Нейросетевое прогнозирование реологических параметров бурового раствора
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering/ Национальный исследовательский Томский политехнический университет (ТПУ).— , 2015-.— 2413-1830 Т. 333, № 8.— 2022.— [С. 163-173] |
|---|---|
| Corporate Author: | |
| Other Authors: | , , , |
| Summary: | Заглавие с титульного листа Актуальность исследования обусловлена тем, что дифференциальные прихваты являются одной из самых сложных аварий во всей технологической цепочке строительства нефтяных и газовых скважин. Качественный и правильно подобранный буровой раствор с оптимальной для конкретных условий бурения реологией является одним из определяющих факторов предупреждения дифференциальных прихватов. Цель: разработка нейросетевой реологической модели бурового раствора на основе его компонентного состава и результатов периодических замеров выходных параметров промывочной жидкости. С помощью нейронной сети можно достаточно точно и быстро прогнозировать значения реологических свойств раствора, которые оказывают существенное влияние на возникновение и предотвращение дифференциальных прихватов. Объектом исследования являются нейросетевые реологические модели бурового раствора, буровые растворы, состав которых оказывает влияние на реологические свойства и на возможность предотвращения дифференциальных прихватов бурильной колонны в процессе сооружения скважины. Методы: нейросетевая модель различающихся по числу и составу входных параметров буровых растворов. Результаты. Дано описание процесса обучения трех нейронных сетей на основе оперативных данных, получаемых на приборах для замера параметров бурового раствора. Предложено шесть типов буровых растворов, которые являются оптимальными для конкретных геологических условий. Введение в состав бурового раствора с высокой смазывающей способностью нанодисперсной меди и алюмината калия способствует уменьшению коэффициента трения, повышению ингибирующей способности раствора, уменьшению водоотдачи и, как результат, резкому уменьшению дифференциальных прихватов в процессе сооружения скважин на углеводородное сырье. The relevance of the study is caused by the fact that differential tacks are one of the most difficult accidents in the entire technological chain of construction of oil and gas wells. A high quality and correctly selected drilling mud with optimal rheology for specific drilling conditions is one of the determining factors in preventing differential tacks. Goal: development of a neural network rheological model of drilling mud based on its component composition and the results of periodic measurements of the output parameters of the flushing fluid. With the help of a neural network, it is possible to accurately and quickly predict the values of the rheological properties of the solution, which have a significant impact on the occurrence and prevention of differential seizures. Object: neural network rheological models of drilling mud, drilling muds, which composition affects the rheological properties and the possibility of preventing differential sticking of the drill string during well construction. Methods: neural network model of drilling mud differing in the number and composition of input parameters is proposed. Results. The paper describes the learning process of three neural networks based on operational data obtained on instruments for measuring drilling mud parameters. The authors proposed six types of drilling muds that are optimal for specific geological conditions. Introduction of nanodispersed copper and potassium aluminate into the composition of a drilling mud with a high lubricity helps to reduce the friction coefficient, increase the inhibitory ability of the solution, reduce water loss and, as a result, decrease sharply the differential tack during the construction of wells on hydrocarbon raw materials. |
| Published: |
2022
|
| Subjects: | |
| Online Access: | https://earchive.tpu.ru/bitstream/11683/73006/1/bulletin_tpu-2022-v333-i8-15.pdf https://doi.org/10.18799/24131830/2022/8/3809 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=347969 |
MARC
| LEADER | 00000nla2a2200000 4500 | ||
|---|---|---|---|
| 001 | 347969 | ||
| 005 | 20231102010046.0 | ||
| 035 | |a (RuTPU)RU\TPU\book\379925 | ||
| 035 | |a RU\TPU\book\379924 | ||
| 090 | |a 347969 | ||
| 100 | |a 20220907d2022 k y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Нейросетевое прогнозирование реологических параметров бурового раствора |f А. Я. Третьяк, А. В. Кузнецова, К. А. Борисов, Е. В. Карельская | |
| 203 | |a Текст |c электронный | ||
| 215 | |a 1 файл (923 Kb) | ||
| 230 | |a Электронные текстовые данные (1 файл : 923 Kb) | ||
| 300 | |a Заглавие с титульного листа | ||
| 320 | |a [Библиогр.: с. 170-171 (28 назв.)] | ||
| 330 | |a Актуальность исследования обусловлена тем, что дифференциальные прихваты являются одной из самых сложных аварий во всей технологической цепочке строительства нефтяных и газовых скважин. Качественный и правильно подобранный буровой раствор с оптимальной для конкретных условий бурения реологией является одним из определяющих факторов предупреждения дифференциальных прихватов. Цель: разработка нейросетевой реологической модели бурового раствора на основе его компонентного состава и результатов периодических замеров выходных параметров промывочной жидкости. С помощью нейронной сети можно достаточно точно и быстро прогнозировать значения реологических свойств раствора, которые оказывают существенное влияние на возникновение и предотвращение дифференциальных прихватов. | ||
| 330 | |a Объектом исследования являются нейросетевые реологические модели бурового раствора, буровые растворы, состав которых оказывает влияние на реологические свойства и на возможность предотвращения дифференциальных прихватов бурильной колонны в процессе сооружения скважины. Методы: нейросетевая модель различающихся по числу и составу входных параметров буровых растворов. Результаты. Дано описание процесса обучения трех нейронных сетей на основе оперативных данных, получаемых на приборах для замера параметров бурового раствора. Предложено шесть типов буровых растворов, которые являются оптимальными для конкретных геологических условий. Введение в состав бурового раствора с высокой смазывающей способностью нанодисперсной меди и алюмината калия способствует уменьшению коэффициента трения, повышению ингибирующей способности раствора, уменьшению водоотдачи и, как результат, резкому уменьшению дифференциальных прихватов в процессе сооружения скважин на углеводородное сырье. | ||
| 330 | |a The relevance of the study is caused by the fact that differential tacks are one of the most difficult accidents in the entire technological chain of construction of oil and gas wells. A high quality and correctly selected drilling mud with optimal rheology for specific drilling conditions is one of the determining factors in preventing differential tacks. Goal: development of a neural network rheological model of drilling mud based on its component composition and the results of periodic measurements of the output parameters of the flushing fluid. With the help of a neural network, it is possible to accurately and quickly predict the values of the rheological properties of the solution, which have a significant impact on the occurrence and prevention of differential seizures. Object: neural network rheological models of drilling mud, drilling muds, which composition affects the rheological properties and the possibility of preventing differential sticking of the drill string during well construction. Methods: neural network model of drilling mud differing in the number and composition of input parameters is proposed. Results. The paper describes the learning process of three neural networks based on operational data obtained on instruments for measuring drilling mud parameters. The authors proposed six types of drilling muds that are optimal for specific geological conditions. Introduction of nanodispersed copper and potassium aluminate into the composition of a drilling mud with a high lubricity helps to reduce the friction coefficient, increase the inhibitory ability of the solution, reduce water loss and, as a result, decrease sharply the differential tack during the construction of wells on hydrocarbon raw materials. | ||
| 453 | |t Neural network forecasting of drilling mud rheological parameters |f A. Ya. Tretyak [et al.] | ||
| 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) |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |d 2015- | |
| 463 | 1 | |0 (RuTPU)RU\TPU\book\379891 |t Т. 333, № 8 |v [С. 163-173] |d 2022 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a дифференциальные прихваты | |
| 610 | 1 | |a нейросетевое прогнозирование | |
| 610 | 1 | |a реологические параметры | |
| 610 | 1 | |a буровые растворы | |
| 610 | 1 | |a бурильные трубы | |
| 610 | 1 | |a искусственные нейронные сети | |
| 610 | 1 | |a нейросетевые модели | |
| 610 | 1 | |a прогнозирование | |
| 610 | 1 | |a промывочные жидкости | |
| 610 | 1 | |a differential tack of a drill pipe column | |
| 610 | 1 | |a forecast of tacks | |
| 610 | 1 | |a drilling nanostructured mud | |
| 610 | 1 | |a artificial neural networks | |
| 610 | 1 | |a neural network model of drilling mud | |
| 701 | 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 | |
| 701 | 1 | |a Карельская |b Е. В. |g Екатерина Витальевна |6 z04712 | |
| 712 | 0 | 2 | |a Южно-Российский государственный политехнический университет (НПИ) |c (2013- ) |c (Новочеркасск) |2 stltpush |3 (RuTPU)RU\TPU\col\23278 |6 z01701 |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 z02701 |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 z03701 |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 z04701 |9 28289 |
| 801 | 2 | |a RU |b 63413507 |c 20220929 |g RCR | |
| 856 | 4 | |u https://earchive.tpu.ru/bitstream/11683/73006/1/bulletin_tpu-2022-v333-i8-15.pdf | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2022/8/3809 | |
| 942 | |c CF | ||