Pesquisa sobre método de previsão da taxa de penetração em perfuração de poços profundos baseado no modelo TCN-transformer

Por que a velocidade de perfuração importa abaixo da superfície

Cada hora extra gasta perfurando um poço de petróleo ou gás custa dinheiro, provoca desgaste nos equipamentos e consome combustível. Um número chave que os engenheiros acompanham é a velocidade com que a broca avança no maciço rochoso, chamada taxa de penetração. Se essa taxa pudesse ser prevista com precisão antecipadamente, as empresas poderiam planejar programas de perfuração mais eficientes, evitar perda de tempo em rochas difíceis e reduzir riscos em formações profundas e quentes. Este estudo apresenta uma nova forma de prever a velocidade de perfuração em poços muito profundos, combinando duas ferramentas modernas de inteligência artificial em um único modelo mais preciso.

O desafio de perfurar a quilômetros abaixo da superfície

Poços profundos enfrentam condições muito mais severas do que poços rasos. A vários quilômetros abaixo do solo, as temperaturas podem exceder 150 °C e as pressões se elevam, alterando tanto as rochas quanto o cimento que sela o poço. Em locais como as bacias de Tarim e Sichuan, na China, alguns poços alcançam profundidades além de 7.000 metros. Nessas condições extremas, métodos tradicionais baseados em fórmulas têm dificuldade em estimar a velocidade de perfuração porque a resistência da rocha, o comportamento dos fluidos e o equipamento de perfuração influenciam o resultado de maneiras complexas e mutáveis. Métodos estatísticos e de aprendizado de máquina anteriores ajudaram, mas frequentemente tratavam cada medição como um ponto isolado, ignorando como a perfuração se desenrola como um processo contínuo ao longo do poço.

Transformando a perfuração em uma narrativa temporal

Os autores tratam a taxa de penetração como uma série temporal: uma história que evolui de forma contínua com a profundidade e o tempo. Eles recorrem a duas ideias modernas de modelagem de sequências da área de inteligência artificial. A primeira, chamada rede convolucional temporal (TCN), percorre a sequência com janelas sobrepostas, detectando padrões de curto e médio alcance — por exemplo, como uma variação na carga sobre a broca ou na velocidade de rotação afeta a perfuração alguns instantes depois. A segunda, conhecida como transformer, se destaca em relacionar pontos distantes numa sequência, capturando relações de longo alcance que podem abranger milhares de metros de perfuração. Ao fundir essas duas abordagens, o modelo primeiro extrai características locais detalhadas e, em seguida, aprende tendências globais mais amplas que conectam diferentes estágios do poço.

Construindo um preditor mais inteligente a partir de dados de campo reais

Para treinar e testar sua abordagem, os pesquisadores usaram dados reais de perfuração de vários poços em um único bloco da Bacia de Sichuan. Começaram com 12 medições comuns, incluindo profundidade, velocidade de rotação, propriedades do lamaçal e força na broca, e então usaram um teste padrão de correlação para reduzir para 10 as variáveis mais relevantes para prever a taxa de penetração. Como os dados de perfuração são naturalmente ordenados no tempo, evitaram embaralhamento aleatório e mantiveram a sequência intacta, usando os primeiros 80% de cada conjunto ordenado para treinamento e os 20% restantes para teste. Também descobriram que os trechos rasos acima de 3.000 metros apresentavam flutuações intensas devido à geologia variável e ajustes frequentes de equipamento, tornando-os ruidosos e difíceis de modelar. Ao focar em seções mais profundas e mais estáveis, melhoraram substancialmente a precisão.

O que o modelo híbrido faz melhor

A equipe comparou cuidadosamente diferentes formas de organizar os dados e diferentes arquiteturas de modelo. Quando usavam apenas um poço por vez, a qualidade da previsão era modesta. Combinar vários poços do mesmo bloco e ordenar os dados pela sequência real de perfuração em cada poço melhorou o desempenho, pois preservou a relação natural de causa e efeito entre escolhas operacionais e a resposta da rocha. Um modelo apenas com transformer já superava métodos tradicionais, mas o modelo híbrido — em que a rede convolucional temporal alimenta o transformer — teve o melhor desempenho de todos. Ele alcançou um coeficiente de determinação próximo de 0,99 nos dados do bloco e manteve precisão similar ao prever um novo poço que não foi usado no treinamento, superando claramente árvores com boosting de gradiente padrão e um modelo convolucional com LSTM.

Do modelo de pesquisa à ferramenta de campo

Para entender por que a fusão funciona tão bem, os autores realizaram testes que desativaram ou alteraram peças individuais do modelo. Remover a estrutura "dilatada" das convoluções temporais, reduzir a janela de dados passados ou substituir a rede convolucional temporal por um front-end convolucional mais simples reduziram a acurácia. Os melhores resultados vieram quando o modelo podia ver cerca de 30 passos de tempo consecutivos, usar parâmetros de convolução cuidadosamente ajustados para capturar padrões de curto e médio alcance e deixar que o transformer tratasse as ligações de longo alcance. Essa combinação permitiu ao sistema generalizar entre poços com geologia semelhante, sugerindo que, com algum ajuste fino, poderia ser adaptado a outros blocos também.

O que isso significa para a perfuração futura

O estudo mostra que um híbrido bem projetado de duas técnicas modernas de IA pode prever a velocidade de perfuração em poços profundos com alta precisão em um cenário real de campo petrolífero. Para os engenheiros, isso significa previsões mais confiáveis de quão rápido um poço pode ser perfurado, melhor planejamento de execuções de broca e programas de lama e respostas mais rápidas a problemas emergentes no furo. Embora o modelo atual ainda não inclua medições detalhadas de propriedades das rochas e precise ser testado em regiões geologicamente mais diversas, ele representa um passo significativo rumo a sistemas de suporte inteligentes, em tempo real, que ajudam a perfurar de forma mais segura, rápida e com menor custo.

Citação: 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

Palavras-chave: perfuração de poços profundos, previsão da taxa de penetração, aprendizado de máquina na perfuração, modelagem de séries temporais, redes neurais híbridas