28426

استفاده از روش هاي داده محور و هوش مصنوعي به منظور بهبود فرآيند حفاري در صنعت نفت

كارشناسي ارشد

مهنذسي مخازن هيدروكربري

1398

1401/08/30

دكتر حميدرضا جهانگيري

مهندسي شيمي ، نفت و گاز

كاهش قيمت نفت و ساير كالاها طي دو سال گذشته شركت هاي نفتي را با چالش جدي مواجه كرده است. قيمت هاي پايين، آنها را ترغيب مي¬كند تا به عنوان فعاليت¬هاي عملياتي فعلي و برنامه ريزي استراتژيك، به دنبال راه حل¬هاي جديد ابتكاري و راه¬هايي براي بهبود كارايي باشند لذا در اين پروژه كاربرد هوش مصنوعي در بهبود صنعت نفت مورد مطالعه و بررسي قرار خواهد گرفت. اين بررسي در مورد مزايا، كمبودهاي شيوه هاي فعلي، چالش ها و برنامه هاي جديد تحت توسعه براي غلبه بر كمبودهاي صنعت مي باشد. مشكلات حفاري در هر عمقي رخ مي دهد. چندين متغير وابسته در حال انجام هستند كه مي توانند تأثير نامطلوبي بر عمليات حفاري داشته باشند. برخي از اين پارامترها در اين پروژه به اختصار بيان شده است. اگرچه صنعت حفاري از قبل به دليل كمبود روش هاي پيش بيني و عدم تشخيص موارد نامطلوب قبل از وقوع نگران كننده بوده است. در مقالات منتشر شده، مطالعات كمي براي ارائه روش مفيد براي پيش بيني مشكلات حفاري قبل از حفاري يك سازند خاص انجام شده است. امروزه، پيشرفت قابل توجهي در محاسبات و فناوري داشته است. راه حل¬هاي جديدي مانند شبكه¬هاي عصبي مصنوعي، سيستم هاي استنتاج فازي ، محاسبات تكاملي و غيره و تركيبات بين آن¬ها را ارائه داده است كه منجر به چنين عملكرد قوي در پيش بيني پارامترهاي مورد نظر شده است. اين روش به دليل دسترسي به دامنه وسيعي از مد¬ل¬هاي پياده سازي شده قبلي بهره مي¬برد و قابل اطمينان¬ترين روش را در پيش بيني عمليات حفاري معرفي خواهد نمود. روش¬هاي سنتي تجزيه و تحليل داده¬ها به اندازه كافي توانايي استخراج سريع اطلاعات و تجسم واضح مجموعه داده¬هاي پيچيده بزرگ را ندارند. با توجه به تقاضاي برآورده نشده، صنعت نفت به سراغ يادگيري ماشين (ML) در زمينه¬هاي بهينه¬سازي حفاري و تجزيه و تحليل پارامترهاي واقعي و كاهش آن¬ها رفته است.

1402/01/30

Drilling Efficiency Improvement and Rate of Penetration Optimization by Machine Learning and Data Analytics

11/21/2023 12:00:00 AM

Drilling problems such as stick slip vibration/hole cleaning, pipe failures, loss of circulation, BHA whirl, stuck pipe incidents, excessive torque and drag, low ROP, bit wear, formation damage and borehole instability, and the drilling of highly tortuous wells have only been tackled using physics-based models. Despite the mammoth generation of real-time metadata, there is a tremendous gap between statistical based models and empirical, mathematical, and physical-based models. Data mining techniques have made prominent contributions across a broad spectrum of industries. Its value is widely appreciated in a variety of applications, but its potential has not been fully tapped in the oil and gas industry. This paper presents a review compiling several years of Data Analytics applications in the drilling operations. This review discusses the benefits, deficiencies of the present practices, challenges, and novel applications under development to overcome industry deficiencies. This study encompasses a comprehensive compilation of data mining algorithms and industry applications from a predictive analytics standpoint using supervised and unsupervised advanced analytics algorithms to identify hidden patterns and help mitigate drilling challenges. Traditional data preparation and analysis methods are not sufficiently capable of rapid information extraction and clear visualization of big complicated data sets. Due to the petroleum industre's unfulfilled demand, Machine Learning (ML)-assisted industry workflow in the fields of drilling optimization and real time parameter analysis and mitigation is presented. This paper summarizes data analytics case studies, workflows, and lessons learnt that would allow field personnel, engineers, and management to quickly interpret trends, detect failure patterns in operations, diagnose problems, and execute remedial actions to monitor and safeguard operations. The presence of such a comprehensive workflow can minimize tool failure, save millions in replacement costs and maintenance, NPV, lost production, minimize industry bias, and drive intelligent business decisions. This study will identify areas of improvement and opportunities to mitigate malpractices. Data exploitation via the proposed platform is based on well-established ML and data mining algorithms in computer sciences and statistical literature. This approach enables safe operations and handling of extremely large data bases, hence, facilitating tough decision-making processes.

حفاري

drilling

Yeganeh saeedi

Hamid reza jahangiri