文献

J-GLOBAL ID：202102216967543579   整理番号：21A3063552

掘削パラメータを用いた動的ポアソン比予測における異なる人工知能技術の適用【JST・京大機械翻訳】

Applying Different Artificial Intelligence Techniques in Dynamic Poisson’s Ratio Prediction Using Drilling Parameters

著者 (4件)： Siddig Osama (Department of Petroleum Engineering, King Fahd University of Petroleum & Minerals, Box 5049, Dhahran 31261, Saudi Arabia) ,  Gamal Hany (Department of Petroleum Engineering, King Fahd University of Petroleum & Minerals, Box 5049, Dhahran 31261, Saudi Arabia) ,  Elkatatny Salaheldin (Department of Petroleum Engineering, King Fahd University of Petroleum & Minerals, Box 5049, Dhahran 31261, Saudi Arabia) ,  Abdulraheem Abdulazeez (Department of Petroleum Engineering, King Fahd University of Petroleum & Minerals, Box 5049, Dhahran 31261, Saudi Arabia)
資料名： Journal of Energy Resources Technology  (Journal of Energy Resources Technology)
巻： 144  号： 7  ページ： Null  発行年： 2022年 
JST資料番号： A0797B  ISSN： 0195-0738  CODEN： JERTD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 岩石地質力学的特性は坑井安定性,掘削性能,in situ応力の推定,水圧破砕の設計に影響する。これらの特性の1つは,実験室試験または坑井検層から導出されたポアソン比であり,前者は,コストがかかり,時間がかかり,連続情報を与えず,後者は必ずしも入手できないかもしれない。リアルタイムの掘削パラメータからの代替予測技術をこの論文で提案する。このアプローチの新しい寄与は,掘削データが常に利用可能であり,坑井との最初の遭遇から得られることである。これらのパラメータは,貫通速度(ROP),ビット上の重量(WOB),およびトルクのような掘削リグセンサから容易に得られる。サポートベクトルマシン(SVM),機能ネットワーク(FN),ランダムフォレスト(RF)の3つの機械学習法を利用した。1つの井戸からのデータセット(2905データポイント)を用いて,モデルを構築して,一方,2912のデータポイントを有する他の井戸からのデータセットを用いて,構築したモデルを検証した。両坑井は炭酸塩,頁岩,砂岩から成る。最適精度を確保するために,各アルゴリズムにおける種々のパラメータに関する感度と最適化試験を実行した。3つの機械学習ツールは良い推定を提供した。しかし,SVMとRFは,0.99の相関係数で,近い結果をもたらし,平均絶対パーセント誤差(AAPE)値は,ほとんど1%未満であった。一方,FNでは,結果は0.92の相関係数と3.8%のAAPEで効率が低かった。従って,提示した手法は,追加の費用なしで実時間ベースでPoisson比予測に有効なツールを提供する。さらに,同じアプローチを他の岩石の機械的性質で使用できた。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  アルゴリズム ,  最適化 ,  頁岩 ,  ネットワーク ,  トルク ,  砂岩 ,  検層 ,  *人工知能 ,  坑井 ,  *Poisson比 ,  地質 ,  機械学習 ,  サポートベクトルマシン
準シソーラス用語： ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (8件)： リアルタイム予測 ,  ポアソン比 ,  掘削リグ測定 ,  機械学習 ,  複雑な岩石学 ,  石油/ガス貯留層 ,  石油工学 ,  石油井掘削/生産/建設

分類 (2件)： 坑井掘さく一般  (UA09010Q) ,  採収法  (UA10040R)

タイトルに関連する用語 (4件)： 掘削パラメータ ,  ポアソン比 ,  予測 ,  人工知能技術