Notice bibliographique
Résumé
Abstract Confined Compressive Strength (CCS) offers a more accurate indication of rock hardness and rock formation drillability, which is useful in optimizing the drilling operation. PhiDrillSim is a machine learning app that predicts the CCS using neural network techniques. The goal is to predict the Confined compressive Strength using the Neural network technique based on the operation dataset, which will be used to train the neural network model. A specific operation dataset will be provided for the training of the model in the app. It will predict the CCS model of the rock formation and compare it with the actual CCS collected. Preliminary results show that the accuracy of the predicted CCS values is consistent with the CCS calculations using the log data method. There are various methods of calculating the CCS of the formation, with varying degrees of cost and difficulty. Furthermore, the accuracy of CCS measurements directly affects the drilling cost of operations, affecting drill-string durability and operational time. This paper explores the accuracy of the PhiDrillSim App in comparison with a log data method in calculating and predicting the formation of CCS. CCS Description Rock strength is essential in the drilling process. Confined Compressive Strength (CCS) is a geomechanical rock property that indicates the rock strength when confined to some medium. (Fabian, 1994). Since UCS is widely used, the classification of rock formations based on UCS is readily available. Moreover, the estimation of rock strength classification is based on UCS. CCS then will be related to UCS using the equation proposed by Caicedo et al., 2005.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».