智能录井技术研究进展及发展展望

王志战

doi:10.11911/syztjs.2024099

智能录井技术研究进展及发展展望

王志战^{1, 2,}

1.
中国石化测录井重点实验室，北京 102206
2.
中石化石油工程技术研究院有限公司，北京 102206

基金项目: 中国石化科技攻关项目“岩屑自动化录井及多元信息在线检测技术研究”（编号：P23158）资助。

详细信息

作者简介:
王志战（1969—），男，山东栖霞人，1991年毕业于西北大学岩石矿物学及地球化学专业，2002年获石油大学计算机应用技术专业硕士学位，2006年获西北大学矿产普查与勘探专业博士学位，正高级工程师，长期从事录井基础理论与新技术新方法研究。系本刊编委。E-mail：wangzz.sripe@sinopec.com

中图分类号: P631.81
计量
- 文章访问数: 239
- HTML全文浏览量: 34
- PDF下载量: 130
出版历程
- 收稿日期: 2024-05-07
- 网络出版日期: 2024-10-08
- 刊出日期: 2024-09-24

Research Progress and Development Prospect of Intelligent Surface Logging Technology

WANG Zhizhan^{1, 2,}

1.
Sinopec Key Laboratory of Well Logging, Beijing, 102206, China
2.
Sinopec Research Institute of Petroleum Engineering Co., Ltd., Beijing, 102206, China

摘要

摘要:
录井具有样品条件及制样工序复杂、采集项目多而离散、人工经验依赖性强且人均产值低等特点，亟需加强智能化转型，但相比于其他石油工程技术，智能录井技术进展缓慢，且局限于应用层面。为此，从智能钻井的进展与成效入手，分析了国内外智能钻井在硬件系统、控制系统、应用系统方面的进展与差距；然后，从地质录井、工程录井、智慧平台3个方面分析了智能录井的主要技术进展，包括“数据+”驱动和视觉驱动的岩性识别、流体识别、井下与地面风险识别及预警等。通过对比智能钻井与智能录井的现状，提出智能录井应强化井下智能录井、智能录井机器人等硬件系统及多场数字孪生、多元采集智能控制、多模态录井大模型、智能解释评价等软件系统的研发。同时强调，既要高度重视，又要理性看待智能录井的发展，要在回顾评价、横向对比的基础上，做好战略定位与研发流程优化，实现进度追赶与作用发挥。这些分析与观点，对推动智能录井实现良性、快速发展具有指导意义。
- 智能录井 /
- 智能钻井 /
- 机器人 /
- 数字孪生 /
- 大模型 /
- 智能控制
Abstract:
Surface logging has the characteristics of complex sample conditions and sample preparation process, numerous and discrete collection items, strong dependence on hands-on experience, and low per capita output. It is urgent to strengthen intelligentialization transformation. However, compared with other petroleum engineering technologies, intelligent surface logging is making slow advancement and facing application limits. Therefore, the progress and gap of hardware systems, control systems, and application systems of intelligent drilling in China and abroad were analyzed from the progress and achievement of intelligent drilling. Then, the main technical progress of intelligent surface logging was analyzed in terms of geological surface logging, engineering surface logging, and intelligent platform, covering “data +” driven and visually driven lithology identification, fluid identification, and downhole and surface risk identification and early alarming. Based on the comparison between intelligent drilling and intelligent surface logging, it was suggested that the research and development of hardware systems such as downhole intelligent surface logging, and intelligent surface logging robots, as well as software systems such as multi-field digital twins, multi-acquisition intelligent control, multimode large model of surface logging, and intelligent interpretation and evaluation should be strengthened. At the same time, it was emphasized that we should attach great importance to and rationally look at the development of intelligent surface logging and determine strategic positioning and process optimization on the basis of retrospective evaluation and horizontal comparison, so as to catch up with the progress and engagement. These analyses and viewpoints have guiding significance in promoting the benign and rapid development of intelligent surface logging.
- Intelligent surface logging /
- intelligent drilling /
- robots /
- digital twin /
- large model /
- intelligent control

HTML全文

大位移井最早出现于20世纪20年代，美国首次在加利福尼亚州从陆地钻大位移井以开发海上油气田^[1]。随后，挪威北海西Sleipneer、Statfjord和Oseberg，美国Pedernales和Dos Guadras，英国Wytch Farm和Gullbaks等油田都进行了大位移井油气开发工程实践，初步形成了一套较为成熟的大位移井工程技术，并获得了良好的经济效益和社会效益^[2–3]。进入21世纪后，随着钻井技术突飞猛进的发展和油气勘探开发需求的不断增加，大位移井钻井技术得到了长足发展，大位移井井深或水平位移的世界纪录也被不断刷新^[3–10]。目前，创世界纪录的大位移井主要集中于英国的Wytch Farm油田、俄罗斯的萨哈林地区和美国的墨西哥湾地区等。我国大位移井钻井完井技术研究也取得很大进展^[11–19]，并相继在南海东部西江24–1油田和流花11–1油田钻成了XJ24–3–A14大位移井（水平位移8 063 m，创造了当时水平位移最大世界纪录）^[3]和B3ERW4大位移井（水垂比4.58，创造当时水垂比最大国内纪录）^[20–21]。

全球大位移井钻井实践表明，虽然大位移井井深、水平位移或水垂比的世界纪录被不断刷新，但是每一项大位移井世界纪录都受当时的主客观约束条件影响，大位移井钻井延伸极限仍难以预测和控制。在特定的主观和客观约束条件下，任何一口大位移井的钻井作业井深（亦称“测深”）都存着一个极限值，称之为大位移井钻井延伸极限。图1所示为世界主要定向井的垂深和水平位移统计结果^[22]，其中数据点的外包络线（即图中红色曲线）为当前约束条件下能够达到的大位移井钻井延伸极限，其中横向极限（即水平位移）随着垂深增大呈现出“迅速增大—稳定—线性降低”的基本变化趋势。实际上，随着钻井技术与装备水平的不断提高，外包络线也在不断拓展。

图 1 世界定向钻井统计结果^[22]

Figure 1. Statistics data of directional drilling in the world^[22]

下载: 全尺寸图片幻灯片

随着油气资源勘探开发约束条件的变化，对大位移井、特别是大位移水平井及丛式井的需求越来越大，所面临的技术挑战也越来越大。为了合理评估和降低大位移井的工程作业风险，国内外开展了大位移井钻井延伸极限研究，以期在工程技术和经济效益合理的基础上，尽可能提高大位移井钻井延伸极限。为此，笔者在总结大位移井工程技术发展现状的基础上，重点介绍了大位移井钻井延伸极限的理论研究进展，以期为推动我国大位移井钻井技术发展提供指导和借鉴。

1. 大位移井钻井延伸极限研究概述

国外对大位移井钻井延伸极限的相关研究与应用比较早。1994年，R. Meertens等人^[23]从井身结构设计及钻井风险的角度，对英国TA–05大位移井的延伸极限进行了分析。1995年，J. Wu等人^[24]研究了油管在下入过程中的屈曲行为，进而推导出油管在水平段的下入极限，认为螺旋屈曲是限制油管下入极限的首要因素。2003年，L. A. S. Rocha等人^[25–26]指出，随着井深的增加，所钻地层破裂压力的增加幅度不能与环空压耗保持同步，因此大位移井钻井存在一个延伸极限值。其他国外学者基于大位移井工程实例，分析了地层、钻井装备和水力条件等相关因素对延伸极限的影响^[27–32]。

国内学者也开展了大量的大位移井钻井延伸极限理论研究。高德利等人^{[1, 9]}首次系统提出了大位移井钻井延伸极限的基本理论概念，指出在大位移井钻井工程中需要考虑裸眼延伸极限、机械延伸极限和水力延伸极限等3种极限状态，引领了国内大位移井钻井延伸极限的理论研究。汪志明等人^[33]建立了大位移井钻井水力延伸极限的计算模型，分析了地层、钻井泵、环空压耗及岩屑床高度等因素对水力延伸极限的影响；闫铁等人^[34]应用大位移水平井整体钻柱摩阻分析的间隙元理论，给出了大位移水平井机械延伸极限的计算模型；Chen Xuyue和Gao Deli^[35]给出了海洋超大位移井钻井裸眼延伸极限的计算模型；其他学者也从不同的角度研究了不同因素对大位移井钻井延伸极限的影响^[36–41]。

2. 大位移井钻井延伸极限理论研究

大位移井钻井延伸极限研究前期主要针对工程实践进行分析总结，近年来开展了较多理论研究并取得了一些创新成果^[1]。通过开展大位移井钻井延伸极限理论研究，可以定量预测大位移井钻井延伸能力，以期规避工程作业风险，防止钻井恶性事故的发生；同时，可以对大位移井工程设计进行了优化，以提高定向钻井的水平位移延伸作业能力。

2.1 大位移井钻井延伸极限的概念

在特定的主观和客观约束条件下，任何一口大位移井的钻井作业井深都存着一个极限值，称之为大位移井钻井延伸极限，包括裸眼延伸极限、机械延伸极限和水力延伸极限等3种极限。其中，裸眼延伸极限是指裸眼井底被压破或渗漏时的大位移井井深，主要取决于实钻地层的安全钻井密度窗口及钻井环空多相流循环压耗；机械延伸极限包括大位移井钻柱作业极限和下套管作业极限，主要取决于大位移井的导向控制模式（滑动导向或旋转导向）、管材强度、井眼约束、管柱载荷和钻机功率等；水力延伸极限是指在能够保持钻井流体正常循环及井眼清洁的前提下，钻井水力允许的井深，主要取决于钻井机泵、钻柱、地面管汇、水力参数和机械钻速等。在大位移井钻井优化设计与风险控制时，应该根据具体的主观和客观约束条件定量评估大位移井钻井的裸眼、机械及水力等延伸极限值，取其最小值作为大位移井钻井延伸极限。

2.2 大位移井钻井延伸极限预测模型

2.2.1 大位移井钻井裸眼延伸极限

2009年，笔者考虑实钻地层和钻井环空多相流的综合影响，建立了大位移井钻井裸眼延伸极限预测模型^[9]：

${D_{\rm{M}}} = k{D_{\rm{V}}} = \frac{{\Delta {\rho _{{\rm{fm}}}}}}{{{\rho _{{\rm{dp}}}}}}{D_{\rm{V}}}$

(1)

式中： ${D_{\rm{M}}}$ 为大位移井钻井裸眼延伸极限，m； $k$ 为测垂比（即测深与垂深之比）； ${D _{{\rm{v}}}}$ 为大位移井垂深，m； $\Delta {\rho _{{\rm{fm}}}}$ 为所钻地层的安全密度窗口，g/cm³； ${\rho _{{\rm{dp}}}}$ 为环空多相流循环压耗的当量密度，g/cm³。

2013年，考虑环空岩屑浓度、安全余量及环空波动压力等参数的影响，分别建立了破岩、管柱上提和下放时的大位移井钻井裸眼延伸极限预测模型，使预测结果更符合实际工况^[42-43]，并取三者最小值作为许用值。其中，破岩钻进过程中裸眼延伸极限预测模型为：

${D_{\rm{M}}} = \frac{{ {{\rho _{\rm{f}}} - {\rho _{\rm{m}}} - {C_{\rm{s}}}\left( {{\rho _{\rm{s}}} - {\rho _{\rm{m}}}} \right) - \Delta E} }}{{{\rho _{{\rm{dp}}}}}}{D_{\rm{V}}}$

(2)

式中： ${\rho _{\rm{f}}}$ 为地层破裂压力当量密度，g/cm³； ${\rho _{\rm{m}}}$ 为钻井液密度，g/cm³； ${\rho _{\rm{s}}}$ 为岩屑密度，g/cm³； ${C_{\rm{s}}}$ 为环空岩屑浓度； $\Delta E$ 为安全余量，g/cm³。

2016年，基于上述预测模型，笔者通过引入水平段环空多相流循环压耗梯度，得到了大位移水平井水平段裸眼延伸极限和井深延伸极限的预测模型^[44–46]：

$\left\{ \begin{array}{l} {D_{\rm{H}}} =\\ \dfrac{{0.009\;81\left[ {{\rho _{\rm{f}}} - {\rho _{\rm{s}}}{C_{\rm{s}}} - {\rho _{\rm{m}}}\left( {1 - {C_{\rm{s}}}} \right)} \right]{D_{\rm{V}}} - \left(\Delta {p_{\rm{v}}} + \displaystyle\sum\limits_{i = 1}^j {\Delta {p_{{\rm{d}}i}}} \right)}}{{{{\left( {\Delta p/\Delta L} \right)}_{\rm{h}}}}}\\ {D_{\rm{M}}} = {D_{\rm{v}}} + \displaystyle\sum\limits_{i = 1}^j {{D_{{\rm{d}}i}}} + {D_{\rm{h}}} \end{array} \right.$

(3)

式中： ${D_{\rm{H}}}$ 为大位移水平井水平段延伸极限，m； $\Delta {p_{\rm{v}}}$ 为垂直段环空压耗，MPa； $\Delta {p_{{\rm{d}}i}}$ 为若干斜井段环空压耗，MPa； ${\left( {\Delta p/\Delta L} \right)_{\rm{h}}}$ 为水平段环空压耗梯度，MPa/m； ${D_{{\rm{d}}i}}$ 为若干斜井段井深，m。

笔者利用式（3）中的裸眼延伸极限预测模型对钻井安全密度窗口进行了修正^[47]，对比了不同钻井液流变模式下大位移井钻井裸眼延伸极限的变化情况^[48]，并研究了连续油管钻井裸眼延伸极限，扩展了预测模型的应用范围^[49–50]。

2.2.2 大位移井钻井机械延伸极限

笔者基于机械延伸极限的定义，综合考虑地面和井下诸多约束因素的影响，并结合各种钻井作业工况，建立了旋转钻井机械延伸极限的定量预测模型，并绘制了不同井眼钻井机械延伸极限的预测图版，并以扩大钻井机械延伸极限为宗旨，提出了相应的钻井优化设计原则和方法，主要包括井眼轨道、导向钻具组合及井下减阻工具的优化设计准则，以改进常规钻井工程设计存在的不足^[51–54]。大位移井钻井机械延伸极限的目标函数可表达为：

$L\left( {p*,d,c} \right) = \mathop {{\rm{max}}}\limits_{p \subset P} L\left( {p,d,c} \right)$

(4)

式中： $L$ 为目标井深函数，m； $L\left( \cdot \right)$ 通常以隐函数的形式表达，具体为井下管柱整体力学模型； $p$ 为约束参数，包括大钩载荷、转盘扭矩、钻头钻压和钻头扭矩等参数； $d$ 为设计参数，包括管柱组合、井眼轨道和减阻接头等参数； $P$ 为约束参数 $p$ 的许用空间，以约束条件的形式给出； $p*$ 为最优约束参数，在最优约束参数下井深取得最大值； $c$ 为操作工况，包含滑动和旋转钻进模式下的管柱上提和下入作业。

式（4）的数学含义是，对于某一特定的钻井系统，在某一设计参数 $d$ 及操作工况 $c$ 下，约束参数 $p$ 在其约束空间 $P$ 内所能取得的井眼长度最大值。

钻井作业过程中，钻井管柱主要存在地面约束、钻头约束和管柱失效约束等3类约束条件。

1）地面约束条件。上提过程中大钩轴向拉力不能高于额定提拉载荷，下放过程中大钩载荷不小于零；钻机扭矩不高于额定扭矩。

2）钻头约束条件。钻头破岩存在门限钻压和门限扭矩，管柱上提过程中可能存在卡钻载荷。

3）管柱失效约束条件。管柱屈服强度与等效应力之比不小于所要求的安全系数，管柱磨损小于所要求的允许量等。

井下管柱轴向运动按运动方向分为上提和下放，按管柱是否旋转分成滑动和旋转，这2种分类组合形成了4种作业工况：滑动上提、滑动下放、旋转上提和旋转下放。

结合目标函数和约束条件，将每种作业工况下的机械延伸极限问题转换为约束优化问题，求解即可得到延伸极限的计算结果。滑动钻进的延伸极限为滑动上提和滑动下入的最小值；旋转钻进的延伸极限为旋转上提和旋转下入的最小值。

2.3 大位移井钻井延伸极限分布规律

对比理论计算结果^[22]（见图2）和图1所示的统计资料可知，理论延伸极限（旋转钻进）与统计延伸极限具有相似规律：横向延伸极限随着井眼垂深呈现出“迅速增大—稳定—线性降低”的趋势，分别对应浅井、中深井和深井的情形。从图2可以看出，旋转钻进模式下的横向延伸极限明显高于滑动钻进模式下的横向延伸极限。

图 2 不同摩阻系数下定向钻井延伸极限

Figure 2. Directional drilling extension limit under different friction coefficients

下载: 全尺寸图片幻灯片

利用大位移井钻井延伸极限预测模型进行分析，可得到如下规律：

1）对于浅井（稳斜角较大的定向井、水平井）而言，延伸极限对应的作业工况是管柱下入。滑动钻进时，大斜度井段管柱螺旋屈曲引起的高摩阻，是限制延伸极限的首要因素。对于水平井，单纯增大造斜点的深度对提高机械延伸极限的作用很小；对于三段式定向井，随着井斜角由90°逐渐减小，管柱的摩阻降低，导致横向延伸极限随着垂深增大而迅速增大。为了提高延伸极限，可以采取旋转导向钻进、优化稳斜角、降低摩阻系数和抑制管柱屈曲等技术措施。

2）对于深井（稳斜角较小的定向井、直井）而言，延伸极限对应的作业工况是管柱上提，限制延伸极限的主要因素是上提载荷超过大钩额定载荷或者过载导致管柱失效。随着井斜角由0°逐渐增大，管柱上提阻力与稳斜角密切相关，横向延伸极限 ${D_{\rm{H}}}$ 随着垂深 ${D_{\rm{V}}}$ 的增大，大致以 $1/{\mu _1}$ （ $\mu _1$ 为平均滑动摩阻系数）的速率线性降低。为了提高延伸极限，可提升大钩额定载荷或者采用高抗拉强度管柱。

3）对于中深井（井深介于浅井和深井之间，井斜角的数值居中）而言，管柱下入或上提是延伸极限对应的作业工况，随着垂深的增大由管柱下入过渡到管柱上提。管柱上的高摩阻、管柱上提过载（超过大钩额定载荷和管柱抗拉强度）及管柱旋转过载（超过转盘额定扭矩以及管柱抗扭强度），是限制延伸极限的因素。对于滑动钻进而言，前两者起主要作用；对旋转钻进而言，管柱旋转过载不可忽略。在这些因素的综合影响下，横向延伸极限随着垂深的增大呈现出先增大后降低的趋势，且稳斜角在临界值 ${\alpha _{\rm{h}}} = \arctan \left( {1/{\mu _1}} \right)$ 附近时达到横向延伸极限。为了提高机械延伸极限，首先需要利用机械延伸极限预测模型分析主要限制因素，然后从优选稳斜角、抑制管柱屈曲、降低摩阻、提高钻机性能和管柱强度等方面进行优化。

3. 基于延伸极限的钻井工程设计方法

为了延长油气储层中水平段长度以提高单井产量及最终采收率，或为了钻达更远处的地下目标，需要进一步提高大位移井的延伸极限，因而需要建立基于大位移井延伸极限的钻井优化设计方法。

3.1 钻井液密度和排量优化设计方法

钻井液密度优化设计的原则：一是最优钻井液密度必须满足修正的安全密度窗口；二是大位移水平井可以在该最优钻井液密度下获得最大延伸极限。任意钻井液密度下都存在一个大位移水平井水平段延伸极限 ${L_{\rm{h}}}\left( \rho \right)$ ，它是该井水平段裸眼延伸极限 ${L_{{\rm{h - op}}}}$ 和水力延伸极限 ${L_{{\rm{h - hy}}}}$ 的最小值：

${L_{\rm{h}}}\left( \rho \right) = \min \left( {{L_{{\rm{h - op}}}},{L_{{\rm{h - hy}}}}} \right)$

(5)

以获得最大水平段延伸极限 ${L_{{\rm{hmax}}}}$ 为目标，确定最优钻井液密度 ${\rho _{{\rm{opt}}}}$ 。图3列出了几种可能的情形，其中 ${L_{{\rm{h - op}}}}$ 利用式（3）得到， ${L_{{\rm{h - hy}}}}$ 利用文献[50]中方法求解。具体步骤如下：

图 3 不同情形下的水平段延伸极限

Figure 3. Horizontal extending limits in different cases

下载: 全尺寸图片幻灯片

1）若 ${L_{{\rm{h - op}}}}$ 曲线和 ${L_{{\rm{h - hy}}}}$ 曲线有交点（见图3（a）），则交点的X轴坐标值为最优钻井液密度 ${\rho _{{\rm{opt}}}}$ ，交点的Y轴坐标值为水平段延伸极限的最大值 ${L_{{\rm{hmax}}}}$ 。

2）若 ${L_{{\rm{h - op}}}}$ 曲线和 ${L_{{\rm{h - hy}}}}$ 曲线无交点且 ${L_{{\rm{h - hy}}}}$ 一直大于 ${L_{{\rm{h - op}}}}$ （见图3（b）），则 ${L_{{\rm{h - hy}}}}$ 的最大值为水平段延伸极限的最大值 ${L_{{\rm{hmax}}}}$ ，该点的X轴坐标值为最优钻井液密度 ${\rho _{{\rm{opt}}}}$ 。

3）若 ${L_{{\rm{h - op}}}}$ 曲线和 ${L_{{\rm{h - hy}}}}$ 曲线无交点且 ${L_{{\rm{h - op}}}}$ 一直大于 ${L_{{\rm{h - hy}}}}$ （见图3（c）），则 ${L_{{\rm{h - op}}}}$ 最大值为水平段延伸极限的最大值 ${L_{{\rm{hmax}}}}$ ，该点的X轴坐标值为最优钻井液密度 ${\rho _{{\rm{opt}}}}$ 。

4）若 ${L_{{\rm{h - op}}}}$ 曲线和 ${L_{{\rm{h - hy}}}}$ 曲线无交点（见图3（d）），且任意钻井液密度下 ${L_{{\rm{h - op}}}}$ 为零或 ${L_{{\rm{h - hy}}}}$ 为零，则钻井液安全密度窗口不存在，不存在最优钻井液密度 ${\rho _{{\rm{opt}}}}$ 。

最优排量和最优钻井液密度的设计方法基本相同，只是将式（6）—式（9）中的 $\rho$ 替换为 $Q$ 即可。

3.2 大位移井管柱优化设计方法

笔者提出了一种将大位移井分成下部大斜度井段和上部常规井段进行管柱优化设计的方法。下部大斜度井段的井斜角比较大，水平延伸距离长，裸眼段长，因此钻进该井段时管柱高摩阻和高扭矩问题比较突出，是限制大位移井延伸极限的主要原因。同时，大斜度井段穿过油气储层，对固井质量要求高，因此设计目标中需要包含套管居中度约束。为此，采用加权目标函数的方法，目标函数中包括摩阻、扭矩和套管居中度等参数，其计算公式为：

$\mathop {\max }\limits_{d \subset D} J\left( d \right) = \mathop {\max }\limits_{d \subset D} \left[ {{\lambda _{\rm{f}}}{J_{\rm{f}}}\left( d \right) + {\lambda _{\rm{r}}}{J_{\rm{r}}}\left( d \right) + {\lambda _{\rm{c}}}{J_{\rm{c}}}\left( d \right)} \right]$

(6)

式中： $J$ 为总目标函数； ${J_{\rm{f}}}$ ， ${J_{\rm{r}}}$ 和 ${J_{\rm{c}}}$ 为与管柱摩阻扭矩、套管居中度及成本相关的子目标函数； ${\lambda _{\rm{f}}}$ ， ${\lambda _{\rm{r}}}$ 和 ${\lambda _{\rm{c}}}$ 为相应的权重系数； $d$ 为设计参数。

式（6）可采用先局部后整体的方法进行求解^[52]。其计算思路为：1）将大斜度井段的管柱分成若干局部井段；2）从靠近钻头的局部井段进行优化设计，得到该井段管柱的最优设计参数；3）沿着井深减小的方向依次对各个局部井段进行优化设计；4）综合各个局部井段的设计参数，得到大斜度井段管柱的整体最优设计结果。

上部常规井段与常规定向井的井眼轨迹参数类似，但下部大斜度井段的存在导致上部常规井段管柱受力状况更加复杂，因此常规定向井管柱设计方法难以满足大位移井上部常规井段的要求。为了同时考虑各种作业工况，可采用延伸极限作为目标函数，即^[52]：

${L_{\lim }}\left( d^* \right) = \mathop {\max }\limits_{d \subset D} {L_{\lim }}\left( d \right)$

(7)

式中：d*为最优设计参数； ${L_{\lim }}$ 为井眼延伸极限，m，利用式（4）计算。

通常而言，方程的求解耗时比较长，可采用延伸极限的近似求解公式作为目标函数进行计算^[52]。

4. 应用实例

萨哈林地区Z–42井创造了井深（12 700 m）最深和水平位移（11 739 m）最长的世界纪录^[19]，其垂深为2 338 m，水垂比高达5.02，属于高难度大位移水平井，其设计井眼轨道如图4所示。该井采用四开井身结构，水平段长度约为3 500 m，完井周期约为70 d。分析Z–42井施工报告可知，四开裸眼段钻进过程中的高扭矩和完井筛管在裸眼水平段内滑动下入的高摩阻是限制该井水平延伸的2个重要因素。针对这2种工况，利用本文的理论模型，分析不同技术措施对提高延伸极限的作用。

图 4 Z–42井设计井眼轨道

Figure 4. Designed wellbore trajectory of Well Z–42

下载: 全尺寸图片幻灯片

4.1 水平段旋转钻进极限分析

Z–42井四开ϕ215.9 mm水平段应用旋转导向工具钻进，钻具组合中包括ϕ149.2 mm加重钻杆和普通钻杆、ϕ168.3 mm钻杆等。其中，ϕ149.2 mm钻杆的上扣扭矩为96 kN·m，ϕ168.3 mm钻杆的上扣扭矩为108 kN·m，钻机额定扭矩为95 kN·m，可见，钻机额定扭矩是限制ϕ215.9 mm井眼延伸极限的主要因素，因此，提升钻机性能是提高井眼延伸极限的可行措施之一。利用式（4）进行计算，得到了不同钻机额定扭矩和摩阻系数下的井眼延伸极限（见图5）。由图5可以看出，在相同摩阻系数下，提升钻机性能可大幅度提高井眼延伸极限，能满足该井井深12 700 m的钻井需求。

图 5 不同额定扭矩和摩阻系数下的井眼延伸极限

Figure 5. Wellbore extension limit at different rated torques and friction coefficients

下载: 全尺寸图片幻灯片

4.2 完井管柱下入极限分析

Z–42井完井管柱主要包括1 499 m的ϕ168.3 mm筛管和2 149 m的ϕ139.7 mm筛管，筛管上部与钻柱连接，采用滑动方式下入。完井管柱在超长套管段和裸眼段内将产生高摩阻，导致下入困难。为此，该井完井作业时在筛管与钻柱之间安装了旋转接头，保证管柱下入过程中上部钻柱处于旋转状态，而下部筛管处于不旋转状态，从而大幅度降低管柱在套管段的摩阻及筛管下入作业难度。

利用式（4）进行计算，得到了安装和不安装旋转接头、安装和不安装减阻接头条件下的完井管柱延伸极限（见图6）。由图6可以看出，如果摩阻系数偏大且不安装旋转接头，完井管柱将无法下至井底；安装旋转接头可明显改善井下管柱的受力状况，完井管柱可顺利下到井底；同时安装旋转接头和减阻接头，可进一步提高完井管柱的下入极限。

图 6 完井管柱旋转和滑动下入极限

Figure 6. Entry limits of completion string in rotary and sliding RIH modes

下载: 全尺寸图片幻灯片

5. 结束语

大位移井广泛应用于海洋、滩海、湖泊及山地等复杂地区油气资源的高效开发，相关的科技进步与工程实践在国内外备受关注。大位移井钻井延伸极限预测和控制与相应的技术、装备、作业环境及作业参数等诸多因素密切相关，是一个复杂的约束优化问题，需要不断加强研究与实践。显然，大位移井钻井延伸极限并不是固定值，将随着大位移定向钻井技术与装备的创新发展而不断提高。开展大位移井钻井延伸极限理论研究，力求实现工程作业极限的定量预测分析，揭示限制作业极限的主要因素及其影响规律，以便为工程作业的风险分析、优化设计及安全控制提供科学依据。

图 1 智能钻井系统组成

Figure 1. Composition of intelligent drilling system

下载: 全尺寸图片幻灯片

图 2 智能录井平台架构

Figure 2. Architecture of intelligent logging

下载: 全尺寸图片幻灯片

图 3 录井采集技术体系

Figure 3. Logging acquisition technology system

下载: 全尺寸图片幻灯片

表 1 录井与钻井智慧平台架构的对比

Table 1 Comparison of intelligent platform architecture between drilling and logging

层次	智能录井^[64]	智能钻完井^[1]	钻井^[28]
用户层	移动端、Pad端、PC端的实时监控、技术支持、协同研究、远程决策		钻井工程师、完井工程师、地质工程师、管理人员、管理员
网络层	局域网、广域网
应用层	数据管理平台（分类存储与查询等）、数据挖掘平台（统计分析方法）、成果输出平台（岩性自动识别、物性评价、油气层解释、工程智能预警等）	机械钻速智能预测与参数优化、井眼轨迹智能优化与闭环调控、钻井风险智能预警与动态调控、固井质量智能评价与优化控制、压裂方案智能设计和优化调控、完井方案智能设计与生产优化及钻完井多过程动态耦合与多目标协同优化	钻头选型、井壁稳定、钻速预测、卡钻预警、钻井参数优化等
装备层		智能钻头、井下测量短节、智能导向工具、智能钻杆、智能滑套、智能钻机
算法层/数据操作层		机理数据融化、数据增强、小样本学习、迁移学习、强化学习、卷积神经网络、小波分析、在线学习、图算法、遗传算法	数据清洗、资源调度、计算工程
数据层	各类录井仪器、传感器采集的数据、图像、音频/视频等信息	物探数据、综合录井数据、测井数据、岩心数据、地质资料数据、随钻数据、文档资料、其他数据	井信息、录井、测井、地质、地震实时级历时数据

下载: 导出CSV

表 2 录井信息处理与解释评价技术体系

Table 2 Technical system of logging information processing, interpretation, and evaluation

录井信息处理	解释	评价及应用
深度校正与数据源深度匹配影响因素校正或消除散失量恢复或原位重构解谱解耦与信息挖掘曲线、图谱、影像特征提取多元、多维、多尺度数据融合平滑、抽稀、插值等处理标准化、归一化处理	岩性、岩相识别古生物鉴定及沉积环境识别成分及结构、构造识别地质层位及地质小层识别流体类型及赋存状态识别物源、油（气）源识别油（气）成因识别含水性及水型识别有效储层识别油气水层解释 VOCs类型识别钻井工况与安全风险识别高压层及其成因识别溢流预警井漏及其原因识别	物性及孔隙结构评价烃源岩特性评价脆性、岩石力学、可压性评价润湿性、水淹层评价含油气丰度及油气性质评价含水性或含水率评价甜点评价或产能预测单井评价或选区评价地层压力随钻评价可钻性、井壁稳定性评价井筒封闭性或盖层评价热储及锂、钾、铀丰度评价钻井地质设计水平井综合地质导向压裂选层

下载: 导出CSV

参考文献(79)

[1]	李根生,宋先知,祝兆鹏,等. 智能钻完井技术研究进展与前景展望[J]. 石油钻探技术,2023,51(4):35–47. doi: 10.11911/syztjs.2023040 LI Gensheng, SONG Xianzhi, ZHU Zhaopeng, et al. Research progress and the prospect of intelligent drilling and completion technologies[J]. Petroleum Drilling Techniques, 2023, 51(4): 35–47. doi: 10.11911/syztjs.2023040
[2]	王敏生,光新军. 智能钻井技术现状与发展方向[J]. 石油学报,2020,41(4):505–512. doi: 10.7623/syxb202004013 WANG Minsheng, GUANG Xinjun. Status and development trends of intelligent drilling technology[J]. Acta Petrolei Sinica, 2020, 41(4): 505–512. doi: 10.7623/syxb202004013
[3]	李宗田,肖勇,李宁,等. 低油价下的页岩油气开发工程技术新进展[J]. 断块油气田,2021,28(5):577–585. LI Zongtian, XIAO Yong, LI Ning, et al. New progress in shale oil and gas development engineering technology under low oil prices[J]. Fault-Block Oil & Gas Field, 2021,28(5): 577–585.
[4]	MCCARTHY J, MINSKY M L, ROCHESTER N, et al. A proposal for the Dartmouth summer research project on artificial intelligence: August 31, 1955[J]. AI Magazine, 2006, 27(4): 12–14.
[5]	GAINITDINOV B, MESHALKIN Y, ORLOV D, et al. Predicting mineralogical composition in unconventional formations using machine learning and well logging data[R]. IPTC 23487, 2024.
[6]	YANG Tao, ARIEF I H, NIEMANN M, et al. A machine learning approach to predict gas oil ratio based on advanced mud gas data[R]. SPE 195459, 2019.
[7]	陈凯枫,杨学文,宋先知,等. 基于工程录井数据的井漏智能诊断方法[J]. 石油机械,2022,50(11):16–22. CHEN Kaifeng, YANG Xuewen, SONG Xianzhi, et al. An intelligent diagnosis method for lost circulation based on engineering logging data[J]. China Petroleum Machinery, 2022, 50(11): 16–22.
[8]	刘枫. 顺北地区地层四压力智能预测软件研发与应用[D]. 北京:中国石油大学(北京),2023. LIU Feng. Research and application of intelligent prediction software for formation four pressure in Shunbei Area[D]. Beijing: China University of Petroleum(Beijing), 2023.
[9]	匡立春,刘合,任义丽,等. 人工智能在石油勘探开发领域的应用现状与发展趋势[J]. 石油勘探与开发,2021,48(1):1–11. doi: 10.11698/PED.2021.01.01 KUANG Lichun, LIU He, REN Yili, et al. Application and development trend of artificial intelligence in petroleum exploration and development[J]. Petroleum Exploration and Development, 2021, 48(1): 1–11. doi: 10.11698/PED.2021.01.01
[10]	王志战. 一体化、智能化时代的录井技术发展方向探讨[J]. 录井工程,2020,31(1):1–6. doi: 10.3969/j.issn.1672-9803.2020.01.001 WANG Zhizhan. Discussion on the development direction of mud logging technology in the era of integration and intellectualization[J]. Mud Logging Engineering, 2020, 31(1): 1–6. doi: 10.3969/j.issn.1672-9803.2020.01.001
[11]	王志战. 中国石化录井技术新进展与发展方向思考[J]. 石油钻探技术,2023,51(4):124–133. doi: 10.11911/syztjs.2023027 WANG Zhizhan. Thoughts for new progress and development directions of Sinopec's surface logging technology[J]. Petroleum Drilling Techniques, 2023, 51(4): 124–133. doi: 10.11911/syztjs.2023027
[12]	闫铁,许瑞,刘维凯,等. 中国智能化钻井技术研究发展[J]. 东北石油大学学报,2020,44(4):15–21. doi: 10.3969/j.issn.2095-4107.2020.04.003 YAN Tie, XU Rui, LIU Weikai, et al. Research and development of intelligent drilling technology in China[J]. Journal of Northeast Petroleum University, 2020, 44(4): 15–21. doi: 10.3969/j.issn.2095-4107.2020.04.003
[13]	张鑫鑫,梁博文,张晓龙,等. 智能钻井装备与技术研究进展[J]. 煤田地质与勘探,2023,51(9):20–30. doi: 10.12363/issn.1001-1986.23.06.0324 ZHANG Xinxin, LIANG Bowen, ZHANG Xiaolong, et al. Research progress of intelligent drilling equipment and technology[J]. Coal Geology & Exploration, 2023, 51(9): 20–30. doi: 10.12363/issn.1001-1986.23.06.0324
[14]	HU Qin, LIU Qingyou. Intelligent drilling: a prospective technology of tomorrow[R]. SPE 103781, 2006.
[15]	RASSENFOSS S. Drilling automation: a robot takes over the drilling floor[J]. Journal of Petroleum Technology, 2021, 73(12): 18–22. doi: 10.2118/1221-0018-JPT
[16]	LAWRENCE L, REDMOND B, RUSSELL R B, et al. Intelligent wired drill-pipe system provides significant improvements in drilling performance on offshore Australia development[R]. OTC 20067, 2009.
[17]	JELLISON M J, PRIDECO G, HALL D R. Intelligent drill pipe creates the drilling network[R]. SPE 80454, 2003.
[18]	TURNER D R, HEAD P F, YURATICH M A, et al. The all electric BHA: recent developments toward an intelligent coiled-tubing drilling system[R]. SPE 54469, 1999.
[19]	VALVERDE E. Intelligent near-bit reamer affords same-trip drilling, hole enlargement and rathole reduction for optimal deepwater well construction[R]. OTC 28402, 2018.
[20]	TILLEY J, NAIR V N, HAMOUDI L. Case study: intelligent RSS improving drilling performance on three mile laterals in the Appalachian Basin[R]. SPE 201723, 2020.
[21]	AL ARFI S, ALSOWAIDI F, RUIZ F, et al. New intelligent push-the-bit rotary steerable system helped reducing well time and maximized directional drilling performance, Abu Dhabi, UAE[R]. SPE 207537, 2021.
[22]	CORSER G P, HARMSE J E, CORSER B A, et al. Field test results for a real-time intelligent drilling monitor[R]. SPE 59227, 2000.
[23]	ZHU J, ZENG L. Intelligent pressure control system on drilling process[R]. OTC 30828, 2020.
[24]	SHEN Xinyu, LIU Sen, SU Qiang, et al. Intelligent switch control algorithm of the push-the-bit rotary steerable drilling system[R]. ARMA 20233-0558, 2023.
[25]	ROWSELL P J, WALLER M D. Intelligent control of drilling systems[R]. SPE 21927, 1991.
[26]	WAN Youwei, LIU Xiangjun, XIONG Jian, et al. Intelligent prediction of drilling rate of penetration based on method-data dual validity analysis[J]. SPE Journal, 2024, 29(5): 2257–2274. doi: 10.2118/217977-PA
[27]	ABUGHABAN M, ALSHAARAWI A, MENG Cui, et al. Optimization of drilling performance based on an intelligent drilling advisory system[R]. IPTC 19269, 2019.
[28]	XIE Tao, HOU Xinxin, HUO Hongbo, et al. Improving drilling efficiency using intelligent decision system for drilling in Bohai Oilfield based on big data[R]. SPE 215427, 2023.
[29]	RASHIDI B, HARELAND G, TAHMEEN M, et al. Real-time bit wear optimization using the intelligent drilling advisory system[R]. SPE 136006, 2010.
[30]	WANG Jianhua, GUAN Zhen, LIU Muchen, et al. Drilling stuck probability intelligent prediction based on LSTM considering local interpretability[R]. ARMA 2023-0326, 2023.
[31]	殷启帅,杨进,曹博涵,等. 基于长短期记忆神经网络的深水钻井工况实时智能判别模型[J]. 石油钻采工艺,2022,44(1):97–104. YIN Qishuai, YANG Jin, CAO Bohan, et al. Real-time intelligent rig activities classification model of deep-water drilling using long short-term memory (LSTM) network[J]. Oil Drilling & Production Technology, 2022, 44(1): 97–104.
[32]	李雪松,张骁,管震,等. 基于图像识别技术的钻井井漏溢流智能报警系统开发[J]. 世界石油工业,2021,28(1):48–54. LI Xuesong, ZHANG Xiao, GUAN Zhen, et al. Development of the drilling mud loss and overflow intelligent alarm system based on the image recognition technology[J]. World Petroleum Industry, 2021, 28(1): 48–54.
[33]	WANG Han, CHEN Dong, YE Zhihui, et al. Intelligent planning of drilling trajectory based on computer vision[R]. SPE 197362, 2019.
[34]	张晓东,朱正喜. 智能钻井技术研究[J]. 石油钻采工艺,2010,32(1):1–4. doi: 10.3969/j.issn.1000-7393.2010.01.002 ZHANG Xiaodong, ZHU Zhengxi. Study of intelligent drilling technology[J]. Oil Drilling & Production Technology, 2010, 32(1): 1–4. doi: 10.3969/j.issn.1000-7393.2010.01.002
[35]	de WARDT J. Guest editorial: trends in remote operations and drilling systems automation point to an expanding footprint what comes next and when?[J]. Journal of Petroleum Technology, 2022, 74(11): 10–13. doi: 10.2118/1122-0010-JPT
[36]	刘合. 油气勘探开发数字化转型人工智能应用大势所趋[J]. 石油科技论坛,2023,42(3):1–9. LIU He. Digital transformation of oil and gas exploration and development; unstoppable AI application[J]. Petroleum Science and Technology Forum, 2023, 42(3): 1–9.
[37]	宋先知,姚学喆,李根生,等. 基于LSTM-BP神经网络的地层孔隙压力计算方法[J]. 石油科学通报,2022,7(1):12–23. doi: 10.3969/j.issn.2096-1693.2022.01.002 SONG Xianzhi, YAO Xuezhe, LI Gensheng, et al. A novel method to calculate formation pressure based on the LSTM-BP neural network[J]. Petroleum Science Bulletin, 2022, 7(1): 12–23. doi: 10.3969/j.issn.2096-1693.2022.01.002
[38]	ROWE H, MAINALI P, NIETO M, et al. Geochemical perspectives on cuttings-based chemostratigraphy and mineral modeling in the Delaware Basin, Texas and New Mexico[R]. URTEC 2019-1068, 2019.
[39]	HUSSAIN M, AMAO A, AL-RAMADAN K, et al. A novel method to develop chemostratigraphy using X-ray fluorescence spectral raw data[R]. URTEC 2021-5478, 2021.
[40]	MICHAEL N A, SCHEIBE C, CRAIGIE N W. Automations in chemostratigraphy: toward robust chemical data analysis and interpretation[R]. SPE 204892, 2021.
[41]	唐诚,王崇敬,梁波,等. 基于机器学习算法的页岩气评价参数计算模型研究[J]. 录井工程,2021,32(4):18–22. doi: 10.3969/j.issn.1672-9803.2021.04.003 TANG Cheng, WANG Chongjing, LIANG Bo, et al. Study on shale gas evaluation parameter calculation model based on machine learning algorithm[J]. Mud Logging Engineering, 2021, 32(4): 18–22. doi: 10.3969/j.issn.1672-9803.2021.04.003
[42]	刘雨龙. 基于深度学习的岩屑智能分析方法研究[D]. 北京:中国石油大学(北京),2023. LIU Yulong. Research on intelligent analysis method of cuttings based on deep learning[D]. Beijing: China University of Petro-leum(Beijing), 2023.
[43]	夏文鹤,谢万洋,唐印东,等. 砂样岩屑图像特征的岩性智能高效识别[J]. 石油地球物理勘探,2023,58(3):495–506. XIA Wenhe, XIE Wanyang, TANG Yindong, et al. Intelligent and efficient lithology identification based on image features of returned cuttings[J]. Oil Geophysical Prospecting, 2023, 58(3): 495–506.
[44]	张德君,魏伟,刘明艳,等. 基于综合录井数据的地层岩性智能识别方法[J]. 西部探矿工程,2023,35(4):54–59. doi: 10.3969/j.issn.1004-5716.2023.04.016 ZHANG Dejun, WEI Wei, LIU Mingyan, et al. Intelligent identification method of formation lithology based on comprehensive logging data[J]. West-China Exploration Engineering, 2023, 35(4): 54–59. doi: 10.3969/j.issn.1004-5716.2023.04.016
[45]	JACOBS T. Mud-gas breakthrough Equinor develops real-time reservoir-fluid identification[J]. Journal of Petroleum Technolog, 2021, 73(2): 37–39. doi: 10.2118/0221-0037-JPT
[46]	HAFIDZ ARIEF I, YANG Tao. Real time reservoir fluid log from advanced mud gas data[R]. SPE 201323, 2020.
[47]	YANG Tao, YERKINKYZY G, ULEBERG K, et al. Predicting reservoir fluid properties from advanced mud gas data[J]. SPE Reservoir Evaluation & Engineering, 2021, 24(2): 358–366.
[48]	UNGAR F, MCGILL A, NYGAARD M T, et al. Fluid identification from mud gas in the overburden: a case study for the Snorre Field[R]. SPE 214440, 2023.
[49]	YANG Tao, ULEBERG K, CELY A, et al. Unlock large potentials of standard mud gas for real-time fluid typing[R]. SPWLA 2022-0007, 2022.
[50]	KOPAL M, YERKINKYZY G, NYGÅRD M T, et al. Real-time fluid identification from integrating advanced mud gas and petrophysical logs[R]. SPWLA 2022-0009, 2022.
[51]	BUCKLE P S G, ABDULLAH A F H, ZAINI N, et al. Utilization of digitalized numerical model derived from advanced mud gas data for low cost fluid phase identification, derisking drilling and effective completion plan in depleted reservoir[R]. SPWLA 2022-0092, 2022.
[52]	WRIGHT A C. Estimation of gas/oil ratios and detection of unusual formation fluids from mud logging gas data[R]. SPWLA 1996-CC, 1996.
[53]	MALIK M, HANSON S A, CLINCH S. Maximizing value from mudlogs: integrated approach to determine net pay[R]. SPWLA 5028, 2020.
[54]	严伟丽,高楚桥,赵彬,等. 基于气测录井资料的气油比定量计算方法[J]. 科学技术与工程,2020,20(23):9287–9292. YAN Weili, GAO Chuqiao, ZHAO Bin, et al. Quantitative calculation method of gas-oil ratio in gas logging data[J]. Science Technology and Engineering, 2020, 20(23): 9287–9292.
[55]	JIANG Han, DAIGLE H, TIAN Xiao, et al. A comparison of clustering algorithms applied to fluid characterization using NMRT₁-T₂ maps of shale[J]. Computers & Geosciences, 2019, 126: 52–61.
[56]	夏文鹤,唐印东,李皋,等. 基于岩屑录井图像的井壁稳定性智能预测方法[J]. 天然气工业,2023,43(12):71–83. XIA Wenhe, TANG Yindong, LI Gao, et al. An intelligent prediction method for wellbore stability based on drilling cuttings logging images[J]. Natural Gas Industry, 2023, 43(12): 71–83.
[57]	ZHANG Shaohui, HUANG Weihe, BI Guoqiang, et al. Intelligent risk identification and warning model for typical drilling operation scenes and its application[R]. SPE 214599, 2023.
[58]	胡志强,杨进,王磊,等. 钻井工况智能识别与时效分析技术[J]. 石油钻采工艺,2022,44(2):241–246. HU Zhiqiang, YANG Jin, WANG Lei, et al. Intelligent identification and time-efficiency analysis of drilling operation conditions[J]. Oil Drilling & Production Technology, 2022, 44(2): 241–246.
[59]	张矿生,宫臣兴,陆红军,等. 基于集成学习的井漏智能预警模型及智能推理方法[J]. 石油钻采工艺,2023,45(1):47–54. ZHANG Kuangsheng, GONG Chenxing, LU Hongjun, et al. Intelligent early warning model and intelligent reasoning method based on integrated learning for loss circulation[J]. Oil Drilling & Production Technology, 2023, 45(1): 47–54.
[60]	张敏. 渤海中深层钻井地层三压力智能预测方法研究[D]. 北京:中国石油大学(北京),2023. ZHANG Min. Research on the intelligent prediction method of triple pressure in the middle and deep drilling strata in Bohai Sea[D]. Beijing: China University of Petroleum(Beijing), 2023.
[61]	阎荣辉,黄子舰,杨永强,等. “互联网+” 时代的智慧录井系统应用探索[J]. 录井工程,2020,31(2):1–5. doi: 10.3969/j.issn.1672-9803.2020.02.001 YAN Ronghui, HUANG Zijian, YANG Yongqiang, et al. Application and exploration of smart logging system in the Internet Plus era[J]. Mud Logging Engineering, 2020, 31(2): 1–5. doi: 10.3969/j.issn.1672-9803.2020.02.001
[62]	方铁园,马宏伟,郭龙飞,等. 智慧录井平台建设及其在长庆油田的创新应用[J]. 录井工程,2023,34(3):97–101. doi: 10.3969/j.issn.1672-9803.2023.03.015 FANG Tieyuan, MA Hongwei, GUO Longfei, et al. Construction of smart mud logging platform and its innovative application in Changqing Oilfield[J]. Mud Logging Engineering, 2023, 34(3): 97–101. doi: 10.3969/j.issn.1672-9803.2023.03.015
[63]	张锦宏,周爱照,成海,等. 中国石化石油工程技术新进展与展望[J]. 石油钻探技术,2023,51(4):149–158. ZHANG Jinhong, ZHOU Aizhao, CHENG Hai, et al. New progress and prospects for Sinopec’s petroleum engineering technologies[J]. Petroleum Drilling Techniques, 2023, 51(4): 149–158.
[64]	梁海波,宋洋,于志刚,等. 钻井液流变性实时测量方法及系统研究[J]. 石油机械,2022,50(1):10–18. LIANG Haibo, SONG Yang, YU Zhigang, et al. Real-time measurement method and systematic study on drilling fluid rheology[J]. China Petroleum Machinery, 2022, 50(1): 10–18.
[65]	孟济良,吴龙斌,张学亭. 岩屑录井的新技术:DL-1型地质录井自动捞砂机介绍[J]. 石油勘探与开发,1984,11(5):75–79. MENG Jiliang, WU Longbin, ZHANG Xueting. A new technology of cuttings logging: DL-1 type automatic cuttings acquisition machine[J]. Petroleum Exploration and Development, 1984, 11(5): 75–79.
[66]	ALSHEHRI A, KATTERBAUER K, YOUSEF A. Real-time autoregressive deep learning framework for in-line automatic surface logging[R]. SPE 214079, 2023.
[67]	LI Sanguo, XIAO Lizhi, LI Xin, et al. A novel NMR instrument for real time drilling fluid analysis[J]. Microporous and Mesoporous Materials, 2018, 269: 138–141. doi: 10.1016/j.micromeso.2017.08.038
[68]	张志财,刘保双,王忠杰,等. 钻井液性能在线监测系统的研制与现场应用[J]. 钻井液与完井液,2020,37(5):597–601. ZHANG Zhicai, LIU Baoshuang, WANG Zhongjie, et al. Development and field application of an online drilling fluid property monitoring system[J]. Drilling Fluid & Completion Fluid, 2020, 37(5): 597–601.
[69]	王鹏,刘伟,张果. 钻井液性能自动监测装置的现状及改进建议[J]. 钻采工艺,2022,45(3):42–47. doi: 10.3969/J.ISSN.1006-768X.2022.03.08 WANG Peng, LIU Wei, ZHANG Guo. Status quo and improvement suggestions of automatic monitoring equipment for drilling fluid performance[J]. Drilling & Production Technology, 2022, 45(3): 42–47. doi: 10.3969/J.ISSN.1006-768X.2022.03.08
[70]	张好林,杨传书,李昌盛,等. 钻井数字孪生系统设计与研发实践[J]. 石油钻探技术,2023,51(3):58–65. ZHANG Haolin, YANG Chuanshu, LI Changsheng, et al. Design and research practice of a drilling digital twin system[J]. Petroleum Drilling Techniques, 2023, 51(3): 58–65.
[71]	BALACHANDRAN P A, PADMANABHAN K V K. Integrated operations system: implementation of a truly integrated digital oil field and development of digital twin[R]. OTC 32841, 2023.
[72]	WANG Peixian, WANG Xiaolin, MA Jun, et al. Digital and intelligent technology in underground gas storage operation based on digital twin technologies[R]. ISOPE I-23-008, 2023.
[73]	BUSOLLO C, ABDO E, KATTAR M, et al. Evolution of a digital twin for underground gas storage wells: thermal effects of tubing gas flow on annulus pressure in transient conditions[R]. SPE 220006, 2024.
[74]	WANG Peixian, MA Jun, LI Zunzhao, et al. Integrated simulation technology of underground gas storage based on digital twin technologies[R]. ISOPE I-24-043, 2024.
[75]	刘合,任义丽,李欣,等. 油气行业人工智能大模型应用研究现状及展望[J]. 石油勘探与开发,2024,51(4):910–923. LIU He, REN Yili, LI Xin, et al. Research status and application of artificial intelligence large models in the oil and gas industry[J]. Petroleum Exploration and Development, 2024, 51(4): 910–923.
[76]	YI M, CEGLINSKI K, ASHOK P, et al. Applications of large language models in well construction planning and real-time operation[R]. SPE 217700, 2024.
[77]	PACIS F J, ALYAEV S, PELFRENE G, et al. Enhancing information retrieval in the drilling domain: zero-shot learning with large language models for question-answering[R]. SPE 217671, 2024.
[78]	AMEUR-ZAIMECHE O, KECHICHED R, HEDDAM S, et al. Real-time porosity prediction using gas-while-drilling data and machine learning with reservoir associated gas: case study for Hassi Messaoud Field, Algeria[J]. Marine and Petroleum Geology, 2022, 140: 105631. doi: 10.1016/j.marpetgeo.2022.105631
[79]	OULADMANSOUR A, AMEUR-ZAIMECHE O, KECHICHED R, et al. Integrating drilling parameters and machine learning tools to improve real-time porosity prediction of multi-zone reservoirs. Case study: Rhourd Chegga Oilfield, Algeria[J]. Geoenergy Science and Engineering, 2023, 223: 211511.

施引文献(46)

期刊类型引用(30)

1.	曹振义，李世超，苗强，马科迪，衣丽伟，樊洪波. 浅层煤层气大平台井眼轨迹整体优化设计技术的应用——以保德区块保8井区为例. 录井工程. 2025(01): 56-62 . 百度学术
2.	吴文兵，刘涛，谢伦，张勇，肖东，苏俊霖，钟杰. 大位移井岩屑床厚度预测模型与现场应用：以CH1-1-XX井钻井为例. 科学技术与工程. 2024(09): 3654-3662 . 百度学术
3.	苟梦姣，陈景杨，翁羽. 大位移井钻井现状及发展趋势. 工程机械. 2024(04): 164-167+14 . 百度学术
4.	高德利，黄文君. 超深井工程理论与技术若干研究进展及发展建议. 石油钻探技术. 2024(02): 1-11 . 本站查看
5.	袁修锦. 东海超深大位移井高效钻井关键技术研究与应用. 石化技术. 2024(06): 191-193 . 百度学术
6.	高德利，鲜保安，毕延森. 水平井尾管完井与钻井一体化设计控制技术. 石油勘探与开发. 2024(04): 878-888 . 百度学术
7.	GAO Deli，XIAN Baoan，BI Yansen. Integrated design and control technology of liner completion and drilling for horizontal wells. Petroleum Exploration and Development. 2024(04): 1009-1021 . 必应学术
8.	李浩，付潇，吴永超，江尧. 煤层气长水平段水平井钻完井技术探索. 中国煤层气. 2024(04): 9-14 . 百度学术
9.	高德利，黄文君，刁斌斌，张玉霖. 复杂结构井定向钻井技术现状及展望. 前瞻科技. 2023(02): 11-21 . 百度学术
10.	黄熠，刘和兴，刘智勤，彭巍，徐超. 南海西部浅层大位移水平井钻井关键技术与实践. 中国海上油气. 2023(06): 115-123 . 百度学术
11.	杨进，李磊，宋宇，仝刚，张明贺，张慧. 中国海洋油气钻井技术发展现状及展望. 石油学报. 2023(12): 2308-2318 . 百度学术
12.	赵军，黄文君，高德利. 大位移井钻井管柱作业极限实时预测方法. 石油钻采工艺. 2023(05): 523-531 . 百度学术
13.	王赞，王晓琪，陈立强，吴占民，孙雷. 渤海油田钻井降本增效技术现状与展望. 新疆石油天然气. 2022(01): 66-72 . 百度学术
14.	高德利，张广瑞，王宴滨. 中国海洋深水油气工程技术与装备创新需求预见及风险分析. 科技导报. 2022(13): 6-16 . 百度学术
15.	王赞，王晓琪，陈立强，吴占民，孙雷，姜磊. 大位移井井身结构设计技术研究与应用. 石油工业技术监督. 2022(11): 58-63 . 百度学术
16.	岳景寅，何刚，张敏，吕继平，史冀涛，李长东. 基于熵权法的大位移井井眼轨迹设计方案优选. 石化技术. 2022(12): 94-96 . 百度学术
17.	孙连坡，许杰，谢涛，王文，刘海龙. 渤海浅层大位移井裸眼延伸极限预测. 石油工业技术监督. 2021(01): 48-52 . 百度学术
18.	邓钧耀，刘奕杉，乔磊，王开龙，胡凯. 保德煤层气田黄河压覆区长水平段水平井钻井完井技术. 石油钻探技术. 2021(02): 37-41 . 本站查看
19.	路保平，侯绪田，柯珂. 中国石化极地冷海钻井技术研究进展与发展建议. 石油钻探技术. 2021(03): 1-10 . 本站查看
20.	郭骁，李思洋，周蒙恩，孟庆威，张菲菲. 考虑岩屑影响的大位移井机械延伸极限研究. 石油钻采工艺. 2021(03): 289-294+308 . 百度学术
21.	韦龙贵，王赞，陈立强，李磊，张昌超. 基于熵权法的大位移井井眼轨迹设计方案优选. 石油钻采工艺. 2021(03): 295-301 . 百度学术
22.	高德利，黄文君. 井下管柱力学与控制方法若干研究进展. 力学进展. 2021(03): 620-647 . 百度学术
23.	张强，秦世利，饶志华，田波，左坤. 南海超大水垂比大位移M井钻井关键技术. 石油钻探技术. 2021(05): 19-25 . 本站查看
24.	王赞，王晓琪，陈立强，吴占民. 大位移井轨迹定量评价方法研究与实践. 新疆石油天然气. 2021(04): 79-85 . 百度学术
25.	黄文君，高德利. 大位移井规律性阻卡力学机理与控制措施研究. 石油科学通报. 2020(01): 49-57 . 百度学术
26.	黄文君，石小磊，高德利. 基于钻井延伸极限的管柱分段优化设计方法. 石油机械. 2020(04): 1-8 . 百度学术
27.	许杰，黄文君，刘海龙，王舸，石小磊. 曹妃甸油田浅层大位移井管柱作业极限分析与优化设计. 科学技术与工程. 2020(11): 4316-4322 . 百度学术
28.	于洋，李双贵，高德利，李光乔. 顺北5-5H超深?120.65 mm小井眼水平井钻井技术. 石油钻采工艺. 2020(03): 276-281 . 百度学术
29.	高德利. 深海天然气及其水合物开发模式与钻采技术探讨. 天然气工业. 2020(08): 169-176 . 百度学术
30.	顾岳，高德利，杨进，黄文君，石小磊，周波. 受套管磨损约束的深井钻井延伸极限预测模型. 石油钻采工艺. 2020(05): 543-546 . 百度学术

其他类型引用(16)

资源附件(0)

图(3) / 表(2)

计量

文章访问数: 239
HTML全文浏览量: 34
PDF下载量: 130
被引次数: 46

1. 大位移井钻井延伸极限研究概述
2. 大位移井钻井延伸极限理论研究
2.1 大位移井钻井延伸极限的概念
2.2 大位移井钻井延伸极限预测模型
2.2.1 大位移井钻井裸眼延伸极限
2.2.2 大位移井钻井机械延伸极限
2.3 大位移井钻井延伸极限分布规律
3. 基于延伸极限的钻井工程设计方法
3.1 钻井液密度和排量优化设计方法
3.2 大位移井管柱优化设计方法
4. 应用实例
4.1 水平段旋转钻进极限分析
4.2 完井管柱下入极限分析
5. 结束语

1. 大位移井钻井延伸极限研究概述
2. 大位移井钻井延伸极限理论研究
2.1 大位移井钻井延伸极限的概念
2.2 大位移井钻井延伸极限预测模型
2.2.1 大位移井钻井裸眼延伸极限
2.2.2 大位移井钻井机械延伸极限
2.3 大位移井钻井延伸极限分布规律
3. 基于延伸极限的钻井工程设计方法
3.1 钻井液密度和排量优化设计方法
3.2 大位移井管柱优化设计方法
4. 应用实例
4.1 水平段旋转钻进极限分析
4.2 完井管柱下入极限分析
5. 结束语

参考文献(79)

施引文献(46)

资源附件(0)

智能录井技术研究进展及发展展望

计量

出版历程