(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111375413.4 (22)申请日 2021.11.19 (71)申请人 东北石油大 学 地址 163318 黑龙江省大庆市高新区发展 路199号 (72)发明人 刘维凯　赵晏斌　李海营　杨薇　 邹彤　田志敏　 (74)专利代理 机构 大庆知文知识产权代理有限 公司 231 15 代理人 李建华 (51)Int.Cl. E21B 7/04(2006.01) E21B 45/00(2006.01) E21B 47/00(2012.01) E21B 47/022(2012.01)E21B 47/04(2012.01) E21B 47/06(2012.01) G06F 30/27(2020.01) (54)发明名称 一种基于人工智能的待钻井眼轨道井下规 划方法 (57)摘要 一种基于人工智能的待钻井眼轨道井下规 划方法。 所述包括目标区块进行随钻数据采集， 利用人工智能建立井下岩层识别模型和井眼轨 迹预计算集成数学模型， 进行井下井眼轨迹跟踪 及确定钻头空间位置； 之后， 编制待钻井眼轨道 井下规划程序， 以实现待钻井眼轨道姿态的井下 自动规划； 分别将井下岩层识别模型、 井眼轨迹 预计算集成数学模型和待钻井眼轨道井下规划 程序导入到井下导向钻具芯片的运算器中； 启动 井下导向钻具， 芯片自动调用井下岩层识别模 型、 集成模型和待钻井眼轨道井下规划程序中的 参数完成井下岩层识别及待钻井眼轨道规划。 利 用本发明所述方法， 可以实现在井下当钻头偏离 原井眼轨道时， 利用钻头空间位置信息， 导向钻 具自动重新设计井眼轨道， 修正偏离， 从而提高 钻井效率。 权利要求书3页 说明书9页 附图2页 CN 114086887 A 2022.02.25 CN 114086887 A 1.一种基于人工智能的待钻井眼轨道井下规划方法， 其特征在于所述方法包括如下步 骤： 第一步， 在地面先后下入钻具和测井仪器对目标区块进行随钻数据采集， 所述目标区 块的随钻数据包括钻井数据和测井数据， 采集到的钻井数据包括： 钻压、 转速、 扭矩、 环空压 力、 井斜角、 方位角和工具面角； 采集到的测井数据包括： 自然伽马曲线、 电阻率和随钻振 动； 第二步， 以经由第一步所采集到的随钻数据中的测井数据为基础数据， 按照以下路径 建立井下岩层识别模型， 所述路径如下： ①对所述测井数据中的自然伽马曲线、 电阻率、 随钻振动数据按照公式(1)进行测井曲 线标准化操作， 获取到三组标准 化处理后的测井数据； 其中， Xi代表原始数据， 代表平均值， σ 代 表标准差， Xi′代表标准化结果； ②将所述标准化处理后的测井数据按照70％的训练集和30％的测试集比例分成训练 集数据和 测试集数据； 将差分进化算法DE加入到XGBoost算法中的训练部分， 建立DE ‑XGBoost模型对所述训 练集数据进行 学习， 建立第一井下岩层识别模型； ③在1号计算机上通过编程语言Python对第二步的 ②过程进行编程， 将数据文件以 .csv的格式输入到DE ‑XGBoost模型中， 对XGBoost算法中的参数进行差分进化选取， 获得第 二井下岩层识别模 型， 所述参数包括决策树数量、 树的最大深度、 gamma、 最小叶子节点样 本 权重、 最大步长和学习率； 以所述第二井下岩层识别模型作为本步骤中 需要获得的井下岩层识别模型； 第三步， 以经由第一步所采集到的随钻数据中的钻井数据作为基础数据， 按照如下路 径建立井眼轨迹预计算集成数学模型， 进行井下井眼轨迹跟踪及确定钻头空间位置， 所述 路径如下： ①对所述钻井数据中的钻压、 转速、 扭矩和环空压力按照公式( 2)进行数据归一化操 作； 获取到四组归一 化处理后的钻井数据； 其中， Yi代表原始数据， Mi n代表数据最小值， Max代 表数据最大值； Yi′代表归一化结果； ②将归一化处理后的钻井数据按照80％的训练集和20％的测试集比例分成训练集数 据和测试集数据， 按照如下方式， 利用人工智能算法对训练集数据进 行学习， 得到用于输出 井眼轨迹预计算结果的井眼轨 迹预计算 集成数学模型； 所述方式如下： 所述人工智能算法包括线性模型、 树形模型和 神经网络； 其中， 线性模型采用线性回归， 线性模型定义 为： f(x)＝w0+w1x1+w2x2+…+wnxn 其中， wi代表权重， xi代表数据值； 树形模型包括决策树、 随机森林、 Ba gging算法和XGBo ost算法；权　利　要　求　书 1/3 页 2 CN 114086887 A 2神经网络采用的是AN N中的BP神经网络； 将所述训练集数据输入到线性模型中， 经过线性拟合后得到具有拟合效果的线性模 型； 将所述训练集数据输入到树形模型中， 经过树形运算后得到参数完善的树形模型； 将所 述训练集数据输入到神经网络中， 经 过神经网络加权运 算后得到对应权 重的神经网络； 再将所得到的具有拟合效果的线性模型、 参数完善的树形模型和对应权重的神经网络 按照1:2:3的权 重进行加权构建， 所述加权构建按照公式(3)进行： Model＝LR+2·Tree+3·ANN  公式(3) 其中， Model代表井眼轨迹预计算集成数学模型， LR代表线性模型， Tree代表树形模型， ANN代表神经网络模型； 在2号计算机上利用编程语言Python对本步骤 ②中的上述过程进行编程， 得到井眼轨 迹预计算 集成数学模型； ③将测试集数据输入到经由第 三步步骤 ②中得出的井眼轨迹预计算集成数学模型中， 直接得到井眼轨迹预计算运行结果， 即得到预测井眼轨迹； 用井眼轨迹预计算运行结果乘 以现场实际测试集数据数据测量时间的时间差， 得到预测钻头空间位置信息； 第四步， 编制待钻井眼轨道井下规划程序， 以实现待钻井眼轨道姿态的井下自动 规划； 本步骤在3号计算机上用Pytho n编程语言完成； 所述待钻井眼轨道井下规划程序用于执 行如下操作： (1)将导向钻具钻进时所获得的实时随钻数据流代入到第 三步所获得的井眼轨迹预计 算集成数学模型中， 随着随钻数据流的输入实时计算出当前钻头位置， 将当前钻头位置与 导向钻具中的预设钻头位置相比较， 判断是否偏离导向钻具预设井眼轨道， 如果没有偏 离， 按原轨道继续钻进； 如果 发生偏离， 则执行下列步骤(2)至步骤(7)， 以实现重新在井下对轨 道进行规划； (2)获取当前井眼轨迹和靶窗位置， 将当前井眼轨迹和靶窗位置以井深、 井斜、 方位角 的数据模式模拟出垂直剖面； (3)获取当前钻头在垂直剖面中的位置， 在钻头位置处模拟出切线作为井眼轴线辅助 线； (4)读取原轨道的靶窗最佳入靶角度， 在靶窗最佳入靶角度处以井深、 井斜、 方位角的 数据模式模拟出基准线作为靶点辅助线； (5)靶点辅助线和井眼轴 线辅助线会在垂直剖面内相交， 在相交平面内做一个 弧线， 该 弧线需满足与靶点辅助线和井眼轴线辅助线相切； (6)将弧线投影至水平投影， 此时将垂直剖面和水平投影进行展开得到新的三维井 眼 轨道， 三维井眼轨道包括井深、 垂深、 井斜角 、 方位角、 北坐标、 东坐标、 造斜率、 变方位率和 段长； (7)跳转至步骤(1)， 同时， 将步骤(6)中获得的三维井眼轨道作为步骤(1)中的导向钻 具预设井眼轨道； 第五步， 分别将第二步中得到的井下岩层识别模型、 第三步中所得到的井眼轨迹预计 算集成数学模型和第四步所得到的待钻井眼轨道井下规划 程序导入到井下导向钻具芯片 的运算器中， 所述井下导向钻具芯片成为能够自动处理第二步、 第三步和第四步所述过程 并实时导出岩层识别和轨道井下规划结果的计算设备；权　利　要　求　书 2/3 页 3 CN 114086887 A 3