智能导钻软件是一套功能复杂的系统,相关软件模块众多,涉及测井、录井、地质、地球物理和软件工程等多学科多领域,系统构架设计和开发难度大.智能导钻软件系统的建设是一项集开发、应用、升级、维护为一体的持续性循环工程,因此必须要考虑系统的可维护性和可扩展性.由于智能导钻工程需24h连续作业,软件平台的稳定性直接影响到作业时效,因此软件系统需要具备良好的稳定性.由于智能导钻工程涉及到多种仪器类型和多种解码通讯方式,因此还要求软件平台需具有较好的通用性和开放性.

1、 软件系统平台设计

良好的软件系统架构是实现智能导钻软件系统开发的基础,它影响到整套软件生态系统的稳定性、可扩展性和可维护性.我们将整套软件系统分解为数据采集、传输、存储、应用与决策五层子系统架构,各层子系统共同搭建于可扩展的通用模块化底层软件平台之上,整体架构如图1所示.

图1 智能导钻软件系统总体设计

图1中可扩展通用模块化底层软件平台是整套软件系统的基础,是其他所有子系统模块的“地基”与“容器”.数据采集软件子系统主要负责数据的高效采集,包括井场地面传感器、井下仪器参数和井场作业等信息.数据传输软件子系统负责将采集的数据传送至本地数据仓库或云端数据库.数据存储软件子系统负责多源数据的高效共享存储以及不同数据库之间的同步与备份.数据应用子系统各功能模块主要负责保证钻井作业的安全性和高效性,并保障远程专家的决策指令能够安全、准确地被执行.远程决策软件子系统负责制定给出决策方案,并反馈到钻井现场形成作业闭环.

整套软件系统能够实现多源数据从井下-井场-云端-远程的全平台流动,统一的云数据库系统能够保证各模块数据的一致性.软件平台具备良好的可扩展性,能够为后续大数据及人工智能在智能导钻工程中的应用研究提供支撑.

2、软件系统各功能模块实现

（1）可扩展通用模块化底层软件系统

为了保障智能导钻软件系统具有较高的稳定性、可靠性和可维护性,首先开展了可扩展通用模块化底层软件平台的研发.底层平台是智能导钻软件系统的“地基”,能够提供多种系统级统一服务接口、数据模型及标准协议,供其他各软件模块统一调用.

本套系统基于.Net Fameworkr与WPF技术进行了模块化底层软件平台的开发,采用OSGi.NET规范的模块化思想(Zhang et al.,2014),以框架+插件的方式组织了系统框架和业务模块.已完成的可扩展模块化底层平台主要功能包括管理功能、消息通讯、数据库访问、运行日志、系统指令、可复用工具库、可扩展功能等部分.其中管理功能包括插件管理、布局管理、用户管理、权限管理、订阅管理、线程管理、运行日志管理、系统指令管理、多语言管理、单位制管理、分辨率自适应和在线升级等功能.

可扩展通用模块化底层软件平台具备多项优点:(1)提高软件模块开发效率.在集成框架中,按照功能和抽象层次,划分为界面框架插件、通用服务插件和业务功能插件,不同分工团队仅需关注自身业务逻辑,可以实现并行开发.(2)解决软件模块复用问题.已完成的模块可供其他软件直接调用,避免重复开发工作.(3)提高软件可维护性.在集成框架中,模块之间相互隔离,依赖粒度小,不同的组件可以独立部署和测试,并且对某模块的更改不会影响到集成框架及其他模块的运行.(4)易管理、易部署、易更新.集成框架的插件支持物理隔离、热插拔等功能,因此支持各模块功能的快速替换或更新.

本文下述的数据采集、传输、存储及应用子系统的各功能模块均是基于此套插件式可扩展模块化底层平台实现的,采用了C#语言进行开发.软件界面基于WPF框架,采用模板生成,支持动态布局.

（2）数据采集子系统

高质量的实时数据是智能导向工程的基础.数据采集子系统主要负责采集来自井场的地面传感器数据、井下M/LWD仪器和旋转导向仪器等各种信息.研发完成了负责井场各种信息管理的井场信息管理软件、与每趟钻次信息相关的钻井作业管理软件、可灵活增删仪器信息的仪器库管理软件、进行下井前参数配置的仪器串配置软件、负责采集井场传感器、录井、随钻等实时数据的各模块,以及读取文件型历史数据的软件等(部分模块如图2所示).本子系统支持传统方式的数据采集,正在研发基于物联网感知及人工智能传感器的相关软件模块,将逐步实现智能导钻工程数据的全自动智能化采集,为智能决策提供数据支撑.

图2 数据采集子系统部分软件模块

(a)钻井作业管理软件;(b)井底钻具组合配置软件.

（3）数据传输软件子系统

智能导钻工程离不开实时数据传输,其可为后续分析处理提供保障.数据传输软件子系统负责利用卫星通信、4G/5G等手段将采集到的各项数据实时传送至远程数据中心.

井场现场与远程云端数据库的连接质量受限于井场的网络环境,在网络覆盖不稳定地区,数据连接会受到影响.为了保证数据传输的稳定性,在井场布设有本地离线数据库,利用断点续传数据库同步软件模块,实现了井场与云端数据的同步、云端数据与远程基地的数据同步功能.井场-云端-远程基地的数据同步功能不仅能够支持井场向远程传送实时采集到的各项数据,也支持井场实时获取远程基地发出的导向命令信息.

为了实现软件系统的通用性与开放化,研发了井场信息传输规范(Wellsite Information Transfer Specification,WITS)服务端、客户端及数据库映射模块,如图3所示.WITS提供了统一的数据存储协议,能够解决不同公司之间格式不同的问题.WITS数据传输相关模块基于TCP/IP协议实现,同时在传输过程中加入心跳包机制,使得数据能够及时有效传输.软件支持用户配置WITS协议的各表数据与软件平台数据库的映射关系,实现了软件平台与外部系统的灵活对接.

WITS数据无法使用面向对象架构进行扩展,用户难以传输自定义数据.21世纪初由英国石油公司(BP)和挪威石油(Statoil)等公司发起了新一代石油行业数据传输标准协议(Wellsite Information Transfer Standard Markup Language,WITSML)(Kirkman et al.,2003).相对传统WITS协议,WITSML基于面向对象的设计思想,使用XML技术存储数据,能够传输更丰富的数据类型.研发了WITSML传输及数据库映射软件模块,支持了传统的基于SOAP协议的WITSML1.4.1版本,同时也支持构建在ETP传输协议上的WITSML2.0以上协议.

（4）数据存储软件子系统

数据存储软件子系统负责实现多源数据的存储与共享.该子系统以具备权限管理功能的云数据库为核心,支持井下实时数据、井场实时传感器数据、录井数据、地质等数据的云端数据存储,同时支持多数据源融合与开放共享,不同人员可根据权限联网增加、删除、修改、查询或者下载数据.

软件以DBFirst方式进行开发实现,本地及云端均采用了MySQL数据库.设计了系统主数据库,用于存储WITS数据表结构、井列表、仪器表等全局数据.采用一口井即为一个独立库的方式存储数据,通过对井筒、井次、泥浆、仪器、钻具组合(BHA)等业务数据进行实体化建模,将各类数据逐级关联.软件采用了数据库对象化读写技术(Object Rlationale Mapping,ORM)处理对象和关系型数据库之间的数据交互问题.通过对象数据和数据库表结构之间的映射,将对象数据存储至数据库中,通过使用反射、委托、对象缓存等技术提高了数据库增删改查操作效率.智能导钻作业涉及钻、测、录等多工程协同作业,各部门工作中会产生大量的数据,包括地震数据、电磁数据、测井曲线数据、钻井轨迹数据、井身结构数据、地质结构数据、岩石岩心数据、气测数据等.子系统支持将这些数据统一存储,把不同平台的异构数据转为基于相同平台相同结构的数据,为智能导钻应用及决策分析子系统提供数据支持.

（5）数据应用软件子系统

数据应用子系统模块较多,包括作业实时监控、设备运行监控、异常报警、音视频监控、曲线成图、轨迹监控、完井报告和数据下传等软件模块,典型界面如图4所示.本子系统主要功能为监测与分析井场现场的安全施工以及执行远程决策命令,实现控制钻井风险、提高钻井安全性和高效性的目的。

（6）远程决策软件子系统

远程决策软件子系统需要根据实时获取的井场钻井数据、井下随钻测井数据及井下钻具数据,结合邻井和地质数据等资料,分析给出决策方案,并反馈回井场,现场根据决策方案进行后续作业.

远程决策是一项系统性的工程,单一软件无法完成所涉及到的各项功能.为了实现跨平台多学科数据联合应用分析,研发了智能导钻云平台.将架构逻辑结构划分为数据资源层、服务支持层、业务应用层、效果渲染层四个层次.数据资源层主要为系统的数据提供云存储服务,数据中心通过数据适配器来适配不同类型的数据资源.服务支持层主要为系统提供支撑性服务,如动态数据服务、静态数据服务、认证与授权服务、配置服务和日志服务等.业务应用层主要为系统提供业务性服务,如布局管理、模板管理、仪表盘管理和控件管理等.效果渲染层负责为系统提供钻井信息和测井数据的专业可视化服务,其提供了各种类型的可视化控件模块,可为智能导钻工作提供统一可视化接口.

服务支持层中的鉴权与授权云服务系统负责用户权限相关的功能设置,支持根据用户类型自定义设置权限功能.日志管理云服务模块负责整套系统的日志服务,提供软件运行日志和用户操作记录日志.配置管理云服务系统用于进行云端系统配置,支持批量管理多个井场仪器作业的参数配置,支撑决策中心对于井场现场的远程配置操控.

在智能导钻云平台上,搭建了多套基于B/S架构的数据可视化分析软件模块,相关人员通过电脑、PAD、手机等多终端实时接入系统,灵活组合各模块进行钻井轨迹、测井曲线、地质结构等多维度数据分析,典型功能如图5所示.

1、软件系统实井测试和验证

软件系统测试主要采用了黑盒测试方法.在开发前制定测试计划,包括测试人员、测试阶段、测试要求、测试标准和测试提交物等内容;在开发过程中根据需求分析同步编写测试用例;开发后按照测试用例进行各模块单元测试,并进行软件集成测试.软件缺陷修复后进行回归测试,从而保证程序功能正常.

为验证软件平台的整体功能性能,自2020年开始分模块、分阶段同智能导钻各支仪器配合进行实验室联调测试和实井测试.在山东胜利油田和江苏芒硝矿区块完成实井测试7次,测试了各模块系统集成功能.依据现场作业流程,利用井场信息管理软件进行建井建钻次,管理井场作业信息;通过仪器串配置软件对下井仪器进行管理与配置,完成下井前的准备;在钻进过程中,通过数据传输软件实现WITS/WITSML协议数据传输;通过数据库管理软件将钻井数据、测井数据存储到本地数据库,断点续传同步软件负责将本地数据上传至云平台;远程决策软件系统负责对井眼轨迹、井身结构、井下工具参数、实时随钻测井(Logging While Dillinr g,LWD)曲线等数据进行监测与分析.

测试结果表明软件平台各项功能运行正常稳定,在此基础上,我们开展了测井曲线智能预测算法的研发及软件系统集成的研究.

2、测井曲线智能预测方法研究及集成测试

在测井曲线智能预测方法中,相比于传统的一维CNN网络,二维CNN网络具有更好的特征提取能力.本文开展了结合序列图像化和二维CNN网络的测井曲线智能预测方法的研发及算法集成研究.首先利用序列图像化方法将一维测井曲线进行二维图像化,再利用二维CNN的图形学习能力挖掘测井曲线包含的地质信息,从而实现测井曲线的智能预测.

预测方法流程如图6所示,主要包括以下6个步骤:

图6 测井曲线智能预测流程图

1）将输入的测井数据集进行数据预处理,主要包括极值点剔除、归一化处理等。

2）将处理后的数据划分数据集,分为训练集和测试集.

3）对每条曲线进行格拉姆角场(Gramian Angular Field,GAF)变换和马尔科夫过渡场(MarkovTransitionField,MTF)变换,并得到对应图像.

4）将每条曲线的GAF和MTF变换结果进行组合,形成双通道数据.

5）搭建网络模型,利用训练集对模型进行训练,若模型损失函数输出结果低于预设值,则停止迭代,否则更新网络参数和优化算法并重新计算损失函数值.

6）利用训练好的模型对测试集进行测试,对预测结果进行反归一化处理,并同标签数据进行对比.

（1）格拉姆角场(GAF)变换

格拉姆角场(GAF)变换将笛卡尔坐标系下的一维序列在极坐标系下用角度重新表示,再根据不同角度的和或差的三角函数值构造出对称矩阵.该变换在将一维序列转成二维数据的同时,保留了序列在空间上的连续性(Wang and Oates,2015a;Jiang et al.,2022).测井曲线是以深度为索引的一维测井数据序列,对测井曲线进行GAF变换,可以在得到该曲线二维空间表达的同时保持测井曲线各数据点的连续性和相关性.

具有N个测点的测井曲线序列X={xi,i=1,2,…,N}首先经过归一化处理,利用公式(1)得到范围在[0,1]之间的序列={i,i=1,2,…,N},其中为归一化后的序列值.

将归一化处理后的测井曲线转换成极坐标下用角度ϕ表示(公式(2)),再使用三角函数可以生成两种格拉姆角场,其中格拉姆角和场Gs由公式(3)定义,格拉姆角差场Gd由公式(4)定义,两者的区别是Gs基于余弦函数,Gd基于正弦函数.在数据处理中可以根据实际效果选择不同的变换形式,或者将两种变换的结果同时作为网络模型的输入.

（2）马尔科夫过渡场(MTF)变换

马尔科夫过渡场(MTF)变换使用马尔科夫转移概率来刻画有序数列相互之间的联系(Wang and Oates,2015b;Zhao et al.,2021).测井曲线数据包含了地层重复性的特征,使用MTF变换可以得到该测井曲线不同地层测井响应之间的联系.给定某条测井曲线{xi,i=1,2,…,n},我们定义Q(Q∈N) 个状态区间,并计算每一个数据点对应的状态qxi(qxi∈{1,2,…,Q}).然后构造一个状态转移概率矩阵ωQ×Q,用于计算该条测井曲线不同的数据点之间的状态转移概率ωij,这里ωij代表状态为qi的点,其下一个点状态是qj的概率.基于状态转移概率ωij,定义矩阵M为测井曲线的MTF变换结果如公式(5)所示.

（3）二维CNN网络模型

二维CNN是目前计算机视觉中使用最普遍的模型结构,在图像识别方面,其具有强大的特征提取能力,对某些数据集的处理水平已经超过人类.因此可利用二维CNN从图像角度提取测井曲线所蕴含的地质特征,通过二维CNN来学习和分析测井曲线数据之间的关联性和相关性.二维CNN的结构主要由输入层、卷积层、池化层、全连接层和输出层构成,卷积层与池化层相邻构建,根据实际需要可以设置多个.

本文定义了具有多层结构的二维CNN结构用于图像特征提取和预测,输入层为经过GAF变换和MTF变换的测井曲线图像,卷积层用于提取测井曲线图像特征,池化层用于压缩特征和压制冗余信息,全连接层用于将前置层输出映射为测井曲线预测结果,激活层选用Re Lu激活函数提升网络非线性表征能力.网络输入层为五维张量,第一维是样本数,第二维是输入测井曲线个数,第三维和第四维均是测井曲线深度采样点数,第五维是通道数.输出为测井曲线的预测结果.

（4）实例分析

为了测试智能算法软件集成的应用效果,开展了软件平台实测数据智能预测分析.首先将随钻测井实测的平均钻速、自然伽马、深相位电阻率、孔隙度和岩石密度等数据传输至云端数据中心,然后利用智能曲线预测算法模块进行数据处理与预测,利用测井曲线成图模块进行曲线对比分析.

本文选取平均钻速、自然伽马、深相位电阻率、孔隙度四种曲线作为输入层数据,将岩石密度值作为预测结果.选取2815~3364 m深度段数据作为训练集,3364~3501m深度段数据作为测试集,深度采样间隔为0.15m.采用GAF变换和MTF变换对平均钻速、自然伽马、深相位电阻率和孔隙度曲线分别进行图像化操作.GAF变换用于保存测井曲线数据点之间的相关性与连续性.MTF变换用于计算测井曲线序列中不同点在不同状态之间的转换概率,而这种概率与地层变化的趋势相关.计算得到自然伽马数据变换结果如图7所示,其中GAF变换结果保留了测井曲线内部的数据相关性,MTF变换结果包含了地层空间变化趋势.

将各变换结果组成双通道数据输入至CNN网络模型之中,软件系统得到的结果如图8所示,图中左侧的三个图道分别为输入层测井曲线数据,最右侧图道中,绿色实线为岩石密度曲线测试集数据,黑色虚线为预测结果.可以看到软件预测的岩石密度结果与实测结果数据整体趋势一致,在3365~3375m,3400~3410m,3470~3480m等位置均得到正确的标志地层位置响应,能够预测出变化的地层特征信息.

图8 某井岩石密度预测结果

钻井是一项复杂的系统性工程,深层复杂的地质环境进一步增加了钻井成本和安全风险.智能导向钻井技术是一种能够有效控制钻井风险、提高钻井效率的前沿技术.本文开展了智能导钻软件系平台的建设及智能算法的初步研究与集成.通用的可扩展模块化软件底层平台提升了系统开发效率,实现了各功能模块的插件式、模块化集成.搭建完成了集成数据采集、传输、存储、应用及决策的一体实用化工业软件系统,实现了数据采集、传输、存储及远程处理与分析等功能.

本软件系统基于插件式的开发模式,具备动态热插拔效果,卸载某个程序不会影响其他程序或者主平台的运行,提高了系统整体稳定性;采用行内标准通用数据传输协议和开放的工具管理方式,能够兼容不同公司、不同仪器、不同解码方式的作业场景.软件系统具有可维护性好、开放性高、稳定性强的优点,能够适应智能导钻研发中仪器种类多、解码协议不一致、研发周期短等特点.

人工智能在钻井领域虽刚起步,但已显现出巨大潜力.未来的智能钻井将由智能钻机、井下智能导向、现场智能控制、远程智能决策组成,并形成有机的整体.本文在智能导向钻井技术一体化软件平台上进行了探索,构建了通用开放的集成平台,研发成果可为未来导向钻井技术的智能化奠定基础.但是由于智能导向技术的复杂性,软件系统也需进行持续升级与优化,并与国内已建设的各优秀软件系统集成.

研发的 软件平台可进一步结合多参数智能监测、多源数据快速融合、云计算/边缘计算、虚拟现实、增强现实、数字孪生等技术,促进钻井智能监测与决策技术的快速发展,支撑智能导钻向着“全面感知、自动操控、预测趋势、优化决策”的目标前进.