Development and integration of explainable machine learning models for predicting drilling parameters in a real-time simulation environment

Der Kern dieser Arbeit basiert auf vier zentralen Zielsetzungen. Erstens liegt der Fokus auf der Entwicklung leistungsstarker, erklärbarer ML-Modelle zur Vorhersage von Parametern des Bohrprozesses. Zweitens wird eine Proof-of-Concept-Methodik sowie eine Systemarchitektur vorgeschlagen, um ML-Modelle in einen Software-Bohrsimulator zu integrieren und damit eine Echtzeit-Simulationsplattform zu schaffen, die ML-gestützt ist und sich flexibel für zukünftige Erweiterungen und zusätzliche Funktionalitäten eignet. Drittens werden die trainierten ML-Modelle innerhalb des Simulators unter realen Bedingungen getestet und bewertet, um deren Leistungsfähigkeit nachzuweisen. Schließlich wird ein Szenario vorgestellt, das aufzeigt, wie der ML-gestützte Software-Simulator in Zukunft durch zusätzliche Anwendungsfälle einen Mehrwert für die Simulation bietet. Die Arbeit beginnt mit der Sammlung von Bohrdaten und reicht bis zur Integration verschiedener ML-Modelle in einen vorhandenen Software-Simulator der Einrichtung Drilling Simulator Celle (DSC). Eine umfassende Literatur- und Branchenrecherche zu verschiedenen verfügbaren ML-Methoden, -Werkzeugen und -Techniken wurde durchgeführt und auf die aus unterschiedlichen Quellen erhobenen Bohrdaten angewandt. Zudem wird eine detaillierte Analyse der Daten und der einzelnen Phasen der Datenvorverarbeitung als Bestandteil der Forschung erläutert. Der fundamentale Teil der Arbeit konzentriert sich auf drei wesentliche Parameter des Bohrprozesses: Rate of Penetration (ROP), Equivalent Circulation Density (ECD) und Weight on Bit (WOB). Diese werden mithilfe von ML-Algorithmen vorhergesagt und auf eine Optimierung sowie Integration in den DSC-Software-Simulator (DrillSIM:600) ausgerichtet.

Für jedes der drei Vorhersagemodelle, die jeweils einen spezifischen Bohrparameter adressieren, werden die relevanten Eingangsvariablen mittels Feature-Selection-Algorithmen und -Techniken ausgewählt. Anschließend werden ML-Algorithmen und Transferfunktionen zur Prozessoptimierung eingesetzt, um die prädiktiven Modelle zu trainieren. Diese Modelle werden mithilfe von Leistungskennzahlen bewertet, um ihre Effizienz und Kompetenz zu messen. Das jeweils am besten geeignete ML-Modell für jeden Bohrparameter wird ausgewählt und in den bestehenden Software-Simulator integriert. Die Integration dieser Modelle ist von entscheidender Bedeutung, da die Einbindung von ML in den Simulator einen präziseren, datengetriebenen Ansatz für Bohrprozesse ermöglicht. Traditionelle Methoden führen häufig zu Ineffizienzen oder operationellen Risiken, da sie komplexe Echtzeitbedingungen nicht ausreichend vorhersagen können. Die Einbettung von ML-Modellen macht den Simulator leistungsfähiger und trägt so zur Erhöhung der Betriebssicherheit und Effizienz bei. Mit anderen Worten: Diese Integration ebnet den Weg für fortschrittlichere und intelligentere Bohrprozesse in der Zukunft. Der Simulator selbst stellt ein komplexes und herausragendes Werkzeug dar, das die implementierten Modelle durch Echtzeitsimulationen überprüft und validiert. Der Software-Simulator erzeugt Ergebnisse durch Simulationsläufe, die ausgewertet werden, um die Gültigkeit und Qualität der implementierten Modelle in Echtzeit zu beurteilen. Die Simulationsergebnisse sind ein leistungsstarkes Instrument zur Steuerung, Führung und Optimierung des gesamten Bohrprozesses.