井下工具數字化升級難度高，測量端以單機版為主，難以滿足當前鉆井提質增效的要求。為此，基于無源磁導向工具遠程作業需求，詳細設計了仿真預演、智能決策、遠程作業、智慧工具、虛擬培訓5大模塊的平臺架構，實現了從鉆前風險評估、鉆中采集處理到鉆后反饋優化等全流程的數字化，并開發了可視化界面。針對遠場測距精度較低的問題，搭建并對比支持向量機、決策樹、多層感知機、卷積神經網絡等多種磁導向數據挖掘算法，其中多層感知機算法的魯棒性和泛化性最佳。現場應用5井次，表明效率提升30%，遠距離測量精度提升20%。研究結果可為同類工具云端協同數字化平臺開發提供參考依據。

　　關鍵詞：井下測量工具;云端協同;平臺;數據挖掘;無源磁導向

　　論文《井下測量工具云端協同平臺開發與實踐》發表在《石油機械》，版權歸《石油機械》所有。本文來自網絡平臺，僅供參考。

　　0 引言

　　隨著信息技術的發展和普及，石油行業的數字化轉型和智能化發展已成為共識。運用先進的網絡通信技術，可以實現對井下工具的遠程監控、遠程指導和遠程故障排除，提高了作業的靈活性和響應速度，降低了現場人員的風險，是未來一大趨勢。

　　在國內井噴失控救援、儲氣庫復雜老井封堵等救援井無源磁導向技術受制于人的背景下，2020年，中國石油集團工程技術研究院有限公司研制出國產無源磁導向工具，打破了國外的壟斷[1]。通過4年的產業化推廣，該工具難以滿足更加復雜、更加繁重的工作量需求，軟硬件迭代升級迫在眉睫。在軟件方面，現有的單機版軟件底層數據不互通，工程師需要長駐現場跟蹤，實驗室標定結果不共享，存在核心人員不足、信息不暢等問題，數據作用也無法充分發揮。

　　國外各大油服公司從20世紀80年代開始研發類似軟件系統，旨在實現井場作業的遠程支持。為此紛紛著手建設遠程決策支持系統[2]，通過現場工具及系統采集和上傳處理各類井場數據，同時建立現場與遠程決策中心之間的聯系，并采用人工結合智能算法的方法，進行數據分析以及施工數據的預測，進一步指導現場工作。其中，哈里伯頓公司研發了InSite軟件系統[3]，斯倫貝謝推出了InterACT系統[4]，而貝克休斯則開發了BEACON軟件平臺[5]。這些一體化軟件系統在很大程度上減少了現場人員，提升了部門協作效率，并降低了鉆井風險。

　　與國外公司相比，國內相關系統的建設起步較晚。各單位通過積極攻關，成功研發了多套軟件系統，并取得了多項研究成果。例如，中國石油天然氣集團有限公司建立了基于工程技術物聯網的多級遠程技術支持中心，實現了現場數據的上傳及遠程分析，建立了多方協同的工作平臺與工作流程[6-7];中國石油化工股份有限公司研發的鉆井工程決策支持系統，也實現了現場數據上傳及遠程分析功能，可以進行施工過程優化、鉆后分析等，為近百口井提供了遠程技術服務[8-9];中國海洋石油集團有限公司研發了實時決策系統，能夠將海底數據實時傳輸至陸地，由專家在后方進行分析處理，實時反饋給現場以指導下一步施工[10-11]。這些軟件系統為我國多口井的鉆完井設計、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，國際各大公司已初步實現了相關系統的數字化，但這些軟件系統的具體功能參數保密，且建立在內部共享平臺上[12]。而國內的井下工具軟件面臨著數據標準不統一、信息共享不暢等問題，未能實現與機器學習算法的融合，井下工具的作業系統和遠程決策系統的智能化發展進展緩慢[13-15]。

　　基于上述需求和國內外研究現狀，筆者團隊創新研發了無源磁導向工具云端協同平臺，通過數據的實時傳輸和處理，可以及時發現和解決現場作業中出現的問題，減少了作業中斷和延誤的可能性，提高了作業的效率和質量。同時，遠程數字化作業中心還可以為無源磁導向作業提供更加全面和深入的模型分析和安全管理，為作業人員提供更加全面和可靠的技術支持。

　　1 平臺設計

　　明確了實際需求，為進一步提升作業精度和效率，有必要整合通用數據庫，并借助AI數據挖掘技術改進傳統算法，最后構建可實現同時多個現場實施的無源磁導向“1+N”工作模式，如圖1所示。其中“1”是指中控系統，“N”是指作業現場數量。現場采集數據通過網絡傳遞到中控，中控擁有強大的云計算和專家團隊，處理后將結果返回到現場，從而實現數據互通互聯。進一步地，數據與算法、模型用接口實現對接，人員與工具用影像實現交互。

　　1.1 系統架構

　　設計“云-端-智”架構。云是指在云端存儲井下工具產生的數據，并使用云計算資源進行數據處理和分析;端是指井下工具(無源磁導向工具)作為終端設備，實時采集井下數據，并進行初步處理;智是利用智能算法(如多層感知機算法)在云端或終端進行數據分析，優化測量精度和工作效率。

　　1.2 數字孿生

　　系統架構及功能設計如圖2所示。平臺內設5大系統，包括仿真預演、遠程作業、智能決策、智慧工具、虛擬培訓等，為工程提供移動應用，為智能工作的開展提供軟件基礎。仿真預演系統進行磁導向作業前的模擬仿真，模擬在不同距離、地層、鉆井液等條件下磁導向測量電磁場分布，在解釋端軟件內置與數值仿真軟件互通的接口，輸入必要的地層、軌跡、工具參數和邊界條件后輸出仿真結果，輔助開展風險預警等指導現場作業;遠程作業系統通過視頻監控掌握現場作業進度，采集作業數據可用于仿真預演反演以及訓練決策模型;智能決策系統通過模型預測井距數據，輔助優化現場作業;虛擬培訓系統對后備工程師實施全流程培訓，通過見習結合實操，在后方完成人員的培訓，實現人員互聯;智慧工具系統對現場工具進行監控，實時掌握工具數據并上傳至數據庫，實現虛擬空間、人員、工具、中控和作業現場的數字孿生。

　　1.3 展示功能

　　將多元化的展示技術與磁導向工具結合，構建立體宣傳矩陣;解釋端軟件耦合地質接口，構建地質工程一體化、前后方一體化等三維高端視圖展示功能。具備運行資料查詢、大數據分析、三維數字井筒展示等功能。同時增設會議區，便于專家團隊與現場工程師連線并進行討論。

　　1.4 培訓功能

　　虛擬培訓系統通過有限元、虛擬現實(Virtual Reality, VR)技術結合真實井況，完成業務全流程的仿真，并開展新進人員的日常輪訓，進行虛擬數字樣機、全流程測量工藝的教學展示。搭建無源磁導向工具典型應用場景實時演示動畫及交互頁面菜單，完善無源磁導向工具裝配使用等VR培訓內容。

　　設置VR頭顯無失真運行，1∶1呈現數字樣機及使用、安裝、維保等場景。為此，開發交互菜單，正確觸發設計的實時演示內容，建立2D菜單可快速切換展示工具的使用、安裝及維保場景，通過VR手柄可獲得良好的人機交互體驗。

　　2 數據采集與處理

　　通過智慧工具系統以及遠程作業系統進行數據采集，實時采集來自無源磁導向工具的數據，并確保數據的準確性和完整性;通過智能決策系統中的數據處理功能對數據進行清洗、歸一等處理，對處理后的數據進行模型訓練自學習。

　　2.1 工具數據采集

　　智慧工具系統應用流程包括智能識別監控工具動態，指導工具的運維保養，同時規范化實驗室標定和現場入井操作，從而掌握工具現場使用情況，實時推送工具狀態，如圖3所示。

　　現場人員預約出入庫管理，完成對出入庫申請的審核后生成出入庫單，最后進行上架和下架任務，更新物料庫存。同時查看物料在系統中的出入庫流水信息，統計系統中所有物料的庫存情況，并盤點系統的物料庫存情況與實際倉庫的庫存情況是否保持一致，以及對設備的狀態(保修、損壞等)情況進行數據記錄。

　　智慧工具系統設置倉庫、貨架、物料等基礎數據管理，具有查看消息通知、編輯維護倉庫數據、入庫管理、出庫管理和庫存管理功能，與工程作業智能支持中心(Engineering Intelligent Support Center, EISC)系統對接，收集現場的數據。

　　2.2 現場作業數據采集

　　遠程作業系統中的采集端與現場的采集工具連接，負責將現場采集的數據實時傳回，存儲在系統中的服務端，即云端存儲數據平臺。后方通過中控平臺對現場數據進行遠程解釋，針對疑難問題進行研討后下發解釋報告與導向指令，實現遠程數據更新，工作流程如圖4所示。

　　2.2.1 采集端數據處理與上傳

　　數據采集端篩選符合預設條件和質量標準的數據上傳至遠程云服務器，以優化存儲空間，提高數據處理效率。

　　對數據采集系統配置測試參數，通過實際作業場景生成數據，在采集端排除明顯錯誤或無關數據，根據預設條件進一步篩選數據，以備上傳。建立數據上傳通道，將標記為有效的數據發送至服務器，在服務器端檢查接收到的數據是否符合預期，包括數據完整性和準確性。最后對上傳的數據進行存儲和處理，保證有效數據正常上傳。

　　2.2.2 遠程作業系統集成

　　為確保系統的各個組件與其他模塊的集成，提供一個完整、穩定且高效的工作環境，開發遠程作業系統的綜合功能，系統預留了集成接口，與仿真預演、虛擬培訓、智慧工具和智能決策等模塊進行集成，以便于數據的互聯互通。

　　數據查詢功能對接EISC數據湖數據服務API接口，獲取錄井、井史等多種查閱數據。同時開發EISC系統的錯誤識別、處理和數據恢復功能，以應對數據傳輸過程中的各種可能錯誤。

　　3 算法開發與優化

　　搭建了智能決策系統，創新開發數據AI分析工具與流程，輔助提高分析決策效率，增大支撐范圍，并將預測結果在用戶界面進行結果展示。

　　3.1 預設標準井

　　因定位模型的限制，無源磁導向遠場定位精度較低，而現場作業的兩井井下實際幾何空間位置難以驗證，進行監督學習難度較高。因此，選定一個矩形空地，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井，O、A、M、L1、L2、L3井下入PE塑料管(打孔)作為測試井。

　　然后進行原始數據集的構建，分別對位于現場目標井不同方位的6口測試井進行不同深度的數據樣本的采集。6口測試井在深度64~150m區間內每隔2m測得的磁通量、加速度、探管姿態等特征量作為一次數據;6口測試井在深度0~150m區間內每隔1m通過MWD和幾何掃描方法計算得到的測試井與目標井的相對距離作為標定數據，根據ISCWA模型，井深較淺，累積誤差可以忽略[16];通過傳統經驗公式計算得到的6口測試井不同深度相對目標井的距離預測值作為對照數據。

　　傳統經驗公式[17]如下：

　　式中：r為相對距離，m;(mu_{0})為真空磁導率，其值為(4pi×10^{-7}T·m/A);I為目標井上聚集電流，A;(H_x)、(H_y)、(H_z)分別為測試井預設井深處在x、y、z軸向磁場信號幅值分量，T;(overline{E})為經過大量測試所得的經驗公式平均誤差，其值為35.375m。

　　3.2 特征選擇

　　原始數據集中的特征數量共有11個，通過F檢驗、互信息檢驗以及遞歸特征消除方法選擇出在不同模型訓練過程中都比較重要的3個特征，它們分別是方位角、磁場幅值、相對方位，變量特征重要性如圖6所示。

　　3.3 構建數據集

　　使用隨機劃分和單井測試，將原始數據集中6口井的數據分別命名，且6口測試井相對目標井的相對距離真實值范圍分別為55~59m、8~10m、29~31m、55~59m、60~68m、4~6m。

　　3.4 數據挖掘算法開發

　　3.4.1 過程簡述

　　從當前人工智能領域的主流算法進行選擇，使用線性回歸、多項式回歸、支持向量機(SVR)、決策樹(CART)、多層感知機(MLP)、卷積神經網絡(CNN)等算法。定義好網絡模型，并通過不斷改變損失函數、優化器、訓練輪次和學習率等參數來實現模型的優化。

　　將數據集中的11個特征參數以及同一井中不同井深下的井距數據，按照4∶1的比例隨機劃分訓練集和測試集，作為模型的輸入數據。將訓練集輸入算法進行算法的自學習，得到訓練后的最終模型;將測試集輸入最終模型進行井距預測，輸出預測數據并與真實井距數據進行對比，得到擬合效果，由此對比模型效果的優劣。

　　以上數據預處理、模型訓練以及模型預測過程如圖7所示，以卷積神經網絡為例展示模型算法的訓練及預測過程。

　　3.4.2 測試結果

　　6種數據挖掘算法的擬合效果見圖8~圖13。

　　3.5 數據挖掘效果評價檢驗總結

　　傳統經驗公式在隨機劃分數據集情況下的正確率為37%;線性回歸、多項式回歸、SVR、CART、MLP、CNN在隨機劃分的情況下相比傳統方法分別提升48%、48%、0%、60%、61%、59%。

　　傳統經驗公式在隨機劃分數據集情況下浮動10%的占比為0;線性回歸、多項式回歸、SVR、CART、MLP、CNN在隨機劃分的情況下相比傳統方法分別提升46%、57%、22%、97%、100%、74%。

　　綜上所述，當以預測精度作為評估指標時，6種算法都有不同程度的提升;當以浮動10%占比作為評估指標時，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作為無源磁導向遠場定位數據挖掘算法是最優選擇。

　　4 用戶界面與可視化

　　4.1 工具動態監控

　　智慧工具系統智能識別監控工具動態，指導工具的運維保養，掌握工具現場使用情況，融合定位系統，形成工具動態監控看板，實時推送工具狀態數據，如圖14所示。

　　4.2 算法性能可視化

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

　　4.3 遠程作業可視化

　　遠程作業系統能夠進行現場作業數據的分析以及三維立體展示，并在現場設置多個監控攝像頭，實時監控現場作業的狀態，配置現場通信設備，通過監控中心與作業現場連接通信。

　　4.4 仿真預演可視化

　　基于建立的磁導向測量的電磁場分布數學模型，獲得了不同條件下磁導向測量電磁場分布規律，開發了一套磁導向全數字驅動仿真模擬軟件，根據井眼軌跡建立鉆井井筒以及描述動態鉆進過程，分析計算并顯示事故井周圍的磁場分布，導出磁場模擬結果。通過實時計算顯示并可導出環境磁源與磁傳感器附近的磁場分布特征，實現3D模型的顯示、選擇和控制，為鉆前軌跡設計提供了必要的用戶交互功能，可以指導無源磁導向作業的安全有效進行，圖16為仿真預演系統的可視化架構。

　　5 現場試驗與應用

　　2022-2023年在冀東油田、遼河油田等地同時將協同平臺應用5口井，開展了3個服務隊的培訓，顯著降低了人員成本。現場試驗效果如表1所示，同一時間最多開展3口井作業，遠距離測量范圍提升了10倍，總體作業效率提升30%，達到國際先進水平。

　　表1 現場試驗效果

　　| 時間 | 井號 | 設計周期/d | 作業周期/d | 首次探測距離/m | 效率提升/% |

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

　　6 結論與認識

　　通過詳細設計和開發實現了一個基于無源磁導向工具的云端協同平臺，展示了在井下工具數字化轉型中的探索和突破。

　　(1)平臺架構包括仿真預演、遠程作業、智能決策、智慧工具和虛擬培訓5大模塊，平臺覆蓋了從鉆前準備到鉆后反饋優化的全部流程，確保了數據的連續性和一致性。

　　(2)通過對支持向量機(SVM)、決策樹、多層感知機(MLP)和卷積神經網絡(CNN)等多種測距數據挖掘算法的對比，選取了表現最佳的MLP算法，提升了數據處理的準確性和效率，測量精度提升了20%。

　　(3)現場應用結果表明，該平臺在5口井的應用中，作業效率提升了30%，遠距離測量范圍提升了10倍。這些成果為同類工具云端協同數字化平臺的開發提供了寶貴的參考依據。

　　(4)下一步將在現有基礎上繼續推進井下智慧傳感器的研發，在現有智能決策系統的基礎上，探索更深層次的測導控一體化人工智能應用，提升現場軌跡精細決策支持的智能化水平。

　　參考文獻

　　[1] 車陽, 喬磊, 袁光杰, 等. 主動磁測距技術在T1井封井工程的應用[J]. 石油機械, 2022, 50(2):15-22.

　　[2] 李根生, 宋先知, 田守嶒. 智能鉆井技術研究現狀及發展趨勢[J]. 石油鉆探技術, 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] 賀會群, 張行, 巴莎, 等. 我國油氣工程技術裝備智能化和智能制造的探索與實踐[J]. 石油機械, 2024, 52(6):1-11.

　　[8] 葛云華, 周波, 張彥龍. 基于物聯網的鉆井遠程支持系統應用現狀及發展方向[J]. 石油科技論壇, 2019, 38(2):45-51.

　　[9] 張軍, 費海濤, 王崇敬, 等. 鉆井遠程決策支持系統開發及在元壩103H井的應用[J]. 石油鉆探技術, 2011, 39(6):104-107.

　　[10] 張東海, 王昌榮. 智能石油鉆機技術現狀及發展方向[J]. 石油機械, 2020, 48(7):30-36.

　　[11] 安文忠, 徐榮強, 何遼勤, 等. 實時可視決策系統在渤海灣旅大油田開發中的應用[J]. 石油鉆探技術, 2007, 35(4):100-102.

　　[12] 趙彤, 葛云華, 周波, 等. 鉆井業務物聯網遠程決策支持系統的現狀與發展[J]. 國際石油經濟, 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. 中國智能化鉆井技術研究發展[J]. 東北石油大學學報, 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領域的應用現狀與發展趨勢[J]. 石油勘探與開發, 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. 鄰井隨鉆磁測距防碰系統的研制和應用[J]. 石油機械, 2022, 50(10):14-19.