近日，我室焦圣杰博士在SCI2区期刊《Scientific Reports》期刊上发表题为《Hybrid physics-machine learning models for predicting rate of penetration in the Halahatang oil field, Tarim Basin》的文章，主要针对钻速预测问题进行研究，钻速（ROP） 是优化钻井、降低成本和缩短钻井周期的关键因素。然而，由于钻井作业的系统性、复杂性和不确定性，建立高度准确和可解释的钻速预测模型来指导和优化钻井作业一直是个难题。为了解决塔里木盆地的这一问题，本文提出了四类混合物理-机器学习（ML）建模方法。其中之一是残差建模，其中ML模型通过物理模型学习预测误差或残差;第二种是集成耦合，其中物理模型的输出用作ML模型的输入;第三种是简单平均，其中物理模型和ML模型的预测被组合在一起;最后一种是Bootstrap聚合（bagging），它遵循集成学习的思想来结合不同物理模型的优势。共使用来自哈拉哈塘油田的5655个真实数据点来测试各种模型的性能。结果表明，残差建模模型在R20.9936，性能最好，其次是简单平均模型和R的装袋2值分别为0.9394和0.5998。从预测精度和模型可解释性的角度来看，具有残差建模的混合物理-ML模型是ROP预测的最优方法

原文链接：Hybrid physics-machine learning models for predicting rate of penetration in the Halahatang oil field, Tarim Basin | Scientific Reports (nature.com)

引用：Jiao, S., Li, W., Li, Z. et al. Hybrid physics-machine learning models for predicting rate of penetration in the Halahatang oil field, Tarim Basin. Sci Rep 14, 5957 (2024).https://doi.org/10.1038/s41598-024-56640-y

《科学报告》是一本开放获取期刊，发表来自自然科学、心理学、医学和工程学各个领域的原创研究。

涵盖自然科学、心理学、医学和工程学的所有领域，为我们的作者提供了一个备受推崇的研究家园，通过开放获取提高作品的可见性。《科学报告》是全球被引用次数第五多的期刊，2022年被引用次数超过738,000次*，在政策文件和媒体中受到广泛关注。