钻井作业中的气体突破事件具有强耦合动力学、早期演变微妙及严重类别不平衡的特点，限制了传统独立特征监测方法的效果。为解决这些挑战，本文提出了一种结构感知的智能监测框架用于早期气体突破检测。首先，将多变量钻井参数建模为相互作用的图结构，引入图神经网络（GNN）以捕捉结构层面的关联依赖及异常传播行为。其次，为缓解异常样本稀缺并提升时间判别能力，设计了结合条件表格生成对抗网络（CTGAN）和基于形状片段的时间模式的表示增强策略。最后，构建了结合图注意力分析和SHAP归因的多层次可解释机制，提供对结构交互和特征贡献的透明洞察。在真实钻井数据集上的实验表明，所提GNN基线模型在多种机器学习和深度学习模型中达到了最高准确率（0.7302）。通过表示增强，GNN+CTGAN+Shapelet模型进一步提升准确率至0.7507，F1分数至0.7347，验证了增强策略的有效性。可解释性结果显示，模型决策主要受流速和立管压力相关的时间演变模式驱动，这与钻井工程知识相符。总体而言，所提框架为现代钻井作业中的智能气体突破监测提供了结构一致、鲁棒且具可解释性的解决方案。
Xia 等（Mon,）研究了该问题。