技術借鑒對于油氣上游行業與醫療界而言并不新鮮。這種聯系意義非凡，因為這兩個學科都嚴重依賴于應用數學。在2021年SPE/IADC國際鉆井大會上，一篇倍受歡迎的論文提出了一種受醫學啟發的方法，用于防止井下振動造成災難性的鉆井系統故障。

該論文描述了一種“鉆井心電圖”，它可以診斷“鉆井心率異常”，與利用醫學心電圖診斷心臟病患者的危險振動異常相類似。

該方法對井下31250赫茲的振動波的波形進行了分類。振動信號被視為鉆井心電圖（D-ECG），使用聚類算法進行處理，并與鉆井事故結合，以實時診斷可能導致災難性故障的異常特征模式。

因此他走進了醫學圖書館，而且他還發現在過去的三十年內，業內一直在研究井下振動隨鉆測量（MWD），但卻只著力于分析振動的振幅和均方根值。

沒人考慮過分析井下振動的頻率。正是這一啟示孕育了D-ECG概念，它基于實時高頻獲取的振動波形，來防止BHA故障。

Matheus說：“振動幾乎一直存在。挑戰在于如何分辨何為正常，何為異常？”

旋轉導向系統配備了磁力計、加速度計、振動與沖擊傳感器等測量設備，可以獲取大量信息，從而推斷出鉆具渦動、跳鉆、粘滑的嚴重程度。然而，通常情況下，所得到的統計數據不足以區分井筒某個位置的作業是否正常。

如今，電子技術取得長足進步，推動了鉆井動態數據高清記錄儀的發展，將采樣頻率從傳統的100 Hz擴展至1600 Hz。然而，大多數這些設備只用于記錄數據，無法與地面進行實時通信，也無法提供井下鉆井情況的信息。

旋轉導向系統通常還配有復雜的導向傳感器，類似于隨鉆測量工具，能夠在幾分之一秒內記錄信號。利用現場可編程門陣列，對旋轉導向系統的振動頻率模塊進行編譯，運行于控制組件內，從而獲取井下振動的波形數據。采集與處理振動的頻率為31250赫茲，是當前標準處理采樣頻率的300倍。

Matheus說：“利用機器學習，我們能夠分析頻率，識別出異常振動信號。我們發現了兩種破壞性的振動模式與一個新頻率，將它們作為鉆井危險情況或作業異常的標志。”

使用D-ECG方法，結合機器學習算法，可獲取與分析歷史振動數據，用于判斷井下異常情況，例如鉆具渦動、跳鉆、地層變化等，并可實時應用于優化軌跡控制以及防止災難性鉆井故障。

若要將早期模型應用于旋轉導向系統的電路板，例如使用深度神經網絡架構來監測模擬的井下鉆井情況，非常具有挑戰性。因此，需制定計劃，找尋不太復雜的解決方案，對井下振動進行實時分類。利用代表D-ECG的快速傅立葉變換信號，將時域采集的振動數據轉換為頻域。然后使用機器學習中常用的無監督聚類算法K-means，對D-ECG進行分組。

將高頻振動數據組成的幾個數據集與現場事件報告相關聯。因為目標是識別可能導致故障的D-ECG，所以重點只放在識別“良好”與“破壞性”的鉆井情況上。“良好”的鉆井意味著旋轉導向系統按計劃運行，現場維護也沒有發現任何損壞的硬件。

“破壞性”的鉆井情況意味著旋轉導向系統無法執行作業，并且在工具維護時發現損壞的組件。可將破壞性特征下載到旋轉導向系統的工具配置中，用于實時識別危險或異常鉆井條件。

石油圈原創，石油圈公眾號：oilsns

圖3展示了三種類型的D-ECG，它們造成井下故障的概率很高。數據顯示，如果旋轉導向系統遭遇具有這些特征的井下振動，該工具很可能會在井下出現故障。

根據Matheus的說法，不同來源的數據，例如旋轉導向系統的井下數據、地面數據、現場事故、維保系統等，將被整合到健康分析數據庫中，安裝于鉆井控制系統或井下設備。

可輕松將識別出的異常鉆井特征部署于井下，從而將井下的作業狀態實時傳輸到地面。然后，則可實施控制措施來操縱地面執行器，例如頂驅、絞車和泥漿泵。

Matheus認為，該方法可以擴展至創建模型，來識別諸多鉆井情況，從而提高鉆井效率。

他說：“該框架的初衷是便于處理與維護世界各地的井下工具，共享井下工具記錄的健康數據，使工程師、工具專家能夠與不同背景的數據科學家合作，創造出解決方案，以增加鉆井系統的可靠性，優化建井過程。”