Badania nad metodą przewidywania szybkości penetracji podczas wiercenia głębokich studni opartą na modelu TCN-transformer

Dlaczego szybkość wiercenia ma znaczenie pod ziemią

Każda dodatkowa godzina spędzona na wierceniu studni na ropę lub gaz to koszty, zużycie sprzętu i paliwa. Kluczowym parametrem, który śledzą inżynierowie, jest prędkość, z jaką wiertło penetruje skałę — tzw. rate of penetration. Gdyby tę wartość można było dokładnie przewidzieć z wyprzedzeniem, firmy mogłyby projektować sprytniejsze programy wiercenia, unikać strat czasu w trudnych formacjach skalnych i zmniejszać ryzyko przy wierceniu głębokich, gorących pokładów. W tym badaniu przedstawiono nową metodę prognozowania prędkości wiercenia w bardzo głębokich studniach przez połączenie dwóch współczesnych narzędzi sztucznej inteligencji w jeden, dokładniejszy model.

Wyzwania wiercenia na kilka kilometrów poniżej powierzchni

Studnie głębokie stawiają o wiele surowsze warunki niż płytkie. Kilka kilometrów pod ziemią temperatury mogą przekraczać 150 °C, a ciśnienia rosną, co zmienia zarówno skały, jak i cement uszczelniający studnię. W rejonach takich jak baseny Tarim i Sichuan w Chinach niektóre studnie osiągają głębokości przekraczające 7 000 metrów. W takich ekstremalnych warunkach tradycyjne metody oparte na wzorach mają trudności z szacowaniem szybkości wiercenia, ponieważ wytrzymałość skał, zachowanie płynów i parametry sprzętu wiercącego wpływają na wynik w sposób złożony i zmienny. Wcześniejsze metody statystyczne i uczenia maszynowego pomagały, lecz często traktowały każde pomiarowe odczytanie jako odizolowany punkt, ignorując fakt, że wiercenie przebiega jako proces ciągły wzdłuż studni.

Przekształcenie wiercenia w narrację czasową

Autorzy traktują prędkość wiercenia jako szereg czasowy: opowieść rozwijającą się stopniowo wraz z głębokością i upływem czasu. Odwołują się do dwóch nowoczesnych koncepcji modelowania sekwencji z dziedziny sztucznej inteligencji. Pierwsza, tzw. sieć splotowa czasowa (temporal convolutional network, TCN), skanuje sekwencję za pomocą nakładających się okien, wychwytując krótkie i średniodystansowe wzorce — na przykład jak zmiana nacisku na wiertło lub prędkości obrotowej wpływa na wiercenie po kilku chwilach. Druga, znana jako transformer, doskonale łączy odległe punkty w sekwencji, uchwytując długodystansowe zależności, które mogą obejmować tysiące metrów wiercenia. Poprzez połączenie obu podejść model najpierw wydobywa szczegółowe lokalne cechy, a następnie uczy się szerszych, globalnych trendów łączących różne etapy pracy w studni.

Budowa inteligentniejszego predyktora na podstawie danych z pola

Aby wytrenować i przetestować swoje podejście, badacze użyli rzeczywistych danych z wierceń z wielu studni w jednym bloku Basenu Syczuanu. Zaczęli od 12 typowych pomiarów, w tym głębokości, prędkości obrotowej, parametrów płuczki i siły działającej na wiertło, a następnie zastosowali standardowy test korelacji, aby zawęzić zestaw do 10 zmiennych mających największe znaczenie dla przewidywania prędkości wiercenia. Ponieważ dane z wierceń są naturalnie uporządkowane w czasie, uniknęli losowego mieszania i zachowali sekwencję, używając pierwszych 80 procent każdego uporządkowanego zbioru do treningu, a pozostałych 20 procent do testów. Odkryli też, że płytkie sekcje powyżej 3 000 metrów wykazywały gwałtowne wahania z powodu zmiennej geologii i częstych regulacji sprzętu, co czyniło je szumem trudnym do modelowania. Skupiając się na głębszych, bardziej stabilnych odcinkach, znacząco poprawili dokładność.

Co hybrydowy model robi lepiej

Zespół starannie porównał różne sposoby porządkowania danych i różne architektury modeli. Gdy używano danych tylko z jednej studni, jakość prognoz była umiarkowana. Połączenie danych z wielu studni z tego samego bloku i zachowanie kolejności wiercenia w każdej studni poprawiło wyniki, ponieważ zachowywało naturalne przyczynowo-skutkowe związki między decyzjami operacyjnymi a reakcją skał. Sam model oparty wyłącznie na transformerze radził sobie już lepiej niż metody tradycyjne, lecz model hybrydowy — w którym sieć TCN dostarcza cechy do transformera — wypadł najlepiej. Osiągnął współczynnik determinacji bliski 0,99 na danych blokowych i utrzymał podobną dokładność przy przewidywaniu nowej studni nieużytej w treningu, wyraźnie przewyższając standardowe drzewa gradientowo wzmacniane i model z konwolucją plus LSTM.

Od modelu badawczego do narzędzia terenowego

Aby zrozumieć, dlaczego fuzja działa tak dobrze, autorzy przeprowadzili testy wyłączające lub modyfikujące poszczególne elementy modelu. Usunięcie „rozmytej” (dilated) struktury splotów czasowych, zawężenie okna przeszłych danych lub zastąpienie sieci TCN prostszym front-endem konwolucyjnym wszystkie obniżały dokładność. Najlepsze wyniki uzyskano, gdy model miał wgląd w około 30 kolejnych kroków czasowych, stosowano starannie dobrane ustawienia splotów do wychwytywania krótkich i średniodystansowych wzorców, a transformer obsługiwał długodystansowe powiązania. To połączenie pozwoliło systemowi uogólniać między studniami o podobnej geologii, co sugeruje, że po pewnym dostrojeniu można by je zaadaptować także do innych bloków.

Co to oznacza dla przyszłości wierceń

Badanie pokazuje, że przemyślanie zaprojektowana hybryda dwóch nowoczesnych technik AI potrafi przewidywać prędkość wiercenia w głębokich studniach z wysoką precyzją w rzeczywistym polu naftowym. Dla inżynierów oznacza to bardziej wiarygodne prognozy tempa wiercenia, lepsze planowanie prac z użyciem wierteł i programów płuczkowych oraz szybsze reakcje na narastające problemy w otworze. Chociaż obecny model nie obejmuje jeszcze szczegółowych pomiarów własności skał i wymaga dalszych testów w geologicznie bardziej zróżnicowanych regionach, stanowi istotny krok w kierunku inteligentnych systemów wsparcia w czasie rzeczywistym, które pomagają wiercić bezpieczniej, szybciej i taniej.

Cytowanie: 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

Słowa kluczowe: wiercenie głębokich studni, przewidywanie szybkości penetracji, uczenie maszynowe w wierceniu, modelowanie szeregów czasowych, hybrydowe sieci neuronowe