Come le reti neurali stanno rivoluzionando la scelta dei trapani per il petrolio?

Le perforazioni petrolifere stanno spingendo sempre più in profondità, ma i costi restano elevati. Il segreto per ridurre le spese è scegliere il trapano giusto, soprattutto i bit in diamante policristallino (PDC), che tagliano la roccia. Fino a poco tempo fa, la scelta dipendeva dall’esperienza di pochi esperti, con risultati spesso imprecisi. Ora, grazie all’intelligenza artificiale, è possibile affidarsi a modelli più oggettivi.

Un team di ricercatori ha analizzato i dati di oltre 100 pozzi, raccogliendo 40 variabili diverse, come tipo di roccia, pressione, velocità di rotazione e peso del bit. Hanno testato quattro algoritmi: Random Forest, XGBoost, GRU e una rete neurale a grafo (GNN). La GNN ha superato tutti gli altri, raggiungendo un coefficiente di determinazione R² di 0,932 e un errore medio assoluto percentuale (MAPE) del 6,88%. In pratica, il modello prevede con alta precisione la velocità di penetrazione (ROP) e la lunghezza di perforazione per ogni run.

Con queste previsioni, gli ingegneri possono selezionare il bit più adatto a ciascuna formazione rocciosa, aumentando la velocità di perforazione e riducendo i costi operativi. Il risultato è una perforazione più efficiente, meno sprechi di tempo e denaro, e un supporto tecnico basato su dati solidi per affrontare le sfide dei giacimenti complessi.

Le reti neurali a grafo (GNN) sono particolarmente adatte a problemi in cui i dati possono essere rappresentati come nodi collegati da relazioni, come avviene nei set di parametri di perforazione. In questo studio, ogni nodo rappresenta una caratteristica (ad esempio, densità della roccia o pressione di esercizio) e gli archi codificano le interazioni tra di esse. La GNN elabora queste connessioni mediante aggregazione di messaggi, consentendo al modello di catturare dipendenze non lineari e di ordine superiore che i metodi tradizionali tendono a trascurare.

Il modello è stato addestrato con una procedura di cross‑validation a 5‑fold, garantendo che le performance non fossero frutto di overfitting. L'uso di tecniche di regolarizzazione, come dropout e L2, ha ulteriormente migliorato la generalizzazione. Inoltre, è stata implementata una strategia di feature importance basata su SHAP (SHapley Additive exPlanations) per interpretare l'impatto di ciascuna variabile sulla previsione di ROP. I risultati mostrano che le variabili più influenti sono la durezza della formazione, la velocità di rotazione del bit e la pressione di percussione.

Dal punto di vista operativo, l'integrazione della GNN in un workflow di drilling management richiede un'interfaccia di data ingestion in tempo reale, capace di aggiornare il modello con nuovi record di perforazione. Questo approccio consente di adattare continuamente le raccomandazioni di bit selection, mantenendo alta l'accuratezza anche in condizioni di formazione non previste. In futuro, l'espansione del dataset a includere dati di vibrazioni e di micro‑seismicità potrebbe ulteriormente affinare le previsioni, aprendo la strada a sistemi di perforazione autonomi e auto‑ottimizzanti.