人工智能和機器學習可以很容易地收集、數字化和分析磨損數據，從而實現更好的鉆頭設計和優化鉆井。在鉆井所需的設備和技術中，鉆頭可以說是最關鍵的部分。鉆頭設計是一個不斷改進和改進的快節奏過程，能夠使鉆井更加快速和高效，它考慮了許多井下因素——地質、巖性、井眼幾何形狀、與底部鉆具組合(BHA)之間的潛在相互作用——專業工程師尋求開發能夠克服當今更復雜井中固有挑戰的鉆頭。
 
隨著時間的推移，對鉆頭的狀況進行分級的過程變化有限。通常情況下，鉆井人員會對鉆頭進行現場分析，對其狀況進行拍照，并根據行業公認的方法對鉆頭進行鈍化分級。然而，這個過程可能非常耗時，并且充滿人為錯誤和不一致性。為了實現鉆頭設計的數字化和自動化，一些公司已經開發了新的技術來補充或取代以前的方法。
 
自動數字鈍化分級
 
Taurex鉆頭技術副總裁Dustin 萊爾斯表示，行業必須超越PDC鉆頭陳舊的分級方法。他解釋說:“在地球表面以下幾英里處發生在巖石與鉆頭之間相互作用的最好方法是鉆出的鉆屑。“這是鉆頭在井下看到的鉆井功能障礙類型和環境的指紋，能夠分析鉆頭，為我們的數字工作流程和反饋系統提供意見。”
 
圖2
每個鉆頭的初始AML分析數據都被推送到包含其他數據集的數據庫中，以幫助“描繪出發生了什么類型的鉆井功能障礙，或者鉆頭磨損背后的驅動因素是什么。”Taurex鉆頭負責技術的副總裁達斯汀·萊爾斯說。
 
知道鉆頭的內在價值是一回事，獲得可操作的數據是另一回事。萊爾斯表示，將鉆頭狀況數據數字化，使其可以用于Taurex公司的每一個鉆頭設計決策，這是關鍵。鉆孔和高度詳細的枯燥數據在本質上是碎片化的。例如，在Delaware盆地Wolfcamp B分支井中，對于特定的作業者和/或鉆頭編號的項目，可以進行下入操作，并在狹小的范圍內做出相應的改進措施。然而，Taurex認為，理解鉆頭設計、磨損和應用之間的相關關系，對于制定更全面的設計決策至關重要。為了實現這一目標，該公司制定了一個數字鈍化分析模型/工作流程，從而在大規模基礎上進行取證分析和根本原因故障分析。
 
自動化計量實驗室(AML)是該公司在自動化數字枯燥分級方面的創新。部署在該公司的中央維修和維護設施，它運行的每一個鉆頭都要經過自動化3D機器人掃描程序。萊爾斯說，在3~4分鐘內，掃描被推到遠程服務器，允許工程師訪問和量化該鉆頭上每個單獨的切削齒上的鉆石損失量。他指出:“每個鉆頭的初始AML分析數據被輸入到一個關系數據庫中，與應用、設計、電子鉆井記錄儀(EDR)和其他相關數據集一起，將枯燥的趨勢聯系起來，以便將各個部分的拼圖拼在一起。然后可以描繪出發生了哪種類型的鉆井功能障礙，或者鉆頭磨損背后的驅動因素是什么。”
 
困擾該行業的問題并不在于缺乏訓練有素的工程師，具備評估鉆頭的技能和機械手段。相反，事實是在這個過程中有太多的主觀性和不一致性。萊爾斯先生說:“我們評估鉆石損失的測量系統精確到千分之三英寸。”“我們知道，在我們下入的每一個鉆頭中，該系統都是非常精確和一致的，使用該系統評估趨勢可以為我們的鉆頭設計提供見解，以及我們如何克服當今鉆井環境中的挑戰。”
 
了解后前角、側前角、軸向力和切向力與切削齒損傷之間的復雜關系(這些關系在每個鉆頭設計中都不同)，可以改善鉆井性能，減少給定鉆頭的磨損。切削齒的測試和開發對提高鉆頭性能起著至關重要的作用。通過擁有這些類型的數據集，Taurex可以直接與刀具制造商合作，在他們甚至離開實驗室之前，推動他們的設計改進。傳統上，這些制造商沒有一個真正的反饋系統來提供來自最終用戶的見解。然而，隨著AML提供的詳細數據，這些公司現在可以獲得所需的信息，從而在自己的設計過程中做出更好的決策，從而在整個行業的鉆頭設計中實現更好的切削齒。
 
“通過應用，制造商現在可以根據切削齒等級進行自己的統計分析，這樣他們就可以更好地了解切削齒的性能，并將其與大規模的實際現場應用相關聯。”還有一個問題是，個人進行鉆頭分析需要多長時間。一個機械測量過程通常需要工程師幾個小時才能完成，但AML現在可以在幾分鐘內完成這項任務——提高了準確性和精確度。這使得Taurex能夠以比以前更快的速度推動對位設計的迭代改進，特別是在跨越數百個位時。萊爾斯指出:“我們從反洗錢行動中獲得的數據，可以在我們店里進行維修的當天使用。”“我們需要隨時掌握這些數據。這一切都是為了讓我們能夠做出更好的決定，而這真的與速度有關，這也是我們盡可能將流程自動化的原因。”
 
圖3
由自動化計量實驗室生成的鉆頭掃描可以讓工程師量化鉆頭上每個切削齒的金剛石損失量。
 
在15分鐘內——3~4分鐘進行掃描，12分鐘將所有內容上傳到數據庫萊爾斯說，Taurex工程師可以獲取每個鉆頭的實時數據，跟蹤信息，哪些鉆頭在哪些位置表現最好，哪些設計可能有更高的超出修復的損壞頻率或更高的鉆頭特定部分的故障率。他總結道:“數據民主化是我們所做事情的一個非常關鍵的組成部分，也是我們花費了大量時間的事情。你無法將優化鉆頭的生產自動化，但可以將很多分析和評估方法自動化。你仍然需要工程師，仍需要上下文知識結合來解釋數據，至少在我們可以使用機器學習來建立模型之前。可能沒有你想的那么遠。”
 
數字分析和位內傳感器
 
哈里伯頓鉆頭和服務戰略業務經理克里斯·普羅佩斯表示，鉆頭取證是公司如何開展業務的關鍵。他解釋說:“這包括分析鉆頭的鈍化狀態，并將這些數據與我們所了解的鉆進信息相結合，以開發改善鉆井性能的解決方案。”
 
作為鉆頭取證項目的一部分，哈里伯頓使用的技術Oculus是一個大數據分析平臺，可以對公司運行的每個鉆頭進行3D掃描，并將其上傳到數據庫中。這提供了在其作業的各個市場中對切削齒和鉆體狀況的深入了解。普羅佩斯表示，必須先了解大量的信息，然后才能采取行動。
 
圖4
哈里伯頓的Cerebro鉆頭內傳感器套件可以捕獲井下數據，包括橫向和軸向振動、扭轉共振、旋轉和粘滑。利用直接來自鉆頭的井下條件和現象數據來了解鉆井環境，可以確定鉆頭損壞的原因。
 
他指出:“我們所做的是建立內部設計平臺，使我們能夠搜索到特定的應用，無論是二疊紀盆地的中間區域還是海上鉆井，并縮小我們的范圍，為該應用提取所有的取證信息。”“這包括來自Oculus數據、照片和井下性能數據的枯燥分析。所有這些都可以幫助設計工程師做出權衡，優化這些應用的鉆頭設計。”
 
當與Oculus這樣的系統配合使用時，哈里伯頓維修和維護設備的絕對數量實際上是一個優勢。“每個服務中心都是與Oculus一起建立的，”普羅佩斯表示。“所以，當一段視頻在運行后返回設備時，第一步就是用Oculus掃描它，捕捉取證數據。”
 
然而，僅僅獲得枯燥的分數信息是不夠的。相反，Oculus的取證數據必須與設計特征相關——下入切削齒、下入后耙等等——這樣設計決策就可以與先進的取證分析相結合，從而做出有意義的改進。普羅普斯指出，哈里伯頓采用了一種系統的方式來處理這一過程。
 
他解釋說:“當你從歷史的角度考慮如何設計時，你會從三到四次運行中得到補償，你會查看照片，確定是否有沖擊損壞或磨損，然后你會根據這些決定，但你會孤立于這些設計。”“盡管我們仍然可以仔細研究這三個偏移量，但我們現在可以利用100個或1000個偏移量的數據來增強決策制定，這是我們正在看到的發展趨勢的關鍵。這是關于做出數據驅動的決策而不是直覺驅動的決策，我們已經將整個設計理念轉向了這個方向。”
 
圖5
通過Oculus數據分析平臺，哈里伯頓可以對鉆頭進行3D掃描，然后將掃描數據與鉆頭的設計特征相關聯，從而進行有意義的改進。
 
刀具開發是Oculus提供量化改進的另一個領域。隨著哈里伯頓使用了數千個切削齒，該系統允許公司以分析的方式而不是道地的方式來比較切削齒的性能，這使得哈里伯頓與切削齒制造商的合作方式發生了一步一步變化。
 
他說:“在與刀具制造商的合作中，我們對PDC金剛石的杠桿——晶粒尺寸、壓力、水蛭和所有其他影響不同類型刀具的變量——有了充分的了解。”“我們帶來的額外價值是對鈍化條件的高度理解，因此我們可以提供與井下環境相關的切削齒數據，并決定我們需要拉動什么杠桿來解決特定的挑戰。這些討論中數據的出現是有益的，因為它將主觀性排除在外。”
 
哈里伯頓鉆頭取證項目的另一項關鍵技術是Cerebro鉆頭傳感器包。該傳感器可以捕獲井下數據，包括橫向和軸向振動、扭轉共振、旋轉和粘滑，升級后的版本還可以捕獲重量、扭矩和彎曲測量數據。利用直接來自鉆頭的井下條件和現象數據來了解鉆井環境，就有可能確定Oculus注意到的損害發生的原因。
 
普羅佩斯表示:“我們希望將數據驅動的枯燥分析和位內傳感與先進的鉆頭技術和切削齒結合起來，通過我們的設計界面將所有東西結合起來。”“我們希望收集所有這些信息，并有效地將其整合到鉆頭設計中，從而持續超越基線目標。從歷史上看，這是一個由中小企業驅動的一次性過程。現在，有了自動化系統，我們可以通過數據來提高設計的可重復性和一致性。”
 
使用Oculus和Cerebro等技術的公司可以更精確地了解切削齒失效機理和井下鉆井環境，而不是基于有限的、經常是零星的信息做出決策。先進的枯燥分析和基于深度的運行數據結合在一起，可以更清晰地了解鉆頭發生了什么，從而提供更好的解決方案，最終提高鉆井性能。
 
自主式鉆頭鈍化取證數字化系統
 
雖然有些取證解決方案側重于實驗室技術，但Trax電子的系統可以在車間、實驗室或鉆機現場使用。該系統被稱為grA+de，自動鈍化取證數字化系統可以在運行后立即使用。其目標是消除人類解釋中固有的不一致性和不可靠性，同時也解放工程師去關注其他關鍵任務。
 
圖6
Trax的鉆頭掃描儀收集的圖像用于生成鉆頭的高分辨率3D模型，包括所有磨損測量值和特征。
 
在這種技術出現之前，實驗室工作人員將手動篩選和分析運行后的數據。這一直是一項艱苦的工作，而來自外地的數據質量的變化更使人望而生畏。由于輸入數據的類型和質量的差異，將信息聚合成診斷分析軟件包是困難的。此外，試圖將這些數據與相關的鉆井參數疊加起來，以真正評估鉆頭性能，即使不是不可能，也是極具挑戰性的。
 
Trax的執行顧問羅恩施密茨說:“我們希望制造一種機器，它可以在車間、實驗室、鉆機現場或任何地方，通過簡單的訓練，輕松地操作，并可靠地構建3D可視化。”“我們使用攝影測量技術，基本上就是從鉆頭周圍的不同角度拍攝照片，并以此建立可視化。”
 
圖7
掃描鉆頭的點云圖可以幫助公司決定是否要更改鉆井參數，以避免在可視化中看到的相同損害。
 
機器人控制的、人工智能增強的攝影測量，或從照片中進行測量的科學，是該系統的核心。用戶將鉆頭放置在大約4英尺立方體的掃描儀中，然后讓系統開始工作，其中有一臺相機可以從所有相關角度自動拍照。
 
一旦這些圖像被輸入，輸出通常是一個點云圖，這是一些真實世界的物體或場景的繪圖、測量或3D可視化。根據鉆頭的大小，掃描大約需要15到20分鐘，而人工智能計算鈍鉆頭的取證特征大約需要90分鐘。通過將該技術應用于鈍鉆頭分級，該系統可以獲得PDC鉆頭中單個切削齒磨損的高精度、可重復測量數據，以及IADC鈍鉆頭分級協議的機器生成基本參數。
 
Trax表示，它看到了將其系統安裝在鉆機、商店或實驗室中的可量化價值。施密茨表示:“我們認為，能夠從第三方獲得獨立分析，是一個巨大的優勢。”“還有時間和成本因素;因為我們可以在現場提供照片，在實驗室或商店，你可以在幾個小時內看到可視化。它可能不能幫助你決定下入哪個鉆頭，但它可以幫助你決定要改變鉆井參數，以避免掃描中看到的一些損壞。”
 
圖8
Trax電子公司的鉆頭掃描儀是一個大約4英尺的立方體，可以放置在鉆機、商店或實驗室中。它會自動拍攝鉆頭的照片來建立三維可視化。
 
當然，收集這些數據的目的不僅僅是了解鉆頭發生了什么，還包括利用這些數據優化鉆井。通過獲得可靠、獨立的鉆頭逐個取證，Trax認為鉆頭取證的五個關鍵領域將有助于提高鉆井性能。
 
首先，公司可以改進鉆頭設計和質量控制，使作業者和供應商能夠更好地合作，并有可能提高鉆井和定向性能，特別是在更長、更復雜的非常規井中。然后可以識別鉆井功能障礙，以消除切削齒損壞，最終延長鉆頭和BHA的壽命，減少起下鉆所需的時間。
 
其次，可以控制鉆頭磨損。羅恩施密茨解釋說:“這是關鍵。與鉆頭磨損有關的問題很多，而不是鉆頭損壞。例如，查看切削齒在鉆頭上的位置，如果它脫落、破損或破碎，人們就可以了解井下發生了什么，從而造成這些損害。”他還指出，通常情況下，沒有或只有“平滑”切削齒磨損的下拉鉆頭可能不是最佳的，因為這可能表明性能沒有最大化。在某些應用中，能夠評估平滑磨損至“0以下”水平非常重要，因為這意味著可以在不造成損壞的情況下獲得更高的ROP。較少的磨損并不一定意味著最佳的運行。
 
第四個領域是提高數據粒度，使大數據分析成為可能。羅恩施密茨說:“一個典型的無趣代碼包含了一個鉆頭作為一個整體的整體平均值。”IADC正在考慮的新協議包含了每個刀片上所有切削齒的信息，可以區分損傷是在錐體、前端還是肩部，損失面積是多少，以及發生了何種損傷。”下一步，可以通過Trax的鉆頭取證來實現，對每個鉆頭進行更詳細的分析，從微觀層面上觀察磨損或損壞情況。
 
最后的目標是提高整體質量保證，這對改進迭代鉆頭設計至關重要。羅恩施密茨先生指出:“例如，當我們使用切割深度限制器(DOC)分析一個鉆頭時，我們注意到該鉆頭的形狀與實際情況之間的可視化差異。”“當我們討論他們正在努力開發的非常精確的設計時，為了避免破壞，同時最大化DOC，以盡可能快的鉆速，將DOC限制在他們想要的范圍內，這個量級的差異開始變得重要。”
 
使用現場攝影技術進行鉆頭故障取證
 
鉆頭取證也是學術界研究的一個課題。美國德克薩斯大學奧斯汀分校正在進行一項研究計劃，開發一種軟件算法，可以自動分析鉆頭在鉆井現場拍攝的照片，并從這些照片中識別鉆頭損壞和故障的根本原因。該項目的目標是讓軟件能夠準確評估使用過的鉆頭，以便在下一次作業前對BHA和/或鉆頭進行修改。
 
圖9
UT Austin的自動取證過程依賴于軟件，能夠準確評估鉆頭損壞和故障，以便在下一次作業前對鉆頭和/或底部鉆具組合進行更改。
 
這個自動取證過程的方法包括四個步驟。首先，給算法一組鉆頭照片，清晰地顯示單個刀片，讓軟件識別該鉆頭上的所有切削齒。然后，該軟件利用地面傳感器數據庫、井下振動數據以及鄰井巖石強度信息，對每個切削齒的損傷進行量化，以描述與鉆頭損傷相關的鉆井功能障礙。在計算出刀具位置后，該軟件使用一個分類器來確定刀片各部分的平均損傷，從而能夠推斷損傷的根本原因。
 
一位從事鉆頭取證研究的博士生楚堅(音譯)解釋說，該倡議將繼續推進。以前版本的軟件并不總是能夠根據可用的照片檢測出所有的刀具，而且缺乏精度。此外，并不是所有的傷害都可以計算出來，即使是這樣，也只能以整數來量化。此外，算法受到光照的影響，取證過程不包括EDR數據。然而，該團隊現在正專注于識別損傷類型(如磨損、破損)，并通過語義分割提高損傷分級的精度。
 
楚堅表示，為了開發出真正有用的東西，消除鉆井環境中的噪音至關重要。他解釋道:“我們面臨的一個大問題是沒有很多數據。對于傳統的機器學習算法來說，它們需要數百萬個數據點來訓練神經網絡，所以我們必須去除所有干擾，真正專注于我們所擁有的內容。”
 
通過精確的區域隔離、損傷類別識別和專家系統集成，該過程最終將實現完全自動化，算法將越來越精確。由于用于驅動算法的照片仍然容易出現人為錯誤，楚堅表示，也許有一天，鉆臺上的計算機視覺可以在BHA被拉出時拍攝鉆頭的照片，捕捉所有角度，并將數據輸入算法。
 
如果一家公司選擇為該算法開發一個應用程序，可以部署在智能手機或平板電腦上，這將使這個過程更容易，并減少與遠程站點的連接受限相關的擔憂，這還有額外的潛力。楚堅表示，就目前而言，他并不擔心該平臺的商業潛力。他更感興趣的是推進鉆頭取證領域:“我想做一些對該行業有用的東西。”