Старший преподаватель Центра искусственного интеллекта «Сколтеха» Шадфар Давуди разработал подход к оптимизации бурения в неоднородных карбонатных коллекторах, который позволяет одновременно прогнозировать характеристики процесса, объяснять влияние отдельных параметров и подбирать наиболее эффективные режимы работы. Для одной из исследованных скважин модель оценила потенциальный прирост скорости проходки до 68,4%. Работа опубликована в издании Results in Engineering. Об этом CNews сообщили представители «Сколтеха».
Скорость проходки — один из ключевых показателей эффективности бурения: от нее напрямую зависят продолжительность работ и их стоимость. Однако максимизация скорости проходки сама по себе не является оптимальной стратегией. Рост скорости может сопровождаться увеличением крутящего момента, механической нагрузки на оборудование и энергозатрат. Особенно трудно подобрать режим работы в неоднородных карбонатных коллекторах, свойства которых существенно меняются по глубине. Поэтому задача состоит не просто в том, чтобы бурить быстрее, а в поиске баланса между скоростью, нагрузкой и эффективностью использования энергии.
Для решения этой задачи автор предложил единый вычислительный подход, объединяющий машинное обучение, методы объяснимого ИИ и многоцелевую оптимизацию. В исследовании использовались 5,74 тыс. записей из трех вертикальных скважин, пробуренных в карбонатной формации. Данные включали рабочие параметры бурения и характеристики горных пород. Модели прогнозировали два основных показателя — скорость проходки и крутящий момент.
Исследователь разработал и сравнил модели на основе LSTM, Random Forest и многослойной нейронной сети. Наиболее точной оказалась LSTM: коэффициент детерминации составил R? = 0,846 для скорости проходки и R? = 0,995 для крутящего момента. Затем модель проверили на третьей скважине, данные которой полностью исключили из обучения и использовали в качестве независимой тестовой выборки. На ней значения R? составили 0,805 и 0,977 соответственно.
Чтобы понять, на основании чего модель формирует прогноз, Шадфар Давуди использовал методы объяснимого искусственного интеллекта SHAP и PDP. Анализ показал, что наиболее значимым параметром, влияющим на результаты в исследуемых данных, стала скорость вращения бурильного инструмента — RPM. Далее прогнозные модели были встроены в алгоритм многоцелевой оптимизации NSGA-III, который искал такие сочетания осевой нагрузки на долото, скорости вращения и расхода буровой жидкости, при которых можно одновременно увеличить скорость проходки, уменьшить крутящий момент и снизить удельную механическую энергию. В модель также включили физическое ограничение, учитывающее минимальную энергию, необходимую для разрушения породы.
«Нам удалось объединить прогнозирование, интерпретацию и оптимизацию в едином подходе. Подход не просто позволяет прогнозировать параметры бурения, но и помогает находить режимы, которые повышают эффективность при соблюдении физических ограничений процесса. Следующий шаг — проверка этих рекомендаций в полевых условиях», — сказал Шадфар Давуди.
Результаты оптимизации показали, что универсального режима для всех скважин нет: рекомендации зависят от свойств породы и исходных условий бурения. Для одной из скважин модель оценила потенциальный рост скорости проходки в 68,4%, одновременно прогнозируя снижение крутящего момента на 41,2% и удельной механической энергии на 17,9%. Для другой прогнозируемый прирост скорости составил 66,9%, а снижение крутящего момента — 59,6%. При этом для скважины, которая изначально бурилась в режиме, близком к оптимальному, потенциальный прирост скорости составил лишь 2,7% — оптимизация в её случае была направлена прежде всего на снижение нагрузки и энергозатрат.
Автор исследования подчеркивает, что эти значения представляют собой оценки суррогатных моделей, а не результаты натурных испытаний. Разработанный подход пока проверен на исторических данных в пределах изученной карбонатной формации; его применение в других геологических условиях потребует дополнительной настройки и валидации. В дальнейшем подход предполагается проверять на полевых данных и развивать в направлении адаптивной оптимизации бурения в реальном времени.
Поделиться
