مروری بر کاربرد یادگیری ماشین در پیش ‌بینی مخاطرات و مشکلات حفاری

هزینه بالای عملیات حفاری منجر به افزایش چالش ‌ها در بهینه‌ سازی عملیات حفاری شده است. رمز موفقیت در کاهش این هزینه‌ها طراحی برنامه چاه بر اساس پیش‌بینی مسائل و مشکلات بالقوه حفاری می‌باشد. در چند دهه گذشته، صنعت حفاری تمایل روز‌افزونی به یادگیری ماشین برای پیش‌بینی مشکلات حفاری نشان داده است. این مقاله، مروری جامع از مطالعات مرتبط با بکارگیری یادگیری ماشین در پیش‌بینی رویدادهای پر مخاطره حفاری را ارائه می‌کند. در هر مطالعه، الگوریتم‌های یادگیری ماشین، تعداد نقاط داده، پارامترهای ورودی و خروجی‌ به ماشین و عملکرد الگوریتم مربوطه از مطالعات پیشین استخراج شده است. علاوه بر این، محدودیت‌ها، شباهت‌های مطالعات در هر دسته خلاصه شده و مروری از ادبیات به همراه توصیه‌هایی برای توسعه مطالعات آینده ارائه شده است. این بررسی‌ها نشان می‌دهد که الگوریتم شبکه عصبی مصنوعی محبوب‌ترین روش در بین الگوریتم‌های یادگیری ماشین در مطالعات انجام شده است؛ این در حالی است که دیگر الگوریتم ‌ها نظیر الگوریتم ماشین بردار پشتیبان و جنگل تصادفی ممکن است عملکرد بهتری را در استخراج نتایج از خود نشان دهند. همچنین لازم به ذکر است، بسیاری از مدل ‌های هوشمند ارائه شده توسط پژوهشگران از نمونه‌ های محدود و برای شرایط خاص ارائه نتایج چنین مطالعاتی ممکن است قابل تعمیم نباشد.