引用本文
宋佳兴. 钻井漏卡风险场景大模型的研发与应用[J]. 录井工程, 2026,37(2): 43-49.
SONG Jiaxing. R&D and application of a large model for lost circulation and drill pipe sticking risk scenarios[J]. Mud Logging Engineering, 2026,37(2): 43-49.
Doi:10.3969/j.issn.1672-9803.2026.02.006  
Permissions
Copyright©, 《录井工程》杂志社
《录井工程》杂志社 所有
钻井漏卡风险场景大模型的研发与应用
宋佳兴①②
①中国石油长城钻探软件研发中心
②中国石油长城钻探录井公司

作者简介：宋佳兴 助理工程师,1999年生,2021年毕业于大连大学计算机科学与技术专业,现在中国石油长城钻探录井公司从事软件开发工作。通信地址：124010 辽宁省盘锦市兴隆台区石油大街77号录井公司。E-mail：sjx.gwdc@cnpc.com.cn

收稿日期: 2026-05-27
基金: 中国石油集团公司“基于人工智能方法的录井智能解释评价与井筒风险诊断关键技术研究”（编号：2025ZG84）
摘要

当前面向钻探安全的人工智能预警技术仅能处理单一模态数据,难以融合多源信息,且缺乏交叉验证机制,难以构建完整的解释分析链条。为解决油气井筒工程风险领域智能建设过程中的边缘数据清洗、多模态模型研发、模型协同推理等技术难题,全面提升钻井风险预警水平,采用多模型协同推理的漏卡事件自动识别方法,成功研发并应用钻井漏卡风险场景大模型,最终实现按秒级监控12项以上钻井风险相关参数。在辽河、西南油气田应用表明,相较于传统单一风险模型,该模型漏卡风险识别率分别提升至88.89%和89.23%,日均虚警警次控制在10次以下,并实现对50口井的每日实时数据分析与自动化异常报告单生成。该模型的落地服务实践验证了钻井漏卡风险场景大模型在油气井筒工程领域的有效性,为地区公司智能化发展提供技术支撑。

关键词: 数据清洗; 模型研发; 协同推理; 钻井风险; 实时预警
中图分类号:TE132.1 文献标志码:A
R&D and application of a large model for lost circulation and drill pipe sticking risk scenarios
SONG Jiaxing①②
① R & D Center,CNPC Greatwall Drilling Company,Panjin,Liaoning 124010,China
② GWDC Mud Logging Company,CNPC,Panjin,Liaoning 124010,China
Abstract

The current artificial intelligence early warning technology for drilling safety can only process single-modal data,be difficult to integrate multi-source information,and lack a cross-validation mechanism,making it difficult to build a complete chain of explanation and analysis. To address the technical issues in the intelligent construction of oil and gas wellbore engineering risk areas,such as edge data cleaning,multimodal model research and development,and model collaborative reasoning,and to comprehensively enhance the level of drilling risk warning,a large model for lost circulation and drill pipe sticking risk scenarios has been successfully developed and applied by adopting the methods of lost circulation and drill pipe sticking events automatic identification for multi-model collaborative reasoning,ultimately achieving the monitoring of over 12 drilling risk related parameters at the second level. Applications in the Liaohe and Southwest oil & gas fields indicate that,compared with the traditional single risk models,this model improve risk identification rates for lost circulation and drill pipe sticking to 88.89% and 89.23% respectively,the daily false alarm times are controlled below 10,and daily real-time data analysis and automatic abnormal report generation for 50 wells are achieved. The practical implementation of this model services verified the effectiveness of the large model for lost circulation and drill pipe sticking risk scenarios in the oil and gas wellbore engineering field. The model provides technical support for the intelligent development of regional companies.

Keyword: data cleaning; model research and development; collaborative reasoning; drilling risk; real-time warning
0 引言

近年来, 以大语言模型为代表的人工智能技术迅速发展, 为钻井工程带来了全新的研究思路和技术手段。国外知名的油服公司已在钻井参数优化与自动化决策中应用“ 物理模型+AI辅助” 技术并取得显著成效, 如哈里伯顿DWO系统支持自动化报告与快速管理, 斯伦贝谢的DrillOps系统提供自动化钻机智能决策支持。国内研究亦紧跟趋势, 在钻井设计、地质导向及工况智能监测等方面开展了积极探索, 如海峡能源EP-DOSDMI系统可实现实时参数调整。在钻井风险智能预警方面, 研究脉络呈现从经验方法向数据驱动模型的演进[1]。然而, 当前钻井风险研判人工智能模型以监控综合录井参数为主, 部分虽结合地质力学、岩石可钻性等多维参数, 但尚未建立融合多模态模型的监测预警体系[2]。接入多模态专业模型, 协同推理并参与风险解释与决策的技术仍处于起步阶段。

为此, 本文研发设计了一套面向油气井筒工程领域的钻井漏卡风险场景大模型。通过对行业模型建设共性问题的深入分析, 确立了“ 数据治理为基础、业务需求为导向、模型协同为核心、智能预警为目标” 的设计理念, 旨在应对多源数据治理难、风险预警精度低、模型稳定性与适应性不足等问题, 最终实现高效、精准、智能化的风险识别与预测, 为复杂工业场景提供可靠的决策支持。

1 总体架构

模型总体架构设计遵循“ 数据驱动、模型分析、协同推理” 的闭环流程, 以自动化治理的多源数据为输入, 搭建多模态模型以提取风险演化特征并捕捉关键参数变化趋势。在此基础上, 基于集成学习与协同推理技术构建场景大模型, 实现从数据预处理到模型实时推理的全流程一体化预警, 为行业智能化升级提供坚实技术支撑。

模型构建采用“ 数据处理与增强、模型搭建与开发、协同推理技术” 的研究思路开展, 设计架构如图1所示。

图1 钻井漏卡风险场景大模型设计架构

2 数据处理与增强

在钻井作业过程中, 井下及地面传感器数据由钻井参数仪、综合录井仪等现场采集设备实时获取, 原始数据经由数据采集系统（DDR）传输至数据中心, 并推送至MQTT协议的消息队列实时转发服务。MQTT作为实时数据总线, 一方面为前端监控及实时预测应用提供低延迟数据流, 另一方面将数据同步至工程作业智能支持平台。平台完成单位转换及格式标准化后, 将处理后的历史数据存入InfluxDB时序数据库。

针对边缘侧多源数据的异构性与时序性特点, 项目组构建了包含自动化数据预处理与缺失值补充的流水线机制。针对不同工况下的正常范围差异、传感器故障以及未知分布, 提取需要清洗的参数列。首先, 采用滑动3σ 异常值检测方法, 将异常值修改为NaN; 随后, 利用线性插值拟合曲线估算中间空缺值并进行填补, 并结合后向填充法补充开头缺失数据[3], 以保证数据的连续性与平滑性。确保数据无缺失后, 采用Savitzky-Golay滤波器对数据进行平滑处理, 消除噪声、去除虚假波动、突出真实趋势, 从而提高风险检测的准确性[4, 5], 为后续模型训练提供高质量数据集。

3 模型搭建与开发

模型构建选取Timer模型、CV模型、BiLSTM-AE模型协同推理, 模型性能对比见表1。

表1 研究应用模型对比
3.1 Timer模型

时序模态通过建立Timer模型, 从更长尺度捕捉录井数据异动, 以实现风险提前预测。Timer模型基于微调机制, 能够在少量领域数据上快速适配, 有效解决时序数据异构性强、高质量样本稀缺的问题[6, 7]。

3.1.1 模型微调方案

Timer模型微调过程以梯度下降优化算法为核心策略, 通过迭代更新模型参数以最小化损失函数。其基本思想是计算损失函数关于模型参数的梯度（即一阶偏导数）, 并沿负梯度方向进行参数调整。设迭代步数为t：

θt+1=θt-η ∇θJ（θt） （1）

式中：θt+1为第t+1步的参数; θt为第t步的参数; η 为学习率; ∇θJ（θt）为损失函数J在参数θt处的梯度。

采用AdamW优化器, 通过权重衰减机制避免过拟合。在动量与自适应学习率的基础上计算梯度的一阶矩mt（均值）和二阶矩vt（未中心化方差）。

mt=β1mt-1+（1-β1）gt （2）

vt=β2vt-1+（1-β2）g2t （3）

式中：gt= ∇θJ（θt）; β1、β2为衰减率, β1=0.9、β2=0.999; mt-1为第t-1步时梯度的一阶矩; vt-1为第t-1步时梯度的二阶矩。

校正偏差后, 得到校正后的一阶矩 m̂t和二阶矩 v̂t：

m̂t=mt1-β1t（4）

v̂t=vt1-β2t（5）

最终参数更新表达式为：

$\theta_{t+1}=\theta_{t}-\eta\left(\frac{\hat{m}_{t}}{\sqrt{\hat{v}_{t}}+\grave{O}}+\lambda \theta_{t}\right)$（6）

式中：Ò =10-8为数值稳定性常数; λ 为权重衰减系数。

根据真实令牌和预测值微调损失函数, 保留预训练的均方误差（MSE）目标。采用上述梯度下降优化策略, 模型参数从预训练检查点进行初始化, 仅对最后一层投影层执行微调, 保留底层Transformer块的通用特征, 从而实现高效的知识迁移。训练过程中的批量大小设置为2 048, 共10个周期, 提升Timer模型对录井数据分布的适配能力, 保障风险预警准确性。

3.1.2 微调结果测试

通过模型微调, 建立了针对钻井漏失风险场景下的时序模型, 其预测效果如表2所示, 在关键工程参数上均取得了良好的回归效果。所有参数的归一化均方误差（MSE）介于0.001 7~0.141 2之间, 平均绝对误差（MAE）介于0.000 8~0.911 5之间, 其中立压具备最高的预测精度（MSE=0.001 7, MAE=0.002 6, R² =0.779）, 表明模型对压力系统的动态捕捉最为精确。转速与扭矩的预测表现出色（R² ≈ 0.75）, 能够可靠反映井下钻具的工作状态。入口流量与总池体积的预测R² 分别达到0.898和0.849, 这对于依赖流量平衡进行早期漏失预警至关重要。总池体积的MAE值较高, 原因在于原始数据单位较小, 导致数据范围较大。出口流量与悬重的预测性能相对较差, 但整体误差仍显著低于工程应用所允许的阈值。总体来看, 微调后Timer模型能够良好拟合各参数变化趋势, 具备从复杂时序数据中稳定提取正常工况模式的能力, 为后续基于预测偏差的实时风险预警提供了可靠基础。

表2 预测效果
3.2 CV模型

在复杂钻井工况下, 监测参数之间往往表现出显著的协同变化与动态交互特征, 而Timer模型对单一变量赋予固定权重, 易使部分高权重参数主导风险判别结果, 难以充分挖掘多参数间的联动信息。针对该模型在多特征建模方面存在的局限性, 引入以CNN（卷积神经网络）作为核心骨架的CV模型, 从模态构建的角度出发, 通过将多变量时序数据映射为二维图像, 将时间维度设为图像的横轴, 变量维度设为纵轴, 每个像素点反映对应变量在该时间点的取值状态。借助卷积核在图像上的滑动, CNN能够在同一时间窗口内同时捕捉多个变量的变化模式, 挖掘其局部空间结构与时序演化特征, 实现对异常状态的高效识别[8, 9]。

3.2.1 模型优选

研究对比AlexNet、ResNet、VGG16、ConvNext、VIT等CV模型在迁移学习下对多参数联动特征的提取能力, 以及对单参数细节特征的保持效果, 结果见表3。优选VGG16模型, 将其与构图方案工程化, 封装成一个可调用的服务, 实现预测结果输出。

表3 5种CV模型分类性能指标对比

3.2.2 漏卡监测方法

图像模型预测过程中, 每张图片由多个时间点的数据生成, 同一时间点可能出现在多张图片中并获得多个预测结果。然而, 实际业务需要明确每个具体时间点是否发生风险。为此, 漏卡监测采用“ 首次标记” 策略：每个时间点仅由其首次出现的图像进行标记, 后续图像不再覆盖, 从而为每个时间点生成唯一的时序预测结果。时序预测结果可辅助工程师精确到秒查看风险发生时间, 用于事故分析; 逐图预测结果则可帮助数据分析师评估模型在长时序窗口上的整体表现, 用于模型优化。

3.3 BiLSTM-AE模型

BiLSTM-AE模型适合快速响应短窗口中的任务, 由于结构轻量, 计算开销低, 能够在毫秒级时间内输出初步的风险类型与概率估计。在部分参数变化模糊、特征不明显案例中, 其报警能力优于传统大模型。本研究利用本井及邻井已钻井段的正常钻井实时数据, 选取合适的时间步长构建时序样本, 作为训练集数据, 建立模型。BiLSTM-AE模型的结构包含输入层、隐藏层和输出层, 其中隐藏层利用编码器对数据的时序结构进行降维与特征学习, 解码器负责重构并计算相对重构误差。当模型用于钻井参数监测时, 会对当前录井参数中的异常波动产生响应, 表现为输出更大的重构误差。通过重构误差阈值的合理设置, 即可对有漏失、卡钻预兆的参数曲线特征报警[10]。

BiLSTM-AE模型基于自编码器原理实现随钻动态风险评估, 在现场应用的主要问题集中在低风险或无风险井段, 由于参数波动以及模型误差, 重构误差也会随之波动, 导致较高频率的虚警, 影响使用效果。为此, 重构误差的动态阈值应重视上下文异常分类, 采用Victoria等提出的基于上下文重构误差统计的动态阈值方法, 分别统计训练集和测试集在近期数据上的误差, 从而实现动态阈值的计算[11]。

4 协同推理技术

当存在多个模型时, 需研究模型组合策略求解方法。考虑到多模态算法间数据结构差异性等因素, 采用Stacking集成架构, 实现端对端的集成优化。

Stacking集成学习整体流程如图2所示。利用有标签数据集训练CV模型, 无标签数据集训练Timer模型、BiLSTM-AE模型。所有基学习器均在完整的训练数据集上进行训练, 并输出各自的分类结果, 这些结果将作为后续步骤的输入。随后, 将各基学习器的分类结果定义为元特征, 其与原始特征拼接, 形成新的训练数据集, 该数据集既保留了原始数据的固有特征, 又融入了基学习器学习得到的元特征。基于这一扩展特征数据集训练元学习器, 其任务是整合各基学习器的分类结果, 得到最佳分类结果组合。测试推理阶段, 各基学习器的元特征与测试集原始特征拼接构成新测试集。新测试集输入到预测环节, 由已完成训练的元学习器基于习得的最优组合策略进行结果整合。最终, 元学习器的输出作为Stacking集成的最终分类结果, 代表了从各基学习器中获取的综合洞察, 经元学习器优化调整后, 形成最终预测输出。

图2 Stacking集成学习整理流程

所有模型的分析结果统一汇聚至时序数据库的集成输出中心, 通过加权融合与决策优化算法, 生成稳定、完整、可解释的钻井漏卡风险状态评估与预警结论, 全面完成从数据到模型推理再到协同智能决策的任务闭环。

5 对比论证与应用总况
5.1 对比测试评估

将测试样本数据集输入到Stacking集成模型中, 并与基础Timer模型、微调Timer模型、CV模型、BiLSTM-AE模型的预测进行比较, 结果见表4。测试结果表明, Stacking集成模型在钻井风险预警任务中展现出最优的综合性能, 其在报警准确度（89.06%）、整体分类准确率（91.44%）及风险召回率（86.45%）3项核心评价指标上均达到较高水平。这一结果充分说明, 通过有机融合BiLSTM-AE模型、微调Timer模型与CV模型的差异化优势, Stacking集成模型能够有效增强系统的综合判别精度与鲁棒性, 在维持极高分类准确率的同时, 仍能保持对钻井风险事件的强识别能力, 在整体可靠性上表现最佳。此外, 该模型实现了平均55.4 s的提前预警时长, 为现场作业人员制定并执行风险处置方案预留了充足的反应时间。

表4 Stacking集成模型与单一模型对比结果

微调Timer模型也展现出显著的性能提升。其报警准确度达85.21%、整体分类准确率为86.79%, 仅次于Stacking集成模型, 优于未微调的基础Timer模型及BiLSTM-AE模型。这表明基于长时间序列数据预训练所得的通用时序表征能力, 通过钻井领域专属数据进行针对性微调后, 能够精准适配钻井风险预警的特殊应用场景, 有效解决小样本学习场景下模型泛化能力不足的瓶颈问题。此外, 该模型达到了60.2 s的最长提前预警时间, 表明其对风险的早期信号具有卓越的感知灵敏度。相比之下, 未经过领域微调的基础Timer模型整体性能较差。CV模型在报警准确度与风险召回率之间表现均衡, 有效规避了工业场景中代价高昂的漏报风险, 具有对关键特征的高效捕获能力。BiLSTM-AE模型虽然召回率（88.09%）表现最佳, 能够全面覆盖真实风险事件, 但其预警提前时间仅为19.8 s, 且整体准确度明显低于Stacking集成模型和微调Timer模型, 存在一定的误报问题。

实际场景下的测试结果如图3所示, Stacking集成模型通过均衡各模型权重, 能够相较BiLSTM-AE模型平均提前1 min预警, 且BiLSTM-AE模型风险概率上升时间略早于基础Timer模型。

图3 模型对比测试

5.2 应用效果

钻井漏卡风险场景大模型实现了对钻井参数与曲线的动态监控, 并基于模型协同推理技术对漏卡风险进行智能预警与提前研判。模型将AI识别高风险下的工况信息与风险评分通过MQTT协议推送, 历史数据同步存储至InfluxDB时序数据库, 并在工程作业智能支持平台实时曲线图道进行展示, 配备秒级更新的仪表盘, 供远程技术支持人员实时监测。同时, 每条异常记录都会保存入库, 供审核人员进行风险误报评判, 如图4所示。

图4 钻井漏卡风险场景大模型现场异常预警应用界面

该模型目前已在辽河、西南油气田部署应用50口井, 实现风险智能预警600余次, 落实漏失、卡钻预警准确率分别提升至88.89%和89.23%, 日均虚警警次控制在10次以下, 有效减少了钻井事故复杂, 缩短了建井周期。

6 结束语

钻井漏卡风险场景大模型是对现有风险预警技术的巨大提升, 可以切实提升潜在风险识别和预警的能力, 缩短风险事件的响应时间。系统构建于模型与数据两大支柱之上：模型方面通过构建覆盖多类钻井风险（如井漏、卡钻风险等）的多模态模型, 形成领域特征基础; 数据方面整合多源异构数据, 实现钻井全流程信息的深度融合。在此基础上, 依托模型协同推理技术, 实现从单点预警到综合研判的跃升。场景大模型的推广应用, 形成了“ 模型驱动, 数据赋能” 的钻井风险防范新模式。

编辑 王丙寅

参考文献
[1] 李根生, 宋先知, 田守嶒. 智能钻井技术研究现状及发展趋势[J]. 石油钻探技术, 2020, 48(1): 1-8.
LI Gensheng, SONG Xianzhi, TIAN Shouceng. Intelligent drilling technology research status and development trends[J]. Petroleum Drilling Techniques, 2020, 48(1): 1-8. [本文引用:1]
[2] 刘慕臣, 宋先知, 李大钰, 等. 钻柱摩阻扭矩智能预测模型与解释[J]. 煤田地质与勘探, 2023, 51(9): 89-99.
LIU Muchen, SONG Xianzhi, LI Dayu, et al. An intelligent prediction method and interpretability for drag and torque of drill string[J]. Coal Geology & Exploration, 2023, 51(9): 89-99. [本文引用:1]
[3] 吴运驰, 马庆, 宋波, 等. 采油工程领域的数据清洗方法研究[J]. 电脑知识与技术, 2023, 19(3): 86-88.
WU Yunchi, MA Qing, SONG Bo, et al. Study on data cleaning methods in the field of oil Production Engineering[J]. Computer Knowledge and Technology, 2023, 19(3): 86-88. [本文引用:1]
[4] 张珂, 曹姗姗, 孙春华, 等. 加入滑动时间窗算法室温异常数据识别与填补[J]. 煤气与热力, 2024, 44(8): 17-23.
ZHANG Ke, CAO Shanshan, SUN Chunhua, et al. Adding sliding time window algorithm for identification and filling of abnormal room temperature data[J]. Gas & Heat, 2024, 44(8): 17-23. [本文引用:1]
[5] 胡佳佳, 周翟和, 沈超. 一种自适应残差补偿算法在移动机器人姿态估计中的应用研究[J]. 传感技术学报, 2015, 28(3): 363-366.
HU Jiajia, ZHOU Zhaihe, SHEN Chao. The mobile robot attitude estimated research based on adaptive residual compensation algorithms[J]. Chinese Journal of Sensors and Actuators, 2015, 28(3): 363-366. [本文引用:1]
[6] LIU Yong, QIN Guo, HUANG Xiangdong, et al. Timer-XL: Long-context transformers for unified time series forecasting[C]//The International Conference on Learning Representations （ICLR）, 2025. [本文引用:1]
[7] LIU Yong, ZHANG Haoran, LI Chenyu, et al. Timer: Generative pre-trained transformers are large time series models[C]//International Conference on Machine Learning （ICML）, 2024. [本文引用:1]
[8] 宋艳. 基于极限学习机的井漏风险状态智能识别方法研究[D]. 北京： 中国石油大学（北京）, 2022.
SONG Yan. Study on intelligent identification method for lost circulation risk state based on extreme learning machine[D]. Beijing: China University of Petroleum, 2022. [本文引用:1]
[9] 范伟, 孙红华, 杨丹, 等. 基于CNN-LSTM混合神经网络的储层孔隙度预测模型构建及应用[J]. 录井工程, 2025, 36(4): 13-20.
FAN Wei, SUN Honghua, YANG Dan, et al. Construction and application of reservoir porosity prediction model based on CNN-LSTM hybrid neural network[J]. Mud Logging Engineering, 2025, 36(4): 13-20. [本文引用:1]
[10] 张玉强, 杨彦龙, 张文平, 等. 机理数据融合的钻井阻卡风险智能预测方法[J]. 新疆石油天然气, 2025, 21(2): 35-44.
ZHANG Yuqiang, YANG Yanlong, ZHANG Wenping, et al. An intelligent prediction method for drilling blockage and sticking risks based on mechanism data fusion[J]. Xinjiang Oil & Gas, 2025, 21(2): 35-44. [本文引用:1]
[11] 何淼, 陈欢, 张党生, 等. 基于深度自编码器的钻井工况智能识别研究[J]. 长江大学学报(自然科学版), 2023, 20(3): 84-93.
HE Miao, CHEN Huan, ZAHNG Dangsheng, et al. Research on intelligent identification of drilling conditions based on deep auto-encoder[J]. Journal of Yangtze University(Natural Science Edition), 2023, 20(3): 84-93. [本文引用:1]