
-
生物通官微
陪你抓住生命科技
跳动的脉搏
运用机器学习技术解读气体数据,提升油气勘探钻探中的运营决策能力
《Scientific Reports》:Enhancing operational decision-making in hydrocarbon exploration drilling using machine learning for gas data interpretation
【字体: 大 中 小 】 时间:2026年06月15日 来源:Scientific Reports 3.9
编辑推荐:
摘要在烃类勘探钻探过程中,人工智能越来越多地被用于辅助决策,但泥气解读依然具有挑战性,因为气体特征会受到泥浆性质、钻探参数、脱气效率以及钻头变质作用的影响。在此,我们提出了一种基于机器学习的流程,用于评估在钻探过程中获得的先进气体检测数据中储层流体特征的呈现程度。我们对来自104
在烃类勘探钻探过程中,人工智能越来越多地被用于辅助决策,但泥气解读依然具有挑战性,因为气体特征会受到泥浆性质、钻探参数、脱气效率以及钻头变质作用的影响。在此,我们提出了一种基于机器学习的流程,用于评估在钻探过程中获得的先进气体检测数据中储层流体特征的呈现程度。我们对来自104口巴西勘探井的多领域数据进行了质量控制、标准化处理,并将其与实验室的压力-体积-温度流体组成数据以及专家的地质解读结果相结合。最终形成了两种预测产品:储层亲和力曲线,该曲线利用C2和C2C相关指标来估算先进气体特征与参考PVT流体之间的相似度;以及钻头变质作用严重程度曲线,该曲线通过乙烯相关行为及操作参数来量化钻探引起的热变化程度。由于核岭回归能够生成稳定、平滑且易于理解的深度依赖型预测结果,因此被选为主要应用模型,而XGBoost和LightGBM则作为基准模型,实现了最高的数值精度。该流程能够区分以典型地层流体特征为主的岩段与受钻头变质作用或其他操作因素影响的区域。这种方法有助于更早地确定流体性质,优化流体采样决策,并在实验室测试结果出来之前降低解读的不确定性。