李萍 于琛 王建龍 楊恒 賈培娟 李鄧玥 馮永存

基金項(xiàng)目：中國石油集團(tuán)渤海鉆探工程有限公司工程技術(shù)研究院科研項(xiàng)目“基于鉆井大數(shù)據(jù)分析實(shí)時(shí)預(yù)測巖石力學(xué)參數(shù)的新方法”（2022BC66F）。

李萍，于琛，王建龍，等.基于實(shí)時(shí)鉆進(jìn)參數(shù)的孔隙壓力智能預(yù)測技術(shù)1-8

Li Ping，Yu Chen，Wang Jianlong，et al.Intelligent prediction of pore pressure using real-time drilling parameters1-8

針對(duì)當(dāng)前孔隙壓力預(yù)測方法存在適用范圍限制、精度不足、計(jì)算繁瑣和無法實(shí)時(shí)預(yù)測等問題，提出了一種基于實(shí)時(shí)鉆進(jìn)數(shù)據(jù)的地層孔隙壓力預(yù)測方法?；跍y井?dāng)?shù)據(jù)計(jì)算孔隙壓力的理論真實(shí)值，作為預(yù)測的學(xué)習(xí)目標(biāo)；通過相關(guān)系數(shù)法及模型選擇法，確定了8項(xiàng)關(guān)鍵參數(shù)：大鉤載荷、泵壓、機(jī)械鉆速、鉆壓、轉(zhuǎn)速、排量、密度和黏度；基于這些參數(shù)，采用3種集成機(jī)器學(xué)習(xí)算法，分別建立孔隙壓力的實(shí)時(shí)預(yù)測模型。訓(xùn)練集預(yù)測結(jié)果分析表明：XGBoost和LightGBM模型在關(guān)鍵評(píng)估指標(biāo)上表現(xiàn)良好，而隨機(jī)森林模型存在過擬合的現(xiàn)象；XGBoost和LightGBM模型的預(yù)測趨勢更加穩(wěn)定，在預(yù)測精度和穩(wěn)定性上更具優(yōu)越性；所有模型在更換鉆頭造成鉆頭參數(shù)與鉆頭磨損情況變化后均產(chǎn)生了一定的平移偏差。后期可通過探究鉆頭特性與預(yù)測偏差的具體關(guān)系，或通過調(diào)整模型、對(duì)預(yù)測結(jié)果適當(dāng)修正來進(jìn)一步提高預(yù)測準(zhǔn)確性。該預(yù)測方法不僅提高了預(yù)測精度，還為現(xiàn)場工程師提供了實(shí)時(shí)決策支持，有助于鉆井策略的優(yōu)化并降低風(fēng)險(xiǎn)。

地層孔隙壓力；機(jī)器學(xué)習(xí)；智能預(yù)測；鉆進(jìn)參數(shù)；隨機(jī)森林

TE21

A

001

Intelligent Prediction of Pore Pressure Using Real-time Drilling Parameters

Li Ping1? Yu Chen1? Wang Jianlong1? Yang Heng2? Jia Peijuan1? Li Dengyue1? Feng Yongcun3

（1.BHDC Engineer Technology Research Institute;2.College of Safety and Ocean Engineering，China University of Petroleum （Beijing）;3.College of Petroleum Engineering，China University of Petroleum （Beijing））

The existing pore pressure prediction methods have limitations like restricted application，insufficient accuracy，complex computation，and inability to predict in real-time manner.This paper presents a new method for predicting pore pressure based on real-time drilling data.Firstly，the logging data is used to calculate the theoretic actual value of pore pressure，which serves as the learning objective for prediction.Secondly，by the correlation coefficient and model selection methods，eight key parameters were determined，including hook load，pump pressure，rate of penetration，weight on bit，RPM，flow rate，density and viscosity.Then，three machine learning algorithms were adopted respectively to build real-time pore pressure prediction models.The prediction results of train set show that the XGBoost and LightGBM models yield good results of key performance indicators （KPIs），while the random forest （RF） model has the problem of over fitting.The prediction results of the test set show that the XGBoost and LightGBM models are more superior in prediction accuracy and stability.All models produce translation deviations when parameter change and bit wear occur after the bit is replaced.The relationship between the bit features and the prediction deviation can be investigated，or the models be modified to properly correct the prediction results，so as to achieve higher prediction accuracy.The proposed method is more accurate，and also provides real-time support for field decision making，thereby facilitating drilling optimization and risk reduction.

pore pressure;machine learning;intelligent prediction;drilling parameter;random forest

0? 引? 言

李萍，等：基于實(shí)時(shí)鉆進(jìn)參數(shù)的孔隙壓力智能預(yù)測技術(shù)

地層孔隙壓力是指巖石孔隙中的流體所具有的壓力，是石油勘探、石油鉆井、開發(fā)設(shè)計(jì)與施工的一項(xiàng)重要基礎(chǔ)參數(shù)［1］。異常的孔隙壓力嚴(yán)重影響鉆井過程穩(wěn)定性，易導(dǎo)致一系列的井下復(fù)雜問題，例如井漏、井涌和井噴。因此，對(duì)孔隙壓力的實(shí)時(shí)監(jiān)測和預(yù)測變得尤為重要［2］?？紫秹毫Φ念A(yù)測方法通常分為3種：鉆前預(yù)測法、隨鉆監(jiān)測法及鉆后評(píng)估法［3］。鉆前預(yù)測法［4］基于地震數(shù)據(jù)和聲波速度關(guān)系預(yù)測孔隙壓力，該方法精度有限，多用作設(shè)計(jì)參考。隨鉆監(jiān)測法則是在鉆井中使用實(shí)時(shí)參數(shù)與地質(zhì)資料進(jìn)行預(yù)測的方法，常見的方法包括DC指數(shù)法［5］、準(zhǔn)化鉆速法［6］、機(jī)械比能法［7］和巖石強(qiáng)度法［8］；然而，由于其依賴區(qū)域經(jīng)驗(yàn)公式，適用性和精度較低。鉆后評(píng)估法［9-10］結(jié)合測井與地質(zhì)資料進(jìn)行預(yù)測，該評(píng)估法雖然精度高、操作簡單，但無法實(shí)時(shí)預(yù)測?？傮w而言，現(xiàn)有預(yù)測方法存在適用范圍有限、精度不足、計(jì)算繁瑣和無法實(shí)時(shí)預(yù)測等問題。因此，開發(fā)具有廣泛適用性、高精度且易于操作的新型預(yù)測方法是當(dāng)前的研究重點(diǎn)。

隨著人工智能的發(fā)展，機(jī)器學(xué)習(xí)法在石油行業(yè)中得到了越來越廣泛的應(yīng)用［11-12］。在鉆井過程中，涉及大量數(shù)據(jù)的處理和分析，例如鉆壓、機(jī)械鉆速、轉(zhuǎn)速和扭矩等鉆井信息的處理與分析，這些都能夠反映地層的物理特性［13］。機(jī)器學(xué)習(xí)能夠處理這些大規(guī)模、高維度的數(shù)據(jù)，自動(dòng)提取特征并學(xué)習(xí)，從而可推動(dòng)深入探索物理響應(yīng)與預(yù)測參數(shù)之間的關(guān)系。這在地層巖性識(shí)別［14-15］、機(jī)械鉆速預(yù)測［16-17］以及井下復(fù)雜預(yù)測［18-19］等方面都展示出重要的價(jià)值。

當(dāng)前，大量的研究正在探索基于機(jī)器學(xué)習(xí)的孔隙壓力預(yù)測，但由于選取的輸入數(shù)據(jù)不同，致使應(yīng)用場景各不相同［20-21］。大部分研究主要采用測井?dāng)?shù)據(jù)作為機(jī)器學(xué)習(xí)的輸入，常見的工作流程是先根據(jù)測井?dāng)?shù)據(jù)經(jīng)驗(yàn)解釋出孔隙壓力并適當(dāng)校正，然后將這些測井?dāng)?shù)據(jù)作為特征輸入到機(jī)器學(xué)習(xí)模型中進(jìn)行孔隙壓力的預(yù)測。然而，測井?dāng)?shù)據(jù)是在鉆井完成后獲取，只能用于鉆后分析，且這些預(yù)測模型的核心是基于測井?dāng)?shù)據(jù)的經(jīng)驗(yàn)公式［22–24］。少部分研究則嘗試結(jié)合測井?dāng)?shù)據(jù)和實(shí)時(shí)鉆進(jìn)數(shù)據(jù)進(jìn)行預(yù)測，其實(shí)際應(yīng)用場景并不明確［25-26］。為此，本文通過使用鉆井過程中獲取的實(shí)時(shí)鉆井?dāng)?shù)據(jù)，利用機(jī)器學(xué)習(xí)技術(shù)，探索實(shí)現(xiàn)地層孔隙壓力的實(shí)時(shí)預(yù)測。為現(xiàn)場工程師提供及時(shí)的數(shù)據(jù)支持，而非在鉆井結(jié)束后進(jìn)行分析。由此提升現(xiàn)場工作效率，并有助于及時(shí)地調(diào)整鉆井策略，降低鉆井風(fēng)險(xiǎn)。

1? 工作流程及模型原理

工作流程主要包括3大部分：測井解釋孔隙壓力、實(shí)時(shí)鉆進(jìn)參數(shù)的特征處理和實(shí)時(shí)預(yù)測模型的構(gòu)建。首先采用Eaton法來計(jì)算地層的連續(xù)孔隙壓力；其次，通過相關(guān)系數(shù)法和模型選擇法對(duì)各項(xiàng)鉆進(jìn)參數(shù)進(jìn)行特征分析和篩選；最后，通過機(jī)器學(xué)習(xí)建立所選鉆進(jìn)參數(shù)與孔隙壓力的預(yù)測關(guān)系，需分別采用XGBoost、LightGBM和隨機(jī)森林3種模型進(jìn)行訓(xùn)練和測試。由此，實(shí)現(xiàn)精確、高效地預(yù)測地層孔隙壓力，從而為鉆井操作提供更有力的保障。

1.1? Eaton 法計(jì)算孔隙壓力

對(duì)巖性已知、地層水性質(zhì)變化不大的地質(zhì)剖面，聲波時(shí)差與孔隙度之間成正比關(guān)系。壓實(shí)地層聲波時(shí)差正常趨勢線公式如下：

logΔtμs/m=aH+b（1）

式中：Δt為深度為H處的地層聲波時(shí)差，μs/m；a、b為系數(shù)，其中a＜0，b＜0。

在得到聲波時(shí)差的正常趨勢方程后，建立地層壓實(shí)曲線，如圖1所示。通過諸如等效鉆井液密度法、經(jīng)驗(yàn)系數(shù)法以及廣泛使用的Eaton法等方法來計(jì)算地層孔隙壓力。

Eaton法是基于一種聲波速度與有效應(yīng)力之間的經(jīng)驗(yàn)關(guān)系，進(jìn)而通過實(shí)際測量的聲波速度來推算孔隙壓力的方法。其計(jì)算過程如下：

Gp=Gop－Gop－ρwΔtΔtnk（2）

式中：GP為井深H處的地層孔隙壓力梯度當(dāng)量密度，g/cm3；Gop為井深H處的上覆巖層壓力梯度當(dāng)量密度，g/cm3；ρw為井深H處的地層水密度，g/cm3；Δtn為井深H處的聲波時(shí)差正常趨勢值，μs/ft；k為Eaton指數(shù)。

對(duì)于式（2）中的上覆巖層壓力梯度，可以從密度測井資料中，通過回歸分析得到巖石密度隨井深變化的趨勢線方程：

ρH=B+10AHC（3）

式中：ρH為井深H處的巖石密度，g/cm3；A、B、C 為系數(shù)，其中A＞0。

然后，通過對(duì)上述方程進(jìn)行積分，可以得到：

Gop=B1eA1H－1/H（4）

式中：A1、B1為系數(shù)。

1.2? 機(jī)器學(xué)習(xí)模型

采用基于決策樹模型的3種集成機(jī)器學(xué)習(xí)方法：隨機(jī)森林［27］、LightGBM［28］和XGBoost［29］進(jìn)行數(shù)據(jù)建模和預(yù)測。決策樹模型是一種直觀的、能夠處理分類和回歸任務(wù)的監(jiān)督學(xué)習(xí)方法，如圖2所示。由圖2可見，在決策樹模型［30］中，每個(gè)節(jié)點(diǎn)代表一個(gè)特征，每個(gè)分支代表一個(gè)決策規(guī)則，每個(gè)葉節(jié)點(diǎn)代表一個(gè)輸出。通過組合多個(gè)決策規(guī)則，決策樹模型，能夠?qū)?fù)雜的數(shù)據(jù)模式進(jìn)行建模。

隨機(jī)森林算法通過集成多個(gè)決策樹，可降低過擬合風(fēng)險(xiǎn)并提高預(yù)測準(zhǔn)確性；LightGBM則是一種梯度提升算法，該方法能有效處理大規(guī)模數(shù)據(jù)，其特點(diǎn)是既能保證預(yù)測精度，又能提高訓(xùn)練效率；XGBoost是另一種高效的梯度提升決策樹算法，它提供了高準(zhǔn)確度預(yù)測并在處理大規(guī)模數(shù)據(jù)時(shí)能提升訓(xùn)練速度。綜上所述，3種方法在處理預(yù)測任務(wù)和大規(guī)模數(shù)據(jù)上具有出色性能。

1.3? 評(píng)價(jià)指標(biāo)

在評(píng)估機(jī)器學(xué)習(xí)模型時(shí)，主要考慮4個(gè)評(píng)價(jià)指標(biāo)［31］：均方誤差（MSE）、決定系數(shù)（R2）、平均絕對(duì)誤差（MAE）和平均絕對(duì)百分比誤差（MAPE）。

NMSE是預(yù)測誤差平方的平均值，其值越小說明模型的精度越高，但它對(duì)離群點(diǎn)非常敏感；R2衡量模型解釋目標(biāo)變量變動(dòng)的能力，其取值范圍為0～1，值越接近1表示模型對(duì)數(shù)據(jù)的擬合越好；NMAE則是所有觀測值與真實(shí)值的絕對(duì)誤差的平均值，與均方誤差相比，它對(duì)異常值的敏感性較低；NMAPE是基于所有觀測值與真實(shí)值的絕對(duì)百分比誤差的平均值，但當(dāng)真實(shí)值為0時(shí)，此度量標(biāo)準(zhǔn)是不確定的。其計(jì)算式分別為：

NMSE=1n∑ni=1（Yi－Yi∧）2（5）

R2=1－∑ni=1Yi－Y∧i2∑ni=1Yi－Y—2（6）

NMAE=1n∑ni=1Yi－Yi∧（7）

NMAPE=100n∑ni=1Yi－Yi∧Yi（8）

式中：Yi表示真實(shí)值；Yi∧表示預(yù)測值；Y—表示真實(shí)值的平均值；n表示數(shù)據(jù)點(diǎn)的數(shù)量。

2? 數(shù)據(jù)預(yù)處理及特征篩選

研究數(shù)據(jù)來源于福山油田的17口井，其中包括鉆井資料、錄井資料和測井資料，數(shù)據(jù)共計(jì)48 062條，涵蓋21個(gè)特征參數(shù)。由于原始數(shù)據(jù)中缺乏孔隙壓力，所以通過合理的經(jīng)驗(yàn)公式，利用測井資料中的聲波曲線（AC）和密度測井曲線（GEN）計(jì)算、校正孔隙壓力數(shù)據(jù)，并將這些數(shù)據(jù)視為理論的真實(shí)值。

2.1? 數(shù)據(jù)平滑及異常剔除

聲波時(shí)差數(shù)據(jù)和鉆進(jìn)參數(shù)均是基于井深的數(shù)據(jù)，具有連續(xù)性和強(qiáng)序列性。然而，由于井筒環(huán)境的復(fù)雜性，數(shù)據(jù)中可能存在噪聲和異常值，這可能會(huì)影響后續(xù)分析結(jié)果的準(zhǔn)確性。

所以采用數(shù)據(jù)平滑處理技術(shù)，降低噪聲和減少無關(guān)的短期波動(dòng)，強(qiáng)化數(shù)據(jù)的序列性特征，使其更適合進(jìn)行序列分析。具體選用Tsmoothie庫［32］中的局部加權(quán)散點(diǎn)圖平滑（LOWESS）方法［33］，該方法是一種強(qiáng)大的非參數(shù)技術(shù)，通過對(duì)移動(dòng)范圍內(nèi)的點(diǎn)集合進(jìn)行回歸，并根據(jù)距離橫坐標(biāo)值的遠(yuǎn)近進(jìn)行加權(quán)，因此來擬合數(shù)據(jù)的平滑線。通過試驗(yàn)發(fā)現(xiàn)，當(dāng)平滑參數(shù)（alph）為0.05、迭代次數(shù)（iterations）為1時(shí)，數(shù)據(jù)的平滑效果達(dá)到最佳，且最大程度地保留了序列規(guī)律。

2.2? 相關(guān)性分析

圖3為鉆進(jìn)參數(shù)與孔隙壓力相關(guān)性。如圖3所示，井深與孔隙壓力的Pearson相關(guān)系數(shù)較高，其值為0.6，表明井深對(duì)孔隙壓力預(yù)測有著顯著的影響。而機(jī)械鉆速、大鉤載荷、鉆壓、轉(zhuǎn)速和排量等參數(shù)與孔隙壓力的相關(guān)系數(shù)的絕對(duì)值多分布在0.2～0.5之間，表明這些參數(shù)與孔隙壓力關(guān)聯(lián)性良好。然而，井深作為一個(gè)空間分布特征，可能會(huì)主導(dǎo)孔隙壓力的預(yù)測，而忽視實(shí)際鉆進(jìn)過程中物理響應(yīng)特征與孔隙壓力的內(nèi)在聯(lián)系。為了強(qiáng)化這些物理響應(yīng)特征在預(yù)測中的作用，提高預(yù)測模型的適用性，從特征中排除了井深。

鉆井液參數(shù)通常是按井段分段設(shè)計(jì)，受到井深的直接影響。圖4為鉆井液參數(shù)與孔隙壓力相關(guān)性。如圖4所示，各鉆井液參數(shù)間具有較高的相關(guān)性（0.5～0.8），即這些特征之間存在高度的依賴性，具有相似的分布規(guī)律，體現(xiàn)為特征的冗余。因此，需要對(duì)鉆井液參數(shù)進(jìn)行特征篩選。

2.3? 特征篩選

XGBoost算法能在決策樹訓(xùn)練結(jié)束后直接計(jì)算出每個(gè)特征的重要性得分。該方法可以根據(jù)特征分裂的平均次數(shù)、特征的平均覆蓋率和特征的平均增益來度量特征的重要性。其中，“權(quán)重”（Weight）表示特征在所有決策樹的分裂節(jié)點(diǎn)中被使用的次數(shù)，是解釋特征重要性的關(guān)鍵屬性。因此，選用Weight作為每個(gè)特征的重要性指標(biāo)。

圖5為特征重要性排序。如圖5所示，在孔隙壓力的預(yù)測模型中，主要特征包括大鉤載荷、泵壓、機(jī)械鉆速、鉆壓、轉(zhuǎn)速排量、密度和黏度。同時(shí)，這些特征的累積重要性達(dá)到了80%，意味著上述特征對(duì)孔隙壓力的預(yù)測起到了決定性的作用。因此，選擇這些關(guān)鍵特征作為模型輸入?yún)?shù)。

3? 實(shí)時(shí)預(yù)測模型的建立與優(yōu)化

3.1? 模型建立

為了選擇合適的模型，嘗試了XGBoost、LightGBM和隨機(jī)森林3種機(jī)器學(xué)習(xí)模型，用于對(duì)孔隙壓力進(jìn)行訓(xùn)練和學(xué)習(xí)。在模型的構(gòu)建過程中，優(yōu)化了各個(gè)模型的超參數(shù)，以獲得最佳的性能。超參數(shù)優(yōu)選結(jié)果如表1所示。

為了驗(yàn)證模型的效果，將Test-1和Test-2作為測試井進(jìn)行評(píng)估。通過在測試數(shù)據(jù)上的表現(xiàn)，最終選擇出最佳的模型，用于實(shí)時(shí)預(yù)測。

3.2? 訓(xùn)練集預(yù)測結(jié)果分析

圖6為各模型預(yù)測值與實(shí)際值的對(duì)比。如圖6所示，各模型預(yù)測結(jié)果和實(shí)際值的散點(diǎn)大多數(shù)均集中在對(duì)角線上，這表明所有模型在擬合孔隙壓力的任務(wù)上均展現(xiàn)出了較好的性能。數(shù)據(jù)分布密度在圖中以顏色深淺來反映，顏色越深表示數(shù)據(jù)點(diǎn)更為集中，反之則更為稀疏。盡管所有模型的數(shù)據(jù)點(diǎn)都大體上聚集在對(duì)角線上，但各模型數(shù)據(jù)點(diǎn)的分布密度和波動(dòng)狀況還是會(huì)存在明顯的差異。

其中，隨機(jī)森林模型的預(yù)測結(jié)果與真實(shí)值的偏離程度最小，呈現(xiàn)出最佳擬合效果。其次是XGBoost模型，其數(shù)據(jù)點(diǎn)在對(duì)角線上的分布范圍相對(duì)較寬。而LightGBM模型的數(shù)據(jù)點(diǎn)在對(duì)角線兩側(cè)分布更為散亂，這表明該模型在預(yù)測孔隙壓力的準(zhǔn)確度上相對(duì)較低。各模型訓(xùn)練結(jié)果評(píng)價(jià)如表2所示。結(jié)合表2中的數(shù)據(jù)，根據(jù)模型的NMSE、R2、NMAE和NMAPE等評(píng)估指標(biāo)顯示，所有模型的表現(xiàn)都相當(dāng)良好。

總的來說，對(duì)于訓(xùn)練集隨機(jī)森林模型的表現(xiàn)最優(yōu)，其次是XGBoost模型，而LightGBM模型的表現(xiàn)則相對(duì)較差。訓(xùn)練集的結(jié)果只是參考，真正的模型性能需要在測試集上進(jìn)一步驗(yàn)證，以避免實(shí)際應(yīng)用時(shí)出現(xiàn)過擬合等問題。

3.3? 測試井預(yù)測結(jié)果分析

3.3.1? Test-1井

圖7呈現(xiàn)了Test-1井的孔隙壓力預(yù)測結(jié)果，并明確標(biāo)出了主要鉆頭更換和新舊程度的相關(guān)情況。表3為各模型Test-1井孔隙壓力預(yù)測結(jié)果評(píng)價(jià)表。由圖7可以看出，3種模型都能較好地預(yù)測孔隙壓力的變化趨勢。其中，XGBoost模型的預(yù)測趨勢與實(shí)際值最為接近，與表3的觀察結(jié)果一致。

然而，這一結(jié)果與前面訓(xùn)練集的分析中得出的結(jié)論有差異。在訓(xùn)練集的預(yù)測中，隨機(jī)森林模型的性能最優(yōu)，但在測試集的預(yù)測中表現(xiàn)較差，這可能是過擬合現(xiàn)象引起的。

此外，值得注意的是所有模型的預(yù)測結(jié)果都存在一定的平移偏差。結(jié)合鉆井日志的分析發(fā)現(xiàn)，這種偏差可能與更換鉆頭時(shí)所使用的鉆進(jìn)參數(shù)以及鉆頭磨損情況不同有關(guān)，尤其是在深度2 800和4 000 m處，模型預(yù)測的孔隙壓力值普遍高于實(shí)際值。這是因?yàn)楦鼡Q的是全新鉆頭，其鉆進(jìn)參數(shù)及物理影響的差異更為明顯。

盡管存在這樣的偏差，但所有模型預(yù)測的變化趨勢與實(shí)際趨勢還是保持了較好的一致性。綜合以上分析可得：雖然所有模型都能預(yù)測孔隙壓力的變化趨勢，但在預(yù)測精度上，XGBoost模型的表現(xiàn)最為突出。在實(shí)際應(yīng)用過程中，需要特別關(guān)注預(yù)測結(jié)果的平移偏差，并找出鉆頭特性與平移偏差的具體關(guān)系，從而對(duì)預(yù)測結(jié)果進(jìn)行合理的修正。

3.3.2? Test-2井

圖8所示為各模型在Test-2井的預(yù)測結(jié)果對(duì)比。表4為各模型Test-2井孔隙壓力預(yù)測結(jié)果評(píng)價(jià)表。

由圖8可見，所有模型均能預(yù)測出孔隙壓力的變化趨勢，但隨機(jī)森林模型的波動(dòng)性較大，XGBoost和LightGBM的預(yù)測趨勢則更加穩(wěn)定。如表4所示，相較于其他2種模型，LightGBM模型的NMSE和NMAE值較小，R2值較高，說明其在預(yù)測精度和穩(wěn)定性上的優(yōu)越性。與Test-1井的情況類似，當(dāng)在2 800 m處更換新鉆頭時(shí)，所有模型的預(yù)測結(jié)果都出現(xiàn)了較大的平移偏差。

4? 結(jié)論及認(rèn)識(shí)

（1）通過對(duì)相關(guān)系數(shù)的分析和基于模型的特征篩選，最終選定了大鉤載荷、泵壓、機(jī)械鉆速、鉆壓、排量、密度和黏度等作為預(yù)測孔隙壓力的關(guān)鍵輸入?yún)?shù)。這些參數(shù)不僅覆蓋了與DC指數(shù)法和標(biāo)準(zhǔn)鉆速法考慮的參數(shù)，同時(shí)還包含了更多關(guān)于實(shí)時(shí)鉆井的重要信息，以增強(qiáng)模型的泛化性能和預(yù)測精度。

（2）在構(gòu)建和選擇預(yù)測模型的過程中，比較了XGBoost、LightGBM以及隨機(jī)森林3種機(jī)器學(xué)習(xí)模型。根據(jù)訓(xùn)練數(shù)據(jù)結(jié)果以及測試數(shù)據(jù)結(jié)果，XGBoost和LightGBM模型在關(guān)鍵評(píng)估指標(biāo)NMSE、R2、NMAE及NMAPE等方面均表現(xiàn)較好，而隨機(jī)森林模型容易出現(xiàn)過擬合現(xiàn)象。

（3）實(shí)時(shí)預(yù)測模型具有較好的性能，但預(yù)測結(jié)果存在一定的平移偏差。經(jīng)過初步分析，推測這可能與更換鉆頭時(shí)的鉆進(jìn)參數(shù)和鉆頭磨損情況不同有關(guān)。由于原始數(shù)據(jù)并未包含與鉆頭特性相關(guān)的數(shù)據(jù)，所以模型中未考慮到這一影響因素。針對(duì)這一問題，未來需深入探究鉆頭特性與預(yù)測偏差的具體關(guān)系，也可通過調(diào)整模型或?qū)︻A(yù)測結(jié)果進(jìn)行適當(dāng)修正來進(jìn)一步提高預(yù)測的準(zhǔn)確性。

［1］

BOURGOYNE JR A T，MILLHEIM K K，CHENEVERT M E，et al.Applied drilling engineering［M］.Richardson： Society of Petroleum Engineers，1986.

［2］? FENG Y C，GRAY K E.Lost circulation and wellbore strengthening［M］.Cham： Springer，2018.

［3］? 陳新，丁富峰，尹國慶．地層孔隙壓力預(yù)測方法研究［J］．石油工業(yè)技術(shù)監(jiān)督，2016，32（9）：46-49．

CHEN X，DING F F，YIN G Q.Study on prediction method of formation pore pressure［J］.Technology Supervision in Petroleum Industry，2016，32（9）： 46-49.

［4］? 張榮忠，郭良川，徐輝．孔隙壓力地震預(yù)測技術(shù)綜述［J］．勘探地球物理進(jìn)展，2005，28（2）：90-96．

ZHANG R Z，GUO L C，XU H.A review of pore-pressure prediction by seismic techniques［J］.Progress in Exploration Geophysics，2005，28（2）： 90-96.

［5］? EATON B A.The equation for geopressure prediction from well Logs［C］∥Fall Meeting of the Society of Petroleum Engineers of AIME.Dallas： SPE，1975： SPE 5544-MS.

［6］? 王彥祺．標(biāo)準(zhǔn)化鉆速法檢測地層壓力技術(shù)的改進(jìn)與應(yīng)用［J］．鉆采工藝，1998，21（6）：16-18．

WANG Y Q.Improvement and application of testing formation pressure using standardized drilling velocity method［J］.Drilling & Production Technology，1998，21（6）： 16-18.

［7］? 陶雷．機(jī)械比能分析地層壓力方法研究與評(píng)價(jià)［D］．北京：中國石油大學(xué)（北京），2020．

TAO L.Research and evaluation of formation pressure analysis method by mechanical specific energy［D］.Beijing： China University of Petroleum （Beijing），2020.

［8］? 楊進(jìn)，高德利．地層壓力隨鉆檢測新方法及其應(yīng)用［J］．石油鉆探技術(shù)，1998，26（2）：16-18．

YANG J，GAO D L.A new method of formation pore pressure detection while drilling and its application［J］.Petroleum Drilling Techniques，1998，26（2）： 16-18.

［9］? WYLLIE M R J，GREGORY A R.Fluid flow through unconsolidated porous aggregates［J］.Industrial & Engineering Chemistry，1955，47（7）： 1379-1388.

［10］? BOWERS G L.Pore pressure estimation from velocity data： accounting for overpressure mechanisms besides undercompaction［J］.SPE Drilling & Completion，1995，10（2）： 89-95.

［11］? 李宏波，羅平亞，白楊，等．機(jī)器學(xué)習(xí)算法概述及其在鉆井工程中的應(yīng)用［J］．新疆石油天然氣，2022，18（1）：1-13．

LI H B，LUO P Y，BAI Y，et al.Summary for machine learning algorithms and their applications in drilling engineering［J］.Xinjiang Oil & Gas，2022，18（1）： 1-13.

［12］? 王敏生，光新軍，耿黎東．人工智能在鉆井工程中的應(yīng)用現(xiàn)狀與發(fā)展建議［J］．石油鉆采工藝，2021，43（4）：420-427．

WANG M S，GUANG X J，GENG L D.Application status and development suggestions of artificial intelligence in drilling engineering［J］.Oil Drilling & Production Technology，2021，43（4）： 420-427.

［13］? WARREN T M，SMITH M B.Bottomhole stress factors affecting drilling rate at depth［J］.Journal of Petroleum Technology，1985，37（8）： 1523-1533.

［14］? GONG K，YE Z H，CHEN D，et al.Investigation on automatic recognition of stratigraphic lithology based on well logging data using ensemble learning algorithm［C］∥SPE Asia Pacific Oil and Gas Conference and Exhibition.Brisbane： SPE，2018： SPE 192006-MS.

［15］? ZHANG H，CHEN Q H，NI P B，et al.Study on the intelligent identification method of formation lithology by element and gamma spectrum［J］.Neural Computing and Applications，2022，34（5）： 3375-3383.

［16］? 景寧，樊洪海，紀(jì)榮藝，等．基于數(shù)據(jù)挖掘技術(shù)的深井鉆速預(yù)測方法研究［J］．石油機(jī)械，2012，40（7）：17-20．

JING N，F(xiàn)AN H H，JI R Y，et al.Data mining technology-based research on the prediction method of deepwell ROP［J］.China Petroleum Machinery，2012，40（7）： 17-20.

［17］? 徐英卓，王若禹，王六鵬．基于遺傳算法優(yōu)化的隨機(jī)森林鉆井機(jī)械鉆速預(yù)測模型研究［J］．智能計(jì)算機(jī)與應(yīng)用，2023，13（3）：210-214．

XU Y Z，WANG R Y，WANG L P.Research on ROP prediction model of random forest drilling machinery based on genetic algorithm optimization［J］.Intelligent Computer and Applications，2023，13（3）： 210-214.

［18］? 李紫璇，張菲菲，祝鈺明，等．鉆井模型與機(jī)器學(xué)習(xí)耦合的實(shí)時(shí)卡鉆預(yù)警技術(shù)［J］．石油機(jī)械，2022，50（4）：15-21，93．

LI Z X，ZHANG F F，ZHU Y M，et al.Real-time pipe sticking early warning technology based on coupling of drilling model and machine learning［J］.China Petroleum Machinery，2022，50（4）： 15-21，93.

［19］? 付加勝，劉偉，韓霄松，等．基于CNN-LSTM融合網(wǎng)絡(luò)的溢流早期預(yù)測深度學(xué)習(xí)方法［J］．石油機(jī)械，2021，49（6）：16-22．

FU J S，LIU W，HAN X S，et al.CNN-LSTM fusion network based deep learning method for early prediction of overflow［J］.China Petroleum Machinery，2021，49（6）： 16-22.

［20］? 時(shí)夢璇，劉之的，楊學(xué)峰，等．地層孔隙壓力地球物理測井預(yù)測技術(shù)綜述及展望［J］．地球物理學(xué)進(jìn)展，2020，35（5）：1845-1853．

SHI M X，LIU Z D，YANG X F，et al.Review and prospect prediction technology for formation pore pressure by geophysical well logging［J］.Progress in Geophysics，2020，35（5）： 1845-1853.

［21］? ZHANG J C.Pore pressure prediction from well logs： methods，modifications，and new approaches［J］.Earth-Science Reviews，2011，108（1/2）： 50-63.

［22］? 崔亞輝，張菲菲，孫四維，等．實(shí)時(shí)井壁穩(wěn)定性的定量風(fēng)險(xiǎn)評(píng)估模型研究［J］．石油機(jī)械，2023，51（7）：19-27．

CUI Y H，ZHANG F F，SUN S W，et al.Research on quantitative risk assessment model of real time wellbore stability［J］.China Petroleum Machinery，2023，51（7）： 19-27.

［23］? AZADPOUR M，SHAD MANAMAN N，KADKHODAIE-ILKHCHI A，et al.Pore pressure prediction and modeling using well-logging data in one of the gas fields in south of Iran［J］.Journal of Petroleum Science and Engineering，2015，128： 15-23.

［24］? LIU L B，SHEN G Q，WANG Z T，et al.Abnormal formation velocities and applications to pore pressure prediction［J］.Journal of Applied Geophysics，2018，153： 1-6.

［25］? AHMED A，ELKATATNY S，ALI A，et al.New model for pore pressure prediction while drilling using artificial neural networks［J］.Arabian Journal for Science and Engineering，2019，44（6）： 6079-6088.

［26］? 宋先知，姚學(xué)喆，李根生，等．基于LSTM-BP神經(jīng)網(wǎng)絡(luò)的地層孔隙壓力計(jì)算方法［J］．石油科學(xué)通報(bào)，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.

［27］? BELGIU M，DRGUTL.Random forest in remote sensing： a review of applications and future directions［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2016，114： 24-31.

［28］? KE G L，MENG Q，F(xiàn)INLEY T，et al.LightGBM： a highly efficient gradient boosting decision tree［C］∥Proceedings of the 31st International Conference on Neural Information Processing Systems.Long Beach： Curran Associates Inc，2017： 3149-3157.

［29］? CHEN T Q，GUESTRIN C.XGBoost： a scalable tree boosting system［C］∥Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco： Association for Computing Machinery，2016： 785-794.

［30］? SAFAVIAN S R，LANDGREBE D.A survey of decision tree classifier methodology［J］.IEEE Transactions on Systems，Man，and Cybernetics，1991，21（3）： 660-674.

［31］? HOSSIN M，SULAIMAN M N.A review on evaluation metrics for data classification evaluations［J］.International Journal of Data Mining & Knowledge Management Process （IJDKP），2015，5（2）： 1-11.

［32］? CERLIANI M.Tsmoothie［M］.［S.l.：s.n.］，2021.

［33］? MORAN G W.Locally-Weighted-Regression Scatter-Plot Smoothing （LOWESS）： a graphical exploratory date analysis technique［D］.Monterey： Naval Postgraduate School，1984.

第一李萍，生于1982年，2012年畢業(yè)于中國石油大學(xué)（北京）油氣井工程專業(yè)，獲博士學(xué)位，現(xiàn)從事巖石力學(xué)、鉆完井工藝方面的研究工作。地址：（300280） 天津市濱海新區(qū)。電話：（022）25971863。email：27948919@qq.com。

通信作者：楊恒，email：1337615119@qq.com

2023-10-15

宋治國