Модель и алгоритм прогнозирования прихвата технологического инструмента по глубине ствола скважины на основе четырехмодульной нейронной сети

Шахбоз Шарифович Кодиров, Александр Леонидович Шестаков

Аннотация


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.


Ключевые слова


классификация прихватов, методы распознавания и прогнозирования прихвата технологического инструмента, модульные нейронные сети, многослойный персептрон, структурная регуляризация dropout, алгоритм прогнозирования прихвата технологического инструмента

Полный текст:

PDF

Литература


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 Mecha¬nics. 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-техни¬ческий 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.




DOI: http://dx.doi.org/10.14529/ctcr220111

Ссылки

  • На текущий момент ссылки отсутствуют.