顺北油气田古生界钻井提速技术现状与发展建议

陈宗琦; 刘景涛; 陈修平

doi:10.11911/syztjs.2023033

顺北油气田古生界钻井提速技术现状与发展建议

中国石化西北油田分公司, 新疆乌鲁木齐 841699

详细信息

作者简介:
陈宗琦（1974—），男，河南新密人，1997年毕业于大庆石油学院钻井工程专业，高级工程师，主要从事钻井完井方面的技术研究和相关管理工作。系本刊编委。E-mail：chenzq.xbsj@sinopec.com。

中图分类号: TE245
计量
- 文章访问数: 535
- HTML全文浏览量: 159
- PDF下载量: 216
出版历程
- 收稿日期: 2022-01-09
- 修回日期: 2023-01-29
- 网络出版日期: 2023-02-01
- 刊出日期: 2023-03-24

Up-to-Date ROP Improvement Technologies for Drilling in the Paleozoic of Shunbei Oil & Gas Field and Suggestions for Further Improvements

Sinopec Northwest Oilfield Company, Urumqi, Xinjiang, 841699, China

摘要

摘要:
顺北油气田储层埋深达8 000～8 800 m，穿越层位多，岩性复杂。尤其是钻进古生界时钻井速度慢、钻头寿命短，导致钻井周期长、成本高的问题突出，制约了该油田高效经济开发。为此，分析了影响古生界破岩效率难钻地层的特征及提速难点，总结了针对二叠系、石炭系—志留系和奥陶系桑塔木组的钻井提速技术，明确了各项技术的提速原理和技术特征，分析了各项技术在顺北油气田古生界的提速效果。在此基础上，进一步分析了目前提速技术依然存在的问题，指出各项技术提速效果差异性大、缺乏理论基础、钻井提速潜力不明确仍然是制约顺北油气田钻井提速技术发展的瓶颈问题，给出了古生界提速技术的发展建议，以期为该油气田古生界进一步提高破岩效率提供新的思路。
- 古生界 /
- 二叠系 /
- 石炭系 /
- 志留系 /
- 桑塔木组 /
- 钻井 /
- 机械钻速 /
- 顺北油气田
Abstract:
The reservoirs in Shunbei Oil & Gas Field are characterized by a deep burial depth of 8000−8800 m. There are many strata to cross in the drilling process, and the lithology is very complex. A persistent issue, the slow drilling speed and short bit life of Paleozoic lead to the problems of long drilling cycle and high cost, which restrict its efficient and economic development. Therefore, the characteristics of the hard-to-drill formations that influence the rock-breaking efficiency in the Paleozoic and also the difficult parts of rate of penetration(ROP) improvement were analyzed. Subsequently, ROP improvement technologies designed for drilling in the Permian, Carboniferous-Silurian, and Sangtamu Formation were summarized. Meanwhile, the ROP improvement principles and characteristics of these technologies were clarified, and the performance of the technologies in improving the ROP in the Paleozoic of Shunbei Oil & Gas Field was analyzed. On this basis, the problems with currently available ROP improvement technologies were further investigated. This work points out that the technical bottleneck restricting the development of drilling acceleration technology in Shunbei Oil & Gas Field was due to a great difference in the effect of various ROP improvement technologies, the lack of theoretical basis and an unclear drilling acceleration potential. Finally, the suggestions for further improvements of ROP improvement technologies for the Paleozoic were proposed to provide a new approach to further enhancing the rock-breaking efficiency in the Paleozoic of Shunbei Oil & Gas Field.
- Paleozoic /
- Permian /
- Carboniferous /
- Silurian /
- Santamu Formation /
- drilling /
- ROP /
- Shunbei Oil & Gas Field

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 RDE钻头及斧形齿

Figure 1. Ridged diamond element (RDE) bit and dolabriform tooth

下载: 全尺寸图片幻灯片

图 2 尖圆齿PDC钻头工作原理及布齿情况

Figure 2. Working principle and tooth distribution of polycrystalline diamond compact (PDC) bit with sharp circular teeth

下载: 全尺寸图片幻灯片

图 3 钟摆钻具组合防斜原理

Figure 3. Deviation control principle of the pendulum bottom-hole assembly(BHA)

下载: 全尺寸图片幻灯片

表 1 奥陶系桑塔木组易斜地层提速效果对比

Table 1 Comparison of the ROP improvement effect in deviation-prone formations in the Ordovician Sangtamu Formation

井名	井眼直径/mm	提速工艺	进尺/m	钻速/（m·h⁻¹）
顺托1井	241.3	PDC钻头+螺杆钻具	1470	1.91
顺北8X井	241.3	PDC钻头+螺杆钻具	1868	3.15
顺北14井	241.3	PDC钻头+垂直钻井工具	2210	9.11
顺北41X井	241.3	PDC钻头+垂直钻井工具	1249	6.29
顺北42X井	241.3	PDC钻头+垂直钻井工具	195	5.82
顺北16X井	215.9	PDC钻头+垂直钻井工具+螺杆钻具	2239	13.45
顺北801X井	215.9	PDC钻头+垂直钻井工具+螺杆钻具	1779	6.49
顺北4-1H井	215.9	PDC钻头+垂直钻井工具+螺杆钻具	1465	8.52
顺北44X井	215.9	PDC钻头+垂直钻井工具+螺杆钻具	332	5.03

下载: 导出CSV

参考文献(30)

[1]	陈宗琦,刘湘华,白彬珍,等. 顺北油气田特深井钻井完井技术进展与发展思考[J]. 石油钻探技术,2022,50(4):1–10. CHEN Zongqi, LIU Xianghua, BAI Binzhen, et al. Technical progress and development consideration of drilling and completion engineering for ultra-deep wells in the Shunbei Oil & Gas Field[J]. Petroleum Drilling Techniques, 2022, 50(4): 1–10.
[2]	李文霞,王居贺,王治国,等. 顺北油气田超深高温水平井井眼轨迹控制技术[J]. 石油钻探技术,2022,50(4):18–24. LI Wenxia, WANG Juhe, WANG Zhiguo, et al. Wellbore trajectory control technologies for ultra-deep and high-temperature horizontal wells in the Shunbei Oil & Gas Field[J]. Petroleum Drilling Techniques, 2022, 50(4): 18–24.
[3]	于海叶,王树江,葛磊,等. 新疆火成岩地层气体钻井实践[J]. 钻采工艺,2014,37(2):19–22. YU Haiye, WANG Shujiang, GE Lei, et al. Application of gas drilling in Xinjiang igneous rock layer[J]. Drilling & Production Technology, 2014, 37(2): 19–22.
[4]	陶兴华. 提高深井钻井速度的有效技术方法[J]. 石油钻采工艺,2001,23(5):4–8. TAO Xinghua. Effective measures for improving the penetration rate of deep well[J]. Oil Drilling & Production Technology, 2001, 23(5): 4–8.
[5]	左汝强. 国际油气井钻头进展概述(一):Kymera组合式 (Hybrid) 钻头系列[J]. 探矿工(岩土钻掘工程),2016,43(1):4–6. ZUO Ruqiang. International advancement of drilling bits for oil and gas well (1): Kymera hybrid bit[J]. Exploration Engineering(Rock & Soil Drilling and Tunneling), 2016, 43(1): 4–6.
[6]	左汝强. 国际油气井钻头进展概述 (四): PDC钻头发展进程及当今态势 (下)[J]. 探矿工程(岩土钻掘工程),2016,43(4):40–48. ZUO Ruqiang. International advancement of drilling bits for oil and gas well (4): PDC bits progress and present trend (Ⅱ)[J]. Exploration Engineering(Rock & Soil Drilling and Tunneling), 2016, 43(4): 40–48.
[7]	左汝强. 国际油气井钻头进展概述 (三):PDC钻头发展进程及当今态势 (上)[J]. 探矿工程(岩土钻掘工程),2016,43(3):1–8. ZUO Ruqiang. International advancement of drilling bits for oil and gas well (3): PDC bits progress and present trend (Ⅰ)[J]. Exploration Engineering(Rock & Soil Drilling and Tunneling), 2016, 43(3): 1–8.
[8]	袁媛. 添加纳米Co的新型PDC复合片材料试验研究[D]. 成都: 西南石油大学, 2016. YUAN Yuan. Experimental study on new PDC composite sheet material with nano Co[D]. Chengdu: Southwest Petroleum University, 2016.
[9]	刘湘华,刘彪,杜欢,等. 顺北油气田断裂带超深水平井优快钻井技术[J]. 石油钻探技术,2022,50(4):11–17. LIU Xianghua, LIU Biao, DU Huan, et al. Optimal and fast drilling technologies for ultra-deep horizontal wells in the fault zones of the Shunbei Oil & Gas Field[J]. Petroleum Drilling Techniques, 2022, 50(4): 11–17.
[10]	仝斐斐,王海阔,刘俊龙,等. 金刚石复合片脱钴技术研究[J]. 超硬材料工程,2017,29(4):1–7. TONG Feifei, WANG Haikuo, LIU Junlong, et al. Research on the method of Cobalt removal of polycrystalline diamond compact[J]. Superhard Material Engineering, 2017, 29(4): 1–7.
[11]	唐虎,王明智,康宁,等. 纳米金刚石聚晶的合成与性能综述[J]. 金刚石与磨料磨具工程,2018,38(1):7–15. TANG Hu, WANG Mingzhi, KANG Ning, et al. Synthesis and performance of nano-polycrystalline diamond[J]. Diamond & Abrasives Engineering, 2018, 38(1): 7–15.
[12]	李明谦,黄继庆. 螺杆钻具的应用现状及未来发展建议[J]. 石油机械,2006,34(5):73–76. LI Mingqian, HUANG Jiqing. Application status and future development suggestions of screw drill[J]. China Petroleum Machinery, 2006, 34(5): 73–76.
[13]	杨顺辉. 液动射流式冲击器的研究现状与发展方向[J]. 石油机械,2009,37(2):73–76. YANG Shunhui. Research status and development direction of hydraulic jet impactor[J]. China Petroleum Machinery, 2009, 37(2): 73–76.
[14]	李国华,鲍洪志,陶兴华. 旋冲钻井参数对破岩效率的影响研究[J]. 石油钻探技术,2004,32(2):4–7. doi: 10.3969/j.issn.1001-0890.2004.02.002 LI Guohua, BAO Hongzhi, TAO Xinghua. Effects of drilling conditions on crushing rocks while rotary percussion drilling[J]. Petroleum Drilling Techniques, 2004, 32(2): 4–7. doi: 10.3969/j.issn.1001-0890.2004.02.002
[15]	王克雄. 冲击旋转钻井技术在石油钻井中的应用研究[J]. 石油钻采工艺,1999,21(5):5–9. WANG Kexiong. Research and application of percussion rotary drilling technology in petroleum drilling[J]. Oil Drilling & Production Technology, 1999, 21(5): 5–9.
[16]	ZHANG Hongning, GUANG Zhichuan, WANG Heng, et al. Experimental study of downhole shock absorber based on the similarity theory[J]. Advances in Petroleum Exploration and Development, 2015, 9(1): 98–102.
[17]	管志川,张洪宁,张伟,等. 吸振式井下液压脉冲发生装置[J]. 石油勘探与开发,2014,41(5):618–622. GUAN Zhichuan, ZHANG Hongning, ZHANG Wei, et al. Equipment and technique for improving penetration rate by the transformation of drill string vibration to hydraulic pulsating jet[J]. Petroleum Exploration and Development, 2014, 41(5): 618–622.
[18]	管志川,张洪宁,刘永旺,等. 井下液压脉冲发生器工作特性仿真[J]. 中国石油大学学报(自然科学版),2015,39(3):84–88. GUAN Zhichuan, ZHANG Hongning, LIU Yongwang, et al. Simulation of working characteristic of downhole hydraulically pulsed jet generator[J]. Journal of China University of Petroleum(Edition of Natural Science), 2015, 39(3): 84–88.
[19]	张洪宁,管志川,王恒,等. 钻柱振动能量转化效率评价试验方法研究[J]. 石油机械,2015,43(8):21–25. ZHANG Hongning, GUAN Zhichuan, WANG Heng, et al. Evaluation test for drill string vibration energy conversion efficiency[J]. China Petroleum Machinery, 2015, 43(8): 21–25.
[20]	刘永旺,管志川,张洪宁,等. 一种转化钻柱振动能量的井底高压喷射钻井装置[J]. 天然气工业,2017,37(9):91–96. doi: 10.3787/j.issn.1000-0976.2017.09.012 LIU Yongwang, GUAN Zhichuan, ZHANG Hongning, et al. A downhole high-pressure jet drilling device transforming drilling string vibration energy[J]. Natural Gas Industry, 2017, 37(9): 91–96. doi: 10.3787/j.issn.1000-0976.2017.09.012
[21]	刘永旺,管志川,张洪宁,等. 基于钻柱振动的井下提速技术研究现状及展望[J]. 中国海上油气,2017,29(4):131–137. LIU Yongwang, GUAN Zhichuan, ZHANG Hongning, et al. Research status and prospect of ROP-enhancing technology based on drill string vibration[J]. China Offshore Oil and Gas, 2017, 29(4): 131–137.
[22]	张洪宁,管志川,刘永旺,等. 井下钻柱减振增压装置工作特性的仿真研究[J]. 机床与液压,2016,44(5):162–165. ZHANG Hongning, GUAN Zhichuan, LIU Yongwang, et al. Simulation research of working characteristics of downhole drill string absorption & hydraulic supercharging device[J]. Machine Tool & Hydraulics, 2016, 44(5): 162–165.
[23]	ZHANG Hongning, GUAN Zhichuan, LIU Yongwang, et al. A novel tool to improve the rate of penetration by transferring drilling string vibration energy to hydraulic energy[J]. Journal of Petroleum Science and Engineering, 2016, 146: 318–325. doi: 10.1016/j.petrol.2016.04.025
[24]	管志川,刘永旺,魏文忠,等. 井下钻柱减振增压装置工作原理及提速效果分析[J]. 石油钻探技术,2012,40(2):8–13. GUAN Zhichuan, LIU Yongwang, WEI Wenzhong, et al. Downhole drill string absorption & hydraulic supercharging device’ working principle and analysis of speed-increasing effect[J]. Petroleum Drilling Techniques, 2012, 40(2): 8–13.
[25]	张玉英,刘永旺,巴鲁军,等. 新型井下增压装置研制及现场试验研究[J]. 石油矿场机械,2012,41(3):58–62. ZHANG Yuying, LIU Yongwang, BA Lujun, et al. Study on a new type of down-hole supercharger and field experimental[J]. Oil Field Equipment, 2012, 41(3): 58–62.
[26]	于洋,南玉民,李双贵,等. 顺北油田古生界钻井提速技术[J]. 断块油气田,2019,26(6):780–783. YU Yang, NAN Yumin, LI Shuanggui, et al. Technology for increasing drilling speed of Paleozoic stratum in Shunbei Oilfield[J]. Fault-Block Oil & Gas Field, 2019, 26(6): 780–783.
[27]	刘彪,张俊,王居贺,等. 顺北油田含侵入岩区域超深井安全高效钻井技术[J]. 石油钻采工艺,2020,42(2):138–142. LIU Biao, ZHANG Jun, WANG Juhe, et al. Technologies for the safe and efficient drilling of ultradeep wells in the areas with intrusive rocks in the Shunbei Oilfield[J]. Oil Drilling & Production Technology, 2020, 42(2): 138–142.
[28]	于洋,刘士银. 高速旋冲钻井技术优化及在顺北区块的试验[J]. 石油机械,2020,48(10):24–29. doi: 10.16082/j.cnki.issn.1001-4578.2020.10.004 YU Yang, LIU Shiyin. High-speed rotary percussion drilling technology optimization and its field test in the Shunbei Block[J]. China Petroleum Machinery, 2020, 48(10): 24–29. doi: 10.16082/j.cnki.issn.1001-4578.2020.10.004
[29]	王延文,高凯,李光泉. 顺北某井优快钻井技术实践浅析[J]. 石化技术,2022,29(4):53–55. WANG Yanwen, GAO Kai, LI Guangquan. Optimal and fast drilling practice in SHB-XX[J]. Petrochemical Industry Technology, 2022, 29(4): 53–55.
[30]	李根生,宋先知,田守嶒. 智能钻井技术研究现状及发展趋势[J]. 石油钻探技术,2020,48(1):1–8. doi: 10.11911/syztjs.2020001 LI Gensheng, SONG Xianzhi, TIAN Shouceng. Intelligent drilling technology research status and development trends[J]. Petroleum Drilling Techniques, 2020, 48(1): 1–8. doi: 10.11911/syztjs.2020001

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