低焓地热钻探中渗透率（ROP）的工程调控

《Geoenergy Science and Engineering》：Engineering the Rate of Penetration (ROP) for Low-Enthalpy Geothermal Drilling

　　Cinar Turhan | Silviu Livescu 德克萨斯大学奥斯汀分校 **摘要** 钻井速度（ROP）是钻井过程中一个关键的性能指标，也是优化作业的重要目标。这一问题已经得到了广泛研究，人们开发了多种分析方法、经验模型和数据驱动的机器学习模型来准确预测传统石油和天然气以及高焓地热钻井中的ROP。然而，目前还没有针对低焓地热钻井环境进行ROP预测的研究。低焓地热钻井技术主要用于为建筑物和住宅提供供暖和制冷服务，通常采用依次钻探并完成的垂直井孔来安装热交换器。最近，配备遥测设备的连续管（CT）钻井技术作为一种颠覆性技术应运而生，旨在简化缓慢、不可预测且成本高昂的钻井过程，从而推动这种环保可再生能源应用的规模化发展。由于该领域尚处于发展初期，相关数据集较为有限，大多数常用的ROP预测方法也难以应用。 本研究提出了一种新方法，利用来自多井孔钻井项目的高频（1 Hz）井下遥测数据来预测ROP，而这些数据缺乏传统的ROP预测参数，如旋转速度（RPM）、钻头扭矩（WOB）等。我们的方法基于三轴线性加速度和角速度作为井下动态的直接代理指标，并假设这种方法能够准确预测ROP。此外，我们还开发了一个水力模型来在没有直接测量数据的情况下估算扭矩和旋转速度。这些传感器读数及衍生特征被输入到三种不同的机器学习模型中：随机森林（RF）、极端梯度提升（XGBoost）和长短期记忆（LSTM）网络。实验结果表明，LSTM模型在捕捉时间依赖性相关性方面表现优异，平均绝对误差（MAE）为22.0，均方根误差（RMSE）为26.9（基于30次平均训练数据）。据我们所知，这是首次利用井下遥测数据预测低焓地热钻井中的ROP的研究，该成果为优化钻井过程和推动这一可再生能源领域的发展提供了新途径。 **引言** 地源热泵（GSHP）系统在夏季利用地下热量作为热源，在冬季作为冷源，为建筑物提供供暖和制冷服务（Eskilson, 1987; Sarbu & Sebarchievici, 2014）。它们是地热技术直接应用的典范，近年来在建筑行业的脱碳应用中得到了广泛应用和发展。地热交换器是GSHP运行原理的基础，通常安装在多个垂直井孔中。这种被称为低焓地热钻井的作业对于实现近地表地热能的直接利用至关重要，且占据了整个系统安装成本的很大比例。 低焓地热钻井的主要目标是创建一个稳定可靠的井孔（深度通常在数十米到几百米之间），以便正确安装和灌浆地热交换器。衡量这一作业效率的关键参数是钻井速度（ROP），即单位时间内钻头的进尺距离。优化ROP可以减少非生产时间、燃料消耗和劳动力成本，从而提高整体运营效率和经济效益（Gan et al., 2023; Wiktorski et al., 2017）。此外，具有可预测性和稳定性的ROP对于保持井孔稳定以及降低流体流失或井孔坍塌等风险至关重要。尽管ROP的重要性不言而喻，但在浅层、未固结地层中控制ROP的复杂机制仍缺乏深入研究，尤其是与深层钻井领域的大量研究成果相比。 六十多年来，ROP的预测和优化一直是石油和天然气钻井作业中的重要课题。用于估算ROP的方法主要分为两类：分析模型、经验模型以及数据驱动的机器学习模型。 早期的一项基础研究由Bingham（1965）提出，他建立了ROP与旋转速度（RPM）、钻头扭矩（WOB）、钻头直径及某些地层特性的幂律关系。大约十年后，Bourgoyne和Young（1974）通过多变量回归模型取得了重大进展，他们的模型纳入了包括WOB和RPM在内的八个变量，并考虑了地层强度、孔隙压力、钻头磨损和水力优化等因素的影响。这种综合方法因其适用性成为随后几十年的行业标准。Motahhari等人（2010）针对固定切削头钻井开发了一种重要模型，通过结合钻头信息、地层特性和更复杂的水力模型进一步提高了预测精度。 与ROP同时出现的另一个关键概念是机械比能耗（MSE），它表示移除单位体积岩石所需的能量（Teale, 1965）。MSE常被用作钻井效率的实时指标，较低的MSE值通常对应更高效的钻井过程和更高的ROP（Dupriest & Noynaert, 2022; Erge et al., 2022; Hegde & Gray, 2018）。 随着井下传感器技术的普及以及计算能力和算法的进步，研究重点从经验或分析模型转向了更注重数据的统计和数学模型，即机器学习（ML）和深度学习（DL）模型。在过去二十年里，这些模型被用于捕捉各种钻井作业中的复杂非线性关系。常用的机器学习算法包括人工神经网络（Hegde et al., 2019; Losoya et al., 2023; Mehrad et al., 2020; Wang et al., 2024）以及集成模型，如随机森林（RF）和极端梯度提升（XGBoost）（Hegde & Gray, 2018; Mehrad et al., 2020; Oyedere & Gray, 2020; Soares & Gray, 2019; Xiong et al., 2024, 2024）。这些模型能够结合多种特征（如机械参数、水力参数、泥浆特性和地层特性）来准确预测ROP。最近的研究还采用了长短期记忆网络（LSTM），这种循环神经网络能够处理时间序列数据中的时间依赖性。