Nền tảng chuyên nghiệp: Tôi là Nhà địa chất phát triển làm việc tại Cairn Oil and Gas Ltd (Tập đoàn Vedanta) trong một năm rưỡi. Công việc của tôi tập trung vào các dự án Brown Field ở các lưu vực ngoài khơi của Ấn Độ và tôi đã xử lý rất nhiều bộ dữ liệu địa chất và địa vật lý nhưng tôi luôn cảm thấy cần phải phân tích những dữ liệu này bằng thuật toán học máy và đóng góp cho tổ chức của mình với tư cách là một nhà khoa học dữ liệu địa lý. Cho đến nay, hành trình của tôi đã thành công vì tôi đã sử dụng những kiến ​​thức đã học được trong khóa học để tạo ra những kết quả có ý nghĩa cho vai trò công việc hiện tại của mình.

Vai trò công việc trước khi tôi tham gia Chương trình PGPDSBA: Vai trò của tôi với tư cách là Nhà địa chất là tìm hiểu các đặc tính của đá dưới bề mặt và lên kế hoạch khoan giếng trong các thành tạo đá Hydrocarbon. Khoa học địa chất liên quan đến những điều không chắc chắn rất lớn và vai trò của tôi liên quan đến việc xem xét một số loại bộ dữ liệu như địa chất, địa hóa, địa cơ và địa vật lý. Nhìn chung, nhiệm vụ của tôi là lập kế hoạch cho các giếng bằng cách sử dụng nhiều bộ dữ liệu để người khoan có thể xuyên thủng các mục tiêu Hydrocarbon trong các thành tạo đá dưới bề mặt.

Vấn đề mà tôi gặp phải: Trong quá trình khoan, thợ khoan cần những thông tin quan trọng như trọng lượng bùn, thạch học hình thành, áp lực dự kiến ​​​​trong các thành tạo đá, dị thường địa vật lý, v.v. Công việc của tôi là tiến hành dự đoán các biến này và tạo ra một mô hình địa cơ học giả định để hiểu các ứng suất chính sẽ xảy ra hành động trong quá trình khoan. Các vấn đề về độ ổn định của giếng là hiện tượng phổ biến trong quá trình khoan các phần khác nhau của giếng và chúng phải được giảm thiểu bằng cách sử dụng mô hình địa cơ đã được hiệu chỉnh. Động lực của tôi là dự đoán cửa sổ trọng lượng bùn bằng cách sử dụng bộ dữ liệu khoan hiện có ở các giếng bù. Ngoài ra, công việc của tôi với tư cách là Nhà địa chất trong quá trình khoan thời gian thực là diễn giải các đường cong nhật ký đường dây khác nhau như tia gamma, điện trở suất và độ xốp neutron. Tôi cảm thấy cần phải giải thích các vùng hydrocarbon gặp phải bằng cách sử dụng các kỹ thuật trực quan hóa dữ liệu mới trong Python. Quá trình này tuy tẻ nhạt nhưng nó đáng nỗ lực.

Lời giải cho bài toán địa chất: Tôi muốn xây dựng một mô hình hồi quy tuyến tính để dự đoán cửa sổ trọng lượng bùn cho nhiều đoạn khoan và do đó tôi đã sử dụng mô hình hồi quy đa biến cho cùng một mô hình. Sau đây là các biến độc lập:

1. Trọng lượng trên Bit (Lbs)

2. Tốc độ thâm nhập (ROP) m/giờ

3. Số vòng quay mỗi phút (RPM)

4. Thạch học hình thành (Phân loại- chuyển đổi thành số bằng cách sử dụng mã hóa một nóng)

5. Độ sâu đo được (MD) m

6. Độ sâu dọc thực của biển phụ (TVDSS) m

7. Tổng lượng khí (%)

8. Đường kính lỗ (inch)

9. Độ nghiêng của lỗ khoan (độ)

10. Góc phương vị của lỗ khoan (Độ)

11. Áp suất ống đứng (SPP)

12. Tốc độ dòng bùn (USgal/phút)

Biến mục tiêu là trọng lượng bùn khoan (ppg). Bằng cách sử dụng mô hình thống kê, kết quả của tôi khá tốt và tôi có được một cửa sổ về trọng lượng bùn trong đó các giếng trong tương lai có thể được lên kế hoạch. Trong toàn bộ quá trình, tôi đã thu thập các kết quả thống kê quan trọng như Hệ số xác định, Giá trị bình phương R đã điều chỉnh, Sai số bình phương trung bình, Căn bậc hai của sai số bình phương trung bình và cuối cùng thu được một phương trình tuyến tính với hệ số chặn và hệ số biểu thị rằng trọng lượng bùn phụ thuộc vào một số tham số được đề cập ở trên và một biểu thức tuyến tính đã được tìm ra để hiểu sự phụ thuộc này.

Áp dụng phương pháp Hồi quy tuyến tính Deep learning này cho nhóm Khoan

Công cụ mới này có thể làm giảm đáng kể khoảng thời gian không chắc chắn về trọng lượng bùn trong các phần sản xuất quan trọng trong lỗ khoan và do đó sẽ giúp nhóm khoan hiểu rõ hơn về các ứng suất chính liên quan để có thể tối ưu hóa quỹ đạo tốt cho một số thành tạo thạch học không ổn định. Hơn nữa, việc sử dụng Phân tích dữ liệu được nhóm đánh giá cao vì chi phí khoan cho giếng lệch hướng có thể rất tốn kém và điều quan trọng là phải định lượng những ứng suất này trong các thành hệ đá trước khi khoan lỗ khoan.

Tác động của bài tập Machine learning đối với nhóm: Nhóm khoan và nhóm dưới bề mặt rất hài lòng với công việc của tôi khi đảm nhận vai trò Phân tích dữ liệu và học máy để dự đoán các thông số địa cơ quan trọng của quỹ đạo giếng theo kế hoạch của lỗ khoan.

Những bài học quan trọng của tôi: Ngoài ra, tôi còn có cảm giác hài lòng vì đã vận dụng thành công những kiến ​​thức đã học trong khóa học và áp dụng chúng vào một vấn đề thực tế trước mắt. Việc khoan một lỗ khoan tiêu tốn hàng triệu đô la vì không có chỗ cho sai sót và điều rất quan trọng là phải dự đoán cửa sổ trọng lượng bùn cho mỗi phần của lỗ khoan sẽ được khoan để phát hiện khả năng tích tụ hydrocarbon. Tuy nhiên, có rất nhiều bất ổn về địa chất cực kỳ khó giảm thiểu do sự hình thành đá dưới bề mặt được hình thành trong nhiều môi trường trầm tích khác nhau và dữ liệu địa vật lý thu được chỉ nói lên một phần câu chuyện. Để kết luận, tôi không ngừng học hỏi nhiều thuật toán học máy trong khóa học này để giải quyết các vấn đề kinh doanh đầy thách thức và khoa học thú vị trong ngành Dầu khí.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. Truy cập Tại đây.
• nguồn: https://www.mygreatlearning.com/blog/identifying-key-stress-variables-before-drilling-in-geoscientific-environment/