Resumen

La predicción de la velocidad de penetración (ROP) es fundamental para la optimización de la perforación, ya que la maximización de la ROP puede reducir en gran medida los costosos costes de perforación. En este trabajo, la típica máquina de aprendizaje extremo (ELM) y un modelo de aprendizaje eficiente, upper-layer-solution-aware (USA), se han utilizado en la predicción de la ROP. Dado que el tipo de formación, las propiedades mecánicas de la roca, la hidráulica, el tipo y propiedades de la broca (peso sobre la broca y velocidad de rotación) y las propiedades del lodo son los parámetros más importantes que afectan a la ROP, se han considerado como los parámetros de entrada para predecir la ROP. El modelo de predicción se ha construido utilizando conjuntos de datos de yacimientos industriales recogidos en un yacimiento petrolífero de la bahía de Bohai (China). Se ha evaluado la precisión de predicción del modelo y se ha comparado con la red neuronal artificial (RNA) convencional utilizada habitualmente. Los resultados indican que los modelos ANN, ELM y USA son competentes para la predicción de ROP, mientras que los modelos ELM y USA tienen la ventaja de una velocidad de aprendizaje más rápida y un mejor rendimiento de generalización. Los resultados de la simulación han mostrado una perspectiva prometedora para ELM y USA en el campo de la predicción de ROP en la nueva exploración de petróleo y gas en general, ya que superan al modelo RNA. Mientras tanto, este trabajo proporciona a los ingenieros de perforación más opciones para la predicción de la ROP según su demanda de cálculo y precisión.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Velocidad de penetración; optimización de la perforación; costes caros de perforación; máquina de aprendizaje extremo; capa superior consciente de la solución; parámetros de entrada; modelo de predicción.
• Keywords:Rate of penetration; drilling optimization; expensive drilling costs; extreme learning machine; upper-layer-solution-aware; input parameters; prediction model