Разработка позволяет подобрать и предсказывать эффективность состава бурового раствора для конкретной скважины в условиях близким к реальному времени. Новая модель машинного обучения, созданная исследователями Центра Хериот-Ватт, проверена на данных с реальных скважин и превосходит традиционные аналитические и экспериментальные методы прогнозирования.

Результаты исследования опубликованы в Engineering with Computers (Q1, IF: 4.9), входящим в топ-10% самых цитируемых журналов. Проект поддержан программой развития Томского политехнического университета.

По словам ученых, до 15 % расходов на строительство скважин связаны с буровыми растворами – жидкостями, которые вымывают породу из скважины наружу. Они также смазывают и охлаждают долото. Важно, чтобы раствор был дешевым и эффективным: выносил шлам на поверхность, минимально просачивался в слои породы и возвращался в рабочий цикл. Универсального решения для буровых растворов быть не может — его состав зависит не только от типа породы, температуры и давления в пластах, через которые бурятся скважины, но и от условий бурения на каждом интервале скважины.

Для измерения важных параметров буровых растворов, например, реологических и фильтрационных свойств, традиционно используются различные методы. Однако подобные измерения занимают достаточно много времени. Кроме того, на них сильно влияет человеческий фактор.

Чтобы решить эту проблему, исследователи Центра Хериот-Ватт ТПУ проанализировали данные из 17 реальных скважин и применили несколько алгоритмов для глубинного машинного обучения: сверточные нейронные сети, долгосрочную и краткосрочную память, оптимизатор Grey Wolf. Гибрид последних двух методов позволил находить сложнейшие закономерности между входными данными прямо в процессе бурения.

«Уникальность разработки состоит в том, что прогнозирование основано исключительно на двух параметрах — плотности и вязкости жидкости, — чего раньше никто не описывал, — говорит один из авторов статьи, кандидат технических наук, инженер и эксперт Центра Хериот-Ватт Шадфар Давуди.

Прогнозирование происходит в условиях близких к реальному времени, но не требует постоянного мониторинга состава жидкости в лабораторных условиях. Метод позволяет минимизировать повреждение и вероятность закупорки пласта, усилить устойчивость скважины, безопасность и эффективность буровых работ.

«Наши дальнейшие исследования будут направлены на расширение базы данных для более глубокого обучения модели, в том числе для работы с буровыми растворами, которые используются на глубине под высоким давлением и температурой, — добавляет соавтор статьи, инженер и эксперт Центра Хериот-Ватт Мохаммед Ал-Шаргаби.

Руководитель научной группы — Шадфар Давуди — ученый, признанный эксперт в области прикладного искусственного интеллекта и нефтегазового инжиниринга. У исследователя 2 900 цитирований по данным платформы Google Scholar, Индекс Хирша 35.