基于CNN-MultiLSTM的坍塌壓力預(yù)測方法

摘要：地層坍塌壓力的解析模型參數(shù)獲取煩瑣，加之用于機(jī)器學(xué)習(xí)的隨機(jī)數(shù)據(jù)可解釋性差，嚴(yán)重影響了鉆前預(yù)測精度。為此，基于已鉆井波阻抗分布規(guī)律，生成海量的虛擬井波阻抗數(shù)據(jù)；利用褶積理論和地層坍塌壓力模型計算得到虛擬井的合成地震記錄和坍塌壓力數(shù)據(jù)，建立基于CNN-MultiLSTM神經(jīng)網(wǎng)絡(luò)的坍塌壓力鉆前預(yù)測模型。研究結(jié)果表明：基于已鉆井?dāng)?shù)據(jù)生成海量虛擬井訓(xùn)練數(shù)據(jù)的方法，有效提升了常規(guī)隨機(jī)生成訓(xùn)練數(shù)據(jù)的可解釋性；基于正交試驗對神經(jīng)元個數(shù)、學(xué)習(xí)率、迭代次數(shù)等超參數(shù)優(yōu)化后的新模型在訓(xùn)練集和驗證集的均方根誤差均小于0.1，性能優(yōu)于隨機(jī)森林等傳統(tǒng)訓(xùn)練模型；對B-8井的坍塌壓力（當(dāng)量密度）的預(yù)測值與解析解的絕對誤差小于0.02 g/cm3，相對誤差小于1.635%；井徑測井和電成像測井結(jié)果顯示，預(yù)測結(jié)果與實鉆情形較為一致。研究結(jié)果有效提升了利用地震數(shù)據(jù)預(yù)測坍塌壓力的預(yù)測精度，對推廣機(jī)器學(xué)習(xí)方法在石油工程領(lǐng)域的應(yīng)用具有積極作用。

關(guān)鍵詞：坍塌壓力；井壁穩(wěn)定；鉆前預(yù)測；深度學(xué)習(xí)；CNN-MultiLSTM神經(jīng)網(wǎng)絡(luò)；訓(xùn)練模型；正交試驗

中圖分類號：TE242

文獻(xiàn)標(biāo)識碼：A

202407051

Collapse Pressure Prediction Method Based on CNN-MultiLSTM

Zhang Xin1，2 Lu Yunhu1，2 Fu Xing3 Xie Renjun3 Zhou Changsuo3 Yuan Junliang1 Song Yangjie1，2

（1.State Key Laboratory of Petroleum Resources and Prospecting，China University of Petroleum （Beijing）；2.College of Petroleum Engineering，China University of Petroleum （Beijing）；3.CNOOC Research Institute Co.，Ltd.）

The parameter acquisition for the analytical model of formation collapse pressure is cumbersome，and the interpretability of the random data used for machine learning is poor，which seriously affect the accuracy of predrilling prediction.Based on the wave impedance distribution of existing wells，mass virtual well wave impedance data were generated.Then，the convolution theory and the formation collapse pressure model were used to figure out the synthetic seismogram and collapse pressure data of the virtual well.Finally，a predrilling prediction model of collapse pressure based on CNN-MultiLSTM was built.The research results show that the method of generating mass virtual well training data based on existing well data effectively improves the interpretability of conventional randomly generated training data.The new model built after optimization of hyperparameters such as the number of neurons，learning rate and iteration times based on orthogonal test has a root mean square error of less than 0.1 in both the train and validation sets，and performs better than traditional training models such as random forest.Application to Well B-8 reveals the absolute error and relative error between the predicted collapse pressure and the analytical solution being less than 0.02 g/cm3 and less than 1.635%，respectively.The caliper logging and electrical imaging logging results show that the predicted results are relatively consistent the actual drilling findings.The research results effectively improve the accuracy of collapse pressure prediction using seismic data，and play a positive role in promoting the application of machine learning method in the field of petroleum engineering.

collapse pressure；sidewall stability；predrilling prediction；deep learning；CNN-MultiLSTM；training model；orthogonal test

0 引 言

井壁穩(wěn)定問題是油氣資源勘探開發(fā)中的關(guān)鍵問題之一［1］，提高地層坍塌壓力的鉆前預(yù)測精度對于優(yōu)化設(shè)計鉆井液密度和井身結(jié)構(gòu)以維持井壁穩(wěn)定至關(guān)重要［2］。隨著油氣資源勘探領(lǐng)域面向超深地層、深水地層，對坍塌壓力的鉆前預(yù)測提出了更高的要求［3］。

國內(nèi)外學(xué)者對地層坍塌壓力的預(yù)測研究主要基于地震數(shù)據(jù)和測井?dāng)?shù)據(jù)，但由于測井?dāng)?shù)據(jù)在鉆前預(yù)測方面存在滯后性，在實際鉆探前，地震數(shù)據(jù)仍然是唯一可用的數(shù)據(jù)來源。利用地震數(shù)據(jù)進(jìn)行地層坍塌壓力鉆前預(yù)測，通常是建立地層彈性參數(shù)與地震場傳播規(guī)律之間的數(shù)學(xué)模型，利用最小化求解從地震數(shù)據(jù)中求得地層參數(shù)，進(jìn)而用于坍塌壓力力學(xué)模型計算。從地震數(shù)據(jù)中求取地層參數(shù)和建立地層坍塌壓力力學(xué)模型是此類方法的核心。Y.HIRAMATSU等［4］基于線彈性力學(xué)理論，提出井周應(yīng)力的線彈性解析解。陳勉等［5-8］眾多學(xué)者在此基礎(chǔ)上，結(jié)合不同類型的巖石強(qiáng)度準(zhǔn)則建立了多種坍塌壓力計算模型，這些模型為準(zhǔn)確預(yù)測坍塌壓力提供了理論基礎(chǔ)。金衍等［9-10］構(gòu)建了地震速度、地震屬性及地震記錄與地層參數(shù)、地層坍塌壓力的關(guān)聯(lián)模型，實現(xiàn)了研究區(qū)域地層坍塌壓力的預(yù)測。馬妮等［11］通過方位疊前地震反演方法獲得地層地質(zhì)力學(xué)參數(shù)，并基于Mohr-Coulomb準(zhǔn)則的坍塌壓力模型建立了地震數(shù)據(jù)預(yù)測地層坍塌壓力的方法流程，實現(xiàn)了靶區(qū)的三維地層坍塌壓力預(yù)測。這些針對地層坍塌壓力鉆前預(yù)測的應(yīng)用研究均取得較好效果，但受限于地震數(shù)據(jù)頻帶寬度和模型的復(fù)雜程度，此類方法在現(xiàn)場應(yīng)用的精度和時效仍需提高。同時由于地震數(shù)據(jù)的多解性和層速度的不確定性，地層坍塌壓力解析模型的參數(shù)獲取難度大，給地層坍塌壓力的鉆前預(yù)測帶來極大挑戰(zhàn)。

近年來，人工智能技術(shù)特別是機(jī)器學(xué)習(xí)方法的快速發(fā)展，無需依賴傳統(tǒng)嚴(yán)格的物理模型，為此類問題提供了創(chuàng)新解決方案。國內(nèi)外學(xué)者利用機(jī)器學(xué)習(xí)方法在地應(yīng)力反演［12］、孔隙壓力預(yù)測［13］、巖石力學(xué)參數(shù)預(yù)測［14］及層位預(yù)測［15］等領(lǐng)域取得許多成果。在井壁穩(wěn)定方面，HUANG H.等［16］通過對測井和鉆井參數(shù)進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練來預(yù)測地層有效應(yīng)力，并比較了隨機(jī)森林、支持向量機(jī)和多層感知器神經(jīng)網(wǎng)絡(luò)等多種機(jī)器學(xué)習(xí)方法的預(yù)測結(jié)果，取得較好預(yù)測效果。陳凱楓等［17］基于工程錄井參數(shù)建立井漏風(fēng)險智能判別方法。李萍等［18］基于實時鉆進(jìn)參數(shù)建立孔隙壓力智能預(yù)測方法。馬天壽等［19］通過優(yōu)化設(shè)計隨機(jī)森林、多項式回歸等多種機(jī)器學(xué)習(xí)方法的相關(guān)參數(shù)，基于測井資料實現(xiàn)對斜井的坍塌壓力預(yù)測。D.P.PHAN等［20］基于孔隙彈性坍塌壓力模型生成的數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，實現(xiàn)地層坍塌壓力的隨鉆實時預(yù)測，為現(xiàn)場節(jié)省了大量時間成本。越來越多的研究人員正在使用機(jī)器學(xué)習(xí)方法來尋找實鉆參數(shù)、測井參數(shù)與井壁穩(wěn)定之間的非線性映射關(guān)系。這些研究使機(jī)器學(xué)習(xí)在井壁穩(wěn)定預(yù)測中的應(yīng)用取得了巨大成功。然而，關(guān)于測井?dāng)?shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練的研究較多，而基于地震數(shù)據(jù)利用機(jī)器學(xué)習(xí)方法預(yù)測坍塌壓力的研究相對較少，且對地震鉆前坍塌壓力預(yù)測的精度有待進(jìn)一步提高。

為此，本文從地震數(shù)據(jù)出發(fā)，建立基于CNN-MultiLSTM神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，進(jìn)行地層坍塌壓力預(yù)測研究。首先，基于研究區(qū)域已鉆井波阻抗數(shù)據(jù)分布規(guī)律生成海量虛擬井，進(jìn)而利用褶積理論和地層坍塌壓力理論模型生成訓(xùn)練數(shù)據(jù)，建立基于CNN-MultiLSTM神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型；然后，基于正交試驗對神經(jīng)元個數(shù)、學(xué)習(xí)率、迭代次數(shù)等超參數(shù)進(jìn)行優(yōu)化，使用訓(xùn)練好的深度網(wǎng)絡(luò)模型在新井上進(jìn)行預(yù)測驗證。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)處理流程

有監(jiān)督的深度學(xué)習(xí)預(yù)測模型的效果往往取決于模型的復(fù)雜程度和用于訓(xùn)練的數(shù)據(jù)數(shù)量。在石油勘探開發(fā)領(lǐng)域中，井的數(shù)量是有限的，因此限制了可用于深度學(xué)習(xí)標(biāo)簽訓(xùn)練數(shù)據(jù)的數(shù)量。為了克服這一問題，必須利用地球物理先驗知識擴(kuò)充井位上的標(biāo)記數(shù)據(jù)，生成合成的標(biāo)簽數(shù)據(jù)用于訓(xùn)練深度學(xué)習(xí)模型。

在一定的研究區(qū)域內(nèi)，地層巖石的物理性質(zhì)往往具有一定的相似性和橫向連續(xù)性?；谶@一事實，提出如下2個假設(shè)：①在一定的研究區(qū)域內(nèi)，不同井位地層阻抗數(shù)據(jù)滿足一定的概率分布；②從已鉆井中提取的阻抗數(shù)據(jù)分布可以代表該區(qū)域內(nèi)的阻抗數(shù)據(jù)分布。基于上述假設(shè)，可以生成海量用于深度學(xué)習(xí)訓(xùn)練的井?dāng)?shù)據(jù)。圖1展示了虛擬井?dāng)?shù)據(jù)處理流程。本文重點(diǎn)針對區(qū)域內(nèi)砂泥巖地層展開預(yù)測研究。

1.2 虛擬井波阻抗

首先，搜集已鉆井相關(guān)資料，得到對應(yīng)的波阻抗分布規(guī)律。分別選擇韋伯分布、高斯分布及拉普拉斯分布理論對已鉆井波阻抗進(jìn)行擬合，優(yōu)選符合波阻抗分布規(guī)律的擬合方法，結(jié)果如圖2所示。

圖2a中，藍(lán)、紅、綠曲線分別是已鉆井資料依據(jù)韋伯分布、高斯分布及拉普拉斯分布擬合得到的頻數(shù)。其中韋伯分布位置特征偏右，拉普拉斯分布尺度特征偏高，而高斯分布與實鉆數(shù)據(jù)較為符合。這表明已鉆井波阻抗數(shù)據(jù)近似符合均值為7 339、方差為639的高斯分布規(guī)律。依據(jù)該規(guī)律可以生成海量的虛擬井。

圖2b是生成的虛擬井的波阻抗數(shù)據(jù)，其波阻抗頻數(shù)統(tǒng)計規(guī)律與已鉆井波阻抗相符。

1.3 虛擬井子波

依據(jù)已鉆井資料提取子波數(shù)據(jù)，如圖3a所示。圖3a中黑色實線是地震記錄經(jīng)過快速傅里葉變換提取的頻譜信息;紅色實線是擬合的子波頻譜信息，子波主頻為16.7 Hz。對提取的子波頻譜進(jìn)行傅里葉反變換，得到子波數(shù)據(jù)，如圖3b所示。

1.4 虛擬井合成記錄與坍塌壓力

依據(jù)得到的研究區(qū)域子波和虛擬井反射系數(shù)，通過褶積運(yùn)算則可以得到對應(yīng)的合成地震記錄。之后，依據(jù)虛擬井的波阻抗數(shù)據(jù)，利用gardner公式和常規(guī)巖石力學(xué)計算公式，得到對應(yīng)的巖石力學(xué)基礎(chǔ)參數(shù)，進(jìn)而得到虛擬井的坍塌壓力解析解標(biāo)簽。最終建立了由地震記錄到坍塌壓力的訓(xùn)練數(shù)據(jù)，可用于深度神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。研究區(qū)域共有5口已鉆井，采用其中4口井?dāng)?shù)據(jù)，并利用虛擬井的數(shù)據(jù)方法生成2 000口虛擬井用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練。故用于訓(xùn)練的數(shù)據(jù)含有2 004口井，共7 014 000組數(shù)據(jù)。將數(shù)據(jù)按照7∶3隨機(jī)劃分為訓(xùn)練集和驗證集。用第5口未參與訓(xùn)練井的數(shù)據(jù)作為預(yù)測井進(jìn)行模型預(yù)測結(jié)果驗證。

1.5 基于CNN-MultiLSTM的坍塌壓力預(yù)測模型

建立的CNN-MultiLSTM神經(jīng)網(wǎng)絡(luò)框架如圖4所示。

首先基于研究區(qū)域內(nèi)已鉆井波阻抗分布規(guī)律和巖石物理診斷理論，生成海量虛擬井波阻抗數(shù)據(jù)；然后利用褶積理論和地層坍塌壓力理論模型計算，得到虛擬井的合成地震記錄和坍塌壓力數(shù)據(jù)，建立用于機(jī)器學(xué)習(xí)的地震記錄和坍塌壓力數(shù)據(jù)對；再通過1D-CNN層提取地震記錄的數(shù)據(jù)維度特征，經(jīng)過多重LSTM層訓(xùn)練得到地層坍塌壓力預(yù)測結(jié)果。最終，深度學(xué)習(xí)模型可以通過高緯度地震記錄得到研究區(qū)域的坍塌壓力預(yù)測結(jié)果。

1.6 模型評價指標(biāo)

在機(jī)器學(xué)習(xí)領(lǐng)域，常用均方根誤差RMSE來表示模型的損失函數(shù)，利用決定系數(shù)R2來表示模型的性能函數(shù)。RMSE和R2計算式如下：

RMSE=1m∑mi=1ypi-yti2（1）

R2=1-∑mi=1（yti-ypi）2∑mi=1（yti-ym）2（2）

式中：RMSE為地層坍塌壓力預(yù)測值與實際測量值之間的標(biāo)準(zhǔn)差（均方根誤差），以當(dāng)量密度表示，g/cm3；R2為決定系數(shù)，用來評估模型預(yù)測結(jié)果準(zhǔn)確度，無量綱；ypi、yti、ym分別為地層坍塌壓力預(yù)測值、實際測量值和平均值（當(dāng)量密度），g/cm3；m為預(yù)測值個數(shù)。

一般來說，模型損失函數(shù)越小，決定系數(shù)越大，模型性能越好。

2 結(jié)果與討論

2.1 超參數(shù)優(yōu)化

模型超參數(shù)會影響整個深度學(xué)習(xí)模型的預(yù)測性能和精度。為了進(jìn)一步提升模型的綜合性能，結(jié)合前人對神經(jīng)網(wǎng)絡(luò)模型的研究經(jīng)驗，重點(diǎn)針對每層的神經(jīng)元個數(shù)、學(xué)習(xí)率、Dropout比例和迭代次數(shù)等進(jìn)行模型超參數(shù)優(yōu)化?？紤]到交叉試驗會極大增加工作量，采用正交試驗法進(jìn)行優(yōu)化設(shè)計。以1D-CNN層神經(jīng)元個數(shù)、MultiLSTM層神經(jīng)元個數(shù)、學(xué)習(xí)率、Dropout比例和迭代次數(shù)為參數(shù)因子，每個因子設(shè)置4個水平數(shù)，如表1所示。其中：1D-CNN層神經(jīng)元個數(shù)設(shè)置為128、64、32及16；MultiLSTM層的神經(jīng)元個數(shù)設(shè)置為16、32、64及128，學(xué)習(xí)率設(shè)置為0.000 1、0.001、0.01及0.1；Dropout比例設(shè)置為0、0.1、0.2及0.3，迭代次數(shù)設(shè)置為100、300、500及700。

對1D-CNN層神經(jīng)元個數(shù)、MultiLSTM層神經(jīng)元個數(shù)、學(xué)習(xí)率、Dropout比例及迭代次數(shù)的均方根誤差和決定系數(shù)進(jìn)行分析，結(jié)果如圖5所示。從優(yōu)化結(jié)果來看：1D-CNN層神經(jīng)元個數(shù)對均方根誤差影響不大，但個數(shù)越多決定系數(shù)約大，最優(yōu)的神經(jīng)元個數(shù)為128個；隨著MultiLSTM層神經(jīng)元個數(shù)的增加，均方根誤差先增大后減小，決定系數(shù)先增大后減小，綜合考慮最優(yōu)神經(jīng)元個數(shù)為64個；學(xué)習(xí)率對預(yù)測結(jié)果影響較大，0.001為最優(yōu)選擇；隨著Dropout比例增加，均方根誤差變小并趨于平緩，決定系數(shù)增大，最優(yōu)參數(shù)為0.4，優(yōu)化結(jié)果與機(jī)器學(xué)習(xí)領(lǐng)域普遍認(rèn)識一致，當(dāng)模型神經(jīng)元較大，Dropout比例適當(dāng)增大有助于增強(qiáng)模型性能。最終的超參數(shù)最優(yōu)解為：1D-CNN層神經(jīng)元個數(shù)128個，MultiLSTM層神經(jīng)元個數(shù)64個，學(xué)習(xí)率0.001，Dropout比例0.4，迭代次數(shù)500次。

2.2 訓(xùn)練結(jié)果對比

進(jìn)一步將新模型與常用的隨機(jī)森林模型的訓(xùn)練結(jié)果進(jìn)行對比，結(jié)果如圖6所示。

由圖6可知：建立的預(yù)測模型訓(xùn)練集和驗證集的均方根誤差均小于0.1，兩者的趨勢走向一致且穩(wěn)定，訓(xùn)練結(jié)果表現(xiàn)較好，模型性能較優(yōu)；隨機(jī)森林模型訓(xùn)練集與驗證集的均方根誤差隨著迭代次數(shù)的增加，趨勢走向逐漸偏離，這表明隨機(jī)森林模型存在過擬合現(xiàn)象，訓(xùn)練效果與新模型相比其泛化能力相對較差。

2.3 模型局限性

本文提出的新模型大大簡化了常規(guī)的預(yù)測流程，有效提升了地震數(shù)據(jù)鉆前預(yù)測坍塌壓力的預(yù)測精度。然而，提出的虛擬井?dāng)?shù)據(jù)生成方法只針對砂泥巖地層，忽略了地層縱向上的巖性變化影響。隨著地質(zhì)勘探工作的深入和地質(zhì)條件的復(fù)雜性增加，僅僅針對某一特定地層類型的數(shù)據(jù)生成學(xué)習(xí)模型無法全面覆蓋和準(zhǔn)確反映實際地質(zhì)情況。為了解決這個問題，未來的研究應(yīng)更加注重多套地層的數(shù)據(jù)生成學(xué)習(xí)，并構(gòu)建更加復(fù)雜、靈活的模型來適應(yīng)這些變化。

3 方法驗證

圖7為研究區(qū)域在砂泥巖井段發(fā)生嚴(yán)重坍塌的B-8井的坍塌壓力預(yù)測結(jié)果與實際坍塌位置的對比結(jié)果。預(yù)測坍塌壓力大于實鉆鉆井液當(dāng)量密度的位置與發(fā)生坍塌的位置具有較高的一致性，表明新模型能夠簡化坍塌壓力預(yù)測流程，提高了地層坍塌壓力的預(yù)測時效和預(yù)測精度。

圖8為井深4 613.8 m處不同井斜角與方位角的坍塌壓力解析解與預(yù)測值的投影云圖對比。由圖8可知，預(yù)測值與解析解的絕對誤差小于0.02 g/cm3，

相對誤差小于1.635%，表明新模型具有較好的泛化預(yù)測性能?，F(xiàn)場數(shù)據(jù)顯示，在預(yù)測坍塌壓力大于實鉆鉆井液當(dāng)量密度的位置，通過井徑測井和電成像測井證明發(fā)生了不同程度的失穩(wěn)現(xiàn)象。在井深4 613.8 m處，預(yù)測坍塌壓力當(dāng)量密度為1.275 g/cm3，而實鉆鉆井液當(dāng)量密度為1.240 g/cm3，井壁失穩(wěn)風(fēng)險較高。實鉆下鉆至4 618 m遇阻80 kN，劃眼后通過，井徑測井結(jié)果顯示，4 612～4 618 m井段的井徑擴(kuò)大率最大達(dá)到36%，現(xiàn)場數(shù)據(jù)進(jìn)一步驗證了模型的準(zhǔn)確性。

4 結(jié) 論

（1）基于CNN-MultiLSTM神經(jīng)網(wǎng)絡(luò)建立的地震數(shù)據(jù)預(yù)測坍塌壓力流程方法，優(yōu)化了現(xiàn)場解析模型計算煩瑣的問題，提高了鉆前預(yù)測坍塌壓力的精度。提出的虛擬井?dāng)?shù)據(jù)生成方法，避免了隨機(jī)生成數(shù)據(jù)不可解釋性的問題，提高了深度學(xué)習(xí)訓(xùn)練數(shù)據(jù)的可解釋性。

（2）新模型超參數(shù)的設(shè)置包含隱含層數(shù)、卷積核長度、步長、激活函數(shù)、優(yōu)化方法以及迭代次數(shù)。隱含層包含1D-CNN和MultiLSTM網(wǎng)絡(luò)層，其中1D-CNN設(shè)置為2層，每層神經(jīng)元個數(shù)為128個，卷積核的長度設(shè)置為5，步長為1；MultiLSTM網(wǎng)絡(luò)層設(shè)置為2層，每層神經(jīng)元個數(shù)為64個。學(xué)習(xí)率為0.001，Dropout比例的參數(shù)設(shè)置為0.4，優(yōu)化方法為Adam方法，迭代次數(shù)為500次。

（3）新模型在訓(xùn)練集和驗證集的均方根誤差均小于0.1，表明訓(xùn)練效果較好；訓(xùn)練集和驗證集的趨勢走向一致且穩(wěn)定，表明其泛化能力較強(qiáng)；新模型表現(xiàn)優(yōu)于隨機(jī)森林等傳統(tǒng)訓(xùn)練模型。

（4）井徑測井和電成像測井結(jié)果顯示，新模型對研究區(qū)域B-8井的坍塌壓力預(yù)測值大于實鉆鉆井液當(dāng)量密度的位置，實鉆過程發(fā)生了不同程度的失穩(wěn)現(xiàn)象，表明新模型對坍塌壓力的預(yù)測效果較好。

參考文獻(xiàn)

［1］ 李磊，楊進(jìn)，周波，等．渤海中深井復(fù)雜地層巖石特性及安全鉆井周期研究［J］．中國海上油氣，2022，34（3）：126-132．

LI L，YANG J，ZHOU B，et al.Rock characteristics and safe drilling cycle of complex formation in middle-deep wells in Bohai［J］.China Offshore Oil and Gas，2022，34（3）：126-132.

［2］ 金衍，薄克浩，張亞洲，等．深層硬脆性泥頁巖井壁穩(wěn)定力學(xué)化學(xué)耦合研究進(jìn)展與思考［J］．石油鉆探技術(shù)，2023，51（4）：159-169．

JIN Y，BO K H，ZHANG Y Z，et al.Research progress and consideration on mechanical-chemical coupling of borehole stability in deep hard and brittle shale［J］.Petroleum Drilling Techniques，2023，51（4）：159-169.

［3］ 張磊，許杰，劉海龍，等．層理性地層井壁坍塌失穩(wěn)規(guī)律研究［J］．石油機(jī)械，2019，47（2）：24-32．

ZHANG L，XU J，LIU H L，et al.Research on wellbore collapse of stratification formation［J］.China Petroleum Machinery，2019，47（2）：24-32.

［4］ HIRAMATSU Y，OKA Y.Stress around a shaft or level excavated in ground with a three-dimensional stress state［J］.Kyoto University，1962，24（1）：56-76.

［5］ 陳勉，金衍，張廣清．石油工程巖石力學(xué)［M］．北京：科學(xué)出版社，2008．

CHEN M，JIN Y，ZHANG G Q.Petroleum engineering rock mechanics［M］.Beijing：Science Press，2008.

［6］ 程萬，金衍，陳勉，等．一種基于頁巖損傷規(guī)律的井壁坍塌壓力確定方法［J］．石油鉆探技術(shù)，2014（2）：37-40．

CHENG W，JIN Y，CHEN M，et al.A method to estimate borehole collapse pressure based on shale damage law［J］.Petroleum Drilling Techniques，2014（2）：37-40.

［7］ MA T S，CHEN P，YANG C H，et al.Wellbore stability analysis and well path optimization based on the breakout width model and Mogi-Coulomb criterion［J］.Journal of Petroleum Science and Engineering，2015，135：678-701.

［8］ 劉海龍，張磊，謝濤，等．脆性泥頁巖橢圓形井眼坍塌規(guī)律分析［J］．石油機(jī)械，2020，48（5）：28-33．

LIU H L，ZHANG L，XIE T，et al.Analysis of the collapse law of elliptical brittle mud shale boreholes［J］.China Petroleum Machinery，2020，48（5）：28-33.

［9］ 金衍，陳勉，楊曉奇．利用層速度鉆前預(yù)測安全泥漿密度窗口研究［J］．巖石力學(xué)與工程學(xué)報，2004，23（14）：2430-2433．

JIN Y，CHEN M，YANG X Q.Prediction of safe mud density window by interval velocity before drilling［J］.Chinese Journal of Rock Mechanics and Engineering，2004，23（14）：2430-2433.

［10］ 吳超，陳勉，金衍．利用地震屬性鉆前預(yù)測井壁穩(wěn)定性［J］．石油鉆探技術(shù)，2006，34（3）：35-37．

WU C，CHEN M，JIN Y.Predicting borehole stability before drilling using seismic attributes［J］.Petroleum Drilling Techniques，2006，34（3）：35-37.

［11］ 馬妮，林正良，胡華鋒．基于地震數(shù)據(jù)的坍塌壓力預(yù)測方法［C］∥2022年中國石油物探學(xué)術(shù)年會．?？冢褐袊蛯W(xué)會石油物探專業(yè)委員會，中國地球物理學(xué)會勘探地球物理委員會，2022：506-509．

MA N，LIN Z L，HU H F.Collapse pressure prediction method based on seismic data［C］∥2022 China Petroleum Geophysical Exploration Academic Annual Conference.Haikou：Petroleum Exploration Professional Committee of the Chinese Petroleum Society，Exploration Geophysics Committee of the Chinese Geophysical Society，2022：506-509.

［12］ 馬天壽，向國富，石榆帆，等．基于雙向長短期記憶神經(jīng)網(wǎng)絡(luò)的水平地應(yīng)力預(yù)測方法［J］．石油科學(xué)通報，2022，7（4）：487-504．

MA T S，XIANG G F，SHI Y F，et al.Horizontal geostress prediction method based on bidirectional long and short term memory neural network［J］.Petroleum Science Bulletin，2022，7（4）：487-504.

［13］ ZHANG X，LU Y H，JIN Y，et al.An adaptive physics-informed deep learning method for pore pressure prediction using seismic data［J］.Petroleum Science，2024，21（2）：885-902.

［14］ 邵蓉波，肖立志，廖廣志，等．基于遷移學(xué)習(xí)的地球物理測井儲層參數(shù)預(yù)測方法研究［J］．地球物理學(xué)報，2022，65（2）：796-808．

SHAO R B，XIAO L Z，LIAO G Z，et al.A reservoir parameters prediction method for geophysical logs based on transfer learning［J］.Chinese Journal of Geophysics，2022，65（2）：796-808.

［15］ 李紫璇，張菲菲，祝鈺明，等．鉆井模型與機(jī)器學(xué)習(xí)耦合的實時卡鉆預(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.

［16］ HUANG H，YANG H，WANG B，et al.Research on prediction methods of formation pore pressure based on machine learning［J］.Energy Science amp; Engineering，2022，10（6）：1886-1901.

［17］ 陳凱楓，楊學(xué)文，宋先知，等．基于工程錄井?dāng)?shù)據(jù)的井漏智能診斷方法［J］．石油機(jī)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.

［18］ 李萍，于琛，王建龍，等．基于實時鉆進(jìn)參數(shù)的孔隙壓力智能預(yù)測技術(shù)［J］．石油機(jī)械，2024，52（5）：1-8．

LI P，YU C，WANG J L，et al.Intelligent prediction of pore pressure using real-time drilling parameters［J］.China Petroleum Machinery，2024，52（5）：1-8.

［19］ 馬天壽，張東洋，楊赟，等．基于機(jī)器學(xué)習(xí)模型的斜井坍塌壓力預(yù)測方法［J］．天然氣工業(yè)，2023，43（9）：119-131．

MA T S，ZHANG D Y，YANG Y，et al.Machine learning model based collapse pressure prediction method for inclined wells［J］.Natural Gas Industry，2023，43（9）：119-131.

［20］ PHAN D T，LIU C，ALTAMMAR M J，et al.Application of artificial intelligence to predict time-dependent mud-weight windows in real time［J］.SPE Journal，2022，27（1）：39-59.

第一張鑫，生于1993年，現(xiàn)為在讀博士研究生，研究方向為油氣地質(zhì)力學(xué)與人工智能交叉學(xué)科。地址：（102249）北京市昌平區(qū)。email：18611349324@163.com。

通信作者：盧運(yùn)虎，教授。email：luyh@cup.edu.cn。2024-07-262024-08-19王剛慶