انجمن ژئومکانیک نفت ایران نشریه ژئومکانیک و ژئوانرژی 2538-4651 9 1 2026 05 22 Real-Time Prediction of Drill String Stuck Type and Probability using Machine Learning and Drilling Data on an Iranian Oil Field پیش‌بینی لحظه‌ای نوع و احتمال گیر رشته حفاری با استفاده از یادگیری ماشین و داده‌های حفاری در یک میدان نفتی در ایران 24 35 254007 10.22107/ggj.2026.600160.1272 FA سجاد تیزابی مشهدی دانشگاه صنعتی شاهرود احمد رمضان‌زاده دانشگاه صنعتی شاهرود عباس روحی شرکت نفت و گاز پارس محمد مهراد دانشگاه صنعتی شاهرود ژیان َشی دانشگاه نفت چین Journal Article 2026 03 24 Drill string stuck pipe remains a pervasive and costly Non-Productive Time (NPT) challenge in petroleum operations. While the previous studies have often focused on binary stuck/non-stuck prediction using low-resolution daily reports, this research introduces two key innovations: (1) the utilization of high-resolution Mud Logging data to capture subtle pre-failure signatures, and (2) a novel unsupervised labeling methodology using K-Means clustering to identify the specific stuck mechanisms (Wellbore Geometry, Differential Pressure, and Hole Packing), a critical step given the absence of physical labels in field data. Daily drilling reports from 28 wells were initially screened; however, the predictive models were developed using high-resolution mud logging data from 8 wells selected for data completeness, providing a methodological framework for real-time classification. For the binary early warning task, the Coarse Gaussian Support Vector Machine (SVM) demonstrated superior reliability, achieving the lowest count of critical False Negatives (FN=1) on the test set. For the multi-class mechanism identification task, the Linear SVM (while the Differential Pressure mechanism remained unresolved with the available surface data) proved optimal, achieving perfect classificationon the distinguishable classes on all distinguishable stuck types (Wellbore Geometry and Hole Packing) and an overall accuracy of 98 percent. This framework validates that the combination of high-resolution data with unsupervised labeling provides a computationally efficient and reliable foundation for deployment on the driller's panel, enabling proactive operational adjustments and significantly reducing NPT. گیر رشته حفاری همچنان یکی از چالش‌های فراگیر و پرهزینه‌ی زمان غیرمولد (NPT) در عملیات حفاری چاه‌های نفت و گاز است. در حالی که پژوهش‌های پیشین عمدتاً بر پیش‌بینی دوحالته (گیر/عدم گیر) با تکیه بر گزارش‌های روزانه‌ی حفاری با تفکیک زمانی پایین متمرکز بوده‌اند، این پژوهش دو نوآوری کلیدی را معرفی می‌کند: (۱) بهره‌گیری از داده‌های مادلاگ (گل‌نگاری) با تفکیک بالا برای ثبت نشانه‌های ظریف پیش‌از وقوع گیر، و (۲) روش نوین برچسب‌گذاری بدون نظارت با استفاده از خوشه‌بندی K-Means جهت استخراج شبه‌برچسب‌های دارای تفسیر فیزیکی برای مکانیزم‌های اصلی گیر (هندسه چاه، اختلاف فشار و پرشدگی/بسته‌شدن چاه)؛ گامی حیاتی با توجه به فقدان برچسب‌های فیزیکی معتبر در داده‌های میدانی. گزارش‌های روزانه‌ی حفاریِ ۲۸ حلقه چاه از یکی از میادین نفتی فعال ایران در مرحله‌ی نخست غربالگری شدند، اما مدل‌های پیش‌بین نهایی بر پایه‌ی داده‌های مادلاگ با تفکیک بالای ۸ حلقه چاه که به‌دلیل کامل‌بودن داده‌ها انتخاب شدند، توسعه یافتند. در مسئله‌ی هشدار زودهنگام دوحالته، ماشین بردار پشتیبان با هسته‌ی گوسی درشت (Coarse Gaussian SVM) کم‌ترین شمار منفی‌های کاذب بحرانی (FN = 1؛ شناسایی ۱۴ رویداد گیر از ۱۵ رویداد مجموعه‌ی آزمون) را به دست آورد. در مسئله‌ی شناسایی مکانیزم گیر (طبقه‌بندی چندکلاسه)، ماشین بردار پشتیبان خطی به بازیابی (Recall) صددرصد برای انواع گیرِ قابل تفکیک (هندسه چاه و پرشدگی چاه) و دقت کلی ۹۸ درصد دست یافت، در حالی که مکانیزم اختلاف فشار با داده‌های سطحی به‌تنهایی تفکیک‌ناپذیر باقی ماند. معیارهای استاندارد طبقه‌بندی (دقت، بازیابی، امتیاز F1 و ضریب همبستگی متیوس، MCC) در کنار تحلیل ماتریس درهم‌ریختگی گزارش شده‌اند. نتایج نشان می‌دهند که ترکیب داده‌های با تفکیک بالا و شبه‌برچسب‌گذاری بدون نظارت، پایه‌ای کم‌هزینه از نظر محاسباتی و با پتانسیل قوی برای پشتیبانی تصمیم‌گیری بلادرنگ روی پنل حفاری فراهم می‌کند؛ دستاوردی که اعتبارسنجی آن بر روی چاه‌های مستقل، نیازمند پژوهش‌های آتی است. http://www.irpga-journal.ir/article_254007_abeacba57a904095ae4aae799bced579.pdf