تعیین عمق‌های بحرانی حفاری با استفاده از روش‌های ماشین بردار پشتیبان و دسته‌بند جمعی، یک مطالعه موردی

پیش‌بینی عمق‌های بحرانی که احتمال وقوع مشکلات حفاری در آن­ها براساس تجربه حفر چاه‌های قبل در میدان بیش از دیگر اعماق است، می­تواند گام مهمی در کاهش زمان و هزینه­های حفاری باشد. در این پژوهش، با به کارگیری روش­های یادگیری ماشین و استفاده از پارامترهای حفاری، پیش­بینی عمق­های بحرانی حفاری از طریق کلاس­بندی مشکلات حفاری بررسی شده است. از 411 دسته داده حاصل از حفاری 17 چاه یکی از میادین دریایی ایران برای ساخت مدل­های یادگیری ماشین استفاده شد. برای آزمایش مدل­ها، 30 درصد از داده­ها به منظور اثبات جامعیت­پذیری آن­ها به کار گرفته شد. با استفاده از نرم‌افزار matlab r2021b مدل­های دسته­بندی چندکلاسه شامل ماشین­های بردار پشتیبان، و دسته­بند جمعی اجرا شد. پس از بهینه­سازی، بهترین دقت اعتبارسنجی متعلق به مدل دسته­بند جمعی با دقت 2/89% بود. همچنین دقیق­ترین مدل در مرحله آزمایش، به ترتیب دسته­بند جمعی با 4/87% و ماشین­های بردار پشتیبان با 1/82%، بود. از مدل­های با دقت مناسب می­توان برای پیش­بینی عمق­های بحرانی حفاری، و توجه بیشتر حین حفاری چاه­های جدید در میدان تحت مطالعه استفاده کرد.

determining critical drilling depths using support vector machine, discriminant analysis and ensemble classifier methods, a case study

predicting critical depths where drilling problems are more likely than other depths based on the experience of drilling previous wells in the field can be an important step in reducing drilling time and costs. in this research, by applying machine learning methods and using drilling parameters, the prediction of critical drilling depths has been investigated through the classification of drilling problems. 411 data sets obtained from the drilling of 17 wells in one of iran s offshore fields were used to build machine learning models. to test the models, 30% of the data were used to prove their generalization. using matlab r2021b software, multi-class classification models including support vector machines and ensemble classifiers were implemented. after optimization, the best validation accuracy belonged to the ensemble classifier with an accuracy of 89.2%. also, the most accurate models in the testing phase were the ensemble classifier with 87.4% and the support vector machine with 82.1%. models with appropriate accuracy can be used to predict critical drilling depths, and pay more attention while drilling new wells in the field under study.