Прогнозирование параметров технологического режима актуально в любом процессе бурения. Подготовленные модели машинного обучения позволяют получить прогнозные значения режимных параметров без применения сложных расчетов, с использованием ранее накопленного опыта. Для применения новых инструментов необходимо использовать также новые подходы к анализу имеющихся данных. Важной частью анализа массива данных являются выявление обстоятельств, которые можно прогнозировать, и последующая разметка данных. Набор данных составлен из режимных параметров бурения, обобщенных с учетом интервалов бурения по стволу. Построена модель машинного обучения для оценки эквивалентной циркуляционной плотности (ЭЦП) только по проектным значениям конструкции скважины и геологическим данным. Определены области, где фактические значения ЭЦП отклонялись от плановых. Проведена переразметка данных и установлены цели прогноза. Выделенные участки можно классифицировать с помощью машинного обучения. Рассмотрены варианты интерпретации работы классификаторов.
Любые специальные условия задачи, решаемой при помощи методов машинного обучения, накладывают ограничения на используемые данные. В статье проанализированы особенности данных бурения и ограничения выбора таких данных для обучения. Рассмотрена задача прогнозирования случаев определенного типа. Выделены участки, на которых приходилось увеличивать ЭЦП из-за высоких газопоказаний путем повышения плотности раствора. В качестве предикторов использованы режимные параметры предшествующих интервалов бурения. Алгоритмы, обученные на конкретных случаях, способны в дальнейшем такие случаи прогнозировать. В частности, может быть спрогнозирована необходимость повысить плотность раствора в следующем интервале бурения. Алгоритм отличает такие состояния от тех, когда плотность раствора останется неизменной. Рассмотрены трудности при интерпретации и оценке таких прогнозов, связанные с обучением на фактических данных.
Список литературы
1. Вадецкий Ю.В. Справочник бурильщика. – М.: Издательский центр «Академия», 2008. – С. 209–249.
2. Application of artificial neural networks in the drilling processes: Can equivalent circulation density be estimated prior to drilling? / H.H. Alkinani, A.T.T. Al-Hameedi, S. Dunn-Norman, D. Lian // Egyptian Journal of Petroleum. – 2020. – V.29. – P. 121–126. – https://doi.org/10.1016/j.ejpe.2019.12.003
3. Rooki R. Application of general regression neural network (GRNN) for indirect measuring pressure loss of Herschel–Bulkley drilling fluids in oil drilling // Measurement. – May 2016. – V.85. – P. 184–191. – http://doi.org/10.1016/j.measurement.2016.02.037
4. Using Deep Kalman Filter to Predict Drilling Time Series / Y. Yu, Q. Liu, S. Chambon, M. Hamzah // International Petroleum Technology Conference. – March 2019. - https://doi.org/10.2523/IPTC-19207-MS
