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
2024-12-09
SCID: 54.1/jc5j7xqv
Discuss with AI
ансамблевые методыинтенсивность поглощения бурового растворамашинное обучениепринятие решений при бурении в реальном времениданные каротажа скважин
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Проявления поглощения бурового раствора при бурении на газовом месторождении в северном Иране
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Применение машинного обучения и искусственного интеллекта в нефтегазовой промышленности2021
Систематический обзор применения науки о данных и машинного обучения в нефтегазовой отрасли2021
Глубокое обучение и анализ временных рядов для раннего обнаружения поглощений бурового раствора в процессе бурения2021
Труды 22-й Международной конференции ACM SIGKDD по интеллектуальному анализу данных и извлечению знаний2016
Элементы статистического обучения: добыча данных, вывод и предсказание2010