下机钻井预测中 Masked Autoencoders 是否有帮助？基于真实井钻数据的实证研究
机器学习
2026-04-24 v1
摘要
下机钻井遥测器 presents a fundamental labeling asymmetry：surface sensor data 持续以 1~Hz 的频率生成，而标记的下机测量值成本高昂、间歇性且稀缺。当前用于下机指标预测的机器学习方法普遍采用从头开始的全监督训练，这不适用于此数据体制。我们首次对 masked autoencoder（MAE）预训练用于下机钻井指标预测进行经验评估。使用约350万个时间步的多变量钻井遥测数据来自两口公开的 Utah FORGE 地热井，我们进行了72种 MAE 配置的系统性全因子设计空间搜索，并将其与用于预测 Total Mud Volume 的监督 LSTM 和 GRU 基线进行比较。结果表明，最佳 MAE 配置相对于监督 GRU 基线的测试平均绝对误差降低 19.8%，而相对于监督 LSTM 基线则落后 6.4%。分析设计维度发现，潜在空间宽度是最主要的架构选择（Pearson r = -0.59 与测试 MAE 相关），而掩码比率影响微小，这一发现归因于 1~Hz 钻井数据中高的时间冗余性。这些结果确立了 MAE 预训练作为钻井分析可行范式，并确定其最有益的条件。
引用
@article{arxiv.2604.20909,
title = {Do Masked Autoencoders Improve Downhole Prediction? An Empirical Study on Real Well Drilling Data},
author = {Aleksander Berezowski and Hassan Hassanzadeh and Gouri Ginde},
journal= {arXiv preprint arXiv:2604.20909},
year = {2026}
}