Розробка покращеної моделі крутного моменту та опору за допомогою машинного навчання для оптимізації ефективності свердління
DOI:
https://doi.org/10.15587/1729-4061.2025.312989Ключові слова:
крутний момент і опір, машинне навчання, ефективність буріння, прогнозування параметрів буріння, нейронна мережаАнотація
Об’єктом дослідження є процес буріння. Головне – забезпечити безпечні та ефективні операції буріння шляхом проактивного виявлення та усунення критичних аномалій, таких як застряглі труби, які спричиняють простої, збільшують витрати та погіршують продуктивність.
Модель машинного навчання, що поєднує багатошаровий персептрон і XGBoost, була розроблена для прогнозування таких критичних параметрів, як вага гака, мінімальна вага на долоті, ефективне натягнення та крутний момент на долоті. Модель досягла 86 % точності у виявленні аномалій буріння, включаючи синусоїдальний і спіральний вигин. Це дозволило вчасно вжити коригувальних заходів і підвищити ефективність буріння.
Точність моделі зумовлена її здатністю обробляти великі масиви даних і фіксувати складні нелінійні зв’язки між параметрами буріння. Навчаючись як на історичних даних, так і на польових даних у реальному часі, він може вивчати закономірності, які важко виявити за допомогою традиційних інструментів, що дозволяє передбачити аномалії буріння в режимі реального часу.
Відмінною рисою цієї моделі є її адаптивність до нових даних, а також її здатність передбачати складні явища, такі як гвинтові прогинання та коливання крутного моменту, які є складними для традиційних методів. На відміну від звичайних моделей, які потребують ручного налаштування, ця модель постійно навчається на основі даних, удосконалюючи з часом і за різних умов.
Модель може бути застосована практично в бурових операціях у реальному часі для оптимізації параметрів буріння, зниження ризику застрягання труб і мінімізації непродуктивного часу
Посилання
- Miguel Pérez-Enciso, Laura M. Zingaretti, A Guide for Using Deep Learning for Complex Trait Genomic Prediction, Genes, Barcelona-Spain, Genes 2019, 10, 553; doi:10.3390/genes10070553
- Johancsik, C.A., D.B. Friesen, and Rapier Dawson. 1984. Torque and Drag in Directional WellsPrediction and Measurement. Journal of Petroleum Technology 36(6): 987–992.
- Maidla, E. E. and Wojtanowicz, A.K. 1987. Field Comparison of 2-D and 3-D Methods for the Borehole Friction Evaluation in Directional Wells. Presented at 62nd SPE Annual Technical Conference, Dallas, Texas, September.
- Behounek, M., Hofer, E., Thetford, T., White, M., Yang, L., & Taccolini, M. (2017, March 14). Taking a Different Approach to Drilling Data Aggregation to Improve Drilling Performance. Society of Petroleum Engineers. doi: 10.2118/184741-MS
- James, G., Witten, D., Hastie, T., & Tibshirani, R. 2013. An introduction to statistical learning. New York: springer.
- Efron, B. and Tibshirani. R. 1994. An Introduction to the Bootstrap. New York: Chapman & Hall. Hadley Wickham and Romain Francois (2015). dplyr: A Grammar of Data Manipulation. R package version 0.4.1. http://CRAN.R-project.org/packagedplyr
- Breiman L. Random Forests[J].Machine Learning,2001,45(1):5-32.
- Wallace, Hegde and Gray (2015). System for Real Time Drilling Performance Optimization and Automation Based on Statistical Leanring Methods. Presented at SPE Middle East Intelligent Oil & Gas Conference & Exhibition, Abu Dhabi, United Arab Emirates, 15-16 September. SPE 176804.
- Burges, C. 1998. A Tutorial on Support Vector Machines for Pattern Recognition. Data mining and knowledge discovery 2(2): 121–167.
- Ashok, P., Ambrus, A., Ramos, D., Lutteringer, J., Behounek, M., Yang, Y. L., ... Weaver, T. (2016, September 6). A Step by Step Approach to Improving Data Quality in Drilling Operations: Field Trials in North America. Society of Petroleum Engineers. doi: 10.2118/181076-MS
- Mojtaba Shahri, Timothy Wilson, Taylor Thetford, Brian Nelson, and Michael Behounek, Apache Corp.; Adrian Ambrus, Intellicess, Norwegian Re, Implementation of a Fully Automated Real-Time Torque and Drag Model for Improving Drilling Performance: Case Study , 018 SPE Annual Technical Conference and Exhibition held in Dallas, Texas, 24-26 September 2018, SPE-191426-MS
- Kankan Bai*1, Honghai Fan1, Hongbao Zhang2,1, Fei Zhou1, Xingang Tao1, Real Time Torque and Drag Analysis by Combining of Physical Model and Machine Learning Method, Unconventional Resources Technology Conference held in Houston, Texas, USA, 20-22 June 2022, DOI 10.15530/urtec-2022-3723045
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Aizada Sharauova, Dinara Delikesheva, Asset Kabdula, Sharau Kadirbek, Nurlan Zaripov
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
