近日，中科院地质与地球物理研究所李守定团队联合中国石油大学（北京）的科研人员，在借鉴无人驾驶汽车的理论技术架构基础上，提出了一种大闭环伺服控制随钻智能导向钻井方法，该方法集旋转导向、地质导向、随钻地震、电磁前探、随钻测量、信号传输、自动钻机等技术于一体，利用“边钻边学”的人工智能评价与决策方法，智能识别钻头前方油气藏甜点，智能决策钻进方向和钻速，并利用大闭环伺服控制实现井下钻头的自主智能导向和钻进。成果以《大闭环伺服控制随钻智能导向钻井方法》为题于11月10日发表于《地球物理学报》，吴思源为第一作者。
地质导向技术与旋转导向技术是目前钻井领域自动化程度最高的钻井方法，该方法依赖高效的井地数据传输，通过专家远程分析上传数据判断钻井作业状态，可及时优化钻井决策。现有井地数据传输主要使用的方法是泥浆脉冲法，把钻柱内流动的钻井液作为传输介质，以编码压力脉冲或波的形式传输信息。然而，随着井深的增加，泥浆脉冲信号会不断衰减。因此，在深井超深井中，高效的数据传输面临着巨大的困难。
为了保证深井超深井的高效数据传输，目前解决方法有两种：一种是采用有线钻杆等新型数据传输技术，保障井地数据传输效率；另一种是采用大闭环伺服控制随钻智能导向钻井方法，利用人工智能方法提高钻井智能化水平，使其具有自主决策能力，以减少对数据传输和人类专家的依赖。
要实现大闭环伺服控制随钻智能导向钻井系统，需要完成两部分的无人化自主预测：
一是利用随钻测井实时感知，并快速智能地对储层进行评价，为数据融合与闭环控制策略提供物理机制与参数基础；
二是利用钻井工程参数对钻进过程中机械钻速进行预测和优化，为综合优快钻井提供可靠的数据保障。
大闭环伺服控制随钻智能导向钻井系统架构
大闭环伺服控制随钻智能导向钻井系统包括钻进感知、智能决策与大闭环控制3部分。
钻进感知部分通过随钻测井数据获取钻头定位信息、井周地层及钻头前方特性与参数；智能决策部分依据钻进感知部分获取的信息通过AI决策模型修正轨道和钻进策略；大闭环控制部分根据智能决策指令执行调整钻进方向和速度。该系统的实施能有效地克服因井地传输慢而导致决策不及时的问题，提高钻进的安全性、及时性、经济性。
研究基于支持向量机算法利用地球物理测井数据进行岩性智能识别，达到了86.08%的准确率；利用地球物理测井数据对孔隙度、渗透率、饱和度和泥质含量进行评价，随机森林算法具有很好的适用性，均达到了90%以上的准确率；进一步地，用深度学习的方法中对序列化数据具有较好的预测能力的LSTM循环神经网络对孔隙度进行预测，达到了95.4%的准确率．不仅可以为大闭环伺服控制随钻智能导向钻井系统提供控制参数，还可以应用于区块乃至盆地级别的储层评估及分析，为油藏评价提供可靠的储层参数。
研究利用钻井工程参数对机械钻速进行预测与优化，随机森林算法获得了76%的准确率，相较于其他算法准确率更高，为大闭环伺服控制随钻智能导向钻井系统提供决策参数。
这项研究得到了中国科学院战略性先导科技专项A类、国家自然科学基金等项目的资金支持。
大闭环伺服控制随钻智能导向钻井系统软硬件智能测控关系
大闭环伺服控制随钻智能导向钻井系统井下工具组合与信号传输
