علی رنجبر

هزینه بالای عملیات حفاری منجر به افزایش چالش ها در بهینه سازی عملیات حفاری شده است. رمز موفقیت در کاهش این هزینه ها طراحی برنامه چاه بر اساس پیش بینی مسائل و مشکلات بالقوه حفاری می باشد. در چند دهه گذشته، صنعت حفاری تمایل روز افزونی به یادگیری ماشین برای پیش بینی مشکلات حفاری نشان داده است. این مقاله، مروری جامع از مطالعات مرتبط با بکارگیری یادگیری ماشین در پیش بینی رویدادهای پر مخاطره حفاری را ارائه می کند. در هر مطالعه، الگوریتم های یادگیری ماشین، تعداد نقاط داده، پارامترهای ورودی و خروجی به ماشین و عملکرد الگوریتم مربوطه از مطالعات پیشین استخراج شده است. علاوه بر این، محدودیت ها، شباهت های مطالعات در هر دسته خلاصه شده و مروری از ادبیات به همراه توصیه هایی برای توسعه مطالعات آینده ارائه شده است. این بررسی ها نشان می دهد که الگوریتم شبکه عصبی مصنوعی محبوب ترین روش در بین الگوریتم های یادگیری ماشین در مطالعات انجام شده است؛ این در حالی است که دیگر الگوریتم ها نظیر الگوریتم ماشین بردار پشتیبان و جنگل تصادفی ممکن است عملکرد بهتری را در استخراج نتایج از خود نشان دهند. همچنین لازم به ذکر است، بسیاری از مدل های هوشمند ارائه شده توسط پژوهشگران از نمونه های محدود و برای شرایط خاص ارائه نتایج چنین مطالعاتی ممکن است قابل تعمیم نباشد.