评估掩码自编码器基础模型从地面钻井数据预测井下指标的潜力
机器学习
2026-04-17 v1
摘要
石油和天然气钻井作业从地面传感器生成大量时间序列数据，然而，由于标记的井下测量数据稀缺，对关键井下指标进行准确的实时预测仍然具有挑战性。这项系统性映射研究回顾了 2015 年至 2025 年间发表的十三篇论文，以评估掩码自编码器基础模型（MAEFMs）从地面钻井数据预测井下指标的潜力。该综述识别了八个常用的地面指标和七个目标井下指标。当前方法主要采用神经网络架构，如人工神经网络（ANNs）和长短期记忆（LSTM）网络，然而，尽管 MAEFMs 在时间序列建模中已证明其有效性，但尚无研究探索它们。MAEFMs 通过在大量未标记数据上进行自监督预训练，提供了独特的优势，实现了多任务预测和跨井的改进泛化能力。这项研究确立了 MAEFMs 代表了钻井分析中一个技术上可行但尚未被探索的机会，建议未来对其相对于现有模型的性能进行实证验证，并探索其在石油和天然气作业中更广泛的应用性。
引用
@article{arxiv.2604.15169,
title = {Assessing the Potential of Masked Autoencoder Foundation Models in Predicting Downhole Metrics from Surface Drilling Data},
author = {Aleksander Berezowski and Hassan Hassanzadeh and Gouri Ginde},
journal= {arXiv preprint arXiv:2604.15169},
year = {2026}
}