Machine Learning Techniques Application for Real-Time Drilling Hydraulic Optimization

Titel in Übersetzung: Maschinelle Lerntechniken Anwendung für Echtzeit-Bohren Hydraulische Optimierung

Egor Chuykov

Publikation: Thesis / Studienabschlussarbeiten und HabilitationsschriftenMasterarbeit

Abstract

Aufgrund des drastischen Rückgangs des Ölpreises werden die vorrangigen Ziele der Ölbetriebsunternehmen die Steigerung der Bohreffizienz und die Reduzierung der Gesamtbohrkosten. Die ultimative Echtzeit-Bohreffizienz kann durch Optimierung der Bohrprozesse erreicht werden. Einer der Bohrprozesse, die zu einer bemerkenswerten Verbesserung der Bohreffizienz führen können, ist das Bohren hydraulisch. Die Vorhersage des hydraulischen Drucks für Bohrvorgänge ist unerlässlich, z. B. für die Brunnenplanung vor und Entscheidungsunterstützung während des Bohrens. Unter Berücksichtigung des Gesamtbildes kann die Bohrhydraulik bestimmen, ob der Brunnen die geplante Tiefe erreicht oder nicht. Darüber hinaus ist die Reduzierung der NPT-Zeit (Non-Productive-Time) beim Bohren immer noch ein wichtiges Anliegen, da das Bohren eines Brunnens oft der teuerste Prozess ist. Planung und Konstruktion von Bohrhydraulik helfen, unproduktive Zeit und Kosten zu reduzieren. Daher ist es entscheidend, ein abgerundetes hydraulisches Design zu schaffen. Das Optimierungsziel besteht darin, die Leistung der Pumpe zu maximieren, um den Bitbohrer bei maximaler Effizienz zu unterstützen, indem der Energieverlust durch Reibung im Umwälzsystem minimiert und die eingesparte Energie zur Verbesserung der Bithydraulik verwendet wird.
Im Laufe des letzten Jahrzehnts wurden mehrere Methoden und Techniken vorgeschlagen, die darauf abzielen, Bohrprozesse in Echtzeit zu optimieren; Eine dieser Techniken ist maschinelles Lernen, das vielversprechende Ergebnisse in Bezug auf Vorhersage und Optimierung gezeigt hat. Nichtsdestotrotz ist die Echtzeit-Implementierung dieser Techniken immer noch eine Herausforderung, da die meisten veröffentlichten Arbeiten versuchten, Vorhersageaufgaben anstelle der Optimierungsaufgabe auszuführen. In dieser Hinsicht versucht diese Arbeit, die Mängel der kürzlich veröffentlichten verwandten Methoden zu beheben, indem sie einen ganzheitlichen Ansatz für die Optimierung von Bohrhydraulik in Echtzeit vorschlägt. Diese These ist in zwei Hauptteile unterteilt. Im ersten Teil werden die Vorteile und Grenzen aktueller Ansätze für die Bohrhydraulikoptimierung aufgezeigt, einschließlich eines modellierungsgesteuerten Ansatzes, einer numerischen Simulation und einer datengetriebenen Ansatzanwendung. Der zweite Teil widmet sich der detaillierten Erläuterung der Methodik zur Entwicklung des ganzheitlichen Ansatzes.
Das Ergebnis der Masterarbeit ist eine eigenständige Anwendung, die auf zwei Modulen basiert. Das erste Modul beinhaltet ein datengesteuertes Vorhersagemodell mit zwei implementierten Algorithmen für maschinelles Lernen (ML), die eine Echtzeitvorhersage des Standrohrdrucks (SPP) und der ringförmigen Druckverluste (APL) bereitstellen. Das zweite Modul besteht aus einem Optimierungsalgorithmus, der die vorhergesagten Werte von SPP, APL und berechnetem Bohrstringdruckverlust verwendet, um die Kombinationen optimierter Oberflächenbohrparameter zu generieren, die auf der Grundlage eines vorgewählten Optimierungskriteriums zu höchster hydraulischer Effizienz führen.
Um die Mängel des entwickelten ganzheitlichen Ansatzes zu bewerten und festzustellen, wurden Fallstudien durchgeführt. Die Endergebnisse der Fallstudien zeigen, dass die Techniken des maschinellen Lernens zur Lösung des Problems der hydraulischen Echtzeitoptimierung eingesetzt werden können.
Titel in ÜbersetzungMaschinelle Lerntechniken Anwendung für Echtzeit-Bohren Hydraulische Optimierung
OriginalspracheEnglisch
QualifikationMSc
Gradverleihende Hochschule
  • Montanuniversität
Betreuer/-in / Berater/-in
  • Thonhauser, Gerhard, Betreuer (intern)
  • Elmgerbi, Asad, Mitbetreuer (intern)
Datum der Bewilligung22 Okt. 2021
PublikationsstatusVeröffentlicht - 2021

Bibliographische Notiz

gesperrt bis 26-08-2026

Schlagwörter

  • Hydraulische Optimierung von Bohrungen in Echtzeit
  • Maschinelles Lernen
  • Genetischer Algorithmus
  • Ganzheitlicher Ansatz

Dieses zitieren