引用本文
于春勇, 陈添, 邢孟冬, 彭力, 李勇刚. 基于钻录测井多参数耦合的随钻地层三压力监测方法[J]. 录井工程, 2025,36(3): 29-37.
YU Chunyong, CHEN Tian, XING Mengdong, PENG Li, LI Yonggang. Method of formation three-pressure monitoring while drilling based on multi-parameter coupling of drilling, mud logging and well logging[J]. Mud Logging Engineering, 2025,36(3): 29-37.
Doi:10.3969/j.issn.1672-9803.2025.03.005  
Permissions
Copyright©2025, 《录井工程》杂志社
《录井工程》杂志社 所有
基于钻录测井多参数耦合的随钻地层三压力监测方法
于春勇①, 陈添②, 邢孟冬③, 彭力④, 李勇刚⑤
①中国石油渤海钻探第一录井公司
②中国石油渤海钻探工程技术部（工程作业智能支持中心）
③中国石油大港油田公司第五采油厂
④中国石油渤海钻探泥浆技术服务公司
⑤中国石油渤海钻探第二钻井工程分公司

作者简介：于春勇 高级工程师,1989年生,博士,2019年毕业于西北大学地质学系矿产普查与勘探专业,现在中国石油渤海钻探第一录井公司主要从事石油勘探与开发及异常压力等方面研究工作。通信地址：300280 天津市滨海新区海滨街团结东路8号。E-mail：yuchuny@cnpc.com.cn

收稿日期: 2025-08-04
基金: 中国石油天然气集团有限公司数智中国石油重大专项“石油石化工业软件”钻井安全控制软件（编号：2024ZZ46-05）;中国石油渤海钻探工程公司重大工艺项目“破碎带地层压力动静态模型表征及预监测系统研究”（编号：2024ZD13Y-01）
摘要

随着油气资源勘探开发的不断深入,地层三压力（孔隙压力、坍塌压力、破裂压力）的精准监测显得更为重要。然而,传统地层三压力监测方法虽然已被广泛应用,但存在依赖人为经验和参数设定的局限性。为了实现地层三压力的实时精准监测,以黄骅坳陷北大港潜山构造带4口待监测井为例,基于待监测井周边已完钻井的钻、录、测井资料,结合极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）及随机森林（RF）等先进机器学习算法,将钻、录井数据与基于多孔弹性力学理论的测井计算压力相耦合,并采用加权集成（Weighted Ensemble）算法进行了优化,实现了地层三压力的实时精准监测。结果表明：研究区全部实测压力点钻后评价显示,孔隙压力预测的平均相对误差为6.32%,整体监测精度在93%以上,多参数耦合地层三压力监测技术具有较高的预测精度和良好的泛化性能及可行性。鉴于该方法能够实现多岩性、多类型储层、多压力成因地层的随钻三压力精准监测,可推广应用到其他复杂油气藏的随钻三压力监测中,为地质工程一体化风险预测与钻井安全高效施工提供技术支撑。

关键词: 地层三压力; 随钻监测; 机器学习; 随机森林; 黄骅坳陷; 多参数耦合
中图分类号:TE132.1 文献标志码:A
Method of formation three-pressure monitoring while drilling based on multi-parameter coupling of drilling, mud logging and well logging
YU Chunyong①, CHEN Tian②, XING Mengdong③, PENG Li④, LI Yonggang⑤
①No.1 Mud Logging Company, BHDC, CNPC, Tianjin 300280, China
②Drilling Engineering Technology Department （Intelligent Support Center for Engineering Operations）
③CNPC Bohai Drilling Engineering Co., Ltd. Tianjin, 300280, China
③The Fifth Oil Production Plant of Dagang Oilfield, Tianjin, 300280, China
④Mud Service Company, CNPC Bohai Drilling Engineering Co., Ltd. Tianjin, 300280, China
⑤No.2 Drilling Engineering Company, BHDC, CNPC, Langfang , Hebei, 065000, China
Abstract

With the deepening of exploration and development of oil and gas resources, it is more important to accurately monitor the three pressures of formation （pore pressure, collapse pressure and fracture pressure）. However, although the traditional formation three-pressure monitoring method has been widely used, it has the limitation of relying on human experience and parameter setting. In order to realize the real-time and accurate monitoring of formation three pressures, this paper takes four wells to be monitored in Beidagang buried hill structural belt of Huanghua Depression as an example. Based on the drilling, recording and logging data of completed wells around the wells to be monitored, combined with advanced machine learning algorithms such as Extreme Gradient Boosting （XGBoost）, light Gradient Boosting Machine （LightGBM） and Random Forest （RF）, the drilling and logging data are coupled with the logging calculation pressure based on poroelastic mechanics theory. The results show that the pore pressure prediction average relative error of all measured pressure points in the study area is 6.32%, and the overall monitoring accuracy is over 93%. The multi-parameter coupled formation three-pressure monitoring technology has high prediction accuracy, good generalization performance and feasibility. In view of the fact that this method can achieve accurate monitoring of three pressures while drilling in multi-lithologies, multi-types of reservoirs, and multi-pressure genesis formations, it can be popularized and applied to three pressures while drilling monitoring in other complex oil and gas reservoirs, providing technical support for integrated risk prediction and safe and efficient drilling construction of geological engineering.

Keyword: formation three-pressure; monitoring while drilling; machine learning; Random Forest; Huanghua Depression
0 引言

在油气资源的勘探与开发过程中, 地层三压力的精准监测是确保钻井作业安全高效开展的基石[1]。含油气沉积盆地中普遍存在异常地层三压力现象, 作为油气开发中的关键因素, 其影响贯穿于油气的生成、运移、聚集乃至成藏的各个阶段[2], 是油气勘探中一个不可忽视的影响因素。异常地层三压力的形成机制复杂多样, 主要包括地层的欠压实作用、孔隙流体的体积膨胀, 以及构造作用等[3, 4], 这些因素不仅影响油气的生成和运移, 还直接关系到钻井作业的安全和效率。

地层三压力实时监测在钻井作业中至关重要。通过随钻记录分析钻井数据和录井参数等相关信息获取地层压力的技术称为地层压力随钻监测技术。目前常用的地层压力监测方法有泥页岩密度法、dc指数法[5, 6]、Sigma指数法[7]和岩石强度法[8]等, 虽然在实践中均得到了广泛应用, 但普遍依赖于经验公式和参数的设定, 因而具有一定的主观性和局限性[9], 不仅限制了地层三压力预测结果的精确性, 还可能在不同地质条件下出现较大的适用性偏差。为了在钻井施工之前获得地层三压力, 当前只能通过借助已钻邻井压力数据和地震资料钻前压力预测来实现, 而地震资料预测过程需要大量测井资料和地震解释数据体, 预测精度也受地震分辨率限制。

近年来, 随着人工智能技术的发展, 其在处理复杂的地质数据和非线性问题上展现出明显优越性, 在石油领域的测井解释[10, 11]、地震数据处理[12, 13]、资源评估[14, 15]等方面应用成效显著, 国内外已有许多学者将其应用于地层压力预测领域。林英松等[16]提出了基于人工神经网络的裂缝性地层压力预测方法; 宋先知等[17]提出了在人工神经网络基础上增加LSTM模型的地层压力预测方法, 相比传统的人工神经网络具有更高的精确度; 金浩等[18]提出了基于遗传算法优化的BP神经网络的地层压力预测方法; 李雨[19]、刘宇坤等[20]构建了基于机器学习的储层压力预测模型。本文结合国内外地层压力预测、监测研究的现状和最新进展, 综合利用钻井、测井和录井数据, 结合先进的人工智能技术, 将录井参数与已钻井测井资料预测压力通过多种机器学习算法进行深度融合, 提出适用于多岩性、多类型储层、多压力成因地层的随钻三压力监测方法, 实现更为精确的地层三压力实时监测。

1 随钻地层三压力监测模型
1.1 模型构建思路及数据来源

本文旨在构建一个基于多参数耦合的随钻地层压力智能监测模型, 其核心思路是融合钻井工程理论与先进的机器学习技术, 以实现对三压力的高精度实时监测。首先, 关键参数的选择遵循了理论指导与数据驱动相结合的原则。模型的输入特征包括钻头深度、钻时、钻压、转速和立管压力, 均是经典地层压力预测理论（如dc指数法、sigma指数法）涵盖的核心参数和基于岩石力学原理的关键影响因素。例如, 转速与钻压的组合直接反映岩石破碎的难易程度, 这与地层压力密切相关; 而立管压力则关系到维持井壁稳定的关键— — 钻井液液柱压力。这些参数均能通过随钻测量系统实时获取, 保证了模型随钻预测的可行性, 同时, 引入“ 地层” 作为分类特征, 为模型提供了至关重要的地质背景约束, 避免了脱离地质规律的纯数学拟合。其次, 在模型构建流程上严格遵循图1所示的步骤, 分为“ 样本集构建” 与“ 预测” 两大阶段。

图1 集成回归模型预测流程

在“ 样本集构建” 阶段, 对原始数据进行了系统性的清洗与预处理：首先获取原始的随钻工程参数和地质分层数据, 然后进行数据清洗。此步骤是保证模型性能的基础, 具体包含几项关键操作：①针对传感器故障或数据传输中断导致的缺失值, 采用KNN（K-近邻）插补方法, 该方法通过寻找与缺失样本最相似的K个邻居来填充缺失值, 相比传统方法更能保持数据原始分布特征; ②由于各输入特征的量纲和数值范围差异巨大（如深度和钻压）, 采用Z-score标准化方法, 将所有特征缩放到相似的尺度, 以消除量纲影响, 确保模型对所有特征公平对待; ③对于“ 地层” 这一类别地质特征, 由于机器学习模型无法直接处理文本标签, 采用独热编码（One-Hot Encoding）将其转化为二进制向量, 该方法成功将地层信息以结构化形式融入模型, 使模型能够识别不同层位的工程响应差异, 提升了预测的地质合理性; ④将经过上述步骤处理后的高质量数据划分为训练集（用于模型学习）和验证集（用于评估与调优）。

在“ 预测” 阶段, 阐释了多参数耦合机理并构建了高性能预测模型。本文的“ 耦合” 体现在两个层面：物理层面, 钻井参数是深度、岩性、地层压力等多种因素共同作用下物理表现的结果; 模型层面, 利用极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）和随机森林（RF）这3个强大的基模型, 通过其内部的决策树结构, 自动学习和挖掘这些参数之间复杂的、非线性的相互作用关系, 这便是耦合的实现机理。为充分发挥各模型优势并提高整体预测的稳定性和精度, 本文采用了加权集成（Weighted Ensemble）算法。该算法并非简单地对3个模型的预测结果取平均, 而是通过交叉验证优化, 为每个模型智能地分配一个最佳权重。表现优异的模型将在最终预测中拥有更高的话语权。最终, 集成模型的预测结果将通过一系列性能指标进行全面评估, 以检验其预测效果。

综上所述, 本模型通过严谨的数据预处理、强大的基模型选择, 以及先进的集成策略, 实现了对多源、多维度信息的有效耦合, 为高精度的随钻地层三压力监测提供了可靠的解决方案。

1.2 随钻地层三压力监测模型的算法原理与实现

为了提高地层三压力预测的准确性和鲁棒性, 本文采用Weighted Ensemble模型, 结合XGBoost、LightGBM和RF这3种机器学习算法, 通过加权平均方式融合各个模型的预测结果。

1.2.1 XGBoost算法

XGBoost算法通过集成多个弱学习器（如决策树）, 并依据其各自的重要性分别赋予不同的权重[21], 从而构建一个性能卓越的强学习器, 这种集成策略不仅保留了GBDT的基本框架, 更在多个维度上实现了显著的性能提升, 包括训练速度的加快和预测精度的明显提高。在XGBoost模型中建立目标函数, 并通过正则化项进行优化, 能减少过拟合问题。模型预测公式为：

ŷi（k）=∑j=1k-1fj（xi）+f（k）（xi）（1）

式中： ŷi（k）为第i个样本的在第k棵回归树加入后的预测值; fj（xi）为第j棵回归树对样本xi的预测值; xi为第i个样本的特征值; ∑j=1k-1fj（xi）为之前k-1棵回归树所累加的结果; f（k）（xi）为当前训练得到的第k棵回归树对样本xi的预测值。

1.2.2 LightGBM算法

LightGBM算法在XGBoost模型上又做了进一步优化, 即引入直方图算法和Leaf-wise生长策略来改进算法[22, 23]。直方图算法通过分桶（bins）将连续的浮点特征值离散化成k个整数, 构成一个宽度为k的直方图, 在数据遍历过程中, 每个样本的特征值依其所属区间（即离散化后的值）作为索引, 在相应的bin中累加统计量。Leaf-wise生长策略用于每次迭代过程中, Leaf-wise策略会评估当前所有叶子节点的分裂增益, 并选择增益最大的叶子节点进行分裂。因此相比于GBDT和XGBoost, LightGBM占用空间更少, 训练速度更快。

已知样本数据集D={（x1, y1）, （x2, y2）, …, （xn, yn）}, 则LightGBM模型的具体实现过程为：首先确定目标函数, 并计算确定其梯度下降方向和步长, 以更新决策树f（t）, 然后构建特征值直方图, 计算各个切分点的增益以寻找最优分割点; 带有深度限制的Leaf-wise生长策略用于限制树的深度与叶节点的最小样本数, 公式如下：

ŷi（t）=∑k=1tfk（xi）=ŷi（t-1）+ηft（xi）（2）

ŷi（T）=∑t=1Tηft（xi）（3）

式中： ŷi（t）为第i个样本第t次迭代后的预测值; η 为学习率; ŷi（T）为经过T棵树迭代后最终的预测值; ft（xi）为第t棵树对样本xi的预测值。

1.2.3 RF算法

RF是一种基于决策树的集成学习方法, 通过对原始数据集进行随机抽样, 组合多棵决策树模型进行预测, 并对这些模型的结果进行平均或投票, 从而得到最终的预测结果[24, 25]。RF能够处理高维数据和大规模数据集, 具有较高的准确性和较好的泛化能力, 能有效避免过拟合现象。建树遵循“ 数据随机” “ 特征随机” 原则, 在分类、回归和特征选择等任务中被广泛应用。对于回归任务, 则通过取平均值的方式来预测目标变量的值。RF的构建过程如下：首先, 从原始训练集中进行有放回的随机抽样（bootstrap sampling）, 生成多个训练子集, 由于每棵决策树的训练数据有所不同, 增加了模型的多样性。然后, 对于每个训练子集, 独立地构建一棵决策树。在构建决策树的过程中, 对于每个判断节点, 从特征的子集中选择最优的划分特征, 这样可以减少决策树之间的相关性。重复这个过程, 构建多棵决策树。其主要流程如图2所示。

图2 随机森林算法流程

处理回归问题的随机森林又可简称为回归森林, 由T棵回归树构成的回归森林, 其预测值可通过下式计算：

Pi=1T∑t=1Twtŷi（t）（4）

式中：Pi为随机森林对测试样本xi的最终预测值; ŷi（t）为第t棵回归树对测试样本xi的预测值; wt为第t棵回归树的权重, 通常所有树权重相等。

1.2.4 模型建立

本文采用Weighted Ensemble算法来进一步提升模型的预测性能, 该算法通过对多个基模型如XGBoost、LightGBM和RF的预测结果进行加权组合, 能够更好地捕捉地层压力数据中的复杂非线性关系和多尺度特征。公式（5）为目标函数的计算公式, 公式（6）为集成模型的最终预测表示式。

obj=∑i=1nl（yi，ŷi）+∑t=1TΩ（ft）（5）

ypred=w1yXGB+w2yLGB+w3yRF （6）

式中：obj为目标函数; n为样本个数; ŷi为集成模型在第i个样本上的预测结果; l（yi，ŷi）为损失函数, 表示样本真实值 yi与预测值 ŷi之间的差异; ∑t=1TΩ（ft）为正则化项, 用来约束模型复杂度; T为基学习器（如树）的总数; Ω（ft）为第t棵树的复杂度度量; w1、w2、w3分别为XGBoost、LightGBM和RF模型的权重; 、yXGB、yLGB、yRF分别为XGBoost、LightGBM和RF的预测值; ypred为最终集成的预测值。

模型的权重可通过交叉验证或基于验证集性能进行优化, 以获得最佳的预测效果。此外, 为了进一步提高模型的泛化能力, 本研究采用了k折交叉验证方法来评估模型性能, 并使用网格搜索等技术来优化各个基模型的超参数。这种集成学习的思路不仅能够提高地层三压力预测的准确性, 还能够增强模型在面对不同地质条件和压力成因类型时的适应性和鲁棒性, 为油气勘探开发过程中的地层三压力监测提供了一种高效可靠的新方法。

2 典型钻井随钻三压力监测应用实例

以黄骅坳陷北大港潜山构造带19口典型钻井为对象, 开展随钻三压力监测应用实例研究。黄骅坳陷北大港潜山构造带位于渤海湾盆地北部, 是一个复杂的断块潜山构造区。该区域发育多套含油气层系, 主要包括古近系沙河街组、东营组和新近系明化镇组等, 受断层活动和沉积环境的影响, 地层岩性变化较大, 砂泥互层, 且压力分布不均。区内钻遇的异常压力主要为砂泥岩地层中的欠压实成因超压。这些非均质分布的压力系统, 给钻井施工带来了诸多风险和挑战, 如井漏、井涌、卡钻等复杂情况。开展随钻压力监测研究对于指导钻井施工、保障作业安全具有重要意义。

2.1 训练数据准备

在数据准备阶段, 收集了19口钻井现场的测井数据、录井数据、钻井液参数和地层层位信息, 以其中15口井数据作为训练样本进行了预处理, 包括异常值、缺失值处理和数据归一化等步骤。缺失值采用K-近邻算法（K=5）进行填补, 并通过Z-score标准化实现数据归一化, 确保输入特征量纲统一。模型训练输入参数包括：钻头深度、钻时、钻压、转速和立管压力、钻井液密度及层位信息。利用测井资料, 基于前人提出的多孔介质弹性理论, 分别计算孔隙压力系数（pg）、破裂压力系数（pfg）和坍塌压力系数（pwg）作为模型训练的输出标签数据。以孔隙压力预测为例进行展示（图3）, 可以看出预测曲线与钻后实测压力点整体吻合较好, 验证了理论计算方法在研究区的可靠性, 由此构建了高质量的训练标签数据集。训练数据的整体分布情况如图4所示。

图3 基于多孔介质弹性理论的孔隙压力单井预测结果

图4 训练数据集直方图

在模型训练之前, 进一步利用皮尔逊相关性分析方法, 计算了3种压力参数（pg、pfg、pwg）与钻头深度、钻时、钻压、转速、立管压力、钻井液密度、层位之间的相关性, 结果如图5所示。从图5可以看出, 立管压力和钻井液密度与pg、pfg、pwg之间相较于其他参数具有一定的线性正相关性, 而钻压和转速与3种压力参数呈现一定的负相关性, 尽管整体相关系数值不高, 但是这些参数对压力系数的预测仍然有一定的影响, 为后续模型特征选择提供了参考依据。皮尔逊相关性分析结果不仅揭示了钻井作业参数对三压力动态变化的影响, 也表明钻压、立管压力和钻井液密度等参数对三压力预测模型的构建具有重要贡献, 进一步凸显了钻井作业参数和岩性特征对地下压力系统的重要控制作用。在上述数据分析的基础上, 本研究构建并训练了孔隙压力、破裂压力与坍塌压力的预测模型, 并对模型的性能进行了验证, 以提高预测模型在实际复杂工况下的准确性和适用性。

图5 皮尔逊相关性分析

2.2 模型训练与评估

在获取标签后, 将数据集按照7∶ 3的比例随机划分为训练集和测试集。本文以孔隙压力为例分析模型训练性能及预测精度。在测试集上评估模型的预测性能, 采用均方误差（MSE）作为评价指标, 在测试集上孔隙压力系数均方误差为0.000 264, 表明模型具有较高的预测精度。图6展示了预测模型在测试集上的孔隙压力系数预测值与实际值的对比曲线, 可见两者吻合度良好, 进一步验证了模型的预测性能。为了分析不同基学习器对集成模型性能的贡献, 绘制了模型训练过程中各基学习器的验证准确率性能评分和拟合时间（图7）。在此机器学习框架中, 进行交叉验证或超参数搜索时, 系统默认的目标是“ 最大化” 一个评分, 但误差指标的目标是“ 最小化” , 为了统一这个过程, 框架将准确率性能评分取负（越大表明模型拟合效果越好）, 模型结果显示, Weighted Ensemble模型的准确率性能评分最高, 但拟合时间相对较长。这表明集成学习能够显著提升预测性能, 但需要权衡计算资源和时间成本。

图6 预测模型在测试集上的预测值与实际值的对比曲线

图7 不同模型的测试集上验证准确率性能评分和拟合时间

对压力预测值和实际值的分布特征进行了可视化分析, 通过小提琴图（图8）展示了孔隙压力系数预测值和实际值的分布形态, 两者总体一致, 平均值和中值吻合较好, 但预测值的分布更为集中, 波动范围明显小于实际值, 表明模型在一定程度上对压力变化趋于保守, 尤其在极端值和异常值区域的预测能力尚有不足。此外, 从图9预测值与实际值的拟合散点图可见, 两者总体呈现明显的线性正相关趋势, 大部分散点集中于对角线附近, 说明模型预测精度整体较高, 但在高压和低压端仍存在一定偏离, 故模型对极端压力情况的预测效果有待进一步优化和提升。后续可考虑增加样本数据和异常样本训练, 以进一步提高模型对极端情况的预测稳健性。

图8 测试集上pg预测值与实际值数据范围分布

图9 测试集上pg预测值与实际值的拟合散点图

2.3 盲井预测结果分析

对4口盲井钻井、录井数据进行预处理, 包括去除疑难异常值、缺失值填补等, 处理方法与模型训练数据一致。接着提取数据的输入特征, 包括钻头深度、钻时、钻压、转速、立管压力等连续变量和层位信息的独热编码特征。基于前述训练得到的三压力预测模型（孔隙压力、坍塌压力和破裂压力）, 逐井开展随钻实时预测与监测。该模型综合利用XGBoost、LightGBM、RF等基学习器, 并通过Weighted Ensemble方法实现优化, 从而提升了整体预测精度和泛化性能。

单井随钻三压力监测结果显示（图10）, 蓝色、绿色和黄色曲线分别表示实时监测得到的孔隙压力系数、破裂压力系数和坍塌压力系数, 红色点为钻后实测孔隙压力系数。结果表明, 三压力系数的随钻变化趋势与钻井液密度曲线整体趋势吻合, 钻后实测压力系数与随钻监测结果吻合。进一步用研究区全部实测压力点进行了钻后评价, 结果显示, 孔隙压力预测的平均相对误差为6.32%, 整体监测精度超过93%, 监测值与实测值的决定系数达到0.80（图11）。坍塌压力与破裂压力的预测结果亦表现出较高的一致性与可靠性, 其钻后实测点与随钻预测结果整体吻合, 误差与精度水平与孔隙压力预测相当。上述结果表明, 该方法能够实现三压力的实时精准预测, 为钻井液安全密度窗口的优化设计、井控风险预测与井壁稳定性评价提供了有效支撑。

图10 典型钻井随钻三压力监测

图11 验证井pg监测值与实测值相关性

3 结论

（1）本文提出了一种基于钻录测多参数耦合的随钻地层三压力监测方法。该方法综合利用钻井、测井和录井数据, 结合XGBoost、LightGBM和RF等机器学习算法, 能够实现对多岩性、多类型储层、多压力成因地层的随钻三压力精准监测。以黄骅坳陷北大港潜山构造带19口已钻井（15口作为训练井, 4口为验证井）为例, 取得了良好的实际应用效果。

（2）通过交叉验证和盲井测试, 证实该方法具有较高的预测精度和良好的泛化性能。压力监测结果与钻后实测值吻合度高, 为优化钻井液密度、指导钻井施工决策提供了有效支撑, 对提高钻井作业的安全性和效率具有重要意义。

（3）未来研究应在现有模型基础上, 通过融合地震、测井等多源数据, 引入深度学习等更先进算法, 持续提升模型的预测精度与计算效率; 同时, 将该技术推广至高温高压等更复杂的地质区带, 并开发配套的智能决策支持系统, 从而全面增强随钻压力监测技术的实用性, 为油气田的安全高效开发提供更加有力的技术支撑。

（编辑 郑春生）

参考文献
[1] 路保平, 王志战, 张元春. 碳酸盐岩孔隙压力预监测理论与方法进展[J]. 石油学报, 2022, 43(4): 571-580.
LU Baoping, WANG Zhizhan, ZHANG Yuanchun. Progress in the theory and method of pore pressure pre-monitoring of carbonate rocks[J]. Acta Petrolei Sinica, 2022, 43(4): 571-580. [本文引用:1]
[2] 张随随, 范昌育, 王德英, 等. 页岩孔隙压力预测新方法: 以渤海湾盆地渤东凹陷为例[J]. 地质科技通报, 2024, 43(4): 27-38.
ZHANG Suisui, FAN Changyu, WANG Deying, et al. A new method for predicting shale pore pressure; Take the Bodong Sag in the Bohai Bay Basin as an example[J]. Bulletin of Geological Science and Technology, 2024, 43(4): 27-38. [本文引用:1]
[3] 文晨曦. 库车坳陷不同成因超压的识别与定量评价[D]. 西安: 西北大学, 2019.
WEN Chenxi. Identification and quantitative evaluation of overpressure of different origins in Kuqa depression[D]. Xi′an: Northwestern University, 2019. [本文引用:1]
[4] DASGUPTA S, CHATTERJEE R, MOHANTY S P. Magnitude, mechanisms, and prediction of abnormal pore pressure using well data in the Krishna-Godavari Basin, east coast of India[J]. AAPG Bulletin, 2016, 100(12): 1833-1855. [本文引用:1]
[5] 李中, 张祯祥, 杨进, 等. 地层压力随钻监测方法在深水高温高压井中的研究与应用[J]. 地球科学, 2019, 44(8): 2597-2602.
LI Zhong, ZHANG Zhenxiang, YANG Jin, et al. Research and application of formation pressure monitoring-while-drilling method in deepwater high-temperature and high-pressure wells[J]. Earth Science, 2019, 44(8): 2597-2602. [本文引用:1]
[6] 周东华, 李翠楠, 杜娟, 等. 随钻地层压力监测和预测技术研究[J]. 钻采工艺, 2011, 34(6): 27-28, 40.
ZHOU Donghua, LI Cuinan, DU Juan, et al. Research on formation pressure monitoring and prediction technology while drilling[J]. Drilling Process, 2011, 34(6): 27-28, 40. [本文引用:1]
[7] 毛敏, 郭东明. 随钻地层压力录井技术在高温高压井中的应用[J]. 录井工程, 2011, 22(3): 42-46.
MAO Min, GUO Dongming. Application of formation pressure logging technology while drilling in high-temperature and high-pressure wells[J]. Mud Logging Engineering, 2011, 22(3): 42-46. [本文引用:1]
[8] WANG Z Z, ZHANG W, DU H F. Prediction and detection while drilling of abnormal high pressure origin from hydrocarbon generation[J]. Petroleum Geology and Recovery Efficiency, 2012, 19(6): 53-57. [本文引用:1]
[9] 许玉强, 何保伦, 王舒, 等. 深度学习与Eaton法联合驱动的地层孔隙压力预测方法[J]. 中国石油大学学报(自然科学版), 2023, 47(6): 50-59.
XU Yuqiang, HE Baolun, WANG Yanshu, et al. A formation pore pressure prediction method driven by deep learning and Eaton method[J]. Journal of China University of Petroleum (Natural Science Edition), 2023, 47(6): 50-59. [本文引用:1]
[10] 李宁, 徐彬森, 武宏亮, 等. 人工智能在测井地层评价中的应用现状及前景[J]. 石油学报, 2021, 42(4): 508-522.
LI Ning, XU Binsen, WU Hongliang, et al. The application status and prospect of artificial intelligence in logging formation evaluation[J]. Acta Petrolei Sinica, 2021, 42(4): 508-522. [本文引用:1]
[11] 孙予舒, 黄芸, 梁婷, 等. 基于XGBoost算法的复杂碳酸盐岩岩性测井识别[J]. 岩性油气藏, 2020, 32(4): 98-106.
SUN Yushu, HUANG Yun, LIANG Ting, et al. Identification of complex carbonate lithology logging based on XGBoost algorithm[J]. Lithologic Oil and Gas Reservoirs, 2020, 32(4): 98-106. [本文引用:1]
[12] YAN X S, ZHANG M Z, WU Q H. Big-data-driven prestack seismic intelligent inversion[J]. Information Sciences, 2021, 549(3): 34-52. [本文引用:1]
[13] 傅鹏, 宋晓霞. 基于CycleGAN的地震数据去噪方法[J]. 电子科技, 2025(4): 1-8.
FU Peng, SONG Xiaoxia. Seismic data denoising method based on CycleGAN[J]. Electronic Technology, 2025(4): 1-8. [本文引用:1]
[14] 张瑞, 贾虎. 基于多变量时间序列及向量自回归机器学习模型的水驱油藏产量预测方法[J]. 石油勘探与开发, 2021, 48(1): 175-184.
ZHANG Rui, JIA Hu. Production prediction method of water-flooded reservoir based on multivariate time series and vector autoregressive machine learning model[J]. Petroleum Exploration and Development, 2021, 48(1): 175-184. [本文引用:1]
[15] 匡立春, 刘合, 任义丽, 等. 人工智能在石油勘探开发领域的应用现状与发展趋势[J]. 石油勘探与开发, 2021, 48(1): 1-11.
KUANG Lichun, LIU He, Ren Yili, et al. Application status and development trend of artificial intelligence in the field of petroleum exploration and development[J]. Petroleum Exploration and Development, 2021, 48(1): 1-11. [本文引用:1]
[16] 林英松, 王臣, 徐路. 基于BP神经网络的裂缝性地层压力预测方法[J]. 西部探矿工程, 2012, 24(10): 101-102, 105.
LIN Yingsong, WANG Chen, XU Lu. Fracture formation pressure prediction method based on BP neural network[J]. Western Prospecting Project, 2012, 24(10): 101-102, 105. [本文引用:1]
[17] 宋先知, 姚学喆, 李根生, 等. 基于LSTM-BP神经网络的地层孔隙压力计算方法[J]. 石油科学通报, 2022, 7(1): 12-23.
SONG Xianzhi, YAO Xuezhe, LI Gensheng, et al. Formation pore pressure calculation method based on LSTM-BP neural network[J]. Petroleum Science Bulletin, 2022, 7(1): 12-23. [本文引用:1]
[18] 金浩, 马劲风, 李琳, 等. 渤东低凸起南段地层压力预测方法研究[J]. 地球物理学进展, 2024, 39(2): 788-799.
JIN Hao, MA Jinfeng, LI Lin, et al. Research on formation pressure prediction method in the southern section of Bodong low bulge[J]. Advances in Geophysics, 2024, 39(2): 788-799. [本文引用:1]
[19] 李雨. 基于机器学习的油田水驱地层压力预测方法研究[D]. 大庆: 东北石油大学, 2023.
LI Yu. Research on formation pressure prediction method of oilfield water flooding based on machine learning[D]. Daqing: Northeast Petroleum University, 2023. [本文引用:1]
[20] 刘宇坤, 何生, 何治亮, 等. 基于多孔介质弹性理论的碳酸盐岩地层超压预测[J]. 地质科技情报, 2019, 38(4): 53-61.
LIU Yukun, HE Sheng, HE Zhiliang, et al. Prediction of overpressure in carbonate strata based on elastic theory of porous media[J]. Geological and Scientific and Technological Information, 2019, 38(4): 53-61. [本文引用:1]
[21] ZHONG J C, SUN Y S, PENG W, et al. XGBFEMF: An XGBoost-based Framework for Essential Protein Prediction[J]. IEEE Transactions on NanoBioscience, 2018, 17(3): 243-250. [本文引用:1]
[22] SINGH N K, NAGAHARA M. LightGBM-, SHAP-, and correlation-matrix-heatmap-based approaches for analyzing household energy data: towards electricity self-sufficient houses[J]. Energies, 2024, 17(17): 4518. [本文引用:1]
[23] AYUBKHAN S A H, YAP W-S, MORRIS E, et al. A practical intrusion detection system based on denoising autoencoder and LightGBM classifier with improved detection performance[J]. Journal of Ambient Intelligence and Humanized Computing, 2022, 14(6): 7427-7452. [本文引用:1]
[24] BREIMAN L. Rand om Forests[J]. Machine Learning, 2001, 45(1): 5-32. [本文引用:1]
[25] GENUER R, POGGI J-M, TULEAU-MALOT C. VSURF: Variable selection using rand om forests[J]. Pattern Recognition Letters, 2016, 31(14): 2225-2236. [本文引用:1]