.png){kind=icon}
返回
Intelligent Method for PDC Bit Selection Based on Graph Neural Network
.png){kind=icon}
OA
AI
DOI：10.3390/app15189985.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着油气勘探向深、超深及非常规储层扩展，高昂的钻井成本持续存在。钻头性能作为关键破岩部件，直接决定效率与经济性。尽管优化钻头选型可提升机械钻速（ROP）并降低成本，但依赖专家的传统方法难以处理地层与钻头参数的复杂交互，存在精度低、适应性差的问题。随着人工智能在石油工程领域的应用日益广泛，基于机器学习的钻头选型已成为关键解决方案。本研究聚焦聚晶金刚石复合片（PDC）钻头，提出了一种基于图神经网络（GNNs）的智能钻头选型方法，利用超过100口井的钻井记录，涵盖40个多维特征。通过对比随机森林、梯度提升（XGBoost）、门控循环单元（GRU）和GNN四种智能模型，结果表明GNN性能最优，R²（决定系数）达0.932，MAPE（平均绝对百分比误差）为6.88%。GNN在破岩性能预测上显著优于传统模型。通过建立针对ROP和单趟进尺预测的GNN模型，本研究实现了智能钻头选型，大幅提升钻井效率、降低作业成本，为复杂地层条件下的钻井作业提供了科学可靠的技术支持。
Keyword:
PDC bit selection and optimization
rock-cutting efficiency prediction2
graph neural network
mechanical drilling speed
footage per run per bit run
期刊
A
IF:
2.5
论文数:
1.9K
被引数:
15.9W
机构
暂无机构信息
引用论文
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示OAAI
OAAI分享收藏Enhancing Short-Term Load Forecasting With a CNN-GRU Hybrid Model: A Comparative Analysis用cnn-gru混合模型增强短期负荷预测的比较分析.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏Recursive feature elimination with random forest for PTR-MS analysis of agroindustrial products基于随机森林的递归特征消除，用于农工产品的ptr-ms分析
PREAI
分享收藏Performance-Driven drill bit selection based on field investigations: reducing drilling costs in Northern Iraq基于现场调查的性能驱动钻头选择：降低伊拉克北部的钻井成本
PREAI
分享收藏Greed Is Good: Rapid Hyperparameter Optimization and Model Selection Using Greedy k-Fold Cross ValidationElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容