기계 학습 및 최적화 알고리즘 적용을 통한 시추 효율성 향상

이 논문은 드릴링 효율성에 부정적 영향을 미치는 드릴-스트링 진동을 완화하여 시추 성능을 향상시키기 위한 새로운 인공지능(AI) 워크플로우를 제시한다. 연구에서는 다층 퍼셉트론(MLP), 서포트 벡터 회귀(SVR), 회귀 결정 트리(DTR) 등 세 가지 감독 학습(ML) 알고리즘을 사용하여 비트 회전속도(Bit RPM), 침투 속도(ROP), 토크에 대한 모델을 훈련시킨다. 이 모델들은 결합되어 시추 시스템의 디지털 트윈을 형성하며, 현장 데이터를 이용한 실제 시추 파라미터와의 광범위한 교차검증 절차를 통해 검증된다. 결합된 SVR - Bit RPM 모델은 비틀림 진동을 분류하고 입자 군집 최적화(PSO) 블록을 사용하여 최적 파라미터 선택을 제한하는 데 사용된다. SVR-ROP 모델은 스틱슬립 지수(SSI<0.05)와 절삭 깊이(DOC<5 mm)의 두 가지 제약 조건 하에서 PSO와 통합되어 비틀림 안정성을 더욱 개선한다. 시뮬레이션 결과 최적화된 WOB 및 RPM 파라미터 적용 시 ROP와 비틀림 안정성이 평균 43% 증가하는 것으로 예측된다. 이는 비트를 교체하기 위한 트립 인/아웃 필요성을 회피하고, 시추 시간을 66시간에서 31시간으로 단축할 수 있음을 의미한다. 본 연구 결과는 최적 시추 파라미터를 결정하고 시추 효율성을 향상시키는 시스템의 역량을 보여준다. AI 기법 통합은 특히 시추 시간 절감 및 ROP 향상을 통한 잠재적 비용 절감 측면에서 시추 최적화에 유용한 통찰과 실질적 해결책을 제공한다.