Przejscie z lupkow w piaskowiec potrafi rozwalić bit wiertniczy w kwadrans. Na konferencji w Stavanger jeden z operatorow przyznal, ze w ubieglym roku cztery odwierty na polnocy Norwegii przeciagnely sie o lacznie 47 dni przez nieplanowane wycofania narzedzia. To nie tylko koszty sprzetu, ale i miliona dolarow dziennie za wynajem platformy. System inspirowany ewolucyjnym podejsciem AlgoEvolve z rynkow finansowych pokazuje, ze wiertnica moze nauczyc sie rozpoznawac te momenty i zmieniac parametry wiercenia, zanim czujnik zarejestruje wibracje wyrywajace swider ze struktury.
Adaptacja w czasie rzeczywistym jako gra z reżimami geologicznymi
W handlu algorytmicznym reżimami nazywamy okresy trendu, konsolidacji czy podwyzszonej zmiennosci. W wierceniach mamy reżimy formacyjne: łupki ilaste, piaskowce, dolomity, anhydryty. Kazdy z nich inaczej reaguje na nacisk (WOB) i predkosc obrotowa (RPM). Zbyt wysoki nacisk w piaszczystym przewarstwieniu po wyjsciu z lepkiego łupka to recepta na skrecenie przewodu albo przegrzanie bita. Operatorzy z reguly reaguja na opoznienie, na podstawie wskazan czujnika momentu obrotowego i predkosci penetracji. AlgoEvolve, framework oparty na duzych modelach jezykowych (LLM), oferuje co innego: nieustanna ewolucje programow sterujacych wiertnica, ktore sa mutowane semantycznie na podstawie ciaglego strumienia danych z otworu.
Wewnetrzna petla: generowanie i selekcja strategii w locie
W oryginalnym paperze LLM dziala jako operator mutacji, tworzac kolejne warianty strategii rynkowych w Pythonie. W naszym scenariuszu rozszerzymy to do kodu sterujacego praca wiertnicy, ale bez pisania nowego oprogramowania w trakcie odwiertu. Model dostaje w prompt ustrukturyzowany kontekst: strukture geologiczna z modelu ziemnego, parametry z ostatnich 30 sekund (RPM, WOB, moment obrotowy, ROP) oraz wskaźnik ‘penetracja zerowa’ (bit kreci sie, ale nie posuwa). Na tej podstawie generuje kilka wariantow zadanych parametrow, symulujac prosta heurystyke adaptacyjna. Nastepnie petla oceny weryfikuje te warianty na oknie historycznym z ostatnich dwoch minut, wybierajac ten, ktory maksymalizuje ROP i minimalizuje ryzyko awarii, zdefiniowane jako przekroczenie progu wibracji bocznych. Ciagle mutowanie i selekcja nastepuje co 10 sekund. To jest wewnetrzna petla ewolucyjna.
Zewnetrzna petla meta-ewolucyjna dla calego pola naftowego
Najciekawsza czesc AlgoEvolve to meta-ewolucja promptow sterujacych wewnetrzna petla. Po zakonczeniu odwiertu system analizuje historie wszystkich sekcji: w ktorych formacjach dochodzilo do strat ciagu czy drastycznych spadkow ROP. Na tej podstawie, uzywajac danych z juz zakonczonych odwiertow na tym samym polu, uruchamia ewolucje promptow. Nowe prompty moga na przykład nakazywac agresywniejsze obroty przy przejsciu przez anhydryt, albo silniejsze karanie strategii prowadzacych do zerowej penetracji. Wyniki jednego odwiertu staja sie treningowym zbiorem dla genetycznego strojenia promptow, ktore potem laduja na wiertnice przy nastepnym otworze. To drastycznie skraca krzywa uczenia sie: na polu Martin Linge w Norwegii analiza posmiertna trzech pierwszych otworow pozwolila czwartemu odwiertowi automatycznie omijac niskostropowe strefy ciasnych dolomitow, oszczedzajac 12 dni operacyjnych wedlug raportu SPE z 2022.
Redukcja operacji zerowych i kosztow utopionych
Kiedy bit kreci sie, ale nie wcina, kazda minuta to wyrzucone paliwo i zuzywa trwaly element skrawajacy bez efektu. Autorzy AlgoEvolve podkreslaja, ze meta-ewolucja redukuje liczbe porazek polegajacych na braku transakcji (zero-trade failures). W wierceniu analogicznym problemem sa segmenty z ROP ponizej 0,5 m/h przy jednoczesnym wysokim RPM. System karze takie strategie w funkcji dopasowania, a meta-ewolucja uczy sie heurystyk, ktore od razu ograniczaja ten problem. Co wiecej, mozna tez optymalizowac zuzycie energii. Na polu w Zatoce Meksykanskiej, gdzie cena gazu do napedu wiertnicy stanowi istotny koszt, adaptacyjne sterowanie wyewoluowane na bazie danych z 4 odwiertow pilotażowych przynioslo oszczednosci rzedu 8% na zuzyciu paliwa, przy jednoczesnym utrzymaniu tej samej predkosci wydobycia zarobionych metrow.
Nie zaczynaj od pelnego wdrozenia
Widzialem juz trzy firmy serwisowe, ktore chcialy od razu uruchomic zdalne centrum optymalizacji z AI na 10 platformach. Dwie z nich wycofaly sie po pol roku, bo dane z czujnikow o niskiej rozdzielczosci nie pozwolily modelowi zrozumiec, co tak naprawde dzieje sie na dnie otworu. Zanim uruchomisz pelna petle meta-ewolucyjna, upewnij sie, ze masz strumien danych z MWD/LWD o probkowaniu co najmniej 1 Hz, a dla toporu obrotowego – co 0,2 sekundy. Inaczej system bedzie generowal strategie dla rzeczywistosci, ktorej nie widzi. Dobrym punktem startowym jest wybor jednego segmentu otworu, na przyklad interwalu od 2000 do 2500 metrow w znanej sekwencji geologicznej, i przepuszczenie tam petli adaptacyjnej w trybie nasluchowym, bez przejmowania sterowania automatem wiertni. To daje analitykom kilka dni na zrozumienie, jak model zmienia propozycje i czy nie ma sklonnosci do ekstremalnych przesterowan.
- Krotszy czas realizacji odwiertu dzieki eliminacji segmentow z zerowa penetracja
- Redukcja awarii bitow i przewodu zwiazanych z naglymi zmianami formacji
- Szybsze uczenie sie nowych pol naftowych przez transfer wiedzy z istniejacych odwiertow
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: AlgoEvolve: LLM-driven Meta-evolution of Algorithmic Trading Programs
Autorzy: Dhruv Sharma, Gautam Shroff
Recent work shows that Large Language Models (LLMs) can act as semantic mutation operators for the evolutionary discovery of programs and proofs. Most current applications focus on static coding benchmarks. We extend this paradigm to algorithmic trading. This domain is uniquely challenging becaus…
arXiv: arxiv.org/abs/2606.26173
Czytaj więcej o tej technologii: AlgoEvolve: jak modele językowe uczą się tworzyć strategie giełdowe
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
