Прогнозирование поглощений бурового раствора на Python

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.

1. Шиповский К.А., Циркова В.С., Коваль М.Е., Кожин В.Н. Закономерности распределения зон поглощений в одиночных рифах депрессионной зоны Камско-Кинельской системы прогибов. Экспозиция Нефть Газ. 2021;1(80):34–39. https://doi.org/10.24412/2076-6785-2021-1-34-39

2. Ерёмин Н.А., Селенгинский Д.А. О возможностях применения методов искусственного интеллекта в решении нефтегазовых задач. Известия Тульского государственного университета. Науки о земле. 2023;1(1):201–211. https://doi.org/10.46689/2218-5194-2023-1-1-201-211

3. Абу-Абед Ф.Н., Борисов Н.А., Хабаров А.Р. Использование методов распознавания образов для анализа аварийных ситуаций. В: Cборник статей XVI международной научно-практической конференции «Математические методы и информационные технологии в экономике, социологии и образовании». Пенза: Автономная некоммерческая научно-образовательная организация «Приволжский Дом знаний»; 2005. С. 428–431.

4. Кодиров Ш.Ш., Шестаков А.Л. Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб. Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2019;19(3):20–32. https://doi.org/10.14529/ctcr190302

5. Дмитриевский А.Н., Еремин Н.А., Черников А.Д., Зинатулина Л.И. Использование методов искусственного интеллекта для предотвращения осложнений при строительстве скважин. Известия тульского государственного университета. Науки о земле. 2021;4:132–145. https://doi.org/10.46689/2218-5194-2021-4-1-132-144

6. Линд Ю.Б., Кабирова А.Р., Нурисламова Л.Ф. Прогнозирование осложнений в процессе бурения с использованием технологии параллельных вычислений. В: Труды международной научной конференции «Параллельные вычислительные технологии». Новосибирск: Издательский центр ЮУрГУ; 2012. С. 571–576.

7. Требин Г.Ф., Чарыгин Н.В., Обухова Т.М. Нефти месторождений Советского Союза. Справочник. 2-е изд., доп. и перераб. Москва: Недра; 1980. 583 с.

8. DecisionTrees — Geeksforgeeks. URL: https://www.geeksforgeeks.org/decision-tree-introduction-example/ (accessed: 21.04.2024).

9. Random Forest Algorithm in Machine Learning — Geekforgeeks. URL: https://www.geeksforgeeks.org/randomforest-algorithm-in-machine-learning/ (accessed: 21.04.2024).

10. Linear Discriminant Analysis in Machine Learning — GeeksforGeeks. URL: https://www.geeksforgeeks.org/mllinear-discriminant-analysis/ (accessed: 21.04.2024).