Помощь студентам в учебе
ГИБРИДНАЯ ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ДЛЯ ОПЕРАТИВНОГО ОПРЕДЕЛЕНИЯ СВОЙСТВ БУРОВОГО РАСТВОРА НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ
|
Введение 5
ГЛАВА 1. Краткое введение в буровые растворы 13
1.1. Классификация и функции буровых растворов 13
1.2. Основные свойства буровых растворов 16
1.2.1. Реология бурового раствора 16
1.2.2. Водоотдача буровых растворов 26
1.2.3. Плотность бурового раствора 31
1.2.4. Содержание твердой фазы в буровом растворе 32
1.2.5. Вязкость бурового раствора, измеряемая с помощью воронки Марша 32
1.3. Измерение свойств бурового раствора 33
1.4. Краткое введение в машинное обучение 34
1.4.1. Основные концепции машинного обучения 34
1.4.2. Методы машинного обучения 36
1.5. Применение машинного обучения в разведке и разработке месторождений
нефти и газа 38
1.5.1. Машинное обучение в разведке месторождений нефти и газа 39
1.5.2. Машинное обучение в технологиях добычи нефти и газа 43
1.5.3. Машинное обучение в разработке месторождений нефти и газа 46
1.5.4. Машинное обучение в буровом деле 49
1.6. Исторический обзор исследований в области прогнозирования свойств
бурового раствора 54
ГЛАВА 2. Методология, применяемая в новой прогностической системе 61
2.1. Характеристика набора данных по буровых растворам 61
2.2. Теоретическое описание предиктивных алгоритмов 64
2.2.1. Метод наименьших квадратов опорных векторов (LSSVM) 64
2.2.2. Метод многослойного экстремального машинного обучения (MELM) 66
2.3. Алгоритмы оптимизации 69
2.3.1. Оптимизационный алгоритм с Cuckoo (COA) 69
2.3.2. Генетический алгоритм 72
2.4. Метрики погрешностей и оценки точности прогнозирования 74
2.5. Разработка гибридных моделей машинного обучения 76
2.5.1 Прогностические модели на основе оптимизации MELM генетическим алгоритмом и алгоритмом оптимизации с Cuckoo 77
2.5.2. Прогностические модели на основе оптимизации LSSVM генетическим
алгоритмом и алгоритмом оптимизации Cuckoo 86
2.6. Последовательность действий 95
ГЛАВА 3. Эксперименты, проведенные для разработки прогнозных моделей 98
3.1. Оценка корреляций между зависимыми и независимыми переменными .... 98
3.2. Обработка данных 100
3.2.1. Разделение данных для обучения и тестирования 100
3.2.2. Нормализация данных 102
3.2.3. Выявление и устранение выбросов 103
3.3. Определение оптимальной структуры моделей 106
3.3.1. Выбор ядра для LSSVM 107
3.3.2. Выбор оптимальной архитектуры для МELM 108
3.4. Настройка параметров алгоритмов оптимизации 113
3.5. Оптимизация гиперпараметров алгоритмов прогнозирования 118
3.5.1. Оптимизация гиперпараметров модели LSSVM 118
3.5.2. Оптимизация гиперпараметров модели MELM 124
ГЛАВА 4. Результаты прогнозирования гибридных моделей машинного
обучения 128
4.1. Прогнозирование водоотдачи 128
4.2. Прогнозирование пластической вязкости 135
4.3. Прогнозирование динамического напряжения сдвига 142
4.5. Анализ значимости признаков для наилучшей модели прогнозирования . 149
4.4. Рекомендации для дальнейшей работы 152
Заключение 154
Номенклатура / аббревиатуры 156
Список использованных литератур 158
Приложение А 178
Свидетельства о государственной регистрации программ для ЭВМ 178
Приложение Б 181
Акты внедрения 181
ГЛАВА 1. Краткое введение в буровые растворы 13
1.1. Классификация и функции буровых растворов 13
1.2. Основные свойства буровых растворов 16
1.2.1. Реология бурового раствора 16
1.2.2. Водоотдача буровых растворов 26
1.2.3. Плотность бурового раствора 31
1.2.4. Содержание твердой фазы в буровом растворе 32
1.2.5. Вязкость бурового раствора, измеряемая с помощью воронки Марша 32
1.3. Измерение свойств бурового раствора 33
1.4. Краткое введение в машинное обучение 34
1.4.1. Основные концепции машинного обучения 34
1.4.2. Методы машинного обучения 36
1.5. Применение машинного обучения в разведке и разработке месторождений
нефти и газа 38
1.5.1. Машинное обучение в разведке месторождений нефти и газа 39
1.5.2. Машинное обучение в технологиях добычи нефти и газа 43
1.5.3. Машинное обучение в разработке месторождений нефти и газа 46
1.5.4. Машинное обучение в буровом деле 49
1.6. Исторический обзор исследований в области прогнозирования свойств
бурового раствора 54
ГЛАВА 2. Методология, применяемая в новой прогностической системе 61
2.1. Характеристика набора данных по буровых растворам 61
2.2. Теоретическое описание предиктивных алгоритмов 64
2.2.1. Метод наименьших квадратов опорных векторов (LSSVM) 64
2.2.2. Метод многослойного экстремального машинного обучения (MELM) 66
2.3. Алгоритмы оптимизации 69
2.3.1. Оптимизационный алгоритм с Cuckoo (COA) 69
2.3.2. Генетический алгоритм 72
2.4. Метрики погрешностей и оценки точности прогнозирования 74
2.5. Разработка гибридных моделей машинного обучения 76
2.5.1 Прогностические модели на основе оптимизации MELM генетическим алгоритмом и алгоритмом оптимизации с Cuckoo 77
2.5.2. Прогностические модели на основе оптимизации LSSVM генетическим
алгоритмом и алгоритмом оптимизации Cuckoo 86
2.6. Последовательность действий 95
ГЛАВА 3. Эксперименты, проведенные для разработки прогнозных моделей 98
3.1. Оценка корреляций между зависимыми и независимыми переменными .... 98
3.2. Обработка данных 100
3.2.1. Разделение данных для обучения и тестирования 100
3.2.2. Нормализация данных 102
3.2.3. Выявление и устранение выбросов 103
3.3. Определение оптимальной структуры моделей 106
3.3.1. Выбор ядра для LSSVM 107
3.3.2. Выбор оптимальной архитектуры для МELM 108
3.4. Настройка параметров алгоритмов оптимизации 113
3.5. Оптимизация гиперпараметров алгоритмов прогнозирования 118
3.5.1. Оптимизация гиперпараметров модели LSSVM 118
3.5.2. Оптимизация гиперпараметров модели MELM 124
ГЛАВА 4. Результаты прогнозирования гибридных моделей машинного
обучения 128
4.1. Прогнозирование водоотдачи 128
4.2. Прогнозирование пластической вязкости 135
4.3. Прогнозирование динамического напряжения сдвига 142
4.5. Анализ значимости признаков для наилучшей модели прогнозирования . 149
4.4. Рекомендации для дальнейшей работы 152
Заключение 154
Номенклатура / аббревиатуры 156
Список использованных литератур 158
Приложение А 178
Свидетельства о государственной регистрации программ для ЭВМ 178
Приложение Б 181
Акты внедрения 181
Актуальность темы исследования. При бурении нефтяных и газовых скважин одним из наиболее технически сложных аспектов является работа с буровым раствором. Для повышения эффективности бурения скважин и минимизации потенциальных проблем, связанных с буровым раствором, инженеры по бурению должны определить оптимальную программу промывки скважины и определить компонентный состав раствора для каждой секции скважины. Им также необходимо периодически контролировать и измерять технологические свойства раствора в процессе бурения скважины. Для этого обычно используются экспериментальные методы контроля свойств бурового раствора путем прямого измерения в полевых лабораториях по месту бурения скважин. Такой подход может быть трудоемким и дорогостоящим, но он является необходимым в настоящее время для контроля технологического процесса бурения скважин. Среди всех свойств буровых растворов наиболее важными являются фильтрационные и реологические свойства. В связи с этим тщательное проектирование и приготовление буровых растворов с соответствующими реологическими и фильтрационными свойствами в сочетании с оперативным мониторингом имеют большое значение для успешного выполнения буровых работ. В процессе выполнения всего цикла буровых работ необходимо регулярно получать информацию относительно всех ключевых параметров буровых растворов. Как правило, реологические и фильтрационные свойства бурового раствора проверяются не чаще, чем один или два раза в день. Тем не менее, другие свойства бурового раствора, такие как плотность бурового раствора (рбр), содержание твердой фазы (ТФ) и условная вязкость (УВ), как правило, контролируются несколько раз в час в силу простоты измерений.
Методы машинного обучения могут служить перспективным инструментом для оценки реологических и фильтрационных свойств бурового раствора на основе других легко и часто измеряемых параметров бурового раствора, таких как рбр, ТФ и УВ. Метод наименьших квадратов опорных векторов (LSSVM) и метод многослойного экстремального машинного обучения (MELM) — два метода машинного обучения, которые нашли свое успешное применение для решения различных задач регрессии и классификации. Эти методы могут быть использованы для разработки прогнозных моделей для точного определения вышеупомянутых свойств буровых растворов. Однако эти методы имеют свои недостатки, которые негативно влияют на точность прогнозирования и обобщаемость. В этом отношении автономная модель LSSVM страдает от локальной оптимизации, используемой для определения оптимальных гиперпараметров модели, которая склонна к падению до локальных минимумов, а автономная модель MELM требует трудоемкого анализа методом проб и ошибок для определения правильной архитектуры модели и страдает от случайного назначения гиперпараметров. Эти проблемы с методами MELM и LSSVM могут быть решены путем объединения автономных моделей с методами глобальной оптимизации для определения оптимальной архитектуры модели MELM и оптимальных гиперпараметров для обеих моделей MELM и LSSVM.
Наконец, стоит отметить, что, получение подобной информации о фильтрационных и реологических свойствах растворов в режиме реального времени позволит избежать осложнений, связанных с изменением свойств буровых растворов во время бурения, путем раннего выявления и своевременного принятия необходимых корректирующих действий. Решение данной задачи также приближает нас к достижению полной автоматизации прогнозирования реологических и фильтрационных свойств буровых растворов непосредственно в полевых условиях.
Степень разработанности темы. Данную тематику изучали такие исследователи, как А. Алсабаа (Саудовская Аравия, 2021), С. Элькататный (Саудовская Аравия, 2017), А. Говида (Саудовская Аравия, 2020), О. Томива (Нигерия, 2019), С. Гюль (США, 2020), А. Лекомцев, К. Абдельгавад (Россия, 2022), И. Гомаа (Саудовская Аравия, 2021), М. Рази (Иран, 2013), A. Третьяк (Россия, 2022), Р. Голами (Норвегия, 2022). Постоянный мониторинг и регулярное измерение реологических и фильтрационных свойств буровых растворов крайне важны для оптимизации буровых работ. Своевременное получение информации об этих свойствах позволяет буровой бригаде быстро принимать необходимые меры по регенерации бурового раствора. Существует ряд исследований, направленных на разработку интеллектуальных моделей для прогнозирования вышеупомянутых свойств, с ограниченной практической применимостью по причине ограничений по конкретным типам буровых растворов, а также по причине недостижения оптимального решения задачи. Кроме того, в настоящее время не разработано модели машинного обучения, способной прогнозировать объем фильтрации буровых растворов на основе наиболее часто отслеживаемых параметров (рб.р, ТФ и УВ). Таким образом, в настоящее время существует актуальная проблема разработки прогностических моделей с высокой обобщающей способностью для прогноза трех целевых параметров, которые могут быть использованы в качестве системы помощи в принятии решений.
Цель исследования. Целью данного исследования является разработка и оптимизация моделей машинного обучения для точного определения трех критических параметров буровых растворов, а именно водоотдачи, пластической вязкости и динамического напряжения сдвига, на основе других легко и регулярно измеряемых свойств бурового раствора.
Для достижения поставленной цели в диссертации необходимо решить следующие задачи:
- Провести обзор существующих методов для прогнозирования трех целевых параметров бурового раствора, включая методы в основе которых лежит искусственный интеллект.
- Разработать две автономные модели машинного обучения (MELM и LSSVM) для прогнозирования целевых параметров буровых растворов. Комбинировать разработанные модели машинного обучения с методами оптимизации для определения оптимальной структуры и гиперпараметров моделей с целью повышения точности прогнозирования и обобщаемости моделей.
- Провести серию экспериментов и анализов на этапе обучения моделированию гибридных моделей для повышения их точности прогнозирования и обобщаемости.
- Применить предложенные автономные и гибридные модели для прогнозирования целевых параметров бурового раствора; провести оценку эффективности разработанных моделей.
Объектом исследования в данной работе являются важнейшие фильтрационные и реологические свойства буровых растворов на водной основе: водоотдача, пластическая вязкость и динамическое напряжение сдвига.
Предметом исследования является прогнозная интеллектуальная модель для определения свойств бурового раствора на водной основе.
Методы исследования. Проведенное в данной диссертации исследование основано на методах машинного обучения, методах глобальной оптимизации, математическом и статистическом анализе, а также аналитических и численных экспериментах. Все вычисления проводились с использованием вычислительной платформы MATLAB.
Научная новизна работы.
1. Предложена, обоснована и экспериментально проверена прогнозирующая модель, основанная на многослойном экстремальном обучении (MELM), обеспечивающая повышение точности прогнозирования свойств бурового раствора с помощью определения оптимального количества скрытых слоев и входящих в них нейронов, а также нахождения оптимальных значений весов и смещений, приписываемых каждому нейрону и скрытому слою соответственно.
2. Предложена, обоснована и экспериментально проверена прогнозирующая модель, основанная на методе опорных векторов (LSSVM), обеспечивающая повышение точности прогнозирования свойств бурового раствора за счет определения подходящей функции ядра и организации поиска гиперпараметров, при которых достигается глобальный минимум среднеквадратического отклонения (RMSE).
3. Предложено применение разработанных прогнозирующих моделей для формирования набора гибридных моделей, обеспечивающих получение точных оценок водоотдачи, пластической вязкости и динамического напряжения сдвига бурового раствора на основе измеряемых параметров: плотности, условной вязкости и содержания твердой фазы бурового раствора.
Теоретическая значимость работы. Теоретические положения, сформулированные автором, способствуют развитию гибридных моделей машинного обучения, позволяющих делать точные прогнозы с высокой обобщаемостью. Задача разработки таких гибридных прогностических моделей выполнена с использованием методов глобальной оптимизации и получила научное обоснование в результате проведения аналитического описания и многочисленных вычислительных экспериментов над предложенными моделями.
Практическая значимость работы. Практическая значимость работы заключается в том, модели, предложенные в данной диссертации, могут быть применены при бурении скважин для частого определения трех критических параметров бурового раствора, а именно пластической вязкости, динамическое напряжение сдвига и водоотдачи. Применение таких моделей, генерирующих надежные прогнозы целевых параметров бурового раствора, снижает требования к проведению большого количества трудоемких экспериментальных измерений.
Положения, выносимые на защиту.
1. Предложенная прогнозирующая модель, основанная на многослойном экстремальном обучении, обеспечивает повышение точности прогнозирования свойств бурового раствора c применением оптимальной архитектура MELM на 35-62 % в зависимости от целевого параметра по сравнению с традиционным подходом.
2. Предложенная прогнозирующая модель, основанная на методе опорных векторов LSSVM, обеспечивает повышение точности прогнозирования свойств бурового раствора на 19-45 % по сравнению с традиционным подходом.
3. Разработанные гибридные модели машинного обучения позволяют определять водоотдачу, пластическую вязкость и динамическое напряжение сдвига буровых растворов с погрешностями (2,95 - 4,27) %, (1,27 - 1,73) %, и (1,83 - 2,42) % соответственно.
Достоверность результатов. Достоверность результатов, представленных в диссертационном исследовании, обеспечивается путем оценки эффективности прогнозирования разработанных моделей на тестовом наборе данных. Предложенные прогностические модели, примененные к тестовому набору данных, обеспечивают достоверные прогнозы трех целевых параметров.
Внедрение результатов работы. Результаты настоящего диссертационного исследования внедрены в учебный процесс Инженерной школы природных ресурсов ТПУ, а также используются в компании ООО "Инновационные Технологии" для нужд мониторинга процесса бурения. Акты внедрения приложены к диссертационной работе.
Апробация работы. Основные положения диссертационного исследования докладывались и обсуждались на следующих конференциях:
• 3-й Восточно-Средиземноморский семинар EAGE (1-3 декабря 2021 года, Ларнака, Кипр);
• XXVI Международный научный симпозиум имени академика М.А. Усова «Проблемы геологии и освоения недр» (4-8 апреля 2022 года, Томск),
• XXVII Международный научный симпозиум имени академика М.А. Усова «Проблемы геологии и освоения недр» (3-7 апреля 2023 года, Томск), и
• Тюменская нефтегазовая конференция (4-8 сентября 2023, Минеральные Воды).
Публикации по теме диссертации. По результатам диссертационного исследования опубликовано 12 работ, в том числе 9 статей в журналах первого квартиля (Q1), проиндексированных в базах данных Web of Science и Scopus, а также 3 публикации в материалах международных и всероссийских научных конференций; получено 3 свидетельства о государственной регистрации программ для ЭВМ.
Личный вклад автора. Все описанные исследования проведены автором лично. Автором составлен необходимый набор данных на основе ежедневных буровых сводок по двум месторождениям и проведена предварительная обработка набора данных для машинного обучения и моделирования целевых параметров. Все этапы разработки и оценки предложенного метода прогнозирования свойств бурового раствора выполнены автором лично. Все результаты достигнуты и интерпретированы автором лично. Концептуализация исследования, постановка цели и задач настоящего исследования осуществлялись автором совместно с научным руководителем.
Структура и объем работы. Настоящее диссертационное исследование включает в себя список таблиц, список рисунков, введение, четыре основные главы, заключение, список номенклатуры и библиографию. Объем диссертационного исследования составляет 182 страниц, включая 52 рисунков и 22 таблицы. Библиография состоит из 165 наименований.
Во введении обосновывается актуальность темы диссертации, формулируется цель настоящего научного исследования, определяются задачи, подлежащие решению, определяется научная новизна и значимость результатов работы с точки зрения теоретической и практической ценности.
В первой главе приводятся определения буровых растворов, их классификация, характеристики, методы измерения параметров буровых растворов. Кратко представлены основы методов машинного обучения и всесторонне рассмотрены области их применения в нефтегазовой отрасли.
Во второй главе подробно рассмотрено теоретическое описание алгоритмов, применяемых для разработки предложенных моделей прогнозирования, статистические метрики, используемые для оценки точности прогнозирования моделей, характеристика рассматриваемого набора данных, а также подходы, применяемые для разработки гибридных моделей машинного обучения.
В третьей главе представлены и подробно проанализированы вычислительные эксперименты, проведенные на каждом этапе разработки и оценивания предложенных гибридных моделей машинного обучения.
В четвертой главе представлены, проанализированы и обоснованы результаты прогнозирования, полученные с помощью автономных и гибридных моделей, разработанных для прогнозирования целевых параметров буровых растворов.
Благодарности. Прежде всего, автор выражает огромную благодарность своему научному руководителю Валерию Рукавишникову за его постоянные научные и технические консультации и поддержку на всех этапах данного исследования. Благодарит своих коллег Дэвида Вуда, Мохаммада Мехрада, Грачика Еремяна, и Тамару Шульгину за их научные консультации, которые помогли улучшить настоящее исследование. И последнее, но не менее важное, автор искренне благодарит Салара Мардани, супервайзера по бурению Национальной иранской буровой компании за его помощь в сборе данных, использованных в настоящем исследовании.
Методы машинного обучения могут служить перспективным инструментом для оценки реологических и фильтрационных свойств бурового раствора на основе других легко и часто измеряемых параметров бурового раствора, таких как рбр, ТФ и УВ. Метод наименьших квадратов опорных векторов (LSSVM) и метод многослойного экстремального машинного обучения (MELM) — два метода машинного обучения, которые нашли свое успешное применение для решения различных задач регрессии и классификации. Эти методы могут быть использованы для разработки прогнозных моделей для точного определения вышеупомянутых свойств буровых растворов. Однако эти методы имеют свои недостатки, которые негативно влияют на точность прогнозирования и обобщаемость. В этом отношении автономная модель LSSVM страдает от локальной оптимизации, используемой для определения оптимальных гиперпараметров модели, которая склонна к падению до локальных минимумов, а автономная модель MELM требует трудоемкого анализа методом проб и ошибок для определения правильной архитектуры модели и страдает от случайного назначения гиперпараметров. Эти проблемы с методами MELM и LSSVM могут быть решены путем объединения автономных моделей с методами глобальной оптимизации для определения оптимальной архитектуры модели MELM и оптимальных гиперпараметров для обеих моделей MELM и LSSVM.
Наконец, стоит отметить, что, получение подобной информации о фильтрационных и реологических свойствах растворов в режиме реального времени позволит избежать осложнений, связанных с изменением свойств буровых растворов во время бурения, путем раннего выявления и своевременного принятия необходимых корректирующих действий. Решение данной задачи также приближает нас к достижению полной автоматизации прогнозирования реологических и фильтрационных свойств буровых растворов непосредственно в полевых условиях.
Степень разработанности темы. Данную тематику изучали такие исследователи, как А. Алсабаа (Саудовская Аравия, 2021), С. Элькататный (Саудовская Аравия, 2017), А. Говида (Саудовская Аравия, 2020), О. Томива (Нигерия, 2019), С. Гюль (США, 2020), А. Лекомцев, К. Абдельгавад (Россия, 2022), И. Гомаа (Саудовская Аравия, 2021), М. Рази (Иран, 2013), A. Третьяк (Россия, 2022), Р. Голами (Норвегия, 2022). Постоянный мониторинг и регулярное измерение реологических и фильтрационных свойств буровых растворов крайне важны для оптимизации буровых работ. Своевременное получение информации об этих свойствах позволяет буровой бригаде быстро принимать необходимые меры по регенерации бурового раствора. Существует ряд исследований, направленных на разработку интеллектуальных моделей для прогнозирования вышеупомянутых свойств, с ограниченной практической применимостью по причине ограничений по конкретным типам буровых растворов, а также по причине недостижения оптимального решения задачи. Кроме того, в настоящее время не разработано модели машинного обучения, способной прогнозировать объем фильтрации буровых растворов на основе наиболее часто отслеживаемых параметров (рб.р, ТФ и УВ). Таким образом, в настоящее время существует актуальная проблема разработки прогностических моделей с высокой обобщающей способностью для прогноза трех целевых параметров, которые могут быть использованы в качестве системы помощи в принятии решений.
Цель исследования. Целью данного исследования является разработка и оптимизация моделей машинного обучения для точного определения трех критических параметров буровых растворов, а именно водоотдачи, пластической вязкости и динамического напряжения сдвига, на основе других легко и регулярно измеряемых свойств бурового раствора.
Для достижения поставленной цели в диссертации необходимо решить следующие задачи:
- Провести обзор существующих методов для прогнозирования трех целевых параметров бурового раствора, включая методы в основе которых лежит искусственный интеллект.
- Разработать две автономные модели машинного обучения (MELM и LSSVM) для прогнозирования целевых параметров буровых растворов. Комбинировать разработанные модели машинного обучения с методами оптимизации для определения оптимальной структуры и гиперпараметров моделей с целью повышения точности прогнозирования и обобщаемости моделей.
- Провести серию экспериментов и анализов на этапе обучения моделированию гибридных моделей для повышения их точности прогнозирования и обобщаемости.
- Применить предложенные автономные и гибридные модели для прогнозирования целевых параметров бурового раствора; провести оценку эффективности разработанных моделей.
Объектом исследования в данной работе являются важнейшие фильтрационные и реологические свойства буровых растворов на водной основе: водоотдача, пластическая вязкость и динамическое напряжение сдвига.
Предметом исследования является прогнозная интеллектуальная модель для определения свойств бурового раствора на водной основе.
Методы исследования. Проведенное в данной диссертации исследование основано на методах машинного обучения, методах глобальной оптимизации, математическом и статистическом анализе, а также аналитических и численных экспериментах. Все вычисления проводились с использованием вычислительной платформы MATLAB.
Научная новизна работы.
1. Предложена, обоснована и экспериментально проверена прогнозирующая модель, основанная на многослойном экстремальном обучении (MELM), обеспечивающая повышение точности прогнозирования свойств бурового раствора с помощью определения оптимального количества скрытых слоев и входящих в них нейронов, а также нахождения оптимальных значений весов и смещений, приписываемых каждому нейрону и скрытому слою соответственно.
2. Предложена, обоснована и экспериментально проверена прогнозирующая модель, основанная на методе опорных векторов (LSSVM), обеспечивающая повышение точности прогнозирования свойств бурового раствора за счет определения подходящей функции ядра и организации поиска гиперпараметров, при которых достигается глобальный минимум среднеквадратического отклонения (RMSE).
3. Предложено применение разработанных прогнозирующих моделей для формирования набора гибридных моделей, обеспечивающих получение точных оценок водоотдачи, пластической вязкости и динамического напряжения сдвига бурового раствора на основе измеряемых параметров: плотности, условной вязкости и содержания твердой фазы бурового раствора.
Теоретическая значимость работы. Теоретические положения, сформулированные автором, способствуют развитию гибридных моделей машинного обучения, позволяющих делать точные прогнозы с высокой обобщаемостью. Задача разработки таких гибридных прогностических моделей выполнена с использованием методов глобальной оптимизации и получила научное обоснование в результате проведения аналитического описания и многочисленных вычислительных экспериментов над предложенными моделями.
Практическая значимость работы. Практическая значимость работы заключается в том, модели, предложенные в данной диссертации, могут быть применены при бурении скважин для частого определения трех критических параметров бурового раствора, а именно пластической вязкости, динамическое напряжение сдвига и водоотдачи. Применение таких моделей, генерирующих надежные прогнозы целевых параметров бурового раствора, снижает требования к проведению большого количества трудоемких экспериментальных измерений.
Положения, выносимые на защиту.
1. Предложенная прогнозирующая модель, основанная на многослойном экстремальном обучении, обеспечивает повышение точности прогнозирования свойств бурового раствора c применением оптимальной архитектура MELM на 35-62 % в зависимости от целевого параметра по сравнению с традиционным подходом.
2. Предложенная прогнозирующая модель, основанная на методе опорных векторов LSSVM, обеспечивает повышение точности прогнозирования свойств бурового раствора на 19-45 % по сравнению с традиционным подходом.
3. Разработанные гибридные модели машинного обучения позволяют определять водоотдачу, пластическую вязкость и динамическое напряжение сдвига буровых растворов с погрешностями (2,95 - 4,27) %, (1,27 - 1,73) %, и (1,83 - 2,42) % соответственно.
Достоверность результатов. Достоверность результатов, представленных в диссертационном исследовании, обеспечивается путем оценки эффективности прогнозирования разработанных моделей на тестовом наборе данных. Предложенные прогностические модели, примененные к тестовому набору данных, обеспечивают достоверные прогнозы трех целевых параметров.
Внедрение результатов работы. Результаты настоящего диссертационного исследования внедрены в учебный процесс Инженерной школы природных ресурсов ТПУ, а также используются в компании ООО "Инновационные Технологии" для нужд мониторинга процесса бурения. Акты внедрения приложены к диссертационной работе.
Апробация работы. Основные положения диссертационного исследования докладывались и обсуждались на следующих конференциях:
• 3-й Восточно-Средиземноморский семинар EAGE (1-3 декабря 2021 года, Ларнака, Кипр);
• XXVI Международный научный симпозиум имени академика М.А. Усова «Проблемы геологии и освоения недр» (4-8 апреля 2022 года, Томск),
• XXVII Международный научный симпозиум имени академика М.А. Усова «Проблемы геологии и освоения недр» (3-7 апреля 2023 года, Томск), и
• Тюменская нефтегазовая конференция (4-8 сентября 2023, Минеральные Воды).
Публикации по теме диссертации. По результатам диссертационного исследования опубликовано 12 работ, в том числе 9 статей в журналах первого квартиля (Q1), проиндексированных в базах данных Web of Science и Scopus, а также 3 публикации в материалах международных и всероссийских научных конференций; получено 3 свидетельства о государственной регистрации программ для ЭВМ.
Личный вклад автора. Все описанные исследования проведены автором лично. Автором составлен необходимый набор данных на основе ежедневных буровых сводок по двум месторождениям и проведена предварительная обработка набора данных для машинного обучения и моделирования целевых параметров. Все этапы разработки и оценки предложенного метода прогнозирования свойств бурового раствора выполнены автором лично. Все результаты достигнуты и интерпретированы автором лично. Концептуализация исследования, постановка цели и задач настоящего исследования осуществлялись автором совместно с научным руководителем.
Структура и объем работы. Настоящее диссертационное исследование включает в себя список таблиц, список рисунков, введение, четыре основные главы, заключение, список номенклатуры и библиографию. Объем диссертационного исследования составляет 182 страниц, включая 52 рисунков и 22 таблицы. Библиография состоит из 165 наименований.
Во введении обосновывается актуальность темы диссертации, формулируется цель настоящего научного исследования, определяются задачи, подлежащие решению, определяется научная новизна и значимость результатов работы с точки зрения теоретической и практической ценности.
В первой главе приводятся определения буровых растворов, их классификация, характеристики, методы измерения параметров буровых растворов. Кратко представлены основы методов машинного обучения и всесторонне рассмотрены области их применения в нефтегазовой отрасли.
Во второй главе подробно рассмотрено теоретическое описание алгоритмов, применяемых для разработки предложенных моделей прогнозирования, статистические метрики, используемые для оценки точности прогнозирования моделей, характеристика рассматриваемого набора данных, а также подходы, применяемые для разработки гибридных моделей машинного обучения.
В третьей главе представлены и подробно проанализированы вычислительные эксперименты, проведенные на каждом этапе разработки и оценивания предложенных гибридных моделей машинного обучения.
В четвертой главе представлены, проанализированы и обоснованы результаты прогнозирования, полученные с помощью автономных и гибридных моделей, разработанных для прогнозирования целевых параметров буровых растворов.
Благодарности. Прежде всего, автор выражает огромную благодарность своему научному руководителю Валерию Рукавишникову за его постоянные научные и технические консультации и поддержку на всех этапах данного исследования. Благодарит своих коллег Дэвида Вуда, Мохаммада Мехрада, Грачика Еремяна, и Тамару Шульгину за их научные консультации, которые помогли улучшить настоящее исследование. И последнее, но не менее важное, автор искренне благодарит Салара Мардани, супервайзера по бурению Национальной иранской буровой компании за его помощь в сборе данных, использованных в настоящем исследовании.
• Предложена, обоснована и экспериментально проверена прогнозирующая модель, основанная на многослойном экстремальном обучении MELM, обеспечивающая повышение точности прогнозирования свойств бурового раствора с использованием оптимальной архитектуры MELM. Разработанная прогнозирующая модель обеспечивает повышение точности прогнозирования свойств бурового раствора на 35-62% в зависимости от целевого параметра по сравнению с традиционным подходом.
• Предложена, обоснована и экспериментально проверена прогнозирующая модель, основанная на методе опорных векторов LSSVM, обеспечивающая повышение точности прогнозирования свойств бурового раствора путем определения подходящей функции ядра и организации поиска гиперпараметров, при которых достигается глобальный минимум среднеквадратического отклонения. Разработанная прогнозирующая модель обеспечивает повышение точности прогнозирования свойств бурового раствора на 19-45% в зависимости от целевого параметра по сравнению с традиционным подходом.
• Разработанные гибридные модели машинного обучения позволяют прогнозировать водоотдачу, пластическую вязкость и динамическое напряжение сдвига буровых растворов с погрешностями (2,95-4,27)%, (1,27- 1,73)% и (1,83-2,42)% соответственно.
• Результаты настоящего диссертационного исследования внедрены в учебный процесс Инженерной школы природных ресурсов ТПУ, а также в производственный процесс компании ООО "Инновационные Технологии". Компаниями были протестированы разработанные в ходе диссертационного исследования модели машинного обучения на реальных данных по буровому раствору ранее пробуренных скважин. Высокая точность прогноза R2 ~ 9092% дала компаниям основание для использования данных моделей при мониторинге бурения скважин с целью повышения точности и оперативности определения целевых параметров бурового раствора. Акты внедрения приложены к диссертационной работе.
• Предложена, обоснована и экспериментально проверена прогнозирующая модель, основанная на методе опорных векторов LSSVM, обеспечивающая повышение точности прогнозирования свойств бурового раствора путем определения подходящей функции ядра и организации поиска гиперпараметров, при которых достигается глобальный минимум среднеквадратического отклонения. Разработанная прогнозирующая модель обеспечивает повышение точности прогнозирования свойств бурового раствора на 19-45% в зависимости от целевого параметра по сравнению с традиционным подходом.
• Разработанные гибридные модели машинного обучения позволяют прогнозировать водоотдачу, пластическую вязкость и динамическое напряжение сдвига буровых растворов с погрешностями (2,95-4,27)%, (1,27- 1,73)% и (1,83-2,42)% соответственно.
• Результаты настоящего диссертационного исследования внедрены в учебный процесс Инженерной школы природных ресурсов ТПУ, а также в производственный процесс компании ООО "Инновационные Технологии". Компаниями были протестированы разработанные в ходе диссертационного исследования модели машинного обучения на реальных данных по буровому раствору ранее пробуренных скважин. Высокая точность прогноза R2 ~ 9092% дала компаниям основание для использования данных моделей при мониторинге бурения скважин с целью повышения точности и оперативности определения целевых параметров бурового раствора. Акты внедрения приложены к диссертационной работе.
