钻完井大数据特点与应用方案研究

耿黎东

中国石化石油工程技术研究院

随着油田现场数据信息的爆炸式增长，传统的数据管理、分析手段已经无法快速、有效地收集和处理复杂、海量的数据。大数据技术依托新的数据处理模式，凭借更强的数据管理力、决策力、洞察力和流程优化能力，为油气行业海量、高增长率的多样化信息处理提供了前所未有的空间和潜力。

钻完井作业的工作对象是不可见的地下岩石和流体，因此对数据的依赖性更强。将大数据应用于钻完井领域，不仅仅在于收集、存储海量的钻完井数据，更重要的是利用科学算法对有价值的数据进行分析和挖掘以具有洞察力和预测力［1-3］。钻完井大数据除了具有常规的体量大、种类多、处理速度快、真实性和低价值密度的5V特征外［4-5］，还有其独特的特征。由于钻完井数据类型繁多、综合业务复杂，只有将大数据技术与钻完井数据的特征紧密结合，才能针对性地找到钻完井大数据应用的方向和突破口［6］。笔者主要分析了大数据技术在钻完井领域的需求，介绍了大数据在钻完井领域的应用现状，阐明了钻完井大数据的特点，并针对性地提出基于大数据的钻完井优化应用方案，旨在加速大数据技术在钻完井领域的研究和应用。

1 大数据在钻完井领域的需求分析

“ 十三五”以来，随着我国经济的快速发展和对油气需求的稳步提升，我国钻完井技术、工具和装备快速发展，钻完井作业的规模和整体技术水平取得很大进步，特别是深井超深井钻井、长水平段水平井钻完井、深水钻井等技术取得重大突破，拓宽了油气勘探开发领域，实现了深层深水、页岩油气、致密油气等资源的有效开发［7-9］。但总体而言，我国钻完井领域仍存在以下难题。

(1)增储上产任务艰巨。我国石油资源品位劣质化，特、超低渗透、致密储层等低品位资源占比超过70%，主力老油田普遍进入特高含水后期开发阶段，油气勘探开发领域逐渐从常规油气向非常规能源发展，从浅水向深水、超深水发展，从中浅层向深层、超深层发展，作业环境日趋恶劣，技术和安全环保要求越来越高，现有的钻完井技术无法适应当前增储上产的需要。

(2)降本难度增大。新冠疫情和低油价双重影响下，油气上游利润大幅下降。随着油气勘探开发领域的扩大，钻完井难度提升，技术成本也相应上升。同时，人工成本、固定资产成本等均在上升，加剧了上游的成本压力，降本难度进一步增大。

(3)部分关键技术依赖进口，受制于人。当前我国部分钻完井工程关键技术仍然存在“卡脖子”瓶颈，高性能旋转导向、储层精准压裂改造、地质工程一体化决策等短板技术主要依赖于进口，一定程度上制约了我国油气行业的快速发展。

大数据的出现为各个行业提供了一种以经济、廉价的方式从超大容量、多样化数据中发现和提取价值的新途径。大数据技术的出现不仅仅改变了石油公司传统的思维模式和作业理念，而且为石油行业的信息化发展提供了新的驱动力，具体表现在：(1)大数据技术可以帮助作业者快速、全面地实时分析、挖掘钻完井数据，快速做出正确的决策和预测，真正实现最大限度发现和开发剩余油；(2)大数据技术能够降低钻完井作业成本。利用大数据对海量历史、实时数据进行分析，可识别和洞察难以发现的潜在非生产时间，有效降低钻完井成本，提高作业效率；(3)大数据技术有助于降低数据治理成本。大数据高容错性和强异构数据适应能力的特点，能够帮助石油公司在不使用统一的各级数据模型的情况下管理数据资产，提高数据应用收益。

2 大数据在钻完井领域的应用现状

与互联网、电子商务、航空等行业相比，石油行业大数据的研究应用起步较晚。目前国内外石油公司、科研院所已经意识到低油价背景下，大数据技术将成为油气行业提高勘探开发效率、降低勘探开发成本的新突破点［10-13］。因此，国际能源公司正在从大数据平台和具体应用场景两个方面尝试将大数据技术应用于钻完井领域。

斯伦贝谢将勘探开发生产的16个数字化应用程序进行整合，在微软Azure云平台上开发了DELFI勘探开发认知环境信息平台［14］。通过将各类计划、作业程序和软件整合，存储、收集历史和实时数据资料，将地球物理、油藏工程、钻完井工程、采油工程等多学科知识交叉融合，综合利用大数据分析、机器学习、物联网等最新数字化技术形成低成本、高效率的油气勘探开发生态系统；贝克休斯和哈里伯顿也分别依托Predix和DecisionSpace工业互联网平台，通过物联网实时获取钻完井数据，同时应用大数据挖掘和深度学习模型，实现钻完井和生产优化［15-16］；康菲石油公司开发了涉及多学科的集中式大数据存储中心IDW［17］，其精髓在于将具有不同功能工作流程的数据库整合，实现跨功能集成。应用IDW后，不同业务部门的数据真正实现了一体化的存储、管理和分析，数据体量、多样性、传输速度和质量均有大幅提升，显著提高了从数据中获取有效信息的效率。在美国Eagle Ford页岩气开发中应用IDW后，每台钻机平均钻探量增加80%，每口井平均钻井时间从30 d缩短到12 d；中石油和中石化分别推出勘探开发梦想云平台和EPBP勘探开发业务协同平台，旨在搭建通用的协同研究环境，实现勘探开发管理、经营和决策的一体化。

国际石油公司和科研单位正在尝试将大数据技术应用于钻井、压裂等具体的应用场景中，并已取得较好的应用效果。道达尔公司提出一种基于大数据分析的钻井设计优化流程，采用不同的模型表征不同的特征，利用聚类算法实现了不确定条件下复杂井况井位设计的优化［18］；德州农工大学将大数据分析应用于钻速预测中［19］，通过建立包括钻压、转速、钻井液密度、层间厚度、流量、钻井深度等参数的钻速特征模型，利用主成分分析法对特征数量降维，基于特征分析得到每个特征属性对机械钻速影响的权重，并比较得到最优的预测模型算法；BP公司运用大数据技术进行钻井作业的套管卡管预测，首先建立管柱静摩擦事件发生的预测模型，再基于业务分析和优化策略建立基于数学算法的概率模型，以近实时状态识别与过去静摩擦事件相关的230个属性特征，确保5 s内识别出套管卡管风险事件；HESS公司基于“全数据”的长期页岩气井流体模拟，建立了压裂模拟器运行“全数据”资产，通过分析影响压裂效果的主要因素来设计更经济的压裂方案；斯伦贝谢则利用大数据分析和人工智能算法，结合裂缝和储层并行模拟技术，通过建立代理模型提供直接、实时的完井参数优化策略［20］。

3 钻完井大数据特点

钻完井工程的范畴，涵盖了一口油气井从井位部署决策到建成井的过程。钻完井工程是高技术密集型行业，涉及多种专业，包括多个工作流程，在工作过程中产生多种多样的数据。钻完井工程按时间先后排列，包括钻完井工程设计、钻前工程施工、钻井施工、完井施工、测井施工、压裂施工、试油试气等阶段。每个阶段都产生大量内容繁多、形态各异的数据。钻完井过程中的数据流转过程见图1。

图1 钻完井数据流程图Fig. 1 The flow chart of drilling and completion data

从数据形态上看，钻完井大数据类型包括钻完井各业务结构化实时作业数据、各类静态结构化表格数据、各类管理数据、视频数据、音频数据、文件数据、图片数据等；从数据产生频次上看，钻完井工程数据既包括连续测量数据(例如实时录井数据)和频繁采集的数据(例如钻井米数据)，也包括按井次产生的数据(例如工程设计方案数据)。

3.1 工程地质环境大数据的内容与特点

钻完井工程的设计与施工以地质环境认识为前提。表征地质环境的数据虽然不是钻完井工程环节直接生成的，但是钻完井工程越来越需要使用地质环境数据来指导工程设计和施工。同时，一部分钻完井工程数据也是地质环境参数计算过程中所需要使用的数据。因此，可以选取钻完井工程中能够直接应用的工程地质环境数据作为外生数据，参与钻完井工程的大数据应用。

能够直接应用于钻完井工程的地质环境数据主要包括叠后地震体、地震层位解释数据、地震属性体、岩石力学属性体、地质构造建模数据、地质网格建模数据以及各类单井属性曲线等。这些工程地质环境数据具有以下特点。

(1)数据量大，生成频次低。属性体数据一般为GB级，有时可达TB级，数据体量较大。体数据表征一个区域范围的地质环境特征，每个体数据是一次地震采集或者一次地质环境研究的产物，同一区域的多口井共用一套体数据，因此生成频次较低。

(2)数据经过处理后才可以应用。钻完井数据大多以井深或时间为标尺，而体数据一般以地震测网或三维空间坐标为标尺，因此需要先将体数据的空间坐标与井口空间坐标统一，沿着井轨迹提取体数据中相应坐标位置的数据值，形成属性曲线数据或者井轨迹与构造格架的交点井深，才能用于钻完井工程中。此外，由于地震采集间隔决定了地震数据换算到深度坐标后数据点的深度间隔较大(一般在几十米)，往往需要将井数据进行粗化处理后才能应用。

(3)数据具有持续发展性。随着一个区域内的钻完井井数增多，将有更多井的地质分层数据、测井数据用于建立更准确的地质环境模型。后续的钻完井工程应用更新后的地质环境模型，能够更准确地预测地层压力、物性参数和岩石力学参数。

3.2 钻完井大数据的内容与特点

钻完井工程的各个阶段所涉及的业务数据内容繁多、数据形态各异。钻完井工程数据的内容主要包括工程设计数据、施工记录数据(如钻头使用记录)、工程参数测量数据(如工程参数录井数据、钻井液检测数据)、测井数据、设备及材料测量数据、工程管理数据等类别。对于不同的数据内容，其格式种类、数据生产频率和单井数据量级都有明显区别。钻完井大数据主要具有以下特点。

(1)数据内容多样性显著。钻完井大数据设计的数据格式，既包含适合关系数据库存储的结构化数据，也包含非结构化数据。非结构化数据中，有的是通用公开格式的数据(如Office文档、位图、矢量图)，有的遵循公开的工业数据格式标准(如LAS测井文件格式、WITS数据传输格式)，有的是受知识产权保护的设备厂家自有格式。随着新技术的发展，仍然不断有新的数据格式产生，例如利用无人机进行井场勘探所产生的地形地貌建模数据。

(2)数据采集频次偏低。数据采集是大数据技术应用于钻完井中最为基础和重要的环节。目前油田现场数据采集设备性能还无法达到采集速度快、精度高的标准。以起下钻过程中常发生的卡钻事故为例，目前大钩载荷一般记录周期是3～5 s，这种周期只能粗略估计钻头遇阻情况，无法区分钻头与井壁正常碰撞、钻头携带岩屑堆积、井壁掉块碰撞、钻头刮擦井壁滤饼等多种情况，因此无法判断钻头遇阻的原因和严重程度。如果将大钩载荷数据的采集周期降低到毫秒级，就有可能通过实时波形分析，区分不同的钻头遇阻情形，进而为操作决策提供参考，减少卡钻事故。

(3)井下数据传输瓶颈问题突出。钻完井工程数据采集包括地面数据采集和井下数据采集。其中井下数据采集难度更大，价值也更高。目前常用的井下数据传输方式包括有线传输和无线传输两种。有线传输方式(电缆、钻杆)具有传输速度快、可双向传输等优点，但存在技术开发成本高、制造工艺复杂等缺陷。无线传输方式包括钻井液脉冲、电磁波、声波等，具有方法简单、成本较低等优点，但传输速率低、可靠性较差。随着实时分析解释技术的进步，更高的数据传输频次和可靠性才能为工程预警、工程分析提供更有价值的信息。

(4)数据体量变化幅度大。钻完井工程数据中，数据量较大的是测录井数据。传统的测井方法一般要求每0.125 m一个测量点，常规8项测井数据的数据量约为1 M/km。声波测井、成像测井等新测井方法会在井壁周向布置多个传感器，每个传感器连续测量，某一种测井参数的数据量往往可以达到1 G/km以上。不同地区井的数据内容和数据量差异很大。我国西部地区超深探井从井位部署到地质评估完成所产生的实时录井数据可达几个G，应用声波测井等新测井工艺产生的测井数据甚至可达上百G。而东部地区地质条件已经清晰，不需要进行特殊的测井施工，一般不会产生过多的测井数据。

(5)数据可管理性较差。各类钻完井数据的数据生成周期不一，采集方式各异，导致数据难以统一管理，很难用一套固定的数据模型来容纳所有钻完井数据。因此，钻完井数据更适合采用数据湖等方式进行管理.

(6)新的井下随钻测控数据不断涌现。随着井下测控仪器的进步，越来越多的井下物理量可实现随钻测量。新型随钻多参数测量仪器可以测得井底压力、温度、钻井液电导率等参数，为实时掌握井下状况提供了宝贵数据；LWD随钻测井仪器也正在向远距离、多参数测量方向发展；随钻井液流动测量小球可以通过内置的陀螺仪测量并记录井筒各深度的温度、压力等数据。

3.3 储层改造大数据的内容与特点

储层改造数据是钻完井大数据的重要应用领域，也是钻完井大数据的重要组成部分。其中涉及的数据包括油藏数据、岩石力学数据、井筒实钻数据、射孔记录数据、酸化压裂方案设计数据、酸化压裂施工记录数据、返排记录数据、微地震监测数据、增产效果评价数据等。储层改造数据除了具有与钻完井工程数据相似的特点之外，还具有以下特点。

(1)数据内在关联性强。一方面，储层改造设计方案是根据地震、地质、钻井、完井等前序环节的情况来进行设计的，改造效果也由这些前提条件所决定；另一方面，储层改造数据往往需要与前序施工环节的数据一同应用。例如进行储层改造增产效果评价时，需要将储层改造的相关数据与油藏数据、井眼轨迹数据、完井管串数据和邻井产量数据相结合。

(2)部分数据准确性差。储层改造数据中，有一部分是无法直接测量得到的。比如地应力分析中的最大、最小主应力的大小和方向是根据井壁掉块扇面的方向和角度结合上覆岩层压力以及岩石抗拉强度计算得到的，参与计算的多个原始数据本身就存在一定误差，计算得到的结果误差则更大。

3.4 自动化技术背景下钻完井大数据新种类

随着自动化技术的进步，新的测量与分析技术将会逐步应用到钻完井工程领域，从而产生新的数据种类或者使传统数据发生新的变化。这些变化不仅会给大数据处理分析提出新的要求，也会为大数据技术的研究和应用带来新的机遇。

(1)音视频数据。随着智能图像分析技术的发展，井场音视频数据可以用来识别多种信息。例如，当发生井壁坍塌时，返出钻井液中的岩屑粒径变大且有较多棱角，因此可以通过对返出钻井液中分离出的岩屑颗粒进行视频监控，通过分析岩屑颗粒的平均粒径和棱角情况来判断井壁是否发生坍塌；(2)声波与振动数据。地面管汇中的流体存在声音信号，井筒管柱和管内液柱存在振动和声音信号，这些信号可反映出地面设备和地下井筒的工作状态，未来将成为重要的监测信息来源；(3)其他物联网数据。随着物联网技术的发展，基于物联网设备的数据采集将逐步应用到现有的钻井设计和施工过程中。这些数据包括设备测控数据、电力拖动设备的电气数据、管杆编号数据、管杆自动丈量数据等。

这些新种类钻完井大数据具有一些共同的特点：首先，数据频次高，数据量大；其次，数据连续采集，需要实时处理；第三，需要与其他传统数据联用才能发挥数据应用价值。

4 基于大数据的钻完井优化应用方案

4.1 钻完井大数据技术总体架构

虽然大数据技术本身发展非常迅速，但目前钻完井领域的大数据基础设施欠缺，内部软件研发力量不足且分散，钻完井行业人才接替困难，石油工程投资欠缺，导致了钻完井领域大数据技术处于较低的发展水平，与我国当前大数据发展的政策要求存在较大差距。应遵循“架构开放、技术共享、平台化建设、专业化应用”的原则，以钻完井大数据应用场景作为核心，充分继承业务部门数据治理成果，消除“数据孤岛”，集中建立大数据基础设施，数据分析技术先行，逐步建立市场化的生态系统，实现我国钻完井大数据技术的良性发展。基于以上原则，笔者设计了钻完井大数据技术总体架构，见图2。

图2 钻完井大数据技术总体架构Fig. 2 Overall framework of drilling and completion big data technology

4.1.1 大数据基础框架

从数据源开始，经过分析、挖掘到最终获得有价值的信息，大数据基础框架一般包括6个环节，分别是数据收集、数据存储、资源管理与服务协调、计算引擎、数据分析和数据可视化。目前针对大数据分析的框架平台，有商业化的大数据分析平台和开源项目的免费平台。其中开源项目平台中，基于Hadoop+Spark的技术体系已经形成了较为完善和高效的解决方案，可以作为框架设计的具体实现和部署方案。

4.1.2 大数据采集与管理

针对钻完井与压裂工程中的工程管理、工程设计、钻前工程、钻井施工、完井测试、压裂施工等重要环节的数据库建设，建立基于源头的数据采集系统，在此基础上应用大数据技术建立数据湖，实现对于多结构、多来源与多格式的数据统一存储和管理，最后应用知识库(知识工程)实现多种类型数据的关联与融合。

4.1.3 大数据分析

钻完井大数据架构在分布式集群系统上，其核心是钻完井专业算法和业务数据处理算法，通过并行架构与数学分析模块，特别是机器学习与深度学习模块，实现针对专业化算法的智能升级，为石油工程专业算法的海量数据处理、并行计算等高性能处理提供基础支撑。

4.1.4 大数据可视化

有必要研究一套钻井工程及地质环境大数据的可视化技术，综合钻井工程数据、地质环境描述数据与地理信息数据，直观呈现地质环境和区域施工情况，有效地辅助专家发现宏观性区域化钻完井工程规律。

4.1.5 大数据应用

钻完井业务应用层包括钻完井设计、钻完井施工、钻完井评估3个主要部分。其中钻井设计包括钻井设计、完井设计与压裂设计，钻完井施工包括钻井、录井、固井、完井、压裂等施工过程的监测与管理，钻完井评估包括钻井和压裂施工后评估。

4.2 钻完井大数据应用场景设计

针对上述钻完井应用场景的3个应用方向，结合钻完井大数据的特点，对钻完井大数据分析业务场景进行了筛选，形成了钻速预测与钻井参数优化、钻头优选、地层三压力预测、钻头磨损监测、摩阻系数实时预测、井漏监测预警、井涌溢流监测预警、卡钻监测预警、钻井施工方案智能推荐、测井解释结果预测、压裂方案优化设计等11个典型的大数据业务应用场景，并进行了细化设计(如表1)。

表1 典型的钻完井大数据应用场景Table 1 Typical drilling and completion application scenarios

5 结论与建议

(1)随着油气勘探开发向非常规、深层、深水、极地环境的拓展，钻完井工程面临增储上产任务艰巨、降本难度增大等问题，利用大数据技术实现钻完井作业的优化已得到石油行业的广泛认同。

(2)国际大型石油公司正在或基本已建成大数据分析平台，并针对钻完井工程的具体应用场景，以解决具体业务问题为目标，结合机器学习、深度学习等智能算法，提高钻完井作业的预见性，实现钻完井工程的优化。

(3)钻完井大数据除具有常规大数据的5V特征外，还具有自身独有的内容和特点。我国钻完井大数据技术的发展亟需在借鉴国外成功经验的基础上，结合钻完井大数据的特点，建立统一的钻完井大数据分析平台，进一步优化钻完井大数据的应用架构和应用场景设计，加强与国内外数字巨头公司的合作，坚持“有所为有所不为”的原则，有计划、有目的部署实施相关的大数据项目，完善大数据管理体系和技术标准，建立基于大数据的钻完井优化生态系统。