人工智能、数字系统为优化的钻头设计提供更好、更快的洞察力

快速阅读: 据《钻井承包商》称，贝克休斯等公司利用算法和数字技术优化钻头设计，提升钻井效率。SLB推出Retina系统，实现高分辨率井眼成像，提高地层识别能力。数字化推动钻头创新与数据分析进步。

近年来，贝克休斯公司开发了专有的算法，可以将地表数据与井底传感数据进行比较，以衡量钻头的性能。这些数据随后可以帮助公司更好地预测特定钻头设计在一定时间内的表现。

作者：史蒂芬·惠特菲尔德，高级编辑

钻头是钻井过程中最重要的部件之一，钻头制造商正推动创新，以更好地利用与钻头相关的海量数据。通过利用先进的数字和自动化系统，制造商表示他们正在持续改进从这些数据中筛选并从中提取新价值的能力，从而生产出新的、创新的钻头设计，进一步提高井筒建设的性能。

“就整个行业而言，我认为我们正在朝着正确的方向前进，”贝克休斯公司的数字产品经理尼古拉斯·莱昂斯表示。“提升性能的关键在于数据质量，因此并不一定是弄清楚有多少数据，而是确定数据的质量。我们现在比以往任何时候都拥有更多的数据，但我认为我们目前处于一个可以筛选这些数据的位置，以确保我们拥有更高品质的数据，并且能够连接数据集来真正获得洞察力。这使我们能够优化和改进我们的钻头设计。”

多年来，人工智能和机器学习算法一直在帮助制造商将传统的手动钻头设计流程转变为更加数字化的决策过程。通过开发能够处理越来越多的数据并在越来越短的时间内处理这些数据的算法，工程师们可以将他们的设计能力推向极限。这种功能是NOV“数字化制造”工作的核心，其背后有一系列软件程序，不仅提供完整的图像库，还提供对这些图像的分析。

“只需点击几次，我们的软件就可以比以往任何时候都快地查看钻头动力学和地层，”NOV的产品经理迈克尔·贝利说。“所有内容都在云端处理，这使得世界各地的设计工程师可以讨论相同水平的数据。这意味着我们不仅仅是提高了数据处理能力，还提高了围绕从钻头上获得的大量数据的沟通能力，以及这些钻头的设计。”

数字技术也在帮助改善可以从钻头上收集到的数据类型。例如，SLB的Retina井底成像系统正在帮助生成高分辨率的井眼图像，这对于准确描述地质构造和结构至关重要。该功能有助于操作员提高井位规划和布置，以及在油田开发方面做出明智的决策。这项技术解决了当前成像的局限性，如无法生成大井眼尺寸的高分辨率图像。此外，通过在钻头上安装该系统，而不是安装在底部钻具组合（BHA）的上方，该系统不会遇到传统成像仪在钻头和传感器与岩石相互作用时可能遇到的时间延迟。这使得该系统更适于避免钻井液或受损井眼的干扰，这两者都会对进入传感器的数据产生负面影响。Retina系统有效地将钻头本身变成了一个高质量的成像设备。

“钻头仍然需要完成这个任务，即切削岩层并钻井，但现在我们使用它来收集岩石信息并正确地对其进行表征，”SLB的PDC钻头产品冠军罗伯塔·桑塔纳表示。“我们仍然提供合适的切割结构和能够正常工作的钻头，但现在我们具备了启用传感器活动进行数据收集并创建这些井眼图像的能力。”

优化数据分析

据莱昂斯先生表示，贝克休斯公司多年来一直在专注于自动化钻头设计中的数据收集和分析。该公司已经开发出专有算法，可以通过比较不同的数据集来识别某些类型的事件；例如，比较地表数据与井底传感数据，以查看钻头对给定输入的响应，并将其与钻头的最终磨损状态联系起来。

“我们可以在应用程序中识别数据与我们预期不一致的情况，但现在我们已经到了可以自动化更多处理并确定数据是否具有良好的分辨率，或者数据是否存在不合理的变化，以便我们进行精简的程度。我们还可以突出潜在的问题或需要进一步调查的事件，”他说。这些算法支持贝克休斯的“数字磨损评级”应用，该应用使用数字图像作为输入来计算单个钻头切削齿的损坏程度。一个数字模型被训练以提取单个切削齿的图像，图像处理技术计算每个切削齿的磨损情况。莱昂斯先生指出，这种自动磨损评级过程提供了更高的可靠性、一致性和准确性。

在过去两年中，公司进一步提升了Tetrahedron（其专有的钻头钻井模拟软件）的功能，增加了预测能力。通过使用机器学习在实地数据集上优化其基于物理模型的系数，该软件现在可以预测特定钻头设计在一定时间内会如何磨损和破裂。这种功能使公司能够更好地理解特定钻头设计可能需要针对特定应用进行优化的方式。莱昂斯先生表示，公司的重点是将磨损评级应用的自动化能力与Tetrahedron的建模能力结合起来，创建一个全面的可视化模型，以预测特定地层中钻头随时间的磨损情况。这些努力正在帮助贝克休斯“闭合数字磨损等级的反馈循环”，同时增强从模拟软件中获得的洞察力。

“能够查看我们预测钻头的表现，然后实际将其与最终结果进行比较，了解钻头是如何破裂的，以及我们在效率变化方面看到了什么——这种能力使我们能够真正改进我们的钻头设计。”

在过去两年中，公司进一步提升了Tetrahedron（其专有的钻头钻井模拟软件）的功能，增加了预测能力。通过使用机器学习在实地数据集上优化其基于物理模型的系数，该软件现在可以预测特定钻头设计在一定时间内会如何磨损和破裂。这种功能使公司能够更好地理解特定钻头设计可能需要针对特定应用进行优化的方式。

去年，这些增强功能改善了钻头设计的一个实例是，哥伦比亚山脚地区的一家运营商在使用标准PDC钻头钻探14 ¾英寸井段时遇到了挑战。这种磨蚀性强且层状分布的Carbonera C5和C6地层由砂岩、粉砂岩和泥岩组成，无侧限抗压强度范围为5至25千磅每平方英寸。这些条件产生了显著的扭矩和振动，导致钻头迅速磨损，造成低的机械钻速（ROP），并且需要四到五个钻头才能钻探该段。

贝克休斯的Tetrahedron软件中的模拟使运营商能够优化其Kymera Mach 6钻头的设计，以提高哥伦比亚某口井的机械钻速（ROP）。为了解决这些挑战，贝克休斯首先推出了Kymera Mach 6钻头，这是一种具有双切割机制的混合钻头，既具有滚子锥体的破碎能力——使其比PDC钻头具有更小的扭矩和振动——又具有PDC的剪切能力——使其比滚子锥体钻得更快。该钻头在延长使用寿命和提高钻井效率方面取得了成功——平均钻探距离增加了17%，而扭矩波动和机械比能分别减少了46%和44%。每段所需的钻头数量减少到两个。

为了帮助运营商在后续运行中进一步提高效率，贝克休斯随后设定了增加机械钻速（ROP）和提高轴承和密封件可靠性的钻头设计目标。在Tetrahedron中模拟各种井下条件后，运营商选择了一个优化的Kymera设计，该设计增加了钻头的激进性，同时保持了扭转稳定性和耐用性。该设计还改善了钻头的PDC和硬质合金插入切割元件之间的负载平衡，以帮助提高轴承和密封件的可靠性。

“当我们最初推出Kymera时，我们能够减少使用的钻头数量，但我们仍然看到一些关于锥体可靠性的困扰，”莱昂斯先生说。“当我们在井中使用一个钻头时，我们会发现其中一个锥体的轴承状况不佳。将这些信息反馈到我们的系统中，并将这些数据通过我们的模拟器运行，我们能够确定其中一个锥体承受的负载比其他锥体多约30%。调整该设计并重新通过模拟器运行，我们能够平衡负载。”

在下一口井中，使用经过优化的新钻头进行14 ¾英寸段的钻探，该运营商能够以比Carbonera地层中PDC钻头平均实现的机械钻速（ROP）高出39%的情况下，钻探的井段长度增加了50%。与基准Kymera设计相比，新钻头设计在机械钻速（ROP）提高33%的情况下，钻探的井段长度增加了26%。

NOV利用Prograde软件分析特定地层中特定钻头设计的效率。结合其Phosphor软件，Prograde可以指示在特定运行中，特定设计类型的切削齿通常会受到哪些类型的损坏，例如表面损失或体积损失。将机器学习融入钻头设计管理数据是NOV优化钻头设计工作的核心，这包括转变设计过程以实现更数字化的决策。这意味着利用人工智能和机器学习来创建所谓的“数字化制造”生态系统。

NOV在其钻头制造过程中使用成像软件，并已将其整合到其Prograde钻头磨损评级软件中。公司使用另一个程序Carbon来创建一个图像数据库，显示特定钻头切削齿在整个生命周期中的演变情况。然后，Prograde软件可以使用从Carbon获取的图像来分析特定设计在特定地层中的效率。除此之外，另一个软件程序Phosphor将每个钻头运行通过Prograde分组，标记各种设计和型号，平均来看，每种设计类型在特定钻头运行中会受到哪种类型的损坏。

“我们希望确保我们可以跟踪我们的开发进展，”NOV的软件工程经理亚当·托马斯表示。“如果我们必须设计一个新的产品，我们可以将该设计与之前的连接起来，让人们进行调查，以了解我们是否做出了正确的决定——例如，如果我想设计一个做X和Y的东西，但实际上它做了Z。”

在Prograde软件中，工程师也可以输入特定钻头的设计更改，以查看这些更改在相同的钻头运行中会带来哪些改进。

“每个磨损等级或钻头运行都是一个数据点，它并不能完整地描述该钻头的趋势故事，”巴利先生说。“真正的洞察力来自于形成这些趋势，将你收集到的数据点之间的联系建立起来，并尽可能快速地在大规模数据后进行这些操作。这使我们能够做出更好的决策，并逐步提高产品的性能和设计的一致性。”

NOV在其Orbit软件中使用专有的岩石力学模型，这些模型针对公司提供的每种切削齿形状进行了现场和实验室测试的训练。这些模型使设计工程师能够模拟任何切削齿在特定钻头配置和特定地层中的性能。进一步开发了机器学习算法，以帮助改进软件的数据收集和分析能力。

“我们有基于物理的模型，它们帮助我们了解岩石，并帮助我们了解切割结构的表现。但当我们想将这些模型适应于全新的东西时，比如我们正在开发的切削齿形状或某种不同的钻井技术，我们可以使用AI辅助来指导机器学习算法更快地纳入这些新事物。这对于帮助我们更新岩石力学模型至关重要，”托马斯先生说。

NOV在其Orbit软件中使用专有的岩石力学模型，这些模型针对公司提供的每种切削齿形状进行了现场和实验室测试的训练。这些模型使设计工程师能够模拟任何切削齿在特定钻头配置和特定地层中的性能。进一步开发了机器学习算法，以帮助改进软件的数据收集和分析能力。

虽然数字化制造减少了人类分析来自钻头的数据的需求，但Thomas先生和Bailey先生都强调，钻头设计过程仍然需要人在每个阶段参与。软件程序是帮助人们理解他们所考虑的钻头设计变更的潜在影响的工具，但它们本身并不生成设计。这些程序只是让工程师能够尽快看到数据和相关的数据洞察。

“这主要是为了增强我们的产品测试循环和设计迭代循环，”Bailey先生说。“你不再需要等待两天才能通过电子邮件接收一个25兆字节的文件，因为现在所有数据都在我们指尖。我们并不是要取代人，而是要确保我们的员工拥有最好的工具，以便他们做出正确的决策。”

在钻头上生成高分辨率图像

数字化不仅帮助公司改进钻头设计，还使其能够利用钻头作为工具来生成更高质量的井下数据。今年5月，SLB推出了Retina，这是一种在钻头上进行成像的工具，能够识别地层特征，以优化钻井效率和地层评价。该工具在钻头与地层首次接触的位置提供精确测量。生成的图像分辨率高达2毫米/10微米，据Santana女士表示，这几乎是地层微电阻率成像分辨率的两倍。

Retina工具的关键推动因素是一个定制的记录系统，用于容纳安装在PDC钻头鼻部区域的传感器，以捕捉地层细节——包括倾角、裂缝、岩相和纹理——而不会受到任何类型的钻井液干扰。然后对原始数据进行处理，以创建用于地层表征和岩石性质鉴定的井眼图像。

今年5月，SLB推出了Retina，这是一种在钻头上进行成像的工具，能够识别地层特征，以优化钻井效率和地层评价。该工具在钻头与地层首次接触的位置提供精确测量。生成的图像分辨率高达2毫米/10微米，据Santana女士表示，这几乎是地层微电阻率成像分辨率的两倍。

“创造像Retina这样的东西并不是在钻头上打几个孔并插入一个传感器，”她解释道，并指出钻头仍需完成剪切地层和钻井的任务。增加岩石信息收集的附加功能需要考虑传感器在钻头内的位置。

“如果它们太靠近钻头中心，我们就无法生成足够的地层半径以获得适当尺寸的井眼图像。如果它们太靠近钻头肩部，工作量可能会过高，这会影响所收集数据的质量。你必须考虑这种权衡。”她补充道：“在钻头中有一个非常特定的区域，我们需要考虑足够多的地层被接触到，同时具备数据收集能力和图像分辨率，以及保护传感器免受损坏的权衡。”

Retina系统没有传统成像器所面临的限制。首先，传统成像器安装在BHA的上方，因此在钻头与岩石相互作用和传感器与岩石相互作用之间存在时间差。

“如果井中存在任何漏失、冲刷或其他异常情况发生在工具与地层之间，这可能会对图像质量造成困难。当你在钻头上收集数据时，井眼尚未受到破坏，钻头面也未受到损伤，因此你会得到更高品质的井眼图像。”井眼尺寸是另一个被消除的限制。由于传统的LWD超声波成像器产生低分辨率图像，它们在大井眼段的应用有限。通过产生2毫米的图像分辨率，Retina系统可以捕捉大于9英寸的钻孔图像，在无需额外运行或BHA中的额外工具的情况下，收集顶部井段的重要数据。

“此前，我们确实无法在顶部井段（如17½英寸或16英寸的井段）获取这些信息。那里几乎没有数据来补充我们对钻井或完井的理解——例如，应该在哪里下套管，或者为什么在顶部井段钻头的表现不如预期？现在，我们对这些层有了更多的了解。”

去年在俄克拉荷马州的一口陆上井进行的Retina系统的现场试验已经取得了成果。它能够生成一种在泥质岩相中的薄层发育的高分辨率图像，随后SLB用全孔地层微成像器进行了电缆测井验证。观察到明显的砂岩段及相关细粒岩相，这些岩相具有细微的正弦波状倾角变化。同一口井的LWD超声波成像未能区分这些变化。

(以上内容均由Ai生成)