Определение поломок резцов PDC с помощью регрессионного и нейросетевого моделирования; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 330, № 5
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов/ Национальный исследовательский Томский политехнический университет (ТПУ).— , 2015-.— 2413-1830 Т. 330, № 5.— 2019.— [С. 169-177] |
|---|---|
| Main Author: | |
| Corporate Author: | |
| Other Authors: | , |
| Summary: | Заглавие с титульного листа Актуальность. В процессе бурения скважин буровые долота, армированные пластинами PDC, отрабатывают свой ресурс не полностью, так как часть режущих PDC элементов выходит из строя по причине их скола, слома или потери, что в значительной степени сказывается на конечных технико-экономических показателях бурения скважин. Цель: разработка и предложение нейросетевой модели для решения проблемы определения процента поломок режущих элементов буровых долот, армированных PDC, на основе имеющихся полевых данных бурения скважин по породам VI–VIII категории по буримости. Объекты: причины, вызывающие выход из строя пластин PDC на буровых долотах в процессе бурения скважин в породах VI–VIII категории по буримости в зависимости от режимных параметров бурения. Методы. В качестве факторов для определения процента поломок использовалась нагрузка на долото (P, кН), частота его вращения (N, об/мин) и скорость бурения (V, м/час) при неизменных значениях параметров промывочной жидкости и компоновки низа бурильной колонны. Для анализа данных применялись регрессионные и нейросетевые модели различных конфигураций. Результаты. Анализ регрессионных моделей показал их непригодность из-за нелинейного характера скорости бурения при низких давлениях и высоких оборотах. Авторами предложена двухступенчатая нейросетевая модель, в которой первая нейронная сеть (Neural Network) служит для определения скорости бурения, а вторая – для прогнозирования процента поломок пластин PDC. Ошибки нейросетевого ансамбля на тестовых данных не превышают величину пригодности нелинейных моделей, равную 4,5 % для относительной ошибки и 12–15 % для максимальной величины. Предложенная нейросетевая модель может найти применение при разработке технологического регламента отработки долот, армированных резцами PDC. The relevance. While drilling, the drill bits reinforced with PDC plates do not fully work out their life, as part of the cutting PDC elements fails due to their chipping, breakage or loss, which largely affects the final technical and economic indicators of well drilling. The aim of the research is to develop and to propose a neural network model to solve the problem of determining the percentage of breakage of cutting elements of drill bits reinforced with PDC, based on the available field data of drilling wells on rocks of VI-VIII category of drilling capacity. Objects: the reasons causing failure of PDC plates on drill bits in well drilling in rocks of VI-VIII category of drilling capacity depending on the operating parameters of drilling. Methods. The load on the bit, its speed and drilling speed were used as the determining factors for defining the percentage of breakdowns at constant values of the parameters of the washing liquid and bottom/hole assembly. Regression and neural network models of different configurations were used for data analysis. Result. The analysis of regression models showed their unsuitability due to the nonlinear nature of the drilling speed at low pressures and high rpm. The authors proposed a two/stage neural network model in which the first neural network is used to determine the drilling speed, and the second - to predict the percentage of PDC plate breakdowns. Errors of the neural network ensemble on the test data do not exceed the values of the suitability of nonlinear models - 4,5 % for the relative error and 12-15 % of its maximum value. The proposed neural network model can be used in the development of technological regulations of working bits reinforced with PDC cutters. |
| Language: | Russian |
| Published: |
2019
|
| Subjects: | |
| Online Access: | http://earchive.tpu.ru/bitstream/11683/53436/1/bulletin_tpu-2019-v330-i5-17.pdf https://doi.org/10.18799/24131830/2019/5/275 |
| Format: | MixedMaterials Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=342986 |
MARC
| LEADER | 00000nla2a2200000 4500 | ||
|---|---|---|---|
| 001 | 342986 | ||
| 005 | 20231102005517.0 | ||
| 035 | |a (RuTPU)RU\TPU\book\372568 | ||
| 035 | |a RU\TPU\book\372566 | ||
| 090 | |a 342986 | ||
| 100 | |a 20190527d2019 k y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drgn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Определение поломок резцов PDC с помощью регрессионного и нейросетевого моделирования |f А. Я. Третьяк, А. В. Кузнецова, К. А. Борисов | |
| 203 | |a Текст |c электронный | ||
| 215 | |a 1 файл (634 Kb) | ||
| 230 | |a Электронные текстовые данные (1 файл : 634 Kb) | ||
| 300 | |a Заглавие с титульного листа | ||
| 320 | |a [Библиогр.: с. 174-175 (20 назв.)] | ||
| 330 | |a Актуальность. В процессе бурения скважин буровые долота, армированные пластинами PDC, отрабатывают свой ресурс не полностью, так как часть режущих PDC элементов выходит из строя по причине их скола, слома или потери, что в значительной степени сказывается на конечных технико-экономических показателях бурения скважин. Цель: разработка и предложение нейросетевой модели для решения проблемы определения процента поломок режущих элементов буровых долот, армированных PDC, на основе имеющихся полевых данных бурения скважин по породам VI–VIII категории по буримости. Объекты: причины, вызывающие выход из строя пластин PDC на буровых долотах в процессе бурения скважин в породах VI–VIII категории по буримости в зависимости от режимных параметров бурения. Методы. В качестве факторов для определения процента поломок использовалась нагрузка на долото (P, кН), частота его вращения (N, об/мин) и скорость бурения (V, м/час) при неизменных значениях параметров промывочной жидкости и компоновки низа бурильной колонны. Для анализа данных применялись регрессионные и нейросетевые модели различных конфигураций. Результаты. Анализ регрессионных моделей показал их непригодность из-за нелинейного характера скорости бурения при низких давлениях и высоких оборотах. Авторами предложена двухступенчатая нейросетевая модель, в которой первая нейронная сеть (Neural Network) служит для определения скорости бурения, а вторая – для прогнозирования процента поломок пластин PDC. Ошибки нейросетевого ансамбля на тестовых данных не превышают величину пригодности нелинейных моделей, равную 4,5 % для относительной ошибки и 12–15 % для максимальной величины. Предложенная нейросетевая модель может найти применение при разработке технологического регламента отработки долот, армированных резцами PDC. | ||
| 330 | |a The relevance. While drilling, the drill bits reinforced with PDC plates do not fully work out their life, as part of the cutting PDC elements fails due to their chipping, breakage or loss, which largely affects the final technical and economic indicators of well drilling. The aim of the research is to develop and to propose a neural network model to solve the problem of determining the percentage of breakage of cutting elements of drill bits reinforced with PDC, based on the available field data of drilling wells on rocks of VI-VIII category of drilling capacity. Objects: the reasons causing failure of PDC plates on drill bits in well drilling in rocks of VI-VIII category of drilling capacity depending on the operating parameters of drilling. Methods. The load on the bit, its speed and drilling speed were used as the determining factors for defining the percentage of breakdowns at constant values of the parameters of the washing liquid and bottom/hole assembly. Regression and neural network models of different configurations were used for data analysis. Result. The analysis of regression models showed their unsuitability due to the nonlinear nature of the drilling speed at low pressures and high rpm. The authors proposed a two/stage neural network model in which the first neural network is used to determine the drilling speed, and the second - to predict the percentage of PDC plate breakdowns. Errors of the neural network ensemble on the test data do not exceed the values of the suitability of nonlinear models - 4,5 % for the relative error and 12-15 % of its maximum value. The proposed neural network model can be used in the development of technological regulations of working bits reinforced with PDC cutters. | ||
| 453 | |t Determination of PDC cutter breakdowns using regression and neural network modeling |o translation from Russian |f A. Ya. Tretyak, A. V. Kuznetsova, K. A. Borisov |c Tomsk |n TPU Press |d 2015- |d 2019 |a Tretyak, Alexander Yakovlevich | ||
| 453 | |t Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering | ||
| 453 | |t Vol. 330, № 5 | ||
| 461 | 1 | |0 (RuTPU)RU\TPU\book\312844 |x 2413-1830 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |f Национальный исследовательский Томский политехнический университет (ТПУ) |d 2015- | |
| 463 | 1 | |0 (RuTPU)RU\TPU\book\372526 |t Т. 330, № 5 |v [С. 169-177] |d 2019 | |
| 610 | 1 | |a поломки PDC | |
| 610 | 1 | |a искусственная нейронная сеть | |
| 610 | 1 | |a регрессионная модель | |
| 610 | 1 | |a технологический регламент отработки долот | |
| 610 | 1 | |a торсионные вибрации | |
| 610 | 1 | |a электронный ресурс | |
| 610 | |a PDC breakdowns | ||
| 610 | |a artificial neural network | ||
| 610 | |a regression model | ||
| 610 | |a isolation | ||
| 610 | |a technological regulations of bit mining | ||
| 610 | |a torsional vibrations | ||
| 700 | 1 | |a Третьяк |b А. Я. |g Александр Яковлевич |6 z01712 | |
| 701 | 1 | |a Кузнецова |b А. В. |g Алла Витальевна |6 z02712 | |
| 701 | 1 | |a Борисов |b К. А. |g Константин Андреевич |6 z03712 | |
| 712 | 0 | 2 | |a Южно-Российский государственный политехнический университет (НПИ) |c (2013- ) |c (Новочеркасск) |2 stltpush |3 (RuTPU)RU\TPU\col\23278 |6 z01700 |9 28289 |
| 712 | 0 | 2 | |a Южно-Российский государственный политехнический университет (НПИ) |c (2013- ) |c (Новочеркасск) |2 stltpush |3 (RuTPU)RU\TPU\col\23278 |6 z02712 |9 28289 |
| 712 | 0 | 2 | |a Южно-Российский государственный политехнический университет (НПИ) |c (2013- ) |c (Новочеркасск) |2 stltpush |3 (RuTPU)RU\TPU\col\23278 |6 z03712 |9 28289 |
| 801 | 2 | |a RU |b 63413507 |c 20190528 |g RCR | |
| 856 | 4 | 1 | |u http://earchive.tpu.ru/bitstream/11683/53436/1/bulletin_tpu-2019-v330-i5-17.pdf |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2019/5/275 | |
| 942 | |c CF | ||