《Ocean Engineering》：Explainable dual-point near-bit diagnostics for deepwater drilling anomalies: A deployable two-stage MI-AHP framework
编辑推荐：
双点近钻头监测框架结合多指标AHP与级联模型，实现深水钻井实时异常诊断，验证精度达93.4%，嵌入式部署延迟78ms。
Jiahao Zhan|Jun Li|Gonghui Liu|Hongwei Yang|Chao Wang|Biao Wang|Zhenyu Long
中国石油大学（北京）石油工程学院，北京市昌平区，102249
摘要
随着深水钻井技术的发展，钻井面临的压力裕度越来越小，对井控异常的响应时间仅剩几分钟。传统的仅依靠地表的监测技术常常会遇到信号延迟和衰减的问题，这阻碍了对钻头附近异常情况的早期检测。本研究介绍了一种双点近钻头诊断框架，旨在提供早期异常预警。具体而言，通过两个井下测量位置来捕捉同步响应以及两点之间的信号传输特性。应用数据驱动的多指标层次分析过程（MI-AHP）整合来自离线随机森林模型的多个重要性指标，以得出可解释的特征权重，从而实现高效的线性评分。为了解决类别不平衡问题，采用了两阶段级联模型：第一阶段区分异常与七种正常状态，第二阶段对四种不同的异常类型（井涌、失流、井壁坍塌和钻头卡住）进行分类。该系统在十五口深水井的数据上进行了验证，涵盖了1586.3小时和22次异常事件，正常状态识别的Macro-F1分数为93.4%，异常检测为91.2%，异常分类为89.8%。部署在ARM Cortex-M4嵌入式平台上仅需78毫秒和125KB的内存，支持实时井下操作。在独立井测试中，该系统的Macro-F1分数达到90.5%，误报率低于0.6%，能够在传统地表监测方法之前36分钟成功检测到井涌事件。
引言
随着海上石油和天然气勘探向深水和超深水环境扩展，井下的地质构造表现出越来越明显的异质性，而操作压力窗口也显著缩小。这些因素大大缩短了从异常首次检测到井控失效的允许响应时间，将其压缩到几分钟之内（Chen等人，2024a；Zhang等人，2023a）。在这种时间限制下，及时识别和管理常见的井控异常（如井涌、失流、井壁坍塌和钻头卡住）至关重要。否则可能会引发严重事故，包括井喷和井筒坍塌，带来巨大的经济损失和环境风险（Feng等人，2025；Meng和An，2021）。因此，在深水钻井作业中早期和精确地检测井控异常已成为确保操作安全的关键技术挑战（Zhang等人，2023b）。
目前，钻井平台上的监测系统主要依赖地表测量数据（Altindal等人，2024）。对于深水井而言，井筒长度较长，导致近钻头扰动信号在到达地表传感器之前会有显著的传播延迟和衰减。这种固有的延迟往往使得基于地表数据的异常检测滞后于井下事件的实际发生（Muojeke等人，2020）。为了解决这一限制，提出了在钻头附近部署传感器进行井下原位监测的方法，以便更早地捕捉异常前兆（Lu等人，2023）。然而，基于井下数据开发可靠的智能状态识别系统仍面临多个挑战。
深水钻井中的异常事件通常具有低频率、缺乏重复性和在不同井之间的显著变异性，导致异常样本稀缺和类别不平衡（Gurina等人，2022）。传统的机器学习和深度学习方法容易过拟合，误报率较高，并且在不同井之间的泛化能力有限（Li等人，2023a）。此外，恶劣的井下环境对算法部署提出了严格的工程限制，包括高温、强烈振动、有限的电力供应和严格的空间限制（Liu等人，2024）。这些条件要求状态识别算法轻量级、能够实时运行，并保持高精度（Chen等人，2024b）。此外，有效的井控安全管理要求这些系统具有可解释性，并能提供异常类型的诊断信息，以便现场做出明智的决策。
近年来，人工智能（AI）和机器学习技术越来越多地被用于钻井监测和早期预警，旨在从多变量钻井时间序列测量中识别异常模式；类似的方法也被应用于能源系统的时间序列预测和异常检测（Su等人，2019；Zhang等人，2021；Hu等人，2023；Li等人，2025）。在井控应用中，已经开发了基于多参数响应的监督学习方法进行早期井涌检测（Muojeke等人，2020）。基于深度学习的方法也被用于钻井作业中失流事件的早期检测（Aljubran等人，2021；Ouyang等人，2024），而先进的机器学习技术在故障预警（Wang等人，2024）、预测管理（Fan等人，2022）和可靠性提升（Li等人，2024）方面展示了有效性。尽管取得了这些进展，现有的基于AI的方法在深水近钻头监测场景下的鲁棒性和可部署性仍然有限，尤其是在异常分布严重不平衡和井下资源限制严格的情况下。
为了解决这些挑战，本研究提出了一种适用于钻井过程中测量（MWD）监测系统的可解释双点近钻头异常诊断框架。该框架战略性地布置了两个测量点：一个位于钻头上方，另一个位于正排量马达（PDM）上方。通过利用压力、扭矩和旋转速度参数沿钻柱的空间传输特性，该框架构建了双点差异特征。这种方法有效地捕捉了异常扰动在沿钻柱衰减之前的初始表现。本文研究的集成井下-地表监测和诊断系统的架构如图1所示。为了在有限的井下计算资源约束下实现稳定和可解释的状态识别，开发了一种多指标驱动的层次分析过程（MI-AHP）（He等人，2022）。该方法综合了三类指标——SHAP贡献、预测敏感性和交叉折叠稳定性——以数据驱动的方式得出特征权重，从而通过简单的线性加权方案实现状态区分。此外，为了解决异常样本稀缺和类别不平衡的问题，提出了一种两阶段级联识别架构。初始阶段建立正常操作行为的基线，以便进行异常检测，随后阶段对典型的异常类型（如井涌、失流、井壁坍塌和钻头卡住）进行细粒度分类。
本研究的主要贡献如下：（i）通过采用近钻头双点监测，研究开发了一个全面的特征框架，捕捉了压力和机械参数的空间传输特性。该框架阐明了典型异常沿井筒传播时的不同响应模式，从而从物理机制的角度增强了异常发展的初始阶段的敏感性和区分能力；（ii）提出了一种新颖的多指标驱动MI-AHP方法，综合了SHAP值、预测敏感性和稳定性指标，构建了一个数据驱动的一致性判断矩阵。该方法无需依赖复杂的深度学习模型，即可实现可解释的、稳健的、适用于井下的特征加权方案；（iii）引入了两阶段级联识别架构，将正常状态的识别与异常类型的分类分开。这种设计有效解决了严重类别不平衡和多类相互依赖性的问题，降低了模型复杂性，并减少了误报的发生；（iv）提出的框架使用真实的深水钻井现场数据进行了严格验证，证明了其在复杂操作条件下的多样性，并强调了其在实际工程应用中的潜力。因此，这项工作为深水钻井作业提供了一种可行的近钻头异常早期预警解决方案。
部分摘录
双点监测系统架构
井下实时状态识别系统采用分层架构，包括数据测量子系统、中央控制计算子系统和数据传输子系统（参见图2）。双点测量子系统同时获取井下参数并在各个点进行特征提取。随后，中央控制子系统从双点数据中提取比较特征并进行状态识别。
MI-AHP框架和多指标融合
井下条件的识别是一个多特征、多类别的分类问题。尽管先进的机器学习技术可以达到高精度，但它们通常作为黑盒模型运行，需要大量的计算资源，从而阻碍了其在资源有限的井下嵌入式系统中的实时应用。层次分析过程（AHP）通过构建判断矩阵来生成权重向量，从而解决了这一问题
实验数据集和验证设置
为了评估所提出的两阶段级联MI-AHP方法的有效性，本节详细介绍了使用真实世界钻井数据进行的一系列系统实验研究。地表级别的训练在配备32GB RAM的Intel i7-12700K平台上进行，而井下实现则针对测量过程中使用的嵌入式芯片（ARM Cortex-M4，运行频率为80 MHz，配备256KB SRAM）的计算限制进行了调整。实验数据集
假设和限制
本研究的建模和验证过程基于以下假设：双点系统运行稳定，操作程序标准化，且地层条件与训练数据集中的条件保持统计一致。所提出的方法存在三个主要限制：（i）异常样本的发生有限，仅记录了22个事件。尽管Bootstrap分析确认了
结论和未来工作
本研究通过引入一种多指标驱动的两阶段级联层次分析过程（AHP）方法，解决了实时井下状态识别的关键需求，该方法专为双点监测系统设计。该方法使用多井现场数据进行了严格验证。与传统的仅依靠地表监测的方法不同，后者依赖于延迟信号和操作人员的专业知识，所提出的井下双点系统在早期检测方面具有可测量的优势
CRediT作者贡献声明
Jiahao Zhan：撰写 – 审稿与编辑，撰写 – 原稿，验证，资源获取，调查，数据整理。Jun Li：撰写 – 审稿与编辑，撰写 – 原稿，正式分析，数据整理，概念化。Gonghui Liu：监督，项目管理，调查，资金获取。Hongwei Yang：监督，资源获取，调查。Chao Wang：可视化，监督，资源获取，项目管理。Biao Wang：软件，项目管理，
数据可用性声明
支持本研究发现的部分或所有数据、模型或代码可向相应作者请求获得。
利益冲突声明
?作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
本工作得到了国家科学技术重大项目（编号：2025ZD1401900、2025ZD1401904）、国家自然科学基金的重大科学研究仪器开发计划（编号：52227804）、国家重点研发计划（编号：2023YFC3009200）、国家自然科学基金的联合基金计划（编号：U22B2072）以及国家自然科学基金的一般计划（编号：52474018）的财政支持。
作者
