机器学习解决方案用于预测在钻探曲线段时的振动
Ramy Saadeldin1, Hany Gamal2, Salaheldin Elkatatny1
1College of Petroleum Engineering & Geosciences, King Fahd University of Petroleum & Minerals, Dhahran31261, Saudi Arabia.
这项研究使用表面数据和机器学习 (ML) 来自动检测钻头振动. 适应性神经模糊推理系统 (ANFIS) 和支持矢量机器 (SVM) 模型实现了高精度,减少了昂贵的下孔传感器的需求.
科学领域:
- 钻井工程 钻井工程
- 机器学习应用 机器学习应用
- 振动分析 振动分析
背景情况:
- 下洞振动显著影响钻井设备的性能和运营效率.
- 高振动水平导致设备故障,成本增加和非生产性时间.
- 现有的下孔传感器用于振动检测是昂贵的,增加了运营成本.
研究的目的:
- 开发和验证机器学习模型,用于使用表面数据自动检测钻头振动.
- 评估各种ML技术在识别轴向,扭转和侧向振动模式方面的有效性.
- 为下孔传感器提供一个具有成本效益的替代品,用于振动监测.
主要方法:
- 利用表面钻探数据来检测钻头振动.
- 采用了四种机器学习技术:自适应神经模糊推理系统 (ANFIS),辐射基函数 (RBF),功能网络 (FN) 和支持向量机器 (SVM).
- 通过数据收集,争,统计分析,模型开发和使用真实现场数据的准确性评估来开发模型.
主要成果:
- ANFIS和SVM模型显示出最高的准确性,相关系数 (R) 在0.9和0.99.9之间.
- RBF和FN模型显示出良好的准确性,R在0.82到0.96.6之间.
- 经过验证的模型在未见数据上实现了所有三种振动模式 (轴向,扭转,侧向) 的高预测准确性,SVM和ANFIS的R>0.93和AAPE<2.8%.
结论:
- 机器学习模型,特别是ANFIS和SVM,只能使用表面数据有效地检测下孔钻孔振动.
- 这种方法为实时振动监测提供了技术上公认和成本有效的解决方案.
- 开发的ML算法可以作为一种智能工具,通过消除对下孔传感器的需求来增强钻探操作并降低成本.
更多相关视频
00:09Visualization of Flow Field Around a Vibrating Pipeline Within an Equilibrium Scour Hole
Published on: August 26, 2019
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
相关概念视频
Horizontal Curve: Problem Solving
Calibration Curves: Linear Least Squares
For data that follow a straight line, the standard method for fitting is the linear...
Vertical Curve: Problem Solving
Classification of Signals
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
Circular Shaft - Stresses in Linear Range
Vibrating Concrete
