Алгоритмы машинного обучения для автоматического определения положения долота при бурении горизонтальных скважин

Во время бурения горизонтальных нефтяных скважин необходимо с высокой точностью определять положение долота в пространстве. Традиционно задача геонавигации решалась экспертами вручную, хотя в последние 10 лет начали появляться системы, способные осуществлять геонавигацию автоматически. В данной статье предлагается для решения одной из подзадач автоматической геонавигации – определения стратиграфического положения долота относительно пласта – использовать двухуровневую процедуру: на первом уровне решается классификационная задача для выбора опорной скважины, данные каротажа которой будут впоследствии применены для решения второй задачи – определения положения долота в целевом интервале. Для решения этих задач применены традиционный метод опорных векторов (SVM) и метод релевантных векторов (RVM), использующий при обучении процесс автоматического определения релевантности (ARD), рассмотрены их преимущества и недостатки. Оба алгоритма были протестированы в процессе решения задачи бинарной классификации – определения, соответствуют ли показания датчиков в данный момент времени целевому интервалу или отрезку вне целевого интервала. Показано, что алгоритм RVM в процессе предсказания показывает не уступающие по метрикам точности алгоритму SVM результаты, в то же время задействуя намного меньше векторов. Это означает снижение объема вычислений функции ядра, что в перспективе дает значительное снижение вычислительной сложности предсказания, что имеет важное значение для сопровождения буровых работ.

Аффилиация авторов
Кочуева Ольга Николаевна – канд. техн. наук, доцент, доцент,
Щербаков Илья Александрович – аспирант,
РГУ нефти и газа (НИУ) имени И.М. Губкина.
E-mail: kochueva.o@gubkin.ru; ylyxa000@gmail.com

Список литературы
1. Meehan D.N. Geological Steering of Horizontal Wells // Petroleum Technology. – 1994. – №46. – С. 848-852.
2. Кульчицкий В.В. Геонавигация горизонтальных скважин // Нефтяное Хозяйство. – 2020. – №1166. – С. 91-95.
3. Билинчук А.В. и др. Автоматизация процесса петрофизи- ческой интерпретации как элемент эффективной геонавигации // Нефтяное Хозяйство. – 2016. – №622. – С. 36-39.
4. Новицкая Е.В. Геостиринг, применение синтетического каротажа при проводке горизонтальных участков ство- лов скважин / Е. В. Новицкая, А. А. Ширяев // Известия высших учебных заведений. Нефть и газ. – 2023. – № 6(162). – С. 65-77.
5. Omnisola J. и др. Geosteering Real-Time Geosteering Optimization Using Deep Learning Algorithms Integration of Deep Reinforcement Learning in Real-time Well Trajectory Adjustment to Maximize Reservoir Contact and Productivity // Journal of Advanced Multidisciplinary Research and Studies. – 2024. – №4. – С. 1778-1787.
6. Onita F.B. Geosteering in deep water wells: A theoretical review of challenges and solutions // World Journal of Engineering and Technology Research. – 2024. – №3.
7. Quan R. и др. A novel hybrid method of lithology identification based on k-means++ algorithm and fuzzy decision tree // Petroleum Science and Engineering - 2022
8. Zerui L. и др. Semi-supervised learning for lithology identification using Laplacian support vector machine // Petroleum Science and Engineering. – 2020. – №195.
9. Tipping M.E. The Relevance Vector Machine // Microsoft Research. – 1999.