用于预测 Marun 油田钻井液失失的可解释概率机器学习
机器学习
2025-11-11 v1
摘要
失失 仍然是钻井作业中一个主要且昂贵的挑战，常导致井眼不稳定、卡杆以及延长的非生产时间。因此，准确预测流体失失 对提高钻井安全性和效率至关重要。本研究提出了一种基于高斯过程回归 (GPR) 的概率机器学习框架，用于预测复杂地层中的钻井液失失。GPR 模型捕捉钻井参数之间非线性依赖关系，同时量化预测不确定性，为高风险决策提供了增强的可靠性。通过使用 Limited memory Broyden Fletcher Goldfarb Shanno (LBFGS) 算法优化模型超参数，以确保数值稳定性和稳健的泛化。为了提高可解释性，采用 Local Interpretable Model agnostic Explanations (LIME) 来阐明 individual features 如何影响模型预测。结果突显了可解释概率学习在主动识别失失风险、优化失失材料 (LCM) 设计以及减少钻井作业中操作不确定性方面的潜力。
引用
@article{arxiv.2511.06607,
title = {Explainable Probabilistic Machine Learning for Predicting Drilling Fluid Loss of Circulation in Marun Oil Field},
author = {Seshu Kumar Damarla and Xiuli Zhu},
journal= {arXiv preprint arXiv:2511.06607},
year = {2025}
}
备注
5 pages, 3 tables, 4 figrues