Prediction of penetration rate and optimization of weight on a bit using artificial neural networks
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering: сетевое издание/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 335, № 3.— 2024.— С. 192-203 |
|---|---|
| Altri autori: | , , , |
| Riassunto: | Relevance. Achieving the greatest rate of penetration is the aim of every drilling engineer because it is one of the most significant factors influencing drilling costs. However, a variety of drilling conditions could have an impact on rate of penetration, complicating its forecast. Aim. To suggest a novel strategy to accurately predict rate of penetration and optimize drilling parameters. Objects. Real-time drilling data of a few wells in the Ca Tam oil field, Vietnam, with more than 900 datasets including significant parameters like rotary speed, weight on bit, standpipe pressure, flow rate, weight of mud, torque. Methods. Various methods using Artificial Neural Network was proposed to estimate rate of penetration. Results. The number of neurons in a hidden layer was varied then the results of different Artificial Neural Network models were compared in order to obtain the optimal model. The final Artificial Neural Network model shows high exactness when contrasted with actual rate of penetration, in this manner, it tends to be suggested as a successful and reasonable approach to predict the rate of penetration of different wells in the Ca Tam oil field. Based on the proposed Artificial Neural Network model, the optimal weight on bit was determined for the drilling interval from 1800 to 2300 m of oil wells in the research region. Актуальность. Достижение максимальной механической скорости бурения является целью каждого инженера-буровика, поскольку механическая скорость бурения является одним из наиболее важных факторов, влияющих на затраты на бурение. Однако различные условия бурения могут оказать влияние на скорость бурения, усложняя ее прогноз. Целью исследования является предложение новой стратегии для точного прогнозирования механической скорости бурения и оптимизации параметров бурения. Объектом исследования являются данные бурения в реальном времени нескольких скважин на нефтяном месторождении Белуга в Кыулонгском бассейне шельфа Южного Вьетнама с более чем 900 наборами данных, включая важные параметры, такие как скорость вращения, нагрузка на долото, давление на стояке, дебит, вес бурового раствора, крутящий момент. Методы. Для оценки механической скорости бурения была предложена различная методология, использующая искусственную нейронную сеть. Результаты. Количество нейронов в скрытом слое варьировалось, после чего сравнивались результаты разных моделей искусственной нейронной сети с целью получения оптимальной модели. Окончательная модель искусственной нейронной сети показывает высокую точность по сравнению с фактической механической скоростью бурения, поэтому ее можно рассматривать как успешный и разумный подход к прогнозированию механической скорости бурения различных скважин на нефтяном месторождении Белуга. Также на основе предложенной модели искусственной нейронной сети был определен оптимальный режим нагрузки на долото для интервала бурения от 1800 до 2300 м в районе исследования Текстовый файл |
| Lingua: | inglese |
| Pubblicazione: |
2024
|
| Soggetti: | |
| Accesso online: | https://earchive.tpu.ru/handle/11683/81774 https://doi.org/10.18799/24131830/2024/3/4376 |
| Natura: | Elettronico Capitolo di libro |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=674239 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 674239 | ||
| 005 | 20241218164255.0 | ||
| 090 | |a 674239 | ||
| 100 | |a 20240826d2024 k||y0rusy50 ca | ||
| 101 | 0 | |a eng | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Prediction of penetration rate and optimization of weight on a bit using artificial neural networks |d Прогнозирование механической скорости бурения и оптимизация нагрузки на долото с использованием искусственных нейронных сетей |z rus |f Vu Hong Duong, Nguyen Minh Hoa, Nguyen Tien Hung [etc.] | |
| 320 | |a References: p. 201 (22 tit.) | ||
| 330 | |a Relevance. Achieving the greatest rate of penetration is the aim of every drilling engineer because it is one of the most significant factors influencing drilling costs. However, a variety of drilling conditions could have an impact on rate of penetration, complicating its forecast. Aim. To suggest a novel strategy to accurately predict rate of penetration and optimize drilling parameters. Objects. Real-time drilling data of a few wells in the Ca Tam oil field, Vietnam, with more than 900 datasets including significant parameters like rotary speed, weight on bit, standpipe pressure, flow rate, weight of mud, torque. Methods. Various methods using Artificial Neural Network was proposed to estimate rate of penetration. Results. The number of neurons in a hidden layer was varied then the results of different Artificial Neural Network models were compared in order to obtain the optimal model. The final Artificial Neural Network model shows high exactness when contrasted with actual rate of penetration, in this manner, it tends to be suggested as a successful and reasonable approach to predict the rate of penetration of different wells in the Ca Tam oil field. Based on the proposed Artificial Neural Network model, the optimal weight on bit was determined for the drilling interval from 1800 to 2300 m of oil wells in the research region. | ||
| 330 | |a Актуальность. Достижение максимальной механической скорости бурения является целью каждого инженера-буровика, поскольку механическая скорость бурения является одним из наиболее важных факторов, влияющих на затраты на бурение. Однако различные условия бурения могут оказать влияние на скорость бурения, усложняя ее прогноз. Целью исследования является предложение новой стратегии для точного прогнозирования механической скорости бурения и оптимизации параметров бурения. Объектом исследования являются данные бурения в реальном времени нескольких скважин на нефтяном месторождении Белуга в Кыулонгском бассейне шельфа Южного Вьетнама с более чем 900 наборами данных, включая важные параметры, такие как скорость вращения, нагрузка на долото, давление на стояке, дебит, вес бурового раствора, крутящий момент. Методы. Для оценки механической скорости бурения была предложена различная методология, использующая искусственную нейронную сеть. Результаты. Количество нейронов в скрытом слое варьировалось, после чего сравнивались результаты разных моделей искусственной нейронной сети с целью получения оптимальной модели. Окончательная модель искусственной нейронной сети показывает высокую точность по сравнению с фактической механической скоростью бурения, поэтому ее можно рассматривать как успешный и разумный подход к прогнозированию механической скорости бурения различных скважин на нефтяном месторождении Белуга. Также на основе предложенной модели искусственной нейронной сети был определен оптимальный режим нагрузки на долото для интервала бурения от 1800 до 2300 м в районе исследования | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |o сетевое издание |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 674002 |9 674002 |t Т. 335, № 3 |d 2024 |v С. 192-203 | |
| 610 | 1 | |a electronic resource | |
| 610 | 1 | |a optimization of drilling parameters | |
| 610 | 1 | |a rate of penetration | |
| 610 | 1 | |a artificial neural network | |
| 610 | 1 | |a Ca Tam field | |
| 610 | 1 | |a оптимизация параметров бурения | |
| 610 | 1 | |a механическая скорость бурения | |
| 610 | 1 | |a искусственная нейронная сеть | |
| 610 | 1 | |a месторождение Белуга | |
| 701 | 1 | |a Vu |b H. D. |g Hong Duong | |
| 701 | 1 | |a Nguyen |b M. H. |g Minh Hoa | |
| 701 | 1 | |a Nguyen |b T. H. |g Tien Hung | |
| 701 | 1 | |a Nguyen |b T. V. |g The Vinh | |
| 801 | 0 | |a RU |b 63413507 |c 20240826 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u https://earchive.tpu.ru/handle/11683/81774 |z https://earchive.tpu.ru/handle/11683/81774 | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2024/3/4376 |z https://doi.org/10.18799/24131830/2024/3/4376 | |
| 942 | |c CF | ||