Краткое содержание

arXiv:2511.06607v1 Тип объявления: новый Аннотация: Потеря циркуляции бурового раствора остаётся серьёзной и дорогостоящей проблемой при проведении буровых работ, часто приводящей к нестабильности ствола скважины, застреванию трубопровода и увеличению непродуктивного времени. Точное прогнозирование потерь жидкости имеет ключевое значение для повышения безопасности и эффективности бурения. В данной работе представлен вероятностный подход машинного обучения на основе регрессии гауссовыми процессами (Gaussian Process Regression — GPR), предназначенный для предсказания потери бурового раствора в сложных геологических формациях. Модель GPR учитывает нелинейную зависимость между параметрами бурения, одновременно количественно оценивая неопределённость прогноза, что повышает надёжность принятия решений в условиях высокого риска. Гиперпараметры модели оптимизированы с использованием алгоритма LBFGS (Limited-memory Broyden–Fletcher–Goldfarb–Shanno) для обеспечения числовой устойчивости и обобщаемости результатов. Для улучшения интерпретируемости используется метод локальных интерпретируемых объяснений моделей любого типа (Local Interpretable Model-Agnostic Explanations — LIME), позволяющий выявить влияние отдельных признаков на прогнозы модели. Результаты...