Onderzoek naar voorspelling van penetratiesnelheid bij diepputboringen op basis van een TCN-transformermodel

Waarom boorsnelheid ondergronds ertoe doet

Elk extra uur dat aan het boren van een olie- of gasput wordt besteed, kost geld, veroorzaakt slijtage aan apparatuur en verbruikt brandstof. Een belangrijke grootheid die ingenieurs bijhouden is hoe snel de boor door gesteente snijdt, de zogenaamde penetratiesnelheid. Als deze snelheid nauwkeurig van tevoren kon worden voorspeld, zouden bedrijven slimmer boorprogramma’s kunnen ontwerpen, tijdverlies in moeilijk gesteente vermijden en de risico’s in diepe, hete formaties verminderen. Deze studie introduceert een nieuwe manier om boorsnelheid in zeer diepe putten te voorspellen door twee moderne kunstmatige-intelligentietools te combineren tot één nauwkeuriger model.

De uitdaging van mijlen diep boren

Diepe putten kennen veel zwaardere omstandigheden dan ondiepe. Op enkele kilometers diepte kunnen temperaturen hoger dan 150 °C en drukniveaus die sterk toenemen het gesteente en het cement dat de put afdicht, veranderen. In gebieden zoals de Tarim- en Sichuan-bekkens in China reiken sommige putten dieper dan 7.000 meter. Onder deze extreme omstandigheden hebben traditionele formule-gebaseerde methoden moeite om boorsnelheid te schatten, omdat gesteentesterkte, vloeistofgedrag en boorapparatuur allemaal op complexe en veranderende manieren invloed uitoefenen. Eerdere statistische en machine-learningmethoden hielpen, maar behandelden vaak elke meting als een geïsoleerd punt en negeerden hoe boren zich ontwikkelt als een continu proces langs de put.

Het boren als een tijdgebonden verhaal

De auteurs beschouwen boorsnelheid als een tijdreeks: een verhaal dat geleidelijk evolueert met diepte en tijd. Ze putten uit twee moderne ideeën voor sequentiemodellering uit het veld van kunstmatige intelligentie. De eerste, een temporal convolutional network, schuift over de sequentie met overlappende vensters en detecteert korte- en middellangetermijnpatronen — bijvoorbeeld hoe een wijziging in gewicht op de bit of rotatiesnelheid het boren enkele momenten later beïnvloedt. De tweede, bekend als een transformer, blinkt uit in het koppelen van verre punten in een sequentie en brengt langetermijnrelaties in kaart die zich over duizenden meters boorwerk kunnen uitstrekken. Door deze twee te versmelten, haalt het model eerst gedetailleerde lokale kenmerken naar boven en leert het vervolgens bredere, globale trends die verschillende stadia van de put met elkaar verbinden.

Een slimmer voorspellingsmodel op basis van velddata

Om hun aanpak te trainen en te testen, gebruikten de onderzoekers echte boorgegevens van meerdere putten in één blok van het Sichuan-bekken. Ze begonnen met 12 gangbare meetwaarden, waaronder diepte, rotatiesnelheid, eigenschappen van de boorvloeistof en kracht op de bit, en gebruikten vervolgens een standaardcorrelatietoets om dit terug te brengen tot de 10 belangrijkste variabelen voor het voorspellen van boorsnelheid. Omdat boorgegevens van nature in tijd geordend zijn, vermeden ze willekeurige shuffling en lieten ze de volgorde intact; de eerste 80 procent van elke geordende dataset gebruikte men voor training en de resterende 20 procent voor testen. Ze ontdekten ook dat ondiepe secties boven 3.000 meter sterke schommelingen vertoonden door variabele geologie en frequente aanpassingen van apparatuur, waardoor die secties luidruchtig en moeilijk te modelleren waren. Door zich te concentreren op dieper gelegen, stabielere secties, verbeterden ze de nauwkeurigheid aanzienlijk.

Wat het hybride model beter doet

Het team vergeleek zorgvuldig verschillende manieren om de data te ordenen en verschillende modelontwerpen. Wanneer ze slechts één put tegelijk gebruikten, was de voorspellingskwaliteit bescheiden. Het combineren van meerdere putten uit hetzelfde blok en het ordenen van de data volgens de feitelijke boorvolgorde in elke put verbeterde de prestaties, omdat zo het natuurlijke oorzaak-en-gevolg tussen bedieningskeuzes en de reactie van het gesteente behouden bleef. Een transformer-alleen model presteerde al beter dan traditionele methoden, maar het hybride model — waarbij het temporal convolutional network in de transformer voedt — presteerde het beste. Het behaalde een verklaringsgraad (R^2) nabij 0,99 op blokdata en behield vergelijkbare nauwkeurigheid bij het voorspellen van een nieuwe put die niet voor training was gebruikt, waarmee het duidelijk beter was dan standaard gradient-boosted trees en een convolution-plus-LSTM-model.

Van onderzoeksmodel naar werktuig voor het veld

Om te begrijpen waarom de fusie zo goed werkt, voerden de auteurs tests uit waarbij ze individuele onderdelen van het model uitschakelden of wijzigden. Het verwijderen van de "vergrote" (dilated) structuur van de temporale convoluties, het verkleinen van het venster van historische data, of het vervangen van het temporal convolutional network door een eenvoudiger convolutioneel voorfront verminderde allemaal de nauwkeurigheid. De beste resultaten werden bereikt wanneer het model ongeveer 30 opeenvolgende tijdstappen kon zien, zorgvuldig afgestemde convolutie-instellingen gebruikte om korte- en middellangetermijnpatronen vast te leggen, en de transformer de langeafstandskoppelingen liet afhandelen. Deze combinatie stelde het systeem in staat te generaliseren over putten met vergelijkbare geologie, wat suggereert dat het, met enige fine-tuning, ook op andere blokken toepasbaar zou kunnen zijn.

Wat dit betekent voor toekomstig boren

De studie laat zien dat een doordacht ontworpen hybride van twee moderne AI-technieken de penetratiesnelheid in diepe putten met hoge precisie kan voorspellen in een echte olieveldomgeving. Voor ingenieurs betekent dit betrouwbaardere voorspellingen van hoe snel een put geboord kan worden, betere planning van bitruns en boorvloeistofprogramma’s, en sneller handelen bij zich ontwikkelende problemen in de put. Hoewel het huidige model nog geen gedetailleerde metingen van gesteente-eigenschappen bevat en nog in meer geologisch diverse regio’s moet worden getest, is het een belangrijke stap richting intelligente, real-time ondersteuningssystemen die helpen veiliger, sneller en tegen lagere kosten te boren.

Bronvermelding: 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

Trefwoorden: diepputboringen, voorspelling penetratiesnelheid, machinaal leren in boren, tijdrijmodelering, hybride neurale netwerken