機器學習方法。GPR算法是通過定義GP來描述函數分布并在函數空間進行貝葉斯推理。GPR作為機器學習回歸分析方法，對于處理小樣本以及非線性等問題適應性較好；具有容易實現、超參數自適應獲取和預測輸出具有概率意義等優點［14-17］。

圖4 ～ 圖5展示了分別以螺桿和旋轉導向作為導向動力工具情況下隨鉆監控測量模塊的現場應用效果，其中，螺桿MWD零長15 m，Vortex旋轉導向的MWD零長17 m。選取了相似作業工況井段進行對比。

圖4 旋轉導向井斜變化率預測對比圖

圖5 螺桿井斜變化率預測對比圖

對比兩種工具的真實BR數據，可以發現BR波動明顯，個別數據點出現峰值。旋轉導向相對螺桿BR變化更劇烈，這是由于旋轉導向的工具面比螺桿穩定，鉆進過程中更容易出現軌跡變化率的非線性響應特征。GPR算法能夠預測BR的變化趨勢，但是峰值數據點的預測結果更激進。

以狗腿度（DLS）作為軌跡變化率的標準單位（°）/30 m，監測結果數據分析如表1所示。GPR算法對狗腿度預測的決定系數R2達到95%以上，可以有效指導軌跡調整的定向參數設置，進而提高軌跡控制精度。

表1 螺桿及旋轉導向施工狗腿度監控結果分析

5 結論

（1）梳理了地質導向決策流程，提出了基于導向模型關鍵參數來分析地質導向決策指令的方法，總結了從地質導向到幾何導向指令轉換的方案。實現從定性的地質指令轉換為定量的定向參數。

（2）利用隨鉆測量監控的方法預測施工效果，進而提高地質導向鉆井的軌跡控制精度。為滿足螺桿和旋轉導向等導向動力工具使用環境下的應用，提出如下監測方案：建議采用具備近鉆頭測量功能的鉆具組合；針對MWD零長較長的情況，可采用基于GPR的隨鉆預測算法實現對施工效果精確監測。