Un método basado en bosques aleatorios para predecir trayectorias de pozos
Autores: Yan, Baoyong; Zhang, Xiantao; Tang, Chengxu; Wang, Xiao; Yang, Yifei; Xu, Weihua
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un método basado en bosques aleatorios para predecir trayectorias de pozos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Trayectoria de perforación
Minas de carbón
Aprendizaje automático
Regresión de bosque aleatorio
Precisión de predicción
Trayectoria de perforación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
La tecnología de control de trayectoria de perforación para perforaciones direccionales casi horizontales en minas de carbón se determina principalmente empíricamente por datos de inclinación manual, y los resultados empíricos son solo cualitativos y variables, al mismo tiempo que poseen una gran inestabilidad e incertidumbre. Para mejorar la precisión y eficiencia de la predicción de la trayectoria de perforación, este documento investiga un método de predicción de trayectoria de perforación basado en regresión de bosques aleatorios después de aplicar numerosos métodos de aprendizaje automático a datos experimentales para su comparación. En la selección de características de predicción, este documento reemplaza todas las variables de características de la trayectoria del pozo con valores de características con pesos de influencia acumulativa más altos, y selecciona tres variables con alta importancia, azimut, inclinación y curva en el momento presente de la perforadora, como variables de entrada del modelo, y los incrementos en el pozo en dirección horizontal, izquierda y derecha, y arriba y abajo en el momento presente y el siguiente como variables de salida del modelo. En el entrenamiento del modelo, el modelo en este documento utiliza la técnica de remuestreo de auto-servicio de bootstrap para recopilar datos de muestra de entrenamiento, construye un modelo de regresión de bosque aleatorio, y toma el valor medio de la salida del árbol de decisiones como resultado de la predicción de la trayectoria del pozo. Para mejorar aún más la precisión del modelo, el documento mejora el rendimiento de predicción del modelo ajustando los parámetros del modelo de bosque aleatorio como árbol, profundidad, muestra mínima de nodos hoja, número mínimo de muestra de división de nodos internos, etc. El modelo también es evaluado utilizando métricas de evaluación comunes de aprendizaje automático como puntaje R2, RAE, RMSE y MSE. Los resultados experimentales muestran que el error absoluto promedio del modelo disminuye al 1% en la predicción de la dirección horizontal y arriba y abajo; el error absoluto promedio del modelo disminuye al 9% en la predicción de la dirección izquierda y derecha, y esta tasa de error alcanza el requisito de error en el proceso de construcción real, por lo que el modelo puede mejorar efectivamente la precisión de predicción de la trayectoria del pozo al tiempo que mejora la seguridad de la construcción direccional.
Descripción
La tecnología de control de trayectoria de perforación para perforaciones direccionales casi horizontales en minas de carbón se determina principalmente empíricamente por datos de inclinación manual, y los resultados empíricos son solo cualitativos y variables, al mismo tiempo que poseen una gran inestabilidad e incertidumbre. Para mejorar la precisión y eficiencia de la predicción de la trayectoria de perforación, este documento investiga un método de predicción de trayectoria de perforación basado en regresión de bosques aleatorios después de aplicar numerosos métodos de aprendizaje automático a datos experimentales para su comparación. En la selección de características de predicción, este documento reemplaza todas las variables de características de la trayectoria del pozo con valores de características con pesos de influencia acumulativa más altos, y selecciona tres variables con alta importancia, azimut, inclinación y curva en el momento presente de la perforadora, como variables de entrada del modelo, y los incrementos en el pozo en dirección horizontal, izquierda y derecha, y arriba y abajo en el momento presente y el siguiente como variables de salida del modelo. En el entrenamiento del modelo, el modelo en este documento utiliza la técnica de remuestreo de auto-servicio de bootstrap para recopilar datos de muestra de entrenamiento, construye un modelo de regresión de bosque aleatorio, y toma el valor medio de la salida del árbol de decisiones como resultado de la predicción de la trayectoria del pozo. Para mejorar aún más la precisión del modelo, el documento mejora el rendimiento de predicción del modelo ajustando los parámetros del modelo de bosque aleatorio como árbol, profundidad, muestra mínima de nodos hoja, número mínimo de muestra de división de nodos internos, etc. El modelo también es evaluado utilizando métricas de evaluación comunes de aprendizaje automático como puntaje R2, RAE, RMSE y MSE. Los resultados experimentales muestran que el error absoluto promedio del modelo disminuye al 1% en la predicción de la dirección horizontal y arriba y abajo; el error absoluto promedio del modelo disminuye al 9% en la predicción de la dirección izquierda y derecha, y esta tasa de error alcanza el requisito de error en el proceso de construcción real, por lo que el modelo puede mejorar efectivamente la precisión de predicción de la trayectoria del pozo al tiempo que mejora la seguridad de la construcción direccional.