ИИ помог найти режимы бурения с прогнозируемым ускорением до 68%

Старший преподаватель Центра искусственного интеллекта Сколтеха Шадфар Давуди разработал подход к оптимизации бурения в неоднородных карбонатных коллекторах, позволяющий одновременно прогнозировать характеристики процесса, объяснять влияние параметров и подбирать эффективные режимы работы.

Скорость проходки — ключевой показатель эффективности бурения, но её максимизация не всегда оптимальна, так как может сопровождаться ростом крутящего момента, нагрузки на оборудование и энергозатрат. Особенно сложно подобрать режим в неоднородных карбонатных коллекторах, где свойства пород сильно меняются по глубине.

В исследовании использовались 5738 записей из трёх вертикальных скважин, пробуренных в карбонатной формации. Данные включали рабочие параметры бурения и характеристики горных пород. Модели прогнозировали скорость проходки и крутящий момент.

Наиболее точной оказалась модель на основе LSTM: коэффициент детерминации составил R² = 0,846 для скорости проходки и R² = 0,995 для крутящего момента. На независимой тестовой выборке (третья скважина) значения R² составили 0,805 и 0,977 соответственно.

Для интерпретации прогнозов использовались методы SHAP и PDP. Анализ показал, что ключевым параметром стал RPM — скорость вращения бурильного инструмента. Прогнозные модели были встроены в алгоритм NSGA-III, который искал сочетания осевой нагрузки, скорости вращения и расхода буровой жидкости для одновременного роста скорости проходки, уменьшения крутящего момента и снижения удельной механической энергии.

Результаты оптимизации показали, что универсального режима нет: рекомендации зависят от свойств породы и исходных условий. Для одной скважины прогнозируемый рост скорости составил 68,4%, снижение крутящего момента — 41,2%, удельной механической энергии — 17,9%. Автор подчёркивает, что эти значения — оценки суррогатных моделей, а не результаты натурных испытаний. Подход пока проверен на исторических данных и требует валидации в других условиях. В дальнейшем предполагается проверять его на полевых данных и развивать в направлении адаптивной оптимизации бурения в реальном времени.