摘要：实时准确预测钻进参数变化趋势对现场钻井作业具有重要参考价值。针对智能模型在现场作业应用中面临的钻进参数可获取性限制，提出了一种基于注意力时域卷积网络(AT-TCN)的钻进参数超前预测方法。该方法不仅考虑了录井曲线随深度变化的趋势和自相关性，同时嵌入高拓展性的注意力机制模块，使模型更好地捕捉钻进参数的动态变化。利用现场钻井数据集测试，评估了模型在预测4种关键钻进参数(扭矩、立管压力、钻井液当量密度和机械钻速)方面的有效性和准确性。研究结果表明：AT-TCN预测当量密度的准确率最高达到99%,且在模型精度和计算效率上，均优于其他4种深度学习模型，能够有效捕捉钻进参数的变化趋势。AT-TCN还提供模型的双重可解释性，可从时序和特征维度方面反映输入序列对预测结果的影响。研究结果有望为钻井作业的安全性、高效性作出重要贡献，具有较强的落地应用价值。

关键字：钻进参数;智能模型;超前预测;注意力机制;时序卷积网络;可解释性

ISSN号：1001-4578

卷、期、页：卷52期4：1-10

发表日期：2024-04-10

期刊分区（SCI为中科院分区）：无

收录情况：北大中文核心期刊,地学领域高质量科技期刊分级目录（国内T3）

发表期刊名称：石油机械

参与作者：朱硕

通讯作者：张瑞,李大钰

第一作者：祝兆鹏,宋先知,李根生,张诚恺

论文类型：期刊论文

论文概要：张瑞,祝兆鹏,李大钰,宋先知,李根生,张诚恺,朱硕，基于改进时序网络的钻进参数可解释实时预测，石油机械，2024，卷52期4：1-10

论文题目：基于改进时序网络的钻进参数可解释实时预测