A data-driven dynamic method of downhole rock characterisation for the vibro-impact drilling system
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For the real-time characterisation of an inhomogeneous impact inhibiting constraint such as downhole rock layers, an unconventional method using machine learning (ML) and drill-bit vibrations is investigated. An impact oscillator with one-sided elastic constraint is employed in modelling the bit-rock impact actions. Measurable drill-bit dynamics, such as acceleration, were acquired and processed into features and 2D-images that were later used in developing ML models capable of predicting the stiffness of impacted rock constraint. Explored ML networks include Multilayer Perceptron (MLP), Convolutional Neural Network and Long Short-Term Memory Network. Both simulation and experimental studies have been presented to validate the proposed method while using coefficient of determination ( R 2 ) and normalised mean absolute error (NMAE) as the performance metrics of the ML models. Results showed that the feature-based models had better performances for both simulation and experiment compared to the raw signal and 2D-image based models. Aside being simple and computationally less expensive, the feature-based MLP models outperformed other models having R 2 values > 0.7 and NMAE values < 0.2 for both simulation and experiment, thus presenting them as the preferred ML model for dynamic downhole rock characterisation. In general, this study presents a new modality to achieving logging-while-drilling during deep-hole drilling operations such as carried out in hydrocarbon, mineral and geothermal exploration.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle