编辑推荐：
本文针对传统钻井方向决策方法存在的轨迹偏移大、适应性弱、实时决策能力不足等问题，提出了一种创新的3D-Spatial Wide-Angle Detection（3D-SWAD）钻井方向决策算法。该算法通过融合钻头附近的三维空间数据与待钻地层信息，结合自注意力机制、双向长短期记忆网络（BiLSTM）和深度可分离卷积，增强对关键特征的选择与利用，实现复杂地层下的实时决策优化。实验表明，该方法在准确率和穿透概率上分别提升了2%-6%和3%-10%。
周浩|朱丹丹|周子杰|戴新平|朱丽萍|袁俊良|张凯
中国石油大学，北京，102249，中国
摘要
在油气开发过程中，确定钻井方向是一项具有挑战性的任务。地层岩石的磨蚀性、各向异性和非均匀性往往容易导致钻头偏离预定轨迹。传统方法主要基于钻前测量数据建立地质模型，设计井眼轨迹，然后优化和调整钻井参数，但这种方法在实际钻井操作中常常存在轨迹偏差大、适应性弱以及实时决策能力受限的问题。为了解决这些问题，本文提出了一种创新的3D空间宽角度检测（3D-SWAD）钻井方向决策算法。该算法引入了一种空间宽角度检测机制，通过整合钻头附近3D空间中的数据以及钻头前方未钻地层的信息，有效捕捉到钻井过程中遇到的地层3D信息。通过自注意力机制，增强了钻井过程中关键特征的识别和利用，从而提供更准确的导向决策支持。消融实验证明了BiLSTM、深度可分离卷积、非对称结构和自注意力模块在模型中的有效性。此外，在我们自己的数据集和公共数据集上的对比实验表明，与主流时空序列模型（如3D-CNN、ConvLSTM等）相比，我们的模型在准确性上提高了2%–6%，在穿透概率上提高了3%–10%。
引言
水平井和大位移井常用于高效开发非常规油气资源。然而，由于地层岩石的磨蚀性、各向异性和非均匀性，会遇到各种复杂的地层类型，包括地层反转、地层突变等地质现象（Xu等人，2007年；Berger等人，2000年）。井眼轨迹容易偏离设计轨迹，这使得复杂井眼轨迹的优化和钻井方向的决策成为一个亟待解决的问题（Li等人，2022年）。
传统的钻井方向决策主要基于经验和数值模型（Noshi等人，2017年；Cayeux等人，2021年）。它采用开环或闭环比例微分控制进行决策。然而，由于钻井过程的强非线性、复杂性、时变性和不确定性，实际钻井过程中总是存在跟踪误差和粘滑振荡。考虑到钻井轨迹控制过程中粘滑振荡的挑战，Panchal等人（2012年）提出了一种定向钻井工具姿态控制方法。Kremers等人（2015年）提出了一种基于模型的鲁棒井眼轨迹控制策略。Auriol等人（2020年）将粘滑抑制反馈律与基于动态和静态摩擦系数更新律的观测器相结合，实现了钻井工具端部的精确鲁棒控制。
近年来，人工智能领域取得了突破，深度学习方法已广泛应用于油气勘探领域（Kuang等人，2021年；Li等人，2021年）。目前，传统的井眼轨迹控制已向智能化、自动化和集成化发展，结合了计算机视觉、智能规划等方法，实现井眼轨迹的自动设计和优化（Alyaev等人，2019年；Wang等人，2014年；Kasravi等人，2017年；Rey-Fabret等人，2004年；Song等人，2016年）。Wang等人（2019年）提出了一种基于计算机视觉的智能井眼轨迹规划算法。他们将储层剖面（产层）转换为数值矩阵，并评估生产矩阵以自动生成最佳井道。Selveindran等人（2020年）利用地质、钻井到生产的历史数据，采用深度神经网络分析各种地质序列的相似性，通过循环神经网络（RNN）学习井探索模式，对具有相似井眼轨迹的井进行分类，并选择具有最佳偏移量的轨迹设计。Zhu等人（2024年）提出了一种目标感知的井道控制方法，该方法结合了强化学习和迁移学习。该方法能够在各种地质环境中准确跟踪预设轨迹，高效到达目标区域。
井眼轨迹特征模型是实现井眼轨迹优化的基础。该模型利用人工智能技术，特别是机器学习和数据分析方法，有效识别关键可控参数与稳定、创建和下降斜坡能力之间的映射关系。Zhang等人（2018年）提出了一种基于模型的双环反馈协作控制方法。该方法基于IT2FLC和演员-评论家强化学习（RL）算法，结合两种控制效果形成协作控制器，旨在实现旋转导向系统（RSS）的精确轨迹跟踪。Kullawan等人（2017年）解决了地质导向技术在不确定性条件下的决策能力问题，提出了一种离散随机动态规划方法（DSDP）来优化顺序地质导向决策。该方法可以显著提高井的最终效果，特别是在储层边界快速变化或处理断层储层的情况下。它显著增加了储层接触面积并降低了井建设成本。
然而，目前常用的钻井方向决策方法主要依赖于钻前数据和来自相似地层的井眼轨迹数据。这些方法利用智能技术实现钻井方向优化。但在处理复杂地层（如深井、超深井）和未知条件时（Li等人，2021年），我们不能仅依赖大数据和智能技术来设计井道。在钻井过程中整合实时重建的井地形模型和智能算法对于实现实时钻井方向决策和自动校正轨迹偏差至关重要。
为了解决上述问题，本文整合了钻头附近3D空间中的数据和钻头前方未钻地层的信息，提出了一种基于3D空间宽角度检测的钻井方向决策算法。本文的主要工作和贡献如下：
- (1)
提出了一种3D空间宽角度检测机制，用于整合钻前和钻后地层的3D空间信息。这种整合旨在获得更全面的钻井信息，为决策提供更可靠的基础；
- (2)
提出了Att-ADSC-BiLSTM智能钻井方向决策算法。该算法采用非对称深度可分离卷积机制，使模型能够更关注钻头附近的地层信息。通过整合双向长短期记忆（BiLSTM）结构，模型可以准确捕捉细粒度地层特征。此外，专门用于关键特征选择的自注意力机制有助于在未知环境中的复杂和特殊地层中进行实时钻井方向决策；
- (3)
通过准确标注井下钻井数据，为钻井方向决策提供充足的训练样本。利用标注数据，建立了钻井方向决策与井下工具导向能力之间的映射关系，并设计了具体的钻井方向决策控制方法。
本文的其余部分结构如下：第2节描述了本文提出的智能钻井方向决策方法的框架，第3节详细阐述了3D空间宽角度检测机制、井下导向数据标注和决策映射以及Att-ADSC-BiLSTM算法。第4节描述了实验设置和结果。第5节总结了本文。
部分摘录
智能钻井导向框架
本文提出了一种集成钻前地层数据的钻井方向决策框架，该框架得到了随钻测井（LWD）和预钻测井（LAWD）提供的3D地层空间信息的支持，如图1所示。该框架主要由四个部分组成：3D空间宽角度检测机制的信息增强、井下导向数据标注和决策映射、Att-ADSC-BiLSTM钻井方向决策算法
3D空间宽角度检测机制
在水平井和大位移井的钻井过程中，通过各种传感器监测地层环境，并收集实时测井数据。Schlumberger于2014年推出了超深LWD技术，检测范围为30米。随后在2019年推出了LAWD技术，可以检测到30米范围内的物体。Baker Hugus开发的RNS软件能够模拟和预测钻头前方的地质模型
测井数据预处理
本文使用测井数据构建数据集。本研究使用了来自不同地区的两个测井数据集进行联合验证。这些数据集均按照轴向数据上的地层深度方向进行排列。我们在之前的工作中使用的两个数据集的详细信息如下：
(1)中国西部盆地测井数据集（以下简称CW数据集）：中国西部盆地是一个
结论与未来工作
本文提出了一种基于Att-ADSC-BiLSTM的钻井方向决策方法，用于钻井过程中容易偏离设计轨迹的复杂井眼轨迹决策。通过建立空间宽角度检测机制整合LAWD和LWD数据，扩展了钻头的感知范围，包括附近的已钻和未钻地层。这种方法解决了钻井方向的挑战
CRediT作者贡献声明
周浩：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。朱丹丹：撰写——审阅与编辑、方法论、资金获取、概念化。周子杰：撰写——原始草稿、验证、调查。戴新平：软件。朱丽萍：资金获取。袁俊良：资金获取。张凯：撰写——审阅与编辑。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：
朱丹丹报告称获得了中国石油公司的财务支持。如果还有其他作者，他们声明没有已知的可能影响本文所述工作的财务利益或个人关系。
致谢
本研究得到了中国国家重点研发计划（编号2019YFA0708304）、中国石油公司创新基金（编号2022DQ02-0609）、中国石油公司与中国石油大学的战略合作技术项目（编号ZLZX2020-03）、中国石油大学北京分校的科学基金会（编号2462020YXZZ024）以及中国石油公司的科学研究和技术开发项目（编号2022DJ4507）的支持
