Бурение имеет решающее значение в разработке нефтегазовых ресурсов. Эффективное бурение является важным фактором снижения экономических потерь, а также снижения воздействия такого бурения на окружающую среду.

Одним из ключевых компонентов эффективного бурения является понимание скорости проходки или скорости проходки. Стоимость бурения на суше варьируется от 200 000 до 310 000 долларов США в день, тогда как стоимость бурения на море может достигать 800 000 долларов США в день. Максимальное увеличение скорости проходки сокращает количество дней, необходимых для бурения, что снижает общую стоимость, а также снижает косвенное воздействие на землю и окружающую среду в целом.

Данные

Сервисные компании обычно собирают большой объем данных о бурении в процессе бурения. Кроме того, часто регистрируются петрофизические каротажи. Скорость, с которой сверло может прорезать такой материал, как камень, зависит от сверла и самого материала. Например, при бурении через песчаник ожидается другая МСП, чем при бурении через известняк. Прогнозирование состава грунта и породы может быть очень ценным в процессе бурения. Это будет рассмотрено в следующем посте, но для целей данной статьи мы сосредоточимся на точном прогнозировании скорости проходки исключительно на основе данных бурения.

При рассмотрении характеристик данных бурения МСП бура является прямой функцией атрибутов бурения, таких как крутящий момент на поверхности, нагрузка на долото, нагрузка на крюк, а также информация о буровом растворе и стволе скважины, такая как время закачки, давление стояка, приток бурового раствора. В то время как физика может помочь определить точки данных или особенности, которые должны непосредственно влиять на скорость проходки, машинное обучение позволяет нам анализировать закономерности в этих точках данных.

Машинное обучение

В этом конкретном случае мы пытаемся предсказать значение или, в частности, значение ROP. Таким образом, в машинном обучении будет использоваться алгоритм регрессии.

Взяв данные о бурении за один проход из набора данных о бурении Volve, мы извлекли ключевые характеристики, указанные выше, а также известную скорость проходки для изучения. Мы загрузили данные в Elipsa, выбрав столбец ROP в качестве значений для изучения, а остальные точки данных в качестве функций или данных для изучения.

Платформа Elipsa без кода выполняет автоматизированный эксперимент по науке о данных, выполняя такие задачи, как разделение данных, нормализацию и т. д., а затем строит серию моделей машинного обучения на данных скважины. Затем данные тестирования автоматически сравниваются с моделью, а полученные модели сортируются на основе результатов прогнозирования этих невидимых данных.

В нашем примере алгоритм дерева решений оказался наиболее точным при прогнозировании значений ROP. Результаты показывают, насколько близки были прогнозы в пределах определенных пороговых значений, а также показывают, какие точки данных наиболее важны для успеха окончательной модели.

Делать прогнозы по этой новой модели так же просто, как вызов API, что позволяет вашим существующим системам данных включить ИИ.

Взяв новый каротаж скважины, мы сравниваем данные с моделью, чтобы спрогнозировать скорость проходки. Как видно из результатов, большинство прогнозируемых результатов совпадают с фактическими.

Оптимизация ROP

Как мы видели, с помощью машинного обучения мы можем точно прогнозировать скорость бурения на основе данных бурения и каротажа бурового раствора. Однако эти журналы также включают текущую ROP. Итак, вы можете спросить, в чем ценность предсказания того, что уже известно в режиме реального времени.

Чтобы извлечь максимальную пользу из этих прогнозов, мы стремимся не только предсказать ROP на основе текущих значений данных, но и понять, как ROP будет меняться при изменении значений. Затем этот фокус позволяет нам понять, какие изменения можно внести, чтобы максимизировать ROP.

Некоторые точки данных, используемые в нашей модели, зависят от окружающей среды, окружающей долото. Хотя они дают много информации, полезной для прогнозирования ROP, мы не можем их изменить. Однако, если мы можем взять текущие точки данных вместе с точками данных, которые мы можем изменить, такими как крутящий момент, мы можем оптимизировать конфигурацию бурения, чтобы получить максимальную скорость проходки для текущих условий.

В результате теперь получается не просто прогноз, а контролируемое изменение, помогающее ускорить бурение в зависимости от условий в реальном времени.

Краткое содержание

Бурение скважин является одним из самых дорогих и экологических аспектов добычи нефти и газа. Машинное обучение может помочь компаниям повысить скорость бурения, получая в режиме реального времени информацию о каротажных диаграммах и бурении, чтобы оптимизировать конфигурацию бурения. Результат может иметь ошеломляющее влияние на экономический успех и воздействие нефтяной скважины на окружающую среду.

Elipsa — лидер в разработке полностью автоматизированных масштабируемых решений на основе искусственного интеллекта для промышленных приложений Интернета вещей. Интеллектуальная платформа мониторинга Elipsa легко развертывается в любом рабочем процессе на периферии или в облаке, повышая доступность и производительность критически важного оборудования. Самообучающиеся модели искусственного интеллекта Elipsa и дополнительный подход обеспечивают простое, быстрое и гибкое развертывание искусственного интеллекта. Чтобы узнать больше, посетите https://www.elipsa.ai