Advancing Geotechnical Evaluation of Wellbores: A Robust and Precise Model for Predicting Uniaxial Compressive Strength (UCS) of Rocks in Oil and Gas Wells
Notice bibliographique
Résumé
This study examines the efficacy of various machine learning models for predicting the uniaxial compressive strength (UCS) of rocks in oil and gas wells, which are essential for ensuring wellbore stability and optimizing drilling operations. The investigation encompasses Linear Regression, ensemble methods (including Random Forest, Gradient Boosting, XGBoost, and LightGBM), support vector machine-based regression (SVM-SVR), and multilayer perceptron artificial neural network (MLP-ANN) models. The results demonstrate that XGBoost and Gradient Boosting offer superior predictive accuracy for UCS in drillability, as indicated by low Mean Absolute Percentage Error (MAPE) values of 3.87% and 4.18%, respectively, and high R2 scores (0.8542 for XGBoost). These models emerge as optimal choices for UCS prediction focused on drillability, offering increased accuracy and reliability in practical engineering scenarios. Ensemble methods and MLP-ANN emerge as frontrunners, providing valuable tools for improving wellbore stability assessments, optimizing drilling parameter selection, and facilitating informed decision-making processes in oil and gas drilling operations. Moreover, this study lays a foundation for further research in drillability-centred predictive modelling for geotechnical parameters, advancing our understanding of rock behaviour under drilling conditions.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».