دسته‌بندی مشکلات حفاری با استفاده از روش­های یادگیری ماشین، مطالعه موردی یکی از میادین دریایی ایران

در طراحی چاه، کلید حصول موفقیت‌آمیز اهداف و کاهش هزینه‌ها، طراحی برنامه‌های چاه بر پایه پیش‌بینی مشکلات بالقوه است. تمرکز صنعت حفاری به سمت کاهش زمان غیرمفید و زمان­های هدررفته نهان سوق داده شده است. در این پژوهش، با استفاده از روش­های یادگیری ماشین و پارامترهای حفاری، دسته­بندی مشکلات حفاری بررسی شده است. از داده­های حفاری 17 چاه یکی از میادین دریایی جنوب غربی ایران برای آموزش مدل­های یادگیری ماشین استفاده شد. 411 دسته داده پس از حذف نمونه‌های پرت از منابع مختلف مانند گزارش‌های روزانه حفاری و گزارش‌های نهایی چاه استخراج شد. با اعمال انتخاب ویژگی، تعداد آن‌ها از 31 به 14 ویژگی کاهش داده شد. با به­کارگیری نرم­افزار matlab r2021b مدل‌های دسته‌بندی چندکلاسه شامل نزدیک‌ترین همسایه، و شبکه عصبی اجرا شد. پس از بهینه‌سازی، بهترین دقت اعتبارسنجی متعلق به مدل نزدیک‌ترین همسایه با دقت 3/87% بود. همچنین دقت مدل‌ها در مرحله آزمایش، به ترتیب نزدیک‌ترین همسایه با 3/86% و شبکه عصبی با 80% بود. از این مدل­ها با دقت مناسب می­توان برای پیش­بینی مشکلات حفاری، و متعاقبا دوری از آن‌ها، حین حفاری چاه­های جدید در میدان تحت مطالعه استفاده کرد.

classification of drilling problems using machine learning methods, a case study of one of iran's offshore fields

in well design, the key to successfully achieving goals and reducing costs is to design well programs based on the prediction of potential problems. the focus of the drilling industry has shifted towards reducing non-productive and invisible lost times. in this research, using machine learning methods and drilling parameters, the classification of drilling problems has been investigated. the drilling data of 17 wells of one of the offshore fields in southwest of iran were used to build machine learning models. 411 data sets were extracted from various sources such as daily drilling reports, drilling mud reports, and final well reports after removing outlier data. using feature selection, the features was reduced from 31 to 14. using matlab r2021b software, multi-class classification models including nearest neighbor, and neural network were implemented. after optimization, the best validation accuracy belonged to the nearest neighbor model with an accuracy of 87.3%. also, the most accurate models in the testing phase were the nearest neighbor with 86.3%, and the neural network with 80%. models with appropriate accuracy can be used to predict drilling problems, and subsequently avoid them, while drilling new wells in the field under study.