Yapay zekâ sondaj endüstrisine girdiğinden beri, genellikle yanlışlıkla sadece saha mühendislerini tek bir otomatik modelle değiştirmek olarak algılanmıştır.Çok zorlu sondaj ortamları, en değerli yapay zeka uygulamaları daha çok karar desteği sistemleri gibi işlev görürler: çabuk olarak kuyu geçmişini, oluşum verilerini, sondaj sırasında kayıt ölçümlerini, sondaj bit durumunu,iyi tanımlanmış seçim önerileri oluşturmak için ve yeryüzündeki çalışma koşulları, optimize edilmiş parametreler aralıkları ve risk uyarıları, mühendislik kısıtlamalarını göz ardı eden bağımsız kararlar vermek yerine.
Şekil 1: Veri boru hattı ve sondajda AI'nın kapalı döngü konumlandırması
Şekil 2: AI sondajı için hibrit model yığınının şeması
Şekil 3: Yapay Zeka ile Yönlendirilmiş Parametre Optimizasyonu ve Risk Erken Uyarı Senaryoları
I. Yapay zekaya dayalı sondajın temeli modeller değil, daha çok uygulanabilir bir veri boru hattı.
Yapay zekâ sondaj karar alma işleminde rol oynaması için, verilerin öncelikle sorunsuz bir şekilde entegre edilmesi gerekir.BHA ve matkap konfigürasyonları, bit üzerinde ağırlık, dönme hızı ve pompa hızı, tork ve çamur basıncı, sondaj sırasında ölçüm verileri, yörüngede değişiklikler, aşınma ve arıza kayıtları ve saha olayları günlükleri gibi parametreler.Eğer bu verilerin birleştirilmiş bir zaman ekseni yoksa, standartlaştırılmış çalışma koşulları etiketleri ve tutarlı isimleme sözleşmeleri, model eğitiminden elde edilen bilgiler genellikle kağıt üzerinde makul görünür, ancak saha üzerinde uygulanması imkansız olur.
Boruçuluk üreticileri için, en kritik veriler en karmaşık olmak zorunda değildir; Aksine, kuyunun kesimi tipi,kesme yapısı versiyonuBu verileri yapılandırılmış bir formata standardize ederek,Yapay zekâ, öncelikle şirketlerin daha güvenilir araç seçimi önerileri ve problem tanımlama çerçeveleri oluşturmasına yardımcı olabilir.
II. Sondajda Yüksek Değerli Yapay Zeka Uygulamaları Temel Olarak Altı Ana Aşamaya Odaklanıyor
Birincisi, sondaj bit ve BHA seçimi için öneriler sunmak, deney-hata kapsamını daraltmak için tarihsel kuyunun performansını kullanmak ve benzer çalışma koşullarıyla eşleştirmek.Daha muhafazakar ve güvenilir tavsiyeler sunarak sondaj parametrelerini optimize etmekÜçüncüsü, çubuk kayması, matkap iğnesi titreşimi, çamur pastası birikimi gibi sorunları anında tespit etmek için anomali erken uyarı uygulamak,ve yörüngenin sapmasıDördüncüsü, tek seferli alet ömrünü, maksimum nüfuz oranını ve optimal tetikleme zamanlamasını tahmin etmek için performans tahminini gerçekleştirin.İşlem sonrası analizi gerçekleştirmek, arıza deneyimlerini otomatik olarak tasarım veya operasyonel süreç sorunlarına aktarmak içinAltıncı, çeşitli sondaj ekipleri ve mühendislerin sahip olduğu parçalanmış uzmanlığı yeniden kullanılabilir kurallar ve kılavuzlara dönüştürerek bilgi birikmesini kolaylaştırmak.
Bu altı yetenek kategorisi arasında, anomali tespiti ve parametreler penceresi önerileri ilk olarak uygulanması en kolay olanlardır, çünkü doğrudan yerleşim yerinde değer sunarlar, kısa geri bildirim döngüleri içerirler,ve daha net veri sınırlarına sahipÖte yandan, "tamamen otomatik sondaj karar alma" tipik olarak daha olgun veriler ve daha sıkı güvenlik kısıtlamaları gerektirir.ve genellikle ilk pazarlama önceliği yerine uzun vadeli bir hedef olarak ele alınmalıdır..
III. Mühendislik projelerinde pratikte uygulanabilen yapay zeka çözümleri tipik olarak mekanizma + kurallar + verileri birleştiren hibrit modellerdir.
Sadece kara kutu modellerine güvenmek, sondaj alanında yeterli güven kazanmayı zorlaştırır.Çünkü yeryüzünde karar verme, parametrelerin neden bu şekilde ayarlandığı konusunda net açıklamalar gerektirir., sınır koşulları nelerdir ve yanlış ayarlamalardan kaynaklanacak riskler nelerdir. Bu nedenle, gerçekten dağıtılabilir bir yapay zeka sistemi tipik olarak üç bileşenden oluşur:Fiziksel kısıtlamalar ve makul çalışma aralıkları sağlayan mekanik modellerİkinci olarak, deneysel uzmanlığı kapsayan kurallara dayalı bilgi tabanları; ve üçüncüsü, kalıpları tanımlayan, eğilimleri öngören ve benzer kuyu bölümlerini eşleştiren makine öğrenimi modelleri.
Bu hibrit mimarinin avantajı, hem mühendislik sağduyularını hem de güvenlik eşiğini korurken, hızlı tekrarlama için verileri kullanmasıdır.Bu özellikle sondaj bit ile ilgili uygulamalarda önemlidir., bit arızası tipik olarak yapısal, hidrolik, oluşum ve operasyonel faktörlerin bir kombinasyonundan etkilenir, bu da tek bir algoritma ile tamamen yakalamayı zorlaştırır.Mekanistik modelleri bütünleştirerek, alan kuralları ve veriler, yaklaşım gerçek dünyadaki saha koşullarıyla daha iyi uyum içindedir.
IV. Online optimizasyonun anahtarı hızlı bir şekilde hesaplamada değil, geri bildirim döngüsünü kontrol etmektir.
Yapay zekâ'nın bir analitik araçtan çevrimiçi bir optimizasyon sistemine dönüşmesi için, dört temel sorunun açıkça ele alınması gerekir: önerileri kim sağlar, kim onaylar ve uyguluyor,ne sıklıkla gözden geçirilirBu dört sorunun cevabı olmadan, en gelişmiş modeller bile raporlama seviyesine sınırlı kalacaktır.Özellikle yüksek riskli kuyu bölümlerinde, sistem sadece sahaya nasıl ayarlanacağı konusunda tavsiyede bulunmakla kalmamalı, aynı zamanda neden ayarlamanın gerekli olduğunu, ilgili risklerin ne olduğunu ve ne zaman operasyonların gözden geçirilmesi için durdurulması gerektiğini açıklamalıdır.
Bu nedenle, en son çevrimiçi optimizasyon sistemleri tipik olarak yarı otomatik bir yaklaşım benimser: model sürekli çalışır ve gerçek zamanlı öneriler sağlar,İcra mekanizma sınırları ve insan yetkisi ile sınırlı kalırkenBu mimari, yerleşim kontrolünden vazgeçmeden veri odaklı karar verme avantajlarından yararlanmaktadır.Ayrıca, yapay zeka ile çalışan sondaj sistemlerinin şu anda daha kolay kabul edilmesinin temel nedeni de budur..
V. Yapay zekâ'nın gerçekten değer kazandırması için, ölüm sonrası ve Ar-Ge süreçlerine entegre edilmelidir.
Birçok işletme, yapay zeka sistemlerini dağıttıktan sonra sadece mütevazı sonuçlar görüyor ve temel neden kötü algoritmalar değil, sonuçların aşağı akım süreçlerine geri beslenmemesidir.Eğer bir model sadece bir kerelik bir öneride bulunursa ve tasarımın içeriğine bilgi aktarmazsa,, üretim, test ve müşteri hizmetleri kuralları ve prosedürlerini güncellemek için, sistemin değeri hızla azalır.Kesim parametrelerini ayarlayın, ve tipik uygulama senaryoları için şablonlar geliştirmek, sistem zamanla giderek daha doğru hale gelir.
Boruçuluk üreticileri için bu kapalı döngü süreci, saha operasyonlarından Ar-Ge'ye sorunsuz bir şekilde geri dönmek özellikle kritiktir.Her proaktif karar, matkabı programdan önce çekmek için, ve aşınma kalıplarının tespit edilmesi, tek seferlik proje özetlerine atılmak yerine, bir sonraki ürün yükseltme turu için giriş olarak hizmet etmelidir.
VI. Xingtong için tavsiyeler: Önce bir matkap veri tabanı ve ölüm sonrası analiz motoru geliştirmek, daha sonra büyük ölçekli bir yapay zeka platformu oluşturmayı tartışmak.
Yapay zeka artı sondaj alanında güvenilir bir varlık kurmak için Xingtong'a öncelikle en değerli veri varlıklarının etrafında üç temel sütun inşa etmesi tavsiye edilir:matkab modellerini kapsayan birleştirilmiş bir veri sözlüğü geliştirmek, kesme plakaları geometri, kesme dişleri konfigürasyonları, uygulanabilir kuyunun kesimleri ve tarihsel performans; ikincisi, aşınma morfolojileri ve arıza modlarının kapsamlı bir atlası oluşturmak,saha fotoğraflarını operasyonel durum etiketleriyle bağlantılandırmak; ve üçüncüsü, farklı kuyu bölümlerinde başarılı uygulamaların karşılaştırılmasını ve yeniden kullanılmasını sağlayan bir kez çalıştırılan bir parameter penceresi ve bir sonuç veritabanı oluşturmak.
Bu temelde, ürün seçimi önerileri, parametre optimizasyonu önerileri ve anomali uyarıları gibi özellikleri aşamalı olarak geliştireceğiz.Resmi web sitesinde data closed-loop capabilities ve parameter optimization capabilities özelliklerimiz belirgin şekilde vurgulanmalıdır.Teknoloji odaklı müşterilerin gerçekten önemsediği şey, bir organizasyonun tasarım, operasyon,ve olay sonrası incelemeler, sonuçta deneme ve hata maliyetlerini azaltır.
Referanslar
- Baker Hughes: Kantori yazılımı ve i-Trak otomatik yönlü sondaj hakkında halka açık bilgiler.
- Halliburton: Akıllı sondaj ve sondaj bit veri entegrasyonu hakkında halka açık bilgi.
- Liu Qingyou: Gelecekteki akıllı sondaj sistemleri ile ilgili araştırma malzemeleri, diğerleri arasında.
- 2025 Çin Petrol ve Gaz Yapay Zeka Teknoloji Konferansı ile ilgili halka açık materyaller.