مروري بر كاربرد يادگيري ماشين در پيش ‌بيني مخاطرات و مشكلات حفاري

هزينه بالاي عمليات حفاري منجر به افزايش چالش ‌ها در بهينه‌ سازي عمليات حفاري شده است. رمز موفقيت در كاهش اين هزينه‌ها طراحي برنامه چاه بر اساس پيش‌بيني مسائل و مشكلات بالقوه حفاري مي‌باشد. در چند دهه گذشته، صنعت حفاري تمايل روز‌افزوني به يادگيري ماشين براي پيش‌بيني مشكلات حفاري نشان داده است. اين مقاله، مروري جامع از مطالعات مرتبط با بكارگيري يادگيري ماشين در پيش‌بيني رويدادهاي پر مخاطره حفاري را ارائه مي‌كند. در هر مطالعه، الگوريتم‌هاي يادگيري ماشين، تعداد نقاط داده، پارامترهاي ورودي و خروجي‌ به ماشين و عملكرد الگوريتم مربوطه از مطالعات پيشين استخراج شده است. علاوه بر اين، محدوديت‌ها، شباهت‌هاي مطالعات در هر دسته خلاصه شده و مروري از ادبيات به همراه توصيه‌هايي براي توسعه مطالعات آينده ارائه شده است. اين بررسي‌ها نشان مي‌دهد كه الگوريتم شبكه عصبي مصنوعي محبوب‌ترين روش در بين الگوريتم‌هاي يادگيري ماشين در مطالعات انجام شده است؛ اين در حالي است كه ديگر الگوريتم ‌ها نظير الگوريتم ماشين بردار پشتيبان و جنگل تصادفي ممكن است عملكرد بهتري را در استخراج نتايج از خود نشان دهند. همچنين لازم به ذكر است، بسياري از مدل ‌هاي هوشمند ارائه شده توسط پژوهشگران از نمونه‌ هاي محدود و براي شرايط خاص ارائه نتايج چنين مطالعاتي ممكن است قابل تعميم نباشد.