비용 효율적인 방향성 드릴링 도구를 선택하기 위한 감독 기계 학습 모델

석유 및 가스 산업에서 방향성 드릴링 활동이 증가하고 모든 산업 분야에서 디지털 혁명이 결합됨에 따라 모든 계획 및 운영 드릴링 활동을 최적화할 필요성이 높아졌습니다. 방향성 우물을 계획하는 중요한 단계 중 하나는 비용 효율적인 방식으로 우물을 제공할 수 있는 방향성 도구를 선택하는 것입니다. 회전식 조향 시스템(RSS)과 양압식 점토 모터(PDM)는 각각의 장점이 있는 두 가지 널리 사용되는 도구입니다: RSS는 구멍 청소, 걸림 방지 및 구멍 품질에서 우수한 성능을 보이며, PDM은 다재다능성과 낮은 운영 비용을 제공합니다. 이 논문은 오프셋 우물 데이터를 기반으로 최적의 방향성 도구 선택을 자동화하는 일련의 기계 학습(ML) 모델을 제시합니다. 지층, 방향, 드릴링 성능, 트립 및 케이싱 실행 데이터를 처리하여 모델은 다가오는 우물의 섹션 시간과 비용을 예측합니다. 오프셋 우물의 역사적 데이터는 훈련 세트와 테스트 세트로 나뉘었고, 가장 정확한 알고리즘을 선택하기 위해 다양한 ML 알고리즘이 테스트되었습니다. XGBoost 알고리즘은 테스트 중 가장 정확한 예측을 제공하여 다른 알고리즘을 능가했습니다. 이 모델의 장점은 형성 두께와 드릴링 환경의 변화를 성공적으로 고려하고 도구 권장 사항을 조정한다는 것입니다. 결과는 보편적인 규칙이 RSS 또는 PDM 중 어느 하나를 선호하지 않음을 보여줍니다; 오히려 도구 선택은 우물별 요인에 크게 의존합니다. 이 데이터 기반 접근 방식은 인간의 편견을 줄이고 의사 결정을 향상시키며, 특히 공격적인 드릴링 캠페인에서 현장 개발 비용을 크게 낮출 수 있습니다.