長短期記憶オートエンコーダアーキテクチャを使用したパイプ詰まりリスクのリアルタイム予測のアプローチ

要約：掘削作業中のパイプ詰まりは、経済的損失や安全問題を含む重大な困難を引き起こします。したがって、リアルタイムのパイプ詰まり予測は、この問題を未然に防ぎ、前述の問題を回避するための重要なツールです。本研究では、産業、政府、学界との共同で、人工知能に基づいた予測技術を開発しました。この技術は、エンコーダ・デコーダを使用し、長短期記憶アーキテクチャで構築された教師なし学習モデルと相対誤差関数を組み合わせて開発されました。モデルは、通常の掘削操作の時系列データを使って訓練されており、観測値と予測値の再構成誤差が、通常の掘削操作中よりもパイプ詰まりの時期に高くなるという重要な仮定に基づいています。相対誤差関数を使用したパイプ詰まりの可能性の評価方法は、掘削パラメータの大きな変動による偽の予測者を減少させました。この予測技術は、34件の実際のパイプ詰まり事件に適用され、34件中17件のパイプ詰まり事件において、相対誤差関数で計算された再構成誤差が、パイプ詰まりの0.5～10時間前に増加したことがわかりました（これにより、我々の仮定の一部が確認されました）。