圖1 近年來，貝克休斯開發了專有算法，可將地面數據與鉆頭傳感數據進行對比，以衡量鉆頭性能。這些數據隨后可幫助該公司更精準地預測特定鉆頭設計在既定時間段內的表現。
 
 
鉆頭是鉆井過程中最核心的部件之一，目前鉆頭制造商正推動技術創新，以更好地利用與鉆頭相關的海量數據。制造商表示，通過運用先進的數字與自動化系統，他們在持續提升數據篩選能力，并從中挖掘新價值，進而研發出創新型鉆頭設計，進一步推動油井建設性能的提升。
 
貝克休斯鉆頭數字產品經理尼古拉斯?萊昂斯說：“我認為整個行業正朝著正確的方向發展。提升性能的關鍵在于數據質量，因此重點并非糾結數據量的多少，而是確定數據的質量。如今我們能獲取的數據量遠超以往，但我們需要驗證這些數據，確保其高質量，并將不同數據集關聯起來，從而真正賦能洞察。這使我們能夠優化和改進鉆頭設計。”
 
數年來，人工智能與機器學習算法正助力制造商將傳統手工鉆頭設計流程轉變為數字化決策流程。通過開發能在更短時間內處理海量數據的算法，工程師得以突破設計能力的邊界。這一功能是國民油井華高（NOV）“數字制造” 計劃的核心，其配套軟件不僅提供完整的圖像庫，還能對圖像進行分析。
 
“只需點擊幾下，我們的軟件就能快速分析鉆頭動態與地層情況，效率遠超以往。所有數據都在云端處理，這讓全球的設計工程師能基于同一層級的數據協同工作。這意味著我們不僅在提升數據處理效率，還在改進鉆頭數據的溝通機制與鉆頭設計本身。”NOV高產品經理邁克爾?貝利補充道。
 
數字技術正助力提升鉆頭數據采集的質量。例如，斯倫貝謝的Retina鉆頭成像系統可生成高分辨率井眼圖像，這對精確描述地質構造至關重要。該功能不僅能幫助作業者優化井位規劃與部署，還能為油田開發決策提供數據支撐。這項技術突破了當前成像技術的局限，如無法對大尺寸井眼生成高分辨率圖像的難題。
 
此外，將該系統安裝在鉆頭而非井底鉆具組合（BHA）上部，可避免傳統成像設備因鉆頭與傳感器接觸巖石的時間差導致的延遲問題。這使系統能更好地規避鉆井液或受損井眼的干擾——這些因素均會對傳感器接收的數據造成負面影響。Retina系統實際上將鉆頭轉化為了高質量成像設備。
 
斯倫貝謝PDC鉆頭產品負責人羅伯塔?桑塔納稱：“鉆頭的核心功能仍是剪切地層、完成鉆井作業，但如今我們正利用它采集巖石信息并進行精準表征。我們仍在提供性能優異的切削結構與鉆頭，但現在新增了傳感器數據采集功能，并能生成井眼圖像。”

數據分析優化

萊昂斯表示，貝克休斯多年來一直專注于實現鉆頭設計中數據采集與分析的自動化。該公司已開發專有算法，通過對比不同數據集識別特定類型的事件：例如，將地面數據與鉆頭傳感數據對比，觀察鉆頭在特定輸入下的響應表現，并將其與鉆頭最終磨損狀態相關聯。
 
他提到：“我們的應用程序能識別數據與預期不匹配的情況，而現在我們已實現更多處理流程的自動化——判斷數據分辨率是否良好，或數據中是否存在不合理的差異，從而精簡數據。我們還能標記需要進一步調查的潛在問題或事件。”
 
這些算法為貝克休斯的 “數字磨損分級” 應用提供支持，該應用以數字圖像為輸入，計算單個鉆頭切削齒的損傷程度。通過訓練數字模型提取單個切削齒的圖像，結合圖像處理技術計算每個切削齒的磨損量。萊昂斯指出，這種自動化磨損分級流程實現了更高水平的可靠性、一致性和準確性。
 
在過去兩年中，貝克休斯進一步提升了其專有鉆頭鉆井模擬軟件Tetrahedron的性能，新增預測功能。通過利用機器學習基于現場數據集優化物理模型系數，該軟件現可預測特定鉆頭設計在既定時間段內的磨損與失效模式，幫助企業更精準地理解如何針對具體應用場景優化鉆頭設計。
 
萊昂斯指出，公司正致力于將磨損分級應用的自動化能力與Tetrahedron的建模能力相結合，構建綜合性可視化模型，以預測鉆頭在特定地層中的階段性磨損情況。這些工作不僅助力貝克休斯 “閉環優化” 數字磨損分級體系，還增強了模擬軟件的洞察能力。“我們能夠先預測鉆頭性能表現，再將其與實際失效結果對比——包括鉆頭磨損位置及效率變化點，這種能力切實推動了鉆頭設計的改進。”
 
去年，這些增強功能在鉆頭設計優化中已有成功應用案例：哥倫比亞山麓的一位作業者在使用標準PDC鉆頭鉆進14¾英寸井段時遭遇挑戰。具有研磨性的Carbonera C5和C6互層地層由砂巖、粉砂巖和黏土巖組成，無側限抗壓強度在5至25千磅/平方英寸之間。這種工況產生的強扭矩與振動導致鉆頭快速磨損，不僅機械鉆速（ROP）低下，該井段更需4至5只鉆頭才能完成鉆進。
 
圖2 貝克休斯Tetrahedron軟件的模擬分析，助力某作業者優化了Kymera Mach 6鉆頭的設計（圖為該鉆頭在美國得克薩斯州湯博爾市公司培訓基地的實拍）。這一優化使該作業者去年在哥倫比亞的某口油井中實現了機械鉆速（ROP）的提升。
 
為應對這些挑戰，貝克休斯率先推出了Kymera Mach 6鉆頭。這款混合鉆頭采用雙切削機制——兼具牙輪鉆頭的壓碎能力（使其在鉆進時產生的扭矩和振動低于PDC鉆頭）和PDC鉆頭的剪切能力（使其鉆進速度快于牙輪鉆頭）。實踐證明，該鉆頭成功延長了單趟鉆進長度并提升了鉆井效率：平均鉆進距離增加17%，扭矩波動和機械比能分別下降46%和44%，每段井眼所需的鉆頭數量減少至2只。
 
為幫助作業者在后續作業中進一步提升效率，貝克休斯設定了鉆頭設計目標：提高機械鉆速（ROP）并增強軸承和密封的可靠性。通過Tetrahedron軟件模擬各種井下工況后，作業者選擇了優化后的Kymera設計——在保持扭轉穩定性和耐用性的同時提高鉆頭攻擊性。該設計還改善了鉆頭PDC切削齒與碳化鎢鑲齒切削元件之間的負載平衡，從而增強軸承和密封的可靠性。
 
萊昂斯說：“剛推出Kymera時，我們雖減少了鉆頭使用數量，但牙輪可靠性仍存在一些問題。當鉆頭在井內作業時，我們發現其中一個牙輪的軸承狀態不佳。將該信息反饋至系統并通過模擬軟件運行數據后，我們確定其中一個牙輪承受的載荷比其他牙輪高出約30%。通過調整設計并在模擬器中重新運行，我們實現了載荷平衡。”
 
在接下來的井段作業中，針對14¾英寸井段使用新型優化鉆頭后，與Carbonera地層中PDC鉆頭的平均表現相比，作業者實現了鉆進進尺提升50%、機械鉆速（ROP）提高39%。而與Kymera基礎設計相比，新鉆頭設計的鉆進進尺增加26%，機械鉆速提升33%。
  
 
圖3 NOV利用Prograde軟件分析特定鉆頭設計在給定地層和鉆進作業中的效率。該軟件與Phosphor軟件協同工作時，可指出在某趟鉆進中，特定設計類型的切削齒平均在哪些位置會出現表面磨損或體積磨損等特定類型的損傷。
 
 

將機器學習融入鉆頭設計

數據管理是NOV優化鉆頭設計的核心，這包括改造設計流程以實現更數字化的決策。這意味著借助人工智能和機器學習，打造貝利先生所稱的“數字制造”生態系統。NOV在整個鉆頭制造過程中使用成像軟件，并將其整合到Prograde鉆頭磨損分級軟件中。
 
該公司使用獨立程序Carbon創建圖像數據庫，精準記錄特定鉆頭切削齒在整個生命周期中的磨損演變過程。隨后，Prograde軟件可利用從Carbon獲取的圖像，分析特定設計在特定地層中的鉆進效率。此外，另一款軟件Phosphor會將通過Prograde分析的每趟鉆頭作業歸入特定組別，標記不同設計和型號——平均來看，每種設計類型在特定鉆進作業中會出現特定類型的損傷。
 
NOV軟件工程經理亞當?托馬斯表示：“我們希望確保能夠追蹤研發進展。如果需要進行新設計，我們可以將其與先前設計關聯，讓相關人員追溯設計脈絡，從而判斷決策是否正確。例如，當我們希望設計實現X和Y功能，但實際效果卻是Z時，這種追溯就尤為重要。”
 
在 Prograde軟件中，工程師還可輸入特定鉆頭的設計修改方案，以模擬這些改動在同一趟鉆進作業中可能帶來的性能提升。
 
貝利先生表示：“每次磨損分級或鉆頭作業都是一個數據點，但它無法完整描述該鉆頭的整體趨勢。真正的洞察來自于梳理這些趨勢，在已收集的數據點之間建立聯系，并在作業結束后盡快利用大規模數據完成這一過程。這使我們能夠做出更優決策，逐步提升產品性能和設計一致性。”
 
NOV在其Orbit軟件中運用專有巖石力學模型，這些模型基于該公司提供的每種切削齒形狀的現場和實驗室測試數據進行訓練。這些模型使設計工程師能夠模擬任意切削齒在特定鉆頭配置下于給定地層中的性能表現。此外，公司開發了進一步的機器學習算法，以優化軟件的數據采集和分析能力。
 
托馬斯指出：“我們擁有基于物理原理的模型，這些模型幫助我們了解巖石特性，并理解切削結構的性能表現。但當我們希望將這些模型應用于全新事物時——例如正在開發的切削齒形狀或某種不同的鉆井技術——我們可以借助人工智能輔助，引導機器學習算法更快地整合這些新元素。這是幫助我們更新巖石力學模型的關鍵。”
 
他補充道，NOV的軟件系統及其內置分析模型所體現的對數字制造的重視，能夠實現對各種鉆頭在不同地層中表現的高精度預測。
 
貝利先生和托馬斯先生均強調，盡管數字制造減少了人工分析鉆頭數據的需求，但鉆頭設計流程的每個階段仍需要人類參與。這些軟件程序是幫助工程師理解鉆頭設計變更潛在影響的工具，而非自行生成設計方案。它們的作用僅僅是讓工程師能夠盡快查看數據并獲取數據中包含的相關洞察。
 
“這一切都是為了優化我們的產品測試循環和設計迭代循環。”貝利先生說：“你不再需要花兩天時間等待一封包含25兆字節文件的電子郵件，因為現在所有數據都觸手可及。我們并非試圖取代人類，而是努力確保我們的工程師擁有最佳工具，使他們能夠做出正確的決策。”
 
“由于我們擁有自己的內部系統來了解磨損等級和分析設計，當我們將切削齒放置在不同位置時，從一開始我們就精確知道鉆頭的每個位置上是什么形狀的切削齒。我們不必看著一個受損的切削齒，試圖猜測它原本的樣子。我們知道在ReedHycalog Evolve鉆頭上安裝的ION+Eclipse切削齒，我們知道預期會看到什么，而且模型經過訓練，能夠理解對于特定的切削齒，預期會看到什么樣的損傷。”
 

鉆頭端高分辨率圖像采集技術

數字化不僅助力企業優化鉆頭設計，更成為將鉆頭轉化為高質量油井數據采集工具的關鍵。
 
今年5月，斯倫貝謝推出Retina鉆頭成像工具，該工具可識別地層特征以優化鉆井效率和地層評估。其核心優勢在于能在鉆頭與地層首次接觸點進行精準測量，生成分辨率高達2毫米/10微米的圖像——據桑塔納女士介紹，這一分辨率幾乎是地層微電阻率成像的兩倍。
 
Retina工具的技術核心是定制化記錄系統，該系統適配安裝在PDC鉆頭鼻部周圍的傳感器，可捕捉地層傾角、裂縫、巖相和紋理等細節，且不受任何鉆井液干擾。原始數據經處理后能生成井眼圖像，用于地層表征和巖石屬性鑒定。
 
“開發Retina并非在鉆頭上鉆幾個孔并插入傳感器那么簡單。”她解釋道，鉆頭仍需完成剪切地層的本職工作。新增巖石信息采集功能需要精準考量傳感器在鉆頭內的布局：若傳感器離鉆頭中心過近，無法生成足夠半徑的地層數據以形成標準尺寸的井眼圖像；若離鉆頭肩部過近，傳感器負荷過高會影響數據質量。必須在兩者間找到平衡。
 
她補充道“在鉆頭設計中，有一個非常關鍵的區域需要權衡考量：既要確保傳感器接觸足夠的地層以收集數據并保證圖像分辨率，又要保護傳感器免受損傷，這是我們必須兼顧的設計要點。”她補充道。
 
Retina系統的運行不受傳統成像設備的限制。一方面，傳統成像設備安裝在井底鉆具組合（BHA）的較高位置，導致鉆頭與巖石接觸、傳感器與巖石接觸之間存在時間差。“如果井眼出現漏失、沖蝕或其他工具與地層間的異常情況，會影響圖像質量。而在鉆頭端采集數據時，井眼尚未受損，鉆頭面也未受影響，因此能獲得更高質量的井眼圖像。”
 
井眼尺寸是另一個被攻克的限制。由于傳統隨鉆測井（LWD）超聲成像設備生成的圖像分辨率低，在大井段中的應用受限。Retina系統憑借2毫米的圖像分辨率，可捕捉9英寸以上井眼的圖像，無需額外下井作業或在BHA中添加工具，即可在表層井段收集關鍵數據。“過去，我們在17.5英寸或16英寸等表層井段中難以獲取此類信息，缺乏足夠數據輔助我們理解鉆井或完井作業——例如套管下入位置，或為何鉆頭在表層井段未達預期表現。如今，我們對這些地層有了更深入的認知。”
 
去年在俄克拉荷馬州某陸上油井進行的Retina系統現場試驗已取得成效。該系統成功生成了泥質巖相內薄夾層的高分辨率圖像，斯倫貝謝隨后通過電纜式全井眼地層微成像儀驗證了這一結果。試驗中還識別出獨特的砂巖組合及相關細粒巖相，并觀察到正弦傾角的細微變化——同一井眼中的LWD超聲成像則無法區分這些差異。