18666

۱۸۶۶۶

برنامه ريزي يكپارچه حفاري چاه نفتي برمبناي ريسك

كارشناسي ارشد

مهندسي سيستم و بهره وري

دي ماه ۱۳۹۶

دكتر مرتضي باقرپور

دكتر سيامك نوري

صنايع

چكيده عمليات حفاري همواره با چالش‌ها و مخاطرات بسياري در حوزه‌هاي زمين‌شناسي و عمليات روبه‌رو است، كه تمامي اين موارد به علت تأثير بر روند اجراي هريك از مراحل اين پروژه موجب تأخير، تغييرات اجباري و يا حتي در شرايطي شكست پروژۀ حفاري مي‌شوند. از سوي ديگر هزينه و زمان در اين عمليات بسيار مهم بوده و رابطه‌اي تنگاتنگ باهم دارند. درواقع بخش اصلي برنامه‌ريزي حفاري زمان‌بندي درست و واقع‌بينانه است كه بدون توجه به ريسك‌هاي ممكن و بررسي احتمال و شدت تأثير آن‌ها ممكن نخواهد بود. در اين تحقيق با نظر خبرگان و ازطريق پرسش‌نامه از ميان تمام ريسك‌هاي عمليات حفاري در ماتريس احتمال-شدت اثر ريسك‌هاي پرخطر حفاري چاه‌هاي نفت شناسايي شده‌اند. داده‌هاي زمان پيش‌بيني، زمان واقعي و زمان تأخير ناشي از هريك از ريسك‌هاي پرخطر 120 حلقه چاه نفت حفاري‌‌شده جمع‌آوري‌ و با طراحي مدل شبكه‌هاي عصبي از اين اطلاعات، تخمين زمان واقعي با اطمينان 95 درصد و حساسيت زماني انجام پروژه نسبت به ريسك‌هاي پرخطر عمليات حفاري چاه نفت براساس شاخص‌هاي اقتصادي ارزش فعلي خالص و نرخ بازده داخلي و برمبناي تأخير در توليد نفت با در نظرگرفتن چهار ريسك و هم‌چنين به صورت مجزا مشخص مي‌شود. اولويت‌بندي ريسك‌هاي پرخطر و ارائۀ برنامه‌ريزي يكپارچۀ حفاري برمبناي ريسك حاصل اين مدل است. ريسك‌هاي شرايط حفرۀ حفاري‌شده، هرزروي سيال حفاري، عدم كارايي وسايل و ابزار و مانده‌يابي به ترتيب بيشترين تأثير را در تأخير زماني حفاري چاه‌هاي نفت دارند و بايد در برنامه‌ريزي بر مبناي ريسك در نظر گرفته‌شوند. با استفاده از زمان تخميني مدل شبكه‌هاي عصبي و ريسك‌هاي شناسايي شده مي توان نمودار پيش‌بيني پيشرفت عمليات حفاري را براساس اولويت بندي ريسك‌ها و تحليل عملياتي وقوع آن‌ها در چاه هدف، اصلاح و به واقعيت نزديك كرد. در نتيجه باشناسايي چهار ريسك‌ پرخطر و مدل شبكه عصبي بر مبناي آن‌ها ضمن افزايش دقت پيش‌بيني زماني، نمودار پيشرفت عمليات حفاري نزديك‌تر به واقعيت رسم مي شود كه موجب برآورد هزينۀ دقيق‌تر و واقع‌بينانه مي گردد. با توجه ‌به بررسي 10 حلقه چاه نفت اين مدل ميانگين خطاي زمان پيش‌بيني‌شده را از 2/24 درصد به 8/2 درصد كاهش مي‌دهد كه نشان از كارايي مدل و برنامه‌ريزي يكپارچه حفاري چاه‌هاي نفت برمبناي ريسك دارد. واژه‌هاي كليدي: برنامه‌ريزي حفاري، ريسك، نمودار پيشرفت حفاري، شبكه¬هاي عصبي.

1397/01/26

1/17/2018 12:00:00 AM

Abstract: Drilling operation is always full of risks and challenges as far as geological and operational aspects are concerned. These issues can lead to major operational delays, change of plan or drilling operation failure. In fact, realistic and precise timing is the key to a successful drilling planning. Yet planning cannot be practical if operational challenges and their effects are not accounted for.in this study following acquisition of expert views through questionnaires among all drilling operation risks in the probability-impact matrix. The effect of main risks of oil well drilling are identified. Data of predicted timeframe, real timeframe, and delay time resulted from dangerous risk factors were collected from 120 oil wells. The data were then fed into an artificial neural network which could successfully model the data with 95% accuracy. The network was then used to run sensitivity analysis on how different risk factors could affect the timing of the project, considering the delay in oil production, based on economic criteria of net present value and internal rate of return. The main goal was to prioritize risks and also to help present an integrated risk-oriented drilling operation plan. The condition of the drilled hole, drilling fluid loss, equipment problems and fishing were found to be the most effective risk factors, which must be considered during planning and risk analysis phases. Using the time estimated by the neural network and the identified risk factors, the drilling operation progress can be predicted with greater accuracy, since risk factors are integrated into the operation. In conclusion, after determining the four main risk factors and via the use of the trained neural model, the predicted timing and progress chart of the project can become more realistic. This, in turn, would translate into more precise cost estimation. After carefully investigating the data from 10 oil wells, the average of prediction error was reduced from 24.2% to 2.8%. This indicates how the model can help improve integrated risk-based planning of drilling operations. Keywords: Drilling planning, Risk, Drilling progress chart, Neural network