摘要
地层岩性的实时识别对及时调整钻井参数、有效控制井眼轨迹、寻找地下储层都具有十分重要的作用。与传统岩性识别方法相比，通过监测随钻参数变化进行岩性识别，具有便捷、高效、实时、准确、环保以及节能等优点。围绕基于随钻参数的地层岩性识别技术，按照煤矿勘探、油气藏开采等不同岩性识别应用领域对随钻参数进行分类；通过对随钻测控技术及装备的研究现状分析，介绍随钻参数采集及传输技术；介绍了机器学习算法、多元统计分析法、灰色关联法、交会图法的特点及应用情况；结合应用案例对4种基于随钻参数的地层识别方法进行对比分析。最终，归纳总结了随钻岩性识别研究的关键技术问题，分析了在研发及工程应用中存在的不足及面临的挑战，并给予建议。
近年来，随钻测控技术的发展推动了定向钻井从几何导向到地质导向、智能导向的跨越，大幅度提高了钻井效率。我国高度重视随钻测控技术的研发，智能化的钻进需求也促进了随钻岩性识别技术的巨大发展。随钻岩性识别技术是基于随钻测得的工程钻进参数及岩层物理参数对所钻地层进行岩石特性实时识别分类的过
图1 随钻岩性识别技术工作原理
本文围绕基于随钻参数的地层岩性识别技术，按照煤矿勘探、油气藏开采等不同岩性识别应用领域对随钻参数进行分类；通过对随钻测控技术及装备的研究现状分析，介绍随钻参数采集及传输技术；介绍了机器学习算法、多元统计分析法、灰色关联法、交会图法的特点及应用情况；结合应用案例对4种基于随钻参数的地层识别方法进行对比分析，最终，归纳总结了随钻岩性识别研究的关键技术问题，分析了在研发及工程应用中存在的不足及面临的挑战，并给予建议。
目前，国内外随钻岩性识别普遍应用的随钻参数主要有钻时/钻速、转速、扭矩、Dc指数、可钻性、自然伽马、自然电位、电阻率等。在不同应用领域中，需要选择不同的随钻参数进行拟合分析，完成对应地层岩性识别。
在煤矿勘探领域，由于煤矿坑道钻进施工环境恶劣、复杂的煤层结构和繁杂的操作工序造成钻进效率低、钻进成本高的特点。研究学者通常选取钻速、钻压、转速、扭矩等测量参数进行预处理，并输入BP-Adaboost模型，最终得以识别软煤层、硬煤层和岩层3种岩性地
在油气藏开采领域，由于储层岩性复杂，储集空间类型多样，非均质性强，流体空间分布不规则，难以有效识别流体性质。研究学者通常选取自然伽马、补偿密度、补偿中子、声波时差、深侧向电阻率、浅侧向电阻率以及对油气较为敏感的全烃、甲烷作为输入随钻参数，采用支持向量机等机器学习算法进行流体识
各随钻参数间存在密切联系，如何选取具有地层识别作用的随钻特征参数对于随钻岩性识别及导向钻进技术研发具有重要意义。敏感性分析是一种定量描述某属性对输出变量重要性程度的方法。将影响程度的大小称为该属性的敏感性系数，敏感性系数越大，则该属性对输出变量的影响越大。通过敏感性分析可减少数据分析处理的工作量，同时研究人员可利用各属性敏感性系数的排序结果，解决相应的随钻参数选择问
随钻测控技术是获得识别地层岩性所需随钻参数的主要手段，由于地层岩性识别实时性、准确性要求不断提高，国内外随钻测控技术发展迅速。随钻测量方面，钻井液脉冲、电磁波、智能钻杆测量信号传输技术及相关系列仪器研发相对成熟。钻井液正脉冲随钻测量仪器的耐高温高压水平已达到200℃/207 MPa，高速连续波脉冲信号传输频率最高可达40 H
图2 高频磁耦合有缆钻杆通讯信道示
随钻测井方面，具有高精度成像、远探测、前探测、无源集成化多参数等测井能力的随钻测井装备研发相对成熟，随钻高精度成像技术、随钻多功能测井技术、随钻地层测试技术、随钻声波测井技术等关键技术发展迅速。高精度的随钻成像技术对于识别地层构造、断层，分析评价井眼几何形态、地应力都有着重要作
图3 随钻声波测井工作模
传统的地层识别方法主要是岩屑录井和取心。但是，岩屑录井存在滞后性；取心得到的结果非常准确，但是要花费很多的人力、时间和资金，效率较低。为解决这些问题，出现了各种可利用随钻测控技术测得参数实时进行岩性识别的方法。被广泛应用于地层岩性识别中的几种代表性方法分别是支持向量机算法、多元统计分析法、灰色关联法、交会图法。
机器学习算法是使用计算机模拟或实现人类学习行为，以获取新的知识或技能，对已有的知识结构进行重组分析，使自身性能不断改变的特定指令。近年来应用于随钻岩性识别的机器学习算法主要有支持向量机、k-最近邻、神经网络模型、集成学习算法、模糊聚类分析
支持向量机（SVM）是一种用于回归和分类的机器学习算法，在处理小样本、非线性及高维模式识别问题中具有独特优势。支持向量机的基本原理为：在一个特征空间中建立超平面，距离超平面最近的使等式成立的若干样本点为支持向量，超平面和最近的样本点之间的垂直距离称作分离边缘。最终通过寻找具有最大分离边缘的最优超平面，从而区分样本类别。将支持向量机运用于岩性识别中，需先将数据库随机混洗后分成训练集及测试集，输入组合排列后的转速、扭矩、钻削力、钻压等随钻参数，结合误差分析，通过预测模型计算输出对应地层岩性。
图4 支持向量机工作原理
神经网络模型是一种由多个神经元组成的数学模型，用于模拟人脑中神经元的运作方式，可通过对已知单元数据进行推理延伸，简单处理大量单元数据后进行广义链接各单元构成神经网络系统。地层岩性识别中常用的神经网络模型有BP神经网络、人工神经网络（ANN），深度神经网络（DNN）、卷积神经网络（CNN）。
图5 双隐层BP神经网络结
集成学习算法是随着其他算法的发展而逐渐发展的算法，并不是一种独立的新型算法。主要有Boosting和Stacking两种集成方法。Boosting方法属于串行集成学习算法，即对同一个算法多次进行迭代训练产生多个弱模型并用于集成一个强模型，模型之间存在较强的依赖关系。Stacking集成方法具有双层结构，第一层以多个不同原理的单一模型作为基础预测器，基础预测器的预测输出作为第二层元学习器的输入，最终集成模型的预测结果综合了基础模型的学习结果而输出的。
在随钻岩性识别技术研究过程中不同机器学习算法各有优点，按照工程所需被广泛应用，
| 算法名称 | 技术优点 | 应用情况 |
|---|---|---|
| 支持向量机 | 适应性强、全局优化、泛化性能好、特征选择鲁棒性强 |
Li |
| k-最近邻 | 算法简单且成熟、对异常值不敏感、样本容量大 |
吴全德 |
| 神经网络 | 大规模并行、分布式处理、学习能力强、非线性关系处理 |
杨进 |
| 集成学习 | 误差小、影响因素小、复杂数据处理可靠性高 |
段友祥 |
| 模糊聚类分析 | 信息容纳量大、适应性强 |
Amina |
主成分分析法是随钻岩性识别过程中应用最广泛的多元统计分析方法，其基本原理是将多个随钻参数通过线性变换以选出较少个数重要的特征参数。实现关键在于数据压缩和特征数据提取，将随钻测控所得的诸多高维数据以尽可能少的信息损失投影至低维空间，通过降维过程简化数据结构，优化提取随钻数据库中的特征数据。该方法尤其在处理岩性特征响应测井参数选取困难的工区，效果极为显著。
灰色关联法是一种研究少数据、贫信息不确定性问题的方法，指事物之间的不确定关联，或系统因子之间，因子对主行为之间的不确定关
案例一：以鹤壁中泰矿业有限公司3116上底抽巷为例。矿井距二1煤层底板约40 m，煤层走向132°~270°、倾向42°~160°、倾角4°~18°，平均煤层厚度8.1 m。为煤与瓦斯突出矿井，预测瓦斯含量在6~8
案例二：四川省川西坳陷中部X-2井为例，地层平均孔隙度为4.26%，含少量地层水，天然裂隙较发育。岩石类型主要为浅灰色泥岩、黑色泥岩与灰色细砂岩、灰色粉砂岩、灰色泥质粉砂岩等厚或不等厚互层。裂缝在砂泥岩中均有发育，岩心裂缝多为斜交缝。该地层具有多套页岩含气层，全烃及C1含量较高，属于非常致密的泥页岩气
矿区、隧道等复杂地质环境对岩性识别传感器、数据传输精度，以及岩性识别技术精确度要求高。随钻岩性识别摒弃传统人工识别方式的采样过程，选择采用转速、扭矩、钻速和钻进深度等钻进参数及振动波、振动频率、自然伽马等参数进行计算机算法分析识别，要求识别技术及数据采集、传输拥有极高精度。如今现场设备及配套的传感器测量精度不足，对于复杂地质环境，随钻岩性识别方法仍待优化。
随着认知智能、计算机视觉、图像识别、数据传输、云计算、机器学习算法等人机交互技术与信息科学技术的快速发展，未来随钻岩性识别关键技术研究中多元信息融合发展成为可能。应加强人工智能算法的基础理论研究，加强数据处理核心算法开发，提高岩性识别准确率。
参考文献
Beattie N C M. Monitoring‑while‑drilling for open‑pit mining in a hard rock environment： an investigation of pattern recognition techniques applied to rock identification［D］. Canada： Queen’s University， 2009. [百度学术]
姚宁平，吴敏，陈略峰，等.煤矿坑道钻进过程智能优化与控制技术［J］.煤田地质与勘探，2023，51（9）：1-9. [百度学术]
赵彬，陈湘，高楚桥，等.基于贝叶斯优化BiGRU的碳酸盐岩储层流体性质识别［J/OL］.长江大学学报（自然科学版），2024，1-14. [百度学术]
蔡毅，邢岩，胡丹.敏感性分析综述［J］.北京师范大学学报（自然科学版），2008，44（1）：9-16. [百度学术]
王婷婷，孙振轩，戴金龙，等.松辽盆地中央坳陷区储层岩性智能识别方法［J］.吉林大学学报（地球科学版），2023，53（5）：1611-1622. [百度学术]
赵常青.PP-MWD旋转阀结构优化及信号特性研究［D］.西安：西安理工大学，2018. [百度学术]
韩虎.井下高速率连续波泥浆脉冲发生与传输特性研究［D］.北京：中国石油大学（北京），2023. [百度学术]
Su Yi， Qi Xin， Liu Yang， et al. Electromagnetic measurement while drilling technology based on the carrier communication principle［J］. Petroleum Exploration and Development， 2013，40（2）：242-248. [百度学术]
Zhang C， Dong H B， Ge J， et al. Theoretical channel model and characteristics analysis of EM-MWD in the underground coal mine［J］. IEEE Access， 2021，142644-142652. [百度学术]
王延文，叶海超.随钻测控技术现状及发展趋势［J］.石油钻探技术，2024，52（1）：122-129. [百度学术]
胡永建，黄衍福，李显义.磁耦合有缆钻杆关键技术与发展趋势［J］.石油钻采工艺，2020，42（1）：21-29. [百度学术]
Kang Z M， Ke S Z， Li X， et al. 3D FEM simulation of responses of LWD multi-mode resistivity imaging sonde［J］. Applied Geophysics， 2018，15（3-4）：401-412. [百度学术]
丁露阳，杨宁宁，杨全进，等.地质导向中的旋转失真与随钻自然伽马成像动态测量算法［J］.石油学报，2021，42（1）：95-104. [百度学术]
武迪生，张帆，薛松，等.井震信息融合与成像探边测井在水平井储层构型单元识别中的应用对比［J］.矿产勘查，2024，15（3）：435-442. [百度学术]
侯亮，杨虹，刘知鑫.2019测井技术发展动向与展望［J］.世界石油工业，2019，26（6）：58-63. [百度学术]
赵嘉明，蔡耀泽，潘雷，等.S591大深度小口径多参数组合探管的设计［J］.地质装备，2020，21（3）：27-30. [百度学术]
卫建清，何晓，陈浩，等.随钻四极源声波测井多模式采集测量TTI地层各向异性的研究［J］.地球物理学报，2018，61（2）：792-802. [百度学术]
陈鸣，孙殿强，谢献辉，等.随钻声波测井技术进展及展望［J］.世界石油工业，2023，30（3）：32-41. [百度学术]
岳中文，闫逸飞，王煦，等.基于随钻数据的岩性识别机器学习算法研究进展［J］.科学技术与工程，2023，23（10）：4044-4057. [百度学术]
岳永东，渠洪杰，谭春亮，等.基于支持向量机的测井岩性识别在松散沉积物调查中的应用研究［J］.钻探工程，2021，48（4）：29-36. [百度学术]
王亚飞，张占荣，刘华吉，等.基于模型融合的钻进参数识别岩石类型研究［J］.钻探工程，2023，50（2）：17-25. [百度学术]
Wang S F， Wu M M， Cai X， et al. Strength prediction and drillability identification for rock based on measurement while drilling parameters［J］. Journal of Central South University， 2023，30（12）：4036-4051. [百度学术]
刘鑫，王馨玥，王丹丹，等.岩石可钻性分级方法研究及展望［J］.石油天然气学报，2023，45（2）：101-108. [百度学术]
杨杨.基于模糊聚类的地层岩性测井识别研究与配套软件研制［D］.成都：西南石油大学，2015. [百度学术]
段忠义，肖昆，杨亚新，等.基于集成学习的松辽盆地砂岩型铀矿地层岩性自动识别研究［J］.原子能科学技术，2023，57（12）：2443-2454. [百度学术]
Li Z J， Deng S G， Hong Y Z， et al. A novel hybrid CNN-SVM method for lithology identification in shale reservoirs based on logging measurements［J］. Journal of Applied Geophysics， 2024，223：105346. [百度学术]
刘华吉，孙红林，张占荣，等.基于随钻参数的砂岩与砂质泥岩地层分界面智能识别［J］.隧道建设（中英文），2023，43（S1）：304-312. [百度学术]
吴全德，马治中，郭珂依，等.基于机器学习的隧道围岩岩性智能识别方法［J/OL］.路基工程，1-6［2024-07-17］. [百度学术]
Panggabean D A， Arief J H， Alamsyah M N. Machine learning application to predict potential reservoir and hydrocarbon zone from incomplete well data［C］//The 45th Annual Scientific Meeting of Himpunan Ahli Geofisika Indonesia （HAGI）. New York： 2020：1-7. [百度学术]
杨进，张辉.地层岩性随钻识别的神经网络方法研究［J］.天然气工业，2006，26（12）：109-111. [百度学术]
高铁红.基于遗传算法和神经网络的钻井参数估计和岩性识别的研究［D］.天津：河北工业大学，2000. [百度学术]
段友祥，赵云山，马存飞，等.基于多层集成学习的岩性识别方法［J］.数据采集与处理，2020，35（3）：572-581. [百度学术]
Shuvo M A I， Joy S M H. A data driven approach to assess the petrophysical parametric sensitivity for lithology identification based on ensemble learning［J］. Journal of Applied Geophysics， 2024，222：105330. [百度学术]
Amina C， Leila A， Doghmane M Z， et al. Lithofacies discrimination of the Ordovician unconventional gas‑bearing tight sandstone reservoirs using a subtractive fuzzy clustering algorithm applied on the well log data： Illizi Basin， the Algerian Sahara［J］. Journal of African Earth Sciences， 2022，196：104732. [百度学术]
谭成仟，宋子齐，吴少波.灰色关联分析在辽河小洼油田储层油气产能评价中的应用［J］.测井技术，2001，25（2）：119-122. [百度学术]
王杰.基于钻进参数的煤岩界面识别系统研究［J］.煤田地质与勘探，2023，51（9）：72-80. [百度学术]
张新华，田加加.松软煤层瓦斯抽采钻孔煤岩层位识别关键技术研究与应用［J］.能源与环保，2023，45（9）：20-25. [百度学术]
刘毅，陆正元，吕晶，等.主成分分析法在泥页岩地层岩性识别中的应用［J］.断块油气田，2017，24（3）：360-363. [百度学术]
