Краткое содержание

arXiv:2508.05210v3 Тип объявления: замена-перекрёстная публикация Аннотация: Прогнозирование скорости проходки (Rate of Penetration — ROP) критически важно для оптимизации буровых работ, однако остаётся сложной задачей ввиду нелинейности, динамичности и гетерогенности данных бурения. Традиционные эмпирические модели, основанные на физике процессов, и стандартные методы машинного обучения полагаются либо на чрезмерно упрощённые предположения, либо требуют интенсивной инженерии признаков, ограничивая способность моделирования долгосрочных зависимостей и сложных взаимодействий между признаками. Для решения указанных проблем данное исследование предлагает новую глубокую гибридную архитектуру глубокого обучения LSTM-Trans-Mixer-Att, которая сначала обрабатывает входные данные через специально настроенную сеть долгой краткосрочной памяти (Long Short-Term Memory — LSTM), чтобы уловить многомерные временные зависимости, согласующиеся с циклами бурения. Затем улучшенный кодировщик трансформера с позиционными кодировками, специфичными для процесса бурения, и оптимизацией в режиме реального времени уточняет признаки. Параллельно введённый блок обработки временных рядов TS-Mixer обеспечивает эффективное взаимодействие признаков во временном ряду.