การวิเคราะห์เปรียบเทียบแบบจำลองโดยการเรียนรู้ของเครื่องเพื่อทำนายอัตราการขุดเจาะปิโตรเลียม

Abstract

In drilling operations, the Rate of Penetration directly impacts drilling efficiency, and accurately predicting if this rate is crucial as it affects the cost-effectiveness of the process. In this study, ensemble machine learning models such as Random Forest, Gradient Boosting, Extreme Gradient Boosting, Adaptive Boosting, and K-Nearest Neighbor were used to predict ROP using a Volve dataset from the Norwegian North Sea and provided by Equinor Company. In order to simulate real-world scenarios, especially in cases with limited amounts of data, we utilized sequential data or depth-dependent data to trained and tested machine learning models using a sequential split, such as continuous learning and sliding window split techniques. The performances of the models were evaluated by calculating mean absolute error. The results of this study showed that the ensemble machine learning models, especially Extreme Gradient Boosting with sliding window split technique outperformed in predicting the Rate of Penetration. Moreover, the various sizes of the sliding window were studied to find the optimal size.

การดำเนินงานการขุดเจาะปิโตรเลียม ปัจจัยหนึ่งที่มีผลโดยตรงต่อการขุดเจาะ คือ ค่าอัตราการเจาะ (Rate of Penetration, ROP) การทำนายค่าอัตราการเจาะที่ถูกต้องเป็นปัจจัยสำคัญที่จะส่งผลต่อการควบคุมค่าใช้จ่ายในการดำเนินงานการขุดเจาะ งานวิจัยนี้เป็นการศึกษาการเรียนรู้ของเครื่องในรูปแบบจำลองการเรียนรู้แบบรวมกลุ่ม เช่น Random Forest, Gradient Boosting, Extreme Gradient Boosting, Adaptive Boosting และ K-Nearest Neighbor ข้อมูลที่ใช้ในการทำนายค่าอัตราการเจาะนำมาจากบริษัท Equinor บริเวณตอนกลางทะเลเหนือ ประเทศนอร์เวย์ โดยชุดข้อมูลชื่อว่า Volve การวิจัยนี้เป็นกาจำลองเหมือนสถานการณ์ของความเป็นจริง โดยเฉพาะในกรณีที่มีข้อจำกัดทางด้านข้อมูล ผู้วิจัยใช้ลำดับของข้อมูล (Sequential data) หรือข้อมูลความลึกที่ต่อเนื่องกัน (Depth-dependent data) ทำการฝึกฝนและทดสอบรูปแบบจำลองการเรียนรู้ของเครื่องแบบต่างๆ โดยการศึกษาด้วยเทคนิค การเรียนรู้อย่างต่อเนื่อง (Continuous Learning) และ การเรียนรู้แบบหน้าต่างบานเลื่อน (Sliding Window Learning) และวัดประสิทธิภาพของรูปแบบจำลองด้วยค่าผิดพลาดเฉลี่ยสัมบูรณ์ (Mean Absolute Error, MAE) ผลของการวิจัยนี้ให้แบบจำลองการเรียนรู้แบบรวมกลุ่มที่เป็น Extreme Gradient Boosting (XGB) ด้วยเทคนิคการเรียนรู้แบบหน้าต่างบานเลื่อน (Sliding Window Learning) ในการทำนายค่าอัตราการเจาะที่มีประสิทธิภาพดีที่สุด อย่างไรก็ตาม ความแตกต่างของขนาดข้อมูลของการเรียนรู้แบบหน้าต่างบานเลื่อนยังให้ผลการศึกษาขนาดของข้อมูลที่เหมาะสมที่สุด