Forecasting the drilling parameters is very relevant. Trained machine learning models make it possible to obtain a predictive value of regime parameters using previously accumulated experience without complex calculations. The applying of modern tools requires new approaches to the analysis of accumulated data. The main problem is the marking of possible cases for forecasting. The data were collected in the form of values of drilling parameters generalized over the intervals by the measured depth. A machine learning model was built to determine equivalent circulation density (ECD) based only on the project values of the well design and geology. This forecast makes it possible to determine the segments where the actual ECD deviated from the expected one. Thus, the data were re-labeled and the targets of the forecast were determined. Machine learning can classify these segments. Interpretations are discussed.
Any special tasks for machine learning impose restrictions on the data used. The article discusses the features of drilling data and the limitations of choosing such data for training. The problem of forecasting special cases is considered. Segments were identified where it was necessary to increase the ECD due to high gas readings by increasing the density of the solution. The drilling parameters of previous drilling intervals were taken as predictors. Algorithms trained specifically on such cases are able to predict them in the future. A positive forecast means a possible need to increase the mud density in the next drilling interval. The algorithm distinguishes such states from those when the density of the fluid remains unchanged. Difficulties in interpreting and evaluating such forecasts associated with working on actual data are considered.
Прогнозирование параметров технологического режима актуально в любом процессе бурения. Подготовленные модели машинного обучения позволяют получить прогнозные значения режимных параметров без применения сложных расчетов, с использованием ранее накопленного опыта. Для применения новых инструментов необходимо использовать также новые подходы к анализу имеющихся данных. Важной частью анализа массива данных являются выявление обстоятельств, которые можно прогнозировать, и последующая разметка данных. Набор данных составлен из режимных параметров бурения, обобщенных с учетом интервалов бурения по стволу. Построена модель машинного обучения для оценки эквивалентной циркуляционной плотности (ЭЦП) только по проектным значениям конструкции скважины и геологическим данным. Определены области, где фактические значения ЭЦП отклонялись от плановых. Проведена переразметка данных и установлены цели прогноза. Выделенные участки можно классифицировать с помощью машинного обучения. Рассмотрены варианты интерпретации работы классификаторов. Любые специальные условия задачи, решаемой при помощи методов машинного обучения, накладывают ограничения на используемые данные. В статье проанализированы особенности данных бурения и ограничения выбора таких данных для обучения. Рассмотрена задача прогнозирования случаев определенного типа. Выделены участки, на которых приходилось увеличивать ЭЦП из-за высоких газопоказаний путем повышения плотности раствора. В качестве предикторов использованы режимные параметры предшествующих интервалов бурения. Алгоритмы, обученные на конкретных случаях, способны в дальнейшем такие случаи прогнозировать. В частности, может быть спрогнозирована необходимость повысить плотность раствора в следующем интервале бурения. Алгоритм отличает такие состояния от тех, когда плотность раствора останется неизменной. Рассмотрены трудности при интерпретации и оценке таких прогнозов, связанные с обучением на фактических данных.
