基于激光激发岩屑声光信息融合的地层可钻性快速评价技术研究与应用
佘明军①②③, 李油建②④, 郭云峰①②③, 李红欣①②③, 王新玲①②③, 王勇①②③
①中石化经纬有限公司中原测控公司
②河南省光谱油气检测分析工程技术研究中心
③中国石化测录井重点实验室
④中石化经纬有限公司

作者简介:佘明军 正高级工程师,1968年生,1992年毕业于江汉石油学院电子仪器与测量专业,工程硕士学位,目前在中石化经纬有限公司中原测控公司从事录井工程技术研究开发工作。通信地址:457001 河南省濮阳市五一路85号中原录井研发中心。E-mail:ymsmj2007@126.com

摘要

针对传统地层可钻性评价方法结果滞后、样品制备繁琐、分析周期长、单一指标表征不足,难以满足油气钻井实时指导与深部地层高效勘探开发需求的技术瓶颈,以激光诱导击穿光谱(LIBS)技术及其同步产生的等离子体声发射信号(PAES)为基础,提出激光激发岩屑声光信息一体化检测与多模态融合评价地层可钻性的全新技术思路。通过自主搭建岩屑声光同步采集实验平台,开展多岩性岩屑样品谐振声波、共振声波及声光同步采集对比实验,证实了不同岩性岩屑的光谱特征与声波特征存在显著差异性,且光谱、声波信息与岩性类型、岩石力学参数及地层可钻性级值具备稳定且规律的关联关系。在此基础上,构建包含元素信息子模型与声波信息子模型的双分支基础模型,通过深度学习全连接网络实现了声光特征深度融合,形成一体化地层可钻性预测模型。分别选取MB 1 井与W 23C12-P2 井现场岩屑与岩心样品开展实验验证与现场应用,结果表明:实验验证的模型训练集与测试集决定系数 R²分别达到0.969 8、0.913 5;现场应用该声光融合评价方法得到的地层可钻性级值纵向变化趋势与测井评价结果变化趋势一致,二者决定系数 R²达到0.863 7。研究与应用结果充分表明,激光激发岩屑声光融合评价技术无需复杂样品前处理、检测过程快速无损,可同步耦合岩石化学组分与物理力学信息,能够为钻井参数实时优化、个性化钻头选型与井下安全施工提供新型高精度录井技术支撑,具备在深部油气勘探与智能钻井工程中推广应用的潜力。

关键词: 地层可钻性; 激光诱导击穿光谱; 等离子体声发射谱; 岩屑; 声光信息融合; 实时录井; 深度学习; 多模态检测
中图分类号:TE132.1 文献标志码:A
Research and application of a rapid evaluation technology for formation drillability based on laser-excited rock cuttings acoustic-optical information fusion
She Mingjun①②③, Li Youjian②④, Guo Yunfeng①②③, Li Hongxin①②③, Wang Xinling①②③, Wang Yong①②③
①Zhongyuan Measurement and Control Co.,Sinopec Matrix Corporation,Puyang,Henan 457001,China
②Henan Spectral Oil and Gas Detection and Analysis Engineering Technology Research Center,Puyang,Henan 457001,China
③Sinopec Key Laboratory of Well Logging,Qingdao,Shandong 266071,China
④Sinopec Matrix Corporation,Qingdao,Shandong 266071,China
Abstract

In view of the technical bottlenecks of traditional formation drillability evaluation methods,such as lagging results,cumbersome sample preparation,long analysis cycles,and insufficient characterization by a single indicator,which make it difficult to meet the needs of real-time guidance for oil and gas drilling and efficient exploration and development of deep formations,based on laser-induced breakdown spectroscopy(LIBS) technology and its simultaneously generated plasma acoustic emission signals (PAES) technologies,the new technical ideas are proposed for integrated detection of the acoustic and optical information of rock cuttings excited by laser and multimodal fusion evaluation of formation drillability. By independently constructing an experimental platform for synchronous acquisition of rock cuttings sound and light,the comparative experiments were conducted on the harmonic acoustic waves,resonant acoustic waves,and acoustic-optical synchronous acquisition for multi-lithology rock cuttings samples. It was confirmed that there were significant differences in the spectral characteristics and acoustic wave characteristics of rock cuttings with different lithologies. Furthermore,spectral and acoustic wave information exhibited stable and regular correlations with lithological types,rock mechanics parameters,and formation drillability grades. On this basis,a dual-branch fundamental model comprising both an element information submodel and an acoustic wave information submodel was built. The deep integration of acoustic and optical characters was achieved through a deep learning fully connected network,forming an integrated model for predicting formation drillability. On-site rock cuttings and core samples from wells MB 1 and W 23C12-P2 were respectively selected for experimental verification and on-site application. The results indicated that the determination coefficient( R²) values of the model training set and test set as verified by the experiment reached 0.969 8 and 0.913 5 respectively. The longitudinal variation trend of formation drillability grades obtained using this acoustic-optical fusion evaluation method on site is consistent with the variation trend of logging evaluation results,with a determination coefficient( R²) reaching 0.863 7. Research and application results fully indicate that the laser-excited rock cuttings acoustic-optical fusion evaluation technology does not require complex sample pretreatment and the detection process is fast and non-destructive,can synchronously couple rock chemical composition with physical mechanics information,is capable of providing new high-precision mud logging technology support for drilling parameter real-time optimization,personalized drill bit lectotype,and safe downhole operations,and has the potential for promotion and application in deep oil and gas exploration and intelligent drilling engineering.

Keyword: formation drillability; laser-induced breakdown spectroscopy; plasma acoustic emission spectrum; rock cuttings; acoustic-optical information fusion; real-time mud logging; deep learning; multimodal detection
0 引言

地层可钻性是表征岩石在钻进过程中抵抗机械破碎能力的核心量化指标, 直接影响机械钻速[1]、钻头磨损速率、钻井周期与工程成本, 是油气钻井、深部资源勘探、隧道工程掘进等领域中钻头选型[2]、钻进参数优化、井下复杂预警与安全施工控制的关键依据。长期以来, 国内外石油工程与地质勘探领域围绕地层可钻性评价开展了大量研究, 形成了以岩石力学实验[3]、声波测井[4]、元素与矿物录井[5]为代表的三类主流技术体系, 但各类方法均存在明显应用局限, 难以适应现代钻井高效化、智能化、实时化的发展需求。

传统岩石力学评价方法[6]以岩心样品为测试对象, 通过实验室专用设备测定单轴/三轴抗压强度、抗拉强度、抗剪强度、弹性模量、泊松比、压入硬度、断裂韧性等力学参数, 基于力学参数与可钻性不同级值的对应关系实现地层可钻性计算。该方法原理成熟、精度较高, 但对样品尺寸与完整性要求严苛, 钻井现场返出的大量岩屑样品无法直接用于检测; 同时测试流程复杂、周期长、成本高, 评价结果严重滞后, 无法为钻井实时调整工艺参数提供有效指导。声波测井评价方法通过建立声波速度、密度、自然伽马等测井参数与岩石力学参数之间的统计回归模型, 实现连续地层可钻性剖面计算[4]。该方法可实现地层连续评价, 但本质属于钻后分析技术, 无法指导当前井眼的钻进作业, 且在新探区无成熟测井资料参考时应用效果显著受限。元素与矿物录井评价方法借助XRF[7]、XRD[8, 9]等设备分别检测岩屑元素与矿物组成。基于XRF元素数据, 通过矿物反演模型获取石英、方解石、黏土矿物等含量; XRD数据则可直接用于矿物定量。在此基础上, 结合矿物硬度、脆性特征与机械比能(MSE)等参数构建可钻性评价指数。该方法摆脱了对岩心样品的依赖, 但仍需对岩屑进行烘干、筛选、制样等前处理, 分析周期与快速钻进需求存在差距, 且单一元素/矿物信息难以全面表征岩石复杂力学特性。

激光诱导击穿光谱(LIBS)[10]是一种基于原子发射光谱学的快速元素分析技术, 具备原位、实时、微损伤、全元素检测、无需复杂制样等突出优势, 已在地质勘探[11]、岩性识别[12]、成分分析[13]等领域成功应用, 基于光谱特征的岩性自动识别准确率可达85%以上。研究表明, LIBS技术可实现岩屑中Si、Al、Fe、Ca、Mg、K等与力学特性密切相关的特征元素快速定量检测。在激光诱导产生等离子体的物理过程中, 伴随等离子体瞬时高温高压膨胀与快速冷却, 会向外辐射携带岩石密度、弹性模量、内部结构信息的冲击波信号, 该信号衰减后形成可稳定检测的等离子体声发射信号(PAES)。PAES与岩石力学特性直接相关, 可作为可钻性评价的重要物理依据。LIBS与PAES两种信号同源产生、同步获取, 分别对应岩石化学组分与物理力学属性, 二者融合可实现多维度、高互补性的岩石特征表征, 有效弥补单一模态检测精度不足与信息缺失的问题。

目前, 国外将LIBS与PAES融合技术主要应用于火星探测等深空地质分析[14], 国内则聚焦于地面油气勘探实用化研究[15], 但将岩屑声光信息一体化采集并用于地层可钻性实时评价的系统性研究较少。本文整合岩屑声光检测原理、实验平台搭建、特征提取方法、融合模型构建与现场验证成果, 系统阐述激光激发岩屑声光信息融合评价地层可钻性的完整技术体系, 为该技术从实验室研究走向现场工业化应用提供理论支撑与实践参考。

1 激光激发岩屑声光信息检测原理
1.1 LIBS检测原理

LIBS技术的核心物理过程为脉冲激光诱导等离子体产生及其特征辐射。高功率脉冲激光器发射的激光束经光路系统准直、聚焦后, 精准轰击岩屑样品表面, 在微纳秒时间尺度内使局部区域迅速升温、熔融、汽化并电离, 形成高温、高压、高密度等离子体团。激光脉冲结束后, 等离子体进入快速冷却阶段, 处于高能激发态的电子向低能级基态跃迁, 释放出具有特定波长的光子, 形成对应元素的特征发射光谱。

光谱仪收集并解析等离子体发光信号, 将光信号转化为按波长排列的光谱图。不同元素的原子能级结构唯一, 对应的特征光谱波长亦具有唯一性, 可视为元素的“ 指纹” ; 光谱峰强度与元素含量呈正相关关系。通过对特征光谱的定性与定量分析, 可快速获取岩屑中多种元素的种类与含量, 为可钻性评价提供化学组分依据。

LIBS技术具备五大突出优势:检测速度快, 单样品分析时间仅为数秒至数十秒; 原位检测, 无需复杂制样; 微损伤, 激光烧蚀坑直径仅数十至数百微米; 全元素检测, 可实现XRF难以检测的轻元素定量; 多形态适配, 可适配固体、液体、气体等多形态样品, 现场适应性极强。

1.2 PAES检测原理

PAES源于等离子体绝热膨胀产生的冲击波效应。当高能激光轰击岩屑表面形成等离子体时, 等离子体内部温度与压力远高于环境大气压, 在激光脉冲终止后, 等离子体失去能量供给, 迅速向周围空气介质中绝热膨胀。由于膨胀速度远超声速, 等离子体前沿对周围介质产生强烈压缩, 形成球面或半球面强冲击波。冲击波在向外传播过程中, 能量随距离增大快速衰减, 传播速度逐渐降至声速, 最终退化为弹性声波(压力波)。

该声波信号由检波器采集并转化为电信号, 经数据采集卡传输至计算机进行时域与频域分析。声波的时域幅值、上升时间、脉冲宽度, 频域的中心频率、频谱分布、能量集中度等特征参数, 与岩石密度、弹性模量、泊松比、致密程度、内部裂隙发育情况直接相关, 可精准反映岩石抵抗破碎的能力, 为可钻性评价提供直接物理力学依据。

1.3 声光信息融合评价逻辑原理

激光诱导等离子体的光谱信号与声波信号同源产生、同步获取、信息互补, 构成完整的多模态表征体系:LIBS提供岩石化学组分信息, 反映岩石矿物组成与基础硬度, 是可钻性的内在控制因素; PAES提供岩石物理力学信息, 直接反映岩石致密程度、结构完整性与破碎难易程度, 是可钻性的外在表现特征。二者融合可实现“ 化学成分-矿物组成-力学特性-可钻性级值” 的全链条关联表征, 有效克服单一模态信息不足导致的评价误差, 大幅提升可钻性预测精度与稳定性。

2 岩屑声光同步采集实验平台搭建
2.1 平台整体设计目标

岩屑声光同步采集实验平台以一体化、同步化、原位化、无损化为核心设计目标, 实现单次激光激发、同一样品点位、同一时刻同步采集光谱与声波信号, 取消岩屑粉碎、胶结、压块、3D 打印等复杂前处理流程, 直接采用钻井现场返出的原始岩屑/岩心样品开展测试, 满足实验室基础研究与现场工程化应用双重需求。

2.2 平台硬件组成与模块功能

实验平台采用模块化集成架构, 由光源光路、光谱检测、声波检测、同步触发与数据采集、工控机与数据处理等主要模块组成(图1), 各模块功能与关键参数如下。

图1 岩屑声光同步采集实验平台框图

2.2.1 光源光路模块

光源光路模块核心器件为脉冲激光器, 配套准直镜、聚焦镜、反射镜组成精密光路系统。关键参数:激光波长1 064 nm, 脉冲宽度约3 ns, 脉冲能量6 mJ, 重复频率可调。光路系统实现激光束精准准直与聚焦, 将激光光斑稳定聚焦于样品表面测试点, 保证等离子体激发效率与信号稳定性。

2.2.2 光谱检测模块

光谱检测模块采用的光谱仪型号为AvaSpec-Mini2048CL, 波长覆盖范围245~523 nm, 波长分辨率0.15 nm, 可精准捕捉Si、Al、Fe、Ca、Mg、K等与地层可钻性密切相关的特征元素谱线; 光谱仪的ICCD探测器响应速度快、灵敏度高, 可在等离子体发光的最佳时段采集高质量光谱信号, 实现元素定性与定量分析。

2.2.3 声波检测模块

声波检测模块由高灵敏度检波器与高速数据采集卡组成。检波器频率响应范围20~20 000 Hz, 完全覆盖等离子体声发射有效信号频段, 采用刚性固定方式安装于样品台, 与被测样品实现良好耦合, 最大限度降低声波衰减与环境振动干扰; 数据采集卡集成在工控机内, 可实现声波信号高保真采集, 完整保留时域与频域特征信息。

2.2.4 同步触发与数据采集模块

同步触发与数据采集模块由时序控制器与同步触发电路组成, 为整个实验平台提供统一时间基准, 实现激光器出光、光谱仪采集、检波器采集、数据卡存储严格时序同步, 确保光谱信号与声波信号在时间上完全对应, 为后续特征融合提供可靠数据基础。

2.2.5 工控机与数据处理模块

以高性能工控机为硬件载体, 采用Python编程语言与NumPy、Pandas、Scikit‑learn、Matplotlib等工具库, 开发专用数据处理软件, 实现光谱数据与声波数据的实时接收、预处理、特征提取、模型计算与结果输出。

3 岩屑声光特征实验与规律分析
3.1 实验方案

选取现场典型岩性样品开展对比实验, 包括泥晶灰岩、辉绿岩、玄武岩、砂岩、泥岩、膏岩等, 涵盖油气田常见沉积岩与火山岩。实验分为3组:第一组为岩屑谐振声波实验, 采用标准振动源激励, 检测不同岩屑谐振频谱特征; 第二组为岩屑共振声波实验, 采用重锤自由落体激励, 获取共振频率与力学参数关联; 第三组为声光同步采集实验, 利用自建平台获取LIBS与PAES信号, 分析特征差异性与可钻性规律。

3.2 岩屑声波特征规律

3.2.1 谐振声波特征

在相同标准振动源激励下, 以玄武岩、辉绿岩、泥晶灰岩为例进行谐振声波对比, 从图2可以看出, 3种岩性岩屑的频谱均出现明显高次谐振峰, 谐振峰位置、峰值强度、峰形分布存在显著差异, 表明谐振声波特征与岩性具有强相关性, 可作为岩性识别与可钻性评价的依据。

图2 玄武岩-辉绿岩-泥晶灰岩谐振声波对比图

3.2.2 共振声波特征

对砂岩、泥岩、膏岩样品开展共振声波测试, 结果显示不同岩性样品的频率分布区间、振幅强度、频谱形态具有典型区分度(图3)。共振频率与动态弹性模量、横波波速、纵波波速、抗压强度等力学参数存在稳定规律性关系, 可直接用于评估岩石可钻性。

图3 砂岩-泥岩-膏岩共振声波对比图

3.3 岩屑声光同步特征规律

以地层中最为常见的砂岩、粉砂质泥岩、泥岩3种岩性为例, 开展声光同步采集实验。结果表明, LIBS光谱特征(图4), 3种岩性光谱整体趋势相似, 但部分特征元素谱线强度存在明显差异, 砂岩元素特征峰强度最高, 泥岩最低, 粉砂质泥岩居中, 与岩石矿物硬度规律一致。PAES声谱特征(图5), 在1~4 s有效声波时域信号区间内, 声波振动速度呈现砂岩> 粉砂质泥岩> 泥岩的规律, 声波强度与岩石致密程度、力学强度正相关; 在0~5 kHz核心声波频域内, 频谱能量分布同样呈现砂岩最高、泥岩最低的规律, 频域特征可有效区分不同岩性与可钻性级值。

图4 砂岩-粉砂质泥岩-泥岩LIBS光谱特征对比

图5 砂岩-粉砂质泥岩-泥岩PAES声谱特征对比

综合实验结果证实:岩屑声光特征与岩性、力学参数、可钻性级值存在稳定、可重复的规律关联, 为构建高精度评价模型提供了坚实的数据基础。

4 声光融合可钻性评价模型构建
4.1 模型整体架构

采用“ 双分支子模型+特征融合+深度学习预测” 的三级架构, 充分耦合光谱元素信息与声波力学信息, 提升模型泛化能力与预测精度。

4.1.1 元素信息子模型

基于 LIBS 光谱强度与元素含量定量关系, 选取Ca、Mg、Si、Fe、Al、K6种与可钻性高度相关的特征元素, 建立元素含量与可钻性映射关系:

Kd1=a1LCa+a2LMg+a3LSi+a4LFe+a5LAl+a6LK+b (1)

式中:Kd1为元素信息子模型输出的可钻性初值; a1、a2、a3、a4、a5、a6分别为Ca、Mg、Si、Fe、Al、K 6种特征元素含量对应系数; LCa、LMg、LSi、LFe、LAl、LK分别为6种特征元素含量; b为常数。

4.1.2 声波信息子模型

提取声波时域幅值A、上升沿时间Tr、频域中心频率fc、能量占比Eac4类核心特征, 先分别反演岩石弹性模量E、剪切模量G、泊松比μ , 再建立力学参数与可钻性映射关系。

构建声波特征与力学参数反演公式:

E=c1A+c2Tr+c3fc+c4Eac+d1 (2)

G=e1A+e2Tr+e3fc+e4Eac+d2 (3)

μ =f1A+f2Tr+f3fc+f4Eac+d3 (4)

式中:c1-c4、e1-e4、f1-f4分别为弹性模量、剪切模量、泊松比对应的声波特征反演系数; d1、d2、d3为3类力学参数反演常数。

构建力学参数与可钻性映射公式:

Kd2=m1E+m2G+m3μ +n (5)

式中:Kd2为声波信息子模型输出的可钻性初值; m1、m2、m3分别为弹性模量、剪切模量、泊松比的映射系数; n为常数。

4.1.3 融合层与预测层

采用特征拼接策略实现声光特征简易高效融合, 并通过深度学习两层全连接网络深度挖掘融合特征与可钻性级值的非线性关系, 输出最终预测结果。

(1)构建声光特征直接拼接融合公式。首先定义元素特征向量、声波特征向量, 再进行二维度拼接得到融合特征向量。

Xelem=[LCa, LMg, LSi, LFe, LAl, LK]T (6)

Xac=[A, Tr, fc, Eac]T (7)

Xfuse=[ XelemT, XacT]T (8)

式中:Xelem为元素特征向量; Xac为声波特征向量; Xfuse为声光融合综合特征向量。

(2)构建深度学习两层全连接网络层非线性预测公式。两层全连接网络层可充分挖掘声光融合特征的深层非线性关联, 提升模型预测精度与拟合能力。

H1=σ (W1Xfuse+b1) (9)

H2=σ (W2H1+b2) (10)

Kd=W3H2+b3 (11)

式中: H1 、H2分别为第一层、第二层全连接层隐层输出特征; W1、b1为第一层全连接层权重矩阵与偏置向量; W2、b2为第二层全连接层权重矩阵与偏置向量; W3、b3为输出层权重矩阵与偏置常量; σ 为非线性激活函数; Kd为最终岩石可钻性级值预测结果。

4.2 数据预处理方法

4.2.1 LIBS光谱数据预处理

对245~523 nm波长范围内的原始光谱数据依次进行异常值剔除、乘性散射校正(MSC)、归一化、Savitzky-Golay滤波降噪、airPLS基线校正, 以消除环境干扰、仪器噪声与基线漂移, 提升光谱数据质量与稳定性。

4.2.2 PAES声波数据预处理

选取声波信号有效时间段为感兴趣区域(ROI), 剔除噪声段信号, 进行降噪滤波、幅值归一化、频域转换处理, 突出与力学特性相关的核心特征, 降低冗余信息干扰。

4.3 深度学习融合模型设计

基于TensorFlow/Keras框架构建了多源特征协同的深度学习融合模型(图6), 融合LIBS元素理化特征与PAES声波力学特征两大维度信息, 弥补单一维度表征岩石可钻性的局限性。该模型采用特征拼接方式完成双分支特征融合, 完整保留元素含量的精细组分特征与声波力学参数的宏观响应特征, 从而保障特征信息的完整性与互补性。同时构建双层全连接网络结构, 对高维融合特征进行逐层非线性变换与深度特征提纯, 自适应挖掘多源特征与岩石可钻性级值的隐性映射规律, 有效提升了模型对复杂岩体可钻性的拟合精度与预测泛化能力。

图6 多源特征协同的深度学习融合模型

5 实验结果与现场应用分析

实验样品选自MB 1井1 367.1~2 725.5 m井段, 共52组岩心/岩屑样品, 以实验室可钻性分析仪实测值为基准标签, 按7:3比例划分为训练集(36个)与测试集(16个), 开展模型训练与验证。在此基础上, 以W 23C12-P2井3 330~3 980 m井段为例, 进行现场应用效果分析。

5.1 地层可钻性分布特征

MB 1井样品的可钻性级值分布区间为3.63~9.68, 完全覆盖行业标准3~10级范围, 其平均级值为8.20, 整体属于中硬-硬地层, 研磨性强、钻进难度大。地层可钻性纵向非均质性强, 浅层段波动剧烈, 中深层段稳定偏高, 局部存在软硬交替界面, 对钻头选型与参数优化提出较高要求。

5.2 声光融合模型性能

从MB 1井可钻性级值回归曲线(图7)可见, 基于LIBS与PAES特征直接拼接构建的融合预测方法, 其预测结果与实验室测定结果吻合度较高, 验证了该声光融合分级方法的可行性与有效性。MB 1井模型训练集与测试集的各项性能指标如表1所示。由表中数据可知, 模型训练集与测试集决定系数R² 分别达到0.969 8、0.913 5, 表明该特征融合模型可精准捕捉融合特征与岩石可钻性级值的内在关联; 模型训练集、测试集相对标准偏差分别为2.97%、3.66%, 数值整体偏低, 说明模型受数据集划分影响较小, 测试稳定性优异。同时, 模型均方根误差、平均绝对误差及平均相对误差均保持较低水平, 其中测试集平均相对误差仅为3.23%, 进一步证实了该融合模型具备良好的预测精度与可靠性, 也说明LIBS与PAES特征数据融合方式的科学合理性。

图7 MB 1井可钻性级值回归曲线

表1 MB 1井模型训练集与测试集的各项性能指标
5.3 现场验证结果

对W 23C12-P2 井3 330~3 980 m 井段共28组岩心/岩屑样品开展现场验证, 将测井评价结果与激光声光融合方法评价地层可钻性结果进行拟合对比分析表明, 决定系数R² 达到0.863 7(图8), 可钻性级值纵向变化趋势与测井评价结果变化趋势一致, 能够准确识别地层软硬变化界面, 可为钻头选型、钻井参数优化、井下风险防控提供实时指导。

图8 测井预测可钻性与激光声光融合评价可钻性相关性

6 结论与展望
6.1 结论

(1)激光激发岩屑产生的LIBS光谱信号与PAES声波信号同源同步、高度互补, 分别表征岩石化学组分与物理力学特性, 与地层可钻性存在稳定规律关联, 为可钻性快速评价提供了全新技术路径。

(2)自主搭建的岩屑声光同步采集实验平台, 实现光谱与声波信号一体化、无损、快速采集, 取消复杂样品前处理, 完全适配钻井现场实时检测需求。

(3)基于双分支子模型与深度学习密集层网络构建的声光融合评价模型, 精度高、稳定性好, 测试集平均相对误差仅3.23%, 现场应用决定系数达0.863 7, 显示其技术可行、效果可靠。

(4)该技术突破了传统可钻性评价滞后、制样复杂、信息单一的瓶颈, 可为智能钻井、深部油气勘探提供高精度实时录井技术支撑, 具备工业化应用价值。

6.2 展望

(1)扩大岩性与地层样本库, 覆盖不同区域、不同埋深、不同岩性地层, 提升模型通用性与适用性。

(2)优化硬件系统, 研发抗高温、抗振动、小型化现场专用设备, 降低环境噪声干扰, 提升现场检测稳定性。

(3)深化多模态融合算法, 结合卷积神经网络(CNN)、长短期记忆网络(LSTM)等深度学习模型, 进一步提升预测精度。

编辑 唐艳军

参考文献
[1] 王柏辉, 张昕, 周海峰, 等. 玛页探区风城组可钻性敏感性分析研究与应用[J]. 深地能源科技, 2025, 1(4): 98-106.
Wang Bohui, Zhang Xin, Zhou Haifeng, et al. Analysis of rock sensitivity and drillability of Fengcheng Formation and application in Maye exploration area[J]. Deep Earth Energy Science & Technology, 2025, 1(4): 98-106. [本文引用:1]
[2] 张泽冲. 玛南斜坡风城组复杂储层可钻性与钻头选型研究[D]. 北京: 中国石油大学(北京), 2022.
Zhang Zechong. Study on drillability and bit selection for complex reservoirs of Fengcheng Formation in the south slope of Mahu Sag[D]. Beijing: China University of Petroleum(Beijing), 2022. [本文引用:1]
[3] 陈雁, 孙远秋, 蒋增政, 等. 基于细观结构与集成学习的岩石可钻性智能预测方法[J]. 岩矿测试, 2026, 45(1): 204-219.
Chen Yan, Sun Yuanqiu, Jiang Zengzheng, et al. Intelligent prediction of rock drillability using mesoscopic structure and ensemble learning[J]. Rock and Mineral Analysis, 2026, 45(1): 204-219. [本文引用:1]
[4] 刘明轶. 利用声波测井数据分析地层可钻性[J]. 内蒙古石油化工, 2012, 38(24): 56-57.
Liu Mingyi. Analyzing formation drillability using acoustic logging data[J]. Inner Mongolia Petrochemical Industry, 2012, 38(24): 56-57. [本文引用:2]
[5] 李春山, 李伟, 何亚彬. 利用岩屑元素含量评价岩石可钻性方法研究[J]. 钻采工艺, 2018, 41(4): 25-26.
Li Chunshan, Li Wei, He Yabin. Study on rock drillability evaluation by elements′contents in cuttings[J]. Drilling & Production Technology, 2018, 41(4): 25-26. [本文引用:1]
[6] SY/T 5426-2016 石油天然气钻井工程岩石可钻性测定与分级[S].
SY/T 5426-2016 Drilling engineering for the petroleum and natural gas: Rock drillability measurement and its grading[S]. [本文引用:1]
[7] 李伟. 利用岩屑元素含量评价岩石可钻性技术研究[D]. 青岛: 中国石油大学(华东), 2017.
Li Wei. Study of rock drillability using cuttings element content[D]. Qingdao: China University of Petroleum(East China), 2017. [本文引用:1]
[8] 纪慧, 朱亮, 楼一珊, 等. 南海深部温压地层岩石可钻性评价及应用[J]. 科学技术与工程, 2022, 22(33): 14707-14713.
Ji Hui, Zhu Liang, Lou Yishan, et al. Evaluation and application of rock drillability of deep thermobaric strata in the South China Sea[J]. Science Technology and Engineering, 2022, 22(33): 14707-14713. [本文引用:1]
[9] 陈帅, 石祥超, 包恒, 等. 高温对玄武岩可钻性及微观结构影响的试验研究[J]. 地下空间与工程学报, 2022, 18(6): 1898-1905.
Chen Shuai, Shi Xiangchao, Bao Heng, et al. Experimental study on the influence of high temperature on the drillability and microstructure of basalt[J]. Chinese Journal of Underground Space and Engineering, 2022, 18(6): 1898-1905. [本文引用:1]
[10] Li Maogang, Li Jie, Zhang Tianlong, et al. Recent advances in applications of laser-induced breakdown spectroscopy (LIBS) in petroleum and petrochemical industry analysis[J]. Fuel, 2026, 427: 139822. [本文引用:1]
[11] 佘明军, 付洪波, 贾军伟, 等. 激光诱导击穿光谱判定岩石陆相和海相沉积[J]. 光子学报, 2018, 47(8): 0847009.
She Mingjun, Fu Hongbo, Jia Junwei, et al. Determination of terrestrial and marine sedimentary rocks by laser-induced breakdown spectroscopy[J]. Acta Photonica Sinica, 2018, 47(8): 0847009. [本文引用:1]
[12] 杨志强, 佘明军, 李油建. 激光在线识别岩性技术的影响因素分析与处理[J]. 录井工程, 2019, 30(2): 74-78.
Yang Zhiqiang, She Mingjun, Li Youjian. Analysis and treatment of influencing factors of laser online identification of lithology technology[J]. Mud Logging Engineering, 2019, 30(2): 74-78. [本文引用:1]
[13] 贾军伟, 付洪波, 王华东, 等. 基于激光诱导击穿光谱技术的岩性识别方法研究[J]. 量子电子学报, 2018, 35(3): 264-270.
Jia Junwei, Fu Hongbo, Wang Huadong, et al. Lithology identification method based on laser induced breakdown spectroscopy technology[J]. Chinese Journal of Quantum Electronics, 2018, 35(3): 264-270. [本文引用:1]
[14] Alvarez-Liamas C, Laserna J, Moros J, et al. The sound of geological targets on Mars from the absolute intensity of laser-induced sparks shock waves[J]. Spectrochimica Acta Part B: Atomic Spectroscopy, 2023, 205, https//doi.org/10.1016/j.sab.2023.106687. [本文引用:1]
[15] Jamali S, Fu Hongbo, Zhang Mingyang, et al. Fusion of laser-induced breakdown spectroscopy (LIBS) and plasma acoustic emission signal (PAES) for enhanced rock type identification[J]. Analytical Letters, 2026, 59(5): 949-959. [本文引用:1]