摘要：实时准确预测钻进参数变化趋势对现场钻井作业具有重要参考价值。针对智能模型在现场作业应用中面临的钻进参数可获取性限制,提出了一种基于注意力时域卷积网络(AT-TCN)的钻进参数超前预测方法。该方法不仅考虑了录井曲线随深度变化的趋势和自相关性,同时嵌入高拓展性的注意力机制模块,使模型更好地捕捉钻进参数的动态变化。利用现场钻井数据集测试,评估了模型在预测4种关键钻进参数(扭矩、立管压力、钻井液当量密度和机械钻速)方面的有效性和准确性。研究结果表明:AT-TCN预测当量密度的准确率最高达到99%,且在模型精度和计算效率上,均优于其他4种深度学习模型,能够有效捕捉钻进参数的变化趋势。AT-TCN还提供模型的双重可解释性,可从时序和特征维度方面反映输入序列对预测结果的影响。研究结果有望为钻井作业的安全性、高效性作出重要贡献,具有较强的落地应用价值。