ハイブリッド破壊的および非破壊的入力を使用して,有機豊富な粘土の非制限圧縮強さの機械学習ベースの予測

科学分野:

• 地質工学
• 石油工学
• データサイエンス

背景:

• 無制限の圧縮強さは,地質技術とエネルギーアプリケーションに不可欠です.
• 正確な見積もりは,掘削の効率,井戸の安定性,掘削の設計に不可欠です.
• 伝統的な検査方法は時間がかかり 破壊的かもしれません

研究 の 目的:

• 有機豊かな粘土の圧縮強さを予測するための機械学習モデルを開発し,検証する.
• 破壊的でないパラメータと破壊的パラメータを統合し,予測の精度を高める.
• シェイルの強度に影響を与える重要な予測要因を特定する.

主な方法:

• 1217個のシェールサンプルのデータセットが作成され,超音波パルス速度,シェールファブリックメトリック,湿度,フィールド派生パラメータが組み込まれました.
• サポートベクトルマシン,ディシジョンツリー,K-Nearest Neighbor,Extreme Gradient Boosting (XGBoost) アルゴリズムを利用したデュアルモデルフレームワーク.
• モデルの性能は,トレーニングおよび独立した検証セットでR2,ルート・ミア・スクエア・エラー (RMSE),およびミア・アブソルト・エラー (MAE) を使用して評価されました.

主要な成果:

• 複合XGBoostモデルはトレーニングセットで最高精度を達成しました (R2 = 0.981,RMSE = 0.02,MAE = 0.02).
• XGBoostモデルは,独立した検証セット (R2 = 0.91) で強力な一般化能力を示した.
• 超音波速度,空隙比,ベッディング角度,および温度が重要な予測要因として特定されました.

結論:

• 機械学習モデル,特にXGBoostは,無制限の圧縮強度を推定するためのスケーラブルでデータ主導のアプローチを提供します.
• この方法は,シェール形成のジオメカニカル特徴付けのための従来の試験に信頼性があり,迅速な代替手段を提供します.
• この発見により,地質技術とエネルギー分野におけるより効率的で正確な設計が可能になります.