Spriežot pēc literatūras, daudzos pētījumos ir izpētīts no dažādiem aspektiem, izmantojot mašīnmācīšanās tehnoloģiju.
N. Mohamadian et al. Izveidoja ģeomehānisko modeli, izmantojot laboratorijas statiskos un dinamiskos mehāniskos testus un izstrādāja un apmācīja divus hibrīda neironu tīkla modeļus (MLP - GA un MLP - PSO), lai prognozētu Poissona attiecību un maksimālo horizontālo spriegumu. Rezultāti rāda, ka MLP - PSO modelim ir vairāk priekšrocību, prognozējot galvenos ģeomehāniskos mainīgos, un tā efektivitāte un praktiskums ir pierādīts praktiskos pielietojumos, kas stingri atbalsta izpratni par apvalka sabrukšanas mehānismu, ko izraisa Puasona attiecība un maksimālais horizontālais stress.
J. Wu et al. izveidoja mākslīgā neironu tīkla (ANN) modeli Wellbore stabilitātes prognozēšanai. Viņi noteica 11 faktorus, kas ietekmē urbuma stabilitāti no esošajiem fizikas modeļiem, kas balstīti uz izejvielām, un urbuma diametra paplašināšanās ātrumu kā izvadi. Pēc apmācības to izmantoja, lai prognozētu cita urbuma urbuma diametra izplešanās ātrumu un tika salīdzināts ar citiem mašīnmācīšanās modeļiem. Rezultāti rāda, ka ANN modelim ir vislabākais sniegums, prognozējot Wellbore diametra profilu, nodrošinot jaunas idejas ārzonu sekla Wellbore stabilitātes izpētei.
H. Liu et al. Mērķis uz dziļu - sēdētu smilšakmeni. Izmantojot vairāku grupu triaksiālos mehāniskos eksperimentus dažādos ierobežojošos spiediena apstākļos, tika izveidots dziļa smilšakmens veidojumu urbuma sabrukšanas spiediena aprēķins, pamatojoties uz mainīgo - parametru MOHR - Kulona kritēriju. Tika salīdzināta dažādu kritēriju precizitāte, novērtējot iežu stiprību dažādos ierobežojošos spiediena apstākļos, nodrošinot teorētisko pamatu droša un racionālai urbšanas šķidruma blīvuma izvēlei dziļi sēžamās naftas un gāzes urbumos.
Šie pētījumu rezultāti pilnībā atspoguļo mašīnmācības lielo potenciālu naftas un gāzes labi saistītos pētījumos. Mašīnmācība var apstrādāt lielu daudzumu sarežģītu datu, ātri un precīzi nostiprināt datus iespējamās attiecības un noteikumus un pēc tam sniegt zinātniskāku un efektīvāku lēmumu - atbalstu naftas un gāzes urbumu inženierijai.
Piemēram, attiecībā uz apvalka sabrukšanas prognozēšanu mašīnmācīšanās modelis var apgūt apvalku - sabrukšanas - saistītos faktorus vēsturiskos datos, piemēram, pazemes stresa laukos, klinšu īpašībās utt., Izveidojiet precīzu prognozēšanas modeli, agrīnu brīdinājumu par apvalka sabrukuma risku un nodrošina drošu urbšanas darbību progresu. Wellbore stabilitātes izpētē mašīnmācība ir noderīga, lai optimizētu tādus parametrus kā dubļu svars, viegli saliekamu veidojumu identificēšana, urbšanas efektivitātes uzlabošana un izmaksu samazināšana. Izpētot dziļi sēdoša smilšakmens mehāniskās īpašības, mašīnmācība var apkopot klinšu mehānisko parametru variācijas raksturlielumus un neveiksmes likumus no liela daudzuma mehānisku eksperimenta datu, nodrošinot ticamāku teorētisko pamatu dziļas eļļas un gāzes resursu izstrādei.
Noslēgumā, kā jaudīgs rīks, mašīnmācība rada jaunas iespējas un izaicinājumus pētniecības jomām, piemēram, naftas un gāzes urbuma apvalka sabrukšana, urbuma stabilitāte un dziļi sēdoša smilšakmens mehāniskās īpašības. Nākotnē ar nepārtrauktu mašīnmācīšanās tehnoloģiju progresu un padziļinātības pielietojumu, sagaidāms, ka naftas un gāzes ekstrakcijas jomā tiks sasniegti vairāk sasniegumu un inovāciju, nodrošinot lielāku ieguldījumu efektīvā naftas un gāzes resursu izstrādē un droša ekstrakcijā.
