Rate of Penetration Prediction in Drilling Operation in Oil and Gas Wells by K-nearest Neighbors and Multi-layer Perceptron Algorithms
محل انتشار: مجله معدن و محیط زیست، دوره: 14، شماره: 3
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 96
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JMAE-14-3_002
تاریخ نمایه سازی: 27 تیر 1402
چکیده مقاله:
The rate of penetration plays a key role in maximizing drilling efficiency, so it is essential for the drilling process optimization and management. Traditional mathematical models have been used with some success to predict the rate of penetration in drilling. Due to the high complexity and non-linear behavior of drilling parameters with the rate of penetration, these mathematical models cannot accurately and comprehensively predict the rate of penetration. Machine learning (ML) seems to be an attractive alternative to model this complicated physical process. This research paper introduces new data-driven models used to predict ROP using different parameters such as (depth, weight on bit (WOB), revolution per minute (RPM), Torque (T), standpipe pressure (SPP), flow in pump (pumping flow rate(Q), mud weight, hours on bit (HOB), revolutions on bit, bit diameter, total flow area (TFA), pore pressure, overburden pressure, and pit volume). Data-driven models are built using two different machine learning techniques, using ۱۷۷۱ raw real field data. The coding is built using the python programming language. The k-nearest neighbors (KNN) model predicting ROP for the training dataset show a correlation coefficient (R۲) of ۰.۹۴. The multi-layer perceptron (MLP) model predicting ROP for the training dataset show a correlation coefficient (R۲) of ۰.۹۸. We can conclude that MLP has a better accuracy, and removing outliers enhances model performance.
کلیدواژه ها:
نویسندگان
Yahia Khamis
Department of Petroleum Engineering, Faculty of Petroleum and Mining Engineering, Suez University, Suez, Egypt
Shady El-Rammah
Department of Petroleum Engineering, Faculty of Petroleum and Mining Engineering, Suez University, Suez, Egypt
Adel Salem
Department of Petroleum Engineering, Faculty of Petroleum and Mining Engineering, Suez University, Suez, Egypt
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :