利用岩石物理测井数据和机器学习方法预测钻井液失环体积和半径

《Scientific Reports》：Predicting drilling fluid lost circulation volume and radius using petrophysical well logs and machine learning approaches

　　

摘要

钻井液流失（即钻井液意外进入地下岩层）是钻井作业中面临的一个重大挑战。这一问题通常会导致大量的非生产时间和经济损失。为有效解决这一问题，准确预测流失区域、流失量以及流体侵入的范围至关重要。本研究采用了一种创新方法，将岩石物理测井数据与钻井操作参数及泥浆特性结合在机器学习框架中进行分析。利用来自伊朗一个油田73口井的246,620个数据点的综合数据集，我们开发了三种先进的预测模型：多层感知器（MLP）、Kolmogorov–Arnold网络（KAN）以及一种新型的MLP–KAN混合架构。性能评估显示，混合模型的表现显著优于单一模型，其决定系数（R²）为0.9445，均方根误差为0.0143；而单独的MLP模型决定系数为0.9054，KAN模型为0.9075。该混合框架成功识别出油田中的三个主要泥浆侵入区域，分别位于1800–2000米、2300–2600米和2800–3000米深度，并准确量化了这些区域的平均侵入量和半径。SHAP分析表明，最具预测意义的特征包括声波传输时间（DT）、钻头尺寸、泥浆密度和钙含量，这些特征与钻井物理学的原理相符。本研究的结果提供了一种可靠且易于解释的工具，有助于主动管理钻井液流失问题，使操作人员能够实施针对不同区域的预防策略，优化钻井液方案，从而显著降低作业风险和成本。该框架通过早期识别流失区域并采取有针对性的缓解措施，实现了主动预防，为提高钻井效率和降低作业风险提供了可扩展的解决方案。总体而言，这项工作弥合了数据驱动分析与实际现场应用之间的差距，为提高钻井效率提供了可扩展的解决方案。