Модель и алгоритм прогнозирования прихвата технологического инструмента по глубине ствола скважины на основе четырехмодульной нейронной сети
Автор: Кодиров Шахбоз Шарифович, Шестаков Александр Леонидович
Рубрика: Автоматизированные системы управления технологическими процессами
Статья в выпуске: 1 т.22, 2022 года.
Бесплатный доступ
Прихват технологического инструмента считается одним из самых капиталоемких видов аварий в бурении нефтяных и газовых скважин, которые оказывают существенное влияние на стоимость скважины. Прогнозирование прихвата технологического инструмента на стадии проектирования и в процессе бурения скважин позволяет минимизировать риски их возникновения, а также позволяет выбирать оптимальный способ предупреждения их возникновения для конкретных геолого-технических условий. Работа посвящена модели и алгоритму прогнозирования прихвата технологического инструмента по глубине ствола скважины на основе 4-модульной нейронной сети. В работе приведена классификация группы методов прогнозирования прихвата, а также критический обзор существующих методов. В работе приводится метод преобразования элементов входных данных на примере текстовых и категориальных типов данных. Благодаря этому в модели представляется возможность включения в перечень элементов входных данных ранее не воспринимаемые моделями такие геологические параметры, как типы горных пород, которые являются одним из важнейших факторов, влияющих на процесс возникновения прихват. С целью формирования перечня значимых элементов входных данных представлен расчет коэффициентов корреляции между элементами входных данных и целевыми переменными. Экспериментальным методом выбирается тип и архитектура, а также гиперпараметры модульной нейронной сети. На основе обученной и проверенной 4-модульной модели прогнозирования предлагается алгоритм проведения процедуры прогнозирования прихвата на стадии проектирования и бурения скважины. Отличительной особенностью предлагаемого метода является то, что в модели прогнозирования в качестве элементов входных данных применяется широкий диапазон универсальных факторов, таких как геологические, технологические и реологические параметры бурового раствора, а также технико-технологические свойства и параметры бурения, влияющие на процесс возникновения всех типов прихват. Предложенная модель в перспективе имеет возможность дообучаться и адаптироваться к новым данным, что часто происходит при бурении скважин на новых месторождениях.
Классификация прихватов, методы распознавания и прогнозирования прихвата технологического инструмента, модульные нейронные сети, многослойный персептрон, структурная регуляризация dropout, алгоритм прогнозирования прихвата технологического инструмента, корреляционная матрица
Короткий адрес: https://sciup.org/147236508
IDR: 147236508 | УДК: 004.032.26 | DOI: 10.14529/ctcr220111
Model and algorithm for predicting technological tool sticking by wellbore depth based on the four-module neural network
Sticking the technological tools is considered one of the most capital-intensive types of accidents in oil and gas well drilling, which have a significant impact on the cost of the well. The prediction of stuck tools at the design stage and in the process of drilling allows to minimize the risks of its occurrence, and also allows to choose the optimal method of prevention for specific geological and technical conditions. The work is devoted to the model and algorithm of predicting technological tool sticking by the wellbore depth based on a 4-module neural network. In the work presented classification of a group of methods for predicting sticking and the main disadvantages of existing methods. In the paper is presented the method of transformation the input data elements, on the example of textual and categorical data types. Due to this, it is possible to include into the list of input data elements such geological parameters as rock types, which are one of the most important factors influencing the process of sticking tools, and previously not perceived by models. In order to form a list of significant input data elements, the calculation of correlation coefficients between input data elements and target variables is presented.The type and architecture, as well as the hyperparameters of the modular neural network are chosen experimentally. Based on the trained and tested 4-module prediction model, we propose an algorithm for conducting a sticking tool prediction procedure at the design and drilling stage of the well. A specific feature of the proposed method is that the prediction model uses a wide diapason of universal factors as input data elements, such as geological, technological and rheological parameters of drilling mud as well as technical and technological parameters of drilling influencing the process of all types of stuck tools. Model in perspective has the ability to retrain and adapt to new data, which often happens when drilling wells in new fields.
Список литературы Модель и алгоритм прогнозирования прихвата технологического инструмента по глубине ствола скважины на основе четырехмодульной нейронной сети
- Muqeem M.A., Weekse A.E., Al-Hajji A.A. Stuck Pipe Best Practices – A Challenging Approach to Reducing Stuck Pipe Costs // Presented at the SPE Saudi Arabia Section Technical Symposium and Exhibition. Al-Khobar, Saudi Arabia. 2012. P. 1–10. doi: 10.2118/160845-MS.
- Alshaikh A.A., Albassam M.K., Al Gharbi S.H., Al-Yami A.S. Detection of Stuck Pipe Early Signs and the Way Toward Automation // Society of Petroleum Engineers. 2018. P. 1–10. doi: 10.2118/192975-MS.
- Shahbazi K., Shahri M.P. The development of a window for stuck pipe prediction // Petroleum Science and Technology. 2012. Vol. 30, iss. 2. P. 176–192. doi: 10.1080/10916461003792302.
- Miri R., Sampaio J.H.B., Afshar M., Lourenco A. Development of Artificial Neural Networks to Predict Differential Pipe Sticking in Iranian Offshore Oil Fields // Society of Petroleum Engineers. 2007. P. 1–15. doi: 10.2118/108500-MS.
- Heinze L., Al-Baiyat I.A. Implementing Artificial Neural Networks and Support Vector Machines in Stuck Pipe Prediction // Society of Petroleum Engineers. Kuwait. 2012. P. 1–13. doi: 10.2118/163370-MS.
- Jahanbakhshi R., Keshavarzi R., Jahanbakhshi R. Intelligent Prediction of Wellbore Stability in Oil And Gas Wells: An Artificial Neural Network Approach // Presented at the 46th U.S. Rock Mechanics. Geomechanics Symposium. Chicago, Illinois. 2012. P. 1–9. ARMA-2012-243.
- Morteza E.N., Peyman E., Saeid J. Prediction of drilling pipe sticking by active learning method (ALM) // Academic Journals. Journal of Petroleum and Gas Engineering. 2013. Vol. 4(7). P. 173–183. doi: 10.5897/JPGE2013.0166.
- Shoraka S.A.R., Shadizadeh S.R., Shahri M.P. Prediction of Stuck Pipe in Iranian South Oil Fields Using Multivariate Statistical Analysis // Society of Petroleum Engineers. 2011. P. 1–10. doi: 10.2118/151076-MS.
- Murillo A., Neuman J., Samuel R. Pipe sticking prediction and avoidance using adaptive fuzzy logic and neural network modeling // Paper presented at Production and Operations Symposium held in Oklahoma City, Oklahoma, USA. 2009. P. 1–15. SPE-120128.
- Самотой А.К., Воротнюк О.В. Анализ априорных данных о факторах, действующих при прихвате колонны труб // Тр. ВНИИБТ. Борьба с осложнениями при бурении скважин. 1973. Вып. 7. С. 25–32.
- Аветисов А.Г., Ахмадуллин М.М., Самотой А.К. Прогнозирование, предупреждение и ликвидация прихватов с использованием статистических методов // Тематический научно-технический обзор. М.: ВНИИОЭНГ. 1977. С. 62–73.
- Мирзаджанзаде А.Х., Аветисов А.Г., Булатов А.И. и др. Методические указания по применению статистических методов в бурении нефтяных и газовых скважин. Краснодар, 1983. 72 с.
- Кодиров Ш.Ш., Шестаков А.Л. Разработка искусственной нейронной сети для прогнозирования прихватов колонн бурильных труб // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2019. Т. 19, № 3. С. 20–32. doi: 10.14529/ctcr190302
- Пат. 2735794 Российская Федерация, МПК G06N 3/08 (2006.01). Способ прогнозирования прихватов бурильных труб / А.Л. Шестаков, Ш.Ш. Кодиров; заявитель ЮУрГУ (НИУ). № 2020121477; заявл. 23.06.2020; опубл. 09.11.2020. 23 с.
- Qodirov S., Shestakov A. Development of Artificial Neural Network for Predicting Drill Pipe Sticking in Real-Time Well Drilling Process // 2020 Global Smart Industry Conference (GloSIC). Chelyabinsk, Russia. 2020. P. 139–144. doi: 10.1109/GloSIC50886.2020.9267873.
- Toreifi H., Rostami H., Manshad A.K. New method for prediction and solving the problem of drilling fluid loss using modular neural network and particle swarm optimization algorithm // Journal of Petroleum Exploration and Production Technology. 2014. Vol. 4. P. 371–379. doi: 10.1007/s13202-014-0102-5.
- Shukla A., Tiwari R., Kala R. Modular Neural Networks. In: Towards Hybrid and Adaptive Computing. Studies in Computational Intelligence, vol. 307. Springer, Berlin, Heidelberg; 2010. P. 307–335. doi: 10.1007/978-3-642-14344-1_14.
- Кошелева Н.Н. Корреляционный анализ и его применение для подсчета ранговой корреляции Спирмена // Актуальные проблемы гуманитарных и естественных наук. 2012. № 5. С. 23–26.
- Francois Ch. Deep Learning with Python. Manning Publications, 2017. 386 p.
- McMahan B., Rao D. Natural Language Processing with PyTorch: Build Intelligent Language Applications Using Deep Learning. O'Reilly Media, Inc., 2020. 337 p.
- Wani M.A., Bhat F.A., Afzal S., Khan A.I. Advances in Deep Learning. Studies in Big Data, vol. 57. Springer Singapore, 2020. 159 p. doi: 10.1007/978-981-13-6794-6.
