扭摆滑动定向作业过程中,最常见的问题是“托压”,来自于固定的钻具与井壁之间的摩擦力。这一问题可通过扭矩摇摆技术解决,即向钻具施加正、反向扭矩,化静摩擦力为动摩擦力,以减少钻具与井壁间的作用力。目前由于缺乏相关理论支撑,在滑动定向作业过程中为使工具面转动至目标值,仍需通过扭摆系统人工对正、反向扭矩值进行调整,该方式依赖于工程师个人经验,各井的控制效果因人而异,参差不齐,作业效率较低。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长短期记忆网络（LSTM）的工具面状态预测模型对扭摆系统进行远程智能控制,主要包括滑动定向作业数据的多特征融合处理、扭摆定向参数决策与远程控制算法研究、现场扭摆定向参数决策与远程控制应用实例分析三个方面的内容。根据以上研究内容,文章包括以下工作:（1）首先完成了钻探现场多系统数据融合处理与作业数据集的构建,为扭摆定向参数决策与远程控制算法的研究奠定了良好的数据基础;（2）在此基础上,通过对定向工程师的滑动定向作业经验分析,搭建了基于LSTM的工具面状态预测模型和基于工具面状态的控制参数决策算法模型,并对接集成形成扭摆定向参数决策与远程控制算法模块,该模块实现了未来多个时刻工具面状态的预测,并根据该预测值给出扭摆控制参数,有效避免了物理建模的局限性与工程师经验的依赖性;（3）最后,结合Flask框架完成了作业现场实时数据与扭摆定向参数决策与远程控制算法模块的数据交互。并进行现场应用试验,针对试验结果进行分析。多口工作井的部署与试验结果表明,在滑动定向过程中,扭摆定向参数决策与远程控制算法能够根据实时作业数据准确预测工具面状态,进而通过给出正向、反向扭矩控制钻具工具面角度逐渐靠近目标角度值,且现场数据交互传输高效稳定,基本达到了预期效果,有望进一步提升滑动定向钻井自动化、智能化水平。