Application of Machine Learning Techniques for Rate of Penetration Optimization Analysis

Titel in Übersetzung: Anwendung von Techniken des maschinellen Lernens für die Analyse der Penetrationsraten-Optimierung

Peter Mbah Tekum

Publikation: Thesis / Studienabschlussarbeiten und HabilitationsschriftenMasterarbeit

Abstract

Die Reduzierung der Bohrlochbaukosten pro Fuß kann durch verschiedene Methoden erfolgen, wobei der Schwerpunkt nur auf der Bohrleistung und Effizienz liegt, die hauptsächlich anhand der Bohrgeschwindigkeit bewertet werden kann. Eine leichte Erhöhung der durchschnittlichen Penetrationsrate wird daher die Gesamtbohrleistung und Effizienz definitiv verbessern und folglich können eine bemerkenswerte Verringerung der effektiven Bohrzeit und eine Reduzierung der Gesamtkosten erreicht werden. Daher ist die Optimierung der Durchdringungsrate (ROP) ein gemeinsames Forschungsinteresse in der Bohrbranche innerhalb der Erdölindustrie, ein sehr wichtiges Thema, insbesondere in Zeiten niedriger Ölpreise, steigender Stahlpreise und der Notwendigkeit, anerkannt teure Technologien anzuwenden. Die ROP-Effizienzsteigerung kann durch viele verschiedene Anstrengungen erreicht werden, wie z. B. durch eine gute Brunnenweg , optimale Betriebsparameter sowie die Implementierung neuartiger und innovativer neuer Technologien. In diesem Zusammenhang sind Möglichkeiten zur Verbesserung der ROP während des Bohrens eine verständliche, praktische und kosteneffektive Methode, die sich in den letzten Jahrzehnten bewährt hat und die Forschung umfasst, die zu verschiedenen Ansätzen, Modellen und Methoden führt, die in der Industrie sinnvoll angewendet werden können, aber wie bewertet, noch Raum für Verbesserungen bieten. Konzeptionell sind in der Literatur viele verschiedene ROP-Modelle zu finden, die meist empirische Modelle mit spezifischen Koeffizienten sind, die das tatsächliche spezifische Szenario in eine mathematische Gleichung übersetzen, die die Beziehung zwischen den Bohrparametern und der aufgetretenen ROP-Reaktion definiert und damit die Suche nach einer Reihe von Parametern ermöglicht, die die ROP maximieren können. Aufgrund der vielen empirischen Koeffizienten und funktionalen Einschränkungen, die für die Anpassung erforderlich sind, haben sich die Darstellungen als verbesserungswürdig erwiesen, wobei sich neuartige Ansätze als wertvoll erwiesen haben. In dieser Perspektive, detaillieren diese These die Entwicklung dieser Forschung, die auf eine alternative Methode zur Vorhersage und zur Maximierung der ROP auf der Grundlage von Bohr-Mechanik-Daten, unterstützt durch maschinelles Lernen Techniken, die die Aufmerksamkeit, da zeigte sich als robuster, präziser, und so eine bessere Möglichkeit zur mathematischen Modellierung ROP Reaktion von Bohrungen in Kombination mit bestimmten wichtigen operativen Parameter. Diese Verbesserung im Vergleich zu den bisher verwendeten Modellen wurde durch die Anwendung der Techniken des Künstlichen Neuronalen Netzes (ANN) und des Zufallswaldes erreicht, gefolgt von der Anwendung der Technik des Genetischen Algorithmus (GA), die alle von der Software und dem in Matlab entwickelten Skript unterstützt werden. Es wzwei Modelle entwickelt und mit realen Daten validiert. Während der Validierungsphase wurden mehrere Fälle untersucht und es wurden bemerkenswerte Schlussfolgerungen gezogen. Eine der wichtigsten ist, dass die Leistung der Vorhersagemodelle von mehreren Hyperparametern abhängt, die sorgfältig angepasst werden müssen, um die Effizienz der Modelle zu verbessern. Die andere wichtige Beobachtung war, dass die Durchflussrate einen erheblichen Einfluss auf die ROP-Optimierung hat und bei der Durchführung des Drill-Off-Tests berücksichtigt werden muss.
Titel in ÜbersetzungAnwendung von Techniken des maschinellen Lernens für die Analyse der Penetrationsraten-Optimierung
OriginalspracheEnglisch
QualifikationDipl.-Ing.
Gradverleihende Hochschule
  • Montanuniversität
Betreuer/-in / Berater/-in
  • Elmgerbi, Asad, Mitbetreuer (intern)
  • Thonhauser, Gerhard, Betreuer (intern)
  • Nascimento, Andreas, Mitbetreuer (extern)
PublikationsstatusVeröffentlicht - 2020

Bibliographische Notiz

gesperrt bis null

Schlagwörter

  • Bohrbarkeit
  • Optimierung
  • Echtzeit
  • Maschinelles lernen
  • Verstärkungslernen
  • Drill-Rate-Test

Dieses zitieren