ハイブリッドデータ

Aug 06, 2023

Scientific Reports volume 12、記事番号: 15773 (2022) この記事を引用

578 アクセス

2 引用

1 オルトメトリック

メトリクスの詳細

安全泥窓 (SMW) は、O&G 井戸の掘削中に使用できる泥重量の許容制限を定義します。 泥重量を SMW 制限内に制御することは、坑井の不安定性の問題、循環の喪失などの多くの深刻な問題を回避するのに役立ちます。SMW は、これを下回るとせん断破壊 (ブレークアウト) が発生する可能性がある最小泥重量 (MWBO) と最大泥重量によって定義できます。それを超えると引張破壊（破壊）が発生する可能性がある泥の重量（MWBD）。 これらの制限は、ダウンホール地層の地質力学的分析から決定できます。 ただし、このような分析は、ほとんどの掘削井で常に利用できるわけではありません。 したがって、この研究では、追加コストをかけずに安全な泥の重量範囲を推定するための新しいデータ駆動型モデルを開発するための新しいアプローチが導入されています。 新しいモデルは、人工ニューラル ネットワーク (ANN) を使用して開発され、通常ほとんどの油井で利用できる検層データから MWBO と MWBD の両方を直接推定しました。 ANN ベースのモデルは、目に見えないデータセットでテストされる前に、中東のフィールドからの実際のデータを使用してトレーニングされました。 モデルは、予測出力値と観測出力値を比較すると、92% を超える高い精度を達成しました。 さらに、最適化された ANN モデルの重みとバイアスに基づいて新しい方程式が確立され、複雑なコードを必要とせずに MWBO と MWBD の両方を計算できます。 最後に、同じフィールドからの別のデータセットを使用して新しい方程式を検証しました。その結果、最大 0.60% という低い平均絶対パーセント誤差で MWBO と MWBD を推定する新しい方程式の高いロバスト性が実証されました。 したがって、コストのかかる従来のアプローチとは異なり、新たに開発された方程式は、ロギング データが利用可能なときはいつでも高精度で、タイムリーかつ経済的に効果的な方法で SMW 制限を決定することを容易にします。

地盤力学は、石油掘削および石油田開発の計画と最適化に関して基礎となる科学の 1 つです。 これには、坑井付近の現場応力の分布に加えて、岩石の機械的特性を研究することが含まれます。 このような情報を慎重に見積もることは、掘削、完成、刺激操作中に発生する可能性のある広範なコストのかかる問題を回避するのに役立つ重要な要素と考えられます。 地下地層の地質力学は、地層の現場の地質力学的状態を模倣する地質力学的モデルを構築することによって研究できます1。 これは、さまざまなプロセスの技術的検討に貢献し、ひいてはコスト削減を促進する可能性があります。 地質力学的モデルは、校正を目的としたフィールドテストやコアベースの実験室実験に加えて、従来の検層データ、つまり地層密度ログ、間隙率ログ、音響ログなどを使用して構築できます。 坑井の安定性は、掘削プロセス中の主な懸念事項の 1 つとして考慮されます。 坑井の安定性に関連する 2 つの一般的な問題は、引張破壊 (破壊) または坑井の破壊 (崩壊) です。 その結果、循環の喪失、パイプの固着、流出など、多くの問題が発生する可能性があります。したがって、このようなコストと時間の浪費を避けるために、安全なマッドウィンドウを決定するための綿密な計画を立てる際には注意が必要です。 安全なマッドウィンドウは通常、ダウンホール地層の原位置応力状態を考慮して決定されます2。 地層応力は大きさと方向の両方の観点から記述され、それによって坑井の不安定性の問題の可能性を評価できます。 したがって、掘削中の潜在的な不安定性の問題に対する実行可能な解決策を見つけるには、通常、坑井の深さに沿った現場の応力構成に関する正確なデータが必要です。 これは、事前に定義された安全な泥窓 (SMW)3 の範囲内に存在する最適な泥重量を配置することによって達成できます。 SMW は、現場の応力、間隙水圧、岩石の機械的特性と適切な岩盤破壊基準を組み合わせた坑井データに基づいた地質力学モデリングを適用することで決定できます4。 しかし、このような分析には費用と時間がかかると考えられており、そのため、ほとんどの掘削井ではアクセスが制限されます。

最近、さまざまな業界と同様に (Haghighat and Li, 2021)、O&G 業界のさまざまな業務中に利用できる膨大なデータを活用できる自動化されたインテリジェント システムのニーズが高まっています。 これらのシステムは、費用対効果と時間効率の高い方法でさまざまな主要パラメータをモデル化および推定することを目的とした、さまざまな機械学習アプローチに基づいています5。 文献の多くの研究では、SMW の設計に使用されるさまざまな地盤力学関連のパラメーターを推定するために機械学習アプローチが採用されています。 2012 年に、Rabbani ら。 は、イラン南部の油田からの密度、間隙率などの坑井ログデータを使用して、地球力学モデリングの重要なパラメーターの 1 つである一軸圧縮強度 (UCS) を予測するニューラル ネットワークを使用したモデルを開発しました。 ペレイラら。 (2013) は、塩分を含む地層を安全に掘削するための適切な泥の重量を予測するための決定木に基づくモデルを導入しました。 彼らは、掘削記録（例：日付/深さ、観察された泥の重量）、遭遇した岩質の種類、および地層の膨張によるパイプの固着などの事故の記録を使用しました。 Tabaeh と Mohammad (2016) は、検層データに基づいてせん断波速度を予測するためのニューラル ネットワーク ベースのモデルも開発しました。 次に、この情報を新しいワークフローに組み込んで、地殻変動が活発な地域の最小主応力を推定しました。 周ら。 (2016) は、HPHT 条件下でダウンホール圧力を制御するための適切な等価循環密度 (ECD) を予測するための新しいモデルを開発しました。 彼らは、開発したニューラル ネットワークへの入力特徴として、圧力と温度の形成条件に加えて、掘削泥の種類、使用済み泥水中の油相と水相の割合を使用しました。 オクポら。 (2016) は、ニューラル ネットワーク アプローチを導入することにより、ナイジェリアの油田における坑井の不安定性を調査しました。 彼らは、ダウンホール地層の安定性を決定するための入力として、泥の特性、地層応力、底孔圧力、間隙圧力、およびボーリング孔直径を使用しました。 ザヒリら。 (2019) は、イランのフィールドの機械的地球モデルを開発することにより、安全な泥窓を研究しました。 次に、ニューラル ネットワーク アプローチを採用し、ブラック ボックス モデルのログ データに基づいて故障基準を予測しました。 SMW に関する最近の研究では、引張、せん断、現場応力下での岩壁の安定性/破壊評価モデルを ML モデルと組み合わせて適用しています6,7。 Phan et al.7 は高い予測精度を報告しましたが、主応力、弾性率、ポアソン比、凝集強度、引張強度など、ほとんどの油井では常にアクセスできるとは限らないいくつかの入力パラメータを使用しました。 このようなパラメータの必要性により、そのようなデータが利用できない井戸ではこれらのモデルの適用性が制限されます。 In6 では、Abbas らは、ロギング データから SMW を予測するための ML のアプリケーションを紹介しました。 この研究には、予測誤差とモデルの精度を定量化するために不可欠な誤差指標が欠けています。 文献のレビューに基づいて、SMW の予測に適用された既存のインテリジェント モデルには、安全で最適化された掘削作業に有益に貢献する精度と適用性の改善の余地が残されています。

したがって、この研究では、機械学習アプローチ (人工ニューラル ネットワーク、ANN) を使用して、安全なマッド ウィンドウ (SMW) が調査されました。 SMW は、せん断破壊または引張破壊がそれぞれ発生する可能性がある最小および最大泥重量制限を研究することによって決定されます。 この研究は、中東フィールドの ANN ベースのモデルを直接使用して、検層データから SMW を予測することを目的としています。 さらに、開発されたANNモデルは、開発されたANNの処理を模倣する新しい方程式を確立することによってホワイトボックスモードで提示されました。

この新しいアプローチは地質力学的データの分析に基づいて確立され、検層データが入手可能な場合はいつでも掘削泥重量の安全な範囲を直接決定できるようになりました。 従来の高価なアプローチとは異なり、新しく開発された方程式により、経済的かつ時間効率の高い方法で検層データから直接 MWBO と MWBD を推定することが容易になります。 これは、石油技術者が適切な泥の特性を設計するのに役立ち、坑井の不安定性の問題の多くを回避できます。 さらに、掘削計画と最適化はさらに改善される可能性があります。

次のセクションでは、この研究に採用された方法論を説明し、その後、モデルの開発プロセスとその最適化の詳細なデモンストレーションを説明します。 最後に、この研究の結果は考察セクションで議論され、結論セクションでは結果が要約されます。

岩石力学とは、弾性状態または破壊状態における岩石の地球力学的挙動を研究する科学を指します。 これらの挙動は、一軸圧縮強度 (UCS)、摩擦角 (Ø)、引張強度などの破壊パラメータに加えて、弾性係数 (E)、ポアソン比 (PR) などの両方の弾性パラメータの観点から表現されます。このようなパラメータは基本的に、地下地層の地球力学的挙動を研究できる機械地球モデル (MEM) の開発中に組み込まれます。 まず、中東のフィールド内の 3 つの井戸から MEM を構築するためのデータが収集されました。 3 つのデータ グループが含まれていました。これらは次のとおりです。

岩石物理学的検層データ、たとえば、地層かさ密度 (RHOB)、音響データ (DTC および DTS)、ガンマ線検層 (GR)、中性子検層 (NPHI)、キャリパー検層 (CALI) など。

コアデータは、回収されたコアサンプルに対して実施された実験試験に基づいています。 これらのデータは通常、モデルの検証とキャリブレーションに使用されます。 キャリブレーションとは、坑井の丸太から推定される動的弾性特性と、研究室で測定される対応する静的弾性特性の間の考えられる関係を特定することを意味します。

泥の損失や坑井の不安定性の問題など、掘削作業中に収集される掘削データ。

次に、動的弾性パラメータ (E および PR) は、岩石物理学データを使用して推定され、利用可能なコア データを使用して対応する静的パラメータに校正されます。 これにより、調査対象の井戸の深さに応じて静的 E と PR の連続的なプロファイルが得られました。 次に、故障パラメータ (UCS、Ts、Ø) を取得した坑井ログと関連付けて、連続プロファイル形式で取得します。 これらの手順は、ダウンホール層の地質学的挙動を効果的に表現する MEM を開発するために不可欠です。

次に、二重多孔質弾性モデルを使用して、応力場 (たとえば、表土応力 Sv、最大および最小水平応力 Shmin および Shmax) が決定されます。 研究中のフィールドの地層応力の決定に関する詳細情報は、公開された研究で入手できます8、9、10。

地層に井戸を掘削すると、応力を受けた固形物質が除去されます。 この場合、ボーリング孔の壁は、孔内の掘削泥水の静水圧によってのみ支持されます11。 この流体圧力は一般に現場の地層応力と一致しないため、掘削後応力場または誘導応力場として知られる、坑井の周囲に応力の再分布が発生します。 二次誘起応力: フープ応力 (Sθθ)、ラジアル応力 (Srr)、および軸方向応力 (Szz) は、次の式 2 を使用して Shmin と Shmax に基づいて計算されます。

*\({P}_{w}\): 泥水静水圧、*\({P}_{p}\): 地層間隙圧。

ボーリング孔の壁におけるこれらの二次応力の相対的な大きさに応じて、ボーリング孔が破損する可能性がある主なシナリオが 2 つあります。 まず、地層の圧力に比べて重量が軽い掘削泥水の使用によって生じるせん断破壊は、ブレークアウト破壊につながります。 第二に、過剰な重量の掘削泥水の使用によって生じる引張破壊は、破壊を誘発し（破壊破壊）、したがって部分的または完全な損失を引き起こします。

この段階では、次の 3 つの重要なパラメータを推定することで SWM を決定するために坑井の安定性分析が実施されました。

通常、坑井の試験中に収集される間隙水圧 (Pf)。

ブレイクアウト泥重量 (MWBO)

ブレイクアウト泥重量（MWBD）。

ブレークアウト泥重量 (MWBO) を決定するには、実際には、領域の機械的安定性を研究しながら応力 Sθθ、Srr、Szz のさまざまな順列を考慮する必要があり、その後、破壊時の最大のボーリング孔泥水圧力がブレークアウトとして選択されます。 MWBO を決定するための破損基準。 これらの順列の方程式は (表 1)11 にまとめられています。

さらに、式 (1) で与えられる値を超える可能性のある非常に高い泥重量が使用されると、引張破壊が発生する可能性があります。 (6)。 この MWBD 値は、破壊の故障基準として考慮されています 1,11。 最後に、MWBD と MWBD プロファイルが生成され、提案されたモデルの出力として使用されました。

この研究では、複雑な炭酸塩貯留層を表す中東のフィールドにある 3 つの井戸から 1858 件の実際の観察のデータセットが収集されました。 データには、岩石物理学的検層データ (GR、RHOB、DTC、DTS、NPHI) と、同じ深度での対応する推定 MWBO および MWBD が含まれていました。 安全な泥重量制限は、最終的に MWBO および MWBD プロファイルを決定するための「方法論」セクションで説明されているように、研究対象地域用に開発された MEM の分析に基づいて決定されました。 2 つのウェルから収集されたデータはモデルのトレーニングとテストに使用され (特定の比率で分割)、残りのデータ (3 番目のウェル) は開発されたモデルの検証に使用されました。

AI ベースのモデルの予測精度は、モデルの開発中に使用されるデータの品質に大きく影響されます。 したがって、データは、文献に基づいた統計分析と工学的センスを使用して前処理およびフィルタリングされました。 特別に設計された Python コードを使用して、欠落点に加えてゼロや負の値などの不合理な値を削除しました。 次に、箱ひげ図を使用して異常値を除去しました。この図では、上のひげがデータの上限を表し、下のひげがデータの下限を表しています12。 これらの制限を超える値は外れ値とみなされ、削除されました。 これらの制限は、表 2 にリストされている統計パラメータを使用して決定されました。表 2 は、この研究で使用されたデータセットの分布と対象範囲を反映する記述的な統計的概要をリストしています。 図 1 は、入力データと出力データのヒストグラム分布を示しています。

この研究で使用されたデータのヒストグラム。

各パラメータと他のパラメータ間の共線性は、図 2 に示すヒート マップに示されており、色が濃いほど 2 つのパラメータ間の共線性の度合いが高くなります。 ヒートマップに表示される値は、すべての 2 つのパラメーター間のピアソン相関係数 (R 値) を表します。 相関係数は、2 つのパラメーターが相互にどの程度強い線形関係を持っているかを識別するために使用されます。 その値の範囲は - 1 から + 1 です。強い直接線形関係は、+ 1 の R 値で示されます。逆に、- 1 の R 値は、これら 2 つの変数間の強い逆線形関係を示します。 一方、R 値がゼロの場合は、2 つの研究の変数間に線形関係が存在しないことを示します。 さらに、図2には、回帰プロセスにおける入力と出力間の相関の重要性を調べるために、入力と出力パラメータ間の相関係数に関連付けられたP値が表示されます。 DTC は、DTS および NPHI とそれぞれ 1 および 0.95 という高い相関係数を示しました。 したがって、DTC は、提案されたモデルへの入力情報の重複を避けるために、開発されたモデルの入力特徴としてのみ考慮されてきました。 これらの結果は p 値によっても確認され、DTS と NPHI を除いて p 値は 0.05 未満でした (つまり、有意であることを意味します)。 したがって、選択された入力特徴の最終セットは GR、DTC、および RHOB でした。

入出力パラメータと相関係数に関連付けられた P 値間の共線性を反映するヒート マップ。

パラメータ間の共線性を調査して最も効果的なパラメータを選択することに加えて、感度分析も行われました。 MWBO を予測するために、さまざまな入力パラメータのセットを使用してさまざまな試験が実施されています。 このステップは、予測結果に対する各入力パラメーターの影響についての最初の洞察を得ることでした。 入力パラメータのさまざまなグループがテストされました。 これらのグループは、グループ 1 (GR、DTC、DTS、RHOB、NPHI)、グループ 2 (GR、DTC、DTS、RHOB)、グループ 3 (GR、DTC、DTS)、グループ 4 (GR、DTC、RHOB)、グループです。 5 (GR、DTC)、グループ 6 (GR、RHOB)、およびグループ 7 (DTC、RHOB)。 結果は、実際の出力値と推定出力値の間の平均絶対パーセント誤差 (MAPE) の観点から評価されています。 図 3 は、テストされた入力グループの予測誤差の比較を示しています。 結果は、GR、DTC、および RHOB の組み合わせ (グループ 4) が最も低い MAPE をもたらし、したがって最高の予測精度をもたらすことを示しました。 この観察は、提案されたモデルを開発するための入力として GR、DTC、および RHOB の組み合わせを使用して終了した次元削減分析の結論と一致します。 したがって、この入力セットは、散文モデルを開発するために決定されました。

テストされた入力グループの予測誤差の比較。

この研究では、人工ニューラル ネットワーク (ANN) を適用して、坑井検層データに基づいて MWBO と MWBD の両方を直接予測できる新しいモデルを開発しました。 ANN は、石油関連の地力学への最近の応用で成功を収めたために選ばれました。 文献の多くの研究では、UCS 予測 13、14、15、弾性率、ポアソン比 16、17、18、応力場の予測 8、9、通常、ＡＮＮは、ＧＲ、ＤＴＣ、およびＲＨＯＢを含む入力層、隠れ層、およびＭＷＢＯおよびＭＷＢＤを含む出力層という３つの基本タイプの層で構成される。 ネットワークのトレーニングは、隠れ層のニューロンへの重み付き接続を通じて隠れ層からのデータを処理し、最終的に出力を推定することから始まります20。 ネットワークを最適化するために、GridSearchCV 関数は Python コードを使用して設計されており、ユーザーが事前定義した範囲内で各アルゴリズムを最適化するためのさまざまなパラメーターを繰り返しテストし、各アルゴリズムの各パラメーターの最適値を報告します。 取得されたデータは、トレーニングとテストの 2 つのセットに分割されています。 トレーニング セットは、モデルをトレーニングし、そのハイパーパラメーターを最適化するために使用されました。 最適化プロセス中に、モデルの結果が内部でテストされ、選択されたハイパーパラメーターが評価されました。 各試行について、R 値と、トレーニングおよびテスト プロセスの実際の出力値と予測出力値の間の誤差を使用して予測が評価されました。 このステップの目的は、多くの反復試行を通じて予測誤差を最小限に抑えることができるハイパーパラメーターを特定することです。 その後、最適化されたモデルの汎化誤差を推定するために、テスト セットを使用して最適化されたハイパーパラメーターを持つモデルが評価されました21。

予測結果は、観測出力と予測出力間の相関係数 (R)、MAPE、平均二乗誤差 (MSE)、および二乗平均平方根誤差 (RMSE) の観点から評価されています。 評価指標の数式は付録 A に記載されています。表 3 は、トレーニング中にテストされた ANN パラメータ (トレーニング アルゴリズム、伝達関数、ニューロンの数、隠れ層の数、学習率など) の事前定義されたオプションを示しています。チューニングのプロセス。 図 4 は、開発された ANN モデルの典型的な概略アーキテクチャを示しています。 図 5 は、提案された方程式を作成するためにこの研究で従ったワークフローを示しています。

開発された ANN アーキテクチャの典型的な回路図。

提案された新しい ANN ベースの方程式を開発するためのフローチャート。

ANN を使用して、MWBO と MWBD の両方を予測する 2 つのモデルが開発されました。 開発されたモデルは、観測された出力セットと予測された出力セットの間で最低の MAPE と最高の R をもたらす調整パラメーターを選択することによって最適化されています。

MWBO の場合、最適化されたモデルは 10 個のニューロンを含む 1 つの隠れ層で構成され、データセットの 70% を使用してトレーニングされ、残りのデータは予測パフォーマンスのテストに使用されました。 一方、MWBD モデルの最良の結果は、単一の隠れ層で 7 つのニューロンを使用して得られました。 最適化された MWBD モデルのトレーニング プロセスは、トレーニングとテストそれぞれにデータセットの 70:30 の分割比を使用して実装されました。 どちらのモデルも、ベイズ正則逆伝播 (trainbr) アルゴリズムとタン シグモイド (tansig) 伝達関数を使用し、学習率 0.12 でトレーニングされています。

両方のモデルで選択したハイパーパラメーターを表 3 にまとめます。結果は、モデルの予測が、MWBO モデルと MWBD モデルでそれぞれ 0.91 と 0.95 の R で示される観測セットと出力セットの間で高い一致を達成したことを示しました。 予測誤差に関しては、開発されたモデルでは MWBO モデルと MWBD モデルの両方で 0.53% を超えない低い MAPE という結果になりました。 開発されたモデルの高精度は、MWBO および MWBD モデルの図 6 に示すように、テスト プロセスの実際の値と予測値の両方のグラフ表示が顕著に一致していることからも推測できます。

テスト プロセスの MWBO (左) モデルと MWBD (右) モデルの両方の観測出力と予測出力のグラフ表示。

さらに、図 7 に示すクロスプロットに示すように、両方のモデルの観測出力データと予測出力データが密接に分散していることから、これらの値の間で顕著な一致が示されています。これにより、開発されたモデルの予測精度が高いことが明らかになりました。 したがって、開発されたモデルを使用した MWBO および MWBD 予測を使用して、安全な掘削のための適切な泥窓を定義できます。

テスト データセットを使用した、(a) MWBO モデルと (b) MWBD モデルの実際の出力値と予測出力値の間のクロスプロット。

この研究の主な成果の 1 つは、安全な掘削のための泥窓を簡単に決定できる新しい方程式を開発することです。 したがって、新しい方程式は次のようになります。 (7) と (8) は、MWBO と MWBD の両方を推定するために同じ入力 (GR、RHOB、および DTC) を使用して確立されました。 確立された相関関係は、表 4 および 5 にリストされている開発モデルの調整された重みとバイアスに基づいています。

ここで、 \({\left({\mathrm{MW}}_{\mathrm{BO}}\right)}_{\mathrm{normalized}}\) と \({\left({\mathrm{MW} }_{\mathrm{BD}}\right)}_{\mathrm{normalized}}\) は、MWBO 値と MWBD 値の正規化された形式です。 Eqsを使用するために必要な手順は次のとおりです。 (7) と (8) については、付録 B で詳しく説明されています。

このセクションでは、開発された ANN ベースの方程式が、学習プロセスで使用されていない未確認のデータセットを使用して検証されました。 合計 637 個のデータ ポイントが、開発された式に供給されました。 (7) と (8) は、MWBO と MWBD の観点から安全なマッド ウィンドウを推定します。 次に、R 値、MSE、RMSE、MAPE を使用して、実際の出力セットと推定出力セットの間で結果が評価されました。 推定された MWBO および MWBD は、図 8 に示すように実際の値と高い一致を示し、R は 92% を超え、MAPE は最大 0.60% でした。 表 6 は、MAPE、MSE、RMSE の観点から開発された方程式の予測精度をまとめたものです。

検証プロセスの MWBO (左) モデルと MWBD (右) モデルの両方の観測出力と予測出力のグラフ表示。

開発された相関関係は、モデルの開発に使用されたデータのほとんどが収集された炭酸塩形成に対してより推奨されることを強調する必要があります。 これは、地層のタイプが異なるとログ応答と地質力学特性が異なる可能性があるため、説明できます。 これらの特性はダウンホールの応力分布を制御し、それによってブレークアウトとブレークダウンの制限を制御します。 したがって、異なる地層岩相を適用すると、多少の誤差が生じることが予想されます。 さらに、信頼性の高い結果を保証するために、表 2 にリストされている範囲内の入力と同じ単位を使用して、作成された方程式を展開することをお勧めします。

人工ニューラル ネットワーク (ANN) は、MWBO および MWBD に関して安全なマッド ウィンドウ限界を定義するために適用されることに成功しました。 開発されたモデルは、入力特徴として GR、RHOB、および DTC というロギング データを使用します。 この研究結果は次のように要約できます。

開発された ANN ベースのモデルは、観察された MWBO および MWBD 値とかなり一致し、精度は 92% を超え、最大平均絶対パーセント誤差 (MAPE) は 0.53% でした。

開発されたモデルを使用して新しい方程式が確立され、特別なコードを実行する必要なく、ロギング データから直接 MWBO と MWBD を推定できます。

開発された方程式は、同じフィールドから得られた未確認のデータを使用して検証されました。 この結果は、MAPE が 0.60% を超えない検層データから MWBO と MWBD を直接推定する、開発された方程式の堅牢性を実証しました。

人工ニューラルネットワーク

せん断破壊が発生する可能性がある最小泥重量

それを超えると引張破壊が発生する可能性がある最大泥重量

安全な泥窓

地層間隙圧

静泥水圧

ガンマ線ロギングデータ

地層嵩密度ログデータ

圧縮波伝播時間ロギングデータ

せん断波伝播時間ロギングデータ

中性子空隙率検層データ

キャリパーログデータ

弾性率

ポアソン比

一軸圧縮強度

抗張力

ラジアル応力

フープ応力

軸応力

破壊角度

レーベンベルク＝マルカルト

ベイズ正則化逆伝播

復元力のあるバックプロパゲーション

スケーリングされた共役勾配

パウエル/ビール再始動による共役勾配

フレッチャー・パウエル共役勾配

ポラック-リビエール共役勾配

ワンステップセカント

可変学習率バックプロパゲーション

双曲線正接シグモイド伝達関数

ログシグモイド伝達関数

エリオット対称シグモイド伝達関数

動径基底伝達関数

対称ハードリミット伝達関数

対称飽和線形伝達関数

ゾバック医学博士ら。 深井戸における応力の方向と大きさの決定。 内部。 J.ロックメカ。 分。 科学。 40、1049–1076 (2003)。

記事 Google Scholar

Zoback、メリーランド州貯水池の地球力学 (ケンブリッジ大学出版局、2007)。

Google Scholar を予約する

Zahiri, J.、Abdideh, M.、Ghaleh Golab, E. 人工知能を使用した坑井検層データに基づく安全な泥重量ウィンドウの決定。 ジオシスト。 工学 22、193–205 (2019)。

記事 Google Scholar

Aslannezhad, M. & Jalalifar, H. 掘削の課題と非生産時間を最小限に抑えるための、安全なマッドウィンドウの決定と坑井の安定性の分析。 J.ペット。 探検してください。 製品。 テクノロジー。 6、493–503 (2016)。

記事 Google Scholar

Kamran, M. アンサンブル学習手法を使用した掘削速度指数の予測のための確率的アプローチ。 J. ミン環境。 12、327–337 (2021)。

Google スカラー

Abbas, AK、Almohammed, HH、Alqatran, G.、Mohammed, HQ、Mohammed, A. 機械学習アルゴリズムを使用した坑井検層データからの安全な運転泥重量ウィンドウの決定。 オフショアテクノロジーカンファレンスアジア (オフショアテクノロジーカンファレンス、2020) に参加。

Phan, DT、Liu, C.、AlTammar, MJ、Han, Y.、Abousleiman, YN 時間依存の泥重量ウィンドウをリアルタイムで予測するための人工知能のアプリケーション。 SPE J. 27、39–59 (2022)。

記事 Google Scholar

Ibrahim, AF、Gowida, A.、Ali, A.、Elkatatny, S. ロギング データから現場応力を予測する機械学習アプリケーション。 科学。 議員第 11 号、1–14 (2021)。

記事 CAS Google Scholar

Gowida, A.、Ibrahim, AF、Elkatatny, S.、Ali, A. 掘削データを使用した最小主応力の予測: 機械学習アプリケーション。 計算します。 知性。 神経科学。 2021 年 1 ～ 13 日 (2021 年)。

記事 Google Scholar

Ibrahim, AF、Gowida, A.、Ali, A. & Elkatatny, S. ガス層からの地表掘削パラメータを使用した、掘削中の現場応力のリアルタイム予測。 J.ナット。 ガスサイエンス。 工学 97、104368 (2022)。

記事 Google Scholar

Fjaer, E.、Holt, RM、Horsrud, P. & Raaen, AM 石油関連岩石力学 (Elsevier、2008)。

Google スカラー

Dawson, R. 箱ひげ図の外れ値はどの程度重要ですか? J.Stat. 教育する。 https://doi.org/10.1080/10691898.2011.11889610 (2011)。

記事 Google Scholar

Rabbani, E.、Sharif, F.、Koolivand Salooki, M.、Moradzadeh, A. 貯留層形成特性を使用した一軸圧縮強度の予測のためのニューラル ネットワーク技術の応用。 内部。 J.ロックメカ。 分。 科学。 56、100–111 (2012)。

記事 Google Scholar

Gowida, A.、Elkatatny, S.、Gamal, H. 人工知能ツールを使用した掘削中のリアルタイムの一軸圧縮強度 (UCS) 予測。 ニューラルコンピューティング。 応用 33、8043–8054 (2021)。

記事 Google Scholar

Chemmakh、A. バッケンフィールドの岩石の UCS と引張強度を推定するための機械学習予測モデル (OnePetro、2021)。

Google Scholar を予約する

Jamshidi, E.、Arabjamaloei, R.、Hashemi, A.、Ekramzadeh, MA、Amani, M. 人工ニューラル ネットワークを使用した、掘削データに基づく地層岩の弾性特性のリアルタイム推定。 エネルギー源パート A 35、337–351 (2013)。

記事 Google Scholar

Gowida, A.、Moussa, T.、Elkatatny, S.、Ali, A. 砂岩の弾性挙動を予測するハイブリッド人工知能モデル。 サステナビリティ 11、5283 (2019)。

記事 CAS Google Scholar

Acar, MC & Kaya, B. 最小二乗サポート ベクター マシンに基づいて弱い岩石の弾性率を推定するモデル。 アラブ。 Ｊ．Ｇｅｏｓｃｉ． 13、1–12 (2020)。

記事 Google Scholar

Tabaeh, HM および Mohammad, A. 地殻変動が活発な地域における線形多孔弾性モデルとミニフラク テスト結果を使用した現場水平応力の推定。 ラス。 J. アース サイエンス 16、1–9 (2016)。

Google スカラー

Yegnanarayana、B. 人工ニューラル ネットワーク (PHI Learning Pvt. Ltd.、2009)。

Google スカラー

Xu, Y. & Goodacre, R. トレーニングと検証セットの分割について: 教師あり学習の汎化パフォーマンスを推定するための相互検証、ブートストラップ、系統的サンプリングの比較研究。 J.アナル。 テスト。 2、249–262 (2018)。

記事 Google Scholar

ペレイラ、LG、ガンデルマン、RA、クレメンテ、RG、テイシェイラ、PHS、テイシェイラ、GT 機械学習を使用してプレソルト掘削ゾーンの泥の重量を予測するソフトウェアの開発。 OTC ブラジル (OnePetro、2013)。

Zhou, H.、Niu, X.、Fan, H. & Wang, G. 掘削中の HTHP 井の掘削流体密度と ESD の効果的な計算モデル。 IADC/SPE アジア太平洋掘削技術カンファレンス (OnePetro、2016)。

Okpo, EE、Dosunmu, A. & odagme, BS 坑井の不安定性を予測するための人工ニューラル ネットワーク モデル。 SPEナイジェリア年次国際会議および展示会（OnePetro、2016年）。

リファレンスをダウンロードする

石油工学部、キング・ファハド石油鉱物資源大学、ダーラン、31261、サウジアラビア

アーメド・ゴウィダ、アーメド・ファリド・イブラヒム、サラヘルディン・エルカトニー

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

SE はアイデアを考案し、必要なデータを収集し、方法論の設計に参加しました。 AI、AG は、データ分析を実施し、方法論を設計し、アルゴリズムを実行し、結果の感度と最適化を実行しました。 SE は、方法論の設計と結果の検証の監督にも参加しました。 元の原稿は A, I が執筆し、著者全員が原稿の修正と編集に参加しました。

サラヘルディン・エルカタトニーへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Gowida, A.、Ibrahim, AF、Elkatatny, S. 安全なマッドウィンドウ予測を容易にするハイブリッド データ駆動型ソリューション。 Sci Rep 12、15773 (2022)。 https://doi.org/10.1038/s41598-022-20195-7

引用をダウンロード

受信日: 2022 年 5 月 23 日

受理日: 2022 年 9 月 9 日

公開日: 2022 年 9 月 21 日

DOI: https://doi.org/10.1038/s41598-022-20195-7

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

石油探査生産技術ジャーナル (2023)

アラビア地球科学ジャーナル (2023)

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。