钻井作业井眼轨迹偏差早期检测的无监督深度学习框架

《Frontiers in Artificial Intelligence》：Unsupervised deep learning framework for early detection of wellbore trajectory deviation in drilling operations

　　

摘要翻译：
井眼轨迹偏差仍然是定向钻井和延伸 reach 钻井过程中遇到的主要作业挑战之一，因为即使是偏离计划井眼的微小轨迹偏差也可能导致储层钻遇效果不佳、井壁失稳、非生产时间增加以及钻井成本显著上升。在大多数现场作业中，轨迹监测依赖于周期性定向测量以及基于阈值的诊断方法。尽管这些方法被广泛使用，但它们通常仅在偏差变得作业上显著之后才能识别，从而限制了及时采取纠正措施的机会。为克服传统监测的局限性，本研究提出了一种无监督深度学习框架，能够在不需要标记偏差事件的情况下，通过分析综合测井和地质力学数据来识别轨迹偏差的早期发生。该框架结合了深度、自然伽马（GR）、页岩体积（Vsh）、电阻率、声波时差（ΔT）、纵波速度（Vp）、横波速度（Vs）、体积密度、计算密度、中子孔隙度（NPHI）、密度孔隙度（DPHI）和泊松比，以获取影响钻井行为和轨迹稳定性的岩性及力学特征。采用长短期记忆自编码器（LSTM-AE）学习钻井参数的正常时间演化，并通过重建误差识别异常行为。为补充自编码器的时序学习能力，研究人员开发了一种图神经网络（GNN），用于表征测量参数之间的物理和地质关系，从而无需标记数据集即可分析复杂的多变量相互作用。通过比较两种模型区分正常钻井行为与逐渐不稳定作业条件的能力，对其性能进行了评估。结果表明，LSTM-AE能有效学习稳定钻井的时序特征，并通过重建误差的变化提供可靠的早期预警，而GNN通过建模地质与地质力学变量之间的潜在关系，提供了对轨迹相关异常的更优判别能力。总体而言，这些互补方法能够在轨迹偏差发展初期实现更早识别，同时与传统监测技术相比减少了误报。研究结果表明，将时序序列建模与基于图的关系学习相结合，为智能井眼轨迹监测提供了一种实用且可扩展的解决方案，有助于改进井壁稳定性评估、提高钻井作业安全性，并在复杂地下环境中实现更明智的决策。

论文解读：

一、研究背景与问题

在现代钻井作业中，井眼轨迹控制对于定向井、水平井和大位移井的成功实施至关重要。维持预定井眼路径不仅是准确钻达目标储层的前提，也直接影响钻井效率、作业风险控制以及井壁完整性。然而，井眼轨迹偏差仍是定向钻井和大位移钻井中面临的主要作业挑战之一。即使微小的轨迹偏离也可能导致储层钻遇效果不佳、井壁失稳、非生产时间增加以及显著的钻井成本。严重的轨迹偏差还会引发扭矩和摩阻增大、卡钻事故，甚至需要昂贵的侧钻作业。

传统的轨迹监测主要依赖随钻测量（MWD）和随钻测井（LWD）系统，配合按预定深度间隔进行的周期性定向测量。这些方法虽为行业标准，但存在本质局限：定向测量是间歇而非连续采集，轨迹变化可能在下次测量前未被发现；基于阈值的诊断方法通常只在偏差达到作业可察觉程度时才报警，难以支持及时纠偏。此外，轨迹偏差的产生并非由单一原因导致，而是地质、力学和作业因素随深度同时演化的综合结果。岩性变化、地层各向异性、地应力状态、层理方向及岩石力学性质均影响钻头和底部钻具组合（BHA）的响应。因此，如何在偏差显著发展之前识别其早期征兆，仍是定向钻井领域的主要挑战之一。

近年来，机器学习被广泛应用于钻井优化和状态监测，但多数研究依赖监督学习方法，需要大量精确标注的训练数据。在轨迹偏差场景中，标记数据尤其难以获取：偏差事件发生频率低、严重程度依赖作业判断、不同钻井项目的专家标注差异大，这些因素严重限制了监督模型在不同地质条件下的可迁移性。因此，开发不依赖人工标注的无监督异常检测框架具有重要的工程意义。

二、研究目标与意义

针对上述问题，本研究提出了一种结合长短期记忆自编码器（LSTM-AE）与图神经网络（GNN）的无监督深度学习框架，利用常规采集的测井和地质力学数据实现井眼轨迹偏差的早期检测。该框架无需标记的轨迹偏差事件，通过学习正常钻井行为的时序特征和参数间关系，识别逐渐发展的异常。研究成果发表于《Frontiers in Artificial Intelligence》，为智能钻井轨迹监测提供了一种可扩展的解决方案。

三、主要关键技术方法

研究人员采用了两种互补的深度学习方法。第一种是长短期记忆自编码器（LSTM-AE），由堆叠的LSTM层构成编码器-解码器结构，仅在稳定钻井区间上训练，通过最小化输入序列与重建序列之间的均方误差（MSE）学习正常钻井行为的时序规律；推理时，重建误差的显著增大指示潜在异常。第二种是图神经网络（GNN），其图结构以深度区间为节点，节点特征为归一化的测井参数向量，边基于地质相似性指标构建（由页岩体积和自然伽马差异计算），并采用图卷积层进行消息传递，建模参数间物理地质关系。训练时仅使用稳定区间的图表示，通过重建嵌入的MSE优化参数。数据来自单口定向井，包含名义（4,001–4,248 m）、谨慎（1,120–2,100 m）和踢（1,310–2,250 m）三个代表性深度区间，按70:15:15划分训练、验证和测试子集。

四、研究结果

4.1 名义工况（Nominal zone）

LSTM-AE在100个epoch内稳定收敛，训练损失从约0.80 MSE降至0.06 MSE，验证损失从0.87降至0.08，无明显过拟合。GNN在阈值ε=0.020下生成28条消息传递路径，网络连通性适中。重建测井曲线与实测吻合良好，伽马射线值在25–85 gAPI范围内，重建纵波速度（Vp）剖面与原始测量接近，重建误差始终低于异常阈值。预测的三维轨迹以绿色（稳定）为主，仅少量黄色警告区，几乎无破坏区，表明框架正确识别名义区为地质力学稳定状态。

4.2 谨慎工况（Cautious zone）

LSTM-AE收敛行为类似，训练和验证损失分别降至约0.06和0.08 MSE。GNN在ε=0.050下生成77条消息传递路径，图结构相对稀疏，符合逐步岩性转变特征。重建的Vp剖面与实测趋势总体一致，但重建误差波动较名义区增加，部分峰值接近异常阈值。预测轨迹仍以绿色为主，但黄色警告区增加，无重大破坏区，显示钻井总体稳定但地质力学敏感性上升。重要的是，重建误差的增大在轨迹仍处于可接受限度内时已可察觉，表明框架具有早期预警能力。

4.3 踢工况（Kick zone）

LSTM-AE在更复杂地质条件下仍稳定收敛至约0.06/0.08 MSE。GNN在ε=0.120下生成159条消息传递路径，图密度显著增大，反映更强的空间相互作用和地质非均质性。重建Vp剖面与实测偏差明显增大，重建误差在多个连续深度区间超过异常阈值。预测轨迹显示黄色警告区频率增加，并出现多个局部红色破坏区，表明框架能够识别渐进发展的不稳定井眼条件。

4.4 定量检测性能

在独立测试集上，框架取得了精度0.870（95% CI: 0.787–0.939）、召回率0.848（95% CI: 0.767–0.924）、F1分数0.859（95% CI: 0.797–0.911）和AUC-ROC 0.797（95% CI: 0.679–0.899）。这些指标表明框架能够在保持较低误报率的同时识别大多数异常区间。

五、讨论与结论

讨论部分指出，与依赖周期性定向测量和固定阈值的传统监测方法相比，该框架同时学习时序钻井行为和参数间空间地质关系，能够在稳定向不稳定过渡的早期阶段捕捉细微变化，从而减少误报并提高早期识别可靠性。LSTM-AE擅长捕捉时序演化，而GNN则建模参数间的物理关系，识别纯时序模型难以发现的多元异常。将钻井参数（如WOB、ROP、RPM等）纳入未来版本将进一步增强框架能力。定性比较显示，预测偏差趋势与可用的定向测量数据一致，但定量超前时间验证需在获得连续MWD数据后进行。

研究结论表明，LSTM-AE与GNN的组合提供了一种实用且可扩展的井眼轨迹偏差早期检测方法。LSTM-AE适合作为轻量级、持续运行的时序筛查工具，GNN则可在标记区间上触发以诊断具体的岩性和地质力学驱动因素。框架验证了从稳定到不稳定的渐进过渡的识别能力，有助于减少非生产时间、提高井位精度和钻井安全性。

六、局限与未来方向

研究存在若干局限：数据集来自单口井，缺乏连续实时数据验证；未包含地应力重分布、孔隙压力演化、热效应等地质力学过程；图拓扑基于预定义域知识，不能动态适应地质变化；深度学习的可解释性有限；未包含作业表面参数（WOB、ROP等）。未来工作将集成实时MWD/LWD系统、加入动态图注意力网络（GAT）、混合LSTM-GNN和Transformer架构、引入有限元模拟和热-孔弹性耦合，并在现场可部署硬件上进行计算延迟基准测试。