旋沖鉆進系統控制策略研究現狀與發展趨勢

趙陽，朱勇，高強，曹凱

(1.江蘇大學流體機械工程技術研究中心，江蘇鎮江 212013；2.江蘇大學國家水泵及系統工程技術研究中心，江蘇鎮江 212013)

0 前言

《國家“十四五”規劃和2035年遠景目標綱要》中明確指出將深地深海、油氣勘探開發、新發突發安全風險防控等領域科技攻關作為事關國家安全和發展全局的重大科技任務[1]。對此，國家科技部通過“十四五”國家重點研發計劃“高性能制造技術與重大裝備”、“深海和極地關鍵技術與裝備”、“戰略性礦產資源開發利用”、“重大自然災害防控與公共安全”等重點專項明確部署，將深地鉆探裝備作為未來5年高端重大裝備國產化研制的核心任務之一。以此來實現高性能制造技術和重大裝備的自主可控，增強我國戰略性高端產品和重大工程關鍵裝備的核心競爭力，顯著提升突發公共事件應急救援能力[2]。

深部硬巖地層鉆進效率低、成本高的問題是現階段深井、超深井鉆井過程中長期面臨的難點問題[3]。旋沖鉆進技術由于具有提高硬巖地層鉆進效率、降低定向鉆進中黏滑振動以及提高鉆壓傳遞效率等優點而得到工程界的高度認可，已被逐漸應用于礦產、石油、天然氣、地下水、地熱能等地質勘探[4]以及陸地與海洋地下資源開采[5]、應急搶險救災[6]、爆破施工[7]、樁基施工[8]、深基坑錨固[9]、隧道管棚支護[10]等領域，具有廣闊的應用前景。

旋沖鉆進技術對傳統旋轉鉆進技術進行改進，在傳統鉆進技術的基礎上增加沖擊器，鉆頭在原有靜壓旋轉的基礎上施加沖擊動載，利用靜壓旋轉和沖擊載荷協同作用進行破巖。在工作過程中，施加的沖擊動載能夠增加鉆頭吃深，有效擴張巖石裂隙，使得巖石大體積破碎；旋轉作用會產生扭轉剪切力，切削巖石，顯著提高巖石硬脆性、破碎性，從而有效提高鉆進效率，在工程應用時可提高鉆進速度10%～50%以上，符合增產增效、應急搶險的需要。

旋沖鉆進技術具有傳統旋轉鉆進技術不可比擬的優越性，但是鉆進系統存在強耦合、高度非線性、參數時變性、負載工況多變、環境干擾不確定性、多源動力協同工作等特性，常規控制方法對于這樣一個復雜非線性動力學系統難以取得理想的控制效果。鉆進系統的靜、動態響應特性對于鉆機的性能起著舉足輕重的作用，這就要求旋沖鉆進系統必須對設定的目標具有快速的控制響應特性和穩態跟蹤精度。旋沖鉆進控制技術作為深井、超深井鉆進過程控制中的關鍵核心技術，對于旋沖鉆進系統的控制問題，至今仍是工程界迫切需要解決的難題。

本文作者以旋沖鉆進系統的控制策略為研究對象，以鉆進速度、鉆進壓力、鉆進軌跡等方面的控制策略為出發點，對近年來國內外研究機構和學者在鉆進系統控制方法研究方面的成果及應用現狀進行綜述，并對其發展趨勢進行展望，為旋沖鉆進系統的智能高效控制提供理論參考。

1 旋沖鉆進系統組成及功能

旋沖鉆進系統包括液壓給進子系統、氣動沖擊子系統、旋轉子系統、綜合動力集成子系統，狀態監測與控制系統。系統傳動原理如圖1所示。

(1)液壓給進子系統

液壓給進子系統包括負載敏感液壓泵、負載敏感控制閥、主閥、給進油缸等。

負載敏感液壓泵可根據負載壓力變化自動調節輸出流量，負載敏感液壓泵的工作原理如圖2所示。負載變化時，負載敏感閥通過閥芯移動來實現變量活塞缸的動作，活塞桿的移動可以改變泵斜盤的傾角，從而實現泵輸出流量的改變。負載敏感控制閥為負載敏感多路閥，由比例方向節流閥和壓力補償閥組成(壓力補償閥為定差減壓閥)。壓力補償閥布置在液壓泵與主閥之間，使負載的流量只與主閥開口面積有關，可實現單一動力源下多負載協同運動的工況。給進油缸作為執行元件，通過改變主閥開口的大小來調整輸入給進油缸的流量，控制油缸的動作，實現鉆具給進和起拔。

圖2 負載敏感液壓泵工作原理

(2)氣動沖擊子系統

氣動沖擊子系統包括空氣壓縮機、氣動控制閥、主軸、專用接頭、加長鉆桿和氣動沖擊鉆具。

空氣壓縮機作為氣動動力源，氣動控制閥與主軸相連，主軸采用通孔結構，頂端設置氣孔，底端通過專用接頭連接加長鉆桿和鉆具，氣動控制閥通過主軸上的氣孔為氣動沖擊鉆具輸送氣壓動力，實現鉆具的高頻沖擊。

(3)旋轉子系統

旋轉子系統包括負載敏感液壓泵、負載敏感控制閥、高速變量柱塞馬達和低速擺線馬達。

旋轉子系統可實現主軸旋轉速度和輸出扭矩的調節，高速變量柱塞馬達單獨驅動主軸回轉時，輸出高轉速小扭矩，雙馬達并聯驅動主軸回轉時，輸出低轉速大扭矩。馬達的轉速可以通過負載敏感泵、負載敏感閥等組成的負載敏感控制系統進行調節。

(4)綜合動力集成子系統

綜合動力集成子系統包括輸入軸、扭矩轉速儀、嚙合套、變速齒輪箱和動力頭拖板。

采用低速擺線馬達與高速變量柱塞馬達的雙馬達組合驅動形式，調節主軸旋轉速度和輸出扭矩。輸入軸的輸入端與低速擺線馬達、高速變量柱塞馬達輸出端的嚙合套相連，通過嚙合套的連接和斷開實現不同的驅動形式；輸入軸的輸出端通過變速齒輪箱與主軸相連，經三級齒輪變速，驅動主軸實現鉆具回轉，帶動鉆具完成旋轉鉆進或擰卸鉆桿工作。動力頭拖板與給進油缸的活塞桿相連，用于鉆具的給進和起拔。

(5)狀態監測與控制系統

狀態監測與控制系統包括計算機、比較器、調節器、電荷放大器及傳感器等。

狀態監測與控制系統實現各個子系統的參數狀態檢測及閉環反饋控制。計算機作為輸入元件，將壓力、轉速及氣動參數等輸入信號傳遞到各個子系統的輸入端；傳感器作為反饋測量元件，測量系統的輸出量，并轉換為反饋信號；比較器作為比較元件，對輸入信號和反饋信號進行比較給出偏差信號；調節器對偏差信號進行調節轉換，經電荷放大器放大，輸出給閥類控制元件，進而控制執行元件。

2 旋沖鉆進系統控制策略研究現狀

為實現高效、安全鉆進，鉆進過程中需要及時對鉆速、鉆壓進行調整，通過調節鉆進參數，實現對鉆速、鉆壓的控制。另外，鉆進時容易出現鉆孔偏斜問題，需要對鉆進軌跡進行優化設計，進而控制鉆進軌跡，從而提高鉆進效率。

2.1 鉆進速度控制

巖層鉆探速度直接關系到鉆井工作的總體實施效果，在鉆進過程中，對鉆進參數進行準確的優化調整，可實現最優機械鉆速(Rate of Penetration，ROP)，從而提高鉆進綜合效率。

鉆進參數優化方法不斷發展，從單參數研究逐漸發展到多目標、多參數優化。2010年，中國石油大學伊鵬等人[12]對自適應遺傳算法進行改進，以求解多元鉆井參數組合的非線性最優化數學模型，仿真結果表明：改進算法收斂迅速且穩定，群體適應度波動小，綜合性能優于改進前算法。2013年，西安石油大學沙林秀[13]針對鉆井參數優化方法求解效率和精度低等問題，提出了基于斐波那契數列的自適應量子遺傳算法，實例計算表明：該算法收斂速度快、效率高、穩定性和魯棒性好。2013年，西安石油大學李琳等人[14]建立了鉆進參數多目標優化模型，采用非支配排序遺傳算法對模型進行仿真計算，該算法能以較快的收斂速度求解分布均勻的Pareto最優解集，為鉆井優化提供了有效解決方案，提高了工作效率。2014年，印度礦業學院GURIA等[15]利用二進制編碼的帶精英策略的非支配排序遺傳算法，對鉆井參數進行多目標優化，減少了鉆探時間和鉆探成本。2016年，西南石油大學王超[16]針對傳統鉆進參數優化方法中存在實時建模困難的問題，建立了一套使用隨鉆測井數據的鉆井參數實時優化方法，實時優化鉆井施工，對實現低成本、高效率鉆井具有指導作用。2017年，東北大學王凱等人[17]提出了一種基于Pareto最優原理的鉆進參數多目標優化方法，該方法包含基于小生境思想擁擠度值的計算方法以及自適應交叉和變異算子，仿真結果表明：與非支配排序遺傳算法和多目標粒子群優化算法相比，該算法求解實際問題時得到的Pareto前端解集分布均勻，且能有效提高機械鉆速。2018年，西安石油大學趙毅[18]嘗試將控制算法轉向學習算法，提出了由感知層、傳輸層、應用層、控制層組成的基于神經網絡的鉆井參數優化架構和算法，通過實驗驗證了優化方法的可行性。為了優化鉆井參數，2020年，阿米爾卡比爾理工大學MOAZZENI、 KHAMEHCHI[19]提出了一種元啟發式雨水優化算法，并與現有的粒子群算法、蝙蝠群算法進行比較，仿真結果表明：所提出的算法可以同時找到全局最優解和局部最小值。2020年，北京郵電大學李藝鑫[20]利用機器學習算法解決鉆井參數優化問題，并提出了一種融合的鉆井速度回歸模型，開發了鉆井參數優化系統，對系統進行仿真，結果表明：參數優化可以提升鉆井效率，為深海鉆井系統應用提供了技術保障。2020年，中國石油大學伍喆[21]研究了鉆柱扭轉振動特性，建立了鉆柱扭轉振動工況模型，結合機械鉆速方程完成了鉆井參數優化，確定了適用于不同地層的鉆井參數優選范圍。2021年，印度理工學院RAMBA等[22]提出了一種基于實時優化鉆井速度、鉆井效率的鉆井參數優化方法，實驗結果表明：采用改進回放法優化機械鉆速可以提高鉆井效率。

ROP預測可以準確規劃鉆井作業，降低鉆井成本。2018年，沙赫魯德理工大學ANEMANGELY等[23]為預測鉆井的機械鉆速，建立了多層感知器神經網絡與粒子群算法、布谷鳥優化算法相結合的混合模型，模型的訓練結果表明：多層感知器神經網絡與布谷鳥優化算法組成的混合模型的收斂速度更快、精度更高。2019年，中國石油大學趙穎等人[24]基于極限學習機，建立了海上鉆井機械鉆速預測模型，并以南海YL8-3-1井為例進行了驗證，結果表明：該預測模型可以對機械鉆速進行實時監測，并通過優化鉆井參數來提高鉆井效率。2019年，中石油川慶鉆探工程有限公司劉勝娃等[25]提出了一種基于人工神經網絡技術的定向井機械鉆速預測模型，訓練和仿真預測結果表明：在數據量較充足且數據質量較高的條件下，該預測模型的絕對平均誤差可達4.25 m/h，具有較高的精確度。2020年，深圳大學ZHAO等[26]為了預測鉆井過程中的鉆速，將人工神經網絡模型與優化算法相結合，使用人工蜂群算法優化對鉆速有影響的參數，該模型的訓練和測試均方根差分別為0.912和0.893，精確度較高，實驗結果表明：鉆速可提高20%～30%。2020年，中國地質大學ZHOU等[27]基于建立的在線支持向量回歸預測模型，開發了一種協調優化策略，并采用非支配排序遺傳算法找出Pareto最優集，實測鉆井數據表明：該方法可平均提高鉆速39.8%。2020年，法赫德國王石油礦產大學HASSAN等[28]開發了7個基于人工神經網絡的模型來預測ROP，仿真結果表明：7個模型可有效預測鉆速，誤差較小，平均絕對百分比誤差約為7.9%。2021年，中國石油大學周長所等[29]基于機械比能理論，建立了鉆進能量平衡方程，該方程能夠基于地層巖石屬性，分析優化鉆井參數，預測機械鉆速，實驗結果表明：該方程預測的機械鉆速平均誤差為8%，誤差較小，表現出良好的適用性，可為后續深井、超深井鉆井作業優化設計提供依據。2022年，伊斯蘭阿扎德大學BRENJKAR和 BINIAZ DELIJANI[30]使用4種機器學習方法(Machine Learning，ML)和2種傳統ROP模型來預測鉆速，通過對比實驗發現：相較于傳統ROP模型，ML模型的可靠度及有效性更高，并且與元啟發式算法相結合可獲得比傳統算法更好的結果。

傳統鉆速控制方法工作效率和控制精度低、控制時間長。為提高鉆進的效率，2019年，中國礦業大學GUO等[31]設計了一種自適應魯棒控制器，以跟蹤可變圍巖環境下鉆機的最佳轉速，實驗結果表明：該控制器能夠快速跟蹤最優轉速，且有效減弱沖擊振蕩，有利于提高鉆進效率。2019年，美國德克薩斯大學HEGDE等[32]將鉆速優化過程與基于機器學習的振動模型相結合，以確定最佳鉆井參數，實驗結果表明：該模型在減輕鉆井振動的同時，可提高鉆速14.1%。2019年，中國地質大學GAN等[33]提出了一種由一個標準蝙蝠算法和五項改進方法組成的混合蝙蝠算法來優化鉆速，進一步提高了蝙蝠算法的全局尋優性能，該算法收斂速度顯著提升，且跳出局部最優的能力優于其他算法；將它應用于鉆井過程中，鉆速提高了34.84%，與傳統鉆速優化方法相比，提高鉆速效果顯著。2020年，HEGDE等[34]介紹了一種利用機器學習算法耦合多個井下參數的方法，采用基于隨機森林算法的數據驅動建模方法建立耦合模型，仿真表明：該方法可使ROP平均增加31%，機械比能降低49%，以威利斯頓盆地為例，證明了該模型可實際應用。2021年，中海油能源發展股份有限公司黃小龍等[35]利用大數據與人工智能技術提高鉆速，建立了基于機器學習方法和最優化算法的鉆速實時優化模型，如圖3所示，將模型嵌入可視化系統指導現場作業，可以有效提高鉆井速度。

圖3 鉆速實時優化模型建模流程[35]

2.2 鉆進壓力控制

傳統自動送鉆控制系統不能有效適應變載荷工況，控制參數存在時滯、非線性、不確定性等問題。2012年，西安石油大學付勃[36]針對傳統鉆壓優化方式上存在的不足，提出了鉆壓優化自動送鉆系統，并設計了鉆壓模糊控制器，仿真結果表明：該控制器具有較好的鉆壓跟隨性能。2016年，西安石油大學白曉輝[37]針對傳統自動送鉆PID控制系統存在的不足，提出了自動送鉆模糊控制系統，仿真結果表明：該系統能夠較好地補償誤差、減少超調，適用于非線性、時滯、時變自動送鉆系統的控制。2018年，重慶科技學院LI等[38]針對石油鉆機自動鉆進系統的非線性導致鉆壓精確控制難以實現的問題，提出了一種基于PLC的模糊控制系統，仿真結果表明：該系統響應速度更快、更穩定。2022年，西安石油大學沙林秀等[39]提出了一種模糊PID與小腦模型神經網絡自適應切換相結合的控制策略，仿真結果表明：與傳統PID控制和模糊PID控制相比，該方法可使系統超調量降至0.1%，調整時間降低到0.2 s，系統的穩定性和快速性得到提高。

在自動送鉆控制系統中，系統能夠自動調節鉆壓，使它保持在設定值，實現恒定鉆壓送鉆[40]；然而，在鉆進過程中，鉆壓需要適應復雜的地質條件，根據負載變化進行優化調整。2012年，廣東石油化工學院廖輝等人[41]針對目前深海鉆井作業鉆柱運動難以實現鉆壓調整的問題，對鉆柱運動補償系統進行了研究，設計了能夠自動調整補償控制效果的模型參考自適應控制器，結果表明：適應性好的控制器可以有效減小負載工況多變對控制效果的影響。2016年，燕山大學康紹鵬等[42]深入分析了全液壓鉆機的實際工況和負載特性，對給進電液系統進行優化設計，通過仿真證明了給進壓力控制回路能夠對壓力進行準確調節，優化后的給進電液系統在給進壓力控制方面取得較理想的效果。

控壓鉆井(Managed Pressure Drilling，MPD)能夠快速調節井下環空壓力，以應對地層壓力的變化。國內外學者為提高MPD控制系統的性能，對MPD系統的控制方法進行了研究。2016年，阿格德爾大學ZHOU和 KRSTIC[43]針對存在未知參數、擾動和時滯的鉆井系統，探討了自適應預測因子反饋設計方法，仿真結果表明：該方法具有良好的跟蹤性、抗擾性和時滯補償能力。良好的流量、壓力控制在欠平衡鉆井過程中至關重要，2018年，挪威科技大學PEDERSEN等[44]評估了非線性模型預測控制方法在欠平衡鉆井過程中對壓力和流量進行多元控制的效果，仿真結果表明：在模型匹配足夠好的情況下，該方法求解優化問題的平均計算時間為3 s，最大運行時間為9 s，求解速度較快。2021年，西南石油大學ZHANG等[45]提出了一種用于控壓鉆井的改進粒子群優化PID神經網絡模型，仿真結果表明：該模型調整時間為0.69 s，控制誤差為0.007，具有自學習特性好、優化質量高、控制精度高、無超調、響應速度快等優勢。2021年，西南石油大學LIANG等[46]提出了一套MPD井底壓力監測方法，建立了基于模擬退火算法的改進支持向量回歸機(Simulated Annealing-Support Vector Regression，SA-SVR)的集合( SA-SVR回歸模型如圖4所示)，優化了MPD井底監測方法，為鉆井作業井底壓力監測提供理論支撐。

圖4 SA-SVR 回歸模型示意[46]

2022年，中國石油大學ZHU等[47]提出了用于預測MPD井底壓力的混合神經網絡模型，結合反向傳播、長短期記憶(Long Short-Term Memory，LSTM)和一維卷積神經網絡模型的不同優勢，建立了基于多分支并行的混合神經網絡預測模型，內部結構如圖5所示，為解決復雜地層精細壓力控制的時間特性優化問題提供了參考。2022年，中國石油大學孟卓然等[48]提出了一種用于穩定井底壓力、提高機械鉆速并減弱黏滑振動幅值的非線性模型預測控制方法，與常規PID控制相比，該控制方法的穩定性更好，且具有更強的抗擾動魯棒性，可以實現更好的控制效果，此外，該方法能夠有效抑制氣侵，降低黏滑振動，同時提升機械鉆速。

圖5 BP-LSTM并行網絡內部詳細結構[47]

在MPD系統的控制器方面，學者們也做了相關研究。2011年，YILMAZ等[49]提出了用于MPD系統的智能控制與優化框架，使用智能模糊邏輯控制器建立非線性鉆井過程模型，優化石油鉆井過程性能，仿真結果表明：所提出的框架對于非線性和實時優化具有實際意義。2017年，紐芬蘭紀念大學NANDAN和 IMTIAZ[50]基于輸出反饋控制結構，采用無偏移公式，提出了一種新的非線性模型預測控制方法，該方法在井底壓力控制方面表現出了良好的性能。2019年，紐芬蘭紀念大學SULE等[51]提出了一種MPD控制系統，該系統使用了非線性模型預測控制器和兩相流模型計算方法，控制環空壓力，通過與PI控制器進行比較，證實了所提方法對擾動的響應速度更快。2020年，埃因霍溫理工大學ABBASI等[52]開發了一種用于MPD的鉆井方法，提出一種遞減基的新方法來處理非線性問題，并在MPD模型上成功進行了測試，所得到的降階模型可用于鉆井系統的高效在線仿真和控制器設計。2022年，KN圖什理工大學SHEIKHI等[53]提出了一種非線性預測廣義最小方差控制方法，并將該方法用于控制器中，實現擾動下MPD系統的自動控制，進一步研究了控制器在面對擾動和不確定性時的魯棒性，與PI控制器相比，應用該方法的控制器穩態性能更好。

2.3 鉆進軌跡控制

鉆進軌跡多目標優化是實現高效、安全鉆進的關鍵路徑之一。鉆進軌跡優化設計是影響鉆井工程成本和風險的關鍵性問題，隨著不斷改進優化算法的性能，求解軌跡優化問題能夠得到更好的軌跡設計方案。2014年，伊朗德黑蘭阿米爾卡比爾理工大學ATASHNEZHAD等[54]提出了一種隨機鉆井軌跡設計方法，為尋找定向井和水平井的最佳鉆井測量深度，將連續粒子群算法應用于三維空間，為斜井軌跡設計提供了更加經濟有效的方法。2015年，阿米爾卡比爾理工大學MANSOURI等[55]提出了一種基于多目標遺傳算法的最優解計算方法，將它與井筒長度和扭矩2個目標函數相結合，建立了一組Pareto最優解，用以幫助選擇風險較小、成本較低的井眼軌跡設計。2019年，西安石油大學XU等[56]針對當前鉆井軌跡設計的智能優化算法存在收斂速度慢、易陷入局部最優解等問題，提出了一種基于蟻群算法的井眼軌跡設計優化方法，利用蟻群算法在約束條件下找到鉆進軌跡的最優參數，從而實現鉆進軌跡設計的優化。2019年，北京化工大學SUN等[57]以最短井長為目標函數，采用人工魚群算法優化鉆進軌跡，該算法結構簡單、收斂速度快，可快速生成全局最優軌跡。

深部地質環境復雜、鉆進難度較大，同時由于缺少高性能的鉆進軌跡控制策略，導致最優鉆進軌跡實現難度大。2014年，中國石化石油工程技術研究院劉修善和中國石油集團鉆井工程技術研究院劉修善和蘇義腦[58]將空間圓弧軌跡的井斜方程用于求解空間圓弧軌跡所在斜平面姿態以及空間圓弧軌跡井斜角極值，揭示了空間圓弧軌跡的井斜演化規律和控制模式。2016年，埃因霍溫理工大學VAN DE WOUW等[59]為了穩定地獲得復雜的三維井眼幾何形狀，同時避免不必要的井眼螺旋，提出了一種動態狀態反饋控制器設計方法，該設計基于非線性延遲微分方程的三維井眼傳播模型，將井眼傳播問題轉化為跟蹤問題后，證明了所提出的控制器能穩定生成復雜的三維井眼幾何形狀。2018年，烏法國立石油技術大學AGZAMOV[60]提出了一種基于預測模型的油氣井定向鉆井軌跡控制方法，該方法能夠精確地鉆探定向井，并在大范圍隨機干擾的情況下以最小的偏差跟蹤鉆井軌跡。2019年，英國克蘭菲爾德大學INYANG和WHIDBORNE[61]提出了一種定向鉆井工具姿態的控制方法，以雙線性模型作為雙線性比例積分控制器設計的基礎，仿真結果表明：相較于現有PI控制器，所提出的控制器在定向鉆具姿態控制方面更加有效、魯棒性更好。2021年，中國地質大學ZHANG等[62]提出了一種基于粒子濾波和改進模型預測控制的垂直鉆井偏差校正策略，結果表明：粒子濾波器有效地抑制了測量噪聲，改進的模型預測控制器在實現鉆井軌跡小傾角偏差校正方面有著重要作用。2021年，中國地質大學蔡振[63]從鉆具運動建模和控制出發，建立了鉆進軌跡模型，分析了鉆具運動特性，進一步提出了一種鉆具姿態控制策略，實現了對鉆進軌跡的高精度控制。

2.4 其他控制

硬質巖層硬度高，巖層構造裂隙復雜，鉆機鉆進時負載工況多變，輸出扭矩跟隨性差則易發生黏滑振動現象，不僅造成鉆頭機械鉆速降低，同時加速鉆具老化和失效，進而導致鉆井效率降低。2016年，西北工業大學鞏全成[64]以鉆柱系統為研究對象，建立了基于給定驅動扭矩的黏滑振動控制系統，對抑制黏滑振動的魯棒控制算法進行了理論研究，實現了對鉆柱黏滑振動控制技術的自主創新。2019年，西安石油大學吳永強[65]以鉆機運動系統為研究對象，開展了抑制鉆機黏滑振動、鉆頭反彈建模與控制策略的研究工作，設計了基于LQR控制策略的控制器，有效地抑制了鉆機黏滑振動和鉆頭反彈。2019年，西北工業大學FU等[66]提出了一種基于狀態觀測器和參考調速器的控制策略，以抑制鉆柱的黏滑振動，根據估計的非線性相互作用扭矩，引入參考調速器對原始輸入參數進行修正，仿真結果表明：該控制策略具有良好的動態特性，可有效抑制鉆柱的黏滑振動。2020年，西南石油大學LIN等[67]通過路徑跟蹤分析，并利用比例微分反饋控制器，對鉆柱系統的黏滑抑制和速度調控問題進行了研究，研究結果不僅揭示了黏滑振動和恒定旋轉的共存機制，同時得到了控制鉆頭速度可以抑制黏滑現象的結論。2020年，馬里蘭大學ZHENG等[68]提出了一種數值延拓方法用于跟蹤具有摩擦、接觸損失和狀態相關時滯的鉆柱系統的周期軌道，在此基礎上，提出了一種基于觀測器的時滯系統連續極點配置控制方案，通過仿真驗證了該方法抑制黏滑行為的有效性。鉆進過程中存在卡鉆問題，在黏滑振動和井孔偏斜作用下，沖擊鉆頭易卡在井孔或巖層夾道中，無法提鉆或繼續鉆進。2021年，山東科技大學趙元志等[69]設計了由基于雙算法的智能決策器和基于粒子群算法的執行器兩部分組成的智能防卡控制器，仿真結果表明：智能防卡控制器可預測卡鉆并自行決策，防止發生卡鉆事故。

3 總結與展望

旋沖鉆進技術在多個領域呈現出廣闊的應用前景，然而旋沖鉆進系統工作時要適應復雜地質條件下未知巖層結構的變載荷工況，需要及時對鉆速、鉆壓進行調整。鉆機振動力大，穩定性較差，實際施工中操作不當往往會造成井孔偏斜，無法繼續鉆進。此外，鉆進過程中還存在黏滑振動和卡鉆等問題。關于旋沖鉆進系統控制技術的研究備受國內外學者的關注，研究人員針對鉆速、鉆壓、鉆進軌跡及鉆進過程中的若干問題進行探究，為旋沖鉆進控制性能的提升提供了理論指導。文中對近年來國內外相關研究成果進行了梳理，對系統在鉆速、鉆壓、鉆進軌跡及其他方面的控制策略進行了系統的總結和分析。

目前，我國深井、超深井鉆進技術的智能化程度還比較低，在探索新的智能調控機制、提高鉆進系統的智能化水平和控制精度、高效地將優化和控制相結合實現復雜非線性系統的最優控制等方面，仍需要進一步深入探索。

(1)在鉆速最優控制方面，為使鉆速能夠適應復雜地質條件下的鉆進需要，解決鉆進參數時變性強的問題，鉆速預測和參數優化對實現鉆速的優化控制有重大作用。目前，國內外研究學者多采用模型和優化算法結合的方式來實現鉆速預測及鉆進參數優化，還有一部分學者研究了機器學習算法。機器學習算法可作為未來的研究方向，現有的計算機系統和人工智能系統學習能力有限，探索更多的自適應學習方法和智能優化算法，對實現鉆井參數的準確、快速優化，實現鉆速優化控制有著重大意義。

(2)在鉆壓高精度控制方面，系統受負載工況多變、參數時變性、環境干擾不確定性等因素的影響，鉆壓不能實現精確控制，此外，實現鉆壓在負載變化時的自動調節也需要深入研究。未來可將智能控制理論引入鉆壓控制系統，應用神經網絡控制、模糊控制、深度強化學習等智能控制方法實現鉆壓的精確控制，研究基于智能優化算法的自適應控制器，以滿足負載變化時的壓力變化需要。

(3)在鉆進軌跡最優控制方面，復雜地質條件下容易發生井孔偏斜，系統需要調整鉆進方向，及時修正鉆進軌跡，鉆進軌跡控制難度大。未來可加強在鉆井軌跡優化設計方面的研究，目前主要采用的是三維井眼軌跡設計方法，將不同軌跡設計方法優勢互補，并與智能優化算法相結合，有望實現最優鉆進軌跡設計。預測真實的鉆進軌跡有助于鉆進軌跡的控制，目前多采用模型預測，未來可考慮將實測數據與預測控制模型相結合，建立數據驅動與物理模型相融合的數字孿生體，提高預測精度，實現鉆進軌跡的最優控制。

(4)在其他控制方面，鉆進過程中存在如黏滑振動、卡鉆等問題，目前，在抑制黏滑振動方面，國內外研究學者已開展了控制策略和控制器的研究，智能防卡鉆方法和智能防卡控制器得到初步應用。針對鉆進過程中存在的問題，未來可深度探究鉆柱黏滑振動的動力學特性，研究抑制黏滑振動的智能主動抑制算法。另外，可研究智能防卡鉆策略，提高系統防卡鉆響應速度及復雜地層適應能力，實現系統自適應處理卡鉆問題。