کاربرد پردازش زبان طبیعی و یادگیری ماشین در مدیریت و یکپارچه سازی داده های عملیات حفاری

فاز طراحی و تحلیل عملیات حفاری یکی از بخش های مهم در حفاری چاه های نفت و گاز است که به داده های زیادی نیز نیاز دارند. گزارش های روزانه حفاری یکی از رایج ترین گزارش ها برای عملیات انجام شده به همراه جزئیات آن ها در روز است که این گزارش ها حتی برای چاه های قدیمی نیز موجود هستند. در نتیجه این گزارش‎ها منبع بسیار خوبی برای تحلیل عملیات خواهند بود. برای بدست آوردن اطلاعات مناسب از این گزارش ها، نیاز به بررسی تک تک آن ها و صرف زمان نسبتا زیادی است. در این پژوهش روشی برای دسته بندی توضیحات موجود در گزارش های روزانه حفاری و جداسازی داده های مفید از آن ها با استفاده از پردازش زبان طبیعی و یادگیری ماشین ارائه شده است. مدل توسعه داده شده در این پژوهش با استفاده از 59،831 سطر داده که حاوی متن های داخل گزارش حفاری بوده، آموزش و ارزیابی شد و بهترین نتیجه با استفاده از روش TF-IDF برای استخراج ویژگی و روش SVM برای دسته بندی فعالیت ها با دقت حدود 89 درصد حاصل شد. با توجه به دقت قابل قبول این مدل در تشخیص نوع فعالیت و دقت قابل قبول در جداسازی پارامترها از میان متن، می‎توان استفاده از مورد پرداخته شده در این پژوهش را در سیستم های مدیریت داده پیشنهاد نمود و به نوعی به این داده ها در کمترین زمان ممکن ارزش افزوده داد.