通过机器学习提高井口稳定性,以实现可持续的碳化合物开发
Mohatsim Mahetaji1,2, Jwngsar Brahma3
1Department of Petroleum Engineering, Parul Institute of Technology, Parul University, Vadodara, Gujarat, India. mohatsim.mahetaji37934@paruluniversity.ac.in.
机器学习模型使用现实世界钻井数据准确预测井口不稳定性. 图谱梯度提升实现了最高的准确性,超过传统方法,并通过SHAP分析提供可解释的见解.
科学领域:
- 地质科学 地质科学
- 石油工程是石油工程中的一个.
- 数据科学数据科学数据科学
背景情况:
- 井口不稳定性,包括形成突破和钻井引起的断裂,在钻井操作中存在重大风险.
- 这些不稳定性可能导致非生产性时间,堵塞的管道,井口塌和成本增加,影响安全和利能力.
- 准确的预测对于优化钻探策略和尽量减少干预至关重要.
研究的目的:
- 探索机器学习 (ML) 回归模型的应用,以提高井口不稳定性的预测.
- 使用开源井数据评估12个不同的ML模型的性能.
- 解释模型预测并识别影响井口稳定性的影响力特征.
主要方法:
- 使用了来自荷兰井 Q10-06 的数据集,涵盖2177.80至2350.92 m,有1137个数据点.
- 集成复合井日志,实时钻探参数和轨迹信息;钻井孔扩大是目标输出.
- 使用RMSE和R2评估了12个回归模型 (例如,直方图梯度增强,随机森林,SVM);用于解释性,使用了SHAP分析.
主要成果:
- 基底图梯度提升显示出最高的预测准确度 (RMSE = 8.5138 × 10-2 in,R2 = 0.99),其次是梯度提升,随机森林和决策树.
- 伯努利的天真贝叶斯和支持向量回归显示了很差的概括能力.
- SHAP分析揭示了具有影响力的特征及其影响,与特征相关热图保持一致.
结论:
- 与传统的经验相关性相比,数据驱动的机器学习技术,特别是直方图梯度提升,提供了优越的井口不稳定性预测准确性.
- 机器学习模型可以有效地整合各种数据源 (日志,钻井参数) 以进行可靠的预测.
- SHAP分析确保了模型的可解释性,识别了不稳定的关键驱动因素,并验证了模型依赖全面的特征集.
更多相关视频
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
08:16Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring
Published on: October 24, 2025
相关概念视频
Buoyancy and Stability for Submerged and Floating Bodies
Multimachine Stability
In analyzing the system, the nodal equations represent the relationship between bus voltages, machine voltages, and machine currents. The nodal equation is given by:
Design Example: Creating a Hydraulic Model of a Dam Spillway
Pole and System Stability
Simple poles are unique roots of the denominator polynomial. Each simple pole corresponds to a distinct solution to the system's characteristic equation, typically resulting in exponential decay terms in the system's...
Mechanical Efficiency of Real Machines
However, in reality, no machine can be truly ideal, and all of them experience some...
