Optimization of Rock Breaking Parameters by Combing Mechanical Specific Energy Theory and Random Forest Algorithm
Notice bibliographique
Résumé
Abstract As the key indicators to evaluate drilling efficiency, mechanical rate of penetration (ROP) and mechanical specific energy (MSE) are affected by many uncertain factors. In the actual drilling process, it is often necessary to adjust the parameters to achieve speed and efficiency. A dual-objective model is established considering the maximization of ROP and the minimization of MSE. Which combined with the theory of mechanical specific energy and the principle of multi-objective optimization, the model parameter weights are determined by the feature importance in the random forest regression model, and the value range of rock breaking parameter is optimized, realize the fusion of physical model and data model. The results show that, in the four strata of well X, the average ROP of T2k1 stratum is increased by 48.6% and the average MSE is decreased by 26.6%, the average ROP of T1b3 stratum is increased by 89.9% and the average MSE is decreased by 33.8%, the average ROP of the T1b2 stratum was increased by 41.3% and the average MSE was decreased by 39.0%, the average ROP of the T1b1 stratum was increased by 29.2% and the average MSE was decreased by 37.3%, which met the dual objectives of maximizing the ROP and minimizing the MSE. Compared with the traditional single-objective optimization method, the established dual-objective model is more in line with the needs of complex drilling engineering, and the fusion of physical model and data model can reduce certain human error.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».