DOI: https://doi.org/10.1038/s41598-025-34885-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41501131
تاريخ النشر: 2026-01-07
المؤلف: Zujie Zou
الموضوع الرئيسي: الهندسة الحفرية وهندسة الآبار
نظرة عامة
تقدم الدراسة نموذجًا جديدًا للتنبؤ بمعدل الاختراق (ROP) في عمليات الحفر، وهو أمر حاسم لتحسين تخصيص الموارد وتعزيز الكفاءة التشغيلية. يدمج النموذج المقترح تحسين سرب الجسيمات (PSO) مع شبكة عصبية ذات انتشار عكسي متكيف مع الزخم (BP). تم إجراء تحليل ارتباط شامل على معلمات الحفر، مما أدى إلى اختيار متغيرات الإدخال الحرجة، بما في ذلك ثلاثة مؤشرات هندسية، وخصائص هيدروليكية، وست خصائص صخرية، استنادًا إلى مجموعة بيانات تتكون من 1,200 عينة (80% للتدريب و20% للاختبار).
يستخدم النموذج تقنيتين لتحسين الحلول: تسريع الزخم لتثبيت الانحدار التنازلي وتعديل معدل التعلم التكيفي لتحسين كفاءة التدريب ودقة التنبؤ. تشير النتائج إلى وجود ارتباطات قوية (معاملات أكبر من 0.5) بين ROP والمعلمات المختارة. أظهرت التجارب المقارنة أن نموذج PSO-BP تفوق على نماذج BP القياسية ونماذج BP المعززة بالخوارزمية الجينية (GA-BP)، محققًا متوسط خطأ مطلق (MAE) قدره 0.30 م/ساعة، ومتوسط خطأ نسبي مطلق (MAPE) قدره 11.35%، ومعامل تحديد (R²) قدره 0.93. يوفر هذا النهج القائم على البيانات إطارًا قويًا لتنبؤ ROP في التكوينات ذات الخصائص المعروفة مع مجموعات بيانات تسجيل واسعة.
مقدمة
تتناول مقدمة ورقة البحث التحديات الكبيرة التي تواجه عمليات حفر خزانات النفط والغاز غير التقليدية العميقة في الصين، والتي تشمل ضعف قابلية الحفر، وارتفاع خشونة التكوين، والطبيعة غير المتجانسة للتسلسلات الصخرية. تؤدي هذه التعقيدات الجيولوجية إلى تفتت الصخور غير الخطية وتطرح حواجز كبيرة أمام تحسين معدل الاختراق (ROP)، وهو مقياس أداء رئيسي في عمليات الحفر. يتم التأكيد على أهمية التنبؤ الدقيق بـ ROP كشرط أساسي لتخصيص الموارد بشكل فعال، وتطوير برامج الحفر، وتحسين كفاءة الاستخراج، خاصة في التكوينات التي تشكل تحديات جيوميكانيكية.
تنتقد الورقة طرق التنبؤ التقليدية بـ ROP، مثل النماذج التجريبية والتجارب المخبرية، مشيرة إلى قيودها في الدقة والقابلية للتطبيق بسبب الاعتماد على جودة بيانات التدريب، وتوافر العينات، وعدم القدرة على تكرار الظروف في الموقع. علاوة على ذلك، لا تدعم التقنيات التقليدية تقدير ROP في الوقت الحقيقي، مما يبرز الحاجة إلى نهج مبتكرة. يتم تقديم إدخال الذكاء الاصطناعي (AI) في منهجيات الحفر كحل واعد، حيث تقدم الشبكات العصبية المتقدمة وتقنيات التعلم الآلي قدرات تنبؤية محسنة. تسهل هذه النماذج المدفوعة بالذكاء الاصطناعي المراقبة في الوقت الحقيقي وتتكيف مع معلمات الحفر الديناميكية، مما يحسن كفاءة الحفر والسلامة مع معالجة عدم اليقين المتأصل في الطرق التقليدية.
نقاش
في هذا النقاش، يتم مراجعة دراسات مختلفة حول منهجيات التنبؤ بمعدل الاختراق (ROP)، مع تسليط الضوء على التقدم في تقنيات الذكاء الاصطناعي. أثبت أحمد (2019) أن الشبكات العصبية الاصطناعية (ANNs) تتفوق على آلات التعلم المتطرفة (ELMs) وآلات الدعم (SVMs) في التقاط الديناميات غير الخطية للحفر. كما حسّن أنيمانجيلي (2018) دقة التنبؤ من خلال نماذج هجينة، وبشكل خاص الشبكة العصبية متعددة الطبقات المحسّنة باستخدام تحسين سرب الجسيمات (MLP-PSO)، والتي أظهرت أداءً متفوقًا على الطرق التقليدية. تناول جوان (2017) ولي (2021) قيود الشبكات العصبية ذات الانتشار العكسي (BP) من خلال دمج تحسين سرب الجسيمات وتحسين بايزي، مما عزز الاستقرار ومعدلات التقارب في بيئات الحفر المعقدة.
يستخدم نموذج التنبؤ الذكي بـ ROP المقترح شبكة عصبية PSO-BP متكيفة مع الزخم ومحسّنة، والتي تدمج PSO لتحسين الأوزان ومعدلات التعلم التكيفية لتعزيز كفاءة التدريب. تم تحليل بيانات حقلية من ثلاثة آبار في حقل شينجيانغ النفطي لتحديد معلمات التسجيل الرئيسية التي تؤثر على ROP، مما أدى إلى نموذج شامل يدمج عوامل هندسية وجيولوجية وهيدروليكية متنوعة. تشير النتائج إلى أن نموذج PSO-BP يتفوق بشكل كبير على الشبكات التقليدية BP، محققًا دقة تنبؤ أعلى واستقرار، مما يوفر حلاً موثوقًا لتنبؤ ROP في ظروف الحفر الصعبة. تؤكد الدراسة على أهمية تعظيم استخدام البيانات وتكييف النماذج مع البيئات الجيولوجية المعقدة لتحسين تقدير ROP.
DOI: https://doi.org/10.1038/s41598-025-34885-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41501131
Publication Date: 2026-01-07
Author(s): Zujie Zou
Primary Topic: Drilling and Well Engineering
Overview
The study presents a novel model for predicting the rate of penetration (ROP) in drilling operations, which is crucial for optimizing resource allocation and enhancing operational efficiency. The proposed model integrates particle swarm optimization (PSO) with a momentum-adaptive backpropagation (BP) neural network. A thorough correlation analysis was conducted on drilling parameters, leading to the selection of critical input variables, including three engineering indices, two hydraulic characteristics, and six lithological properties, based on a dataset of 1,200 samples (80% for training and 20% for testing).
The model employs two heuristic optimization techniques: momentum acceleration to stabilize gradient descent and adaptive learning rate adjustment to improve training efficiency and predictive accuracy. The results indicate strong correlations (coefficients greater than 0.5) between ROP and the selected parameters. Comparative experiments demonstrated that the PSO-BP model outperformed standard BP and genetic algorithm-enhanced BP (GA-BP) models, achieving a mean absolute error (MAE) of 0.30 m/h, a mean absolute percentage error (MAPE) of 11.35%, and a coefficient of determination (R²) of 0.93. This data-driven approach provides a robust framework for ROP prediction in well-characterized formations with extensive logging datasets.
Introduction
The introduction of the research paper addresses the significant challenges faced in drilling China’s deep unconventional oil-gas reservoirs, which include suboptimal drillability, high formation abrasiveness, and the heterogeneous nature of lithological sequences. These geological complexities lead to nonlinear rock fragmentation and pose substantial barriers to optimizing the rate of penetration (ROP), a key performance metric in drilling operations. Accurate ROP forecasting is emphasized as essential for effective resource allocation, development of drilling programs, and improving extraction efficiency, particularly in geomechanically challenging formations.
The paper critiques traditional ROP prediction methods, such as empirical models and laboratory experiments, highlighting their limitations in accuracy and applicability due to reliance on training data quality, sample availability, and the inability to replicate in-situ conditions. Furthermore, conventional techniques do not support real-time ROP estimation, underscoring the need for innovative approaches. The introduction of artificial intelligence (AI) in drilling methodologies is presented as a promising solution, with advanced neural networks and machine learning techniques offering enhanced prediction capabilities. These AI-driven models facilitate real-time monitoring and adapt to dynamic drilling parameters, thereby improving drilling efficiency and safety while addressing the uncertainties inherent in traditional methods.
Discussion
In this discussion, various studies on rate of penetration (ROP) prediction methodologies are reviewed, highlighting advancements in artificial intelligence techniques. Ahmed (2019) established that artificial neural networks (ANNs) outperform extreme learning machines (ELMs) and support vector machines (SVMs) in capturing the nonlinear dynamics of drilling. Anemangely (2018) further improved prediction accuracy with hybrid models, specifically the multi-layer perceptron optimized with particle swarm optimization (MLP-PSO), which demonstrated superior performance over traditional methods. Guan (2017) and Li (2021) addressed the limitations of backpropagation (BP) neural networks by integrating particle swarm optimization and Bayesian optimization, respectively, enhancing stability and convergence rates in complex drilling environments.
The proposed intelligent ROP prediction model utilizes an optimized momentum-adaptive PSO-BP neural network, which incorporates PSO for weight optimization and adaptive learning rates to enhance training efficiency. Field data from three wells in Xinjiang Oilfield were analyzed to identify key logging parameters influencing ROP, leading to a comprehensive model that integrates various engineering, geological, and hydraulic factors. The results indicate that the PSO-BP model significantly outperforms traditional BP networks, achieving higher predictive accuracy and stability, thus providing a reliable solution for real-time ROP forecasting in challenging drilling conditions. The study emphasizes the importance of maximizing data utilization and adapting models to complex geological environments for improved ROP estimation.