XiaoMi-AI文件搜索系统
World File Search System孔隙压力
机器学习驱动的孔隙压力预测
2 Shell Nigeria 3 Independent Researcher, USA 4 Independent Researcher, Houston, Texas, USA _______________________________________________________________________________ *Corresponding Author: Adindu Donatus Ogbu Corresponding Author Email: adinduogbu@yahoo.com Article Received: 10-02-24 Accepted: 05-06-24 Published: 25-07-24 Licensing Details : Author retains the right of 本文。本文根据创意共享属性noncmercial 4.0许可（http://www.creativecommons.org/licences/byby-nc/4.0/）分发，允许工作，无需进一步的工作，可以在未经访问的情况下进行开放式访问，从而允许非商业使用，再现和分发。 ______________________________________________________________________________________
多变量孔隙压力预测的混合机学习优化算法
孔隙压力是钻孔设计中的重要数据，其准确的预测对于确保钻孔安全性和提高钻井效率是必要的。在形成特定的结构和岩性时，预测孔隙压力的传统方法受到限制。在本文中，使用机器学习算法和有效应力定理来建立岩石物理参数和孔隙压力之间的转换模型。本研究收集了三口井的数据。Well 1有881个用于模型训练的数据集，Wells 2和3具有538和464个数据集用于模型测试。在本文中，选择了支持向量机（SVM），随机森林（RF），极端梯度提升（XGB）和多层感知器（MLP）作为孔隙压力建模的机器学习算法。In addition, this paper uses the grey wolf optimization (GWO) algorithm, particle swarm optimization (PSO) algorithm, sparrow search algorithm (SSA), and bat algorithm (BA) to establish a hybrid machine learning optimization al- gorithm, and proposes an improved grey wolf optimization (IGWO) algorithm.IgWO-MLP模型通过使用5倍的交叉验证方法来获得训练数据，从而获得了最小根平方误差（RMSE）。对于井2和3井中的孔隙压力数据，SVM，RF，XGB和MLP的确定系数（R 2）为0.9930和0.9446、0.9943和0.9943和0.9472、0.9472、0.9945和0.9945和0.9488、0.9949、0.9949、0.9949和0.9949和0.9574。MLP在训练和测试数据上都达到了最佳性能，MLP模型显示出高度的概括。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.表明IGWO-MLP是孔隙压力的极好预测指标，可用于预测孔隙压力。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
奥斯陆地区硬岩隧道引起的渗水、注浆和孔隙压力降低分析
由于地面条件恶劣，软质海洋粘土沉积物下为坚硬的基岩，斯堪的纳维亚半岛的许多地下项目都面临着隧道进水沉降风险的挑战。这些充满粘土的洼地中的孔隙压力降低会对附近的建筑物造成损坏，这是奥斯陆基础设施建设的主要风险之一。本文介绍了奥斯陆地区 44 条隧道的大量数据库，这些隧道建于 1975 年至 2020 年之间。数据包括开挖前注浆后测得的进水量、孔隙压力降低、开挖前注浆工作量和地质参数。对数据进行分析以确定关键参数之间的趋势和关系，例如给定进水率的预期孔隙压力降低和获得给定注浆区水力传导率所需的注浆工作量。分析表明，在未来的项目中，有必要将重点放在孔隙压力监测上，而不是进水，以降低不可接受的孔隙压力降低的风险。提出了如何优化开挖前灌浆的监测和跟踪以确保满足所需的防水性的建议。
奥斯陆地区硬岩隧道引起的渗水、注浆和孔隙压力降低分析
由于地面条件恶劣，软质海洋粘土沉积物下为坚硬的基岩，斯堪的纳维亚半岛的许多地下项目都面临着隧道进水沉降风险的挑战。这些充满粘土的洼地中的孔隙压力降低会对附近的建筑物造成损坏，这是奥斯陆基础设施建设的主要风险之一。本文介绍了奥斯陆地区 44 条隧道的大量数据库，这些隧道建于 1975 年至 2020 年之间。数据包括开挖前注浆后测得的进水量、孔隙压力降低、开挖前注浆工作量和地质参数。对数据进行分析以确定关键参数之间的趋势和关系，例如给定进水率的预期孔隙压力降低和获得给定注浆区水力传导率所需的注浆工作量。分析表明，在未来的项目中，有必要将重点放在孔隙压力监测上，而不是进水，以降低不可接受的孔隙压力降低的风险。提出了如何优化开挖前灌浆的监测和跟踪以确保满足所需的防水性的建议。