Прогнозирование скорости бурения с помощью искусственной нейронной сети (на примере одного из нефтяных месторождений Южного Ирана)

М. Moнацами, A. Хашеми, М. Шахбазян

Аннотация


В статье дается положительная оценка скорости проходки (ROP) с помощью искусственных нейронных сетей (ИНС) на примере одного из нефтяных месторождений Южного Ирана. Скорость проходки является ключевым параметром в оптимизации процесса бурения. Однако многие непредвиденные факторы усложняют этот процесс. Была выбрана Трехслойная однонаправленная сеть, которая имеет лучший коэффициент корреляции в тестировании моделей. Результаты моделирования показывают, что подход ИНС превосходит традиционные методы бурения в точности прогнозирования курса. Методология, предложенная авторами, позволяет персоналу на буровых оценить ROP не только во время планирования, но и в процессе бурения.

Ключевые слова


artificial neural network;Drilling efficiency;rate of penetration;ROP Prediction;искусственные нейронные сети;прогнозирование ROP;скорость проходки;эффективность бурения

Полный текст:

PDF

Литература


1. Akgun, F., 2007. Drilling rate at the technical limit. Int. J. Pet. Sci. Technol, 1, pp.99–118.

2. Bataee, M. et al., 2011. Application of Artificial Intelligent Systems in ROP Optimization. In Middle East Unconventional Gas Conference and Exhibition.

3. Bontempi, G., Bersini, H. & Birattari, M., 2001. The local paradigm for modeling and control: from neuro-fuzzy to lazy learning. Fuzzy Sets and Systems, 121(1), pp.59–72.

4. García-Pedrajas, N., Hervás-Martínez, C. & Muñoz-Pérez, J., 2003. COVNET: a cooperative coevolutionary model for evolving artificial neural networks. Neural Networks, IEEE Transactions on, 14(3), pp.575–596.

5. Goda, H., Maier, H. & Behrenbruch, P., 2005. The Development of an Optimal Artificial Neural Network Model for Estimating Initial Water Saturation - Australian Reservoir. In Proceedings of SPE Asia Pacific Oil and Gas Conference and Exhibition. Society of Petroleum Engineers.

6. Hassoun, M.H., 1995. Fundamentals of Artificial Neural Networks, MIT Press.

7. Jahanbakhshi, R.. K.R., 2012. Real-time Prediction of Rate of Penetration During Drilling Operation In Oil And Gas Wells. In American Rock Mechanics Association. p. 127.

8. Mendes, J.R.P., FONSECA, T.C. & SERAPIAO, A., 2007. Applying a genetic neuro-model reference adaptive controller in drilling optimization. World oil, 228(10).

9. Mohaghegh, S. et al., 1995. Design and development of an artificial neural network for estimation of formation permeability. SPE Computer Applications, 7(6), pp.151–154.

10. Rahimzadeh, H. et al., 2010. Comparison of the Penetration Rate Models Using Field Data for One of the Gas Fields in Persian Gulf Area. In Proceedings of International Oil and Gas Conference and Exhibition in China. Society of Petroleum Engineers.

11. Shadizadeh, S., 2010. Drilling Stuck Pipe Prediction in Iranian Oil Fields: An Artificial Neural Network Approach. Iranian Journal of Chemical …, 7(4), pp.29–41.

12. Shippen, M. & Scott, S., 2002. A Neural Network Model for Prediction of Liquid Holdup in Two-Phase Horizontal Flow. In Proceedings of SPE Annual Technical Conference and Exhibition. Society of Petroleum Engineers.

13. Wang, W. & Ding, J., 2003. Wavelet network model and its application to the prediction of hydrology. Nature and Science, 1(1), pp.67–71.


Ссылки

  • На текущий момент ссылки отсутствуют.