Исследование метода прогнозирования скорости проходки в глубоких скважинах на основе модели TCN-transformer

Почему скорость бурения важна под землей

Каждый лишний час бурения нефтяной или газовой скважины обходится в деньги, износ оборудования и расход топлива. Ключевой показатель, за которым следят инженеры, — скорость, с которой долото проходит породу, называемая скоростью проходки. Если эту величину можно было бы точно прогнозировать заранее, компании могли бы проектировать более эффективные программы бурения, избегать потерь времени в сложных породах и снижать риски в глубоких, горячих формациях. В этом исследовании представлен новый способ прогнозирования скорости проходки в очень глубоких скважинах путем объединения двух современных инструментов искусственного интеллекта в одну, более точную модель.

Проблема бурения на километры ниже поверхности

Глубокие скважины сталкиваются с куда более суровыми условиями, чем мелкие. На глубинах в несколько километров температура может превышать 150 °C, а давление резко возрастает, что меняет как сами породы, так и цемент, заполняющий скважину. В районах, таких как бассейны Тарим и Сычуань в Китае, некоторые скважины достигают глубин более 7000 метров. При таких экстремальных условиях традиционные формульные методы испытывают трудности при оценке скорости проходки, поскольку прочность пород, поведение промывочной жидкости и характеристики бурового оборудования оказывают сложное и изменяющееся влияние на процесс. Ранние статистические и машинно-обучающие подходы помогали, но часто рассматривали каждое измерение как изолированную точку, игнорируя то, как бурение разворачивается как непрерывный процесс вдоль ствола.

Преобразование бурения в историю во времени

Авторы рассматривают скорость проходки как временной ряд: историю, которая развивается последовательно по глубине и времени. Они опираются на две современные идеи моделирования последовательностей из области ИИ. Первая, называемая временной сверточной сетью (temporal convolutional network, TCN), сканирует последовательность с перекрывающимися окнами, выявляя кратко- и среднесрочные закономерности — например, как изменение нагрузки на долото или частоты вращения влияет на бурение через несколько мгновений. Вторая, известная как трансформер, отлично справляется со связыванием удаленных точек в последовательности, фиксируя долгосрочные отношения, которые могут простираться на тысячи метров бурения. Сочетая эти два подхода, модель сначала извлекает детализированные локальные признаки, а затем изучает более широкие глобальные тренды, связывающие разные этапы проходки.

Построение более умного предсказателя на основе полевых данных

Для обучения и тестирования своего подхода исследователи использовали реальные данные бурения из нескольких скважин в одном блоке Сычуаньского бассейна. Они начали с 12 распространенных измерений, включая глубину, частоту вращения, свойства промывочной жидкости и нагрузку на долото, затем с помощью стандартного теста корреляции сузили набор до 10 наиболее значимых для прогнозирования скорости проходки. Поскольку данные бурения по своей природе упорядочены во времени, исследователи избегали случайной перестановки и сохранили последовательность, использовав первые 80 процентов каждого упорядоченного набора данных для обучения и оставшиеся 20 процентов для тестирования. Они также обнаружили, что мелкие интервалы выше 3000 метров демонстрировали резкие колебания из‑за переменчивой геологии и частых регулировок оборудования, что делало эти участки шумными и трудными для моделирования. Сфокусировавшись на более глубоких и стабильных участках, они значительно повысили точность.

В чем гибридная модель лучше

Команда тщательно сравнила разные способы организации данных и различные архитектуры модели. При использовании данных лишь одной скважины качество прогноза было умеренным. Объединение нескольких скважин из одного блока и упорядочение данных по фактической последовательности бурения в каждой скважине улучшило результаты, поскольку сохранялось естественное причинно‑следственное соотношение между операционными решениями и реакцией породы. Модель только на трансформере уже показывала лучшие результаты по сравнению с традиционными методами, но гибридная модель — где временная сверточная сеть передает признаки трансформеру — показала наилучшие результаты. Она достигла коэффициента детерминации около 0,99 на данных блока и сохранила сопоставимую точность при прогнозировании новой скважины, не использованной в обучении, явно превосходя стандартные градиентные ансамбли и модель «свертка + LSTM».

От исследовательской модели к полевому инструменту

Чтобы понять, почему слияние работает так хорошо, авторы провели тесты с отключением или изменением отдельных частей модели. Удаление «дилатированной» структуры временных сверток, уменьшение окна прошлых данных или замена TCN на более простую сверточную фронт‑часть все снижало точность. Лучшие результаты получались, когда модель видела примерно 30 последовательных временных шагов, использовала тщательно настроенные параметры сверток для захвата кратко‑ и среднесрочных закономерностей и позволяла трансформеру обрабатывать долгосрочные связи. Такое сочетание позволило системе обобщать результаты между скважинами с похожей геологией, что указывает на возможность адаптации модели к другим блокам при небольшой дополнительной настройке.

Что это означает для будущего бурения

Исследование показывает, что продуманно спроектированный гибрид двух современных методов ИИ способен с высокой точностью прогнозировать скорость проходки в глубоких скважинах в реальных полевых условиях. Для инженеров это означает более надежные прогнозы о том, как быстро можно пробурить скважину, лучшее планирование замен долот и программ промывки, а также более оперативное реагирование на возникающие аварийные ситуации в стволе. Хотя текущая модель пока не включает детализированные измерения свойств пород и требует дальнейшей проверки в геологически более разнообразных регионах, она представляет собой важный шаг к интеллектуальным системам поддержки в реальном времени, которые помогают бурить безопаснее, быстрее и дешевле.

Цитирование: 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

Ключевые слова: бурение глубоких скважин, прогноз скорости проходки, машинное обучение в бурении, моделирование временных рядов, гибридные нейронные сети