PCDS精细控压钻井技术新进展

周英操; 刘伟

doi:10.11911/syztjs.2019071

PCDS精细控压钻井技术新进展

周英操,
刘伟

中国石油集团工程技术研究院有限公司，北京 102206

基金项目: 国家科技重大专项“深井超深井井筒安全钻井技术与装备”（编号：2016ZX05020–003）部分研究内容

详细信息

作者简介:
周英操（1962—），男，黑龙江佳木斯人，1984年毕业于大庆石油学院钻井工程专业，2000年获石油大学（北京）油气井工程专业硕士学位，2005年获中国石油大学（北京）油气井工程专业博士学位，教授级高级工程师，博士生导师，中国石油高级技术专家，主要从事钻井工程技术研究和相关管理工作。系本刊编委。E-mail：zhouyingcaodri@cnpc.com.cn

中图分类号: TE249
计量
- 文章访问数: 5037
- HTML全文浏览量: 1662
- PDF下载量: 156
出版历程
- 收稿日期: 2019-03-27
- 网络出版日期: 2019-05-09
- 刊出日期: 2019-04-30

New Progress on PCDS Precise Pressure Management Drilling Technology

CNPC Engineering Technology R & D Company Ltd., Beijing, 102206, China

摘要

摘要:
为解决钻进复杂地层时普遍存在的井涌、漏失、坍塌和卡钻等井下故障，特别是“溢漏同存”窄安全密度窗口地层安全钻进的问题，研制了PCDS精细控压钻井系列装备，形成了欠/近/过平衡精细控压钻井技术，以及9种工况、4种控制模式、13种应急转换的精细控压钻井工艺，并在不同类型的复杂地层进行了应用，解决了“溢漏同存”窄安全密度窗口地层安全钻进的难题，提高了油气勘探发现率，大幅延长了水平井水平段长度，提高了单井产量。详细介绍了PCDS精细控压钻井装备的发展过程及最新进展，分析了PCDS精细控压钻井技术的现场应用效果，指出了控压钻井技术将向高效一体化方向发展，应用领域也将不断拓宽，其与信息化、智能化结合，将形成智能井筒安全控制钻井技术，为未来智能钻井技术奠定基础。
- 精细控压钻井 /
- 复杂地层 /
- 井下故障 /
- 安全密度窗口 /
- 智能钻井 /
- 技术进展
Abstract:
In order to solve the downhole problems of well kicks, leakage, collapse, stuck pipe string, etc., all of which are common in drilling complex formations, especially in the case of safe drilling in narrow safety density window formation characterized by the co-existence of overflow and leakage, the CNPC Engineering Technology Research Institute has developed the PCDS precise pressure management drilling equipment series. In addition, they formed under/near/overbalanced precise pressure management drilling technologies, together with pressure management drilling processes that are suitable for nine kinds of working conditions, four kinds of control modes, and thirteen kinds of emergency conversion modes. Those technologies have been applied in various complex strata and have effectively solved the above-mentioned problems. The new breakthrough techniques and technologies have dramatically improved the discovery rates in oil and gas exploration, and have dramatically extended the length of horizontal section in horizontal wells. In addition, they have improved the production of single wells. This paper introduces the development processes and latest progresses of PCDS precise pressure management drilling equipment in details, and analyzes the field application effect of PCDS fine precise pressure management drilling technology. It is pointed out that this technology has a goal of achieving high-efficiency integration, and the locations where the technologies are applied will be continuously expanded. By combining this technology with data science and artificial intelligence, it is expected that the next steop will involve intelligent wellbore safety control drilling technology which will lay the foundation for future intelligent drilling technologies.
- managed pressure drilling /
- complex formation /
- downhole failures /
- safety density window /
- intelligent drilling /
- technology progress

HTML全文

随着石油勘探开发不断深入，非常规油气藏越来越受到重视，但该类油气藏地质条件复杂，钻井过程中井眼轨迹的控制难度大。定向钻井时利用地质导向技术对井眼轨迹进行动态调整，可以较好地解决这一问题。定向钻井时测得的各种地球物理数据中，随钻方位电磁波电阻率不仅包含地层电阻率信息，还可以反映岩性界面位置^[1-4]，因此随钻方位电磁波电阻率测井解释结果是油气井地质导向决策的主要依据之一。

随钻方位电磁波测井响应与所求解的地质参数之间存在高度的非线性关系，因此往往需要借助反演手段获取地层参数。目前常用的反演方法主要包括高斯–牛顿法和随机反演算法，如G.Wang等人^[5]在各向异性地层中使用了基于快速正演求解器的高斯–牛顿法进行反演，收敛速度快，但每一步迭代都需要求解目标函数的雅克比矩阵，计算量大，若初值设置不当，反演结果可能不准确，甚至无法收敛^[6]；随机反演算法计算过程简单，鲁棒性强，但收敛速度慢，无法满足实时反演的要求。

近年来，深度学习技术在人工智能领域取得了显著成果，表明深度神经网络对于复杂结构有着很强的表征能力^[7-10]，利用深度学习进行地层反演或将成为替代传统反演的新方法^[11-13]。例如，Jin Yuchen等人^[14]利用深度神经网络和严格的正演模型反演了1.5D随钻电阻率数据；Y. Hu等人^[15]将梯度下降算法和机器学习算法相结合，增强了模型反演的鲁棒性；M. Shahriari等人^[16]利用深度学习反演了井眼电阻率测井数据；D. Pardo等人^[17]针对不同地质情况设计了多种深度学习反演架构，来实现随钻电阻率的2.5D反演。实践证明，深度学习方法可以用于测井数据反演。但传统的神经网络结构简单，存在收敛速度慢、数据表征能力有限等缺点。

针对上述问题，笔者基于LSTM网络建立了深度学习反演模型，并以斯伦贝谢公司的随钻方位电磁波测井仪PeriScope数值模拟数据为样本，对该模型进行训练和测试；训练后的深度学习模型能够准确快速地反演地层电阻率，且有一定的鲁棒性。

1. 随钻方位电磁波测井原理

目前电磁波测井常用的线圈系结构如图1所示。其中，图1（a）所示线圈结构采用轴向发射和轴向接收，不具有方位性，主要用来测量地层电阻率信号；图1（b）所示线圈结构采用轴向发射与倾斜接收，这样的线圈结构使测量信号具有方位性，可以用于测量地质信号^[18-20]。

图 1 方位电磁波测井常用线圈结构

Figure 1. Commonly used coil structure in azimuthal electromagnetic wave logging

下载: 全尺寸图片幻灯片

测量地层电阻率信号时，记录2个接收线圈上的电压，并将其转换为幅度比和相位差（见图1（a））：

${Att = \text{20lg}}\frac{{\sqrt {{{[{{\rm{Re}}} ({U_{{\rm{R}}_1}})]}^2} + {{[{{\rm{Im}}} ({U_{{\rm{R}}_1}})]}^2}} }}{{\sqrt {{{[{{\rm{Re}}} ({U_{{\rm{R}}_2}})]}^2} + {{[{{\rm{Im}}} ({U_{{\rm{R}}_2}})]}^2}} }}$

(1)

$PS = \arctan \frac{{{{\rm{Im}}} ({U_{{\rm{R}}_1}})}}{{{{\rm{Re}}} ({U_{{\rm{R}}_1}})}} - \arctan \frac{{{{\rm{Im}}} ({U_{{\rm{R}}_2}})}}{{{{\rm{Re}}} ({U_{{\rm{R}}_2}})}}$

(2)

式中： $Att$ 为幅度比，dB； $PS$ 为相位差，（°）； ${U_{{\rm{R}}_1}}$ 和 ${U_{{\rm{R}}_2}}$ 分别为2个接收线圈上的电压值，V； ${{\rm{Re}}}$ 表示取电压实部， ${{\rm{Im}}}$ 表示取电压虚部。

测量岩性界面信号时，仪器在每个测量位置沿轴心旋转一周，测量多个扇区的值（现有商用仪器每旋转一周测量16个或32个扇区），取其在旋转角 ${\beta _1} = {0^ \circ }$ 和 ${\beta _2} = {180^ \circ }$ 的测量电压作为幅度比和相位差的计算参数（见图1（b））。幅度比地质信号和相位差地质信号的计算公式分别为：

${G_{{{Att}}}} = {\text{20lg}}\frac{{\sqrt {{{[{{\rm{Re}}} ({U_{{\beta _1}}})]}^2} + {{[{{\rm{Im}}} ({U_{{\beta _1}}})]}^2}} }}{{\sqrt {{{[{{\rm{Re}}} ({U_{{\beta _2}}})]}^2} + {{[{{\rm{Im}}} ({U_{{\beta _2}}})]}^2}} }}$

(3)

${G_{{{PS}}}} = \arctan \frac{{{{\rm{Im}}} ({U_{{\beta _1}}})}}{{{{\rm{Re}}} ({U_{{\beta _1}}})}} - \arctan \frac{{{{\rm{Im}}} ({U_{{\beta _2}}})}}{{{{\rm{Re}}} ({U_{{\beta _2}}})}}$

(4)

式中： ${G_{{Att}}}$ 为幅度比地质信号，dB； ${G_{{PS}}}$ 为相位差地质信号，（°）； ${U_{{\beta _1}}}$ 和 ${U_{{\beta _2}}}$ 分别为工具面角为 ${\beta _1}$ 和 ${\beta _2}$ 时的测量电压，V。

2. 电阻率反演网络模型

2.1 模型工作流程

电阻率反演流程如图2所示。首先建立水平层状各向异性地层（TI）模型，地层参数（主要为水平电阻率R_h和垂直电阻率R_v）随机取值；然后通过正演计算得到不同地层参数下对应的测井响应（主要为幅度比Att和相位差PS），建立包含大量数据对[地层参数，测井响应]的样本集；最后基于预处理后的样本集训练神经网络。训练时将测井响应作为神经网络的输入，地层参数作为神经网络的输出，神经网络自动学习从测井响应到地层参数的映射。

图 2 电阻率反演流程

Figure 2. Inversion flow of resistivity

下载: 全尺寸图片幻灯片

搭建的神经网络模型主要由噪声层、LSTM层和1D卷积层组成。噪声层可以避免神经网络在训练时出现过拟合，使训练后的神经网络具有较强的鲁棒性；1D卷积层可以代替普通神经网络中的全连接层，将分布式特征空间映射到地层电阻率等数据的拟合结果；LSTM层是神经网络模型的核心，它可以拾取数据特征、解决神经网络在处理时间序列数据时出现的梯度消失或梯度爆炸的问题，网络架构如图3所示（δ代表Sigmoid函数，其表达式为 $\delta (x) = \dfrac{1}{{1 + {{\rm{e}}^{ - x}}}}$ ，返回的是一个（0，1）内的数字； ${h_{t - 1}}$ 和 ${x_t}$ 分别为前一个神经元的输出和当前神经元的输入； ${C_{t - 1}}$ 为前一个状态， ${f_t}$ 由式（5）计算）^[21]。

图 3 LSTM网络架构

Figure 3. Architecture of LSTM network

下载: 全尺寸图片幻灯片

${f_t} = \delta ({{\boldsymbol{W}}_f} [{h_{t - 1}},{x_t}] + {b_f})$

(5)

式中: ${{\boldsymbol{W}}_f}$ 和 $b_f$ 分别为权重矩阵和偏置。

若 ${f_t}$ 为1，则代表完全保留 ${C_{t - 1}}$ 中的信息；若 ${f_t}$ 为0，则代表完全删除 ${C_{t - 1}}$ 中的信息。

${C_t}'$ 是当前神经元经过tanh激活函数处理得到的有效信息， ${i_t}$ 的计算与 ${f_t}$ 类似，它决定了当前神经元信息的保存：

${i_t} = \delta ({W_i}[{h_{t - 1}},{x_t}] + {b_i})$

(6)

${C_t}'{\text{ = }}\tanh ({W_C}[{h_{t - 1}},{x_t}] + {b_C})$

(7)

将上一个状态值乘以 ${f_t}$ ，用来表示期待清除的信息，再将得到的值加上 ${i_t} {C_t}'$ ，即可得到当前神经元的状态值 ${C_t}$ ，完成信息的更新与传递。即：

${C}_{t}={f}_{t} {C}_{t-1}+{i}_{t} {{C}_{t}}'$

(8)

此外，由于随钻方位电磁波测量的幅度比和相位差与电阻率为非线性对应关系，还需要给神经网络的激励层加上非线性激活函数，来增加神经网络的非线性映射能力。ReLu激活函数的收敛速度快且求导简单，进行反向传播时在速度方面具有较大的优势，因此，本文以此函数为激励函数。

2.2 随钻方位电磁波测量响应解析计算方法

水平层状各向异性地层模型中，随钻方位电磁波测井的数值模拟方法主要有解析方法和数值模式匹配等。相对于数值模式匹配等方法，解析方法中的传播系数矩阵法避免了N层界面对2N个方程联立求解，在界面较多时，这种递推方法的计算速度更快，本文采用此方法计算TI模型随钻方位电磁波测井响应。

电磁波在介质中传播满足微分形式的麦克斯韦方程组：

$\left\{ \begin{gathered} \nabla \times {\boldsymbol{H}} = {\boldsymbol{J}} + \frac{{\partial {\boldsymbol{D}}}}{{\partial t}} \\ \nabla \times {\boldsymbol{E}} = - \frac{{\partial {\boldsymbol{B}}}}{{\partial t}} \\ \nabla \cdot {\boldsymbol{B}} = 0 \\ \nabla \cdot {\boldsymbol{D}} = \rho \\ \end{gathered} \right.$

(9)

式中： ${\boldsymbol{H}}$ 为磁场强度，A/m； ${\boldsymbol{E}}$ 为电场强度，N/C； ${\boldsymbol{B}}$ 为磁感应强度，T； ${\boldsymbol{D}}$ 为电位移矢量，C/m²； ${\boldsymbol{J}}$ 为传导电流密度，A/m²；ρ为电荷密度，C/m³。

电磁波在媒质中的传播满足本构关系：

$\left\{ \begin{gathered} {\boldsymbol{D}} = \varepsilon {\boldsymbol{E}} \\ {\boldsymbol{B}} = \mu {\boldsymbol{H}} \\ {\boldsymbol{J}} = \boldsymbol{\sigma} {\boldsymbol{E}} \\ \end{gathered} \right.$

(10)

式中： $\varepsilon$ 为媒质的介电常数； $\mu$ 为媒质的磁导率，H/m； $\boldsymbol{\sigma}$ 为电导率张量。

电磁波测井仪发射线圈的尺寸相对于线圈源距可忽略不记，发射线圈可以等同于一个磁偶极源，在进行电磁波测井时一般使用时谐电流源 ${{\rm{e}}^{ -\text{ i}\omega t}}$ ，因此在均匀各向异性地层中，时谐场麦克斯韦方程组可表示为：

$\left\{ \begin{gathered} \nabla \times {\boldsymbol{H}} = \boldsymbol{\sigma} {\boldsymbol{E}} \\ \nabla \times {\boldsymbol{E}} =\text {i}\omega ({\mu _0}{\boldsymbol{H}} + {\mu _0}{{\boldsymbol{M}}_S}) \\ \end{gathered} \right.$

(11)

式中： ${{\boldsymbol{M}}_S}$ 为外加磁流源； ${\mu _0}$ 为真空中磁导率，H/m。

在推导中常使用Hertz势理论，Hertz矢量势 ${\boldsymbol{\varPi}}$ 和标量势 ${{\varPsi}}$ 满足：

$\left\{ \begin{gathered} \boldsymbol{ \sigma} {\boldsymbol{E}} = \text {i} \omega {\mu _0}{\sigma _{\rm{h}}}\nabla \times {\boldsymbol{\varPi }} \\ {\boldsymbol{H}} =\text {i}\omega {\mu _0}{\sigma _{\rm{h}}}{\boldsymbol{\varPi }} + \nabla {{\varPsi}} \\ \nabla (\boldsymbol{\sigma} {\boldsymbol{\varPi }}) = {\sigma _{\rm{v}}}{{\varPsi}} \\ \end{gathered} \right.$

(12)

式中： ${\sigma _{\rm{h}}}$ 为电导率水平分量，S/m； ${\sigma _{\rm{v}}}$ 为电导率垂直分量，S/m。

将式（10）代入式（9），可得均匀各向异性介质中的磁偶极源表达式，然后将其代入式（12），可得：

$\left\{ \begin{gathered} {E_z} = - \frac{1}{{4{{\boldsymbol{\varPi}}} }} \left( {{M_x}\sin \alpha - {M_y}\cos \alpha } \right) \int_0^\infty \omega \mu \lambda k_\rho ^2{\rm{i}}\frac{{{J_1}\left( {{k_\rho }\rho } \right)}}{{{k_{v,z}}}}\cdot \\ \qquad{{\rm{e}}^{{\rm{i}}\lambda \left| z \right|{k_{v,z}}}}{k_\rho }{\rm{d}}{k_\rho } \\ {H_z} = \frac{1}{{4{\boldsymbol{\varPi}} }}\left( {{M_x}\cos \alpha + {M_y}\sin \alpha } \right)\int_0^\infty k_\rho ^2\frac{{\partial \left| z \right|}}{{\partial z}}{J_1}\left( {{k_\rho }\rho } \right)\cdot \\ \qquad {{\rm{e}}^{{\rm{i}}\left| z \right|{k_{v,z}}}}{\rm{d}}{k_\rho } + \frac{{{M_z}}}{{4{\boldsymbol{\varPi}}}}\int_0^\infty {{\rm{i}}k_\rho ^3\frac{{{J_0}\left( {{k_\rho }\rho } \right)}}{{{k_{h,z}}}}{{\rm{e}}^{{\rm{i}}\left| z \right|{k_{h,z}}}}{\rm{d}}{k_\rho }} \\[-12pt] \end{gathered} \right.$

(13)

因此，在TI模型中电磁场由以下递推公式进行计算：

${E_{n,z}} = - \frac{1}{{4{\boldsymbol{\varPi}}}}\left( {{M_x}\sin \alpha - {M_y}\cos \alpha } \right)\omega \mu {\lambda _n}\frac{{k_\rho ^2}}{{{k_{n,v,z}}}}{J_1}\left( {{k_\rho }\rho } \right)F_n^{TM,h}$

(14)

$\begin{split} {H_{n,z}} =& \frac{1}{{4{\boldsymbol{\varPi}} }}\left( {{M_x}\cos \alpha + {M_y}\sin \alpha } \right)k_\rho ^2{J_1}\left( {{k_\rho }\rho } \right)F_n^{TM,h} +\\ &\frac{1}{{4{\boldsymbol{\varPi}} }}{M_z}\frac{{{\rm{i}}k_\rho ^3}}{{{k_{n,h,z}}}}\left( {{k_\rho }\rho } \right)F_n^{TM,v}\\[-12pt] \end{split}$

(15)

$\begin{split} F_n^{TE,h} = &{\delta _{mn}}\frac{{\left| {z - {z_0}} \right|}}{{z - {z_0}}}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}\left| {z - {z_0}} \right|}} + U_n^{TE,h}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}\left( {z - {d_n}} \right)}} +\\ &D_n^{TE,h}{{\rm{e}}^{ - {\rm{i}}{k_{n,h,z}}\left( {z - {d_{n - 1}}} \right)}} \end{split}$

(16)

$F_n^{TE,v} = {\delta _{mn}}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}\left| {z - {z_0}} \right|}} + U_n^{TE,h}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}{d_n}}} + D_n^{TE,h}{{\rm{e}}^{ - {\rm{i}}{k_{n,h,z}}\left( {z - {d_{n - 1}}} \right)}}$

(17)

$\begin{split} F_n^{T{\text{M}},h} =& {\delta _{mn}}{{\rm{e}}^{{\rm{i}}\lambda {k_{n,v,z}}\left| {z - {z_0}} \right|}} + U_n^{TE,h}{{\rm{e}}^{{\rm{i}}{k_{n,v,z}}\left( {z - {d_n}} \right)}} + \\ &D_n^{TM,h}{{\rm{e}}^{ - {\rm{i}}\lambda {k_{n,v,z}}\left( {z - {d_{n - 1}}} \right)}} \end{split}$

(18)

${\delta _{mn}} = \left\{ \begin{gathered} 1\quad m = n \\ 0\quad m \ne n \\ \end{gathered} \right.$

(19)

式中： ${F_n}$ 为第n层的传播项；上标TM表示TM波的z分量，TE表示TE波的z分量， $h$ 表示水平磁偶极子， $v$ 表示垂直磁偶极子， $z$ 和 ${z_0}$ 表示接受点和发射源位置的纵坐标， ${d_n}$ 表示界面位置； ${D_n}$ ， ${U_n}$ 分别为第n层底界面处的下行波和上行波的波膜，可由式（20）推出。

$\left\{ \begin{split} U_{n + 1}^{TE,v} =& U_n^{TE,v}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}({d_{n + 1}} - {d_n})}}\frac{{1 + R_{U,n}^{TE,v}}}{{1 + R_{U,n + 1}^{TE,v}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,h,z}}({d_{n + 2}} - {d_{n + 1}})}}}} \\ D_n^{TE,v} = &U_n^{TE,v}R_{U,n}^{TE,v}{{\rm{e}}^{{\rm{i}}2{k_{n,h,z}}({d_{n + 1}} - {d_n})}} \\ U_{n + 1}^{TE,h} =& U_n^{TE,h}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}({d_{n + 1}} - {d_n})}}\frac{{1 + R_{U,n}^{TE,h}}}{{1 + R_{U,n + 1}^{TE,h}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,h,z}}({d_{n + 2}} - {d_{n + 1}})}}}} \\ D_n^{TE,h} = &U_n^{TE,h}R_{U,n}^{TE,h}{{\rm{e}}^{{\rm{i}}2{k_{n,h,z}}({d_{n + 1}} - {d_n})}} \\ U_{n + 1}^{TM,h} = &\frac{{{\varepsilon _n}}}{{{\varepsilon _{n + 1}}}}U_n^{TM,h}{{\rm{e}}^{{\rm{i}}\lambda {k_{n,v,z}}({d_{n + 1}} - {d_n})}}\cdot \\ &\frac{{1 + R_{U,n}^{TM,h}}}{{1 + R_{U,n + 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,v,z}}({d_{n + 2}} - {d_{n + 1}})}}}} \\ D_n^{TM,h} =& U_n^{TM,h}R_{U,n}^{TM,h}{{\rm{e}}^{{\rm{i}}2\lambda {k_{n,v,z}}({d_{n + 1}} - {d_n})}} \\ \end{split} \right.$

(20)

式中： ${R_{D,n}}$ ， ${R_{U,n}}$ 分别为第n层底界面处下行波和第n层顶界面处上行波的广义反射系数。其递推公式如下：

$\left\{ \begin{gathered} R_{U,n}^{TE} = \frac{{R_{n,n + 1}^{TE} + R_{U,n + 1}^{TE}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,h,z}}\left( {{d_{n + 1}} - {d_n}} \right)}}}}{{1 + R_{n,n + 1}^{TE}R_{U,n + 1}^{TE}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,h,z}}\left( {{d_{n + 1}} - {d_n}} \right)}}}} \\ R_{D,n}^{TE} = \frac{{R_{n,n - 1}^{TE} + R_{D,n - 1}^{TE}{{\rm{e}}^{{\rm{i}}2{k_{n - 1,h,z}}\left( {{d_{n - 1}} - {d_{n - 2}}} \right)}}}}{{1 + R_{n,n - 1}^{TE}R_{D,n - 1}^{TE}{{\rm{e}}^{{\rm{i}}2{k_{n - 1,h,z}}\left( {{d_{n - 1}} - {d_{n - 2}}} \right)}}}} \\ R_{U,n}^{TM,h} = \frac{{R_{n,n + 1}^{TM,h} + R_{U,n + 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,v,z}}\left( {{d_{n + 1}} - {d_n}} \right)}}}}{{1 + R_{n,n + 1}^{TM,h}R_{U,n + 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2\lambda {k_{n + 1,v,z}}\left( {{d_{n + 1}} - {d_n}} \right)}}}} \\ R_{D,n}^{TM,h} = \frac{{R_{n,n - 1}^{TM,h} + R_{D,n - 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2\lambda {k_{n - 1,v,z}}\left( {{d_{n - 1}} - {d_{n - 2}}} \right)}}}}{{1 + R_{n,n - 1}^{TM,h}R_{U,n - 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2\lambda {k_{n - 1,v,z}}\left( {{d_{n - 1}} - {d_{n - 2}}} \right)}}}} \\ \end{gathered} \right.$

(21)

由式（21）递推关系可知所有界面的广义反射系数。广义反射系数由于使用简单解析表达式计算界面间的多次反射效应，其递推公式避免了N层界面对应的2N个方程的联立求解，计算速度快。

2.3 地层模型和仪器参数

建立图4所示的TI地层模型（模型层数为3，4，5），每一层的电阻率R、各向异性系数λ (λ²=R_v/R_h)、地层界面位置Z及井斜角θ随机取值，由于随钻电磁波测井适用于大斜度井和水平井，因此将井斜角θ的取值范围设置为（65°，85°）。以斯伦贝谢公司生产的PeriScope随钻电磁波测井仪为例进行电阻率反演试验，选用了13种线圈组合方式，其中单发双收线圈（见图1（a））组合的有5组，源距分别为[0.330 m,0.480 m]，[0.480 m,0.635 m]，[0.635 m,0.787 m]，[0.787 m,0.889 m]和[0.889 m,1.090 m]，频率设置为400 kHz和2 MHz，用于测量视电阻率信号；单发单收的线圈组合（见图1（ b））有8组，对称法和反对称法各4组，源距分别为（0.558 8 m，0.863 6 m，2.133 6 m，2.438 4 m），频率分别设置为100，400 kHz和2 MHz，用于测量地层边界，被称为地质信号。基于正演算法计算每一种线圈组合在不同工作频率下的测井响应，从而在每个地层样本下获得了68条不同的测井曲线（幅度比和相位差各34条，每条曲线的采样点数设置为512）。至此得到了包含30 000个样本的数据集，每个样本由70条曲线构成（68条测井响应曲线为神经网络输入，2条电阻率曲线为神经网络的预测值）。取其中3 000个样本作为验证集，用于评估神经网络模型对电阻率的反演性能。

图 4 水平层状多层地层模型

Figure 4. Horizontal stratified formation model with multiple layers

下载: 全尺寸图片幻灯片

2.4 数据集预处理

过正演计算生成的样本数据并不能直接作为神经网络的输入与输出，还需处理异常数据，进行数据转换和归一化处理。

由于地层电阻率等参数是随机取值，当随机参数组合异常时，可能导致正演结果出现无法计算的异常值，对于这样的异常值采用归零法，即把异常数据赋值为0。本文同时输入同测量段不同源距和频率的测量曲线，也即将输入数据转换为由多条测量曲线组成的二维图像；通过归一化处理可以使样本数据被限定在一定的范围内，加快梯度下降求最优解的速度，且有可能提高精度。本文采取的归一化方法为：

${x_i} = {{\rm{sgn}}}({x_i}) \lg [1 + \left| {{x_i}} \right|]$

(22)

式中：x_i为某条曲线中第i个采样点的值；sgn(x)为符号函数。

3. LSTM网络训练与结果分析

3.1 LSTM网络的训练与优化

在神经网络训练时，学习率（即在神经网络训练期间权重更新的量）和批尺寸（神经网络训练样本集较大，无法一次性对所有数据进行训练，常用的方法是每次向神经网络输入样本集的一部分）对训练效果有很大影响，因此优选这2个参数。

由于神经网络的训练速度和精度同时受学习率（η）和批尺寸（n）的影响，本文同时使用不同的学习率和批尺寸对卷积网络进行遍历寻优。针对方位电磁波数据反演问题，选用的学习率分别为0.000 5，0.001 0，0.002 0，0.004 0，0.006 0和0.008 0，批尺寸分别为32，64，128和256时，LSTM网络训练的损失函数曲线如图5—图8所示，不同批尺寸和学习率下损失函数的最小值见表1。

图 5 批尺寸为32时不同学习率下的损失函数曲线对比

Figure 5. Comparison of loss function curves under different learning rates when batch size is 32

下载: 全尺寸图片幻灯片

图 6 批尺寸为64时不同学习率下的损失函数曲线对比

Figure 6. Comparison of loss function curves under different learning rates when batch size is 64

下载: 全尺寸图片幻灯片

图 7 批尺寸为128时不同学习率下的损失函数曲线对比

Figure 7. Comparison of loss function curves under different learning rates when batch size is 128

下载: 全尺寸图片幻灯片

图 8 批尺寸为256时不同学习率下的损失函数曲线对比

Figure 8. Comparison of loss function curves under different learning rates when batch size is 256

下载: 全尺寸图片幻灯片

表 1 不同批尺寸和学习率的损失误差

Table 1. Loss errors for different batch sizes and learning rates

η	训练集误差				测试集误差
η	n=32	n=64	n=128	n=256	n=32	n=64	n=128	n=256
0.000 5	0.011 0	0.012 4	0.012 5	0.014 1	0.009 3	0.007 5	0.011 1	0.011 7
0.001 0	0.009 8	0.010 9	0.014 3	0.012 1	0.008 7	0.007 5	0.011 9	0.010 6
0.002 0	0.011 0	0.010 1	0.010 8	0.011 6	0.008 8	0.007 2	0.010 4	0.010 7
0.004 0	0.011 3	0.010 7	0.011 1	0.013 1	0.009 1	0.007 7	0.010 9	0.010 8
0.006 0	0.010 8	0.011 2	0.011 6	0.013 3	0.008 9	0.008 3	0.011 2	0.011 6
0.008 0	0.012 5	0.012 3	0.012 5	0.011 9	0.009 0	0.008 1	0.010 4	0.014 0

下载: 导出CSV

| 显示表格

从图5—图8及表1可以看出，当批尺寸为64、学习率为0.002时，LSTM网络训练的损失误差最小，精度最高。

3.2 反演结果分析

使用训练好的LSTM网络反演3层、4层和5层地层模型的水平电阻率和垂直电阻率，结果如图9—图11所示。

图 9 三层地层模型反演结果

Figure 9. Inversion results of three-layer formation model

下载: 全尺寸图片幻灯片

图 10 四层地层模型反演结果

Figure 10. Inversion results of four-layer formation model

下载: 全尺寸图片幻灯片

图 11 五层地层模型反演结果

Figure 11. Inversion results of five-layer formation model

下载: 全尺寸图片幻灯片

从图9—图11可以看出，反演得到的电阻率曲线和真实电阻率曲线基本重合，说明该网络能够准确获得各向异性地层中的电阻率信号；且随着地层层数的增加，反演和真实电阻率曲线的吻合程度没有明显下降，说明该网络对于复杂地层有一定的适用性，可以用于地质导向和地层流体评价。

为了进一步验证随钻方位电磁波电阻率的反演准确度，将LSTM网络应用于3 000个样本的测试集，每个样本有512个采样点，记录每一个采样点处反演的电阻率，并与真实电阻率进行比较。计算它们之间的相对误差，结果见表2。

表 2 电阻率反演相对误差

Table 2. Relative error of resistivity inversion

电阻率	相对误差，%	采样点数	百分比，%
R_h	<5	1 397 313	91.0
	≥5～<10	112 652	7.3
	≥10～<20	18 852	1.2
	≥20	7 183	0.5
R_v	<5	1 357 925	88.4
	≥5～<10	124 935	8.1
	≥10～<20	28 557	1.9
	≥20	24 583	1.6

下载: 导出CSV

| 显示表格

从表2可以看出，无论是对垂直电阻率（R_v）的反演还是对水平电阻率（R_h）的反演，都有很高的准确性，其中95%以上采样点的相对误差都在10%以内，相对误差大于20%的采样点只有1%左右。

为了验证该模型的鲁棒性，在测试数据集中分别加入5%、10%和20%的相对噪声，统计不同噪声强度下的反演误差（见图12），并与无噪声时的反演误差相比较。从图12可以看出，噪声强度在10%以内时，随着噪声强度增大，反演准确度不断下降，但下降的速度比较缓慢，噪声对反演结果的影响较小；噪声强度增大到20%时，反演准确度下降速度加快，反演结果受噪声影响较大。这说明该网络模型在反演随钻方位电磁波测井数据时具有一定的抗干扰能力，有望应用于含有噪声测量数据的反演。

图 12 不同噪声强度下电阻率反演误差分布直方图

Figure 12. Histogram of resistivity inversion error distribution under different noise intensities

下载: 全尺寸图片幻灯片

最后记录下LSTM网络在验证集上反演单个样本所需的时间，并与文献[15]中的监督下降法以及Occam反演方法进行比较，结果见表3。从表3可以看出，LSTM网络反演速度比传统方法快了2个数量级，且随着地层层数增加，反演时间几乎不发生变化，因此，该反演方法有望满足随钻方位电磁波测井数据井场实时反演的要求。

表 3 不同方法反演时间比较

Table 3. Comparison of inversion time between different methods

地层模型层数	反演单个样本所需时间/s
地层模型层数	LSTM网络	监督下降法	Occam法
3	0.04～0.06	0.5～4.0	>120
5	0.04～0.06	0.5～4.0	>240

下载: 导出CSV

| 显示表格

4. 结论与建议

1）LSTM网络能够用于反演随钻方位电磁波数据。训练后的网络反演单个样本计算速度约为0.05 s，其计算速度较快，能够满足数据实时反演的需要，且无需存储大量正演模型和数据，有利于实时应用。

2）在神经网络架构中使用了非线性激活函数，使神经网络具有非线性表达能力，能够将随钻方位电磁波正演数据映射为需要反演的地层电阻率。设置不同的学习率和批尺寸等参数，其反演准确度会有较大差别，因此在神经网络训练时应采用遍历的方法来优选最合适的网络参数。

3）本文提出的随钻方位电磁波测井数据反演方法使用的训练数据和验证数据均为模拟数据，建议在今后的研究中，增加该方法对实际测井数据反演效果的验证。

图 1 PCDS-I精细控压钻井装备布局

Figure 1. Layout of PCDS-I fine precise pressure management equipment

下载: 全尺寸图片幻灯片

图 2 新型控压钻井装备布局

Figure 2. Layout of new pressure management drilling equipment

下载: 全尺寸图片幻灯片

表 1 精细控压钻井技术使用范围推荐

Table 1 Recommended scope of fine pressure management drilling technology

序号	地层特点	工程要求	推荐的控压钻井技术
1	窄安全密度窗口地层	控压精度高	井底恒压控压钻井技术
2	压力敏感地层	实时调整井底压力	快速井底压力监控钻井技术
3	易漏地层	流量补偿	流量补偿控压钻井技术
4	低渗地层	气体监测和压力控制	欠平衡控压钻井技术
5	含有毒有害气体地层	气体监测和压力精确控制	微过平衡控压钻井技术
6	宽安全密度窗口地层	井口自动节流	井口自动节流控压钻井技术

下载: 导出CSV

参考文献(22)

[1]	周英操. 精细控压钻井技术及其应用[M]. 北京: 石油工业出版社, 2018. ZHOU Yingyao. Accurate managed pressure drilling technology and application[M]. Beijing: Petroleum Industry Press, 2018.
[2]	周英操, 崔猛, 查永进. 控压钻井技术探讨与展望[J]. 石油钻探技术, 2008, 36(4): 1–4. doi: 10.3969/j.issn.1001-0890.2008.04.001 ZHOU Yingcao, CUI Meng, ZHA Yongjin. Discussion and prospect of managed pressure drilling technology[J]. Petroleum Drilling Techniques, 2008, 36(4): 1–4. doi: 10.3969/j.issn.1001-0890.2008.04.001
[3]	刘伟, 王瑛, 郭庆丰, 等. 精细控压钻井技术创新与实践[J]. 石油科技论坛, 2016(4): 32–37. LIU Wei, WANG Ying, GUO Qingfeng, et al. Innovation and application of accurate managed pressure drilling technology[J]. Oil Forum, 2016(4): 32–37.
[4]	刘伟, 周英操, 王瑛, 等. 国产精细控压钻井系列化装备研究与应用[J]. 石油机械, 2017, 45(5): 28–32. LIU Wei, ZHOU Yingyang, WANG Ying, et al. Domestic accurate managed pressure drilling series equipment technolog[J]. China Petroleum Machinery, 2017, 45(5): 28–32.
[5]	周英操,杨雄文,方世良,等. 精细控压钻井系统研制与现场试[J]. 石油钻探技术, 2011, 39(4): 7–12. ZHOU Yingcao, YANG Xiongwen, FANG Shiliang, et al. Development and field test of PCDS-I precise managed pressure drilling system [J]. Petroleum Drilling Techniques, 2011, 39(4): 7–12.
[6]	周英操, 杨雄文, 方世良, 等. 国产精细控压钻井系统在蓬莱9井试验与效果分析[J]. 石油钻采工艺, 2011, 33(6): 19–22. doi: 10.3969/j.issn.1000-7393.2011.06.005 ZHOU Yingcao, YANG Xiongwen, FANG Shiliang, et al. Field test and analysis on effect of auto-controlled pressure drilling system in the Well Penglai 9[J]. Oil Drilling & Production Technology, 2011, 33(6): 19–22. doi: 10.3969/j.issn.1000-7393.2011.06.005
[7]	LIU Wei, SHI Lin, ZHOU Yingcao, et al. The successuful application of a new-style managed pressure drilling (MPD) equipement and technology in Well Penglai 9 of Sichuan & Chongqing District[R]. SPE 155703, 2012.
[8]	刘伟, 周英操, 段永贤, 等. 国产精细控压钻井技术与装备的研发及应用效果评价[J]. 石油钻采工艺, 2014, 36(4): 34–37. LIU Wei, ZHOU Yingcao, DUAN Yongxian, et al. Development of domestic fine controlled pressure drilling technology and equipment and evaluation on their application effec[J]. Oil Drilling & Production Technology, 2014, 36(4): 34–37.
[9]	LIU Wei, SHI Lin, ZHOU Yingcao, et al. Development and application of pressure control drilling system (PCDS) for drilling complex problem[R]. IPTC 17143, 2013.
[10]	付加胜, 刘伟, 周英操, 等. 单通道控压钻井装备压力控制方法与应用[J]. 石油机械, 2017, 45(1): 6–9. FU Jiasheng, LIU Wei, ZHOU Yingcao, et al. Pressure control method and application of managed pressure drilling equipment with single channel[J]. China Petroleum Machinery, 2017, 45(1): 6–9.
[11]	LIU Wei. Real-time integrated optimized drilling technology for deep carbonate formation[R]. SPE 177630, 2015.
[12]	黄熠,杨进,施山山,等. 控压钻井技术在海上超高温高压井中的应用[J]. 石油钻采工艺, 2018, 40(6): 699–705. HUANG Yi, YANG Jin, SHI Shanshan, et al. Applications of MPD technology in offshore ultra-HTHP wells[J]. Oil Drilling & Production Technology, 2018, 40(6): 699–705.
[13]	匡立新,刘卫东,甘新星,等. 涪陵平桥南区块页岩气水平井钻井提速潜力分析[J]. 石油钻探技术 , 2018, 46(4): 16–22. KUANG Lixin, LIU Weidong, GAN Xinxing, et al. Acceleration potentials analysis of shale gas horizontal well drilling in the South Pingqiao Block of Fuling[J]. Petroleum Drilling Techniques, 2018, 46(4): 16–22.
[14]	于海叶,苗智瑜,陈永明,等. 控压钻井技术在漏涌同存地层的应用[J]. 断块油气田, 2015, 22(5): 660–663. YU Haiye, MIAO Zhiyu, CHEN Yongming, et al. Application of MPD technique in loss and kick coexistence formation[J]. Fault-Block Oil & Gas Field, 2015, 22(5): 660–663.
[15]	王沫,杜欢,伊尔齐木,等. 顺南井区优快钻井技术[J]. 石油钻探技术, 2015, 43(1): 50–54. WANG Mo, DU Huan, EERQM, et al. Optimal and fast drilling technology for Shunnan Block[J]. Petroleum Drilling Techniques, 2015, 43(1): 50–54.
[16]	宋巍,李永杰,靳鹏菠,等. 裂缝性储层控压钻井技术及应用[J]. 断块油气田, 2013, 20(3): 362–365. SONG Wei, LI Yongjie, JIN Pengbo, et al. MPD technology on fractured reservoir and its application[J]. Fault-Block Oil & Gas Field, 2013, 20(3): 362–365.
[17]	彭明佳,刘伟,王瑛,等. 精细控压钻井重浆帽设计及压力控制方法[J]. 石油钻采工艺, 2015, 37(4): 16–19. PENG Mingjia, LIU Wei, WANG Ying, et al. Design of heavy grout and pressure control method for fine pressure-control drilling[J]. Oil Drilling & Production Technology, 2015, 37(4): 16–19.
[18]	ROSTAMI S A, MRRAJABI M, STOIAN E, et al. Managed pressure cementing in HPHT utilizing realtime pressure estimation and control software: a case study[R]. OTC 27919, 2017.
[19]	DE LA C S A, DA SILVA T P, PATRICK B. MPC successful application in deepwater exploration: case study[R]. OTC 28139, 2017.
[20]	RUBIANTO I, PRASETA A E, DETRIZIO P, et al. An effective method in determining pore pressure by controlling bottomhole pressure while drilling narrow window wells in the Gulf of Thailand[R]. SPE 186877, 2017.
[21]	JOHNSON A, PICCOLO B, PINKSTONE H, et al. Augmenting deepwater well control with managed pressure drilling equipment[R]. SPE 186331, 2017.
[22]	LEITE C R A, LONGHIN G A, WALDMANN A A, et al. Artifical intelligence strategy minimizes lost circulation non-productive time in Brazilian deep water pre-salt[R]. OTC 28034, 2017.

施引文献(9)

期刊类型引用(6)

1.	王春伟，杜焕福，董佑桓，孙鑫，侯文辉，艾亚博，杜淑艳，刘桂华，柳启明. 泌阳凹陷页岩油水平井随钻定测录导一体化模式探索. 断块油气田. 2024(03): 424-431 . 百度学术
2.	秦文娟，康正明，张意，仵杰，倪卫宁. 模块化随钻电磁波测井仪器结构对测量信号的影响. 石油钻探技术. 2024(03): 137-145 . 本站查看
3.	高泽林，王佳琦，张启子. 智能化测井解释软件平台的架构研究. 石油钻探技术. 2024(04): 128-134 . 本站查看
4.	吴泽兵，袁若飞，张文溪，刘家乐. 基于多目标遗传算法的PDC复合片交界结构优化设计. 石油钻探技术. 2024(04): 24-33 . 本站查看
5.	赵宁，申松宁，李宁，胡海涛，齐超，秦策. 基于物理驱动的超深随钻方位电磁波测井深度学习反演. 石油地球物理勘探. 2024(05): 1069-1079 . 百度学术
6.	盛茂，范龙昂，张帅，张彦军，李川，田守嶒. 数据–知识混合驱动的压裂球座坐封有效性智能诊断方法. 石油钻探技术. 2024(05): 76-81 . 本站查看