كاربرد الگوريتم جديد يادگيري ماشين براي پيش‌بيني دقيق خواص سيمان حفاري

Application of a New Machine Learning Algorithm for Accurate Prediction of Drilling Cement Properties

پيش‌بيني ويسكوزيته ظاهري سيمان كلاس G براي ارزيابي عملكرد آن در سيمان‌كاري چاه‌هاي نفتي بسيار حياتي است. در اين مقاله برخلاف روش‌هاي سنتي، از يك مدل يادگيري ماشين براي پيش‌بيني ويسكوزيته استفاده شده است. يك مجموعه‌داده جامع از طريق كار آزمايشگاهي گسترده تهيه شده است كه اين آزمايش‌ها شامل آماده‌سازي دوغاب سيمان كلاس G براي چاه‌هاي نفتي است. يك نتيجه قابل‌توجه اين مطالعه، دستيابي به مقدار R2 بيش از 93٪ توسط مدل يادگيري ماشين بوده كه نشان‌دهنده دقت پيش‌بيني قوي براي ويسكوزيته ظاهري سيمان كلاس G است. توسعه اين مدل‌ يادگيري ماشين پيشرفت قابل توجهي در تحليل پيش‌بيني خصوصيات دوغاب سيمان در برنامه‌هاي چاه‌هاي نفتي ارائه مي‌دهد. قابليت آن‌ها براي ارائه پيش‌بيني دقيق از ويسكوزيته ظاهري، مستقل از متغيرهاي خاص آزمايشگاهي، توانمندي آن‌ها در افزايش كارايي و قابليت اعتماد فرآيندهاي سيمان‌كاري چاه‌هاي نفتي را برجسته مي‌كند.

Predicting the apparent viscosity of Class G cement is crucial for evaluating its performance in oil well cementing. In this paper, contrary to conventional methods, a machine learning model has been utilized for viscosity prediction. A comprehensive dataset has been compiled through extensive laboratory experimentation, including the preparation of Class G cement slurries for oil wells. A notable outcome of this study is achieving an R2 value exceeding 93% by the machine learning model, indicating strong predictive accuracy for the apparent viscosity of Class G cement. The development of this machine learning model represents significant progress in analyzing the prediction of cement slurry properties in oil well applications. Their capability to provide accurate predictions of apparent viscosity, independent of specific laboratory variables, highlights their efficacy in enhancing the efficiency and reliability of oil well cementing processes.