Horizontalbohrungen sind zu einem wichtigen Mittel für Ölgesellschaften geworden, um die Produktion einzelner bohrungen aus dichten und unkonventionellen Lagerstätten zu steigern. Aufgrund der komplexen räumlichen Beziehung zwischen der Horizontalbohrungstrasse und der geologischen Schichtung können herkömmliche Methoden der vertikalen Bohranalyse nicht effektiv angewendet werden. Eine genaue Beschreibung der räumlichen Kombination der Horizontalbohrungstrasse mit der Zielschicht und dem umgebenden Gestein ist die vorrangige Aufgabe bei der Interpretation der Horizontalbohrloch-Loggingdaten. Die derzeit vorherrschende Methode basiert auf dem Aufbau eines initialen Schichtmodells auf Basis von Pilotbohrungen und der schrittweisen Anpassung des Modells unter Verwendung der seismischen Vorwärtssimulation der Loggingdaten, jedoch ist diese Methode zeitintensiv und erfordert für verschiedene Bohrungen im gleichen Gebiet viele wiederholte Vorwärtsberechnungen. Daher ist der Aufbau eines angemessenen Bohrloch-Formation-Modells der Schlüssel bei der Verarbeitung und Interpretation von Horizontalbohrloch-Loggingdaten. Das Bohrloch-Formation-Modell kann die räumlichen Beziehungen zwischen dem Bohrloch und den Schichtgrenzen genau beschreiben, einschließlich des Abstands zwischen Bohrlochposition und Schichtgrenze sowie des Winkels zwischen der Bohrlohachse und der Lotrichtung der Schicht. Gleichzeitig werden Methoden zur Analyse der Loggingdaten, die auf maschinellem Lernen und künstlicher Intelligenz basieren, durch das Training intelligenter Modelle in allen Aspekten der Loggingdateninterpretation angewendet und bieten die Möglichkeit, die Engpässe traditioneller Methoden zu überwinden. Daher schlagen wir eine automatisierte Interpretation von Horizontalbohrloch-Loggingdaten vor, die auf einem Ensemble mehrerer Modelle und tiefen neuronalen Netzwerken basiert: Zunächst wird ein theoretisches Modell erstellt, das verschiedene Bohrlochtrajektorien und Schichtkombinationen enthält, um eine Bibliothek von Loggingantwortproben zu generieren; anschließend werden maschinelle Lernmodelle wie das extreme Gradient Boosting (XGBoost), das leichte Gradient Boosting Machine (LightGBM) und das kategorische Boosting (CatBoost) integriert und deren Vorhersagen durch einen mehrschichtigen Perzeptron (MLP) weiter fusioniert; abschließend wird eine intelligente automatische Erkennung der geometrischen Beziehung zwischen Bohrlochtrajektorie und dem umgebenden Gestein auf der Basis realer Loggingdaten durchgeführt. Fallstudien zeigen, dass diese Methode die komplexen Loggingantwortmerkmale von Horizontalbohrungen genau erfasst und gleichzeitig die Interpretationsgeschwindigkeit und -genauigkeit erheblich verbessert, so dass sie den schnellen Analysebedarf mehrerer Bohrungen in ähnlichen geologischen Umgebungen erfüllen kann und ein effizientes intelligentes Mittel für die Interpretation von Horizontalbohrloch-Loggingdaten bietet.

Horizontalbohrung;Logging-Interpretation;Künstliche Intelligenz;Tiefes Lernen;Schichtmodellierung