井下工具數(shù)字化升級(jí)難度高，測(cè)量端以單機(jī)版為主，難以滿足當(dāng)前鉆井提質(zhì)增效的要求。為此，基于無(wú)源磁導(dǎo)向工具遠(yuǎn)程作業(yè)需求，詳細(xì)設(shè)計(jì)了仿真預(yù)演、智能決策、遠(yuǎn)程作業(yè)、智慧工具、虛擬培訓(xùn)5大模塊的平臺(tái)架構(gòu)，實(shí)現(xiàn)了從鉆前風(fēng)險(xiǎn)評(píng)估、鉆中采集處理到鉆后反饋優(yōu)化等全流程的數(shù)字化，并開發(fā)了可視化界面。針對(duì)遠(yuǎn)場(chǎng)測(cè)距精度較低的問(wèn)題，搭建并對(duì)比支持向量機(jī)、決策樹、多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等多種磁導(dǎo)向數(shù)據(jù)挖掘算法，其中多層感知機(jī)算法的魯棒性和泛化性最佳。現(xiàn)場(chǎng)應(yīng)用5井次，表明效率提升30%，遠(yuǎn)距離測(cè)量精度提升20%。研究結(jié)果可為同類工具云端協(xié)同數(shù)字化平臺(tái)開發(fā)提供參考依據(jù)。

　　關(guān)鍵詞：井下測(cè)量工具;云端協(xié)同;平臺(tái);數(shù)據(jù)挖掘;無(wú)源磁導(dǎo)向

　　論文《井下測(cè)量工具云端協(xié)同平臺(tái)開發(fā)與實(shí)踐》發(fā)表在《石油機(jī)械》，版權(quán)歸《石油機(jī)械》所有。本文來(lái)自網(wǎng)絡(luò)平臺(tái)，僅供參考。

　　0 引言

　　隨著信息技術(shù)的發(fā)展和普及，石油行業(yè)的數(shù)字化轉(zhuǎn)型和智能化發(fā)展已成為共識(shí)。運(yùn)用先進(jìn)的網(wǎng)絡(luò)通信技術(shù)，可以實(shí)現(xiàn)對(duì)井下工具的遠(yuǎn)程監(jiān)控、遠(yuǎn)程指導(dǎo)和遠(yuǎn)程故障排除，提高了作業(yè)的靈活性和響應(yīng)速度，降低了現(xiàn)場(chǎng)人員的風(fēng)險(xiǎn)，是未來(lái)一大趨勢(shì)。

　　在國(guó)內(nèi)井噴失控救援、儲(chǔ)氣庫(kù)復(fù)雜老井封堵等救援井無(wú)源磁導(dǎo)向技術(shù)受制于人的背景下，2020年，中國(guó)石油集團(tuán)工程技術(shù)研究院有限公司研制出國(guó)產(chǎn)無(wú)源磁導(dǎo)向工具，打破了國(guó)外的壟斷[1]。通過(guò)4年的產(chǎn)業(yè)化推廣，該工具難以滿足更加復(fù)雜、更加繁重的工作量需求，軟硬件迭代升級(jí)迫在眉睫。在軟件方面，現(xiàn)有的單機(jī)版軟件底層數(shù)據(jù)不互通，工程師需要長(zhǎng)駐現(xiàn)場(chǎng)跟蹤，實(shí)驗(yàn)室標(biāo)定結(jié)果不共享，存在核心人員不足、信息不暢等問(wèn)題，數(shù)據(jù)作用也無(wú)法充分發(fā)揮。

　　國(guó)外各大油服公司從20世紀(jì)80年代開始研發(fā)類似軟件系統(tǒng)，旨在實(shí)現(xiàn)井場(chǎng)作業(yè)的遠(yuǎn)程支持。為此紛紛著手建設(shè)遠(yuǎn)程決策支持系統(tǒng)[2]，通過(guò)現(xiàn)場(chǎng)工具及系統(tǒng)采集和上傳處理各類井場(chǎng)數(shù)據(jù)，同時(shí)建立現(xiàn)場(chǎng)與遠(yuǎn)程決策中心之間的聯(lián)系，并采用人工結(jié)合智能算法的方法，進(jìn)行數(shù)據(jù)分析以及施工數(shù)據(jù)的預(yù)測(cè)，進(jìn)一步指導(dǎo)現(xiàn)場(chǎng)工作。其中，哈里伯頓公司研發(fā)了InSite軟件系統(tǒng)[3]，斯倫貝謝推出了InterACT系統(tǒng)[4]，而貝克休斯則開發(fā)了BEACON軟件平臺(tái)[5]。這些一體化軟件系統(tǒng)在很大程度上減少了現(xiàn)場(chǎng)人員，提升了部門協(xié)作效率，并降低了鉆井風(fēng)險(xiǎn)。

　　與國(guó)外公司相比，國(guó)內(nèi)相關(guān)系統(tǒng)的建設(shè)起步較晚。各單位通過(guò)積極攻關(guān)，成功研發(fā)了多套軟件系統(tǒng)，并取得了多項(xiàng)研究成果。例如，中國(guó)石油天然氣集團(tuán)有限公司建立了基于工程技術(shù)物聯(lián)網(wǎng)的多級(jí)遠(yuǎn)程技術(shù)支持中心，實(shí)現(xiàn)了現(xiàn)場(chǎng)數(shù)據(jù)的上傳及遠(yuǎn)程分析，建立了多方協(xié)同的工作平臺(tái)與工作流程[6-7];中國(guó)石油化工股份有限公司研發(fā)的鉆井工程決策支持系統(tǒng)，也實(shí)現(xiàn)了現(xiàn)場(chǎng)數(shù)據(jù)上傳及遠(yuǎn)程分析功能，可以進(jìn)行施工過(guò)程優(yōu)化、鉆后分析等，為近百口井提供了遠(yuǎn)程技術(shù)服務(wù)[8-9];中國(guó)海洋石油集團(tuán)有限公司研發(fā)了實(shí)時(shí)決策系統(tǒng)，能夠?qū)⒑５讛?shù)據(jù)實(shí)時(shí)傳輸至陸地，由專家在后方進(jìn)行分析處理，實(shí)時(shí)反饋給現(xiàn)場(chǎng)以指導(dǎo)下一步施工[10-11]。這些軟件系統(tǒng)為我國(guó)多口井的鉆完井設(shè)計(jì)、施工以及決策提供了有力支持，既降低了成本又提高了效率。

　　具體到井下工具，國(guó)際各大公司已初步實(shí)現(xiàn)了相關(guān)系統(tǒng)的數(shù)字化，但這些軟件系統(tǒng)的具體功能參數(shù)保密，且建立在內(nèi)部共享平臺(tái)上[12]。而國(guó)內(nèi)的井下工具軟件面臨著數(shù)據(jù)標(biāo)準(zhǔn)不統(tǒng)一、信息共享不暢等問(wèn)題，未能實(shí)現(xiàn)與機(jī)器學(xué)習(xí)算法的融合，井下工具的作業(yè)系統(tǒng)和遠(yuǎn)程決策系統(tǒng)的智能化發(fā)展進(jìn)展緩慢[13-15]。

　　基于上述需求和國(guó)內(nèi)外研究現(xiàn)狀，筆者團(tuán)隊(duì)創(chuàng)新研發(fā)了無(wú)源磁導(dǎo)向工具云端協(xié)同平臺(tái)，通過(guò)數(shù)據(jù)的實(shí)時(shí)傳輸和處理，可以及時(shí)發(fā)現(xiàn)和解決現(xiàn)場(chǎng)作業(yè)中出現(xiàn)的問(wèn)題，減少了作業(yè)中斷和延誤的可能性，提高了作業(yè)的效率和質(zhì)量。同時(shí)，遠(yuǎn)程數(shù)字化作業(yè)中心還可以為無(wú)源磁導(dǎo)向作業(yè)提供更加全面和深入的模型分析和安全管理，為作業(yè)人員提供更加全面和可靠的技術(shù)支持。

　　1 平臺(tái)設(shè)計(jì)

　　明確了實(shí)際需求，為進(jìn)一步提升作業(yè)精度和效率，有必要整合通用數(shù)據(jù)庫(kù)，并借助AI數(shù)據(jù)挖掘技術(shù)改進(jìn)傳統(tǒng)算法，最后構(gòu)建可實(shí)現(xiàn)同時(shí)多個(gè)現(xiàn)場(chǎng)實(shí)施的無(wú)源磁導(dǎo)向“1+N”工作模式，如圖1所示。其中“1”是指中控系統(tǒng)，“N”是指作業(yè)現(xiàn)場(chǎng)數(shù)量。現(xiàn)場(chǎng)采集數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳遞到中控，中控?fù)碛袕?qiáng)大的云計(jì)算和專家團(tuán)隊(duì)，處理后將結(jié)果返回到現(xiàn)場(chǎng)，從而實(shí)現(xiàn)數(shù)據(jù)互通互聯(lián)。進(jìn)一步地，數(shù)據(jù)與算法、模型用接口實(shí)現(xiàn)對(duì)接，人員與工具用影像實(shí)現(xiàn)交互。

　　1.1 系統(tǒng)架構(gòu)

　　設(shè)計(jì)“云-端-智”架構(gòu)。云是指在云端存儲(chǔ)井下工具產(chǎn)生的數(shù)據(jù)，并使用云計(jì)算資源進(jìn)行數(shù)據(jù)處理和分析;端是指井下工具(無(wú)源磁導(dǎo)向工具)作為終端設(shè)備，實(shí)時(shí)采集井下數(shù)據(jù)，并進(jìn)行初步處理;智是利用智能算法(如多層感知機(jī)算法)在云端或終端進(jìn)行數(shù)據(jù)分析，優(yōu)化測(cè)量精度和工作效率。

　　1.2 數(shù)字孿生

　　系統(tǒng)架構(gòu)及功能設(shè)計(jì)如圖2所示。平臺(tái)內(nèi)設(shè)5大系統(tǒng)，包括仿真預(yù)演、遠(yuǎn)程作業(yè)、智能決策、智慧工具、虛擬培訓(xùn)等，為工程提供移動(dòng)應(yīng)用，為智能工作的開展提供軟件基礎(chǔ)。仿真預(yù)演系統(tǒng)進(jìn)行磁導(dǎo)向作業(yè)前的模擬仿真，模擬在不同距離、地層、鉆井液等條件下磁導(dǎo)向測(cè)量電磁場(chǎng)分布，在解釋端軟件內(nèi)置與數(shù)值仿真軟件互通的接口，輸入必要的地層、軌跡、工具參數(shù)和邊界條件后輸出仿真結(jié)果，輔助開展風(fēng)險(xiǎn)預(yù)警等指導(dǎo)現(xiàn)場(chǎng)作業(yè);遠(yuǎn)程作業(yè)系統(tǒng)通過(guò)視頻監(jiān)控掌握現(xiàn)場(chǎng)作業(yè)進(jìn)度，采集作業(yè)數(shù)據(jù)可用于仿真預(yù)演反演以及訓(xùn)練決策模型;智能決策系統(tǒng)通過(guò)模型預(yù)測(cè)井距數(shù)據(jù)，輔助優(yōu)化現(xiàn)場(chǎng)作業(yè);虛擬培訓(xùn)系統(tǒng)對(duì)后備工程師實(shí)施全流程培訓(xùn)，通過(guò)見習(xí)結(jié)合實(shí)操，在后方完成人員的培訓(xùn)，實(shí)現(xiàn)人員互聯(lián);智慧工具系統(tǒng)對(duì)現(xiàn)場(chǎng)工具進(jìn)行監(jiān)控，實(shí)時(shí)掌握工具數(shù)據(jù)并上傳至數(shù)據(jù)庫(kù)，實(shí)現(xiàn)虛擬空間、人員、工具、中控和作業(yè)現(xiàn)場(chǎng)的數(shù)字孿生。

　　1.3 展示功能

　　將多元化的展示技術(shù)與磁導(dǎo)向工具結(jié)合，構(gòu)建立體宣傳矩陣;解釋端軟件耦合地質(zhì)接口，構(gòu)建地質(zhì)工程一體化、前后方一體化等三維高端視圖展示功能。具備運(yùn)行資料查詢、大數(shù)據(jù)分析、三維數(shù)字井筒展示等功能。同時(shí)增設(shè)會(huì)議區(qū)，便于專家團(tuán)隊(duì)與現(xiàn)場(chǎng)工程師連線并進(jìn)行討論。

　　1.4 培訓(xùn)功能

　　虛擬培訓(xùn)系統(tǒng)通過(guò)有限元、虛擬現(xiàn)實(shí)(Virtual Reality, VR)技術(shù)結(jié)合真實(shí)井況，完成業(yè)務(wù)全流程的仿真，并開展新進(jìn)人員的日常輪訓(xùn)，進(jìn)行虛擬數(shù)字樣機(jī)、全流程測(cè)量工藝的教學(xué)展示。搭建無(wú)源磁導(dǎo)向工具典型應(yīng)用場(chǎng)景實(shí)時(shí)演示動(dòng)畫及交互頁(yè)面菜單，完善無(wú)源磁導(dǎo)向工具裝配使用等VR培訓(xùn)內(nèi)容。

　　設(shè)置VR頭顯無(wú)失真運(yùn)行，1∶1呈現(xiàn)數(shù)字樣機(jī)及使用、安裝、維保等場(chǎng)景。為此，開發(fā)交互菜單，正確觸發(fā)設(shè)計(jì)的實(shí)時(shí)演示內(nèi)容，建立2D菜單可快速切換展示工具的使用、安裝及維保場(chǎng)景，通過(guò)VR手柄可獲得良好的人機(jī)交互體驗(yàn)。

　　2 數(shù)據(jù)采集與處理

　　通過(guò)智慧工具系統(tǒng)以及遠(yuǎn)程作業(yè)系統(tǒng)進(jìn)行數(shù)據(jù)采集，實(shí)時(shí)采集來(lái)自無(wú)源磁導(dǎo)向工具的數(shù)據(jù)，并確保數(shù)據(jù)的準(zhǔn)確性和完整性;通過(guò)智能決策系統(tǒng)中的數(shù)據(jù)處理功能對(duì)數(shù)據(jù)進(jìn)行清洗、歸一等處理，對(duì)處理后的數(shù)據(jù)進(jìn)行模型訓(xùn)練自學(xué)習(xí)。

　　2.1 工具數(shù)據(jù)采集

　　智慧工具系統(tǒng)應(yīng)用流程包括智能識(shí)別監(jiān)控工具動(dòng)態(tài)，指導(dǎo)工具的運(yùn)維保養(yǎng)，同時(shí)規(guī)范化實(shí)驗(yàn)室標(biāo)定和現(xiàn)場(chǎng)入井操作，從而掌握工具現(xiàn)場(chǎng)使用情況，實(shí)時(shí)推送工具狀態(tài)，如圖3所示。

　　現(xiàn)場(chǎng)人員預(yù)約出入庫(kù)管理，完成對(duì)出入庫(kù)申請(qǐng)的審核后生成出入庫(kù)單，最后進(jìn)行上架和下架任務(wù)，更新物料庫(kù)存。同時(shí)查看物料在系統(tǒng)中的出入庫(kù)流水信息，統(tǒng)計(jì)系統(tǒng)中所有物料的庫(kù)存情況，并盤點(diǎn)系統(tǒng)的物料庫(kù)存情況與實(shí)際倉(cāng)庫(kù)的庫(kù)存情況是否保持一致，以及對(duì)設(shè)備的狀態(tài)(保修、損壞等)情況進(jìn)行數(shù)據(jù)記錄。

　　智慧工具系統(tǒng)設(shè)置倉(cāng)庫(kù)、貨架、物料等基礎(chǔ)數(shù)據(jù)管理，具有查看消息通知、編輯維護(hù)倉(cāng)庫(kù)數(shù)據(jù)、入庫(kù)管理、出庫(kù)管理和庫(kù)存管理功能，與工程作業(yè)智能支持中心(Engineering Intelligent Support Center, EISC)系統(tǒng)對(duì)接，收集現(xiàn)場(chǎng)的數(shù)據(jù)。

　　2.2 現(xiàn)場(chǎng)作業(yè)數(shù)據(jù)采集

　　遠(yuǎn)程作業(yè)系統(tǒng)中的采集端與現(xiàn)場(chǎng)的采集工具連接，負(fù)責(zé)將現(xiàn)場(chǎng)采集的數(shù)據(jù)實(shí)時(shí)傳回，存儲(chǔ)在系統(tǒng)中的服務(wù)端，即云端存儲(chǔ)數(shù)據(jù)平臺(tái)。后方通過(guò)中控平臺(tái)對(duì)現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行遠(yuǎn)程解釋，針對(duì)疑難問(wèn)題進(jìn)行研討后下發(fā)解釋報(bào)告與導(dǎo)向指令，實(shí)現(xiàn)遠(yuǎn)程數(shù)據(jù)更新，工作流程如圖4所示。

　　2.2.1 采集端數(shù)據(jù)處理與上傳

　　數(shù)據(jù)采集端篩選符合預(yù)設(shè)條件和質(zhì)量標(biāo)準(zhǔn)的數(shù)據(jù)上傳至遠(yuǎn)程云服務(wù)器，以優(yōu)化存儲(chǔ)空間，提高數(shù)據(jù)處理效率。

　　對(duì)數(shù)據(jù)采集系統(tǒng)配置測(cè)試參數(shù)，通過(guò)實(shí)際作業(yè)場(chǎng)景生成數(shù)據(jù)，在采集端排除明顯錯(cuò)誤或無(wú)關(guān)數(shù)據(jù)，根據(jù)預(yù)設(shè)條件進(jìn)一步篩選數(shù)據(jù)，以備上傳。建立數(shù)據(jù)上傳通道，將標(biāo)記為有效的數(shù)據(jù)發(fā)送至服務(wù)器，在服務(wù)器端檢查接收到的數(shù)據(jù)是否符合預(yù)期，包括數(shù)據(jù)完整性和準(zhǔn)確性。最后對(duì)上傳的數(shù)據(jù)進(jìn)行存儲(chǔ)和處理，保證有效數(shù)據(jù)正常上傳。

　　2.2.2 遠(yuǎn)程作業(yè)系統(tǒng)集成

　　為確保系統(tǒng)的各個(gè)組件與其他模塊的集成，提供一個(gè)完整、穩(wěn)定且高效的工作環(huán)境，開發(fā)遠(yuǎn)程作業(yè)系統(tǒng)的綜合功能，系統(tǒng)預(yù)留了集成接口，與仿真預(yù)演、虛擬培訓(xùn)、智慧工具和智能決策等模塊進(jìn)行集成，以便于數(shù)據(jù)的互聯(lián)互通。

　　數(shù)據(jù)查詢功能對(duì)接EISC數(shù)據(jù)湖數(shù)據(jù)服務(wù)API接口，獲取錄井、井史等多種查閱數(shù)據(jù)。同時(shí)開發(fā)EISC系統(tǒng)的錯(cuò)誤識(shí)別、處理和數(shù)據(jù)恢復(fù)功能，以應(yīng)對(duì)數(shù)據(jù)傳輸過(guò)程中的各種可能錯(cuò)誤。

　　3 算法開發(fā)與優(yōu)化

　　搭建了智能決策系統(tǒng)，創(chuàng)新開發(fā)數(shù)據(jù)AI分析工具與流程，輔助提高分析決策效率，增大支撐范圍，并將預(yù)測(cè)結(jié)果在用戶界面進(jìn)行結(jié)果展示。

　　3.1 預(yù)設(shè)標(biāo)準(zhǔn)井

　　因定位模型的限制，無(wú)源磁導(dǎo)向遠(yuǎn)場(chǎng)定位精度較低，而現(xiàn)場(chǎng)作業(yè)的兩井井下實(shí)際幾何空間位置難以驗(yàn)證，進(jìn)行監(jiān)督學(xué)習(xí)難度較高。因此，選定一個(gè)矩形空地，如圖5所示。在空地中鉆7口150m的直井，并在T井中下入鋼制套管作為目標(biāo)井，O、A、M、L1、L2、L3井下入PE塑料管(打孔)作為測(cè)試井。

　　然后進(jìn)行原始數(shù)據(jù)集的構(gòu)建，分別對(duì)位于現(xiàn)場(chǎng)目標(biāo)井不同方位的6口測(cè)試井進(jìn)行不同深度的數(shù)據(jù)樣本的采集。6口測(cè)試井在深度64~150m區(qū)間內(nèi)每隔2m測(cè)得的磁通量、加速度、探管姿態(tài)等特征量作為一次數(shù)據(jù);6口測(cè)試井在深度0~150m區(qū)間內(nèi)每隔1m通過(guò)MWD和幾何掃描方法計(jì)算得到的測(cè)試井與目標(biāo)井的相對(duì)距離作為標(biāo)定數(shù)據(jù)，根據(jù)ISCWA模型，井深較淺，累積誤差可以忽略[16];通過(guò)傳統(tǒng)經(jīng)驗(yàn)公式計(jì)算得到的6口測(cè)試井不同深度相對(duì)目標(biāo)井的距離預(yù)測(cè)值作為對(duì)照數(shù)據(jù)。

　　傳統(tǒng)經(jīng)驗(yàn)公式[17]如下：

　　式中：r為相對(duì)距離，m;(mu_{0})為真空磁導(dǎo)率，其值為(4pi×10^{-7}T·m/A);I為目標(biāo)井上聚集電流，A;(H_x)、(H_y)、(H_z)分別為測(cè)試井預(yù)設(shè)井深處在x、y、z軸向磁場(chǎng)信號(hào)幅值分量，T;(overline{E})為經(jīng)過(guò)大量測(cè)試所得的經(jīng)驗(yàn)公式平均誤差，其值為35.375m。

　　3.2 特征選擇

　　原始數(shù)據(jù)集中的特征數(shù)量共有11個(gè)，通過(guò)F檢驗(yàn)、互信息檢驗(yàn)以及遞歸特征消除方法選擇出在不同模型訓(xùn)練過(guò)程中都比較重要的3個(gè)特征，它們分別是方位角、磁場(chǎng)幅值、相對(duì)方位，變量特征重要性如圖6所示。

　　3.3 構(gòu)建數(shù)據(jù)集

　　使用隨機(jī)劃分和單井測(cè)試，將原始數(shù)據(jù)集中6口井的數(shù)據(jù)分別命名，且6口測(cè)試井相對(duì)目標(biāo)井的相對(duì)距離真實(shí)值范圍分別為55~59m、8~10m、29~31m、55~59m、60~68m、4~6m。

　　3.4 數(shù)據(jù)挖掘算法開發(fā)

　　3.4.1 過(guò)程簡(jiǎn)述

　　從當(dāng)前人工智能領(lǐng)域的主流算法進(jìn)行選擇，使用線性回歸、多項(xiàng)式回歸、支持向量機(jī)(SVR)、決策樹(CART)、多層感知機(jī)(MLP)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)等算法。定義好網(wǎng)絡(luò)模型，并通過(guò)不斷改變損失函數(shù)、優(yōu)化器、訓(xùn)練輪次和學(xué)習(xí)率等參數(shù)來(lái)實(shí)現(xiàn)模型的優(yōu)化。

　　將數(shù)據(jù)集中的11個(gè)特征參數(shù)以及同一井中不同井深下的井距數(shù)據(jù)，按照4∶1的比例隨機(jī)劃分訓(xùn)練集和測(cè)試集，作為模型的輸入數(shù)據(jù)。將訓(xùn)練集輸入算法進(jìn)行算法的自學(xué)習(xí)，得到訓(xùn)練后的最終模型;將測(cè)試集輸入最終模型進(jìn)行井距預(yù)測(cè)，輸出預(yù)測(cè)數(shù)據(jù)并與真實(shí)井距數(shù)據(jù)進(jìn)行對(duì)比，得到擬合效果，由此對(duì)比模型效果的優(yōu)劣。

　　以上數(shù)據(jù)預(yù)處理、模型訓(xùn)練以及模型預(yù)測(cè)過(guò)程如圖7所示，以卷積神經(jīng)網(wǎng)絡(luò)為例展示模型算法的訓(xùn)練及預(yù)測(cè)過(guò)程。

　　3.4.2 測(cè)試結(jié)果

　　6種數(shù)據(jù)挖掘算法的擬合效果見圖8~圖13。

　　3.5 數(shù)據(jù)挖掘效果評(píng)價(jià)檢驗(yàn)總結(jié)

　　傳統(tǒng)經(jīng)驗(yàn)公式在隨機(jī)劃分?jǐn)?shù)據(jù)集情況下的正確率為37%;線性回歸、多項(xiàng)式回歸、SVR、CART、MLP、CNN在隨機(jī)劃分的情況下相比傳統(tǒng)方法分別提升48%、48%、0%、60%、61%、59%。

　　傳統(tǒng)經(jīng)驗(yàn)公式在隨機(jī)劃分?jǐn)?shù)據(jù)集情況下浮動(dòng)10%的占比為0;線性回歸、多項(xiàng)式回歸、SVR、CART、MLP、CNN在隨機(jī)劃分的情況下相比傳統(tǒng)方法分別提升46%、57%、22%、97%、100%、74%。

　　綜上所述，當(dāng)以預(yù)測(cè)精度作為評(píng)估指標(biāo)時(shí)，6種算法都有不同程度的提升;當(dāng)以浮動(dòng)10%占比作為評(píng)估指標(biāo)時(shí)，除了SVR外的其他5種方法提升幅度都較大。其中尤其以MLP的提升效果最為明顯且穩(wěn)定，且相比于其他算法，其魯棒性和泛化性提升程度同樣最高。因此，使用MLP作為無(wú)源磁導(dǎo)向遠(yuǎn)場(chǎng)定位數(shù)據(jù)挖掘算法是最優(yōu)選擇。

　　4 用戶界面與可視化

　　4.1 工具動(dòng)態(tài)監(jiān)控

　　智慧工具系統(tǒng)智能識(shí)別監(jiān)控工具動(dòng)態(tài)，指導(dǎo)工具的運(yùn)維保養(yǎng)，掌握工具現(xiàn)場(chǎng)使用情況，融合定位系統(tǒng)，形成工具動(dòng)態(tài)監(jiān)控看板，實(shí)時(shí)推送工具狀態(tài)數(shù)據(jù)，如圖14所示。

　　4.2 算法性能可視化

　　將智能決策系統(tǒng)不同模型算法的擬合效果以及性能提升結(jié)果在用戶界面以折線圖和柱狀圖的形式進(jìn)行結(jié)果展示，用戶可以據(jù)此選擇合適的模型進(jìn)行相應(yīng)的任務(wù)處理，如圖15所示。

　　4.3 遠(yuǎn)程作業(yè)可視化

　　遠(yuǎn)程作業(yè)系統(tǒng)能夠進(jìn)行現(xiàn)場(chǎng)作業(yè)數(shù)據(jù)的分析以及三維立體展示，并在現(xiàn)場(chǎng)設(shè)置多個(gè)監(jiān)控?cái)z像頭，實(shí)時(shí)監(jiān)控現(xiàn)場(chǎng)作業(yè)的狀態(tài)，配置現(xiàn)場(chǎng)通信設(shè)備，通過(guò)監(jiān)控中心與作業(yè)現(xiàn)場(chǎng)連接通信。

　　4.4 仿真預(yù)演可視化

　　基于建立的磁導(dǎo)向測(cè)量的電磁場(chǎng)分布數(shù)學(xué)模型，獲得了不同條件下磁導(dǎo)向測(cè)量電磁場(chǎng)分布規(guī)律，開發(fā)了一套磁導(dǎo)向全數(shù)字驅(qū)動(dòng)仿真模擬軟件，根據(jù)井眼軌跡建立鉆井井筒以及描述動(dòng)態(tài)鉆進(jìn)過(guò)程，分析計(jì)算并顯示事故井周圍的磁場(chǎng)分布，導(dǎo)出磁場(chǎng)模擬結(jié)果。通過(guò)實(shí)時(shí)計(jì)算顯示并可導(dǎo)出環(huán)境磁源與磁傳感器附近的磁場(chǎng)分布特征，實(shí)現(xiàn)3D模型的顯示、選擇和控制，為鉆前軌跡設(shè)計(jì)提供了必要的用戶交互功能，可以指導(dǎo)無(wú)源磁導(dǎo)向作業(yè)的安全有效進(jìn)行，圖16為仿真預(yù)演系統(tǒng)的可視化架構(gòu)。

　　5 現(xiàn)場(chǎng)試驗(yàn)與應(yīng)用

　　2022-2023年在冀東油田、遼河油田等地同時(shí)將協(xié)同平臺(tái)應(yīng)用5口井，開展了3個(gè)服務(wù)隊(duì)的培訓(xùn)，顯著降低了人員成本。現(xiàn)場(chǎng)試驗(yàn)效果如表1所示，同一時(shí)間最多開展3口井作業(yè)，遠(yuǎn)距離測(cè)量范圍提升了10倍，總體作業(yè)效率提升30%，達(dá)到國(guó)際先進(jìn)水平。

　　表1 現(xiàn)場(chǎng)試驗(yàn)效果

　　| 時(shí)間 | 井號(hào) | 設(shè)計(jì)周期/d | 作業(yè)周期/d | 首次探測(cè)距離/m | 效率提升/% |

　　| 2022-12 | NP12-X88 | 35 | 34 | 7.5 | 3 |

　　6 結(jié)論與認(rèn)識(shí)

　　通過(guò)詳細(xì)設(shè)計(jì)和開發(fā)實(shí)現(xiàn)了一個(gè)基于無(wú)源磁導(dǎo)向工具的云端協(xié)同平臺(tái)，展示了在井下工具數(shù)字化轉(zhuǎn)型中的探索和突破。

　　(1)平臺(tái)架構(gòu)包括仿真預(yù)演、遠(yuǎn)程作業(yè)、智能決策、智慧工具和虛擬培訓(xùn)5大模塊，平臺(tái)覆蓋了從鉆前準(zhǔn)備到鉆后反饋優(yōu)化的全部流程，確保了數(shù)據(jù)的連續(xù)性和一致性。

　　(2)通過(guò)對(duì)支持向量機(jī)(SVM)、決策樹、多層感知機(jī)(MLP)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)等多種測(cè)距數(shù)據(jù)挖掘算法的對(duì)比，選取了表現(xiàn)最佳的MLP算法，提升了數(shù)據(jù)處理的準(zhǔn)確性和效率，測(cè)量精度提升了20%。

　　(3)現(xiàn)場(chǎng)應(yīng)用結(jié)果表明，該平臺(tái)在5口井的應(yīng)用中，作業(yè)效率提升了30%，遠(yuǎn)距離測(cè)量范圍提升了10倍。這些成果為同類工具云端協(xié)同數(shù)字化平臺(tái)的開發(fā)提供了寶貴的參考依據(jù)。

　　(4)下一步將在現(xiàn)有基礎(chǔ)上繼續(xù)推進(jìn)井下智慧傳感器的研發(fā)，在現(xiàn)有智能決策系統(tǒng)的基礎(chǔ)上，探索更深層次的測(cè)導(dǎo)控一體化人工智能應(yīng)用，提升現(xiàn)場(chǎng)軌跡精細(xì)決策支持的智能化水平。

　　參考文獻(xiàn)

　　[1] 車陽(yáng), 喬磊, 袁光杰, 等. 主動(dòng)磁測(cè)距技術(shù)在T1井封井工程的應(yīng)用[J]. 石油機(jī)械, 2022, 50(2):15-22.

　　[2] 李根生, 宋先知, 田守嶒. 智能鉆井技術(shù)研究現(xiàn)狀及發(fā)展趨勢(shì)[J]. 石油鉆探技術(shù), 2020, 48(1):1-8.

　　[3] BOOTH J E. Drilling operations centers: a history of functionality and organizational purpose-the first generation[C]∥SPE Digital Energy Conference and Exhibition. Houston, Texas, USA: SPE, 2009: SPE 123225-MS.

　　[4] ADIGUN O, OKUSANYA A, OKWA H. Case study of geosteering a horizontal well in western Nigeria[J]. The Leading Edge, 2004, 23(6):588-591.

　　[5] AHMED T, SIDDIQUI M, HUSSAIN A, et al. Successful implementation of interact(real time data transmission)in testing services to allow remote witnessing of testing operations and multipoint collaboration (Latif gas field-a success story)[C]∥SPE/PAPG Annual Technical Conference. Islamabad, Pakistan: SPE, 2010:SPE 142840-MS.

　　[6] BOOTH J E E. Real-time drilling operations centers: a history of functionality and organizational purpose - the second generation[J]. SPE Drilling & Completion, 2011, 26(2):295-302.

　　[7] 賀會(huì)群, 張行, 巴莎, 等. 我國(guó)油氣工程技術(shù)裝備智能化和智能制造的探索與實(shí)踐[J]. 石油機(jī)械, 2024, 52(6):1-11.

　　[8] 葛云華, 周波, 張彥龍. 基于物聯(lián)網(wǎng)的鉆井遠(yuǎn)程支持系統(tǒng)應(yīng)用現(xiàn)狀及發(fā)展方向[J]. 石油科技論壇, 2019, 38(2):45-51.

　　[9] 張軍, 費(fèi)海濤, 王崇敬, 等. 鉆井遠(yuǎn)程決策支持系統(tǒng)開發(fā)及在元壩103H井的應(yīng)用[J]. 石油鉆探技術(shù), 2011, 39(6):104-107.

　　[10] 張東海, 王昌榮. 智能石油鉆機(jī)技術(shù)現(xiàn)狀及發(fā)展方向[J]. 石油機(jī)械, 2020, 48(7):30-36.

　　[11] 安文忠, 徐榮強(qiáng), 何遼勤, 等. 實(shí)時(shí)可視決策系統(tǒng)在渤海灣旅大油田開發(fā)中的應(yīng)用[J]. 石油鉆探技術(shù), 2007, 35(4):100-102.

　　[12] 趙彤, 葛云華, 周波, 等. 鉆井業(yè)務(wù)物聯(lián)網(wǎng)遠(yuǎn)程決策支持系統(tǒng)的現(xiàn)狀與發(fā)展[J]. 國(guó)際石油經(jīng)濟(jì), 2019, 27(11):93-97.

　　[13] ROSENDAHL T, HEPSØ V. Integrated operations in the oil and gas industry: sustainability and capability development[M]. Hershey, Pennsylvania: IGI Global, 2012.

　　[14] 閆鐵, 許瑞, 劉維凱, 等. 中國(guó)智能化鉆井技術(shù)研究發(fā)展[J]. 東北石油大學(xué)學(xué)報(bào), 2020, 44(4):15-21, I0002.

　　[15] 匡立春, 劉合, 任義麗, 等. 人工智能在石油勘探開發(fā)領(lǐng)域的應(yīng)用現(xiàn)狀與發(fā)展趨勢(shì)[J]. 石油勘探與開發(fā), 2021, 48(1):1-11.

　　[16] ISCWSA. Definition of ISCWSA error model[EB/OL]. [2024-04-25]. https:∥www.iscwsa.net/media/files/files/64bd61c2/definition-of-iscwsa-error-model-v513.pdf.

　　[17] 刁斌斌, 谷浩, 高德利, 等. 鄰井隨鉆磁測(cè)距防碰系統(tǒng)的研制和應(yīng)用[J]. 石油機(jī)械, 2022, 50(10):14-19.