纽芬兰与拉布拉多油井间机器学习对声波测井的预测

在没有麦克风的情况下“听”岩石

石油和天然气公司依赖声学“声波”工具来监听声波如何穿过地下岩石。这些详尽的测量帮助工程师评估岩石强度、规划安全井位，并将钻井数据与地震勘测匹配。但声波工具昂贵，会拖慢作业，有时甚至无法部署。本研究展示了如何用机器学习从更便宜且常规采集的测量中重建声波信息，提供在“麦克风”缺失时仍能“听见”地下结构的方法。

为什么预测声波数据很重要

在海上钻井中，操作方会记录多种测井：自然放射性、钻速、泵速、钻头受力等。声波测井之所以特殊，是因为它揭示了声波在岩石中传播的速度，这是估算岩石刚度、压力和应力的关键输入。当无法使用声波工具时，工程师不得不面对数据空白或依赖粗略的经验规则。通过机器学习将常见的非声波测井转换为准确的“伪声波”曲线，公司可以减少数据采集成本、填补缺失段，并仍能就井壁稳定性和储层行为做出可靠判断。

谨慎的流程以避免作弊

作者使用了来自纽芬兰与拉布拉多两口海上油井的数据。对每个深度点，他们仅使用非声波测量来预测纵波慢度（表示声波通过岩石所需时间的一种方式）。关键在于，他们禁止任何直接或间接使用声波数据的输入，例如基于声波导出的弹性属性。特征也只用同一深度或更浅深度的信息构建，模拟实时钻井时未知未来的情形。传感器读数中的异常值仅用一口“训练”井的统计量识别，然后在两口井中以相同方式处理，确保模型不能偷偷从测试数据中学习。所有的缩放和特征选择也都先在训练井上固定，再原封不动地应用到另一口井上。

将原始测井转为可学习的信号

仅将原始测井直接输入算法往往不足。团队设计了一套丰富的、与深度相关的特征：跟踪每个测井随深度的变化，在多个尺度上平滑噪声信号，计算斜率与曲率以突显局部趋势。他们还将深度按钻孔段表示，捕捉钻头尺寸变化时重复出现的模式。为防止模型被淹没，他们用三种不同方法对特征进行排序并将排序结果合并为单一有序列表。然后在训练井内使用时间感知的划分选出一组精简且信息量最高的特征，使得特征选择过程本身也尊重随深度的自然顺序。

基于树的方法优于深度学习

研究比较了三类模型：随机森林、XGBoost（流行的梯度提升方法）和用于序列数据的双向 LSTM 神经网络。每个模型都在一口井上训练，并在另一口井上盲测，这是一个严苛的设置，会暴露出井间在深度范围、作业条件和岩性上的差异。在该测试下，XGBoost 表现最好，当在第一口井训练并应用于第二口井时，预测与测量的声波曲线高度一致。随机森林紧随其后，在噪声较大的区段有时更稳定。尽管结构更复杂，LSTM 在准确性和鲁棒性上落后，可能原因是只有两口井且数据随深度和条件变化显著，这些情况并不利于大型神经网络的表现。

是什么驱动了准确性及其适用场景

通过开关不同的预处理步骤，作者表明智能的特征生成与选择对性能的提升最大，效果超过仅仅加入更长的历史窗口或基本的异常值过滤。当包括这些步骤时，基于树的模型在井间的泛化能力大幅提升。由此生成的伪声波测井足够准确，可用于下游任务，例如估算岩石刚度、模拟孔隙压力与应力、校准地震数据以及在直接声波测量缺失、延迟或不可靠的区段规划井位。由于所有变换都在参考井上固定后复用，该工作流几乎可以在钻井实时运行时使用。

对非专业读者的要点

这项工作表明，通过严谨的数据处理和明智选择的机器学习模型，可以在模型从未见过的新井中，从更便宜的钻井与测井通道重建出高价值的声波信息。该方法并不取代专用的声波工具，特别是在安全裕度严格的场合，但它提供了一个实用且经济的备用方案，并可作为当测量数据看起来可疑时的质量检查。随着更多油井与地区被加入并在同样严格的规则下测试更新的模型，这类井间预测可能会成为更安全、更高效的海上钻井数字工具箱的标准组成部分。

引用: Zare, B., Huque, M.M., James, L.A. et al. Cross-well machine learning prediction of sonic logs in Newfoundland and Labrador. Sci Rep 16, 5292 (2026). https://doi.org/10.1038/s41598-026-36053-9

关键词: 机器学习, 声波测井, 测井, 海上钻井, 储层表征