基于改進時序網絡的鉆進參數可解釋實時預測

張瑞 祝兆鵬 李大鈺 宋先知 李根生 張誠愷 朱碩

實時準確預測鉆進參數變化趨勢對現場鉆井作業具有重要參考價值。針對智能模型在現場作業應用中面臨的鉆進參數可獲取性限制，提出了一種基于注意力時域卷積網絡（AT-TCN）的鉆進參數超前預測方法。該方法不僅考慮了錄井曲線隨深度變化的趨勢和自相關性，同時嵌入高拓展性的注意力機制模塊，使模型更好地捕捉鉆進參數的動態變化。利用現場鉆井數據集測試，評估了模型在預測4種關鍵鉆進參數（扭矩、立管壓力、鉆井液當量密度和機械鉆速）方面的有效性和準確性。研究結果表明：AT-TCN預測當量密度的準確率最高達到99%，且在模型精度和計算效率上，均優于其他4種深度學習模型，能夠有效捕捉鉆進參數的變化趨勢。AT-TCN還提供模型的雙重可解釋性，可從時序和特征維度方面反映輸入序列對預測結果的影響。研究結果有望為鉆井作業的安全性、高效性作出重要貢獻，具有較強的落地應用價值。

鉆進參數；智能模型；超前預測；注意力機制；時序卷積網絡；可解釋性

Interpretable Real-Time Prediction of Drilling Parameters

Based on Improved Sequential Network

Real-time accurate prediction on variation trend of drilling parameters has important reference value for field drilling operations.In order to solve the limitations of drilling parameter availability faced by intelligent model in field operation，a drilling parameter prediction method based on Attention-Temporal Convolutional Network （AT-TCN） was proposed.This method not only takes into account the variation trend of mud logging curve with depth and its autocorrelation，but also embeds a highly expansible attention mechanism module，allowing the model to better capture the dynamic change of drilling parameters.Then，the field drilling data set was used to test and evaluate the effectiveness and accuracy of the model in predicting four key drilling parameters such as torque，standpipe pressure，equivalent density of drilling fluid and ROP.The research results show that AT-TCN can predict equivalent density with an accuracy up to 99%.It is superior to the other four deep learning models in terms of model accuracy and computational efficiency，and it can effectively capture the variation trend of drilling parameters.AT-TCN also provides dual interpretability of the model，and reflects the influence of input sequence on prediction results from both sequential and characteristic dimensions.The research results are expected to make important contributions to the safety and efficiency of drilling operations，and have strong practical application value.

drilling parameter；intelligent model；advance prediction；attention mechanism；TCN；interpretability

0 引 言

綜合錄井作為石油勘探領域的關鍵技術，為科研人員提供了豐富的地層信息和工程信息［1］。基于該技術，現場工程師能夠實時監控鉆井關鍵參數變化，包括轉盤扭矩、鉆頭狀態、鉆井液性能等，從而判斷可能出現的井下復雜情況，并及時做出決策調整。近年來，隨著人工智能技術的迅速發展，國內外很多學者將其用于解決石油工程領域中包括效率、質量、安全等多個方面的難題［2］。其中：基于工程錄井參數可實現機械鉆速智能預測［3-5］，井眼軌跡智能優化［6-8］，地層、井筒壓力實時監測［9-11］，卡鉆、井漏等鉆井事故的預警及診斷［12-15］，以及儲層產能評價［16］，從而幫助優化鉆井作業流程，實現安全高效鉆井。

然而，多數智能模型在現場應用中常面臨同一個窘境。智能模型在訓練階段通常需要以隨鉆測量或綜合錄井等歷史數據作為輸入，因此模型在預測階段也需輸入相同特征參數，這導致關鍵參數的預測存在時間悖論，即難以在預測階段使用當前時刻尚未獲得的數據。另外，由于現場作業的復雜性和波動性，采集的錄井數據會伴隨大量環境噪聲甚至存在缺失［17］，加之人工判斷的不確定性和偶然性，這極大地限制了智能模型的實時監測和預測能力，對鉆井作業的安全性和效率產生不利影響。因此，亟需一種新的方法來預測鉆進參數的動態變化，以解決智能模型落地應用難的問題。

針對上述問題，已有少數學者開展了相關研究。宋先知等［18］基于鉆井數據的時序性特征，建立了反向傳播神經網絡（BP）與長短期記憶網絡（LSTM）并聯的大鉤載荷、轉盤扭矩智能預測模型。朱曉東等［19］基于分層模糊系統，建立了鉆井工程參數預測模型，實現了大鉤載荷和立管壓力的趨勢預測。R.KHOSRAVANIAN等［20］以滲透率、鉆井液密度、立管壓力和流量等參數作為輸入，建立了基于模糊推理的鉆壓預測模型。M.OYEDERE等［21］利用5種機器學習模型對鉆頭扭矩進行預測。在測井領域中，張東曉等［22］、陳云天［23］考慮測井曲線隨深度的變化趨勢以及自相關性，提出了串級LSTM補全和生成測井曲線的方法。然而，目前尚未有文獻針對鉆進參數的預測提出一種時效性強且可解釋的方法。基于此，

本文提出了一種基于注意力機制的時域卷積網絡（AT-TCN）的鉆進參數超前預測方法，并基于現場實測數據對AT-TCN模型進行驗證，評估了其在4種常見鉆進參數（扭矩、立壓、鉆井液當量密度和機械鉆速）預測方面的有效性和準確性；針對不同任務場景，提出了多元單步輸出和多元多步輸出模型框架，實現鉆進參數實時超前預測。與可自解釋LSTM（SI-LSTM［9］）網絡模型相比，所提出的方法實現了鉆進參數的準確、高效和穩定預測，能夠實時反映鉆進參數的趨勢變化。

1 相關原理

1.1 時域卷積網絡

時域卷積網絡（TCN）是在原有卷積神經網絡（CNN）基礎上改進的卷積網絡，旨在有效捕捉時序數據中的長期依賴關系［24］。TCN的核心結構是因果卷積層與膨脹卷積層。因果卷積層通過左填充的方式確保模型僅在過去的時序序列中進行卷積操作，避免了未來信息泄漏；膨脹卷積層通過增加卷積層的步幅，擴大了卷積核的感受野。通過不斷增大的膨脹率，TCN能夠有效捕捉時間序列中不同時間尺度的模式和依賴關系。為了處理長序列輸入任務并有效減少參數量，網絡中引入了殘差連接，減輕了信息傳遞過程中的梯度消失和信息損失問題。

1.2 TCN特征

為了應對網絡深度增加而導致的梯度流動問題，在TCN每層卷積后引入了權重歸一化與Dropout層。通過引入時序注意力機制，計算每個時間步的權重，將注意力集中在關鍵的時間步上，使網絡能夠自動學習時間序列的關鍵片段，從而提高模型準確性；通過引入特征注意力機制，計算每個特征在不同時間步的權重，使網絡能夠自適應學習輸入序列中不同特征的重要性，更好地捕捉到輸入序列中與目標變量相關的關鍵特征。

相較于LSTM網絡［25］及其他傳統時序網絡，TCN 具備可并行、快速收斂和跨時域建模的優勢，為錄井曲線的趨勢分析和預測任務提供了保障。

2 數據準備與問題重述

現場收集的初始錄井數據由于井下復雜多變的環境而混入噪聲，甚至出現異常無效值。低質量的數據會大幅降低智能模型的預測精度，導致模型出現災難性結果。因此，本文對原始數據進行了數據預處理，并利用滑動窗口法重新構建了用于時序模型的序列樣本。數據處理總體流程如圖1所示。

2.1 數據清洗與滑動濾波

本研究的數據為國內錦州區塊某4口井，共13 089條現場實測錄井數據，通過Python編碼進行3σ異常值剔除［26］和線性插值補全操作，清洗后的8種參數統計特征如表1所示。

利用滑動平均濾波對清洗數據進行降噪處理。該方法可以有效降低數據中的噪聲干擾，更好地表現數據的整體趨勢與變化。此外，滑動平均濾波是一種在線處理方法，隨著新數據的到來，濾波結果會實時更新，更適合用于需要及時反饋結果的實時應用場景。具體地，首先利用一個固定長度的窗口，將其移動到序列的初始位置，計算窗口內數據點的平均值；其次，將該平均值作為當前窗口內數據點的濾波結果，并將窗口向后移動；最后重復上述步驟，直至窗口滑至序列的末尾。對清洗后的數據集進行濾波處理，得到部分去噪數據如圖2所示。由圖2可以看出，去噪后的數據在保持原有數據波動性的同時，過濾了來自環境、傳輸噪聲等因素的干擾。

2.2 相關性分析

采用斯皮爾曼相關性系數（范圍在-1～1）對數據的相關性進行分析。通過計算，得到的特征相關系數矩陣如圖3所示。當相關系數接近-1或1時，表明特征之間具有極強的相關性；當相關系數接近0時，表明特征之間不存在相關性。從圖3可以看出，入口流量與其余特征之間的相關性相對較弱，而其余7種特征之間的相關性較強。在實際鉆井中，由于數據之間的復雜非線性關系，入口流量可能在與其余特征交互或者在特定條件下發揮重要作用，這些情況無法僅通過相關性系數來捕捉。因此本文仍將其作為一個輸入參數，為模型提供額外信息，以增強預測能力。預測模型的輸入遵循少且精的原則，為后續模型應用的實時性和準確性提供良好數據基礎。

2.3 特征序列重構與歸一化

考慮到鉆井過程中的數據具有時序性特征，本文將鉆進參數的超前預測問題視為多變量序列預測任務。不同于一般的回歸問題，時序模型的輸入依賴于序列的前后關聯性，因此這部分利用滑動窗口法重構序列數據，以獲得最終建模所需樣本。通過沿樣本序列滑動固定長度窗口，生成新的多維特征序列和標簽數據，如圖4所示。其中，滑動窗口長度代表歷史數據序列作為輸入特征的長度，預測長度代表模型輸出的預測序列長度。通過自適應設定不同窗口長度和預測長度，可利用數據的時序性更好地捕捉參數動態變化趨勢，增強模型性能。

為消除不同參數間的量綱差異以及減輕其對模型性能的影響，為后續的智能模型構建和分析提供更穩健和可靠的數據基礎，本文采用Max-Min方法對錄井數據進行歸一化處理。計算方式如下：

將處理完成后的數據集進行訓練集和測試集劃分，3口井共計8 919個時序樣本用于訓練模型，1口井共計1 291個時序樣本用于測試模型性能。

2.4 問題重述

鉆井過程中智能模型需要利用未鉆地層的錄井數據進行輸入以預測未來參數（如機械鉆速、井底ECD等），但在實時預測中，模型無法獲取未來時刻的錄井數據。此外，由于現場作業的不確定性，數據采集可能存在大量的噪聲和缺失值，極大地影響了模型的實時監測能力。為了解決上述難題，本文利用時序卷積提取序列的時間特征，通過引入注意力機制自適應地選擇和學習對不同特征和不同時序片段的關注程度，使模型能夠捕捉鉆進參數的趨勢變化，提高預測穩定性和時效性。

3 模型構建與訓練設計

3.1 模型構建

針對鉆進過程中參數時序性波動變化的特點，本文建立了基于注意力機制的時域卷積網絡（AT-TCN）模型。模型主要架構包括3大模塊，如圖5所示。

模型結構分別為時序卷積模塊（共2個）、注意力機制模塊和全連接輸出模塊。時序卷積模塊旨在捕捉鉆進參數的時序特征信息。每個卷積塊含有5個層級，分別為膨脹因果卷積層、權重歸一化層、修剪填充層、Relu激活層和Dropout丟棄層。通過引入殘差連接方法，使得錄井曲線信息能夠在不同網絡層之間傳遞，

緩解梯度消失問題。嵌入的注意力機制模塊則呈現出高度的靈活性和可解釋性，一方面可用于整合不同時間步的序列信息，使得模型能夠在重要的時間步上有更多的關注，視為基于時間維度的注意力機制；另一方面，可用于融合不同輸入特征之間的序列信息，使得模型能夠在關鍵特征上有更多的關注，視為基于特征維度的注意力機制。因此，該模塊能夠從2個維度實現鉆進參數預測模型的可解釋性，增強了模型的落地應用性。輸出模塊是接收提取的高維特征信息，并通過全連接輸出預測的鉆進參數。

針對不同輸出參數和不同步長的超前預測任務，輸出模塊可根據場景需求實現參數輸出，主要包括單變量單步輸出、單變量多步輸出、多元單步輸出、多元多步輸出，如圖6所示。圖6中綠色格代表已鉆井段的歷史數據，黃色格代表待鉆井段的未知數據。

3.2 參數優選與模型訓練

超參數調優是智能模型建立的一個關鍵環節。不同的超參數設置往往會導致同一模型得到的結果存在顯著差異。由于搜索空間較大，使用網格搜索等傳統方法效率過低，所以采用了一種基于樹結構的貝葉斯優化算法自動優化超參數。該算法能夠自適應地調整參數搜索空間，并能夠在盡可能少的迭代次數下尋找到全局最優解［27］。試驗對5 種超參數進行了優選，如表2 所示，其余模型參數依據深度學習的調參經驗進行設定。模型優化器選用Adam算法，時序卷積層卷積核大小為2，步幅為1，膨脹率依次為1、2。

為了防止模型在新數據上出現過擬合現象，在模型訓練階段使用早停策略控制整體訓練進程。同時，為了避免試驗存在的隨機性，試驗結果為運行3次后的平均預測值。

3.3 對比模型設計

為了綜合評價所提出的AT-TCN模型在鉆進參數超前預測方面的表現性能，試驗選擇了4種具有代表性的時序預測模型進行對比，包括LSTM模型、GRU模型、CNN和LSTM串聯 （CNN-LSTM）模型、SI-LSTM模型。與TCN添加注意力機制模塊不同的是，SI-LSTM模型將注意力機制嵌入到網絡內部，以獲得每個變量豐富的歷史信息。對比模型的超參數同樣由貝葉斯優化算法搜索得到。為了使不同模型的復雜度相近，試驗時在最大程度上保證模型總參數量相近。

3.4 模型評價指標

為了評估和對比模型的性能，試驗評價指標選用平均絕對百分比誤差（MAPE）和擬合系數（R2）來表示：

EMAP用于衡量n個樣本的平均相對誤差，R2 代表模型對數據擬合的程度。通過綜合評估模型在以上指標中的表現，優選模型。

4 應用與分析

4.1 結果對比分析

應用上述5種時序深度學習模型，選取錦州區塊某口井的鉆井數據進行測試驗證。試驗結果發現，在多元多輸出模型預測中，機械鉆速預測未取得較高精度。

分析認為，多元多輸出模型需要考慮多個輸出變量之間的關聯性，而機械鉆速與其余鉆井參數存在更為復雜的非線性關系，難以全面考慮機械鉆速自身的時序性變化。因此，在超前預測機械鉆速時采用單變量輸出模型，在預測扭矩、泵壓和當量密度時采用多元多輸出模型。以輸入歷史井深10 m鉆井參數序列，預測未來井深1 m鉆井參數序列為例，得到不同模型在該數據集上的表現性能，如表3所示。

由表3可以看出，5種模型在預測不同鉆進參數時表現出不同性能，扭矩、立壓、當量密度的預測精度均超過90%，遠高于機械鉆速的預測精度。AT-TCN模型預測精度最高，扭矩、立壓、當量密度的擬合度R2分別為93.4%、97.7%和99.5%，相比其他4種預測模型有大幅度提升。在機械鉆速超前預測方面，AT-TCN和SI-LSTM模型精度達到80%以上，相比LSTM、GRU及CNN-LSTM模型相對誤差降低約8%。在模型訓練時長方面，SI-LSTM耗時最長，達到124 s，其余模型保持在50 s左右，較好地滿足現場實時作業的應用需求。圖7為AT-TCN模型鉆井參數預測結果圖。

從圖7觀察得到，針對扭矩和機械鉆速超前預測任務，AT-TCN模型較好地捕捉到機械鉆速整體變化趨勢，但在數據波動程度上表現欠佳，在曲線峰值處出現較大偏差，扭矩曲線預測后段存在一定偏移，導致模型EMAP偏高。分析認為，在處理序列數據時利用濾波方法，導致預測值的變化趨勢相對平穩。通過局部放大鉆進參數預測結果發現，模型在預測拐點處時出現趨勢平滑現象，說明模型整體穩定性較強，減少了過擬合風險，使得預測結果更具有泛化性。

4.2 參數對比分析

4.2.1 輸入步長對比

以超前預測1 m模型為例，驗證不同輸入步長對鉆進參數預測結果的影響，分析對比預測模型的表現性能。圖8為不同輸入步長預測結果對比。從圖8可以看出，當量密度參數預測效果最優，準確度最高。當逐漸增加上部鉆進數據，即輸入步長分別為10、20和30 m時，扭矩、立壓和當量密度預測精度保持相對穩定，僅機械鉆速預測精度存在小幅降低，R2從82.80%降低至78.55%。分析認為，現場機械鉆速變化實時波動性強，具有短期的自相關性，超前預測時對不同的輸入步長更敏感，增大輸入步長可能導致模型難以捕捉快速變化模式。針對當量密度預測，通過改變訓練序列長度發現，預測精度幾乎不發生改變，持續保持在99%，說明當量密度序列具有較長的階段周期性，在一定的時間內可實現高精度超前預測。

4.2.2 預測步長對比

以ECD參數預測為例，觀察不同預測步長的模型預測結果（見圖9）。從圖9可以看出，隨著預測步長的增加，預測精度略有降低，當利用上部鉆進10 m數據為輸入步長，預測未來鉆進1 m，預測精度高達99.50%；利用上部鉆進30 m數據為輸入步長，預測未來鉆進5 m，預測精度達到97.21%。這說明對于具有階段周期性變化的ECD而言，模型能夠精準地捕捉其整體變化趨勢。

4.3 機械鉆速可解釋分析

以4 270～4 300 m井段歷史數據序列為例，通過可視化時序注意力層權重系數及特征注意力層權重系數，進行鉆速超前預測的可解釋分析。

4.3.1 時序可解釋分析

結合機械鉆速預測結果對比分析（見圖10）進行鉆速預測的時序可解釋分析。從圖10可以看出，注意力權重熱力圖呈下三角形，驗證了預測未來機械鉆速序列是依靠歷史序列中隱含的特征信息，而并不會對歷史序列產生影響。當歷史機械鉆速出現局部降低和升高時，熱力圖顏色更加明亮，表明模型對于該序列的參數變化更為關注。此外，不同時段下的時間序列能夠相互作用生成新的特征，并且對于未來機械鉆速的變化具有顯著影響，說明AT-TCN模型能夠綜合考慮歷史輸入機械鉆速（4 270～4 300 m井段）與當前機械鉆速（4 301 m井深）的影響，精準預測未來機械鉆速的趨勢性變化。值得關注的是，隨著預測深度靠近待測井深，注意力熱力圖亮度明顯增加，說明模型更加關注后段序列的組合特征對當前預測的影響。另外說明，在特定深度范圍內，地層信息和歷史機械鉆速信息的變化對于機械鉆速的未來趨勢預測具有顯著影響，為實際應用中的提速方案制定提供了參考。

4.3.2 特征可解釋分析

結合機械鉆速預測結果對比分析（見圖11）進行鉆速預測的特征可解釋分析。

從圖11可以看出，對于4 270～4 300 m地層而言，鉆壓、扭矩、入口流量和歷史機械鉆速序列的注意力熱力圖顏色更加明亮，表明上述參數序列是影響機械鉆速未來變化的主控因素。此外，立壓與井深、轉速、入口流量相互作用形成的新特征，對于未來機械鉆速的變化亦具有顯著影響。分析認為，AT-TCN模型通過特征注意力層能夠自適應地捕捉影響未來機械鉆速的關鍵特征。

5 結論與展望

（1）建立了一種具有高拓展性的注意力時域卷積網絡，旨在實現鉆進參數實時準確預測。通過貝葉斯優化算法優選模型超參數，針對不同鉆進參數的時序特性，設計不同輸出模塊，使模型更好地適應鉆進參數時序動態變化。

（2）現場數據應用表明，提出的AT-TCN模型相較于其他4種深度時序模型，在精度和計算效率上具有顯著優勢，在扭矩、立管壓力、鉆井液當量密度和機械鉆速預測方面精度分別達到93.4%、97.7%、99.5%及82.80%，具有良好的穩定性和準確性。

（3）通過提取模型時序和特征注意力權重系數，實現了預測結果的雙重可解釋。在一定深度范圍內，時序鉆進參數信息和歷史機械鉆速信息的變化對于未來機械鉆速的趨勢預測具有顯著作用。

（4）未來研究將繼續探索鉆井參數智能預測模型的可解釋方法，進一步將鉆井知識嵌入網絡模型，為智能鉆井方法的落地應用奠定良好基礎。

［1］ ?劉瑞文，管志川．利用綜合錄井信息實時監控鉆井過程［J］．石油鉆探技術，1999，27（1）：24-25．

LIU R W，GUAN Z C.Real-time drilling monitoring using compound logging data［J］.Petroleum Drilling Techniques，1999，27（1）：24-25.

［2］ 李根生，宋先知，祝兆鵬，等．智能鉆完井技術研究進展與前景展望［J］．石油鉆探技術，2023，51（4）：35-47．

LI G S，SONG X Z，ZHU Z P，et al.Research progress and the prospect of intelligent drilling and completion technologies［J］.Petroleum Drilling Techniques，2023，51（4）：35-47.

［3］ ZHANG C K，SONG X Z，SU Y N，et al.Real-time prediction of rate of penetration by combining attention-based gated recurrent unit network and fully connected neural networks［J］.Journal of Petroleum Science and Engineering，2022，213：110396.

［4］ LIU H T，JIN Y，SONG X Z，et al.Rate of penetration prediction method for Ultra-Deep wells based on LSTM-FNN［J］.Applied Sciences，2022，12（15）：7731.

［5］ ZHOU F，FAN H H，LIU Y H，et al.Application of xgboost algorithm in rate of penetration prediction with accuracy［C］∥International Petroleum Technology Conference.Riyadh，Saudi Arabia，2022：IPTC 22100-MS.

［6］ WANG H，CHEN D，YE Z H，et al.Intelligent planning of drilling trajectory based on computer vision［C］∥Abu Dhabi International Petroleum Exhibition & Conference.Abu Dhabi，UAE，2019：SPE 197362-MS.

［7］ SNYDER J，SALMON G.Intelligent rotary steerable system，coupled with an instrumented bit，delivers section plan in deepwater GOM project［C］∥SPE Middle East Oil & Gas Show and Conference.Event canceled，2021：SPE 204680-MS.

［8］ 李臻，宋先知，李根生，等.基于雙輸入序列到序列模型的井眼軌跡實時智能預測方法［J］.石油鉆采工藝，2023， 45（4）： 393-403.

LI Z， SONG X Z， LI G S， et al. Real-time intelligent prediction of well trajectory based on dual-inputsequence-to-sequence model［J］. Oil Drilling & Production Technology， 2023， 45（4）： 393-403.

［9］ 祝兆鵬，張瑞，宋先知，等．數據拓展和增量更新的井底壓力實時預測方法［J］．石油機械，2023，51（6）：1-10．

ZHU Z P，ZHANG R，SONG X Z，et al.Real-time prediction of bottomhole pressure based on data expansion and incremental update［J］.China Petroleum Machinery，2023，51（6）：1-10.

［10］ ZHU Z P，SONG X Z，ZHANG R，et al.A hybrid neural network model for predicting bottomhole pressure in managed pressure drilling［J］.Applied Sciences，2022，12（13）：6728.

［11］ 宋先知，姚學喆，李根生，等．基于LSTM-BP神經網絡的地層孔隙壓力計算方法［J］．石油科學通報，2022，7（1）：12-23．

SONG X Z，YAO X Z，LI G S，et al.A novel method to calculate formation pressure based on the LSTM-BP neural network［J］.Petroleum Science Bulletin，2022，7（1）：12-23.

［12］ 陳凱楓，楊學文，宋先知，等．基于工程錄井數據的井漏智能診斷方法［J］．石油機械，2022，50（11）：16-22．

CHEN K F，YANG X W，SONG X Z，et al.An intelligent diagnosis method for lost circulation based on engineering logging data［J］.China Petroleum Machinery，2022，50（11）：16-22.

［13］ 朱碩，宋先知，李根生，等．鉆柱摩阻扭矩智能實時分析與卡鉆趨勢預測［J］．石油鉆采工藝，2021，43（4）：428-435．

ZHU S，SONG X Z，LI G S，et al.Intelligent real-time drag and torque analysis and sticking trend prediction of drill string［J］.Oil Drilling & Production Technology，2021，43（4）：428-435.

［14］ DUAN S M，SONG X Z，CUI Y，et al.Intelligent kick warning based on drilling activity classification［J］.Geoenergy Science and Engineering，2023，222：211408.

［15］ 趙春蘭，屈瑤，王兵，等.一種基于2D-CNN深度學習的鉆井事故等級預測新方法［J］.天然氣工業，2022，42（12）：95-105.

ZHAO C L，QU Y，WANG B，et al.A new method for predicting drilling accident level based on 2D-CNN deep learning［J］.Natural Gas Industry，2022，42（12）：95-105.

［16］ 印森林，程樂利，劉子雄，等．基于測錄井曲線的致密砂巖儲層產能評價方法［J］．天然氣地球科學，2018，29（11）：1627-1638．

YIN S L，CHENG L L，LIU Z X，et al.Evaluation of production capacity to tight sandstone reservoir based on logging and mud logging curve［J］.Natural Gas Geoscience，2018，29（11）：1627-1638.

［17］ 李戈東，孫曉飛，陶林．綜合錄井在鉆井工程中應用及發展探析［J］．石化技術，2022，29（11）：218-220．

LI G D，SUN X F，TAO L.Application and development of integrated logging in drilling engineering［J］.Petrochemical Industry Technology，2022，29（11）：218-220.

［18］ 宋先知，朱碩，李根生，等．基于BP-LSTM雙輸入網絡的大鉤載荷與轉盤扭矩預測［J］．中國石油大學學報（自然科學版），2022，46（2）：76-84．

SONG X Z，ZHU S，LI G S，et al.Prediction of hook load and rotary drive torque during well-drilling using a BP-LSTM network［J］.Journal of China University of Petroleum （Edition of Natural Science），2022，46（2）：76-84.

［19］ 朱曉東，王杰．基于分層模糊系統的石油鉆井參數預測模型［J］．石油學報，2010，31（5）：838-842，848．

ZHU X D，WANG J.A predictive model for oil-drilling parameters based on the hierarchical fuzzy system［J］.Acta Petrolei Sinica，2010，31（5）：838-842，848.

［20］ KHOSRAVANIAN R，SABAH M，WOOD D A，et al.Weight on drill bit prediction models：Sugeno-type and Mamdani-type fuzzy inference systems compared［J］.Journal of Natural Gas Science and Engineering，2016，36，Part A：280-297.

［21］ OYEDERE M，GRAY K.Torque-on-bit （TOB）prediction and optimization using machine learning algorithms［J］.Journal of Natural Gas Science and Engineering，2020，84：103623.

［22］ 張東曉，陳云天，孟晉．基于循環神經網絡的測井曲線生成方法［J］．石油勘探與開發，2018，45（4）：598-607．

ZHANG D X，CHEN Y T，MENG J.Synthetic well logs generation via Recurrent Neural Networks［J］.Petroleum Exploration and Development，2018，45（4）：598-607.

［23］ 陳云天．基于機器學習的測井曲線補全與生成研究［D］．北京：北京大學，2020．

CHEN Y T.Research on well log completion and generation based on machine learning［D］.Beijing：Peking University，2020.

［24］ LEA C，VIDAL R，REITER A，et al.Temporal convolutional networks：a unified approach to action segmentation［C］∥Computer Vision-ECCV 2016 Workshops.Cham：Springer International Publishing，2016：47-54.

［25］ HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］.Neural Computation，1997，9（8）：1735-1780.

［24］ LEHMANN R.3σ-Rule for outlier detection from the viewpoint of geodetic adjustment［J］.Journal of Surveying Engineering，2013，139（4）：157-165.

［26］ BERGSTRA J，BARDENET R，BENGIO Y，et al.Algorithms for hyper-parameter optimization［C］∥Proceedings of the 24th International Conference on Neural Information Processing Systems.Granada，Spain：Curran Associates Inc.，2011：2546-2554.