Характеристика интенсивности поглощения бурового раствора при бурении скважин: применение машинного обучения и данных геофизических исследований скважин

Lost circulation intensity characterization in drilling operations: Leveraging machine learning and well log data
Ahmad Azadivash
2024-12-09

ансамблевые методыинтенсивность поглощения бурового растворамашинное обучениепринятие решений при бурении в реальном времениданные каротажа скважин
Поглощение бурового раствора является одной из важных проблем при бурении скважин и приводит к финансовым потерям и производственным рискам. Основные причины поглощения связаны с рядом геологических параметров, особенно в осложнённых интервалах разреза. В данной работе представлен подход к прогнозированию интенсивности поглощения с использованием моделей машинного обучения и данных геофизических исследований скважин. Исследование посвящено газовому месторождению на севере Ирана и включает данные по девяти скважинам со случаями поглощения, классифицированными по шести классам интенсивности. После тщательного разведочного анализа и предварительной обработки данных были применены семь методов машинного обучения: случайный лес, Extra Trees, дерево решений, XGBoost, метод k ближайших соседей, метод опорных векторов и метод жёсткого голосования. Наилучшие результаты показали случайный лес, Extra Trees и жёсткое голосование. Эти модели продемонстрировали наиболее устойчивые результаты по обоим ключевым показателям качества и, следовательно, достаточно эффективно прогнозировали интенсивность поглощения. Модели Extra Trees и жёсткого голосования показали очень высокую прогностическую эффективность. Однако их ограничения для некоторых классов интенсивности указывают на необходимость дальнейшего совершенствования. В этом отношении ансамблевые методы особенно эффективны для решения задачи, имеющей многомерный характер. Метод жёсткого голосования объединяет несколько классификаторов и превосходит отдельные модели, такие как методы опорных векторов. Статья содержит новые сведения о применении машинного обучения совместно с данными геофизических исследований скважин для повышения точности прогнозирования поглощения, обеспечивая надёжную основу для принятия решений в режиме реального времени при бурении. Результаты показывают, что эти модели способны снизить производственные риски, повысить безопасность бурения и сократить непроизводительное время; таким образом, они представляют собой существенный шаг вперёд в управлении поглощением бурового раствора.
1
Extra Trees и Hard Voting продемонстрировали очень высокую прогностическую эффективность, причем Hard Voting превзошел отдельные модели, такие как метод опорных векторов.
2
Random Forest, Extra Trees и Hard Voting показали наиболее устойчивые результаты по ключевым оценочным метрикам.
3
Были оценены семь методов машинного обучения, включая Random Forest, Extra Trees, XGBoost, метод опорных векторов и Hard Voting.
4
Некоторые классы интенсивности оставались трудными для прогнозирования, что указывает на необходимость дальнейшего совершенствования моделей несмотря на эффективность ансамблевых методов.
5
В исследовании используются девять каротажных методов из газового месторождения на севере Ирана для классификации проявлений поглощения бурового раствора по шести классам интенсивности.

Проявления поглощения бурового раствора при бурении на газовом месторождении в северном Иране

Прогнозирование и классификация интенсивности поглощения бурового раствора на основе методов машинного обучения и многомерных данных каротажа для управления рисками при бурении в реальном времени

Publication Details
Publication Date
2024-12-09
Journal
Publisher
ISSN
Cited by
9
Access Type
Author Information
Authors
Ahmad Azadivash
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%