Искусственный интеллект помогает определить режимы бурения с прогнозируемым потенциальным увеличением скорости бурения до 68%

Доцент Шадфар Давуди из Центра искусственного интеллекта Сколтеха разработал подход к оптимизации бурения в гетерогенных карбонатных коллекторах, который одновременно предсказывает характеристики процесса, объясняет влияние отдельных параметров и определяет наиболее эффективные режимы работы. Для одной из исследованных скважин модель оценила потенциальное увеличение скорости проходки до 68,4%.

Статья была опубликована в журнале Results in Engineering.

Скорость проходки является одним из ключевых показателей эффективности бурения: она напрямую влияет как на время бурения, так и на стоимость. Однако максимизация скорости проходки сама по себе не является оптимальной стратегией.

Более высокая скорость проходки может быть достигнута за счет увеличения крутящего момента, механической нагрузки на оборудование и энергопотребления. Выбор эффективного режима работы особенно сложен в неоднородных карбонатных коллекторах, свойства которых значительно меняются с глубиной. Таким образом, задача состоит не просто в том, чтобы ускорить бурение, но и в том, чтобы найти баланс между скоростью, нагрузкой и энергоэффективностью.

Для решения этой задачи автор предложил единую вычислительную платформу, сочетающую машинное обучение, поддающийся объяснению искусственный интеллект и многоцелевую оптимизацию. В исследовании использовалось 5738 записей из трех вертикальных скважин, пробуренных в карбонатной формации. Набор данных включал рабочие параметры бурения и свойства породы. Модели были обучены прогнозировать два ключевых показателя бурения: скорость проходки и крутящий момент.

Исследователь разработал и сравнил модели, основанные на LSTM, случайном лесу и многослойной нейронной сети. LSTM оказалась наиболее точной: коэффициент детерминации достиг R2 = 0,846 для скорости проникновения и R2 = 0,995 для крутящего момента. Затем модель была протестирована на третьей скважине, данные которой были полностью исключены из обучения и использованы в качестве независимого набора тестов. На этой скважине значения R2 составили 0,805 и 0,977 соответственно.

Чтобы понять, как модель формирует свои прогнозы, Давуди использовал методы искусственного интеллекта SHAP и PDP. Анализ показал, что наиболее важным параметром в изучаемом наборе данных была скорость вращения бурового инструмента, или RPM.

Затем прогнозные модели были интегрированы в алгоритм многоцелевой оптимизации NSGA-III, который искал комбинации нагрузки на долото, частоты вращения и расхода бурового раствора, которые могли бы одновременно увеличить скорость проходки, уменьшить крутящий момент и снизить удельную механическую энергию. Конструкция также включала в себя физические ограничения, отражающие минимальную энергию, необходимую для разрушения породы.

"We were able to integrate prediction, interpretation, and optimization into a single framework. The approach not only enables forecasting of drilling parameters but also helps identify operating regimes that improve efficiency while respecting the physical constraints of the process. The next step is to validate these recommendations under field conditions," said Davoodi.

The optimization results showed that there is no universal operating regime for all wells: Recommendations depend on rock properties and the initial drilling conditions. For one of the wells, the model estimated a potential increase in the rate of penetration of 68.4%, while also predicting a 41.2% reduction in torque and a 17.9% reduction in specific mechanical energy.

For another well, the projected increase in penetration rate reached 66.9%, while the reduction in torque reached 59.6%. At the same time, for the well that was initially drilled in a regime close to optimal, the potential increase in penetration rate was only 2.7%: In that case, the optimization was aimed primarily at reducing load and energy consumption.

The author stresses that these values represent estimates produced by surrogate models rather than the results of full-scale field trials. The proposed approach has so far been validated only on historical data within the studied carbonate formation; applying it to other geological settings will require further tuning and validation.

In the future, the approach is expected to be tested on field data and further developed toward adaptive real-time drilling optimization.