利用具有形状嵌入特征的图时间网络（Shapelet-aware Graph Temporal Network）对钻井溢流异常进行检测

《Engineering Applications of Artificial Intelligence》：Anomaly detection of drilling overflow using Shapelet-aware Graph Temporal Network

　　摘要
钻井安全是一个至关重要的问题。井喷是最严重的钻井事故之一，如果不能及时处理，可能会导致更大的灾难。提前预测井喷对于防止严重事故至关重要。为了准确检测井喷异常情况并确保钻井安全，本文设计并实现了一种名为“Shapelet-aware Graph Temporal Network”的方法，用于石油钻井作业的异常检测。该方法结合了Shapelet提取进行模式识别、通过高级序列学习进行时间建模以及基于图的空间学习来捕捉变量间的依赖关系。在真实世界的钻井数据集（16口井，73个参数）上进行的实验表明，该方法相较于基于循环神经网络的经典模型以及基于图卷积神经网络的模型具有优越性。该方法达到了87.75%的准确性、83.91%的召回率和61.19的F1分数，证明了其在识别罕见井喷事件方面的有效性，同时保持了计算效率，为提高钻井安全提供了实用的解决方案。

引言
随着全球经济的快速发展，对石油和天然气资源的需求持续增长。作为“工业的血液”，石油是各个行业生产的重要原材料。目前，获取石油的主要方法仍然是钻井作业。然而，由于这一过程的复杂性和恶劣的工作条件，石油开采伴随着重大风险，尤其是井喷等异常情况，给钻井活动带来了巨大挑战。为了确保人员安全和钻井作业的顺利进行，及时分析测井数据并进行精确的井喷检测是不可或缺的。

早期在时间序列异常检测方面的研究主要集中在时间域，使用传统的统计建模方法，如基于均值和方差的异常值检测（Kola Sujatha和Yuvarani，2018）。随着机器学习和深度学习的快速发展，人工智能逐渐成为异常检测的主要方法，尽管其仍然主要在时间域内运作。单变量时间序列只需对单个变量内的时间依赖性进行建模，通常可以通过简单的机器学习或深度学习方法有效处理（Wang和Wang，2025；Li等人，2024）。然而，井测井数据构成了典型的多变量时间序列（Brankovic等人，2020），早期的分析很大程度上依赖于基于经验公式的手动判断（Tang等人，2019）。这种方法不仅效率低下，而且主观性很强。尽管已经将神经网络（Zhang，2015）和改进的随机森林算法（Liu等人，2022）应用于钻井异常检测，但最近的研究通过结合基于物理的模型和深度强化学习（Liu等人，2025）或序列融合数据驱动模型实现了超过99%的识别准确性（Liu等人，2024），但仍难以完全解决复杂钻井条件下的异常识别问题。

鉴于多变量时间序列建模的难度，深度学习已成为主导方法（Feng，2022）。现有方法大致可分为三类：基于重建的方法（Malhotra等人，2016；Du等人，2024）、基于预测的方法（Yuan等人，2023；Hundman等人，2018）和基于图的网络（Yu和Zhang，2024；Cui，2021）。基于重建的方法通常使用自动编码器来重建原始序列并通过比较重建误差来检测异常，但它们在处理长序列时常常遇到困难（Hao等人，2025）。基于预测的方法将预测值与实际值进行比较，但循环神经网络及其变体在捕捉复杂的数据间依赖性方面存在局限性（Shi，2024）。基于图的模型因能够捕捉变量间的依赖性而受到越来越多的关注。例如，GDN（Deng和Hooi，2021）通过学习图结构来模拟传感器关系，MTAD-GAT（Zhao等人，2020）使用图注意力网络进行异常检测。然而，这些基于图的方法在有效整合时间信息方面仍面临挑战，并且通常缺乏可解释性，这对于关键的安全应用至关重要。

上述深度学习方法虽然具有高准确性，但缺乏可解释性，这限制了它们在安全关键领域的应用。另一种有前景的方法是基于时间序列形状基元（Shapelets）的，最初由Ye和Keogh（Ye和Keogh，2009）引入用于时间序列分类。Shapelets是能够捕捉局部模式的区分性子序列，并已成功应用于异常检测（Beggel等人，2019）。基于Shapelets的方法具有强大的抗干扰能力、降维能力和可解释性，使其适用于钻井异常检测。最近，Cui等人（2025）提出了TShape来处理工业时间序列中的复杂Shapelet异常，进一步展示了基于Shapelets方法的潜力。然而，钻井领域的特殊性要求模型具有一定的可解释性（Patri等人，2014），以建立可信度。尽管基于Shapelets的方法提供了可解释性，但在应用于复杂钻井数据时面临两个关键挑战：1. 钻井作业数据持续时间较长，任何单个子序列都难以完全表示所有采样数据，即使它具有最佳的代表性；2. 尽管可以为每个变量提取Shapelets，但捕捉Shapelets之间的时间依赖性和变量间的潜在关系仍然具有挑战性。

为了解决这些问题，本文介绍了一个结合了Shapelet学习和图神经网络优势的新框架。在Shapelet的基础上，我们提出了一个Shapelet-Aware Graph Temporal Network（SGTN），将可微分的Shapelet学习与图注意力机制相结合。与使用原始传感器读数作为节点的现有基于图的异常检测方法不同，SGTN使用学习到的Shapelet特征作为图节点，从而提高了可解释性和区分能力。本文的主要贡献如下：1. 我们开发了一个创新框架，通过端到端的可微分Shapelet层自动发现区分性子序列模式。时间卷积网络（TCNs）用于建模Shapelets并提取复杂的变量间关系，而图注意力网络捕捉Shapelets之间的空间特征。通过融合时空特征，该方法在井喷检测方面提高了可解释性和可靠性；2. 针对石油钻井作业中的实际异常检测，我们引入了一个数据预处理流程，可为未来的跨学科研究提供参考；3. 通过对真实世界的钻井数据集（16口井）进行全面的比较实验，我们证明了该方法优于传统的深度学习网络和现有的基于图的异常检测方法，展示了其在更广泛应用中的潜力。

工作概述
图1展示了本研究中使用的方法的集成工作流程。初始阶段包括数据处理，从获取实际钻井数据和记录与井喷相关的异常的测井记录开始。此步骤涉及从测井记录中提取相关信息并将其与钻井数据合并。鉴于大量的钻井参数及其对井喷预测的不同相关性，实施了特征选择过程，从而得到……

数据预处理
由于本章专注于识别石油钻井作业中的井喷异常，原始数据集仅包含传感器参数值，没有异常标签。由于我们使用监督学习模型进行异常检测，数据预处理变得至关重要。下面详细描述了预处理流程。

方法论
在这项研究中，提出了一种用于井喷检测的Shapelet-Aware Graph Temporal Network（SGTN）。首先，对时间序列进行滑动窗口切片，窗口长度设为120分钟，即一个窗口包含10分钟的信息以获得局部子序列，并设计了一个可学习的Shapelet提取层，通过距离度量子序列相似性快速提取Shapelets。通过调整步长，可以调节特征提取的粒度。

实验与分析
在时间序列分析领域，尤其是在如石油钻井条件下的高可靠性要求的应用场景中，模型性能验证和鲁棒性评估至关重要。本章旨在设计实验来回答以下核心问题：与传统的时间序列模型（例如LSTM、GRU）和图形神经网络相比，所提出的方法能否显著提高异常检测任务的分类性能……

实验结果
本节通过比较不同模型的实验结果，充分展示了模型的强大功能，通过消融实验展示了各组件的性能，并通过其他测试井证明了模型的鲁棒性。模型之间的准确性比较显示在表7中，最佳结果用粗体标出。

讨论
从实验结果来看，该模型能够有效识别钻井工作条件中的异常，但仍有一些问题需要深入讨论。
准确性：从表7可以看出，所提出的SGTN模型在所有评估指标上均显著优于基线模型。尽管我们的目标应用场景（井喷检测）存在严重的样本不平衡问题，但SGTN仍然实现了87.75%的准确性。

结论
本文提出了一种基于Shapelet-aware图时间网络的端到端模型，用于智能识别异常的石油钻井条件，即井喷。该模型首先通过滑动窗口高效地解构时间序列，使短暂发生的井喷事件可见；然后挖掘时间序列中每个变量的多变量Shapelets；随后，通过TCN提取Shapelets的特征……

作者贡献声明
Wenjun Zhou：撰写——审阅与编辑、方法论、调查、形式分析、概念化。
Xinlong Yang：撰写——初稿、方法论、调查。
Tao Ding：可视化、方法论、数据管理。
Xiyu Chen：撰写——审阅与编辑、监督。
Yingying Jiang：资源支持。
Bo Peng：监督。

利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢
本工作得到了中国科学技术部国家科技重大项目（项目编号2025ZD1408800）和西南石油大学城市-大学科技合作专项基金（项目编号23XNSYSX0087）以及国家油气 reservoir 地质与开发重点实验室（西南石油大学）开放基金（PLN 202432）的支持。

Wenjun Zhou | Xinlong Yang | Tao Ding | Xiyu Chen | Yingying Jiang | Bo Peng