Ricerca sul metodo di previsione della velocità di avanzamento di perforazione per pozzi profondi basato sul modello TCN-transformer

Perché la velocità di perforazione conta nel sottosuolo

Ogni ora in più impiegata per perforare un pozzo petrolifero o gasifero comporta costi, usura delle attrezzature e consumo di carburante. Un parametro chiave seguito dagli ingegneri è la velocità con cui la punta perforante attraversa la roccia, chiamata rate of penetration. Se questa velocità potesse essere prevista con precisione in anticipo, le compagnie potrebbero progettare programmi di perforazione più intelligenti, evitare di perdere tempo su rocce difficili e ridurre i rischi in formazioni profonde e calde. Questo studio presenta un nuovo modo di prevedere la velocità di perforazione in pozzi molto profondi fondendo due strumenti di intelligenza artificiale moderni in un unico modello più accurato.

La sfida di perforare a chilometri sotto la superficie

I pozzi profondi affrontano condizioni molto più severe rispetto a quelli superficiali. A diverse centinaia di chilometri sotto terra? (nota: nel testo originale sono diversi chilometri; qui si intende a diverse decine di chilometri) A profondità di alcuni chilometri, le temperature possono superare i 150 °C e le pressioni aumentano, alterando sia le rocce sia il cemento che sigilla il pozzo. In aree come i bacini del Tarim e del Sichuan in Cina, alcuni pozzi raggiungono profondità oltre i 7.000 metri. In queste condizioni estreme, i metodi tradizionali basati su formule faticano a stimare la velocità di perforazione perché la resistenza delle rocce, il comportamento dei fluidi e le attrezzature di perforazione influenzano il risultato in modi complessi e variabili. Metodi statistici e di machine learning precedenti hanno aiutato, ma spesso consideravano ogni misurazione come un punto isolato, ignorando come la perforazione si sviluppi come un processo continuo lungo il pozzo.

Trasformare la perforazione in una storia basata sul tempo

Gli autori trattano la velocità di perforazione come una serie temporale: una storia che evolve costantemente con la profondità e il tempo. Si sono avvalsi di due idee moderne per il modelling delle sequenze nel campo dell’intelligenza artificiale. La prima, chiamata temporal convolutional network (rete convoluzionale temporale), scansiona la sequenza con finestre sovrapposte, individuando pattern a breve e medio raggio — per esempio come una variazione del peso sulla punta o della velocità di rotazione influenzi la perforazione qualche momento dopo. La seconda, nota come transformer, eccelle nel collegare punti lontani della sequenza, catturando relazioni a lungo raggio che possono estendersi per migliaia di metri di perforazione. Fondendo questi due approcci, il modello prima estrae caratteristiche locali dettagliate e poi apprende tendenze globali più ampie che connettono le diverse fasi del pozzo.

Costruire un predittore più intelligente a partire da dati di campo reali

Per addestrare e testare il loro approccio, i ricercatori hanno usato dati reali di perforazione provenienti da più pozzi in un singolo blocco del bacino del Sichuan. Hanno iniziato con 12 misure comuni, inclusi profondità, velocità di rotazione, proprietà del fango e forza sulla punta, quindi hanno impiegato un test di correlazione standard per ridurre il set a 10 variabili che contavano di più per prevedere la velocità di perforazione. Poiché i dati di perforazione sono naturalmente ordinati nel tempo, hanno evitato uno shuffling casuale mantenendo la sequenza intatta, usando l’80 percento iniziale di ciascun dataset ordinato per l’addestramento e il restante 20 percento per il test. Hanno inoltre scoperto che le sezioni superficiali sopra i 3.000 metri mostravano fluttuazioni marcate dovute a geologia variabile e frequenti aggiustamenti delle attrezzature, rendendole rumorose e difficili da modellare. Concentrandosi su sezioni più profonde e più stabili, hanno migliorato sostanzialmente l’accuratezza.

Cosa fa meglio il modello ibrido

Il gruppo ha confrontato attentamente diverse modalità di organizzare i dati e varie architetture di modello. Quando hanno usato un solo pozzo alla volta, la qualità della previsione era modesta. Combinare più pozzi dello stesso blocco e ordinare i dati secondo la sequenza reale della perforazione in ciascun pozzo ha migliorato le prestazioni, poiché preservava la naturale catena di causa-effetto tra le scelte operative e la risposta della roccia. Un modello basato solo su transformer già superava i metodi tradizionali, ma il modello ibrido — in cui la rete convoluzionale temporale alimenta il transformer — ha dato i migliori risultati. Ha raggiunto un coefficiente di determinazione vicino a 0,99 sui dati del blocco e ha mantenuto un’accuratezza simile nel prevedere un nuovo pozzo non usato per l’addestramento, superando chiaramente gli alberi potenziati con gradient boosting standard e un modello convoluzione più LSTM.

Dal modello di ricerca allo strumento di campo

Per capire perché la fusione funziona così bene, gli autori hanno eseguito test disabilitando o alterando singole componenti del modello. Rimuovere la struttura «dilated» delle convoluzioni temporali, restringere la finestra dei dati passati o sostituire la rete convoluzionale temporale con un front end convoluzionale più semplice ha ridotto l’accuratezza. I migliori risultati si sono ottenuti quando il modello poteva osservare circa 30 step temporali consecutivi, usare impostazioni di convoluzione ben sintonizzate per catturare pattern a breve e medio raggio e lasciare al transformer il compito di gestire i legami a lungo raggio. Questa combinazione ha permesso al sistema di generalizzare tra pozzi con geologia simile, suggerendo che, con qualche messa a punto, potrebbe essere adattato anche ad altri blocchi.

Cosa significa per le perforazioni future

Lo studio dimostra che un ibrido progettato con cura di due tecniche AI moderne può prevedere con alta precisione la velocità di perforazione in pozzi profondi in un contesto reale di giacimento. Per gli ingegneri, questo si traduce in previsioni più affidabili di quanto velocemente un pozzo può essere perforato, in una migliore pianificazione delle run di punta e dei programmi di fango e in reazioni più rapide ai problemi emergenti in foro. Sebbene il modello attuale non includa ancora misure dettagliate delle proprietà delle rocce e necessiti di ulteriori test in regioni geologicamente più diverse, segna un passo significativo verso sistemi di supporto intelligenti in tempo reale che aiutano a perforare in modo più sicuro, più veloce e a costi inferiori.

Citazione: Yuehao, L., Guodong, Z., Xiangchao, S. et al. Research on deep well drilling rate of penetration prediction method based on TCN-transformer model. Sci Rep 16, 11075 (2026). https://doi.org/10.1038/s41598-026-41298-5

Parole chiave: perforazione di pozzi profondi, previsione della velocità di avanzamento, apprendimento automatico nella perforazione, modellazione di serie temporali, reti neurali ibride