機理-數(shù)據(jù)融合的造斜率智能預測方法

中圖分類號：TE243文獻標識碼：ADOI：10.12473/CPM.202404089

Bai Jiashuai，Zhong Yinming，Wang Liwei，etal.Mechanism-data fused intelligent prediction of build-up rate[J].China Petroleum Machinery，2025，53（5）：1-9.

Mechanism-Data Fused Intelligent Prediction of Build-Up Rate

Bai Jiashuai1Zhong Yinming1Wang LiweiLi Zhen2Song Xianzhi2Liu Zihao2Zhu Zhaopeng3 （1.OiProductionTechnology ResearchInstitute（Supervision Company），PetroChina XinjiangOileldompany；2.Collgeof PetroleumEngineering，China UniversityofPetroleu（Beijing）；3.ColegeofMechanicalandTransportationEngineering，Chna U niversity of Petroleum （Beijing））

Abstract：The accurate prediction ofbuild-up rate is fundamental for wellbore trajectory control，and it directlyaffects thedrilling effciencyof directional wells.However，due to the complexityof downhole mechanical behaviors，traditional prediction methods cannot accurately predictthe build-uprate for their limitations.This paper presents a mechanical-intellgent model fused build-up rate prediction method.Specifically，the mechanical model isused tocalculate the bit side force，bit rotation angleand ultimate build-uprate as the main control factors，and the automated machine learning framework is combined with other parameters for purpose of fiting prediction，therebyavoiding theempirical coeficient inversion intraditional method.In this way，theadvantagesof accurate macroscopic pattern description of the mechanical model and strong nonlinear fiting abilityof the inteligent modelare fully exerted.The data from 14 wels inthe Mahu block of Xinjiang Oilfield were used for training and test.The results show that，with mechanical parameters fused，the model achieves the maximum error，root mean square error and average absolute error of build-up rate reduced by 17% ， 12% and 8% ，respectively，with the root mean square error and average absolute error less than 1.00^° per 30m ，indicating that this method can effectively improve theaccuracyof build-uprate prediction，and is more effectively performed especially in hole sections with sharp changes in build-up rate.This study provides a new idea for the acurate prediction of build-up rate， and also a technical support for the precise control of wellbore trajectory.

Keywords：intellgent driling；automated machine learning；build-up rate prediction；mechanism-data fused; mechanical parameter

0引言

造斜率的精確預測是實現(xiàn)井眼軌跡高質(zhì)量調(diào)控的基礎(chǔ)，但由于造斜率的影響因素極為復雜，至今尚未完全厘清底部鉆具組合（BHA）在復雜地層中的造斜機理，所以精確預測仍具挑戰(zhàn)性。針對這一難題，國內(nèi)外專家學者已開展了廣泛的研究并不斷深化其認識，形成了眾多預測方法。目前，這些方法大體上可以概況為3類[1]。第一類是利用導向工具結(jié)構(gòu)和軌跡參數(shù)進行幾何外推預測。例如，劉修善2基于導向鉆具結(jié)構(gòu)建立了幾何造斜率的實用計算方法和定向造斜方程，實現(xiàn)了造斜率[]的快速預測。侯學軍等[4]通過修正三點定圓法，建立了單彎雙扶鉆具的造斜率預測模型，并反演了轉(zhuǎn)換系數(shù)。第二類是通過力學建模分析BHA受力及其與地層的相互作用機制，進而預測造斜率變化。例如，白家祉等[5]、高德利等[分別基于縱橫彎曲梁法和加權(quán)余量法為BHA力學分析奠定了理論基礎(chǔ)，揭示了鉆頭側(cè)向力、鉆頭轉(zhuǎn)角等力學參數(shù)對造斜率有著顯著影響。蘇義腦、王舸等8、史育才等[9]分別建立了極限曲率法、零側(cè)向鉆速法和鉆進趨勢角法以描述造斜率與力學參數(shù)間的定量關(guān)系，得到極限造斜率，再乘以折算系數(shù)，得到最終的實際造斜率。國外M.REICH等[10]、M.HAJ-IANMALEKI等[\"學者通過有限元模擬得到了不同鉆具組合下的造斜趨勢。第三類是基于大量實鉆數(shù)據(jù)，利用統(tǒng)計學方法和人工智能技術(shù)建立影響造斜率的各種參數(shù)與實際造斜率之間的映射關(guān)系。近年來，人工智能技術(shù)逐漸被應用到機械鉆速預測[12-14]、鉆井風險預警[15-17]等石油工程領(lǐng)域之中，期望解決機理模型難以精確建模的難題，同時也為造斜率預測提供了新的思路。張紅等[8基于Kriging代理模型建立了造斜率預測方法。潘勇博等[9]對其進行了改進，提升了預測精度。QIUW.D.等[20]基于相同數(shù)據(jù)集，利用神經(jīng)網(wǎng)絡構(gòu)建了造斜率智能預測模型。李臻等[2I]考慮 BHA 影響，建立了一種雙輸入智能模型用于預測井眼軌跡和造斜率變化。

盡管造斜率預測方法已經(jīng)取得了系統(tǒng)深入的研究成果，但目前的方法仍存在一定的局限性。例如，第一類幾何方法無法考慮工具結(jié)構(gòu)、地層性質(zhì)和鉆井參數(shù)的影響，誤差較大。第二類力學方法雖為當前主流，具有較強的泛化能力和可解釋性，但模型存在簡化且依賴多種假設，難以同時滿足，加之部分經(jīng)驗系數(shù)求解困難，限制了其應用范圍。第三類智能方法雖然精度較高，但高度依賴數(shù)據(jù)質(zhì)量，泛化能力和可解釋性不足，建立復雜模型對專業(yè)知識要求較高，且模型參數(shù)優(yōu)選具有一定的主觀性。因此，結(jié)合了力學和智能模型優(yōu)勢的新型造斜率預測方法，將有望顯著提升預測精度和可遷移性。盡管目前已有一些相關(guān)探索，例如張紅等學者利用同一數(shù)據(jù)集考慮鉆頭側(cè)向力和鉆頭轉(zhuǎn)角等力學參數(shù)構(gòu)建了智能預測模型[18-20]，但由于數(shù)據(jù)點僅26個，未能充分發(fā)揮智能模型的潛力，且未考慮轉(zhuǎn)速、排量等工程參數(shù)的影響，也未分析力學參數(shù)在智能模型中的具體作用。

針對上述問題，筆者提出一種融合BHA力學分析與智能模型的造斜率預測方法。首先計算鉆頭側(cè)向力、鉆頭轉(zhuǎn)角、極限造斜率等關(guān)鍵力學參數(shù)并將其作為主控因素，再結(jié)合鉆壓、機械鉆速、轉(zhuǎn)盤轉(zhuǎn)速、扭矩等地面工程參數(shù)，通過自動化機器學習框架AutoGluon構(gòu)建智能模型進行擬合預測，從而代替?zhèn)鹘y(tǒng)力學模型經(jīng)驗系數(shù)求解的過程。相較于傳統(tǒng)反演方法，這種方法無需顯式求解復雜關(guān)系式，易于實現(xiàn)，且其非線性擬合能力強，能夠有效學習扭矩、轉(zhuǎn)盤轉(zhuǎn)速等力學方法難以精確建模而又對造斜率具有較大影響的參數(shù)。通過現(xiàn)場數(shù)據(jù)對方法進行驗證，分析了力學參數(shù)在智能模型中的作用，與純智能模型相比，該方法提高了造斜率預測精度，并增強了模型的泛化能力。

1相關(guān)原理

1.1 BHA力學分析

使用縱橫彎曲梁法對BHA進行簡化和受力分析，將復雜的三維分析轉(zhuǎn)換為井斜和方位2個平面的分析，如圖1所示，求解出鉆頭側(cè)向力和鉆頭轉(zhuǎn)角，公式如下。

井斜平面[4]：

方位平面[4]：

式中： F_ap 和 F_aq 分別為井斜和方位平面的鉆頭側(cè)向力， N ： A_m 和 A_tq 分別為井斜和方位平面的鉆頭轉(zhuǎn)角，rad； L₁ 為鉆頭至下穩(wěn)定器的距離， cm ： 為鉆壓， N ; y_1p 和 y_1q 為分別為井斜和方位平面的第一跨穩(wěn)定器中點縱坐標， cm . 為第一跨螺桿在鉆井液中的線重力， N/cm ; 和 分別為井斜和方位平面下穩(wěn)定器處的彎矩， N?cm ； EI₁ 為第一跨螺桿抗彎剛度， N?cm² ; X_ulp 、 Z_ulp 和Z_ulq 分別為三彎矩方程組井斜和方位平面的放大因子，無因次。

圖1中， γ 為單彎螺桿彎角，（°）。

通過上述力學分析只能得到鉆頭側(cè)向力與鉆頭轉(zhuǎn)角，且無法考慮地層性質(zhì)的影響。為此，引入鉆頭-地層相互作用模型和零側(cè)向鉆速準則[8]計算極限造斜率。鉆頭-地層相互作用模型通過坐標系轉(zhuǎn)換考慮了地層傾角、井斜、鉆壓等參數(shù)的影響，最終建立三維鉆速方程：

式中： R_a 和 R_k 分別為沿井眼軸向和側(cè)向的鉆速分量， m/h ； D_n 為法向鉆進效率，無因次； 和 s 分別為井底坐標與地層坐標和井底坐標與鉆頭坐標之間的轉(zhuǎn)換矩陣； I_rk 和 I_b 分別為地層和鉆頭各向異性指數(shù)，無因次；下角 k 表示井斜或方位平面。

零側(cè)向鉆速準則是通過假定井眼曲率，將計算所得的鉆頭側(cè)向力和鉆頭轉(zhuǎn)角代入鉆頭-地層相互作用模型進行迭代計算，直至側(cè)向鉆速為0，此時的井眼曲率即為極限造斜率。

1.2 自動機器學習框架AutoGluon

AutoGluon是亞馬遜公司開源的一個自動機器學習（AutoML）框架，專門設計以自動完成多種機器學習任務，包括分類、回歸和時間序列預測[22-23]。該框架集成了多種機器學習算法，如深度學習、梯度提升和隨機森林等，通過內(nèi)部算法性能比較自動地選取最優(yōu)模型。AutoGluon還支持集成學習，能夠智能融合多個模型的預測結(jié)果，從而提高預測的準確性和穩(wěn)定性。其核心優(yōu)勢在于自動化模型選擇和超參數(shù)調(diào)整，顯著簡化了傳統(tǒng)機器學習流程中的手動試驗步驟，降低了機器學習應用的技術(shù)門檻

2數(shù)據(jù)準備

2. 1 數(shù)據(jù)描述

本文數(shù)據(jù)來源于新疆準噶爾盆地瑪湖區(qū)塊的14口井，涵蓋實時錄井、隨鉆測量（MWD）與底部鉆具組合等30余種類型的參數(shù)。該區(qū)地層傾角2^°～5^° ，造斜段通常使用外徑 135mm1.5^° 單彎單穩(wěn)（穩(wěn)定器外徑 152mm ）螺桿鉆具組合或外徑135 單彎螺桿鉆具組合；水平段多采用外徑 單彎雙扶螺桿鉆具組合或 1.00^° 單彎雙扶螺桿鉆具組合。MWD數(shù)據(jù)記錄間隔約為 10m 。

2.2 數(shù)據(jù)清洗

智能模型對數(shù)據(jù)質(zhì)量要求較高，在應用之前需對多源數(shù)據(jù)進行清洗和標準化處理。由于數(shù)據(jù)集缺失值較少，這里采用智能領(lǐng)域常用的 3σ 方法進行異常值檢測和剔除，并使用線性插值方法填充缺失值，采用SG濾波算法進行數(shù)據(jù)降噪。需要注意的是，在滑動鉆進工況下，轉(zhuǎn)盤轉(zhuǎn)速近乎為0，極易被檢測為異常值，所以對轉(zhuǎn)盤轉(zhuǎn)速特征不作處理。

2.3 力學參數(shù)計算

使用1.1節(jié)中的力學分析方法計算井斜和方位平面的鉆頭側(cè)向力、鉆頭轉(zhuǎn)角和極限造斜率，再利用下式[8]計算三維條件下的極限造斜率：

式中： K 為極限曲率， K_p 為極限曲率在井斜平面的投影， K_q 為極限曲率在方位平面的投影，（°）。

2.4 特征優(yōu)選

在智能模型構(gòu)建中，選取合適數(shù)量的輸人參數(shù)至關(guān)重要。過多的輸入特征可能會干擾模型，影響其性能。為此，采用斯皮爾曼相關(guān)系數(shù)來進行特征優(yōu)選，這一方法能有效衡量非線性特征之間的相關(guān)性，適合造斜率預測問題。斯皮爾曼相關(guān)系數(shù)的計算公式如下：

式中： k 為斯皮爾曼相關(guān)系數(shù)，其值分布在［-1，1]之間， klt;0 表示負相關(guān)， kgt;0 表示正相關(guān)，其絕對值越靠近1，變量之間相關(guān)性越強； n 為數(shù)據(jù)量； d_i 為第 i 個數(shù)據(jù)對應的排序位次之差。

使用斯皮爾曼相關(guān)系數(shù)對錄井工程數(shù)據(jù)、MWD數(shù)據(jù)和力學參數(shù)進行造斜率相關(guān)性分析，對于模型訓練，只有絕對值較大的特征才會被選為模型訓練的輸入。相關(guān)性分析的部分結(jié)果如圖2所示，其中相關(guān)性小于0.1的特征未展示。分析顯示，極限造斜率、井斜平面極限造斜率、井斜平面鉆頭側(cè)向力和鉆頭轉(zhuǎn)角等力學參數(shù)與造斜率的相關(guān)性較強，印證了這些力學參數(shù)是造斜率的主控因素，同時可以發(fā)現(xiàn)方位平面的力學參數(shù)中僅極限造斜率對實際造斜率影響較大，其余參數(shù)相關(guān)性較弱。這說明在該區(qū)塊的鉆井過程中，造斜率主要受井斜控制影響。單從數(shù)據(jù)反映來看，盡管鉆壓和機械鉆速與造斜率的相關(guān)系數(shù)較小，但鉆壓是進行軌跡調(diào)控的主要參數(shù)，同時也是力學模型的主要輸入?yún)?shù)，而機械鉆速影響側(cè)向鉆井效率，因此將鉆壓和機械鉆速也作為輸人特征。

綜上所述，最終選擇極限造斜率（ K_max ）、井斜角 （θ） 、扭矩 （T） 、轉(zhuǎn)盤轉(zhuǎn)速 、測量井深（H） 、井斜平面極限造斜率 （K_p ）、方位平面極限造斜率 （K_q ）、入口流量（Q）、井斜平面鉆頭側(cè)向力 （F_ap ）、井斜平面鉆頭轉(zhuǎn)角 （A_tp ）、機械鉆速 和鉆壓 ）共12種參數(shù)作為模型輸入特征。最終處理好的數(shù)據(jù)集共有2225條數(shù)據(jù)，其統(tǒng)計分布如表1所示。

3模型構(gòu)建與訓練

3.1 模型配置

在AutoGluon中，模型范圍的選擇廣泛，包括了K近鄰算法（KNN）、決策樹（DecisionTree）、隨機森林（RF）、梯度提升機（GBM）、神經(jīng)網(wǎng)絡（ANN）及各自的變體等多種機器學習模型。為了提升模型性能，AutoGluon不僅使用這些單一機器學習模型進行訓練，還會嘗試應用集成學習策略以進一步提升預測精度，這種策略通過構(gòu)建并組合多個模型來提高預測的準確性和穩(wěn)定性[24]。這里使用堆疊（Stacking）方法[25]構(gòu)建集成學習策略，通過創(chuàng)建多層模型來優(yōu)化預測效果，其中每一層都學習如何最佳地結(jié)合前一層的預測。鑒于本文數(shù)據(jù)集規(guī)模較小，為避免過擬合，堆疊層數(shù)被限制為2層。為了全面比較各個模型的優(yōu)劣，選擇了Auto-Gluon提供的全部11種基礎(chǔ)模型進行獨立訓練和集成，包括極端隨機樹（ExtraTreesMSE）、大型輕量級梯度提升機（LightGBMLarge）、隨機森林（RF）、距離加權(quán)K最近鄰（KNeighborsDist）、極限梯度提升機（XGBoost）、輕量級梯度提升機（LightGBM）、分類提升（CatBoost）、特殊優(yōu)化的輕量級梯度提升機（LightGBMXT）、FastAI神經(jīng)網(wǎng)絡（NeuralNetFastAI）、PyTorch神經(jīng)網(wǎng)絡（Neural-NetFastAI）和均勻權(quán)重K最近鄰（KNeighbor-sUnif）[22]。集成過程的具體實施策略如圖3所示。

圖3具有2層堆疊的集成策略示意圖 Fig.3Schematic diagram of ensemble strategywithtwostacked layers

由圖3可知，AutoGluon對傳統(tǒng)堆疊方法進行了3項改進[22]。首先，堆疊層的輸入不僅包括來自基礎(chǔ)模型的預測結(jié)果，還加入了原始特征，使得堆疊模型在訓練過程中能夠更加細致地關(guān)注原始特征的變化。其次，堆疊層模型重用了基礎(chǔ)模型，這種方法類似于深度學習中的逐層訓練，可視為一種替代模型的訓練策略。最后，輸出預測采用加權(quán)聚合方式，能夠有效增強模型的泛化能力。

3.2 模型訓練

在完成模型配置之后，便可開始進行模型訓練。從新疆準噶爾盆地瑪湖區(qū)塊的14口井中隨機選擇13口作為訓練集，剩余1口井作為測試集。模型的超參數(shù)選擇由AutoGluon自動完成，其涉及的技術(shù)包括貝葉斯優(yōu)化、超參數(shù)搜索及梯度優(yōu)化等。

3.3 評價指標

研究采用4個主要指標來評價模型的性能，包括均方根誤差 E_RMS （Root Mean Squared Error，RMSE）[21，26]、平均絕對誤差 E_MA （Mean AbsoluteError，EMA）、最大誤差 E_u （Maximum Error）和決定系數(shù)（ R²） 。 E_RMS 對數(shù)據(jù)中的異常值較為敏感，重點關(guān)注誤差預測值與真實值相差較大的部分； E_MA 是造斜率預測最常用的評價指標，衡量預測值與真實值的整體偏差程度； E_M 可以直觀反映出預測值與真實值的最大偏差； R² 是對回歸模型的一種評價指標，取值范圍為［0，1]，當值越接近于1，則說明模型擬合越好，值越接近于0，則模型擬合越差。計算公式分別如下：

E_M=max∣y_i-y_i^S∣

式中： n 為數(shù)據(jù)量； y_i 和 y_i^s 分別為第 i 個真實值和預測值; y 為平均值。

3.4 實現(xiàn)過程

提出的方法分為3個主要步驟實現(xiàn)。首先對收集的多源數(shù)據(jù)進行綜合清洗和特征優(yōu)選，提供數(shù)據(jù)基礎(chǔ)。其次利用清洗的數(shù)據(jù)進行BHA力學分析，計算得到關(guān)鍵力學參數(shù)。然后將所得到的力學參數(shù)聯(lián)合其他優(yōu)選特征輸入到AutoGluon自動化機器學習框架中建立智能模型。最后進行模型訓練，實現(xiàn)造斜率預測。圖4為預測流程圖。

4應用與分析

4. 1 結(jié)果分析

選取MaHW1026井作為測試實例。該井包含造斜段至穩(wěn)斜段共175個實測點，其中造斜段為2 468m～2 963m ，水平段為 2963m～4497m 。選擇AutoGluon訓練得到的最優(yōu)模型（集成模型：WeightedEnsemble_L2）進行造斜率預測，結(jié)果如圖5所示。結(jié)果表明，每 30m 造斜率預測值與實測值的均方根誤差、平均絕對誤差和最大誤差分別為 0.82^° 和 0.61^° 和 2.95^° ，其中每 30m 均方根誤差和平均絕對誤差均小于 1.00^° ，說明模型具有較好的預測效果。在具體的井段分析中，造斜段每30m 的平均絕對誤差為 0.94^° ，平均相對誤差為19.37% ，小于 20% ，顯示出模型的良好適用性。盡管水平段的平均相對誤差相對較高，達到44.45% ，這主要是因為水平段的造斜率數(shù)值較小，而水平段每 30m 的平均絕對誤差僅為 0.39^° ，小于 0.5^° ，對鉆井現(xiàn)場仍具有重要的參考價值。此外模型的決定系數(shù)為0.86，表明模型在回歸擬合上也展現(xiàn)出較強的能力。

使用AutoGluon訓練的其他模型進行同樣的預測，結(jié)果如表2所示。

可以發(fā)現(xiàn)，經(jīng)過參數(shù)自動尋優(yōu)的模型整體預測精度接近，集成模型整體預測效果略高于其他機器學習模型，且所有模型運行時間均短于6s，滿足現(xiàn)場應用的時效性

4.2 參數(shù)對比

為了評估力學模型對智能模型的貢獻，對比了不含力學參數(shù)和包含力學參數(shù)情況下的造斜率預測結(jié)果，如圖6、圖7、圖8和表3所示。

圖6和圖7的展示結(jié)果表明，在水平段，無論是否包含力學參數(shù)，模型都顯示出良好的預測效果，而含力學參數(shù)的模型在各項預測誤差上略優(yōu)于不包含力學參數(shù)的模型，預測值基本與實際造斜率的平均值相符。然而，在造斜段，加入力學參數(shù)后的模型在所有預測誤差指標上明顯低于不含力學參數(shù)的模型，特別是在 2840～2890m 的井段中造斜率發(fā)生劇烈變化時，引入力學參數(shù)的融合模型的預測精度明顯提升。此時模型能夠較為敏感地捕捉到數(shù)據(jù)的變化，而未包含力學參數(shù)的模型預測結(jié)果則幾乎無變化。

從圖8可以看出：考慮力學參數(shù)的融合模型的決定系數(shù)為0.86，預測點更緊密地圍繞著基準線；相比之下，未考慮力學參數(shù)的模型的決定系數(shù)為0.81，預測點的分布更為分散，與基準線的偏離距離也更大。這一對比結(jié)果表明，引入力學參數(shù)能夠有效提升模型的預測能力。為了驗證力學模型對智能模型貢獻的普適性，使用AutoGluon訓練的其他模型進行了同樣的對比分析，結(jié)果詳見表3。

表3含力學參數(shù)與不含力學參數(shù)各模型預測結(jié)果對比

分析結(jié)果顯示，在加入力學參數(shù)后，所有模型的預測誤差普遍降低，同時決定系數(shù)也普遍提高，最優(yōu)模型均為集成模型WeightedEnsemble_L2。在最優(yōu)模型的預測條件下，含力學參數(shù)模型的最大誤差相較于不含力學參數(shù)的模型，造斜率由每 30m 的 3.56^° 降低至 2.95^° ，降低 17% ；均方根誤差降低 12% ，平均絕對誤差也降低了 8% 。數(shù)據(jù)表明，力學參數(shù)的確在提高模型預測精度方面發(fā)揮了作用，尤其是在造斜率急劇變化的井段表現(xiàn)得更為明顯。同時，決定系數(shù)從0.81提升到0.86也印證了模型在加人力學參數(shù)后，擬合效果得到了提升。

綜上所述，機器學習模型在水平段的造斜率預測上有較好表現(xiàn)，而加入力學參數(shù)的融合模型在整體預測精度和擬合效果上都優(yōu)于不含力學參數(shù)的純機器學習模型，特別是在造斜率變化較大的井段。這表明力學參數(shù)在提高智能模型應對復雜變化情況的預測能力方面發(fā)揮了關(guān)鍵作用。

5 結(jié)論和認識

（1）基于底部鉆具組合力學分析與智能模型，建立了一種，通過計算力學參數(shù)作為主控因素，使用智能模型結(jié)合其他關(guān)鍵參數(shù)進行擬合訓練，取代傳統(tǒng)力學方法經(jīng)驗系數(shù)求解的過程，有效提升了造斜率的預測精度和模型的擬合能力。

（2）智能模型采用AutoGluon自動化機器學習框架，不僅降低了智能模型應用的門檻，同時通過自動化建模和超參數(shù)優(yōu)選，顯著提升了模型的性能。自動尋優(yōu)條件下，多種機器學習模型表現(xiàn)出接近的精度，而集成學習模型的性能略為突出。該框架構(gòu)建的模型結(jié)構(gòu)簡單，運行時間短，均不超過6s，滿足了現(xiàn)場應用對時效性的需求。

（3）現(xiàn)場數(shù)據(jù)驗證表明，力學參數(shù)作為主控因素，能夠有效增強模型的預測精度，尤其是增強了智能模型在造斜率急劇變化情況下的感知和預測能力。相較于未考慮力學參數(shù)的純機器學習模型，融合模型的最大誤差、均方根誤差和平均絕對誤差分別下降了 17% 、 12% 和 8% ，其中均方根誤差和平均絕對誤差均小于每 30m1.00^° 。從不同井段的分析結(jié)果來看，力學參數(shù)在造斜段的預測效果提升方面尤為顯著，而在水平段預測精度也有所提高。

（4）考慮到MWD數(shù)據(jù)采集頻率的限制，當前數(shù)據(jù)量相對較少。因此，有必要在未來的工作中收集更多數(shù)據(jù)，特別是不同區(qū)塊的數(shù)據(jù)，以進一步驗證本方法的穩(wěn)定性和可靠性。

參考文獻

[1］祝效華，劉清友，李紅巖，等．井眼軌跡預測理論及方法研究［J]．天然氣工業(yè)，2004，24（4）：38-40.ZHU X H，LIU QY，LI HY，et al. Study on theoryand method of bore-hole trajectory prediction[J].Natural Gas Industry，2004，24（4）： 38-40.

[2] 劉修善．導向鉆具幾何造斜率的實用計算方法[J]．天然氣工業(yè)，2005，25（11）：50-52.LIU X S.Practical calculation method of geo metric de-flection rate of guide drilling tool [J]. Natural Gas In-dustry，2005，25（11）：50-52.

[3] 劉修善．導向鉆具定向造斜方程及井眼軌跡控制機制［J]．石油勘探與開發(fā)，2017，44（5）：788－793.LIU X S.Directional deflection equations for steerabledrilling tools and the control mechanism of wellbore traj-ectory[J].Petroleum Exploration andDevelopment，2017，44（5）： 788-793.

[4] 侯學軍，鐘文建，王居賀，等．單彎雙扶渦輪鉆具造斜能力預測方法研究［J］．石油機械，2023，51（2）： 33-41.HOU XJ，ZHONG WJ，WANG JH，et al.Predic-tion of build-up capacity of the single-bend double-stabi-lizer turbodrill[J]．ChinaPetroleumMachinery，2023，51（2）：33-41.

[5] 白家祉，蘇義腦．井斜控制理論與實踐［M]．北京：石油工業(yè)出版社，1990.

[6] 高德利，劉希圣，徐秉業(yè)．井眼軌跡控制［M］．東營：石油大學出版社，1994.

[7] 蘇義腦．極限曲率法及其應用［J]．石油學報，1997（3）： 112-116.SU Y N.A method of limiting curvature and its applica-tions ［J]. Acta Petrolei Sinica，1997（3）：112-116.

[8] 王舸，黃文君，高德利．滑動鉆進造斜率預測與分析［J]．石油鉆采工藝，2022，44（2）：139-144.WANG G，HUANG WJ，GAO D L. Prediction and a-nalysis of build-up rate during sliding drilling [J].OilDrilling amp;Production Technology，2022，44（2）：139-144.

[9] 史玉才，管志川，趙洪山，等．底部鉆具組合造斜率預測新方法［J]．中國石油大學學報（自然科學版），2017，41（1）：85-89.SHI Y C，GUAN Z C， ZHAO H S，et al. A newmethod for build-up rate prediction of bottom-hole as-sembly in well drilling [J].Journal of China Universityof Petroleum（Edition of Natural Science），2017，411：0J

[10] REICH M， OESTERBERG M. Automated drilling ap-plication for gaining higher efficiency on extend reachwell[Z]． [S.l.：s.n.] 2003：89-95.

[11] HAJIANMALEKI M，DAILY J S. Critical-buckling-Load assessment of drill strings in different wellboresby use of the explicit finite-element method [J]. SPEDrillingamp; Completion，2014，29（2）：256-264.

[12] ZHOU F，F(xiàn)AN HH，LIU YH，et al. Application ofXgboost algorithm in rate of penetration prediction withaccuracy [C]// International Petroleum TechnologyConference.Riyadh，Saudi Arabia：IPTC，2022：IPTC 22100-MS.

[13] 宋先知，裴志君，王潘濤，等．基于支持向量機回歸的機械鉆速智能預測［J]．新疆石油天然氣，2022，18（1）：14-20.SONG X Z，PEI Z J，WANG P T，et al. Intelligentprediction for rate of penetration based on support vec-tor machine regression [J]. Xinjiang Oilamp;Gas，2022，18（1）：14-20.

[14] ZHANG C K，SONG X Z，SU Y N，et al. Real-timeprediction of rate of penetration by combining attention-based gated recurrent unit network and fully connectedneural networks [J]． Journal of Petroleum Scienceand Engineering，2022，213：110396.

[15] 祝兆鵬，張瑞，宋先知，等．數(shù)據(jù)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-timeprediction of bottomhole pressure based on data expan-sion and incremental update ［J]. China PetroleumMachinery，2023，51（6）：1-10.

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

[17] 李宏波，羅平亞，白楊，等．機器學習算法概述及其在鉆井工程中的應用［J]．新疆石油天然氣，2022，18 （1）：1-13.LI HB，LUO PY，BAI Y，et al.Summary for ma-chine learming algorithms and their applications in drill-ing engineering［J]． Xinjiang Oil amp; Gas，2022，18（1）：1-13.

[18] 張紅，涂憶柳，馮定，等．基于Kriging 代理模型的造斜率預測方法研究［J］．科學技術(shù)與工程，2017，17 （3）： 61-68.ZHANG H，TUY L，F(xiàn)ENG D，et al.Research onslope prediction method based on Kriging surrogatemodel［J]. Science Technology and Engineering，2017，1/（3）：61-68.

[19] 潘勇博，張紅，馮定，等．基于Kriging 法的造斜率預測精度提升研究［J]．石油機械，2023，51（10）：41-49.PAN YB，ZHANG H，F(xiàn)ENG D，et al. Research onimproving the prediction accuracy ofbuild-up ratebased on Kriging method [J]. China Petroleum Ma-chinery，2023，51（10）：41-49.

[20] QIU W D，WEN G J，LIU H J. A back-propagationneural network model based on genetic algorithm forprediction of build-up rate in drilling process [J]．A-rabian Journal for Science and Engineering，2O22，47（9）：11089-11099.

[21] 李臻，宋先知，李根生，等．基于雙輸人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 intelli-gent prediction of well trajectory based on dual-inputsequence-to-sequence model [J]． Oil Drilingamp; Pro-duction Technology，2023，45（4）：393-403.

[22] ERICKSON N，MUELLER J，SHIRKOV A，et al.AutoGluon-Tabular：robust and accurate autoML forstructured data ［DB/OL]. arXiv，2020（2020-03-13） [2023-12 -15]. https：//arxiv. org/abs/2003. 06505.

[23] PIANTADOSI J，HOWLETT P，BOLAND J. Matc-hing the grade correlation coefficient using a copulawith maximum disorder [J]. Journal of Industrial andManagement Optimization，2007，3（2）：305-312.

[24] DONG X B，YU Z W，CAO W M，et al. A surveyon ensemble learning [J]． Frontiers of Computer Sci-ence，2020，14（2）：241-258.

[25] ONAN A，KORUKOGLU S，BULUT H. Ensemble ofkeyword extraction methods and classifiers in text clas-sification [J].Expert Systems with Applications，2016，57：232-247.

[26] OZER D J. Correlation and the coefficient of determi-nation［J]. Psychological Bulletin，1985，97（2）：307-315.

作者簡介：白佳帥，工程師，生于1997年，2019年畢業(yè)于東北石油大學石油工程專業(yè)，現(xiàn)從事鉆井遠程技術(shù)優(yōu)化工作。地址：（834000）新疆克拉瑪依市。email：yibaijs @ pefrochina. com.cn。

通信作者：李臻。email：2675535921@qq.com。

收稿日期：2024-04-28 修改稿收到日期：2024-08-14（本文編輯劉鋒）