Никита Владимирович Корнилаев - студент кафедры информационных технологий и прикладной математики
450064, г. Уфа, ул. Космонавтов, 1
Nikita V. Kornilaev - student at the Department of Information Technologies and Applied Mathematics
1, Kosmonavtov str., Ufa, 450064
Камила Феликсовна Коледина - доктор физико-математических наук, доцент кафедры информационных технологий и прикладной математики; научный сотрудник
450064, г. Уфа, ул. Космонавтов, 1
450075, г. Уфа, пр-т Октября, 141
Kamila F. Koledina - Dr. Sc. (Phys.-Math.), Associate Professor at the Department of Information Technologies and Applied Mathematics ; Research Fellow
1, Kosmonavtov str., 450064, Ufa
450075, October ave., 141, Ufa
Введение. Поглощения бурового раствора являются одним из наиболее распространённых видов осложнений в бурении скважин. Первостепенной задачей является прогнозирование процесса поглощения, так как предупреждение данного вида осложнения позволит минимизировать потери бурового раствора, а также предотвратить аварии в скважине. Возникновение поглощений обусловлено прежде всего геологическими свойствами пластов. Выяснение связи между возникновением поглощений бурового раствора и геологическими характеристиками разбуриваемых пластов представляет как фундаментальный, так и практический интерес. В связи со сложностью определения вероятности возникновений поглощений с помощью известных математических моделей была поставлена цель исследования — построить с помощью методов машинного обучения систему, прогнозирующую значения вероятности возникновения поглощений в зависимости от местоположения скважины и её стратиграфического описания.
Материалы и методы. Экспериментальные данные о 735 скважинах Шкаповского месторождения (координаты местоположения, геологический индекс пласта, значение интенсивности поглощений) были подготовлены авторами к вычислениям. Исходные данные были разделены на обучающую и тестовую выборки. Представлены варианты решения задачи классификации по четырем классам интенсивности поглощений с использованием следующих моделей машинного обучения: «дерево решений», «случайный лес», «линейный дискриминантный анализ».
Результаты исследования. Результаты прогнозирования по трём моделям сравнивались с экспериментальными данными тестовой выборки. Для оценки качества моделей использовались метрики «точность» и «полнота». По всем трём моделям была достигнута средняя точность предсказания значений — 91 %. Было установлено, что наиболее точной моделью является «линейный дискриминантный анализ».
Обсуждение и заключение. Прогнозы высокой точности позволяют предсказывать, с какой вероятностью будут возникать поглощения определённой интенсивности в зависимости от местоположения новой скважины и её стратиграфического описания. В работе представлено три метода решения задачи, показавших наилучшие результаты.
Introduction. Drilling mud losses are among the most common complications encountered during well drilling. Forecasting these losses is a priority as it helps minimize drilling fluid wastage and prevent wellbore incidents. Mud loss events are primarily influenced by the geological properties of the formations being drilled. Understanding the relationship between mud loss occurrences and the geological characteristics of the formations has both fundamental and practical significance. Given the complexity of predicting mud loss probabilities using traditional mathematical models, this study aims to develop a machine-learning-based system to predict the probability of mud losses based on well location and stratigraphic description.
Materials and Methods. Experimental data from 735 wells at the Shkapovskoye oil field, including well location coordinates, geological layer indices, and mud loss intensities, were prepared for computational analysis. The dataset was divided into training and testing subsets. The classification problem was addressed using four intensity classes with the following machine learning models: Decision Tree, Random Forest, and Linear Discriminant Analysis.
Results. Predictions generated by the three models were compared against the experimental data in the test set. The evaluation metrics included accuracy and recall. All three models achieved an average prediction accuracy of 91%. Linear Discriminant Analysis was identified as the most accurate model.
Discussion and Conclusion. High-accuracy predictions enable reliable forecasting of the probability and intensity of mud losses based on the location and stratigraphic description of new wells. The study presents three machine learning methods that demonstrated superior results in solving this problem.
The authors declare that there are no conflicts of interest present.