A Cement Bond Quality Prediction Method Based on a Wide and Deep Neural Network Incorporating Embedded Domain Knowledge
Notice bibliographique
Résumé
Cement bond quality is critical to ensuring the long-term safety and structural integrity of oil and gas wells. However, due to the complex interdependencies among geological conditions, operational parameters, and fluid properties, accurately predicting cement bond quality remains a considerable challenge. To improve the accuracy and practical applicability of cement bond prediction, this study develops an intelligent prediction model. A Wide and Deep neural network architecture is adopted, into which two key parameters of the cement slurry’s power-law rheological model—the consistency coefficient and the flow behavior index—are embedded. A temperature correction mechanism is incorporated by integrating the correction equations directly into the network structure, allowing for a more realistic representation of the cement slurry’s behavior under downhole conditions. The proposed model is designed to simultaneously predict the bonding quality at both the casing–cement sheath and cement sheath–formation interfaces. It is trained on a field dataset comprising 30,000 samples from eight wells in an oilfield in western China. On the test set, the model achieved prediction accuracies of 87.29% and 87.49% at the two interfaces, respectively. Furthermore, field testing conducted during a third-stage cementing operation of a well demonstrated a prediction accuracy of approximately 90%, indicating strong adaptability to real-world engineering conditions. The results demonstrate that the temperature-corrected neural network effectively captures the flow characteristics of the cement slurry. The proposed model meets engineering application requirements and serves as a reliable, data-driven tool for optimizing cementing operations and enhancing well integrity.
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 | 0,001 |
| 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 ».