CN114086887B - 一种基于人工智能的待钻井眼轨道井下规划方法 - Google Patents

Abstract

一种基于人工智能的待钻井眼轨道井下规划方法。所述包括目标区块进行随钻数据采集，利用人工智能建立井下岩层识别模型和井眼轨迹预计算集成数学模型，进行井下井眼轨迹跟踪及确定钻头空间位置；之后，编制待钻井眼轨道井下规划程序，以实现待钻井眼轨道姿态的井下自动规划；分别将井下岩层识别模型、井眼轨迹预计算集成数学模型和待钻井眼轨道井下规划程序导入到井下导向钻具芯片的运算器中；启动井下导向钻具，芯片自动调用井下岩层识别模型、集成模型和待钻井眼轨道井下规划程序中的参数完成井下岩层识别及待钻井眼轨道规划。利用本发明所述方法，可以实现在井下当钻头偏离原井眼轨道时，利用钻头空间位置信息，导向钻具自动重新设计井眼轨道，修正偏离，从而提高钻井效率。

Description

一种基于人工智能的待钻井眼轨道井下规划方法

技术领域：

本发明涉及油气勘探开发领域，具体地说，是涉及一种应用于钻井领域的导向钻具控制方法。

背景技术：

在油气勘探开发过程中，精准的岩层识别是储层参数计算的基础，而准确的导向钻具井眼轨道设计是钻头加压技术、井眼清洁技术、定向控制技术的前提。

当前进行岩层识别的路径如下：通过在钻完一口井之后，将钻具全部从井口上提出，下入测井仪器获取该井段的测井曲线数据，在地面由测井人员用软件对测井曲线进行分析，并按照该区块的厚度划分标准对地层进行相应的划分后完成岩层识别，这一过程全部都在地上完成，不能在井下实时得到岩层划分结果，导致在对井段进行岩层分析时需要将井下钻具全部提至井口并拆卸，耗费大量人力、物力、财力。

现有针对导向钻具的井眼轨道设计是在进行完岩层识别并了解地层性质后在地面通过设计出来，再存储到井下的导向钻具中来控制导向钻具在地下的钻进。但是，由于井下影响因素错综复杂，现有技术手段又不能在井下有效监控当前的井眼轨迹和钻头位置，所以很难保证预设的井眼轨道不需要被调整，由此会经常出现井眼轨迹偏离原设定而停钻的事件发生，此时就需要将导向钻具上提至地面，进行重新设计和人工调整，从而导致岩层识别及井眼调控过程效率低下。

发明内容：

为了解决背景技术中所提到的技术问题，本发明提供一种基于人工智能的待钻井眼轨道井下规划方法，该方法能够在井下识别岩层位置，提高了岩层划分效率，能够通过实时跟踪钻头的当前位置判断是否偏离原井眼设计轨道，可以实时地在井下重新规划井眼轨道，解决了需要停钻而导致效率低下的问题，为智能化钻井提供了有效解决方案。

本发明的技术方案是：一种基于人工智能的待钻井眼轨道井下规划方法，包括如下步骤：

第一步，在地面先后下入钻具和测井仪器对目标区块进行随钻数据采集，所述目标区块的随钻数据包括钻井数据和测井数据，采集到的钻井数据包括：钻压、转速、扭矩、环空压力、井斜角、方位角和工具面角；采集到的测井数据包括：自然伽马曲线、电阻率和随钻振动。

第二步，以经由第一步所采集到的随钻数据中的测井数据为基础数据，按照以下路径建立井下岩层识别模型，所述路径如下：

①对所述测井数据中的自然伽马曲线、电阻率、随钻振动数据按照公式(1)进行测井曲线标准化操作，获取到三组标准化处理后的测井数据；

/>

其中，X_i代表原始数据，

代表平均值，σ代表标准差，X′i代表标准化结果；

②将所述标准化处理后的测井数据按照70％的训练集和30％的测试集比例，但不限于此比例，分成训练集数据和测试集数据；

将差分进化算法DE加入到XGBoost算法中的训练部分，建立DE-XGBoost模型对所述训练集数据进行学习，建立第一井下岩层识别模型；

③在1号计算机上通过编程语言Python对第二步的②过程进行编程，将数据文件以.csv的格式输入到DE-XGBoost模型中，对XGBoost算法中的参数进行差分进化选取，获得第二井下岩层识别模型，所述参数包括决策树数量、树的最大深度、gamma、最小叶子节点样本权重、最大步长和学习率；

以所述第二井下岩层识别模型作为本步骤中需要获得的井下岩层识别模型。

第三步，以经由第一步所采集到的随钻数据中的钻井数据作为基础数据，按照如下路径建立井眼轨迹预计算集成数学模型，进行井下井眼轨迹跟踪及确定钻头空间位置，所述路径如下：

①对所述钻井数据中的钻压、转速、扭矩和环空压力按照公式(2)进行数据归一化操作；获取到四组归一化处理后的钻井数据；

其中，Y_i代表原始数据，Min代表数据最小值，Max代表数据最大值；Y′_i代表归一化结果；

②将归一化处理后的钻井数据按照80％的训练集和20％的测试集比例，但不限于此比例，分成训练集数据和测试集数据，按照如下方式，利用人工智能算法对训练集数据进行学习，得到用于输出井眼轨迹预计算结果的井眼轨迹预计算集成数学模型；

所述方式如下：

所述人工智能算法包括线性模型、树形模型和神经网络；

其中，线性模型采用线性回归，线性模型定义为：

f(x)＝w₀+w₁x₁+w₂x₂+…+w_nx_n

其中，w_i代表权重，x_i代表数据值；

树形模型包括决策树、随机森林、Bagging算法和XGBoost算法；

神经网络采用的是ANN中的BP神经网络；

将所述训练集数据输入到线性模型中，经过线性拟合后得到具有拟合效果的线性模型；将所述训练集数据输入到树形模型中，经过树形运算后得到参数完善的树形模型；将所述训练集数据输入到神经网络中，经过神经网络加权运算后得到对应权重的神经网络；

再将所得到的具有拟合效果的线性模型、参数完善的树形模型和对应权重的神经网络按照1:2:3的权重进行加权构建，所述加权构建按照公式(3)进行：

Model＝LR+2·Tree+3·ANN 公式(3)

其中，Model代表井眼轨迹预计算集成数学模型，LR代表线性模型，Tree代表树形模型，ANN代表神经网络模型；

在2号计算机上利用编程语言Python对本步骤②中的上述过程进行编程，得到井眼轨迹预计算集成数学模型；

③将测试集数据输入到经由第三步步骤②中得出的井眼轨迹预计算集成数学模型中，直接得到井眼轨迹预计算运行结果，即得到预测井眼轨迹；用井眼轨迹预计算运行结果乘以现场实际测试集数据数据测量时间的时间差，得到预测钻头空间位置信息。

第四步，编制待钻井眼轨道井下规划程序，以实现待钻井眼轨道姿态的井下自动规划；本步骤在3号计算机上用Python编程语言完成；

所述待钻井眼轨道井下规划程序用于执行如下操作：

(1)将导向钻具钻进时所获得的实时随钻数据流代入到第三步所获得的井眼轨迹预计算集成数学模型中，随着随钻数据流的输入实时计算出当前钻头位置，将当前钻头位置与导向钻具中的预设钻头位置相比较，判断是否偏离导向钻具预设井眼轨道，如果没有偏离，按原轨道继续钻进；如果发生偏离，则执行下列步骤(2)至步骤(7)，以实现重新在井下对轨道进行规划；

(2)获取当前井眼轨迹和靶窗位置，将当前井眼轨迹和靶窗位置以井深、井斜、方位角的数据模式模拟出垂直剖面；

(3)获取当前钻头在垂直剖面中的位置，在钻头位置处模拟出切线作为井眼轴线辅助线；

(4)读取原轨道的靶窗最佳入靶角度，在靶窗最佳入靶角度处以井深、井斜、方位角的数据模式模拟出基准线作为靶点辅助线；

(5)靶点辅助线和井眼轴线辅助线会在垂直剖面内相交，在相交平面内做一个弧线，该弧线需满足与靶点辅助线和井眼轴线辅助线相切；

(6)将弧线投影至水平投影，此时将垂直剖面和水平投影进行展开得到新的三维井眼轨道，三维井眼轨道包括井深、垂深、井斜角、方位角、北坐标、东坐标、造斜率、变方位率和段长；

(7)跳转至步骤(1)，同时，将步骤(6)中获得的三维井眼轨道作为步骤(1)中的导向钻具预设井眼轨道。

第五步，分别将第二步中得到的井下岩层识别模型、第三步中所得到的井眼轨迹预计算集成数学模型和第四步所得到的待钻井眼轨道井下规划程序导入到井下导向钻具芯片的运算器中，所述井下导向钻具芯片成为能够自动处理第二步、第三步和第四步所述过程并实时导出岩层识别和轨道井下规划结果的计算设备；

本步骤中涉及的导入操作按照如下流程进行：

将井下导向钻具芯片与1号计算机、2号计算机和3号计算机分别通过USB端口相连接，计算机检测到井下导向钻具芯片连接成功时，打开Keil5软件，用C语言对井下导向钻具芯片进行编程，编程内容包括将井下岩层识别模型、井眼轨迹预计算集成数学模型和待钻井眼轨道井下规划程序的矩阵参数通过C语言改写写入到井下导向钻具芯片中并实现自动井下岩层识别及待钻井眼轨道规划，用Keil5完成编程后保存编程文件，打开STC-ISP软件加载Keil5编程文件，通过STC-ISP软件正式完成对井下芯片的导入过程。

第六步，启动井下导向钻具，芯片自动调用井下岩层识别模型、集成模型和待钻井眼轨道井下规划程序中的参数完成井下岩层识别及待钻井眼轨道规划，实现基于人工智能的井下岩层识别及待钻井眼轨道规划。

本发明具有如下有益效果：应用本发明所述方法，克服了现有待钻井眼轨道规划方法中存在的缺点，即现场实际工作所得到的岩层识别结果和井眼轨道设计结果均来自于地面，在下一步工作计划制定之前需要等待岩层识别结果和井眼轨道设计结果，导致现场的工作效率降低。而利用本发明所述方法，对目标区块进行临井随钻数据的相关采集，构建完整的井资料数据库；将所获得的随钻数据进行归一化和标准化；将处理好的数据按一定比例分成训练集和测试集，并分别建立集成模型和DE-XGBoost模型对训练集数据进行学习并输出训练好的模型，用测试集进一步修正模型，再将井眼轨迹预设计结果与数据流间隔时间相结合可得到当前钻头位置信息；当钻头偏离原井眼轨道时，利用钻头空间位置信息，结合轨道设计双面法重新设计井眼轨道，从而实现在井下实时进行井下岩层识别及井下待钻井眼轨道设计，能够通过实时跟踪钻头的当前位置判断是否偏离原井眼设计轨道，可以实时地在井下重新规划井眼轨道，解决了需要停钻而导致效率低下的问题。

附图说明：

图1是本发明所述方法的流程图；

图2是本发明一个实施例的井下岩层训练识别结果图；

图3是本发明一个实施例的井下井眼轨迹跟踪可视化实例图；

图4是本发明一个实施例的井下井眼轨道设计双面法解释图。

具体实施方式：

下面给出本发明的一个具体实施例，将在该实施例中，结合附图对本发明作出进一步说明：

一种基于人工智能的待钻井眼轨道井下规划方法，包括如下步骤：

第一步，在地面先后下入钻具和测井仪器对目标区块进行随钻数据采集，所述目标区块的随钻数据包括钻井数据和测井数据，采集到的钻井数据包括：钻压、转速、扭矩、环空压力、井斜角、方位角和工具面角；采集到的测井数据包括：自然伽马曲线、电阻率和随钻振动；

表1部分测井数据

表2部分钻井数据

第二步，以经由第一步所采集到的随钻数据中的测井数据为基础数据，按照以下路径建立井下岩层识别模型，所述路径如下：

①对所述测井数据中的自然伽马曲线、电阻率、随钻振动数据按照公式(1)进行测井曲线标准化操作，获取到三组标准化处理后的测井数据；

其中，X_i代表原始数据，

代表平均值，σ代表标准差，X′_i代表标准化结果；

表3标准化后的测井数据

②将所述标准化处理后的测井数据按照70％的训练集和30％的测试集比例分成训练集数据和测试集数据；将差分进化算法DE加入到XGBoost算法中的训练部分，建立DE-XGBoost模型对所述训练集数据进行学习，建立第一井下岩层识别模型；

用Python对第二步的②过程进行编程，将DE的参数按如下配置进行设置：编码方式为实整数编码，种群规模为50，最大进化代数为30，进化停滞判断阈值为0.000001，决策树数量在100到200之间，树的最大深度在5到13之间，gamma取值在0到3之间，最大步长在0到5之间，学习率在0.1到1之间。对DE参数完成编程后，将XGBoost算法在DE参数范围内进行搜索，建立DE-XGBoost模型对所述训练集数据进行学习，建立第一井下岩层识别模型；

③在1号计算机上通过编程语言Python对第二步的②过程进行编程，将数据文件以.csv的格式输入到DE-XGBoost模型中，对XGBoost算法中的参数进行差分进化选取，获得第二井下岩层识别模型，所述参数包括决策树数量、树的最大深度、gamma、最小叶子节点样本权重、最大步长和学习率；

在实际操作过程中，用Python语言编程得到的模型是一种.pkl文件格式，该模型文件占储存空间为10.6MB，这种文件中存储的就是通过机器学习算法学习所获得的模型参数，这种参数可直接与井下获取的测井数据相乘获得岩层识别结果。

以所述第二井下岩层识别模型作为本步骤中需要获得的井下岩层识别模型；附图1对岩性识别结果进行了展示：

附图1最左侧标度为自然伽马曲线GR，井深刻度在自然伽马曲线右侧，井深刻度右侧分别是LLS为高分辨率浅三侧向曲线、LLD为高分辨率深三侧向曲线和随钻振动，右侧三列为岩层识别结果，其中BWSA代表表外储集层、SAND代表砂岩层、ESAN代表有效厚度层；BWSA、SAND、ESAN这三列结果标记的地方表示有相对应的岩层，具体的厚度和位置通过对应左侧的井深刻度查看。

本步骤中，采用“知识驱动+数据驱动”的方式保证数据的流畅运转，所创立的DE-XGBoost模型在算法层面能够有效提高岩层识别精准度。

第三步，以经由第一步所采集到的随钻数据中的钻井数据作为基础数据，按照如下路径建立井眼轨迹预计算集成数学模型，进行井下井眼轨迹跟踪及确定钻头空间位置，所述路径如下：

①对所述钻井数据中的钻压、转速、扭矩和环空压力按照公式(2)进行数据归一化操作；获取到四组归一化处理后的钻井数据；

其中，Y_i代表原始数据，Min代表数据最小值，Max代表数据最大值；Y′_i代表归一化结果；

表4归一化后的钻井数据

②将归一化处理后的钻井数据按照80％的训练集和20％的测试集比例分成训练集数据和测试集数据，按照如下方式，利用人工智能算法对训练集数据进行学习，得到用于输出井眼轨迹预计算结果的井眼轨迹预计算集成数学模型；

所述方式如下：

所述人工智能算法包括线性模型、树形模型和神经网络；

其中，线性模型采用线性回归，线性模型定义为：

f(x)＝w₀+w₁x₁+w₂x₂+…+w_nx_n

其中，w_i代表权重，x_i代表数据值；

树形模型包括决策树、随机森林、Bagging算法和XGBoost算法；

神经网络采用的是ANN中的BP神经网络；

将所述训练集数据输入到线性模型中，经过线性拟合后得到具有拟合效果的线性模型；将所述训练集数据输入到树形模型中，经过树形运算后得到参数完善的树形模型；将所述训练集数据输入到神经网络中，经过神经网络加权运算后得到对应权重的神经网络；

再将所得到的具有拟合效果的线性模型、参数完善的树形模型和对应权重的神经网络按照1:2:3的权重进行加权构建，所述加权构建按照公式(3)进行：

Model＝LR+2·Tree+3·ANN 公式(3)

其中，Model代表井眼轨迹预计算集成数学模型，LR代表线性模型，Tree代表树形模型，ANN代表神经网络模型；

在实际操作过程中，用Python语言编程得到的集成数学模型是一种.dat文件格式，该模型文件占储存空间为14.8MB，这种文件中存储的就是通过机器学习算法学习所获得的模型参数，这种参数可直接与井下获取的数据相乘获取井眼轨迹。

在2号计算机上利用编程语言Python对本步骤②中的上述过程进行编程，得到井眼轨迹预计算集成数学模型；

③将测试集数据输入到经由第三步步骤②中得出的井眼轨迹预计算集成数学模型中，直接得到井眼轨迹预计算运行结果，即得到预测井眼轨迹；用井眼轨迹预计算运行结果乘以现场实际测试集数据测量时间的时间差，得到预测钻头空间位置信息；

经过第三步②步骤后，在2号计算机上得到14.8MB的.dat文件，将测试集的钻井数据以.csv格式输入到编制好的程序中，钻井数据直接与.dat参数文件中的参数进行乘法运算，得到预测井眼轨迹；将预测井眼轨迹乘以现场实际测试集数据测量时间的时间差，即可得到当前钻头的井深、井斜和方位角信息，附图2对井深跟踪结果进行了展示：

附图2展示了集成模型在井下实时得到的井眼轨迹跟踪结果，其中D为井深，E为东坐标，N为北坐标；从该图可以导出钻头当前位置的空间参数，具体包括井深、垂深、井斜角、方位角、北坐标、东坐标、造斜率、变方位率和段长。应用上述空间参数在井下对井眼轨道进行待钻设计。

在本步骤中进行的钻井数据预处理中，采用数据归一化操作保证数据间的差异最小化，建立由线性模型、树形模型和神经网络构成的集成模型能够在井下精准识别钻头当前位置。

第四步，编制待钻井眼轨道井下规划程序，以实现待钻井眼轨道姿态的井下自动规划；本步骤在3号计算机上用Python编程语言完成；

所述待钻井眼轨道井下规划程序用于执行如下操作：

(1)将导向钻具钻进时所获得的实时随钻数据流代入到第三步所获得的井眼轨迹预计算集成数学模型中，随着随钻数据流的输入实时计算出当前钻头位置，将当前钻头位置与导向钻具中的预设钻头位置相比较，判断是否偏离导向钻具预设井眼轨道，如果没有偏离，按原轨道继续钻进；如果发生偏离，则执行下列步骤(2)至步骤(7)，以实现重新在井下对轨道进行规划；

(2)获取当前井眼轨迹和靶窗位置，将当前井眼轨迹和靶窗位置以井深、井斜、方位角的数据模式模拟出垂直剖面；

(3)获取当前钻头在垂直剖面中的位置，在钻头位置处模拟出切线作为井眼轴线辅助线；

(4)读取原轨道的靶窗最佳入靶角度，在靶窗最佳入靶角度处以井深、井斜、方位角的数据模式模拟出基准线作为靶点辅助线；

(5)靶点辅助线和井眼轴线辅助线会在垂直剖面内相交，在相交平面内做一个弧线，该弧线需满足与靶点辅助线和井眼轴线辅助线相切；

(6)将弧线投影至水平投影，此时将垂直剖面和水平投影进行展开得到新的三维井眼轨道，三维井眼轨道包括井深、垂深、井斜角、方位角、北坐标、东坐标、造斜率、变方位率和段长；

(7)跳转至步骤(1)，同时，将步骤(6)中获得的三维井眼轨道作为步骤(1)中的导向钻具预设井眼轨道；

附图3解释了第四步程序的工作状态，当集成模型检测到当前钻头位置处于A点时，已经偏离原设计轨道，此时井下芯片得到当前钻头的井深、垂深、井斜角、方位角、北坐标、东坐标、造斜率、变方位率和段长，此时将当前的三维井眼轨迹用柱面图的方式展现在垂直剖面上，并确定当前钻头位置A和靶窗D位置，为了让钻头到达靶点后满足后续的工程需要，靶窗D存在着一个最佳的入靶角，将最佳入靶角在垂直剖面图上无限延长做一条中心线，命名为靶点辅助线；在钻头位置A处做一条当前井眼轨迹的切线并在垂直剖面图上无限延长做一条中心线，命名为井眼轴线辅助线；在附图3中可以看到靶点辅助线和井眼轴线辅助线在下方会存在一个交叉点，定义为标准交叉点，在满足当前钻具造斜能力的情况下，在标准交叉点的上方做一个弧线，该弧线需满足与靶点辅助线和井眼轴线辅助线相切，定义为标准弧，该标准弧为附图3中的BC段，O点为标准弧的原点，由此可以在垂直剖面图上的得到重新设计的井眼轨道，即直线段AB、圆弧段BC和直线段CD；再将该垂直剖面图投影到水平投影图上，结合垂直剖面和水平投影将其进行展开可得到三维的井眼轨道设计图，用轨道设计双面法设计的井眼轨道设计图满足后续对定向井和水平井的施工要求，实现井下待钻轨道设计。

在本步骤中，井下钻头轨道姿态设计中的三维轨道设计问题通过建立轨道设计双面法来解决，模拟出靶点辅助线和井眼轴线辅助线，并通过几何关系设计出新的井眼轨道设计结果，解出得到井深、垂深、井斜角、方位角、北坐标、东坐标、造斜率、变方位率和段长共9种设计参数。

第五步，分别将第二步中得到的井下岩层识别模型、第三步中所得到的井眼轨迹预计算集成数学模型和第四步所得到的待钻井眼轨道井下规划程序导入到井下导向钻具芯片的运算器中，所述井下导向钻具芯片成为能够自动处理第二步、第三步和第四步所述过程并实时导出岩层识别和轨道井下规划结果的计算设备；

本步骤中涉及的导入操作按照如下流程进行：

将井下导向钻具芯片与1号计算机、2号计算机和3号计算机分别通过USB端口相连接，计算机检测到井下导向钻具芯片连接成功时，打开Keil5软件，用C语言对井下导向钻具芯片进行编程，编程内容包括将井下岩层识别模型、井眼轨迹预计算集成数学模型和待钻井眼轨道井下规划程序的矩阵参数通过C语言改写写入到井下导向钻具芯片中并实现自动井下岩层识别及待钻井眼轨道规划，用Keil5完成编程后保存编程文件，打开STC-ISP软件加载Keil5编程文件，通过STC-ISP软件正式完成对井下芯片的导入过程；

第六步，启动井下导向钻具，芯片自动调用井下岩层识别模型、集成模型和待钻井眼轨道井下规划程序中的参数完成井下岩层识别及待钻井眼轨道规划，实现基于人工智能的井下岩层识别及待钻井眼轨道规划。

本方法已在井下导向钻具中获得实验性应用，通过应用成果已经证实本发明所述方法能够实时识别井下岩层位置和实时跟踪钻头的当前位置，判断是否偏离原井眼设计轨道，由于井下因素导致的井眼轨迹位置偏移时，可以实时地在井下重新设计井眼轨道，解决了需要停钻而导致效率低下等问题，为智能化钻井提供了有效实施方案。

Claims (1)

1.一种基于人工智能的待钻井眼轨道井下规划方法，其特征在于所述方法包括如下步骤：

第一步，在地面先后下入钻具和测井仪器对目标区块进行随钻数据采集，所述目标区块的随钻数据包括钻井数据和测井数据，采集到的钻井数据包括：钻压、转速、扭矩、环空压力、井斜角、方位角和工具面角；采集到的测井数据包括：自然伽马曲线、电阻率和随钻振动；

第二步，以经由第一步所采集到的随钻数据中的测井数据为基础数据，按照以下路径建立井下岩层识别模型，所述路径如下：

①对所述测井数据中的自然伽马曲线、电阻率、随钻振动数据按照公式(1)进行测井曲线标准化操作，获取到三组标准化处理后的测井数据；

其中，X_i代表原始数据，

代表平均值，σ代表标准差，X_i′代表标准化结果；

②将所述标准化处理后的测井数据按照70％的训练集和30％的测试集比例分成训练集数据和测试集数据；

将差分进化算法DE加入到XGBoost算法中的训练部分，建立DE-XGBoost模型对所述训练集数据进行学习，建立第一井下岩层识别模型；

③在1号计算机上通过编程语言Python对第二步的②过程进行编程，将数据文件以.csv的格式输入到DE-XGBoost模型中，对XGBoost算法中的参数进行差分进化选取，获得第二井下岩层识别模型，所述参数包括决策树数量、树的最大深度、gamma、最小叶子节点样本权重、最大步长和学习率；

以所述第二井下岩层识别模型作为本步骤中需要获得的井下岩层识别模型；

第三步，以经由第一步所采集到的随钻数据中的钻井数据作为基础数据，按照如下路径建立井眼轨迹预计算集成数学模型，进行井下井眼轨迹跟踪及确定钻头空间位置，所述路径如下：

①对所述钻井数据中的钻压、转速、扭矩和环空压力按照公式(2)进行数据归一化操作；获取到四组归一化处理后的钻井数据；

其中，Y_i代表原始数据，Min代表数据最小值，Max代表数据最大值；Y_i′代表归一化结果；

②将归一化处理后的钻井数据按照80％的训练集和20％的测试集比例分成训练集数据和测试集数据，按照如下方式，利用人工智能算法对训练集数据进行学习，得到用于输出井眼轨迹预计算结果的井眼轨迹预计算集成数学模型；

所述方式如下：

所述人工智能算法包括线性模型、树形模型和神经网络；

其中，线性模型采用线性回归，线性模型定义为：

f(x)＝w₀+w₁x₁+w₂x₂+…+w_nx_n

其中，w_i代表权重，x_i代表数据值；

树形模型包括决策树、随机森林、Bagging算法和XGBoost算法；

神经网络采用的是ANN中的BP神经网络；

将所述训练集数据输入到线性模型中，经过线性拟合后得到具有拟合效果的线性模型；将所述训练集数据输入到树形模型中，经过树形运算后得到参数完善的树形模型；将所述训练集数据输入到神经网络中，经过神经网络加权运算后得到对应权重的神经网络；

再将所得到的具有拟合效果的线性模型、参数完善的树形模型和对应权重的神经网络按照1:2:3的权重进行加权构建，所述加权构建按照公式(3)进行：

Model＝LR+2·Tree+3·ANN 公式(3)

其中，Model代表井眼轨迹预计算集成数学模型，LR代表线性模型，Tree代表树形模型，ANN代表神经网络模型；

在2号计算机上利用编程语言Python对本步骤②中的上述过程进行编程，得到井眼轨迹预计算集成数学模型；

③将测试集数据输入到经由第三步步骤②中得出的井眼轨迹预计算集成数学模型中，直接得到井眼轨迹预计算运行结果，即得到预测井眼轨迹；用井眼轨迹预计算运行结果乘以现场实际测试集数据数据测量时间的时间差，得到预测钻头空间位置信息；

第四步，编制待钻井眼轨道井下规划程序，以实现待钻井眼轨道姿态的井下自动规划；本步骤在3号计算机上用Python编程语言完成；

所述待钻井眼轨道井下规划程序用于执行如下操作：

(1)将导向钻具钻进时所获得的实时随钻数据流代入到第三步所获得的井眼轨迹预计算集成数学模型中，随着随钻数据流的输入实时计算出当前钻头位置，将当前钻头位置与导向钻具中的预设钻头位置相比较，判断是否偏离导向钻具预设井眼轨道，如果没有偏离，按原轨道继续钻进；如果发生偏离，则执行下列步骤(2)至步骤(7)，以实现重新在井下对轨道进行规划；

(2)获取当前井眼轨迹和靶窗位置，将当前井眼轨迹和靶窗位置以井深、井斜、方位角的数据模式模拟出垂直剖面；

(3)获取当前钻头在垂直剖面中的位置，在钻头位置处模拟出切线作为井眼轴线辅助线；

(4)读取原轨道的靶窗最佳入靶角度，在靶窗最佳入靶角度处以井深、井斜、方位角的数据模式模拟出基准线作为靶点辅助线；

(5)靶点辅助线和井眼轴线辅助线会在垂直剖面内相交，在相交平面内做一个弧线，该弧线需满足与靶点辅助线和井眼轴线辅助线相切；

(6)将弧线投影至水平投影，此时将垂直剖面和水平投影进行展开得到新的三维井眼轨道，三维井眼轨道包括井深、垂深、井斜角、方位角、北坐标、东坐标、造斜率、变方位率和段长；

(7)跳转至步骤(1)，同时，将步骤(6)中获得的三维井眼轨道作为步骤(1)中的导向钻具预设井眼轨道；

第五步，分别将第二步中得到的井下岩层识别模型、第三步中所得到的井眼轨迹预计算集成数学模型和第四步所得到的待钻井眼轨道井下规划程序导入到井下导向钻具芯片的运算器中，所述井下导向钻具芯片成为能够自动处理第二步、第三步和第四步所述过程并实时导出岩层识别和轨道井下规划结果的计算设备；

本步骤中涉及的导入操作按照如下流程进行：

将井下导向钻具芯片与1号计算机、2号计算机和3号计算机分别通过USB端口相连接，计算机检测到井下导向钻具芯片连接成功时，打开Keil5软件，用C语言对井下导向钻具芯片进行编程，编程内容包括将井下岩层识别模型、井眼轨迹预计算集成数学模型和待钻井眼轨道井下规划程序的矩阵参数通过C语言改写写入到井下导向钻具芯片中并实现自动井下岩层识别及待钻井眼轨道规划，用Keil5完成编程后保存编程文件，打开STC-ISP软件加载Keil5编程文件，通过STC-ISP软件正式完成对井下芯片的导入过程；

第六步，启动井下导向钻具，芯片自动调用井下岩层识别模型、集成模型和待钻井眼轨道井下规划程序中的参数完成井下岩层识别及待钻井眼轨道规划，实现基于人工智能的井下岩层识别及待钻井眼轨道规划。

Images