TCN-transformer modeli temelinde derin kuyu sondajı delme hızı (penetrasyon hızı) tahmin yöntemine yönelik araştırma

Neden yeraltında sondaj hızı önemlidir

Bir petrol veya gaz kuyusunu delmeye harcanan her ekstra saat maliyet, ekipman aşınması ve yakıt tüketimi demektir. Mühendislerin izlediği kilit değerlerden biri, matkabın kayayı ne kadar hızlı kestiği; buna penetrasyon hızı denir. Bu hız önceden doğru şekilde tahmin edilebilseydi, şirketler daha akıllı sondaj programları tasarlayabilir, zorlu kayalarda zaman kaybını önleyebilir ve derin, sıcak formasyonlardaki riskleri azaltabilirdi. Bu çalışma, iki modern yapay zeka aracını birleştirerek çok derin kuyularda sondaj hızını daha doğru tahmin eden yeni bir yaklaşım sunuyor.

Yüzeyin kilometrelerce altında sondaj yapmanın zorluğu

Derin kuyular sığ kuyulardan çok daha sert koşullarla karşılaşır. Yerin birkaç kilometre altında sıcaklıklar 150 °C'yi aşabilir ve basınçlar yükselerek hem kayaları hem de kuyuyu mühürleyen çimentoyu değiştirir. Çin’in Tarim ve Sichuan havzaları gibi yerlerde bazı kuyular 7.000 metrenin ötesine ulaşır. Bu aşırı koşullar altında, geleneksel formül tabanlı yöntemler sondaj hızını tahmin etmekte zorlanır çünkü kaya dayanımı, akışkan davranışı ve sondaj donanımı sonucu karmaşık ve değişken biçimlerde etkiler. Daha önceki istatistiksel ve makine öğrenimi yaklaşımları yardımcı olduysa da, genellikle her ölçümü izole bir nokta olarak ele alıp sondajın kuyu boyunca sürekli olarak nasıl geliştiğini göz ardı ettiler.

Sondajı zamana dayalı bir öyküye dönüştürmek

Yazarlar sondaj hızını bir zaman serisi olarak ele alıyor: derinlik ve zamanla sürekli gelişen bir öykü. Yapay zeka alanından iki modern sıra-modelleme fikrinden yararlanıyorlar. Birincisi, zaman serisi konvolüsyon ağı (temporal convolutional network) olarak adlandırılan yapı, örtüşen pencerelerle diziyi tarayarak kısa ve orta menzilli desenleri buluyor—örneğin bit üzerindeki ağırlık veya dönüş hızındaki bir değişikliğin birkaç an sonra sondaja nasıl etki ettiğini. İkincisi, transformer, dizideki uzak noktaları bağlamada üstün; binlerce metreyi kapsayabilecek uzun vadeli ilişkileri yakalayabiliyor. Bu ikisini harmanlayarak model önce yerel detaylı özellikleri çıkarıyor, ardından kuyunun farklı aşamalarını bağlayan daha geniş, küresel eğilimleri öğreniyor.

Gerçek saha verilerinden daha akıllı bir öngörücü inşa etmek

Yaklaşımlarını eğitmek ve test etmek için araştırmacılar Sichuan Havzası’ndaki tek bir bloktaki birden çok kuyudan alınmış gerçek sondaj verilerini kullandılar. Derinlik, dönüş hızı, çamur özellikleri ve bit üzerindeki kuvvet dahil olmak üzere 12 yaygın ölçümle başladılar; daha sonra sondaj hızını tahmin etmede en çok önem taşıyan 10 tanesini standart bir korelasyon testiyle daralttılar. Sondaj verileri doğal olarak zamana göre sıralı olduğundan rastgele karıştırmadan kaçındılar ve her sıralı veri setinin ilk %80’ini eğitim, kalan %20’sini test için kullandılar. Ayrıca 3.000 metre üstündeki sığ bölümlerin değişken jeoloji ve sık ekipman ayarlamaları nedeniyle vahşi dalgalanmalar gösterdiğini; bunun da veriyi gürültülü ve modellenmesi zor hâle getirdiğini tespit ettiler. Daha derin ve daha kararlı bölümlere odaklanarak doğruluğu önemli ölçüde artırdılar.

Hibrit modelin daha iyi yaptığı şeyler

Araştırma ekibi verileri farklı biçimlerde düzenlemeyi ve farklı model tasarımlarını dikkatle karşılaştırdı. Sadece tek bir kuyu kullanıldığında tahmin kalitesi ılımlı kaldı. Aynı bloktaki birden çok kuyuyu birleştirmek ve verileri her kuyudaki gerçek sondaj sırasına göre düzenlemek performansı iyileştirdi; bu, işletme seçimleri ile kayanın tepkisi arasındaki doğal neden-sonuç ilişkisini korudu. Sadece transformer kullanan bir model geleneksel yöntemlerden daha iyi sonuç veriyordu, ancak temporal convolutional network’ün transformer’a beslendiği hibrit model en iyi performansı gösterdi. Blok verisinde yaklaşık 0,99 determinasyon katsayısına ulaştı ve eğitimde kullanılmayan yeni bir kuyuyu tahmin ederken benzer doğruluğu koruyarak standart gradyan artırmalı ağaçları ve konvolüsyon artı LSTM modelini açıkça geride bıraktı.

Araştırma modelinden saha aracına

Harmanlamanın neden bu kadar iyi çalıştığını anlamak için yazarlar modelin bireysel parçalarını devre dışı bırakan veya değiştiren testler yaptılar. Temporal konvolüsyonların "dilate" (genişletilmiş) yapısını kaldırmak, geçmiş verinin penceresini daraltmak veya temporal convolutional network yerine daha basit bir konvolüsyonel ön uç kullanmak doğruluğu düşürdü. En iyi sonuçlar modelin yaklaşık 30 ardışık zaman adımını görebildiği, kısa ve orta menzilli desenleri yakalamaya yönelik özenle ayarlanmış konvolüsyon parametrelerinin kullanıldığı ve transformerin uzun menzilli bağlantıları ele aldığı durumlarda elde edildi. Bu kombinasyon, benzer jeolojiye sahip kuyular arasında genelleme yapmayı sağladı ve uygun ince ayarlarla diğer bloklara da uyarlanabileceğini gösterdi.

Gelecekteki sondaj için anlamı

Çalışma, iki modern yapay zeka tekniğinin düşünceli bir şekilde tasarlanmış bir hibritinin gerçek bir petrol sahası ortamında derin kuyu sondaj hızını yüksek doğrulukla tahmin edebileceğini gösteriyor. Mühendisler için bu, bir kuyunun ne kadar hızlı delinmesine ilişkin daha güvenilir öngörüler, matkap operasyonları ve çamur programlarının daha iyi planlanması ve ortaya çıkan kuyu içi sorunlara daha hızlı tepkiler anlamına geliyor. Mevcut model hâlen ayrıntılı kayaç özellikleri ölçümlerini içermiyor ve jeolojik açıdan daha çeşitli bölgelerde ek teste ihtiyaç duyuyor olsa da, daha güvenli, daha hızlı ve daha düşük maliyetli sondaja yardımcı olacak gerçek zamanlı, akıllı destek sistemlerine doğru önemli bir adımı temsil ediyor.

Atıf: 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

Anahtar kelimeler: derin kuyu sondajı, penetrasyon hızı tahmini, sondajda makine öğrenimi, zaman serisi modelleme, hibrit sinir ağları