Mar 07, 2025

Zastosowanie uczenia maszynowego w badaniach dobrze związanych z ropą i gazem

Zostaw wiadomość

Sądząc po literaturze, wiele badań badało z różnych perspektyw za pomocą technologii uczenia maszynowego.

 

N. Mohamadian i in. skonstruował model geomechaniczny poprzez laboratoryjne testy mechaniczne i dynamiczne oraz opracował i wyszkolił dwa hybrydowe modele sieci neuronowych (MLP - GA i MLP - PSO), aby przewidzieć stosunek Poissona i maksymalne naprężenie poziome. Wyniki pokazują, że model MLP - PSO ma większe zalety w przewidywaniu kluczowych zmiennych geomechanicznych, a jego skuteczność i praktyczność zostały udowodnione w praktycznych zastosowaniach, co zdecydowanie potwierdza zrozumienie mechanizmu zapadnięcia się obudowy spowodowanego stosunkiem Poissona i maksymalnego stresu poziomego.

 

J. Wu i in. Ustanowił model sztucznej sieci neuronowej (ANN) do prognozowania stabilności odwiertu. Określili 11 czynników wpływających na stabilność odwiertu z istniejących modeli opartych na fizyce jako danych wejściowych i współczynnika rozszerzenia średnicy odwiertu jako wyjściu. Po szkoleniu zastosowano go do przewidywania współczynnika rozszerzenia średnicy odwiertu innej studni i porównano z innymi modelami uczenia maszynowego. Wyniki pokazują, że model ANN ma najlepszą wydajność w przewidywaniu profilu średnicy odwiertu, zapewniając nowe pomysły na badanie płytkiej stabilności odwiertu na morzu.

 

H. Liu i in. skierowany do głębokiego piaskowca siedzącego. Dzięki wielosięczkowym eksperymentom mechanicznym w różnych warunkach ciśnienia ograniczającego ograniczające się warunki obliczające ciśnienie załamania odwiertu w formacjach piaskowca głęboko siedzącego w oparciu o kryterium zmiennego - parametru Mohr - Coulomba. Porównano dokładność różnych kryteriów w ocenie wytrzymałości skały w różnych warunkach ciśnienia ograniczającego, zapewniając teoretyczne podstawy bezpiecznego i racjonalnego wyboru gęstości płynu wiertniczego w głęboko siedzących studniach naftowych i gazowych.

 

Te wyniki badań w pełni odzwierciedlają duży potencjał uczenia maszynowego w badaniach ropy i gazu. Uczenie maszynowe może przetwarzać dużą ilość złożonych danych, szybko i dokładnie wydobywać potencjalne relacje i zasady w danych, a następnie zapewniać bardziej naukowe i skuteczne decyzje - wsparcie dla inżynierii ropy i gazu.

 

Na przykład, jeśli chodzi o prognozowanie zapadania się obudowy, model uczenia maszynowego może uczyć się obudowy - czynniki powiązane z danymi historycznymi, takie jak podziemne pola naprężenia, właściwości skały itp., Skonstruować dokładny model prognozy, podać wczesne ostrzeżenie o ryzyku zapadnięcia obudowy i zapewnić bezpieczny postęp operacji wiertniczych. W badaniu stabilności odwiertu uczenie maszynowe jest pomocne w optymalizacji parametrów, takich jak masa błota, identyfikacja formacji łatwych do składania się, poprawa wydajności wiercenia i zmniejszenie kosztów. W badaniu właściwości mechanicznych głębokiego piaskowca uczenie maszynowe może podsumować charakterystykę zmienności i przepisy dotyczące awarii parametrów mechanicznych skalnych z dużej ilości danych mechanicznych, zapewniając bardziej niezawodne teoretyczne podstawy rozwoju zasobów ropy naftowej i gazu z głębokim siedzącym.

 

Podsumowując, jako potężne narzędzie, uczenie maszynowe przynosi nowe możliwości i wyzwania dla dziedzin badawczych, takich jak upadek obudowy ropy i gazu, stabilność odwiertu i właściwości mechaniczne głęboko siedzącego piaskowca. W przyszłości, wraz z ciągłym postępem technologii uczenia maszynowego i zastosowaniem w głębi, oczekuje się, że więcej przełomów i innowacji zostanie osiągnięte w dziedzinie ekstrakcji ropy i gazu, co wpływa na efektywne rozwój i bezpieczne wydobycie zasobów ropy i gazu.

Wyślij zapytanie