基于APC-LSTM模型的水平井地质导向钻井决策方法

论文题目：基于APC-LSTM模型的水平井地质导向钻井决策方法

录用期刊：SPE Drilling & Completion（JCR Q2）

原文DOI：https://doi.org/10.2118/210605-PA

作者列表：

1. 朱丹丹 中国石油大学（北京） 信息科学与工程学院 计算机科学与技术系

2. 戴欣萍 中国石油大学（北京） 信息科学与工程学院 计算机技术 研19

3. 刘溢 中国石油大学（北京） 信息科学与工程学院 计算机技术 研17

4. 王菲 中国石油大学（北京） 信息科学与工程学院 计算机技术 研19

5. 罗晓婷 中国石油大学（北京） 信息科学与工程学院 计算机技术 研18

6. 陈冬 中国石油大学（北京） 石油工程学院 油气井工程系

7. 叶智慧 中国石油大学（北京） 安全与海洋工程学院 海洋油气工程系

摘要:

地质导向技术用于勘探石油、天然气和其他液态和气态矿物。目前的地质导向钻井过程严重依赖专家经验，人工成本高昂，因此本文提出了一种基于深度学习模型的水平井智能导钻方法，旨在为深井（4500~6000km）或超深井（6000~9000km）的地质导向决策问题提供一种新的解决方法。本文主要研究内容包括：（1）设计了广角眼机制，从而获取更丰富的空间地质信息用于模型学习； (2) 提出了非对称窥孔卷积长短期记忆（APC-LSTM）网络模型，捕捉不同地层之间的时空相关性，实现基于实时地质数据的导向钻井决策； (3) 采用深度卷积生成对抗网络 (DCGAN) 智能生成模拟钻进数据，构建模拟钻进平台，用于验证本文提出的方法。APC-LSTM可以更好地捕捉不同层之间的时空相关性来用于决策。同时，APC-LSTM钻井决策模型在两个钻井数据集中的性能表现优于其他先进方法。在模拟钻井环境的测试实验中，本文提出的模型取得了良好的应用效果。

算法设计:

为了提取地层数据的时空特征，我们提出了一种装配广角眼机制的APC-LSTM模型。广角眼机制采集的数据沿深度方向具有分层特征，矩阵中的每一行向量表示地层中的所有参数。由于地层数据的特征在水平和垂直维度上不同，水平表示地层属性，垂直表示地层深度，而钻头更关注更接近钻头的地层特征，因此需要使用不对称卷积核来提取更关键的数据。我们将标准LSTM中的权重矩阵W更改为非对称卷积，并添加了APC模块（非对称窥视孔卷积）。APC-LSTM的计算公式如式（1）~（6）所示。

其中，Wx、Wh、Wc表示不同的非对称卷积函数，参数Δ表示非对称卷积运算，σ是Sigmoid激活函数，φ是双曲正切函数；而*是Hadamard乘积。首先，ht-1、Ct-1、Xt分别连接到输入集。然后输入不同的激活函数以获得遗忘门ft、输入门it、输入节点gt和输出门ot。最后，计算ht和ct作为下一个单元格的输入。图1展示了APC-LSTM的模型结构，con代表矩阵连接操作，共由两层网络构成。

图1 多层APC-LSTM结构（其中第1层和第2层表示不同的隐藏层）

整体框架:

本文方法的整体架构如下图所示。主要包括三个步骤：（1）数据处理，（2）钻井决策模型，（3）钻井模拟：

（1）钻前分析试井地层特征，设计导向规则。使用线性回归递归特征消除（LR-RFE）进行特征提取，并使用广角眼机制获得更多地层信息。

（2）将预处理的广角眼地层数据输入钻井决策模型，该模型可以从输入数据中提取时空序列特征，并将导向决策结果输出至钻头。
（3）为了模拟实际情况并验证有效性，我们使用DCGAN模型生成模拟随钻测井数据，将其传输到APC-LSTM模型进行训练，并将结果输入交互式地层环境来模拟地质导向过程。

图2 我们提出方法的结构概览

实验结果:

实验中，首先剔除有缺失数据的数据项，在钻井决策过程的实验中使用了两个数据集：中国西部盆地钻井数据集和Council Grove钻井数据集。图3和图4分别展现了两个数据集在数据维度和样本数量上的差距。

图3 数据集所有特征的详细信息，其中红色特征是特征的最优子集

图4 图4(a)和图4(b)分别是中国西部盆地钻井数据集和Council Grove钻井数据集的数据可视化直方图。每个子图中的五个图代表了特征选择后的五个不同的地层特征，横坐标代表特征数据的范围，纵坐标代表对应数据范围内的数字

对比实验的结果如表1所示：

表1 广角眼测试集的比较结果，准确率是多次实验结果的平均值

消融实验的训练结果分别如图5、图6所示：

图5 以中国西部某盆地钻井数据为训练数据集，采用K折交叉验证法对数据集进行分割的训练结果

图6 以堪萨斯州的Council Grove气藏相测井为训练数据集，采用K折交叉验证方法对数据集进行分割的训练结果。

在不同地质条件下的导向决策模拟结果如图7~9所示：

图7 模拟钻井环境下的钻井轨迹，与无广角眼的APC-LSTM模型对比

在图7中，蓝色曲线代表没有广角眼机制的APC-LSTM模型，红色曲线代表我们的方法。

图8 模拟钻井环境下的钻井轨迹与ACNet模型的对比

从图8可以得出结论，与没有LSTM神经网络的ACNet模型相比，在遇到地层突变时，我们的模型钻离目标地层的可能性较低，而ACNet模型在地层突变或裂缝条件下会增加对钻井决策的干扰，因此我们的模型具有更好的实时决策能力。

图9 模拟钻井环境下的钻井轨迹与Conv-LSTM模型对比

最后，我们还测试了非对称卷积核和对称卷积核对钻孔决策的影响。如图9所示，Conv-LSTM模型和 APC-LSTM模型在模拟环境中进行对比，红线代表我们提出的模型。

关于作者:

朱丹丹：博士，计算机系副教授，硕士生导师。目前主要研究方向是强化学习和数据挖掘。联系方式：zhu.dd@cup.edu.cn