AI가 시추 산업에 진입한 이후, 종종 단순히 '단일 자동화 모델로 현장 엔지니어를 대체하는 것'으로 오해받곤 했습니다. 실제로는 고위험, 고제약 시추 환경에서 가장 가치 있는 AI 적용은 의사결정 지원 시스템처럼 작동합니다. 즉, 과거 시추 이력, 지층 데이터, 시추 중 측정값, 드릴 비트 상태, 현장 운영 조건을 신속하게 통합하여 명확한 선택 권장 사항, 최적화된 매개변수 범위, 위험 경고를 생성하며, 엔지니어링 제약을 무시하는 독립적인 결정을 내리는 것이 아닙니다.
그림 1: 시추 분야 AI의 데이터 파이프라인 및 폐쇄 루프 위치 지정
그림 2: AI 시추를 위한 하이브리드 모델 스택 개략도
그림 3: AI 기반 매개변수 최적화 및 위험 조기 경보 시나리오
I. AI 기반 시추의 기반은 모델이 아니라 실행 가능한 데이터 파이프라인입니다.
AI가 시추 의사 결정에 역할을 하려면 먼저 데이터가 원활하게 통합되어야 합니다. 이 데이터 파이프라인은 일반적으로 지질 및 시추 이력 데이터, BHA 및 드릴 비트 구성, 비트당 하중, 회전 속도, 펌프 속도와 같은 매개변수, 토크 및 머드 압력, 시추 중 측정 데이터, 궤적 변경, 마모 및 고장 기록, 현장 이벤트 로그를 포함합니다. 이 데이터에 통합된 시간 축, 표준화된 운영 조건 레이블, 일관된 명명 규칙이 부족하면 모델 훈련에서 생성된 통찰력은 종종 이론적으로는 타당해 보이지만 현장에서 적용 불가능한 것으로 판명될 것입니다.
드릴 비트 제조업체의 경우 가장 중요한 데이터는 반드시 가장 복잡한 데이터는 아닙니다. 오히려 도구 성능을 가장 잘 반영하는 통찰력, 즉 시추 구간 유형, 절단 구조 버전, 고장 위치, 마모 형태, 매개변수 창, 단일 회전 결과입니다. 이러한 데이터를 구조화된 형식으로 표준화함으로써 AI는 먼저 기업이 보다 신뢰할 수 있는 도구 선택 권장 사항 및 문제 식별 프레임워크를 구축하는 데 도움을 줄 수 있습니다.
II. 시추 분야의 고부가가치 AI 적용은 주로 여섯 가지 핵심 단계에 집중되어 있습니다.
첫째, 과거 시추 성능을 활용하고 유사한 운영 조건과 일치시켜 시행착오 범위를 좁힘으로써 드릴 비트 및 BHA 선택에 대한 권장 사항을 제공합니다. 둘째, 실시간 운영 조건을 기반으로 비트당 하중, 회전 속도, 펌프 속도에 대한 보다 보수적이고 신뢰할 수 있는 권장 사항을 제공하여 시추 매개변수를 최적화합니다. 셋째, 스틱 슬립, 드릴 스트링 진동, 머드 케이크 축적, 궤적 편차와 같은 문제를 신속하게 감지하기 위해 이상 조기 경보를 구현합니다. 넷째, 단일 트립 도구 수명, 최대 침투율, 최적의 트립 시점을 추정하기 위해 성능 예측을 수행합니다. 다섯째, 운영 후 분석을 수행하여 고장 경험을 설계 또는 운영 프로세스 문제로 자동 매핑합니다. 여섯째, 다양한 시추 팀 및 엔지니어의 파편화된 전문 지식을 재사용 가능한 규칙 및 지침으로 코딩하여 지식 축적을 촉진합니다.
이 여섯 가지 기능 범주 중에서 이상 감지 및 매개변수 창 권장 사항은 직접적인 현장 가치를 제공하고 피드백 루프가 짧으며 데이터 경계가 더 명확하기 때문에 가장 먼저 구현하기 쉽습니다. 대조적으로, '완전 자동화된 시추 의사 결정'은 일반적으로 더 성숙한 데이터와 더 엄격한 안전 제약 조건을 요구하며, 초기 마케팅 우선순위보다는 장기적인 목표로 취급해야 합니다.
III. 엔지니어링 프로젝트에 실질적으로 적용 가능한 AI 솔루션은 일반적으로 '메커니즘 + 규칙 + 데이터'를 결합한 하이브리드 모델입니다.
블랙박스 모델에만 의존하면 시추 분야에서 충분한 신뢰를 얻기 어렵습니다. 현장 의사 결정에는 '매개변수가 왜 그렇게 조정되었는지, 경계 조건은 무엇인지, 잘못된 조정으로 인해 어떤 위험이 발생하는지'에 대한 명확한 설명이 필요하기 때문입니다. 따라서 진정으로 배포 가능한 AI 시스템은 일반적으로 세 가지 구성 요소로 구성됩니다. 첫째, 물리적 제약 조건과 합리적인 작동 범위를 제공하는 메커니즘 모델. 둘째, 경험적 전문 지식을 캡슐화하는 규칙 기반 지식 베이스. 셋째, 패턴을 식별하고 추세를 예측하며 유사한 시추 구간을 일치시키는 머신 러닝 모델입니다.
이 하이브리드 아키텍처의 장점은 데이터 기반의 빠른 반복을 활용하면서 엔지니어링 상식과 안전 임계값을 보존한다는 것입니다. 이는 시추 비트 관련 적용에 특히 중요합니다. 비트 고장은 일반적으로 구조적, 유압적, 지층 및 운영 요인의 조합에 의해 영향을 받기 때문에 단일 알고리즘으로 완전히 포착하기 어렵습니다. 메커니즘 모델, 도메인 규칙 및 데이터를 통합함으로써 이 접근 방식은 실제 현장 조건과 더 잘 일치합니다.
IV. 온라인 최적화의 핵심은 '빠르게 계산하는 것'이 아니라 '피드백 루프를 제어하는 것'에 있습니다.
AI가 분석 도구에서 온라인 최적화 시스템으로 발전하려면 네 가지 핵심 질문에 명확하게 답해야 합니다. 누가 권장 사항을 제공하는가, 누가 승인하고 구현하는가, 얼마나 자주 검토를 수행하는가, 어떤 상황에서 인간의 개입이 필요한가입니다. 이 네 가지 질문에 대한 답이 없으면 가장 정교한 모델조차 보고 수준에 머물 것입니다. 특히 고위험 시추 구간에서는 시스템이 현장에 '어떻게 조정할지'를 조언할 뿐만 아니라 '왜 조정이 필요한지, 관련 위험은 무엇인지, 검토를 위해 언제 작업을 중단해야 하는지'를 설명해야 합니다.
따라서 최첨단 온라인 최적화 시스템은 일반적으로 반자동 접근 방식을 채택합니다. 모델은 지속적으로 실행되어 실시간 권장 사항을 제공하며, 실행은 메커니즘 제한 및 인간의 승인에 의해 제약됩니다. 이 아키텍처는 데이터 기반 의사 결정의 장점을 활용하면서 현장 제어권을 포기하지 않습니다. 또한 AI 기반 시추 시스템이 현재 더 쉽게 수용되는 근본적인 이유이기도 합니다.
V. AI가 진정한 가치를 제공하려면 사후 분석 및 R&D 프로세스에 통합되어야 합니다.
많은 기업이 AI 시스템을 배포한 후에도 미미한 결과만 얻습니다. 그 근본 원인은 알고리즘이 좋지 않아서가 아니라 결과가 다운스트림 프로세스로 피드백되지 않기 때문입니다. 모델이 설계, 제조, 테스트 및 고객 서비스에 통찰력을 피드백하여 규칙과 절차를 업데이트하지 않고 단일 권장 사항만 제공하면 시스템의 가치는 빠르게 침식될 것입니다. 반대로, AI 생성 통찰력을 사용하여 마모 데이터베이스를 개선하고, 절단 매개변수를 조정하고, 일반적인 적용 시나리오에 대한 템플릿을 개발할 수 있다면 시스템은 시간이 지남에 따라 점점 더 정확해집니다.
드릴 비트 제조업체의 경우, 현장 운영에서 R&D로 원활하게 이동하는 이 폐쇄 루프 프로세스는 특히 중요합니다. 비정상적인 진동에 대한 모든 경고, 드릴 스트링을 예정보다 일찍 인출하기로 한 모든 사전 결정, 마모 패턴에 대한 모든 식별은 일회성 프로젝트 요약으로 격하되는 것이 아니라 다음 제품 업그레이드 라운드의 입력으로 사용되어야 합니다.
VI. 싱통(Xingtong)에 대한 권장 사항: 먼저 드릴 비트 데이터베이스와 사후 분석 엔진을 개발한 다음 대규모 AI 플랫폼 구축에 대해 논의합니다.
AI와 시추 분야에서 신뢰할 수 있는 입지를 구축하기 위해 싱통은 가장 가치 있는 데이터 자산을 중심으로 세 가지 기반 기둥을 먼저 구축하는 것이 좋습니다. 첫째, 드릴 비트 모델, 절단 플레이트 형상, 절단 치 구성, 적용 가능한 시추 구간 및 과거 성능을 포함하는 통합 데이터 사전을 개발합니다. 둘째, 현장 사진과 운영 조건 레이블을 연결하는 포괄적인 마모 형태 및 고장 모드 아틀라스를 만듭니다. 셋째, 매개변수 창 및 단일 회전 결과 데이터베이스를 구축하여 다른 시추 구간에 걸쳐 성공적인 사례를 비교하고 재사용할 수 있도록 합니다.
이러한 기반 위에 제품 선택 권장 사항, 매개변수 최적화 제안, 이상 경고와 같은 기능을 점진적으로 개발할 것입니다. 동시에 공식 웹사이트는 'AI를 하고 있다'와 같은 모호한 주장을 하는 대신 '데이터 폐쇄 루프 기능'과 '매개변수 최적화 기능'을 눈에 띄게 강조해야 합니다. 기술 중심 고객이 진정으로 관심을 갖는 것은 조직이 데이터를 활용하여 설계, 운영 및 사후 검토를 원활하게 통합하여 궁극적으로 시행착오 비용을 줄일 수 있는지 여부입니다.
참고 문헌
- Baker Hughes: Kantori 소프트웨어 및 i-Trak 자동 방향 시추에 대한 공개 정보.
- Halliburton: 지능형 시추 및 드릴 비트 데이터 통합에 대한 공개 정보.
- 류칭유(Liu Qingyou): 미래 지능형 시추 시스템 관련 연구 자료 등.
- 2025 중국 석유 및 가스 인공지능 기술 컨퍼런스 관련 공개 자료.