常规滑动定向钻井过程中,由于钻柱不旋转,钻柱与井壁之间相互摩擦易产生较大的阻力而引起“托压”。考虑到生产安全、作业成本等因素,在生产作业过程中通常采用钻柱扭摆技术(通过向钻柱施加正反向扭矩,使静摩擦力转换为动摩擦力,从而减小钻柱滑动摩擦阻力)缓解“托压”。目前由于缺乏动力学等相关理论的支撑,要在确保机械钻速的同时保持工具面稳定,仍需人工对扭矩设定值进行调整,使用效果个体差异较大,工具面响应速度慢,自动化程度较低。深度学习是机器学习中一种基于数据驱动的自主学习方法,能将复杂的问题线性化,解决数据维度高、非线性可分、信息时滞不确定等问题,成为了近年来快速滑动定向钻井技术的一个新的研究热点。针对以上情况,依托中国石油集团川庆钻探工程有限公司钻采工程技术研究院委托开发项目,本文结合深度学习领域的相关知识,提出了一种基于扭摆系统实现滑动定向钻井自动控制的方法,主要包括滑动定向钻井数据处理与分析、滑动定向钻井智能决策算法研究、滑动定向钻井智能决策平台设计三个方面的内容。根据研究内容,文章以现场作业数据为出发点,首先完成了滑动定向钻井数据集的构建,采用分层聚类的方法讨论分析了各参数之间的关系,为智能决策控制算法的研究奠定了良好的数据基础;在此基础上,通过对滑动定向钻井控制方法的分析,建立了基于长短期记忆网络(LSTM)的滑动定向钻井智能决策模型,实现了扭矩设定值的计算,有效避免了基于物理建模的局限性;最后,结合MySQL数据库的建立,完成了滑动定向智能决策平台的开发,实现了作业数据的综合采集、集中存储与实时监测以及控制参数的自动调整。为了评估该方法的可行性和有效性,项目组在四川威远、磨溪、上罗等区块进行了大范围的应用测试。实验结果表明,在扭摆系统正常工作的前提下,滑动定向智能决策平台能够自动控制工具面向目标区域转动并保持稳定,基本达到了预期的效果,有望实现滑动定向钻井的自动控制,减少现场作业的个体因素差异。