MapReduce作为并行数据处理模型, 将现场钻井参数、地层岩性等录井大数据汇集进入现场数据中心后, 将根据现场工程地质特点、实时工况等生成最优的自定义分割机制, 算法将依据最优分割机制完成录井大数据的分割, 生成N个待执行的数据块（图1）, 并在集群上进行程序的拷贝, 以便后续的分布式并行处理。通过精细化的数据预处理策略, 确保了数据处理任务的均衡分配与高效执行, 进一步加速了录井大数据的挖掘与分析进程。

图1

	Figure Option ViewDownloadNew Window
	图1 录井大数据预处理

待执行的录井数据块依据映射规则分析生成相应的键值对（Key/Value）, 每个键值对按对应关系经Map（映射）函数输出后, 完成（k_a, v_a）到list（k_b, v_b）的映射并生成相应的中间值^[11], 即：

Map：（k_a, v_a）→ list（k_b, v_b）

Map函数分别读取各个录井大数据块相应键值对（k_a, v_a）并将其按对应关系生成中间键值对list（k_b, v_b）, 所输出的中间值将定期写入本地磁盘中（a、b为常数, 取值1~N）, 以待执行Reduce（归约）任务（图2）。

图2

	Figure Option ViewDownloadNew Window
	图2 录井大数据Map函数

Reduce函数将处理Map阶段生成的中间键值对, 并依据归约规则将键值对进行聚合^[12], 形成相对较小的键值对文件集合list（v_c）, 即：

Reduce：（k_m, [v₁, v₂, …, v_n]）→ list（v_c）

归约函数将读取映射函数输出的中间键值对list（k_b, v_b）, 通过排序将具有相同key的中间值键值对聚合在一起形成（k_m, [v₁, v₂, …, v_n]）, 其中, m、n、c为常数, 取值1~N, 形成新的键值对作为归约函数的输入, 并输出list（v_c）, 如图3所示。

图3

	Figure Option ViewDownloadNew Window
	图3 录井大数据Reduce函数

钻井地质设计及钻井施工设计是现场技术施工的指导蓝图。在实际作业中, 录井工程师面对下步工况时, 往往习惯于“ 傻瓜式” 操作, 仅查阅设计以直接开展相关工作, 而忽视了邻井地质工程参数、工程地质案例等动态实时数据。在日渐复杂多变的钻井作业环境中, 这种作业方式难免出现疏漏与错误, 影响作业效率, 甚至引发井控风险。因此, 基于MapReduce大数据分析模型, 研发适用于现场的大数据智能辅助作业算法及支撑模块。该模块将本井及邻井相关的钻井地质设计、地质工程资料、地质预告等数据结构化入库, 并与现场实时数据联动, 形成录井智能任务书（图5）, 实时推送当班工作指令、地质预告及风险提示等至现场录井工程师, 确保钻井作业安全可靠进行。现场录井工程师可以通过实时查看智能任务书推送的当班工作任务, 动态更新处理执行情况。模块大数据对比分析功能将结合现场实时动态及EISC专家指挥决策指令、地质分析、地质建议、地层跟踪等数据, 实时修正录井任务及注意事项, 以实现指令的精准、快速下达。

图5

	Figure Option ViewDownloadNew Window
	图5 录井智能任务书

综合录井是保障安全钻井和优化钻井的重要手段。目前, 国内主流综合录井仪大多采用设置钻井工程参数门限来实现事故隐患的报警^[13], 其在实际工程中, 对事故有效、精准预测预报的符合率较低, 现场误报、漏报等事件频发。为有效减少气侵、井漏等井控风险事故发生, 提高井控安全能力, 在MapReduce大数据框架下, 应用Encoder Decoder架构与LSTM神经网络技术构建12大类随钻LSTM Encoder Decoder地质预警模型。该模型微观分析录井曲线变化, 并将预警程度分为3个等级, 同时建立损失函数值对数归一化方程^[14]：

M=∑i=1nlnei-lneminlnemax-lnemin

式中：M为预警指标; ei为第 i个异常监测样本数据产生的预警指标; emin为发生异常时的最小损失函数值; emax为发生异常时的最大损失函数值。

依据预警指标, M≥ 0.8判断此时处于危险状态, 将做出程度最高的智能预警; 0.5< M< 0.8判断此时处于威胁状态, 将做出次一级的智能预警; 当M≤ 0.5时, 认为此时处于安全状态, 不做出预警提示。经川渝及长庆地区钻井作业现场实际验证, 已建立的12大类地质预警模型综合预警成功率高达90.8%, 显著提升了现场地质工程预警的准确率与及时性。

岩屑描述、层位精细划分是录井工程师的重要职责, 在实际工作中仍高度依赖个人经验。鉴于近年来一线录井从业人员的技能水平正逐年下滑^[15], 现场录井工程师提交的岩屑识别、层位判断等成果往往还需要地质工程师进一步复核校验。这种状况不仅导致成果直接可用率低, 而且增加了工作流程的复杂性与时间成本。智能录井平台可有效进行岩屑岩性智能识别、层位智能判识及随钻智能评价, 提升了现场智能地质评估准确率。

2.3.1 岩屑岩性智能识别

以岩性、电测、伽马、元素、碳酸盐、地层分层等数据为基础, 将元素、伽马、碳酸盐各种含量作为特征参数, 形成元素岩性、碳酸盐岩性、伽马岩性3大类岩屑岩性智能识别模型, 如图6所示。

图6

	Figure Option ViewDownloadNew Window
	图6 岩屑岩性智能识别模型

该识别模型通过随机双坐标上升最大熵算法（SDCA-MaximumEntropy）来实现岩性数据的智能分析^[16]。SDCA为一种线性回归算法, 其双重损失函数由权重进行参数化。每次迭代过程中, 相应权重会相应调整, 无需设定学习速率也可确定各种梯度下降方法所需的步长; 最大熵（MaximumEntropy）则在满足自定义约束下, 选择熵最大的模型。设求解如下无约束最优化问题, 即：

αmaxW（α1，α2，…，αn）→W（α1* ，α2* ，…，αm* ）

式中： W是多次迭代后最优解; α1，α2，…，αn为未优化状态下的参数值, 常数n取值1~N; α1* ，α2* ，…，αm*为优化后的参数值, 常数m取值1~N。

通过函数迭代调整参数, 使其向最大熵靠近, 以找到最优解, 从而实现岩屑岩性的智能识别, 促进岩性识别从定性向定量、从人工向智能转变。经实际验证, 全井段主要岩性综合识别准确率达86.75%。

2.3.2 层位智能判识

以物性、测井、井轨迹、层面等数据为基础, 建立不同小层的测井曲线特征图板, 并对单井小层界面进行自动拾取。在此基础上, 结合构造位置及邻井资料, 综合判断轨迹位置, 对井轨迹进行自动归位, 实现单井的智能分层和轨迹归位, 如图7所示。通过深度整合区块数据、井数据、轨迹数据、邻井数据、小层层面等关键信息, 完成大数据的智能分析处理, 建立单井智能分层及轨迹归位模型, 实现了对复杂地质环境下层位精准识别的智能化解析与精准重构, 为地质工程决策提供强有力的数据支撑与科学依据。经实际验证, 单井智能分层及轨迹归位准确率达80%。

图7

	Figure Option ViewDownloadNew Window
	图7 单井智能分层及轨迹归位

2.3.3 随钻智能评价

随钻智能评价深度融合大数据分析、机器学习与地质勘探知识, 构建完善的随钻地质智能评价体系, 实现了从钻前、钻中到钻后的钻井全链条智能化评价。借助录井资料归一化处理方法^[17], 对本井随钻指令、风险预测、钻井结果等数据完成归一化处理。当随钻指令实际发生, 其隶属度为1, 反之则为0, 实现随钻符合率的高效统计与智能分析。同时, 统计分析的结果自动进入随钻智能评价模块后将自动生成最优地质分析报告, 为邻近井位的勘探开发提供量身定制、高效可行的地质解决方案, 进而有力推动勘探开发效率与效益的双重提升。