Горизонтальное бурение стало важным средством для нефтяных компаний по увеличению добычи нефти и газа из плотных и нетрадиционных залежей в отдельных скважинах. Однако из-за сложных пространственных отношений между траекторией горизонтальной скважины и пластами традиционные методы анализа вертикальных скважин неэффективны. Точная характеристика пространственного сочетания траектории горизонтальной скважины с целевым пластом и породами-окружением является первоочередной задачей интерпретации каротажа горизонтальных скважин. Текущий основной подход основан на построении начальной модели пласта на основе направляющей скважины и поэтапной корректировке модели с использованием прямого моделирования каротажных данных. Однако этот метод является трудоемким и требует многократных вычислений прямой модели для разных скважин в одном районе. Поэтому ключевым моментом при обработке и интерпретации данных каротажа горизонтальных скважин является построение адекватной модели скважина-пласт. Такая модель точно описывает пространственные отношения между стволом скважины и границами пластов, включая расстояние между положением ствола и границей пласта, угол между осью скважины и нормалью к пласта и т.д. Кроме того, методы анализа каротажных данных, основанные на машинном обучении и искусственном интеллекте, с помощью тренировки интеллектуальных моделей применяются во всех аспектах интерпретации каротажа, открывая возможности преодолеть ограничения традиционных методов. В связи с этим предложен автоматизированный метод интерпретации каротажа горизонтальных скважин, основанный на интеграции нескольких моделей и глубокой нейронной сети: сначала строится теоретическая модель с различными траекториями скважин и сочетаниями пластов для генерации библиотеки откликов каротажа; затем интегрируются модели машинного обучения – экстремальное градиентное бустинг (XGBoost), легковесный градиентный бустинг (LightGBM), категориальное бустинг (CatBoost) с последующим объединением предсказаний моделей с помощью многослойного перцептрона (MLP); наконец, проводится интеллектуальное автоматическое распознавание пространственных отношений между траекторией скважины и окружающей породой на основе реальных данных каротажа. Анализ примеров показывает, что данный метод точно улавливает сложные характеристики откликов каротажа горизонтальных скважин, существенно повышая скорость и точность интерпретации, что позволяет быстро анализировать множество скважин в сходных геологических условиях и предоставляет эффективное интеллектуальное средство для интерпретации каротажа горизонтальных скважин.

горизонтальная скважина;интерпретация каротажа;искусственный интеллект;глубокое обучение;моделирование пластов