Do Masked Autoencoders Improve Downhole Prediction? An Empirical Study on Real Well Drilling Data

Diese Studie untersucht die Anwendung von Masked Autoencoder (MAE)-Vortraining für die Vorhersage von Bohrmetriken unter Tage, um die Datenasymmetrie in der Bohrelemetrie zu adressieren. Mithilfe realer Bohrdaten reduzierte MAE den mittleren absoluten Testfehler um 19,8% im Vergleich zu überwachten GRU-Baselines für die Vorhersage des Gesamtschlammvolumens.