Forskning om prognosmetod för genomträngningshastighet vid djupbrunnsborrning baserad på en TCN-transformer-modell

Varför borrhastighet spelar roll under jord

Varje extra timme som läggs på att borra en olje- eller gasbrunn kostar pengar, orsakar slitage på utrustningen och ökar bränsleförbrukningen. En nyckelstorhet som ingenjörer följer är hur snabbt borrkronan bryter igenom berget — kallad genomträngningshastighet. Om denna hastighet kunde förutses noggrant i förväg skulle företag kunna utforma smartare borrprogram, undvika tidsödande arbete i svårgenomträngliga berglager och minska riskerna i djupa, heta formationer. Denna studie presenterar ett nytt sätt att prognostisera borrhastighet i mycket djupa brunnar genom att kombinera två moderna artificiella intelligensmetoder till en enda, mer exakt modell.

Utmaningen med att borra flera kilometer under ytan

Djupa brunnar möter betydligt hårdare förhållanden än grunda. Flera kilometer under mark kan temperaturerna överstiga 150 °C och trycken bli mycket höga, vilket ändrar både bergarterna och cementen som tätar brunnen. I områden som Kinas Tarim- och Sichuanbassänger når vissa brunnar djup bortom 7 000 meter. Under dessa extrema förhållanden har traditionella formelbaserade metoder svårt att uppskatta borrhastigheten eftersom bergstyrka, vätskebeteende och borrutrustning alla påverkar resultatet på komplexa och föränderliga sätt. Tidigare statistiska och maskininlärningsmetoder hjälpte visserligen, men de behandlade ofta varje mätning som en isolerad punkt och bortsåg från hur borrningen utvecklas som en kontinuerlig process längs brunnen.

Att omvandla borrning till en tidsbaserad berättelse

Författarna behandlar borrhastigheten som en tidsserie: en berättelse som utvecklas stadigt med djup och tid. De bygger på två moderna sekvensmodellidéer från artificiell intelligens. Den första, kallad temporal convolutional network (TCN), skannar längs sekvensen med överlappande fönster och fångar kort- och medelräckviddsmönster — exempelvis hur en förändring i belastning på kronan eller rotationshastighet påverkar borrningen några ögonblick senare. Den andra, känd som transformer, är skicklig på att koppla ihop avlägsna punkter i en sekvens och fångar långräckviddsrelationer som kan sträcka sig över tusentals meter borrning. Genom att förena dessa två extraherar modellen först detaljerade lokala egenskaper och lär sig sedan bredare, globala trender som förbinder olika stadier av brunnen.

Bygga en smartare prediktor från verkliga fältdatapunkter

För att träna och testa sitt tillvägagångssätt använde forskarna verkliga borrdata från flera brunnar i ett enda block i Sichuanbassängen. De började med 12 vanliga mätvärden, inklusive djup, rotationshastighet, slamegenskaper och kraft på kronan, och använde sedan ett standardkorrelationstest för att begränsa detta till 10 som påverkade prognosen mest. Eftersom borrdata naturligt är ordnade i tid undvek de slumpmässig omordning och behöll sekvensen intakt, med de första 80 procenten av varje ordnade dataset för träning och de återstående 20 procenten för testning. De upptäckte också att grunda sektioner ovanför 3 000 meter visade kraftiga svängningar på grund av varierande geologi och frekventa utrustningsjusteringar, vilket gjorde dem brusiga och svåra att modellera. Genom att fokusera på djupare, mer stabila sektioner förbättrades noggrannheten avsevärt.

Vad den hybrida modellen gör bättre

Teamet jämförde noggrant olika sätt att organisera data och olika modelldesigner. När de använde endast en brunn åt gången var prediktionskvaliteten måttlig. Att kombinera flera brunnar från samma block och ordna data enligt den faktiska borrsekvensen i varje brunn förbättrade prestandan, eftersom detta bevarade det naturliga orsak-och-verkan-förhållandet mellan driftval och bergsrespons. En endaste transformer-modell presterade redan bättre än traditionella metoder, men den hybrida modellen — där temporal convolutional network matar in i transformern — gav bäst resultat av alla. Den uppnådde en determinationskoefficient nära 0,99 på blockdata och höll liknande noggrannhet när den prognostiserade en ny brunn som inte användes vid träning, klart överlägsen standardmetoder som gradientförstärkta träd och en konvolutions- plus LSTM-modell.

Från forskningsmodell till fältverktyg

För att förstå varför fusionen fungerar så väl genomförde författarna tester där de stängde av eller ändrade enskilda delar av modellen. Att ta bort den "dilaterade" strukturen i de temporala konvolutionerna, krympa fönstret för tidigare data eller ersätta temporal convolutional network med en enklare konvolutionsfront minskade alla noggrannheten. De bästa resultaten kom när modellen kunde se omkring 30 på varandra följande tidsteg, använda noggrant inställda konvolutionsparametrar för att fånga kort- och medelräckviddsmönster och låta transformern hantera långräckviddskopplingarna. Denna kombination gjorde det möjligt för systemet att generalisera över brunnar med liknande geologi, vilket tyder på att det, med viss finjustering, också kan anpassas till andra block.

Vad detta innebär för framtida borrning

Studien visar att en genomtänkt hybrid av två moderna AI-tekniker kan förutsäga borrhastighet i djupa brunnar med hög precision i en verklig oljeproduktionsmiljö. För ingenjörer innebär detta mer pålitliga prognoser för hur snabbt en brunn kan borras, bättre planering av borrkörningar och slamprogram samt snabbare respons på uppkommande problem i brunnen. Även om den nuvarande modellen ännu inte inkluderar detaljerade bergartsegenskaper och fortfarande behöver testas i mer geologiskt varierade regioner, markerar den ett betydande steg mot intelligenta, realtidssystem som hjälper till att borra säkrare, snabbare och till lägre kostnad.

Citering: 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

Nyckelord: djupbrunnsborrning, prognos för genomträngningshastighet, maskininlärning vid borrning, tidsserie­modellering, hybrida neurala nätverk