陆承达，甘 超，陈略峰，陈 鑫，曹卫华，吴 敏

(1.中国地质大学(武汉)自动化学院，湖北 武汉 430074；2.复杂系统先进控制与智能自动化湖北省重点实验室，湖北 武汉 430074；3.地球探测智能化技术教育部工程研究中心，湖北 武汉 430074)

地质资源是人类文明发展进步的物质基础与动力，地质钻探是实现资源勘探开发的必要手段。2023 年全国自然资源工作会议指出要加强重要能源矿产资源国内勘探开发，全面启动新一轮战略性矿产找矿行动，推进相关科技专项，为找矿突破提供支撑[1]。

随着数十年的勘探与开发，易开发的表层资源越来越少。《“十四五”现代能源体系规划》也明确指出要坚持“常非并举”，强化重点区域基础地质调查和勘探[2]，对不确定性、强干扰、非线性问题突出的复杂地质环境下的资源进行探查已成必然。地质钻进过程面临井下环境多变、运行状态监测困难、不确定因素多、施工风险高、效率低下等问题，亟需发展新一代变革性钻进过程智能控制技术。

国际钻探/钻井领域知名公司在钻井风险控制、地质导向或定向钻井等方面形成了具有领先水平的自动化甚至智能化的软件系统，如斯伦贝谢公司的NDS 系统、哈里伯顿的Landmark 系统、Verdande 的DrillEdge系统等，可以提供有效的施工与设计服务支持。国内科研院校和企事业单位结合实际项目需要，也开发了一些钻井分析、监测软件与系统，取得了一定进展。然而，相比国外公司的钻井软件与系统，国内软件与系统规模较小、功能有待完善丰富，尚处于发展起步阶段[3]。

随着向更深、更复杂地层进军，信息感知、控制与决策更为困难，需要从钻进系统角度出发，融合人工智能、新一代信息技术、大数据、先进控制等技术[4]，实现钻进过程地层环境感知、钻进过程智能优化、钻进过程智能控制，从而保障钻进安全，提高效率。

地质钻进过程智能控制技术目前处于快速发展阶段，具有广阔的应用前景与开发价值。本文结合笔者团队近年来在这方面的研究与理解，从钻进过程感知与建模、钻进过程智能优化与钻进过程控制3 个方面梳理总结地质钻进过程智能控制的研究进展，论述团队开发的地质钻进过程智能控制系统及其工程应用情况，展望未来需要攻克的基于工业物联网的信息物理融合与钻进过程智能控制技术。

1 钻进过程智能感知与建模

地质钻探行业较依赖经验操作，缺少对钻进过程的实时优化与智能决策。随着钻探深度增加，地质钻进过程面临地层环境变化多样、井下钻进信息传输困难、各类信息相互干扰耦合等问题。因此，需要利用多源钻进过程信息，建立可靠的地质环境模型，实现对钻进过程的状态感知与监测，为安全、高效的钻进作业提供支撑。

1.1 地质环境智能感知与建模

在地质钻进过程中，钻具会穿过复杂多变、具有高度不确定性的地层环境，面临着高地应力、高地温和高压等恶劣地质环境。利用有限的钻进过程信息，建立地质环境模型，准确感知井下环境变化，是保障地质钻进过程运行的前提。

1.1.1 环境与过程信息感知

地质环境可以通过地层可钻性、地层岩性、岩石力学参数、地层压力等地层特征参数描述。地层可钻性反映实际钻进地层的结构与物理力学特性，表征钻头钻进的难易程度[5]。地层岩性代表钻遇岩层特征与属性，钻进过程中钻遇地层种类多样、岩石性质变化大、岩层厚度不一，都会导致地层岩性发生改变[6]。岩石力学参数表征岩层的强度和弹性等特性，由于受到岩石种类、地层变化的影响，岩石力学参数具有较强的不可预知性[7]。地层压力通常指的是岩层孔隙内的流体压力，与深度、地质条件相关，是进行井漏、井涌等事故预警和诊断的重要参数。

地质钻进过程信息是对钻进过程所处区域地质构成的综合反映，将地质环境与钻进过程信息相融合，监测钻进过程地质环境变化，准确描述地层特征，是保障钻探工程安全、高效实施的关键。钻进过程信息主要分为钻前信息、钻中信息和钻后信息(表1)。钻前、钻中与钻后信息是对区域地质环境的综合反映，存在一定的相关性。钻前信息可以对钻进过程起到指导作用；钻中信息涵盖了实际作业中记录采集的各类实时数据，与钻进过程密切相关；钻后信息可以对钻遇地层信息进行定量/定性描述。

表1 钻进过程信息种类及来源Table 1 Types and sources of drilling process information

钻进过程中的各类信息采样周期不一、时间跨度长、数据粒度多样，井下地层环境难以观测、不确定性强。利用信息技术，按照时序对不同传感器、不同时间段采集的数据进行分析处理，获得被测对象的详细描述，这一过程就称为信息融合。利用多源时空数据，结合贝叶斯估计、D-S 证据推理、模糊逻辑推理、等信息融合手段，可实现地质环境信息与钻进过程信息的关联、综合，通过信息融合准确感知井下环境变化，是地质钻进过程亟待解决的重要问题。

1.1.2 地质环境建模

建立反映地层可钻性、地层岩性、岩石力学参数、地层压力等信息的地质环境模型，可为地质钻进过程控制提供有力支撑。然而，地质钻进过程中难以获取充足的地质环境信息，因此，利用有限的信息建立其与地质环境之间的关联关系，对地质环境进行建模，获取地层特征参数，感知井下环境变化，是保障钻探工程安全、高效实施的重要一环。

地层可钻性是揭示地层钻探难度的重要指标，依照空间维度的不同，地层可钻性可以分为点地层可钻性、二维地层可钻性和三维地层可钻性。统计学分析方法构建的经验模型或机理模型可对地层可钻性进行描述，建立点可钻性、二维可钻性模型；采用DC 指数法、分形理论法和地层可钻性分级法等表述地层可钻性与测井参数、录井参数和钻进参数之间的关系。有学者基于BP 神经网络建立可钻性数据与易测量测井数据的关联关系，获取了较准确的二维地层可钻性剖面[8]。随着建模方法与硬件技术的发展，支持向量机、多源信息融合等方法也被运用于地层可钻性建模，结合粒子群优化算法、融合优化算法[9]等解决了预测模型中的初始权值、阈值影响和泛化能力等问题，取得了较好的预测效果。以上所述方法均为实现点地层可钻性、二维地层可钻性奠定了重要基础，但建模精度与实用价值还有待进一步提高。

三维地层可钻性场对区域地层可钻性描述更为直接、准确，可为钻进轨迹设计和优化提供指导。目前的三维地层可钻性场建模方法有地震反演法、滑动最小二乘法、克里金插值等，这类方法较难估计地层突变导致的地层数据变化。为实现对三维地层可钻性场的准确描述，Gan Chao 等[10-11]基于互信息方法，分析钻进过程数据与地层可钻性间的关系，运用克里金、散点插值、随机森林和支持向量回归4 种建模方法，实现了对地层可钻性信息的三维空间描述。

地层岩性识别与钻前测井信息密切相关，主要有人工绘图法和智能建模方法。人工绘图法包括交会图法、阶梯图法、蜘蛛网图法等[12]，在早期岩性识别工作中起到了重要作用。但是，人工方法难以实时更新，不适用于钻前和钻中预测。虽然人工神经网络法、支持向量机、模糊逻辑和自适应神经模糊推理系统等都取得了较好的识别效果，但是地质钻进过程地层岩性变化、性状不一，都会影响岩性识别的准确性[13]。Chen Xi 等[14]考虑钻前测井数据分布特征，对地层岩性进行集成建模，解决了现有测井数据不均衡、地层岩性变化导致的岩性识别问题。

岩石力学参数在一定程度上反映了井壁稳定性。在实际钻进过程中，经常使用的岩石力学参数有弹性模量、泊松比、抗压强度等，一般通过经验模型估计得到[15]，但这仅针对特定区域和特定岩性有效。针对地质钻进过程中的高度不确定性、强非线性等特点，深度卷积神经网络、多层感知器神经网络等方法成为解决经验模型局限性的新手段[16]，可实现更为准确的岩石力学参数估计。有学者提出了一种基于数据相似性的岩石力学参数半监督预测方法，用有限且不连续的岩石力学参数集实现模型的强化训练，提高了对弹性模量、泊松比等参数的预测精度[17]。

地层压力指的是地层孔隙流体中的压力，是分析井壁稳定性、规划钻进轨迹的主要参数。当前的研究集中在钻前地层压力预测、钻后地层压力计算方面。钻前地层压力预测主要是通过地震资料获得，通过地震资料可以有效识别断层、裂缝、褶皱等地层构造[18]。钻后地层压力计算通过测井数据估算所钻地层的压力，常用方法有Eaton 法、等效深度法以及Bowers 法[19]。

有团队提出基于深度序列数据分析的钻进点地层压力混合建模方法，利用钻中数据作为地层压力模型输入，融合机理参数，考虑异常值、噪声和地层环境变化等特征，综合提高地层压力模型精度[20]。在点地层压力建模方法基础上，采用模糊c均值方法划分相似的压力子空间，结合克里金插值算法生成不同压力剖面，获得整体的区域三维地层压力模型，捕捉地层压力局部变化[21]。

1.2 钻进过程状态智能监测与事故诊断

地质钻进过程工况多变、井下环境恶劣，给钻进过程的安全高效运行带来挑战。需要考虑钻进信息多源多尺度特性以及多种钻进工况下的不同特征，掌握钻进系统运行状态，对可能发生的钻进过程事故(包括井涌、井漏、卡钻等)提前预警并对已发生的钻进过程事故进行诊断。

1.2.1 状态监测

目前的钻进过程状态监测研究包括基于机理模型的监测方法和数据驱动的监测方法。采用机理模型的状态监测方法主要针对地层可钻性、地层压力等特征参数进行定量描述。而随着钻进过程数据的积累，基于数据驱动的状态监测方法逐渐成为重要发展方向。范海鹏等[22]提出一种基于支持向量机的地质钻进工况识别模型，利用钻进过程状态监测数据，实现对钻进工况的判别。针对钻进数据信息较少的问题，有学者提出一种基于自组织增量神经网络的钻进过程数据增强方法，提高有限样本下的模型性能[23]。在地质钻进领域，状态监测系统的研制仍处于起步阶段，主要涉及工况识别、风险评估、事故预警等。当前大多的地质钻进过程状态监测系统存在数据单一，区域数据不能互联互通的问题，可以设计基于Android 的地质钻进过程状态监测APP，实现对钻进现场的实时监控与数据历史趋势分析[24]。

1.2.2 事故诊断

由于钻进过程具有复杂的地质力学环境，对钻进过程进行故障诊断与预警能有效掌握当前的事故状况，避免严重事故发生。基于机理模型、机器学习与多元统计分析等方法，学者们提出了众多钻进过程故障诊断方法。

早期基于控压钻井技术的水力学模型为钻进过程故障诊断提供了一种解决方案。通过水力学或热力学特性分析，可以实现对井涌、井漏、钻杆刺漏等事故的诊断；也有学者采用卡尔曼滤波器和边缘粒子滤波器、状态观测器等方法识别井下钻头阻塞、跳钻。上述基于机理模型的方法要求一定的假设条件，模型精度与实际有较大差距，导致工程应用范围受限。

结合机器学习方法实现钻进过程故障诊断具有很大潜力。依靠历史数据，采用集成分类器[25]、集成学习方法[26]等建立合适的状态监测模型，对于多种钻进过程故障都能起到较好的检测效果。上述方法忽略了钻进过程潜在影响因素、不同工况的影响，一定程度上降低了故障诊断与预警的准确性。考虑到钻进过程存在的模糊性与随机性，有学者结合模糊隶属度函数，设计多层风险评估系统来对特定故障类型进行预测与评估[27]。考虑到工况切换导致的钻进过程信息变化，Li Yupeng 等[28]基于钻进信号变化趋势特征，确定了工况正常切换与发生故障时的数据变化情况，提高了钻进过程故障识别的准确性。在此基础上，通过考虑数据分布差异，计算在线数据分布和正常数据分布之间的相似性指标，设计随深度变化的阈值来提高钻进过程故障诊断效率与准确率[29]。

2 钻进过程智能优化

钻进过程优化涉及钻速优化、钻进轨迹优化等，主要目的是面向复杂环境和多变工况，结合机器学习等方法，实现多目标多约束下更快、更安全地钻进。结合专家经验判断钻进状态、设定钻进过程参数的方法难以满足地质钻进过程优化调节的需求。因此，如何实现钻进过程的智能优化，是钻进过程智能控制要解决的一个重要问题。

2.1 钻速智能优化

钻速是衡量钻进效率的重要指标，建立合适的钻速模型是实现钻速优化的前提。钻速建模方法可分为机理分析法、多元回归法、滑动窗口估计法和智能建模方法等。机理分析法根据钻头破岩机制进行分析，计算钻头与地层相互作用力，从而建立钻速模型。地质钻进过程使用的钻头种类不同，建立的钻速模型也不同。由于钻头磨损、地层变化等因素，机理分析法存在计算繁琐、精度不高等问题。多元回归法运用统计学理论建立地层参数、工艺参数与钻速之间的关联关系[30]，在非线性程度较低的情况下能够取得较好的钻速预测效果。结合优化算法确定最优的多元回归系数，可进一步提高预测效果[31]。在滑动窗口估计法研究方面，学者们通过建立观测器实现钻速估计，采用滑动窗口建立钻速状态空间模型，为钻速优化和控制提供了较好的研究方向与思路[32-33]。有学者通过对比分析发现，基于遗传算法、布谷鸟搜索算法[34]等智能算法建立的钻速模型在模型精度和适用性优于普通钻速建模方法。

在建立的钻速模型基础上，通过处理钻进过程约束、优化操作参数等可以有效提升钻进效率。目前，钻速优化方法可以分为基于数学理论推导的钻速优化方法与采用进化算法、群智能优化方法的智能钻速优化方法。基于数学理论推导的钻速优化方法主要包括鲁棒优化算法、经典极值法等，此类方法计算过程复杂、优化参数误差较大。结合智能算法的钻速优化方法可以有效解决上述方法导致的问题[35-36]。Gan Chao等[37]提出一种钻速动态预测模型和基于混合蝙蝠算法的钻速优化方法，在准确预测钻进速度的基础上进行操作参数优化，有效提升了钻进速度。

2.2 钻进轨迹智能优化

为实现钻进轨迹的准确跟踪、降低井下事故，合理设计钻进轨迹是其中的关键。对于如图1 所示的钻进轨迹，井段OA 与AB 具有不同的井斜角变化率和方位角变化率，对其进行轨迹优化需要考虑地层因素、钻进操作参数以及轨迹设计对后续轨迹控制的影响，这样的轨迹优化问题往往是多目标、多约束的。

图1 钻进轨迹Fig.1 Schematic diagram of drilling trajectory

对于以轨迹长度为优化目标的钻进轨迹单目标优化问题，可以采用数值优化算法求解。针对以最短轨迹或者最高钻速为目标的三维钻进轨迹优化问题，黄雯蒂等[38]使用了蚁群算法进行优化求解。这些研究大多忽略了约束或者约束仅仅只是其决策参数的边界，所以单一算法难以取得满意的优化结果。有必要综合不同优化算法的优势，优化算法性能，获取更符合实际要求的钻进轨迹。钻进轨迹设计还需考虑地层特性的影响。由于钻头在岩石中钻进，地层应力的变化可能会使得井壁失稳，造成井壁坍塌或者钻井液漏失，需要建立井壁稳定性条件，在钻进轨迹优化中约束钻进轨迹参数的范围[39]。

相较于钻进轨迹单目标优化，钻进轨迹多目标优化问题需要综合考虑轨迹长度和复杂度。钻进轨迹长度受井斜角、方位角、井眼曲率、造斜点位置等参数影响。井眼曲率与轨迹曲折度被用于量化钻进轨迹复杂度。多目标优化算法分为间接法和直接法。间接法是通过线性加权法、主要目标函数法、理想点法等转化多目标优化问题，实现间接求解。直接法通过数学模型直接求解优化问题，结合多目标遗传算法[40]、小生境Pareto 遗传算法[41]、非支配排序遗传算法[42]等遗传算法，在钻进轨迹优化设计中可获得更优的收敛性、鲁棒性和适用性。

3 钻进过程控制

钻进过程控制是保证钻探施工安全、高效的关键，涉及钻柱、钻进轨迹和钻井液循环等的控制(图2)。这些系统自身具有不同特性，加上地层复杂变化带来的高度不确定性，使得钻进过程控制非常困难，出现钻柱振动、钻进轨迹偏斜、井漏井涌等。

图2 钻进系统Fig.2 Schematic diagram of drilling system

3.1 钻柱系统控制

钻柱由于大长径比结构，具有弹性形变和刚体运动耦合的物理特性，在钻进过程中与岩石发生激烈对抗，易发生钻柱振动等复杂运动。表2 介绍了几种主要的钻头-岩石作用模型。这些钻头-岩石作用模型在库仑摩擦模型和黏性摩擦模型的基础上发展而来，可以描述钻头破岩动态行为，为设计合适的钻柱系统控制策略提供支撑[43]。

表2 钻头-岩石作用模型Table 2 Bit-rock interaction models

钻柱系统可在轴向、扭转和横向3 个方向进行具有耦合关联的运动[44]。钻柱轴向运动控制主要依靠钻机提升系统实现对钻压的控制；扭转运动控制由顶驱/转盘驱动钻柱旋转；钻柱的横向运动无法直接控制，但依靠钻柱运动的多维度耦合特性，可以通过调节钻柱轴向和扭转运动来间接控制钻柱的横向运动[45]。

钻柱系统的轴向运动控制需要维持钻压稳定在期望的范围内。虽然现在大多数井场都配备了变频电动钻机，但控制方式大多仍是PID 控制或Bang-Bang 控制，参数难以整定、控制精度低[46]。参数整定PID 控制方法根据先验知识制定工况表，以此来调整控制器增益，应对地层变化带来的影响[47]。基于模型的钻压控制方法考虑到钻柱和钻头-岩石作用等因素，所设计的控制器在钻进过程中也表现出较好的控制性能[48]。

钻柱系统的扭转运动控制是通过调整顶驱/转盘保证钻头转速达到期望值。已经应用于实际工业的软力矩转动系统能够减小扭矩波动，保持钻头转速稳定，但是由于设计较为简单，在较深地层应用效果受限[49]。针对井下信息难以获取的问题，Fu Meng 等[50]通过构造状态观测器，提出了基于井下信息估计的钻柱振动抑制方法。为了有效减弱井上扭转能量的传输时滞、时变测量时滞和钻柱长度变化对钻柱扭转运动控制的影响，学者们分别提出了基于扰动估计器和Smith 预估器的控制方法[51]、时滞依赖的控制方法[52]和基于H∞的增益调度控制方法[53]。

由于钻柱主要在轴向和扭转两个方向上受到控制力和岩石反作用力，钻柱系统的轴向-扭转耦合运动控制受到了一定关注。现有的方法主要是利用轴向和扭转动力学之间的耦合关系，通过抑制扭转振动来抑制耦合振动，这类方法简化了控制器的设计，但其控制性能会有一定损失[54]。S.Tashakori 等[55]提出一种能够同时控制钻柱轴向和扭转运动的方法，但所用模型中的时变时滞被简化为常数，导致设计的控制器存在一定的保守性。Lu Chengda 等[56]提出一种考虑再生切削诱发时滞与执行器饱和的动态输出反馈控制方法，为钻柱轴向-扭转耦合振动抑制提供了有效的控制策略。由于钻柱轴向-扭转-横向耦合运动动态较为复杂，目前这方面的研究主要集中在建模及分析，对控制方法的研究相对较少。结合钻柱扭转运动模型和赫兹接触理论，Fang Pang 等[57]分析了有井壁约束下的轴向-扭转-横向耦合钻柱系统动力学特性。A.P.Christoforou等[58]通过研究钻柱轴向、扭转、横向3 种振动之间的耦合关系，提出了一种简化的钻柱振动模型，以及基于该模型的线性控制策略。

3.2 钻进轨迹控制

钻进轨迹控制的目的是保证整个钻进过程按照设计的轨迹钻进。现有的钻进轨迹模型可以分为钻具无关和钻具相关[59]两类。钻具无关的钻进轨迹模型主要基于运动学分析，对井底钻具所处位置和钻具姿态进行几何学描述。这类模型不考虑钻具的实际形状和受力，具有一定的通用性[60]。钻具相关的钻进轨迹模型主要在井底钻具动力学分析的基础上，通过考虑钻具受力、钻头-岩石作用以及钻头运动与钻进轨迹的关系来描述钻进轨迹延伸，相较于钻具无关的模型具有更高的建模精度[61]。

钻进轨迹控制的任务有钻进轨迹跟踪和钻进轨迹纠偏[62]。J.Auriol 等[63]提出了基于状态估计的造斜工具面控制方法，只使用井上测量和对工具面方位的估计，实现了对钻进轨迹的有效控制。针对随钻测量信息传输延时与异常的问题，Zhang Chi 等[64]提出一种面向旋转导向系统的定向钻进轨迹跟踪自适应容错控制方法，结合强化学习和积分滑模控制来纠正因信息延时或异常导致的轨迹偏离。考虑到随钻测量误差，Cai Zhen 等[65]提出一种基于状态观测器的定向钻进轨迹跟踪控制方法，有效提高钻进轨迹跟踪控制的精度。I.J.Inyang 等[66]提出一种定向钻进钻具姿态双线性比例积分控制器，降低了随钻测量信息传输延时、干扰及不确定性对钻进轨迹跟踪控制的影响。

轨迹纠偏控制的主要目的是减少轨迹跟踪偏差，使钻进轨迹保持垂直。为了保证轨迹质量，对轨迹的倾角和曲率的控制约束是工程中需要考虑的关键。传统的纠偏控制根据轨迹偏差通过人工操作调节导向钻具，缺少对轨迹的规划，难以保证轨迹质量[67]。考虑到模型预测控制具有显式处理约束的能力和较优的控制性能，Zhang Dian 等[68]提出了基于粒子滤波和模型预测控制的垂直钻进轨迹纠偏控制方法，有效减少了测量噪声的影响，提高了轨迹的控制精度。基于旋转导向系统，Wang Ge 等[69]提出复合纠偏控制方法，根据轨迹的偏斜程度调整控制输入，提高了轨迹的平稳性和控制精度。

3.3 钻井液循环控制

通过钻井液循环可以将井底岩屑返回地面、冲洗钻头并降温、驱动井底的马达、平衡地层压力与井壁压力。井底压力控制因为缺乏有效的井下参数检测手段、压力窗口上下限难以界定以及所建立的流体力学模型精度不高等问题，一直是国内外关注的难点。

控压钻井技术适用于窄压力窗口地层[70]，但地层环境的复杂多变给地层压力带来了不确定性，需要不断调整钻井液循环流量和压力，使井底压力与地层压力保持相对平衡。基于控压钻井技术，J.Park 等[71]使用模型预测控制方法，实现了在正常钻进、接单根和泥浆密度变化下的井底压力控制。针对因钻井液触变行为导致的井底压力突变，O.Erge 等[72]结合钻井液触变模型和反馈控制方法，提升了井底压力控制的效果。S.N.Lordejani 等[73]提出一种基于观测器的反馈控制方法，根据井上压力的测量值控制井底压力，减弱钻入高压或低压区时遇到的压力波动。采用这些钻井液循环控制方法，能够将井底压力保持在有限的范围内，尽量避免井漏、井涌、溢流等事故的发生。

3.4 钻进系统协调控制

为实现钻进过程控制目标，需要在钻头-岩石作用、钻柱-井壁碰触摩擦、钻井液阻尼等影响下，保证钻头高效研磨岩石，钻进轨迹按照期望延伸，井底压力与地层适配。然而，钻柱、钻进轨迹和钻井液循环这3 个系统之间是相互耦合、相互影响的(图3)。例如，在钻柱系统控制中，为提高钻速，需要增大钻压、转速、泵量和降低钻井液密度，但是钻压、转速的增大在钻头-岩石作用下会影响井底压力和加剧轨迹偏斜；钻进轨迹控制中，井底钻具姿态发生改变会导致钻柱系统结构变化，影响钻压转速控制和钻井液循环；钻井液循环控制中，泵压泵量与排渣效果相关，影响钻柱和钻进轨迹控制。可见，3 个系统之间的控制回路不仅存在复杂输入输出耦合，还存在模型结构变化导致的耦合。

图3 钻进系统耦合特性Fig.3 Schematic diagram of coupling characteristics of drilling systems

为保证各系统的控制精度与鲁棒性，需要实现3个系统之间的协调。针对钻进过程的非线性与系统间的耦合性，Zhou Yang 等[74]提出一种考虑钻进系统间耦合关系的协调优化策略，能够有效提升钻速，减小总池体积波动。然而，要实现3 个系统之间的协调，还存在大量问题有待解决。如何实现这些系统之间的协调控制，成为一个有待深入研究的内容。

4 地质钻进过程智能控制系统设计与应用

围绕上述相关内容，笔者所在团队面向实际钻进工艺与工程应用需求，进行了地质钻进过程智能控制的理论研究和系统设计与应用，提出区域三维地层特征参数场建模方法，解决多源、低价值密度和不完备信息条件下的复杂地质环境建模问题，实现对区域地质环境的准确刻画[11,21]；提出基于三维地层特征参数场的钻进轨迹优化设计方法，解决轨迹优化设计的多样化、非连续与非参数的多目标优化问题，实现复杂地质环境下的轨迹优化设计[75-76]；提出复杂地质钻进效率优化策略[37]、考虑系统间耦合关系的协调优化策略[74]和钻进过程智能控制方法[47,65,68,77]，解决了钻进过程控制的回路耦合与多样化扰动的问题，实现钻进过程的安全高效；提出基于云平台和三维虚拟仿真的钻进过程状态监测技术，实现数据价值密度低、安全性约束强等条件下的综合监测。

结合上述理论方法与技术，研发了满足井场功能需求的地质钻进过程智能控制系统，主要由现场控制系统和智能监控云平台组成(图4)。现场控制系统用于采集和存储现场数据，提供工况识别、安全预警与故障诊断、钻进参数智能优化、钻压和转速控制等功能模块；智能监控云平台可以接收现场发送的数据，存储现场的钻进状态参数和功能模块运行结果，根据用户权限等级从桌面端、手机网页端和App 端对各地井场进行远程监控。

图4 地质钻进过程智能控制系统硬件结构Fig.4 Hardware structure of intelligent control system for geological drilling process

地质钻进过程智能控制系统的软件结构如图5 所示。首先，系统通过PLC、参数采集模块等，采集变频器和传感器中实时钻进过程数据；通过Profibus 总线、MPI总线、串口等通信方式实现PLC 与工控机之间数据传输。然后，利用OPC 通信协议实现系统软件与工控机WinCC 组态软件之间的数据通信；调用系统功能模块，分析、处理实时钻进数据，执行相应系统功能，实现钻进过程智能控制。最后，采用ADO 技术实现现场数据的实时存储，同时利用远程通信设备，通过网络通信协议，将实时数据和系统功能运行结果传输到远程的智能监控云平台。

图5 地质钻进过程智能控制系统软件结构Fig.5 Software structure of intelligent control system for geological drilling process

工况识别模块基于支持向量机算法，利用获取的钩载、钻压、转速、扭矩等参数，可识别旋转钻进、下钻杆、提钻、停钻、接单根、倒划眼6 类工况。安全预警与故障诊断模块基于集成的多时间尺度分析方法，分析实时数据趋势来预警和诊断卡钻、井漏、断钻3种钻进事故。钻进操作参数智能优化模块通过实时获得的钻进深度、钻压、转速等信息，运用混合支持向量回归与改进的蝙蝠算法建立钻速优化模型，实现钻进操作参数实时优化，推荐优化的操作参数(钻压和转速)。根据推荐操作参数，钻压和转速控制模块结合实际测量值、称重、扭矩、相关钻机与钻具参数，辨识地层给进阻尼系数，自适应调整钻压和转速控制器参数，实现不同地层环境下的钻压和转速稳定钻进，保障钻进安全和控制精度。

系统目前已在多个钻探工程应用。在湖北襄阳2 000 m 地热资源预可行性勘查项目中，实现机械钻速平均提升15.9%，事故预报率达100%，检测符合率达96%，直井方位角弯强≤0.5 (°)/hm、斜角弯强≤0.05 (°)/hm；在辽东/胶东重要成矿区带深部探测3 000 m 科学钻探项目中，钻进工况识别准确率达90%，事故预报准确率达95%，机械钻速平均提升20.79%；在河北保定5 000 m地热地质勘查参数井(JZ-04 井)项目中，工况识别准确率达90%，事故预报准确率达95%，机械钻速平均提升16.2%，钻压控制偏差≤3 kN。通过地质钻进过程智能控制系统的应用，在一定程度上缩短了工期，节约了成本，有效提高了钻进过程的安全性和效率。

5 展 望

数字化、网络化、智能化技术蓬勃发展，有效提升了复杂工业系统的感知深度、综合调度、全局优化能力，互联网+制造业也给钻探行业带来了全新的发展机遇。可以展望，未来将形成图6 的基于工业物联网的信息物理融合与钻进过程智能控制系统，通过远程控制与决策中心对多个井场进行协调控制和调度管理，拥有相关权限的人员可以方便利用移动终端远程访问各井场的信息或下发控制指令，调整井场工作策略，进行多个井场间的分布式协同控制，具体如下。

图6 基于工业物联网的信息物理融合与钻进过程智能控制Fig.6 Diagram of the cyber-physics fusion and intelligent control of drilling process based on industrial Internet of Things

5.1 多目标和高维约束的优化决策与控制一体化

钻进过程控制涉及多个相互耦合的控制回路，单一目标优化难以有效协调各系统的工作状态，高维约束的存在使得优化可行域狭小甚至难以找到满意的可行解。为了解决以上问题，需要获取钻进过程全流程信息，通过井场远程通信将实时状态数据传输至数据管理中心、远程控制与决策中心。数据管理中心存储地层信息和钻进过程历史数据，便于移动终端的远程访问。远程控制与决策中心基于可以在线更新的地层模型，结合钻进过程全流程信息，实现对当前钻机状态和所在地层环境的准确判断。以更快钻速、更低钻井事故率和更高井壁稳定性为目标，进行钻进策略的优化、钻进轨迹动态的调整、钻进控制操作参数的优化计算，将控制指令远程下发至现场钻机，跨地域解决现场出现的复杂问题。随着具有地层环境感知、多目标优化计算、网络通信深度融合的智能优化决策与控制一体化系统的建立，人工操作的参与程度将被极大地降低，最终实现井场的智能化远程监控、优化与控制。

5.2 融合大数据、云边协同技术的网络化智能管控

钻进现场往往较为偏远、分散在广阔的区域中。为了实现资源调配和高效作业，需要对多井场进行协同管控。多个井场在钻进过程中产生的海量数据，利用5G 甚至更新一代的通信技术远程实时传输至远程控制与决策中心，综合运用云计算、边缘计算、云边协同等技术对各井场的钻进过程数据进行处理，用于环境感知、优化决策、状态监测等任务。基于对不同井场数据的监测和分析，实时更新各井场运转情况，预警可能发生的设备故障和钻进事故，优化钻进轨迹和钻进过程操作参数，实现各井场钻进过程的远程、无人、智能的协同管控。结合多井场状态信息，以综合配给资源和优化控制决策为目的，开发多井场的综合指挥调度系统，最后通过通信设备将最优控制指令下发，协调控制各井场的钻进过程，实现钻探行业的产能优化和成本控制。

6 结论

a.地质钻进过程智能控制离不开钻探工艺、人工智能、新一代信息技术、先进控制理论等理论方法和技术的突破和综合。钻进过程感知与建模研究致力于利用信息融合、数据处理、机器学习、机理建模等手段实现对井下环境变化和钻进过程状态的准确感知、监测和事故诊断预警；钻进过程智能优化的研究重点在于面向复杂环境和工况，获得多目标多约束下最优的钻进过程操作参数，以及实时规划最优的钻进轨迹；钻进过程控制的研究需要考虑钻柱、钻进轨迹、钻井液循环控制系统自身的特性和控制难点以及它们之间的耦合作用，应对地层变化和施工工况带来的高度不确定性，实现对这些系统的快速、准确、稳定控制，保障地质钻进的安全高效。

b.展望未来的基于工业物联网的信息物理融合与钻进过程智能控制，将能够实现多目标和高维约束的优化决策与控制一体化以及融合大数据、云边协同技术的网络化智能管控，从而提升钻进这类复杂工业系统的感知深度、综合调度和全局优化能力。

c.随着新一轮找矿突破战略行动的开展，未来势必面临更深、更复杂的地质钻进条件，存在一系列感知、建模、优化和控制难题有待解决。人工智能、新一代信息技术等新兴技术的蓬勃发展为地质钻探行业的跨越式发展带来了新动能，有力推进了地质装备和系统的创新和升级。亟需推进人工智能、新一代信息技术与地质钻探相关工艺、理论方法和技术的深度融合，突破地质钻进过程智能控制的关键科学问题，研发先进的智能地质装备，为资源勘探和开发提供技术支撑。