随着ML应用程序变得更容易访问和使用，它们为整个E&P行业的快速扩展奠定了基础，以帮助人类决策过程。一种新的基于ML的钻井系统推荐应用程序说明了这种扩展是如何提高钻井性能和降低能量提取成本的。

想象一下：你是一名钻井工程师，正在计划即将到来的油井或井段。你可能有在计划井附近钻探类似井的经验，或者这是一口全新区域的探井。也许这口井是在海上进行的，而且计划了几个月。或者这可能是美国工厂钻井活动的一部分，在美国，新井在几天内批量钻井，新钻柱每天提取一次或多次，几乎没有时间分析数据。

无论在何种情况下，您的目标都是在预期的预算和时间表内进行钻探，同时满足其他井筒目标，例如遵守设计的轨迹并保持一定的井筒质量。您必须设计钻井系统，包括钻井液、井底钻具组合（BHA）、电机和钻头，以便为井的每个层段或井段提供最佳钻井性能。

工程师做出的决定对钻井性能有很大影响。他们必须做出的关键决策包括为钻井系统选择哪些组件，包括哪些单独的组件选择非常适合整个系统。例如，钻井液必须满足井眼清洁和井筒稳定性的所有要求。它还必须与底部钻具组合的内部部件兼容。

数据挑战

今天的工程师可以访问从全球运营经验中积累的大量数据和信息。通常考虑的一些因素包括当地偏移井分析、先前经验、物理建模、工具可用性和成本，以及服务公司的顾问建议。事情并非总是这样。传统上，艰难的钻井决策是依靠工程师对过去类似情况的集体记忆做出的。如今，挑战不在于拥有足够的数据，而在于能够充分利用数据。我们希望从以前的运行中提取细节，从而能够更快、更智能地做出决策，选择最佳的设备组合，以优化新运行中的性能。数字化转型正在应对这一挑战。

目前，实时数据流、先进的工艺模型和复杂的模拟技术被用于监测油井施工作业。但决策仍然主要由人类执行，几乎没有自动化。决策不仅基于对模型输出的解释，而且在很大程度上基于过去的经验，有时还基于“直觉”。很明显，有必要建立一个高水平的、数据驱动的工作流程来帮助决策过程。

AI/ML解决方案

由SLB开发并部署到全球钻井工程师小组的一种新的数据驱动、基于ML的钻井系统推荐器（DSR）采用了这样的工作流程。DSR使用历史钻井性能数据和关键性能指标（KPI）为当今的钻井工程师提供以前的钻井系统技术选择和结果，帮助他们在规划阶段优化即将到来的井段的设备选择决策。

将AI和ML引入油井建设。AI描述了计算机通过分析大量数据流来识别模式、分类图像和预测行为的能力。人工智能的主要目标之一是通过应用机器从大量数据中获取知识或学习的能力来解决复杂问题，并利用这些“经验教训”来预测特定环境中的结果，或提出最有可能导致特定结果的环境边界。计算机从经验中获得知识的能力定义了ML，它被认为是人工智能最成功的方面。

虽然人类大脑可能能够猜测调整一个或两个变量的影响，但ML模型可以在很短的时间内对数百个变量进行同样的操作。这就是人工智能和机器学习在决策中的内在价值，包括对井的建设。随着数据科学和ML应用程序变得更容易访问和使用，它们正在为整个勘探与生产行业的快速扩展奠定基础，以帮助人类决策过程。

推荐系统形成了一类流行的ML工具，这些工具在许多消费者应用程序中实现，以改变决策过程。随着这些系统背后的引擎通过使用各种统计和ML方法变得越来越智能，它们现在正在进一步优化钻井作业。

开发DSR的团队认识到了减少操作时间和提高一致性的行业目标，并意识到通过直观的用户界面提供历史设备选择和性能结果可以帮助实现这些目标。DSR与消费者型数字推荐系统的不同之处在于，虽然后者主要依赖于用户偏好，但DSR依赖于历史性能和其他关键绩效指标，这些指标在做出决策的背景下很重要。

KPI概念允许建议基于对用户最终重要的内容，即性能或可靠性。例如，是下井的平均钻速（ROP），还是用某种工具钻取的类似下井的成功率，还是特定工具的成本？可以使用KPI重要性权重对每个KPI的重要性进行微调，用户可以根据自己的偏好和不断变化的需求对其进行修改。

数据库：DSR应用程序背后的力量。最终，数字推荐器的有用性来自于引擎所基于的数据。DSR的开发人员很早就意识到，历史钻井系统设计决策和操作结果数据存储在公司内的多个遗留井建设数据库中。因此，为了方便使用，我们做出了广泛的努力，将这些数据汇集在一起，并以系统的方式对其进行结构化。

DSR的开发在很大程度上依赖于从这些数据库中收集、组织和标准化数据。其中包括一个传统钻头和工具数据库、一个传统定向钻井服务数据库和一个传统钻井液数据库，所有这些都基于全球数十万口钻井。使用数据库每天更新新的运营数据，并可用于内部数据科学和数据分析工作流程。

表1 从2010年到2022年10月，每个数据库的井、剖面和运行摘要。请注意，没有提供传统钻井液数据库的运行计数，因为该资源存储每天和每段的数据，但不以钻井运行为基础。

所有这些数据都托管在云环境中，确保访问受到控制，使用最小访问概念，并遵守严格的数据驻留和数据使用权规则。在云上提供数据为使用当前最佳实践开发数据科学应用程序并将其部署到全球用户群打开了大门。为了使数据标准化，制定了一个通用表格计划。此外，还开发了一个广泛的数据工程管道，将数据转换为一组表，数据科学家和业务用户都可以使用这些表。这个新数据库为DSR应用程序提供了动力。

DSR应用程序的工作原理。DSR网络应用程序的最终用户是一名钻井工程师，他正在规划即将到来的油井。该网络应用程序有多个页面，每个页面对应要做出的决定。这些决策通常以预定的顺序进行，例如，选择钻井液，然后是BHA，然后是马达动力部分，最后是PDC钻头。对于每个决策，用户都需要输入计划运行的参数，这些参数对于要做出的决策至关重要。输入所需数据后，将显示建议，并且可以通过修改输入数据、更改KPI重要性权重或简单地分析各种数据可视化来执行额外的分析，如图1所示。

图1 SLB钻井系统推荐器（DSR）流量回路

钻井工程师定义计划钻井运行的参数后，DSR应用程序会在技术选择的背景下自动选择最相似的先前钻井运行。一旦确定了最相似的偏移运行，就会对许多KPI的技术选择决策进行评分。这些和用户定义的KPI重要性权重决定了总体得分。钻井工程师还可以根据应用程序中使用过滤器的经验对偏移量选择进行微调。最后，根据总体得分和其他背景数据，如当地可用性和成本，提出技术选择建议。

该网络应用程序已部署到一个全球钻井工程师小组。对于每个推荐页面，都会定期举行反馈会议，开发团队利用这些反馈来快速迭代和改善用户体验。在整个过程中，对web应用程序、引擎，甚至底层数据库和数据工程管道都进行了无数改进。我们相信，来自实际用户的反馈对于开发的应用程序的成功至关重要。

钻井液推荐。钻井液是钻井施工过程中的一项重要技术。作为复杂的化学系统，钻井液也有许多且往往相互矛盾的要求，这使得正确的选择具有挑战性。最近，为了了解钻井液在性能和成本方面的相似性和差异，人们对钻井液的各种财产进行了剖析，由此产生了钻井液推荐的概念。

建议为计划井段使用钻井液。钻井液KPI包括钻井机械钻速、用于各种补救活动（井眼处理、卡管等）的时间、流体处理频率、添加剂成本和流体复杂性。偏移间隔中使用的所有流体都针对这些性能特征中的每一个进行了排名。根据当地的要求或限制以及其他考虑因素，用户有权对性能指标进行不同的加权，以找到最佳的流体系统。虽然建议为计划井段使用钻井液，但其余建议为计划钻井。

BHA推荐。钻井系统的BHA通常由各种井下工具组成，包括随钻测量（MWD）和/或随钻测井（LWD）工具。然而，BHA的主要目的是沿着井的计划轨迹操纵钻柱。因此，BHA通常包含可导向工具，例如正排量马达（PDM）和/或旋转可导向系统（RSS）。BHA可以根据可导向工具使用的不可导向BHA 、可导向马达BHA、RSS BHA和电动RSS BHA进行分类。

BHA推荐的目的是为计划运行提供BHA类型和RSS模型的最佳组合建议。一旦确定了最相似的偏移量，它们就用于确定使用了哪些BHA类型和RSS模型，以及每个组合如何执行的统计视图。BHA KPI包括ROP、钻井进尺、达到的最大狗腿严重程度、运行成功率和运行次数。根据这五个KPI及其各自的KPI重要性权重计算总得分，用户可以对其进行修改。

电机功率部分推荐。选择底部钻具组合类型后，可以进行额外的工具选择。如果BHA将使用PDM，则必须选择电机功率段配置（PSC）。因此，电机功率部分推荐器的目标是就最佳电机PSC提供建议。PSC定义为电机直径、叶片配置和级数，与电机手册和目录中PSC的表示方式相同。

电机PSC KPI包括钻井机械钻速、钻井进尺、运行成功率、井下电机故障率和运行次数。与其他推荐者一样，基于五个KPI及其各自的KPI重要性权重来计算总分，用户可以修改这些权重。电机PSC web应用程序用户界面（UI）如表2所示。

表2 Motor PSC web应用程序UI。用户输入在侧边栏（左）上，包括KPI重要性权重。电机PSC建议显示在右上角的表格上。

钻头推荐。一旦选择了钻井液、BHA和马达，就必须选择一种不仅与整个钻井系统兼容，而且补充并最大限度地提高其性能的钻头。然而，钻头的设计非常多。由于成形金刚石元件技术的爆炸性发展，聚晶金刚石致密钻头的设计越来越多。各种类型的成形金刚石元件PDC钻头在一些应用中产生了增强的钻探性能，但也使选择钻头设计的任务变得更加复杂。不仅有许多钻头设计，而且新的设计也经常发布。这种情况带来了另一个挑战，因为新发布的钻头设计具有有限的或没有实际的现场性能数据来作为钻头推荐引擎使用的KPI的基础。

出于这些原因，钻头推荐引擎的目标是预测以下四个关键PDC钻头设计特征，而不是特定的钻头：

叶片数量

刀具直径

成形金刚石元件技术（或PDC，如果不使用成形刀具技术）

钻头主体材料类型（基体或钢制）

基于预测的钻头设计特征，使用搜索引擎来查找与预测的设计特征集匹配的所有PDC钻头设计。然后，当现场性能数据可用时，为每个钻头设计计算KPI。当这些数据不可用时（这对于新引入的钻头设计是可能的），钻头设计仍然被显示，因为用户可能希望以某种方式考虑它们，例如，将它们包括在物理建模研究中。

网络应用程序的界面如图2所示。屏幕左侧的侧边栏提供了用户输入，包括计划运行参数、KPI重要性权重和可选位设计功能过滤器。屏幕的主部分提供了推荐的钻头设计，包括前三名的图像，以及列出所有推荐、计算的KPI和总分的完整数据表。KPI包括钻井机械钻速、钻井进尺、运行成功率和钻头严重损坏率。

交付的价值

开发了一种新的DSR，以帮助钻井工程师在井规划阶段选择钻井液、底部钻具组合、电机动力段和PDC钻头设计。这些推荐者使用ML算法从全局偏移井数据中学习，以寻找最相似的钻井路线，或直接预测钻具的特征。然后使用统计方法对选择选项进行评分，并根据性能和用户上下文对其进行排名，其中KPI对其决策最重要。

虽然钻井工程师可以访问大量的数据和信息，但这些项目往往无法以实用和高效的方式使用。新的解决方案将以前所有的钻井系统技术选择和结果交到钻井工程师手中，使他们能够做出最佳决策。这项工作表明，ML和创新的软件部署方法实际上可以帮助人类决策过程，并成功实现数字化转型的目标。正确的钻井系统选择对于实现减少作业时间和提高一致性的全行业目标至关重要。

前进的道路。SLB正在根据运营商自己的内部钻井性能数据库，将新的DSR技术直接部署给运营商。这使运营商能够根据他们最信任的数据改进决策。基于ML的DSR的未来目标是联合的，最终是整体的系统建议。为实现这些目标，研究工作仍在继续。纳入更多的数据将提高模型在提出更准确建议方面的性能。期望机器学习模型能够减少钻井停机时间，提高效率和性能，并最终降低操作员的开发成本。