DISTINGUISH 工作流程：基于生成式机器学习的动态井位优化新范式

钻井过程中方向变更的实时过程，即地球导向（geosteering），是油气开采以及新兴的钻井方向应用（如地热能、民用基础设施和 CO2 存储）的关键环节。地质能源行业致力于构建一个持续更新亚地下不确定性、并捕捉最新地质认识的自动化地球导向工作流程。我们提出了 "DISTINGUISH"：一个由生成式对抗网络（GAN）用于地质参数化、集成方法用于模型更新、以及全局离散动态规划（DDP）用于钻井方向操作中复杂决策的实时 AI 驱动工作流程。DISTINGUISH 框架依赖离线训练 GAN 模型以生成相关地质实现，并使用前向神经网络（FNN）建模钻井记录（LWD）工具对特定地质模型的响应。本文提出了一种首创性的工作流程，逐步减少 GAN-地质模型在钻井位及其前方的不确定性，并据此调整井路径。该工作流程自动将实时 LWD 数据与基于 DDP 的决策支持系统集成，提升了钻前地质预测模型的准确性，从而实现更优的导向决策。我们提供了一个简洁且具代表性的基准案例，记录了 DISTINGUISH 工作流程原型实现的性能目标。该基准将为未来的 метод学进步和工作流程优化奠定基础。