一种用于碳酸盐岩储层孔隙压力和破裂梯度预测的物理驱动混合机器学习框架

为何保持井筒安全至关重要

当工程师在海底深处钻探石油和天然气时，必须谨慎平衡钻井液的压力与岩石的天然压力。如果估计过低，流体可能涌入井内，引发危险的井喷或冲击。如果估计过高，岩石可能破裂并吞没钻井泥浆，造成时间和资金损失。本文提出了一种在复杂碳酸盐岩中更准确预测这些压力的新方法，结合了传统物理学原理与现代机器学习。

棘手的碳酸盐岩问题

在任何地下岩层中，困在微小孔隙中的流体以地质学所称的孔隙压力向外施压。覆盖在该岩层上的所有重物产生向下的挤压力。两者共同决定了钻井泥浆需具备的密度以保持井筒稳定。在理想均质的岩石中，长期使用的公式可以相当准确地估算这些压力。但海上碳酸盐岩储层远非均质：它们含有空洞、致密层、天然裂缝和突变的岩性。在这种环境下，行业常用方法常常难以奏效，而井下直接测压工具的数据又稀少且成本高昂，无法在每处取样。

将物理规则与数据学习相结合

作者提出了一个专为这些复杂碳酸盐岩设计的混合框架。首先，他们运行业界熟悉的公式，将岩石中的声波、电阻率和钻井行为等测量值转换为孔隙压力和引发破裂所需压力的估计值。新方法并不简单采纳这些估计值，而是加入了一个自适应校准层，该层利用为数不多的高质量压力观测对传统随深度变化的曲线进行温和修正。此步骤在保留总体物理趋势平滑性的同时，纠正由非同寻常的岩性或流体条件引入的局部偏差。

随深度调整的智能层

自适应校准层像一座灵活的桥梁，连接教科书方程与实际观测。在每一深度处，它通过将各经典方法的预测与附近的直接测量值比较，学习应给予每种方法多少信任。然后它分配一个随深度变化的权重，将经典曲线向现实轻推，而不允许出现剧烈振荡。经校准的输出连同标准测井记录和钻井参数一起输入到梯度提升学习模型中。该机器学习引擎擅长识别微妙的非线性模式，但其输入由物理上合理且经校准的数据锚定，从而降低了对噪声或有限数据过拟合的风险。

更精确的预测与更清晰的安全裕度

为验证该框架，团队将其应用于伊朗近海某碳酸盐气田的六口井。与校准前的表现相比，传统公式在用直接测量调优后显著改善。然而混合模型仍表现更优，将典型预测误差大约降低了60%，并将拟合优度推近通常仅在表现良好的碎屑岩中才能见到的水平。一个不确定性模块反复扰动输入数据并重训练模型，以构建可能的压力剖面集合。由此，该方法生成按深度给出的置信带，通常只有几十分之一兆帕宽，给钻井工程师一个量化的可操作余地感。

对更安全更经济钻井的意义

对非专业读者来说，核心信息很直接：这种混合方法为钻井工程师提供了更清晰的地下压力分布图及其置信程度。通过收紧对岩中流体压力和会引起破裂的压力的不确定性，作业方可以设计既不那么保守又依然安全的泥浆方案，避免流体涌入和昂贵的泥浆丢失。在传统经验法常常失灵的复杂碳酸盐岩中，将基于物理的模型与自适应校准和机器学习相结合，为更安全、更高效的钻井决策提供了一条务实路径。

引用: Tahvildari, S.P., Shojaei, S. & Masihi, M. A physics-informed hybrid ML framework for pore pressure and fracture gradient prediction in carbonate reservoirs. Sci Rep 16, 8925 (2026). https://doi.org/10.1038/s41598-026-41773-z

关键词: 孔隙压力预测, 破裂梯度, 碳酸盐岩储层, 混合机器学习, 井筒稳定性