Desde que la IA entró en la industria de la perforación, a menudo se ha percibido erróneamente como simplemente reemplazar a los ingenieros de campo con un solo modelo automatizado.entornos de perforación muy limitados, las aplicaciones de IA más valiosas funcionan más como sistemas de apoyo a la decisión: agregan rápidamente el historial del pozo, los datos de formación, las mediciones de registro durante la perforación, la condición del brote,y condiciones de operación en el lugar para generar recomendaciones de selección bien definidas, amplitudes de parámetros optimizadas y alertas de riesgo en lugar de tomar decisiones independientes que no tengan en cuenta las limitaciones de ingeniería.
Figura 1: Transporte de datos y posicionamiento de la IA en buceo en bucle cerrado
Figura 2: Esquema de la pila de modelos híbridos para la perforación de IA
Figura 3: Optimización de parámetros y escenarios de alerta temprana de riesgos impulsados por la IA
I. La base de la perforación basada en IA no son los modelos, sino una tubería de datos viable.
Para que la IA juegue un papel en la toma de decisiones de perforación, los datos deben integrarse sin problemas.Configuración de BHA y broca, parámetros como el peso en el bit, la velocidad de rotación y la velocidad de la bomba, el par y la presión del barro, los datos de medición durante la perforación, los cambios de trayectoria, los registros de desgaste y fallas y los registros de eventos en el campo.Si estos datos carecen de un eje de tiempo unificadoEn el caso de los modelos de formación, los conocimientos obtenidos a través de la formación de modelos a menudo parecen plausibles en el papel, pero resultan imposibles de aplicar en el campo.
Para los fabricantes de brocas, los datos más críticos no son necesariamente los más complejos; más bien, son las ideas que reflejan mejor el rendimiento de la herramienta, como el tipo de sección del pozo,versión de estructura de corte, ubicación del fallo, morfología del desgaste, ventanas de parámetros y resultados de una sola ejecución.La IA puede ayudar primero a las empresas a establecer recomendaciones más confiables para la selección de herramientas y marcos de identificación de problemas.
II. Las aplicaciones de IA de gran valor en la perforación se concentran principalmente en seis etapas clave
En primer lugar, proporcionar recomendaciones para la selección de broca y BHA aprovechando el rendimiento histórico del pozo y el emparejamiento con condiciones operativas similares para reducir el alcance de la prueba y el error.Optimizar los parámetros de perforación ofreciendo recomendaciones más conservadoras y confiables para el peso por trozoEn tercer lugar, implementar una alerta temprana de anomalías para detectar rápidamente problemas como el deslizamiento del palo, la vibración de las cuerdas de perforación, la acumulación de pastel de barro,y desviación de trayectoriaEn cuarto lugar, realizar predicción de rendimiento para estimar la vida útil de la herramienta de un solo viaje, la tasa de penetración máxima y el tiempo óptimo de activación.llevar a cabo un análisis posterior a la operación para asignar automáticamente las experiencias de fallas a los problemas de diseño o de proceso operativoEn sexto lugar, facilitar la acumulación de conocimientos mediante la codificación de la experiencia fragmentada de varios equipos de perforación e ingenieros en reglas y directrices reutilizables.
Entre estas seis categorías de capacidad, la detección de anomalías y las recomendaciones de ventanas de parámetros son las más fáciles de implementar primero, ya que proporcionan un valor directo en el sitio, cuentan con bucles de retroalimentación cortos,y tener límites de datos más clarosPor el contrario, la toma de decisiones de perforación totalmente automatizada requiere normalmente datos más maduros y restricciones de seguridad más estrictas.y debe tratarse generalmente como un objetivo a largo plazo en lugar de una prioridad inicial de comercialización.
III. Las soluciones de IA que pueden implementarse en la práctica en proyectos de ingeniería son típicamente modelos híbridos que combinan mecanismo + reglas + datos.
El hecho de basarse únicamente en modelos de caja negra dificulta la obtención de una confianza suficiente en el campo de perforación.porque la toma de decisiones en el lugar requiere explicaciones claras de por qué los parámetros se ajustan de esta manera, cuáles son las condiciones límite y qué riesgos surgirían de ajustes incorrectos.modelos mecanicistas que proporcionan limitaciones físicas y rangos de funcionamiento razonablesEn segundo lugar, bases de conocimiento basadas en reglas que encapsularan la experiencia empírica; y en tercer lugar, modelos de aprendizaje automático que identifican patrones, pronostican tendencias y combinan secciones similares de pozos.
La ventaja de esta arquitectura híbrida es que preserva el sentido común de la ingeniería y los umbrales de seguridad mientras aprovecha los datos para una iteración rápida.Esto es particularmente importante en las aplicaciones relacionadas con la perforación, ya que la falla de bits generalmente está influenciada por una combinación de factores estructurales, hidráulicos, de formación y operativos, lo que dificulta su captura completa con un solo algoritmo.Al integrar modelos mecanicistas, reglas de dominio y datos, el enfoque se alinea mejor con las condiciones del campo del mundo real.
IV. La clave para la optimización en línea no radica en computar rápidamente, sino en controlar el ciclo de retroalimentación.
Para que la IA evolucione de una herramienta analítica a un sistema de optimización en línea, deben abordarse claramente cuatro preguntas clave: quién proporciona las recomendaciones, quién las aprueba e implementa,con qué frecuencia se realizan las revisionesSin respuestas a estas cuatro preguntas, incluso los modelos más sofisticados se limitarán al nivel de información.Particularmente en las secciones de pozos de alto riesgo, el sistema no sólo debe asesorar al sector sobre cómo ajustar, sino también explicar por qué es necesario el ajuste, cuáles son los riesgos asociados y cuándo detener las operaciones para su revisión.
Por lo tanto, los sistemas de optimización en línea de última generación suelen adoptar un enfoque semiautomático: el modelo se ejecuta continuamente y proporciona recomendaciones en tiempo real,Mientras que la ejecución permanece limitada por límites mecánicos y autorización humanaEsta arquitectura aprovecha las ventajas de la toma de decisiones basada en datos sin renunciar al control in situ.También es la razón fundamental por la que los sistemas de perforación impulsados por IA son actualmente más fácilmente aceptados.
V. Para que la inteligencia artificial ofrezca un verdadero valor, debe integrarse en los procesos de investigación y desarrollo post-mortem.
Muchas empresas solo ven resultados modestos después de implementar sistemas de IA, y la causa raíz no son los algoritmos deficientes, sino que los resultados no se reflejan en los procesos posteriores.Si un modelo sólo proporciona una recomendación de una sola vez sin introducir información en el diseñoEn la actualidad, la tecnología de la inteligencia artificial se ha convertido en una herramienta muy útil para mejorar la calidad de los datos de uso, lo que significa que los datos de uso de los sistemas de inteligencia artificial se han convertido en una herramienta muy útil para mejorar la calidad de los datos.ajustar los parámetros de corte, y desarrollar plantillas para escenarios de aplicación típicos, el sistema se vuelve cada vez más preciso con el tiempo.
Para los fabricantes de brocas, este proceso de circuito cerrado, que permite pasar sin problemas de las operaciones de campo a la I+D, es particularmente crítico.cada decisión proactiva de sacar la cuerda de perforación antes de lo previsto, y cada identificación de patrones de desgaste debe servir de información para la próxima ronda de actualizaciones de productos, en lugar de relegarse a resúmenes únicos de proyectos.
VI. Recomendaciones para Xingtong: primero desarrollar una base de datos de perforación y un motor de análisis post-mortem, luego discutir la construcción de una plataforma de IA a gran escala.
Para establecer una presencia creíble en el espacio de IA más perforación, se aconseja a Xingtong que primero construya tres pilares fundamentales en torno a sus activos de datos más valiosos: primero,desarrollar un diccionario de datos unificado que cubra los modelos de brocas, geometrías de las placas de corte, configuraciones de los dientes de corte, secciones de pozo aplicables y rendimiento histórico; en segundo lugar, crear un atlas completo de morfologías de desgaste y modos de falla,Enlace de fotografías de campo con etiquetas de condiciones de funcionamiento; y tercero, establecer ventanas de parámetros y una base de datos de resultados de una sola operación, que permita la comparación y reutilización de prácticas exitosas en diferentes tramos de pozo.
Sobre esta base, desarrollaremos progresivamente características como recomendaciones de selección de productos, sugerencias de optimización de parámetros y alertas de anomalías.El sitio web oficial debe destacar prominentemente nuestras capacidades de circuito cerrado de datos y optimización de parámetrosLo que realmente les importa a los clientes impulsados por la tecnología es si una organización puede aprovechar los datos para integrar sin problemas el diseño, las operaciones,y las revisiones posteriores al evento, reduciendo en última instancia los costes de ensayo y error.
Las referencias
- Baker Hughes: Información disponible al público sobre el software Kantori y la perforación direccional automatizada i-Trak.
- Halliburton: Información disponible al público sobre la perforación inteligente y la integración de datos de perforación.
- Liu Qingyou: Materiales de investigación relacionados con futuros sistemas inteligentes de perforación, entre otros.
- Los materiales disponibles al público relacionados con la Conferencia de Tecnología de Inteligencia Artificial de Petróleo y Gas de China 2025.