工程18（2022）33研究非常规油气工程与智能油气工程智能钻完井技术综述李根生，宋贤智，田寿曾，朱兆鹏中国石油大学油气资源与勘探国家重点实验室，北京102249阿提奇莱因福奥文章历史记录：2021年12月14日收到2022年7月17日修订2022年7月26日接受2022年8月30日在线提供保留字：智能钻完井人工智能智能应用场景文献综述系统论述A B S T R A C T人工智能（AI）在石油工业中的应用已成为必然。在钻完井工程中，人工智能被认为是一项可以降低成本并显著提高钻井效率（DE）的变革性技术。近年来，许多研究都集中在智能算法及其应用。数字孪生和物理引导神经网络等先进技术然而，许多挑战仍有待解决，例如多源和多尺度数据的自动处理。此外，在智能钻完井中，数据驱动和基于物理的模型的融合方法、少样本学习、不确定性建模以及智能算法的可解释性和可移植性是研究前沿。基于智能应用场景，全面回顾了智能钻完井的研究现状，并对未来的重点该研究旨在提高人工智能技术在钻完井工程中的应用。©2022 The Bottoms.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。1. 介绍近年来，人工智能（AI）和大数据技术的快速发展引起了各行业的广泛关注[1]。全球各国正在制定人工智能发展战略，以在中国，加强人工智能研究和教育已成为国家战略，几乎所有工业社会都制定了智能转型计划作为资本和技术密集型行业，油气勘探开发行业对人工智能的需求更大（图1），这引起了全球油气公司的关注[2]。通过与数字公司的合作，石油公司加速了向智能和数字时代的转型[3]。钻完井工程是油气勘探开发过程中的重要环节，约占总成本的50%。对于海上、超深储层等复杂油气资源，钻完井工程将进一步增加[4]。在这些下面钻孔*通讯作者。电子邮件地址：songxz@cup.edu.cn（X. Song）.复杂条件下，在效率，风险，成本等方面存在多重挑战传统的经验和基于物理的方法是有限的，并且难以应对日益复杂的钻井过程[5]，例如复杂储层的精确表征和钻井过程的实时人工智能和大数据技术在解决复杂问题方面具有显著优势，具有强大的非线性拟合和信息挖掘能力。因此，智能钻完井技术被认为是一项变革性的技术，已成为油气行业研究和发展的热点智能钻完井是指在钻完井过程中运用大数据、人工智能、信息工程、控制理论等先进的变革性技术通过自动化设备实现先进检测、闭环控制、精确导向、智能决策，显著提高钻井效率（DE），降低钻井成本。 智能钻完井技术可分为智能算法和智能设备两大分支。智能算法利用人工智能算法解决非线性等复杂问题，提供优化和控制方案，为智能控制提供必要的指导，https://doi.org/10.1016/j.eng.2022.07.0142095-8099/©2022 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志首页：www.elsevier.com/locate/engFig. 1.智能油气工程。本图和后续图中缩略语的定义为智能设备提供支持和帮助。智能装备为智能模型的建立和验证本文通过对智能算法的综合调研和分析，确定了智能钻完井的发展现状和趋势首先定义了人工智能在智能钻完井过程中的应用场景，然后对钻完井专用算法等研究内容、研究差距和未来工作进行了综述。该研究为智能钻完井领域的研究者提供了一个全面的综述，明确了人工智能的应用场景，为智能钻完井的发展提供了重要的手稿中使用的每个缩写的定义可以在手稿末尾的“缩写”部分找到2. 智能应用场景及研究现状人工智能在钻完井工程中的应用场景是指人工智能技术在一定的工程过程中的应用，包括工程条件、数据源和算法。本研究将智能钻完井按照工程段和目标划分为七个场景，如图所示。 二、2.1. 智能预测与提高钻速越来越多的井已经在深的、硬的和磨蚀性地层中钻探，通常导致严重的钻头磨损和低的钻井速率。动态操纵钻井参数以确保ROP也是具有挑战性的。 机械钻速的提高需要智能算法来准确表征地层的可钻性，选择最佳钻头，并优化可控参数（图1）。 3）。2.1.1. 井下环境感知环境感知是提高机械钻速的基础。采用智能分类和回归算法，可以准确地诊断地层岩性和钻头磨损。基于智能算法的井底环境的准确描述，对于优化钻井参数、提高钻井速度具有重要的参考价值。相反，它还可以指示识别异常情况并避免复杂的事故。如表1[6本表和随后各表中缩略语的定义可参见手稿末尾的“缩略语”部分图二.钻完井智能化应用场景。图三.智能预测和提高机械钻速。2.1.2. 钻头的优化设计钻头和井底钻具组合对岩石破碎过程至关重要钻头选型与优化不仅要根据地层岩性选择合适的钻头，而且要揭示不同钻具的破岩能力，指导新型高性能钻头的设计AI技术有助于选择合适的钻头结构，以确保破岩效率和钻头稳定性。如表2[14-20]所示，已经对钻头选择、钻头优化和钻头磨损管理进行了大量研究2.1.3. 机械钻速的预测与优化人工智能技术可以发现机械钻速与地层特性、钻头特性、钻井参数等影响因素之间的复杂映射关系，这是物理模型无法比拟的。它不受专家知识的限制，不仅能准确预测各种工况下的钻速，而且能根据井下实时工况提供最优钻井参数，以获得最佳机械钻速，避免井下风险。优化算法和混合模型是提高ROP预测精度的主要方法（如表3[21G. Li，X.宋，S.Tian等人工程18（2022）33表135井下环境感知。应用作者算法输入目录/创新可钻性预测Gamal et al.[6] andAsadi et al. [七]《中国日报》李和程[8]安GA和包括钻压、RPM和GA钻头类型、钻井时间、旋转、钻压等。机理模型与神经网络算法的结合IGA–ANN avoids the local convergence安经典遗传算法钻头磨损预测阿萨迪[9]Sirdesai等人[10]安MVRA、ANN和UCS、BTS和岩石脆性包括抗压强度和抗拉强度，机理模型与人工智能算法的结合各种算法ANFIS孔隙率预测[12]第12话：我的世界Zhekenov等人[13个国家]回归分析自适应数据分析RF包括UCS和BTS钻井参数和ROPRPM、ROP、WOB、TOB和SPP用经验模态分解法将ML与机制岩性表2钻头的设计与优化。作者方法/算法输入目录/创新Batruny等人[14]ANN和钻压、RPM、水力和地层特性ML辅助的钻头选择和优化Abbas等人[第十五条]ANN与GA19个参数（即，地质学，钻头）钻头选择和优化Tortrakul等人[16]大数据分析邻井钻头和钻具组合选择Okoro等人[17个]人工神经网络、PCA和PSO钻头图像和钻孔参数钻头选择Rashidi等人[18]聚类算法钻井参数钻头设计基于物理的模型实时钻井参数钻头磨损评价Gidh等人[19]安邻井钻头磨损预测与管理Losoya等人[20]KNN、RF和ANN包括WOB、RPM、TOB、ECD和MSE钻井工况识别表3智能预测机械钻速。作者方法/算法输入内容/创新Liao等人[21]ANN推力、RPM、冲洗介质和抗压强度蜂群优化人工神经网络Mehrad等人[22]COA、PSO、GA、SVR、MLP和LMR UCS、FR、WOB、深度、MD和RPM使用各种算法Gan等人。[23] 混合SVM和其他八种方法深度、钻压、RPM和FR混合模型Anemangely等人[24][25]ANN MD和其他19个参数使用FSCARETHegde等人[26]集成RF、ANN和线性回归分析WOB、RPM和FR更好的集成模型Han等人[27]ANN和LSTM包括测井和录井数据ROP的时序关系Sabah等人[28]DT、RF、SVM、MLP、RBF和模型Soares和Gray[29]RF、SVM和ANN深度、钻压、RPM和FR RF具有更高的精度Diaz et al.[30]MR和ANN包括钻压和正常压实快速傅立叶变换提高了模型机械钻速的预测与优化密不可分，预测结果是优化的重要参考依据。ROP优化是ROP预测的扩展，由此优化钻井参数（例如，WOB、转速和FR）使用优化算法实时获得（表4[312.2. 井眼轨迹斜井、水平井和大位移井通常用于有效开发非常规油气藏。由于地层岩石具有强研磨性、各向异性和非均质性，这些井的钻井轨迹容易偏离设计轨迹在钻井之前，可以基于大数据和AI技术优化井眼轨迹的设计在钻井过程中，可以实时计算钻井轨迹，评价井斜程度，优化导向控制参数最后，给出了关键可控参数与应用的映射关系建立控制指令以形成闭环控制框架。井眼轨迹的智能设计与实时优化主要包括井眼轨迹的智能预测、实时评价与优化、导向参数的实时控制等。 4）.2.2.1. 井眼轨迹的智能设计基于地质储层模型，可以使用智能技术（诸如计算机视觉算法）来优化和自动化井轨迹设计过程。智能设计过程旨在增加油层的接触面积在满足曲率要求的同时，考虑扭矩和阻力、总长度和其他目标。与传统设计模式相比，这减少了时间成本。如表5[41-G. Li，X.宋，S.Tian等人工程18（2022）33表436ROP的智能优化。作者方法/算法输入内容/创新Hegde和Gray[31]RF和PSO包括WOB、RPM、流速和岩石强度Arabjamaloei和Shadizadeh[32]ANN和GA包括钻头类型、RPM、WOB、钻头齿磨损，和ECDBataee和Mohseni[33]ANN、LM和GA包括钻头直径、深度、钻压、RPM和MW耦合ROP、MSE和TOB模型用遗传算法优化神经网络，得到最优参数基于遗传算法的实时钻井参数Gan等人[34]第三十四话包括FD、深度、SWOB、RPM和MW全新的两级智能建模方法Oyedere和Gray[35]LR，LDA，QDA，SVM和RF包括WOB，FR，RPM和UCS，每个地层的最佳分类器Hegde等人。[36]RF和梯度上升包括WOB、RPM和UCS考虑钻井振动的影响Momeni等人[37]ANN和GA包括井眼尺寸、钻压、RPM和MW使用ROP模型优化钻头Jiang和Samuel[38]BRNN和ACO包括深度，WOB，RPM，泥浆FR和GR ACO和BRNN相结合，以优化ROPZhang等人[39]K均值包括深度、AC、GR、密度和UCS利用岩性提高ROP Moazzeni和Khamehchi[40]ROA包括钻压和MSE使用ROA算法优化ROP见图4。 井眼轨迹的智能预测和优化。2.2.2. 钻井轨迹的实时评估和优化钻井轨迹和设计轨迹之间的差异可以使用智能算法进行评估，并且随后可以通过优化可控参数（例如钻井角度）来减小该差异。钻井轨迹的优化是一个多目标过程，其中诸如最小井斜、井长和摩擦力的参数是目标，而诸如BHA的造斜能力的其它参数是约束。与井眼轨迹设计相比，井眼轨迹优化需要实时计算优化结果，这需要更高的计算效率。轨迹评价不仅涉及实际轨迹与真实轨迹之间的拟合度，还考虑了成本、风险和井眼的钻井稳定性（表6【522.2.3. 井眼轨迹的智能决策与闭环控制为了构造优化井眼轨迹，必须建立控制模型。该模型发现了关键可控参数之间的映射关系（即，应用的控制指令）以及角度的保持、建立和下降。随后，可以使用高效井下数据传输技术和智能工具（例如，BHA和钻头）。轨迹控制是控制策略和工具的结合（表7[61此外，轨迹控制需要实时测井和随钻测井信息。2.3. 钻井风险智能预警与控制钻井风险的智能管理包括实现地层性质的准确表征、井筒流动动态的动态预测、钻井风险的早期预警、钻井风险的有效控制、钻井风险的预测和预测表5井眼轨迹的智能设计。作者算法目标目录Wang等人[41]显示油气分布的计算机视觉图像以油气发现率为目标，造斜率约束Selveindran等人[42]LSTM井深、倾角和方位角RNN对具有相似轨迹的井进行Lee等人[43]GA生产率和成本提高利润和累计产量Vlemmix等人[44]第四十四话净现值油井的净现值显著提高Zheng等人[45]构建的邻居影响了搜索Mandarin等人[46]MOGA长度和扭矩参数设置Wang等人[47]启发式算法总轨迹长度，井剖面能量和命中目标最优集群侧钻水平Zheng等人[48]ATC长度、扭矩和轮廓能量目标函数的分解产生更好的结果刘和塞缪尔[49]李和唐[50]最小能量法Mogi-Coulomb条件与MCM最小井剖面能量准则井眼轨迹稳定性提高Khosravanian等人[51]GA、ABC、ACO和HS测量深度ACO的计算时间少于GAG. Li，X.宋，S.Tian等人工程18（2022）33表637井眼轨迹的实时评价和优化。作者算法输入/目标目录Vabbirth等人[52]树搜索算法井位和目标位置基于风险的钻井优化评价结果，价值和成本Koryabkin等人[53]Lasso回归和RF包括块体位置、钻压、ROP和SPP结果显示了深度、倾角和方位角Tunkiel等人[54]RNN和MLP测井参数和井斜参数该研究可以预测23m，而现有方法只能预测7mNoshi和Schubert[55]ANN，AdaBoost，RF和GBM包括钻具组合、钻头参数、测井参数七种主导因素形式的侧面力量是主要原因Li等人[56]PSO与AHP目标命中，最低成本和最少钻柱摩阻计算数值解Atashnezhad等人[57]PSO真正的测量深度Meta优化帮助PSO执行得更好沙和潘[58]FSQGA真实测量深度斐波那契级数提高了收敛速度Xu和Chen[59]Bat算法优化器真实测量深度设计的稳定井眼轨迹Halafawi和Avram[60]MCM包括井筒稳定性和应力测定设计了最优水平井眼轨迹表7井眼轨迹智能决策与控制作者方法/算法投入/目标目录Zalluhoglu等人[61]基于物理的自学习模型和LWDSugiura等人。[62]基于物理的模型来自RSS、MWD和LWD的实时参数考虑到BHA配置的转向决策与非高狗腿RSS运行Zhang等人[63]双环反馈协同控制方法RSS、MWD和LWDRSS的轨迹跟踪控制Song等人[64]基于物理的模型RSS跟踪工具面定位的实时参数Kullawan等人。[65]LWD的离散随机实时参数面向决策的地质导向基于各种数据资源（例如，地质探测、测井和MWD），以及AI算法（例如，数字孪生，计算机视觉和智能控制）（图。 5）。2.3.1. 地层性质的智能表征地层性质主要包括地层压力、应力和渗透率，这些性质对提高机械钻速、规避风险和稳定井壁至关重要。为了提高地层表征的可靠性，开发了一些创新的数据融合和神经网络优化方法（表8[662.3.2. 井筒流动动态的智能描述井筒流动描述一般包括井筒压力、流型、循环压损、岩屑浓度、井筒压力、井筒压力等。图五.人工智能在钻井风险控制中的应用场景。根据实时地表监测数据和智能算法，计算了地表温度、土壤含水量和ECD（表9[74井眼结构、地温梯度、地层压力和侵入流体是井眼流动特征的重要组成部分. MPD或欠平衡钻井过程是智能预测井底压力和ECD的主要领域。智能算法的引入显著提高了井下压力预测和岩屑浓度预测的精度和效率，克服了传统经验模型的局限性，取代了井下传感器的功能。智能算法与井筒流动数据的直接结合是智能建模的主要形式。近年来，学者们不断探索新的建模方法，如数据融合、混合算法、数据与机制相结合等如表9所示。2.3.3. 钻井风险智能预测与诊断近井地层的不稳定性和井眼与地层相互作用的不平衡是造成溢流、井漏、卡钻、井塌等钻井事故的主要原因。为了避免事故的发生，提前预测和实时诊断是必不可少的。然而，复杂的地层特性，如微裂缝、井底高温高压、井涌和井喷并存等，是准确预测和识别钻井事故的主要限制因素。智能算法能反映多种因素与钻井风险的综合关系，对测井数据噪声具有较强的鲁棒性。相反，对数据波动敏感的智能算法可以更快地诊断风险。相关研究包括钻前风险预测、风险预警与诊断、风险等级评价等。据笔者G. Li，X.宋，S.Tian等人工程18（2022）33表838地层性质的智能表征。应用作者算法输入参数目录/创新预测地层Kazei等人[第六十六话]CNN和LSTM零偏移距VSP与测井钻头下部岩石力学预测压力预钻地层孔隙Rashidi和安MSE和DE利用均方误差和差分方程预测地层压力实时压力阿萨迪[67]Ahmed等安泵速、SPP、RPM、ROP、扭矩，利用机械和水力参数进行监测[68个]Vefring等人LM和Kalman和WOB泵压力、BHP和出口地层压力基于钻孔[69]第六十九届滤波器率参数钻后评估赞布拉诺等人DT、RF、SVM和包括伽马射线，体积密度，利用正常压实趋势地层孔隙压力[70个国家]Mylnikov等人[71]Booncharoen等人[第72话]Naeini等人AdaBoost人工神经网络Quantile、Ridge和XGBoostDNN深部电阻率TVD与声波测井包括净砂层厚度、孔隙度和含水饱和度，包括纵波速度，行作为输入利用垂向深度和声波测井建立地层压力评价模型考虑储层参数三个神经网络模型串联连接，[七十三]伽马射线和密度预测地质力学参数表9井筒流动动态的智能描述应用作者算法输入参数主要内容必和Liang等人[第七十四章]Al Shehri等人[75]GA-BPNNFCNN和LSTM包括入口和出口流量、溢流时间和深度水气比、井深、井口BHP实时预测考虑到BHP的顺序和温度和压力流动机制[77]第77话：我的世界Li等人[78个国家]BPNN和SVM朴素贝叶斯基于机制包括工程参数和联合参数工程参数及组合参数倾斜角、表面速度和表面张力集成参数增强模型泛化能力提高了预测精度拓宽了模型应用范围Gola等人[79个]BPNN模型灰箱包括泵流量、节流阀开度、回结合机制和AI模型，Feili等人[80个]神经模糊系统压力和泵FR各种工程参数结果稳定较高的预测精度Ashena等人[81]安各种工程参数较高的预测精度ECDAlsaihati et al.[82] andAlkinani et al. [八十三]Han等人[八十四]安ARIMA-BP各种工程参数BHP序列比较了各种AI模型ARIMA–BP model captures the linearElzenary等人[85]自适应模糊神经ROP、入口密度和立管压力非线性趋势FL提高泛化能力网络2.3.4. 井眼稳定性井眼稳定性是钻井过程控制的核心通过对井筒流动的控制，保持预期的井筒压力和岩屑浓度，可以消除复杂事故。智能控制算法不仅可以通过节流阀开度、背压泵FR、泥浆FR等单一参数来调节井筒流量，还可以实现多参数协同控制，提高控制效率和精度，避免井筒压力不必要的波动，从而诱发二次事故（表11[1052.4. 固井质量智能评价与优化固井是井施工的重要组成部分。由于固井质量评价高度依赖于专家知识，因此提出智能固井以实现对固井质量的准确评价和预测，其包括固井质量评价和预测（图6）。固井质量预测以测井资料为基础，采用智能算法对测井信息进行校正，以评价固井质量。该评价方法以大量的声波振幅和变密度测井曲线为基础，采用机器或DL算法训练模型，以准确评价固井质量。2.4.1. 固井质量预测美国Abu Dhabi Company for Onshore Petroleum OperationsLimited（交易名称为ADNOC Onshore）的Deepak Kumar Voleti基于声幅、变密度测井数据和超声成像数据建立了RF和神经网络等不同的ML算法进行预测，并最终采用了集成学习方法。将所有预测模型组合，输出固井质量预测结果，准确率为99.4%[113]。宾夕法尼亚州立大学的Santos和Dahi使用高斯过程回归算法进行训练，以基于CBL和VDL数据生成合成测井曲线，该曲线可以捕获水泥的非均质性。该研究在预测水泥胶结质量方面取得了良好的效果[114]。2.4.2. 固井质量评价Reolon等人[115]通过识别声波和超声波测井/图形中的模式，然后通过熵将MRGC整合到贝叶斯框架中，使用MRGC算法来计算获得水泥胶结阶段的概率、最可能的情况和相关的不确定性。该方法可以实时解释和分析固井质量。Viggen等人[116]提出了利用CNN进行测井资料解释，输入了11种测井资料，进行了训练，G. Li，X.宋，S.Tian等人工程18（2022）3339表10钻井风险智能预测与诊断。应用作者算法输入参数主要内容井筒稳定性Jahanbakhshi等人[八十六]PCA和ANN地质、工程参数和泥浆特性PCA实现了输入因子Okpo等人[87]ANN ROP、压力、MD等26个参数综合钻井、地质和储层信息Lin等人[88]BRNN和SVM ROP、BHA、深度和其他20个参数EMD Tewari消除了数据中的噪声和变化[89] RF、ANN和SVM包括FR、井角、井深和ROP准确预测斜井井筒稳定性钻井风险Mohan等人[90]蒙特卡洛法包括井眼轨迹、完井和历史事件风险可以实时集成到系统中，保证模型的时效性Li等人[91]FL钻井监控参数九大风险等级Yin等人[92]贝叶斯和FL地层压力、流体密度和钻井参数风险的概率分布由FL建立Blowout和Sule等人[93]第九十三话井口回压、BHP等井喷风险气突Yin等人[94]LSTM和RNN包括流量差、池体积和WOBYin等人[95]LSTM包括流量差、池体积和WOB气侵五级分类数据预处理减少了后期预警时间Muojeke等人[96]ANN包括井下压力、实验室风险实验井漏Liang等人[97]第97话包括孔隙压力，破裂压力，和必和通过FLPang等人[98]混合料密度网络FR、密度、单元体积和吊钩载荷准确的损失风险预警Li等人[99]BPNN，SVM和RF包括MD、滤失量和泵压力Hou等人[100]ANN地层、流体和工程参数实时预测损失水平六等级Alkinani等人[101]SVM MW、等效损耗密度和屈服点损失程度Shi等人[102]RF和SVM包括流量、压力和温度数据预处理可缩短检测时间[103]第一百零三话：CNN、SVN和RF包括扭矩、ROP和钻头位置一些样本数据的反向学习Al Dushaishi等人[104]DT包括转速、BHA和流体参数不同条件下的卡钻预测表11钻孔过程的智能控制。应用作者算法输入参数主要内容井筒压力Siahaan等人[105][106]第106话自适应PID自适应预估控制井口节流阀背压泵和节流阀基于实时数据，不受先验知识的限制考虑井筒压力ECDYin等人[第一百零七话]井口控制阀背压泵和节流阀传输天然气井涌自动管理设备阀必和[108]第一百零八话Li等人[109]第一百零九话Nandan和Imtiaz[110]Nandan等人。[第111话]MPC自适应控制器鲁棒增益切换背压泵和节流阀背压泵和节流阀背压泵、节流阀和FR背压泵不同条件下的压力控制对BHP噪声具有井涌后恒定BHP增强了控制器的鲁棒性控制Sule等人[112]NMPC节流管汇天然气井涌自动管理见图6。 固井智能评价与优化最终输出6种固井质量类型，准确率为86.7%。Viggen等人[117]研究了自动评估固井质量的ML方法，并将自提取特征CNN与人工提取特征的特征工程进行了比较。结果表明，基于特征的分类器具有较好的分类效果。neering表现更好，HI的准确率为88.9%，CNN为86.7%，BQ为51.6%。2.5. 压裂工艺智能压裂是利用人工智能和大数据技术解决压裂过程中的非线性、多参数和多目标问题。智能压裂由三个应用场景组成：压裂过程的智能设计、压裂过程的智能监控和压裂优化生产（图1）。 7）。2.5.1. 压裂工艺的智能设计水平井压裂设计包括压裂位置设计和压裂参数设计。优化设计G. Li，X.宋，S.Tian等人工程18（2022）3340见图7。压裂智能设计与优化水平压裂的发展经历了几种方法和技术的演变，从简单的分析到复杂的数值模型，从数据驱动到现在的智能驱动。大数据（例如，测井、MWD和岩石力学数据）和智能算法（例如，聚类、回归和优化算法），可以实现射孔压裂优化（表12[118目前，该方法的预测精度约为70%~但由于数据质量和数量的限制，相关研究的现场应用实例很少2.5.2. 压裂过程的智能监控实时监测是压裂过程的一个重要方面。智能算法正逐步取代传统的人工特征选择和异常监测，智能算法在异常信号识别方面的性能较传统方法有了很大的提高。压裂过程的智能监控包括压裂条件识别和智能风险预警两个方面（表13[78，1242.5.3. 产能预测与压裂优化分段压裂是高效开发非常规油气资源的必要条件。压裂水平井产能预测对生产方案评价和完井方案优选具有重要意义随着水力压裂技术的广泛应用和人工智能技术的发展，ML方法在参数优化设计中的有效应用已成为一种发展趋势。智能算法，如支持向量机、决策树、神经网络及其变体，已经被用于构建生产力预测模型（表14[75，1312.6. 智能设计与完井智能完井主要由井下自动化、遥感和控制系统组成。这里分析的智能完井是一种先进的方法，表12水力压裂Authors Algorithms Inputs目录/创新Tran等人[118]KNN地面钻井数据识别出脆性和易破裂区域Palmer[119]模糊C均值声波测井与天然裂缝测井Xu等人[120]遗传算法和自适应进化算法在油藏结构网格划分和水力计算中的应用参数分类的相似页岩地层对方位和射孔丛进行了优化Dalamarinis等人[121]RR和RF压裂工艺参数减少井间干扰，改善压裂效果复杂性Rahmaniard和Plaksina[122]遗传学，差异进化，和PSO包括井距、孔隙度和渗透率PSO的净现值Gong等人[123]聚类算法与人工神经网络岩石结构与地质力学特性采用人工神经网络对脆性团簇表13压裂事件的智能预警与识别。应用作者算法输入目录/创新事件拉米雷斯和SVM和Logistic包括泵压、注入速率和自动标记液压开始和结束识别伊里亚特[124]Shen等人[125]回归决策树CNN和U-net支撑剂浓度压裂分析压力变化，识别异常情况标记压裂起点和终点泵压预测套管损坏识别脱砂Ben et al.[126]Li et al.[78个国家]MaucZelec等人[一百二十七]MLP、CNN和RNNRF推车实时预测井口压力识别套管故障脱砂预测，识别影响脱砂的因素预测Sun等人[第128话]CNN-LSTM包括泵压和喷射速率因素结合基于物理的反斜率方法和新开发的ML技术。Yu et al.[129]Hu et al.[130]第一百三十话GHALARMA包括泵压、注入速率和支撑剂浓度脱砂前8.5min成功预警泵压G. Li，X.宋，S.Tian等人工程18（2022）3341表14产能预测与压裂参数优化。应用作者算法输入目录/创新产能预测Pankaj等人[131]BhattacharyaGradBoostRF包括流体类型、支撑剂数量、泵送速率和BHP包括压裂长度、套管压力和实时提供最佳定向响应引入光纤参数，等人[132]Al Shehri等人[75]Liu等人[133]BoostANN油管压力包括阶段数、支撑剂量和注射液体量包括压裂长度、压裂簇，地层厚度模型的准确性模型集成和不确定性量化时间序列分析压裂参数Duplakov等人CatBoost注入流体体积、TVD、射孔角度和优化推荐系统优化[134][134]第134话CatBoost射孔间距包括地层厚度、角度和地层压力压裂参数利用欧氏距离寻找相似井见图8。 智能设计和优化完成。使用图8中所示的方法生产和回收。完成的数据源由静态数据和动态数据组成。静态数据包括储层物性和分支井结构，动态数据包括地面监测生产数据和井下传感信息。关于智能算法，通常将序贯回归算法与数值模拟相结合来预测未来的生产动态，并使用优化算法和水力控制线来优化和控制井下流体控制设备的操作状态，例如流入控制阀（表15[1352.7. 钻井过程钻井系统是极其复杂的，因为它由几个紧密相关的井下子系统组成，例如地质导向、岩石破碎、液压和钻柱系统，大多数测量仅在地面可用，并且可 以 获 得 来 自 井 下 的 非常稀疏的 数据（图11）。 9）。的见图9。 全面优化钻孔工艺。表15智能完井设计与优化。应用作者算法输入参数主要内容完井设计Ma等人[135]增强工程地质模型敏感性分析优化AI性能产量预测[136]第136话RBF生产数据和时间基于物理的模型和数据驱动流入动态Tariq等人[137]支持向量机-粒子群算法生产数据和时间模型数据源为数值模拟井筒动态产量优化Prosvirnov等人[138]第138章：你是谁？分布基于智能完成系统井筒生产剖面多边流入预测多边流入优化油井和油藏管理Chaubergin等人[139]RF示踪剂的数量根据示踪剂数量Khamehchi等人[140]ANN ICV和生产参数井下流动条件预测Aljubran和Horne[141]ANN ICV和生产参数井下流动Bello等人[142]数据驱动井下监测数据实时油藏管理竣工设计索洛维耶夫和米哈伊洛夫[143]数据驱动AICD的生产日志数据布局ICD和封隔器优化Goh等[144]数据驱动ICD和封隔器布置单井G. Li，X.宋，S.Tian等人工程18（2022）3342钻孔的目标是在保持低风险和低成本的同时以高效率和高质量形成孔。因此，钻井优化涉及多个目标和多个子系统，需要一个耦合子系统的模型。钻井过程的整体优化与智能决策是人工智能在钻完井领域应用的重要场景。该方法可保证钻井安全，缩短钻井周期，节约钻井成本。为了实现这一目标，需要通过结合基于物理和数据驱动的方法并分析子系统的耦合机制来集成子系统的数学模型综合模型应是动态的，并作为钻井优化的基础该模型应受地面可控操作参数以及钻井风险的约束后者意味着操作参数不得导致事故，如启动和卡管。多目标优化算法和智能决策策略必须以特定的目标来实现，包括优化钻井速度、MSE和钻井成本。为了满足实时性的要求，算法必须快速有效。最后，必须开发一个集成所有模型和算法的框架，以执行整体优化和智能决策。集成钻井过程的所有子系统以实现最佳性能对于智能或自主钻井至关重要虽然在模型构建、框架设计、系统开发等方面进行了大量研究，如表16[145-160]所示2.8. 研究现状智能钻完井目前发展迅速，AI与钻完井工程的融合不断深化。许多研究通过比较ML、DL和优化方法在特定场景下的性能，将特定模型列为最佳模型，甚至建立了混合模型以满足精度、效率和系统推理的需求。物理模型和数据驱动模型的融合，克服了机理模型的局限性，提高了数据模型的稳定性，减少了数据噪声的干扰，成为一种流行的方法。常用的方法有：利用机构学知识重构神经网络拓扑结构，构造机构学下的损失函数nism约束，以及输入数据的共享和补充在多系统耦合的复杂钻井过程中，单目标优化方法具有明显的局限性，无法实现全局优化。根据钻井完井场景，采用优化算法实现多过程模型的耦合，实现钻井过程的多目标优化和全局优化。3. 智能钻完井的前景与挑战尽管智能钻完井发展迅速，但仍面临挑战智能钻完井的未来工作应集中在数据处理、智能方法、建模方法和应用需求等方面。10）。3.1. 数据处理钻完井数据是多尺度、多尺度的，既有微米级的地层孔隙结构，又有微米级的地质机理，既有实时监测的动态数据，也有地层和储层的静态数据数据类型多种多样，包括数值、文本和图片。这些信息的动态集成是智能钻完井发展的必然要求。井下、地层等复杂环境中的监测信息存在着相当大的噪声、异常和空值。自动化的数据治理方法和流程对于数据驱动的建模和优化至关重要，数据处理标准驱动数据处理方法的应用3.2. 智能算法和技术计算机视觉可以用来处理图像信息，也是数字孪生体可视化的重要技术。数字孪生可视化以其假设能力，将有效地改善风险预警和智能决策。知识图谱还连接了不同的业务场景，增强了对钻完井业务网络的整体控制。边缘云一体化计算方式将进一步释放计算能力潜力，表16钻井过程的整体优化与智能决策。内容/创新Shishavan等人[145]MPD破岩及液压系统机械钻速与压下综合控制器MPDAmbrus等人[146]破岩与钻柱系统建模钻头-岩石相互作用与钻柱动力学建模Zhou等人[147]钻井优化破岩与液压系统结合机械钻速的和MPV[148-150]第148话：我的德克萨斯A M大学[151]模拟器包括破岩、钻柱和液压系统包括破岩、钻柱和液压系统随钻自主决策系统钻井模拟器研制斯塔万格大学[153钻机- 设计小型自主钻机和控制系统[156]Mayani et al.[157]Wanasinghe et al.[第158话]数字孪生-基于数字孪生的[159]第159话软件包括破岩、钻柱和液压系统钻井过程的实时建模、监控、优化和[160]第一百六十话软件- 实时钻井风险监控、优化和钻井过程G. Li，X.宋，S.Tian等人工程18（2022）3343见图10。 智能钻完井技术展望。大规模模型操作和模拟，包括数字孪生。3.3. 智能建模适当的建模方法可以提高数据利用率，增强模型性能。结合先验知识的智能模型（例如，物理定律和专家知识）可以保证准确性和效率，同时提高稳定性和便携性。 基于融合的建模方法先验知识和大数据被认为是推动人工智能应用的重要驱动力。尽管钻井和完井数据量很大，但仍存在许多难以监测的少样本场景，例如复杂的井下条件，并且几乎没有关于钻井事故的可靠数据。少样本建模可以在有限的数据下提供良好的模型性能.对少样本问题的不确定性分析有助于理解问题的本质。耦合代表物理过程的智能体实现钻完井过程的精确表征和全局优化将成为智能钻完井的基本要求。3.4. 智能应用需求智能算法的可解释性和可移植性是人工智能应用中的两个关键问题。结合实际钻完井场景，探索智能模型的可解释、可传递方法，形成适合特定钻完井场景的独特模型。此外，在商业软件中开发可靠的智能模型可以加速智能模型的开发。4. 结论智能钻完井被视为一项变革性技术，已成为油气行业发展的热点或枢纽，显著提高了DE，降低了钻井成本。本文提出了人工智能技术在钻完井工程中的七种智能应用场景或应用领域结合钻完井工程和人工智能的特点，提出了智能钻完井未来的重点研究领域。今后应重点从以下几个方面推进智能钻完井的发展：①探索自动化数据管理方法和标准;②加强智能方法研究，如数字孪生、计算机视觉、知识图、再学习等;③发展新的建模方法，如数据与机制相结合、少样本学习、不确定性建模、多智能体耦合等;③建立可解释、可转换的智能模型。本文的研究对智能钻完井技术进行了系统的回顾，对智能钻完井算法的研究和建立具有一定的启发意义。确认作者感谢国家重点研发项目（2019YFA0708300）、国家杰出青年科学基金（52125401）和国家自然科学基金（L1924060）的支持。遵守道德操守准则李根生、宋仙芝、田寿曾和朱兆鹏声明，他们没有利益冲突或财务冲突需要披露。命名法缩写5G第五代移动通信技术AdaBoost Adaptive boostingABC人工蜂群AC声时差蚁群算法ADNOC阿布扎比国家石油公司AHPAI人工智能自适应神经模糊推理系统ANN人工神经网络ARMA自回归移动平均自回归移动平均模型ATC分析目标级联底部钻具组合井底压力BPNN BP神经网络BQ键合质量贝叶斯正则化神经网络BTS巴西拉伸强度CAI Cerchar磨损指数CART分类回归树CBL 水泥胶结测井CNN卷积神经网络COA布谷鸟优化算法G. Li，X.宋，S.Tian等人工程18（2022）3344DE钻井效率深度学习DNN深度神经网络DS差分搜索DT决策树极限学习机经验模态分解FCNN全卷积神经网络FD地层可钻性FL模糊逻辑FNN函数神经网络FR流量FSCARET从“插入符号”中自动选择特征基于
我的内容管理
展开
