تخمین تنش برجا با استفاده از الگوریتم یادگیری ماشین و داده های حفاری

ناپایداری چاه ها یکی از مهم ترین چالش های صنعت حفاری می باشد. تعیین پایداری چاه به شدت به ارزیابی میزان و محاسبه مقدار تنش وابسته است. به همین منظور، در این مطالعه پس از محاسبه تنش با کمک داده های پتروفیزیکی، به تخمین تنش از طریق دو تکنیک یادگیری ماشین پرداخته شده است. به دلیل اینکه بدست آوردن میزان تنش در اعماق مختلف نیاز به لاگ های زیاد و همچنین هزینه های بالایی دارد، می توانیم از داده های حفاری همیشه در دسترس در میادین و بدون نیاز به هزینه اضافی مقادیر تنش را در اعماق مورد نظر محاسبه کنیم. لذا در این مطالعه تخمین تنش، با کمک یادگیری ماشین و با استفاده از داده های روزانه حفاری به عنوان پارامترهای ورودی معرفی می شود. الگوریتم های یادگیری ماشین بکار گرفته شده در این مقاله، شامل درخت تصادفی (rf) و ماشین بردار پشتیبان (svm) است و داده های حفاری شامل نرخ ورودی گل (mwin)، نرخ خروجی گل(mwout)، نرخ جریان (q)، گشتاور (t) و گردش بر دقیقه (rpm) می باشد. طبق الگوریتم های استفاده شده ،rf میزان دقت بیشتری نسبت به روش svm دارد و مدل بهتری برای تخمین میزان تنش می باشد.

in-situ stress estimation using machine learning algorithms and drilling data

the instability of wells is one of the most important challenges in the drilling industry. determining the stability of the well is highly dependent on the evaluation and calculation of the in_situ stress. for this purpose, in this study, after calculating the stress with the help of petrophysical data, stress estimation is done through two machine learning techniques. because obtaining the amount of stress at different depths requires a lot of logs and also high costs, we can obtain the stress values at the desired depths from the drilling data always available in the fields and without the need for additional costs. therefore, in this study, stress estimation is introduced with the help of machine learning and using daily drilling data as input parameters. the machine learning algorithms used in this article include random tree (rf) and support vector machine (svm) and the drilling data includes mud input rate (mwin), mud output rate (mwout), flow rate (q ), torque (t) and round per minute (rpm). according to the algorithms used, rf is more accurate than the svm method for modeling.