Odkąd sztuczna inteligencja wkroczyła do przemysłu wiercenia, często błędnie postrzegana jest jako po prostu "zastąpienie inżynierów terenowych jednym zautomatyzowanym modelem".środowiska wiercenia o wysokich ograniczeniach, najcenniejsze aplikacje sztucznej inteligencji funkcjonują bardziej jak systemy wspierające decyzje: szybko zbierają historię odwiertów, dane o formacji, pomiary w trakcie wiercenia, stan wiertarki,i warunków eksploatacji na miejscu w celu wygenerowania dobrze określonych zaleceń dotyczących doboru, zoptymalizowane zakresy parametrów i ostrzeżenia o ryzyku, zamiast podejmować samodzielne decyzje, które lekceważą ograniczenia techniczne.
Rysunek 1: Rurociąg danych i pozycjonowanie sztucznej inteligencji w środowisku wiertniczym
Rysunek 2: Schemat modelu hybrydowego stosu do wiercenia AI
Rysunek 3: Optymalizacja parametrów i scenariusze wczesnego ostrzegania o ryzyku w oparciu o SI
I. Podstawą wiercenia opartego na sztucznej inteligencji nie są modele, lecz bardziej realistyczny rurociąg danych.
Aby sztuczna inteligencja mogła odgrywać rolę w podejmowaniu decyzji dotyczących wiercenia, dane muszą być najpierw płynnie zintegrowane.Konfiguracje BHA i wiertarki, parametry, takie jak waga na bitie, prędkość obrotowa i prędkość pompy, moment obrotowy i ciśnienie błota, dane pomiarowe podczas wiercenia, zmiany trajektorii, zapisy zużycia i awarii oraz dzienniki zdarzeń w terenie.Jeżeli dane te nie mają jednolitej osi czasowejW związku z tym, że systemy szkoleniowe w zakresie modeli, standaryzowane etykiety warunków eksploatacji i spójne konwencje nazw, często wydają się wiarygodne na papierze, ale okazują się niemożliwe do zastosowania w terenie.
Dla producentów wiertarki najważniejsze dane niekoniecznie są najbardziej złożone; raczej są to informacje, które najlepiej odzwierciedlają wydajność narzędzia, takie jak typ przekroju studni,wersja z strukturą cięcia, lokalizacja awarii, morfologia zużycia, okna parametrów i wyniki pojedynczego uruchomienia.Sztuczna inteligencja może najpierw pomóc przedsiębiorstwom w ustanowieniu bardziej wiarygodnych zaleceń dotyczących wyboru narzędzi i ram identyfikacji problemów.
II. Wartościowe zastosowania sztucznej inteligencji w wierceń koncentrują się głównie na sześciu kluczowych etapach
Po pierwsze, dostarczyć zalecenia dotyczące wyboru wiertarki i BHA poprzez wykorzystanie historycznej wydajności studni i dopasowanie do podobnych warunków eksploatacyjnych w celu zawężenia zakresu prób i błędów.optymalizować parametry wiercenia poprzez dostarczanie bardziej konserwatywnych i wiarygodnych zaleceń dotyczących wagi na bitPo trzecie, wdrożyć wczesne ostrzeganie o anomaliach w celu szybkiego wykrycia problemów, takich jak poślizg kijów, wibracje sznurek wiertniczych, gromadzenie się ciasta błotowego,i odchylenia trajektoriiPo czwarte, przeprowadzenie przewidywania wydajności w celu oszacowania żywotności narzędzia jednorazowego użytku, maksymalnej prędkości penetracji i optymalnego czasu uruchomienia.przeprowadzenie analizy pooperacyjnej w celu automatycznego odwzorowania doświadczeń związanych z awariami na problemy projektowe lub operacyjnePo szóste, ułatwienie gromadzenia wiedzy poprzez skodyfikowanie rozdrobnionej wiedzy specjalistycznej posiadanej przez różne załogi wierceń i inżynierów w wielokrotnie wykorzystywalne zasady i wytyczne.
Wśród tych sześciu kategorii możliwości najłatwiej wdrożyć w pierwszej kolejności wykrywanie anomalii i zalecenia dotyczące okien parametrów, ponieważ dostarczają one bezpośredniej wartości na miejscu, charakteryzują się krótkimi pętlami zwrotnymi,i mają wyraźniejsze granice danychW przeciwieństwie do tego, "pełnie zautomatyzowane podejmowanie decyzji dotyczących wiercenia" zazwyczaj wymaga bardziej dojrzałych danych i bardziej rygorystycznych ograniczeń bezpieczeństwa.i powinny być traktowane jako cel długoterminowy, a nie pierwotny priorytet marketingowy..
III. Rozwiązania sztucznej inteligencji, które mogą być praktycznie wdrożone w projektach inżynierskich, są zazwyczaj modelami hybrydowymi łączącymi mechanizm + zasady + dane.
Polegając wyłącznie na modelach czarnej skrzynki trudno jest uzyskać wystarczające zaufanie w polu wiercenia,ponieważ podejmowanie decyzji na miejscu wymaga jasnych wyjaśnień, dlaczego parametry są dostosowywane w ten sposób, jakie są warunki graniczne i jakie ryzyka powstałyby w wyniku nieprawidłowych dostosowań.Modele mechaniczne zapewniające ograniczenia fizyczne i rozsądne zakresy działaniaPo drugie, oparte na zasadach bazy wiedzy, które zawierają doświadczenie empiryczne, a po trzecie, modele uczenia maszynowego, które identyfikują wzorce, prognozują trendy i dopasowują podobne odcinki studni.
Zaletą tej architektury hybrydowej jest to, że zarówno zachowuje on zdrowy rozsądek inżynieryjny, jak i progi bezpieczeństwa, jednocześnie wykorzystując dane do szybkiej iteracji.Jest to szczególnie ważne w zastosowaniach związanych z wiertarkami, ponieważ awaria bitów jest zazwyczaj pod wpływem kombinacji czynników strukturalnych, hydraulicznych, formacyjnych i operacyjnych, co utrudnia całkowite uchwycenie jednego algorytmu.Poprzez integrację modeli mechanicznych, reguł domeny i danych, podejście lepiej dostosowuje się do rzeczywistych warunków pola.
IV. Kluczem do optymalizacji w Internecie nie jest szybkie obliczanie, ale kontrolowanie pętli zwrotnej.
Aby sztuczna inteligencja mogła przekształcić się z narzędzia analitycznego w system optymalizacji internetowej, należy jasno odpowiedzieć na cztery kluczowe pytania: kto dostarcza zalecenia, kto je zatwierdza i wdraża,jak często przeprowadzane są przeglądyBez odpowiedzi na te cztery pytania nawet najbardziej zaawansowane modele pozostaną ograniczone do poziomu sprawozdawczości.Szczególnie w odcinkach studni o wysokim ryzyku, system musi nie tylko udzielać doradztwa w dziedzinie "jak dostosować", ale także wyjaśniać "dlaczego dostosowanie jest konieczne, jakie są związane z nim ryzyko i kiedy należy przerwać operacje w celu przeglądu".
Dlatego najnowocześniejsze systemy optymalizacji online zazwyczaj stosują podejście półautomatyczne: model działa nieprzerwanie i dostarcza zaleceń w czasie rzeczywistym,Podczas gdy wykonanie pozostaje ograniczone przez ograniczenia mechaniczne i ludzkie upoważnienieArchitektura ta wykorzystuje zalety podejmowania decyzji opartych na danych bez rezygnacji z kontroli na miejscu.Jest to również podstawowy powód, dla którego systemy wiercenia z wykorzystaniem sztucznej inteligencji są obecnie łatwiej akceptowane.
V. Aby sztuczna inteligencja rzeczywiście przynosiła wartość, musi być zintegrowana z procesami badania i rozwoju po śmierci.
Wiele przedsiębiorstw po wdrożeniu systemów sztucznej inteligencji osiąga jedynie skromne rezultaty, a przyczyną nie są słabe algorytmy, lecz to, że wyniki nie mogą być przekazywane w dalszych procesach.Jeżeli model dostarcza jedynie jednorazowe zalecenia bez wprowadzania informacji do projektuW przypadku, gdy systemy technologiczne, takie jak komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputerowe, komputery komputregulowanie parametrów cięcia, oraz opracowanie szablonów dla typowych scenariuszy zastosowań, system z czasem staje się coraz dokładniejszy.
W przypadku producentów wiertników proces ten w pętli zamkniętej ‒ bezproblemowy przejście z operacji terenowych z powrotem do badań i rozwoju ‒ jest szczególnie istotny.Każda proaktywna decyzja o wyciągnięciu sznurka przed terminem, a każde zidentyfikowanie wzorców zużycia powinno służyć jako wkład do następnej rundy ulepszeń produktów, a nie być relegate do jednorazowych podsumowań projektów.
Zalecenia dla Xingtong: Najpierw opracować bazę danych drill-bit i silnik analizy post-mortem, a następnie omówić budowę platformy sztucznej inteligencji na dużą skalę.
W celu ustanowienia wiarygodnej obecności w przestrzeni sztucznej inteligencji plus wiercenia Xingtong zaleca się najpierw zbudowanie trzech filarów podstawowych wokół swoich najcenniejszych zasobów danych:opracowanie jednolitego słownika danych obejmującego modele wiertnicze, geometrii płytek tnących, konfiguracji zębów tnących, stosowanych przecinkach studni i historycznej wydajności; po drugie, stworzenie kompleksowego atlasu morfologii zużycia i trybów awarii,łączenie zdjęć terenowych z etykietami warunków eksploatacyjnych; a po trzecie, ustanowić okna parametrowe i bazę danych wyników pojedynczego przebiegu, umożliwiającą porównanie i ponowne wykorzystanie skutecznych praktyk w różnych odcinkach studni.
Na tej podstawie będziemy stopniowo rozwijać funkcje takie jak zalecenia dotyczące wyboru produktów, sugestie dotyczące optymalizacji parametrów i ostrzeżenia o anomaliach.Oficjalna strona internetowa powinna widocznie podkreślać nasze możliwości optymalizacji parametrów.To, co naprawdę interesuje klientów kierowanych przez technologię, to to, czy organizacja może wykorzystać dane do płynnej integracji projektowania, operacji,i przeglądów po zdarzeniu, co ostatecznie zmniejsza koszty prób i błędów.
Odnośniki
- Baker Hughes: Informacje publicznie dostępne na temat oprogramowania Kantori i automatycznego wiertniczego wiercenia i-Trak.
- Halliburton: Informacje publicznie dostępne dotyczące inteligentnego wiercenia i integracji danych z wiertarkami.
- Liu Qingyou: Materiały badawcze dotyczące przyszłych inteligentnych systemów wiercenia, między innymi.
- Materiały dostępne publicznie związane z chińską konferencją technologii sztucznej inteligencji naftowej i gazowej w 2025 r.