該研究聚焦于鉆井系統中 build-up rate（BUR）的精準預測問題。作為控制井眼軌跡的核心參數，BUR 直接反映了鉆具調整軌跡的能力。傳統預測方法主要分為兩類：基于幾何特征的預測模型通過分析井眼曲率實現估算，但忽略了鉆壓、轉速等動態因素；基于力學模型的預測方法引入鉆頭與地層相互作用機理，雖能部分考慮環境因素，但存在參數整合困難、物理約束不完善等局限。當前數據驅動模型在應對小樣本問題時面臨雙重挑戰：一方面受限于實際鉆井數據獲取成本高、樣本量不足（本研究驗證數據僅60組樣本）；另一方面，現有特征提取方法對非序列化的一維時序數據適應性較差，導致模型無法充分捕捉復雜非線性關系。

研究團隊創新性地提出"物理約束-特征增強"雙驅動架構。在特征工程層面，針對鉆井數據特有的非序列化一維時序特征，開發融合多尺度感知能力的混合特征提取器。該架構突破性地將Transformer的注意力機制與多層感知機（MLP）的局部感知特性進行協同優化：Transformer模塊通過自注意力機制捕捉不同時間維度特征間的關聯性，解決傳統MLP缺乏全局感知能力的缺陷；同時MLP保留其在處理局部高維特征時的優勢。這種并行架構（MCFtransformer）較單一模型在特征表達多樣性上提升約37%（據實驗數據），特別是在處理轉速突變、鉆壓階躍變化等典型鉆井場景時，能有效分離噪聲信號與有效特征。

物理信息整合策略是研究的核心突破。研究團隊構建了包含三個關鍵約束的物理模型：首先，基于地層力學平衡原理，建立傾角變化率（ICR）與方位變化率（ACR）到BUR的非線性映射關系，通過約束網絡參數空間確保預測結果的非負性；其次，引入鉆具-地層接觸的摩擦耗散模型，量化不同硬度地層對軌跡調整的響應差異；最后，基于鉆井力學守恒定律設計動態權重調整機制，使模型在數據稀缺時仍能保持穩定收斂。這種多層次的物理約束不僅提升了模型的可解釋性，更在數據量不足時（本研究中訓練集僅48組樣本）將均方誤差降低至傳統方法的62%。

針對數據稀缺問題，研究提出混合加權損失函數（HWS）。該函數將傳統均方誤差與物理約束誤差進行動態加權，權重系數通過在線學習機制實時優化。具體而言，物理約束誤差采用改進的懲罰項設計，當預測值違背物理規律時，其貢獻權重自動提升至0.8以上；而數據驅動誤差則通過自適應調節機制，在樣本量充足時保持主導地位。這種動態平衡機制有效解決了純物理模型泛化能力弱、純數據驅動模型物理約束不足的矛盾。

在工程驗證方面，研究團隊選取秦皇島地區的典型復雜地層數據集進行測試。該數據集包含60組實際鉆井樣本，涵蓋不同井深（3000-6000米）、地層硬度（莫氏硬度6-8級）和鉆具類型（PDC鉆頭、牙輪鉆頭）。對比實驗顯示，MCFtransformer在特征提取階段較傳統LSTM模型提升特征利用率達42%，尤其在處理鉆壓與轉速的耦合作用時，能準確識別出對BUR影響超過75%的關鍵參數組合。結合物理約束的最終預測模型在測試集上達到89.7%的準確率，較現有最優模型（82.3%）提升7.4個百分點。

研究還創新性地設計了分層特征融合機制。輸入數據經過預處理后，首先由Ftransformer提取高階時序特征，其自注意力機制能自適應識別不同時間段參數的重要性差異。例如在處理突發鉆壓變化時，模型會自動強化對前3秒壓力曲線的注意力權重。隨后，MLP負責提取局部空間特征，如轉速波動超過20%時觸發的特征增強模塊。兩個分支的輸出通過雙線性交互層融合，生成包含時序關聯和空間異質性雙重特性的特征向量，較傳統串聯結構提升特征表征維度達1.8倍。

在模型架構優化方面，研究引入動態門控機制。該機制根據實時訓練誤差調整物理約束的參與度：當模型在訓練集上出現過擬合（驗證誤差上升>5%）時，自動提升物理約束權重至0.6-0.8區間，迫使模型回歸物理規律。這種自適應調節策略使模型在訓練集僅48組樣本時，仍能保持測試集誤差低于12%的行業領先水平。

實驗數據表明，該方法的物理約束機制能有效解決傳統數據驅動模型中的"黑箱"問題。在模擬數據缺失場景下（僅保留30%訓練樣本），模型通過強化物理約束（權重提升至0.75）仍能保持預測誤差在可接受范圍內（RMSE=0.18 vs 基線模型的0.35）。特別是在處理地層硬度突變工況時，物理約束模塊可及時修正預測偏差，使預測值與實際值的絕對誤差控制在5%以內。

該研究對工業實踐的指導價值體現在兩方面：其一，提出的混合特征提取框架可推廣至其他具有時空特征耦合的工業預測場景，如石油壓裂效果評估、風電葉片應力分析等；其二，動態加權物理約束機制為復雜工業系統建模提供了新范式，特別是在數據采集成本高昂的領域，如深海鉆井、頁巖氣開采等，可使模型訓練樣本量減少40%以上仍保持可靠性能。

未來研究可沿著兩個方向深化：首先，探索物理約束的深度可解釋性，開發可視化工具直觀展示約束機制對預測結果的影響路徑；其次，將該方法與數字孿生技術結合，構建包含實時工況感知的閉環預測系統。這不僅能提升預測模型的動態適應能力，還可為智能鉆井控制系統提供閉環反饋的決策支持，推動鉆井工藝從"經驗驅動"向"數據-物理雙驅動"轉型。