Eine Hybriddaten

Aug 06, 2023

Wissenschaftliche Berichte Band 12, Artikelnummer: 15773 (2022) Diesen Artikel zitieren

578 Zugriffe

2 Zitate

1 Altmetrisch

Details zu den Metriken

Das sichere Schlammfenster (SMW) definiert die zulässigen Grenzen der Schlammgewichte, die beim Bohren von O&G-Bohrlöchern verwendet werden können. Die Kontrolle des Schlammgewichts innerhalb der SMW-Grenzwerte würde dazu beitragen, viele schwerwiegende Probleme wie Probleme mit der Bohrlochinstabilität, Zirkulationsverlust usw. zu vermeiden. SMW kann durch das minimale Schlammgewicht, unterhalb dessen ein Scherversagen (Durchbruch) auftreten kann (MWBO), und das Maximum definiert werden Schlammgewicht, oberhalb dessen ein Zugversagen (Zusammenbruch) auftreten kann (MWBD). Diese Grenzen können aus der geomechanischen Analyse von Bohrlochformationen ermittelt werden. Allerdings ist eine solche Analyse für die meisten Bohrlöcher nicht immer zugänglich. Daher wird in dieser Studie ein neuer Ansatz zur Entwicklung eines neuen datengesteuerten Modells vorgestellt, um den sicheren Schlammgewichtsbereich in kürzester Zeit und ohne zusätzliche Kosten abzuschätzen. Mithilfe eines künstlichen neuronalen Netzwerks (ANN) wurden neue Modelle entwickelt, um sowohl MWBO als auch MWBD direkt aus den Protokollierungsdaten abzuschätzen, die normalerweise für die meisten Bohrlöcher verfügbar sind. Die ANN-basierten Modelle wurden anhand tatsächlicher Daten aus einem Feld im Nahen Osten trainiert, bevor sie anhand eines unsichtbaren Datensatzes getestet wurden. Beim Vergleich der vorhergesagten und beobachteten Ausgabewerte erreichten die Modelle eine hohe Genauigkeit von über 92 %. Darüber hinaus wurden neue Gleichungen basierend auf den Gewichten und Verzerrungen der optimierten ANN-Modelle erstellt, wodurch sowohl MWBO als auch MWBD berechnet werden können, ohne dass komplizierte Codes erforderlich sind. Schließlich wurde ein weiterer Datensatz aus demselben Bereich zur Validierung der neuen Gleichungen verwendet und die Ergebnisse zeigten die hohe Robustheit der neuen Gleichungen zur Schätzung von MWBO und MWBD mit einem niedrigen mittleren absoluten prozentualen Fehler von maximal 0,60 %. Im Gegensatz zu den kostspieligen herkömmlichen Ansätzen würden die neu entwickelten Gleichungen eine zeitnahe und wirtschaftlich effektive Bestimmung der SMW-Grenzwerte mit hoher Genauigkeit ermöglichen, wann immer die Protokollierungsdaten verfügbar sind.

Die Geomechanik gehört zu den Wissenschaften, die einen Eckpfeiler bei der Planung und Optimierung von Bohrungen und der Erschließung von Erdölfeldern darstellen. Es umfasst die Untersuchung der mechanischen Eigenschaften des Gesteins sowie der Verteilung der In-situ-Spannungen in der Nähe des Bohrlochs. Eine sorgfältige Schätzung dieser Informationen gilt als Schlüsselfaktor, der dazu beitragen könnte, eine Vielzahl kostspieliger Probleme zu vermeiden, die bei Bohr-, Fertigstellungs- und Stimulationsarbeiten auftreten können. Die Geomechanik der unterirdischen Formationen kann durch die Erstellung geomechanischer Modelle untersucht werden, die den geomechanischen Zustand der Formationen vor Ort nachbilden1. Dies könnte zur technischen Untersuchung verschiedener Prozesse beitragen und wiederum eine Kostensenkung ermöglichen. Das geomechanische Modell kann unter Verwendung herkömmlicher Protokollierungsdaten, z. B. Formationsdichteprotokollen, Porositätsprotokollen, akustischen Protokollen usw., zusätzlich zu einigen Feldtests und kernbasierten Laborexperimenten zu Kalibrierungszwecken erstellt werden. Die Stabilität des Bohrlochs wird während des Bohrvorgangs als eines der Hauptanliegen angesehen. Zwei häufige Probleme hängen mit der Bohrlochstabilität zusammen: Zugversagen (Brüche) oder Bohrlochversagen (Einsturz). Infolgedessen kann es zu vielen Problemen wie Zirkulationsverlust, Rohrverstopfungen, Auswaschungen usw. kommen. Daher sollte bei der Bestimmung des sicheren Schlammfensters sorgfältig vorgegangen werden, um solche kostspieligen und zeitraubenden Ereignisse zu vermeiden. Das sichere Schlammfenster wird typischerweise anhand des In-situ-Spannungszustands der Bohrlochformationen bestimmt2. Die Formationsspannungen werden sowohl hinsichtlich ihrer Größe als auch ihrer Richtung beschrieben, wodurch die Wahrscheinlichkeit von Bohrlochinstabilitätsproblemen bewertet werden kann. Dementsprechend sind in der Regel genaue Daten zur In-situ-Spannungskonfiguration entlang der Bohrlochtiefe erforderlich, um praktikable Lösungen für potenzielle Instabilitätsprobleme beim Bohren zu finden. Dies kann durch den Einsatz des optimalen Schlammgewichts erreicht werden, das im Bereich des vordefinierten sicheren Schlammfensters (SMW)3 liegt. SMW kann durch die Anwendung geomechanischer Modellierung auf der Grundlage von Bohrlochdaten bestimmt werden, einschließlich der In-situ-Spannungen, des Porendrucks und der mechanischen Eigenschaften des Gesteins in Verbindung mit geeigneten Gesteinsversagenskriterien4. Eine solche Analyse gilt jedoch als kostspielig und zeitaufwändig, was ihre Zugänglichkeit für die meisten Bohrlöcher einschränkt.

Ähnlich wie in verschiedenen Branchen (Haghighat und Li, 2021) besteht in letzter Zeit ein wachsender Bedarf an automatisierten intelligenten Systemen, die die Verfügbarkeit enormer Daten während verschiedener Vorgänge in der O&G-Branche nutzen können. Diese Systeme basieren auf verschiedenen Ansätzen des maschinellen Lernens, die darauf abzielen, verschiedene Schlüsselparameter auf kostengünstige und zeiteffiziente Weise zu modellieren und abzuschätzen5. Viele Studien in der Literatur haben Ansätze des maschinellen Lernens zur Schätzung verschiedener geomechanischer Parameter eingesetzt, die für den Entwurf von SMW verwendet werden könnten. Im Jahr 2012 haben Rabbani et al. entwickelte ein Modell unter Verwendung neuronaler Netze, um die uneingeschränkte Druckfestigkeit (UCS) vorherzusagen, die einer der Schlüsselparameter bei der geomechanischen Modellierung der Erde ist, und nutzte Bohrlochprotokolldaten wie Dichte, Porosität usw. aus einem Ölfeld im Süden Irans. Pereira et al. (2013) führten ein auf Entscheidungsbäumen basierendes Modell ein, um das geeignete Schlammgewicht zum sicheren Bohren von Salzformationen vorherzusagen. Sie verwendeten Bohraufzeichnungen (z. B. Datum/Tiefe, beobachtetes Schlammgewicht), angetroffene Lithologietypen und die Aufzeichnungen der Vorfälle, z. B. Rohrverklemmungen aufgrund von Formationsschwellungen. Tabaeh und Mohammad (2016) entwickelten außerdem ein auf einem neuronalen Netzwerk basierendes Modell, um die Scherwellengeschwindigkeit basierend auf den Protokollierungsdaten vorherzusagen. Anschließend integrierten sie diese Informationen in einen neuen Arbeitsablauf, um die geringsten Hauptspannungen in einer tektonisch aktiven Region abzuschätzen. Zhou et al. (2016) entwickelten ein neues Modell zur Vorhersage der angemessenen äquivalenten Zirkulationsdichte (ECD), um die Bohrlochdrücke unter HPHT-Bedingungen zu kontrollieren. Sie nutzten die Art des Bohrschlamms, Anteile der Öl- und Wasserphasen im verwendeten Schlamm sowie die Formationsbedingungen von Druck und Temperatur als Eingabemerkmale für ihr entwickeltes neuronales Netzwerk. Okpo et al. (2016) untersuchten die Bohrlochinstabilität in einem nigerianischen Feld mithilfe eines neuronalen Netzwerkansatzes. Sie nutzten die Schlammeigenschaften, die Formationsspannungen, den Bohrlochbodendruck, den Porendruck und den Bohrlochdurchmesser als Eingaben, um die Stabilität der Bohrlochformationen zu bestimmen. Zahiri et al. (2019) untersuchten das sichere Schlammfenster, indem sie ein mechanisches Erdmodell eines iranischen Feldes entwickelten. Anschließend nutzten sie den neuronalen Netzwerkansatz, um das Ausfallkriterium basierend auf den Protokollierungsdaten in einem Black-Box-Modell vorherzusagen. In jüngsten Studien zu SMW wurden Modelle zur Bewertung der Stabilität/des Versagens von Felswänden unter Zug-, Scher- und In-situ-Beanspruchungen in Kombination mit ML-Modellen angewendet6,7. Obwohl Phan et al.7 über eine hohe Vorhersagegenauigkeit berichteten, verwendeten sie mehrere Eingabeparameter, die für die meisten Ölquellen nicht immer zugänglich sind, wie z. B. Hauptspannungen, Elastizitätsmodul, Poissonzahl, Kohäsionsfestigkeit und Zugfestigkeit. Die Notwendigkeit solcher Parameter schränkt die Anwendbarkeit dieser Modelle in Bohrlöchern ein, in denen solche Daten nicht verfügbar sind. In6 führten Abbas et al. die Anwendung von ML ein, um SMW anhand von Protokollierungsdaten vorherzusagen. Der Studie fehlen jegliche Fehlermetriken, die zur Quantifizierung des Vorhersagefehlers und der Genauigkeit des Modells unerlässlich sind. Basierend auf der Durchsicht der Literatur lassen die vorhandenen intelligenten Modelle, die zur Vorhersage von SMW angewendet werden, Spielraum für Verbesserungen der Genauigkeit und Anwendbarkeit, die positiv zu sicheren und optimierten Bohrvorgängen beitragen dürften.

Daher wurde in dieser Studie das sichere Schlammfenster (SMW) mithilfe eines maschinellen Lernansatzes (künstliches neuronales Netzwerk, ANN) untersucht. SMW wurde durch die Untersuchung der minimalen und maximalen Schlammgewichtsgrenzen bestimmt, bei deren Überschreitung entweder Scher- oder Zugversagen auftreten kann. Ziel dieser Studie ist die direkte Vorhersage des SMW aus den Protokollierungsdaten unter Verwendung eines ANN-basierten Modells für ein Feld im Nahen Osten. Darüber hinaus wurde das entwickelte KNN-Modell in einem White-Box-Modus präsentiert, indem neue Gleichungen aufgestellt wurden, die die Verarbeitung des entwickelten KNN nachahmen.

Der neue Ansatz wurde auf der Grundlage der Analyse der geomechanischen Daten entwickelt, um die direkte Bestimmung des sicheren Bereichs der Bohrschlammgewichte zu ermöglichen, sobald die Protokollierungsdaten verfügbar sind. Im Gegensatz zum herkömmlichen, kostspieligen Ansatz würden die neu entwickelten Gleichungen eine wirtschaftliche und zeiteffiziente Schätzung des MWBO und MWBD direkt aus den Protokollierungsdaten ermöglichen. Dies wiederum würde den Erdölingenieuren helfen, angemessene Schlammeigenschaften zu entwerfen, während viele Probleme der Bohrlochinstabilität vermieden werden könnten. Darüber hinaus könnten Bohrplanung und -optimierungen weiter verbessert werden.

Im nächsten Abschnitt wird die für diese Studie verwendete Methodik erläutert, gefolgt von einer detaillierten Demonstration des Entwicklungsprozesses der Modelle und ihrer Optimierung. Abschließend werden die Ergebnisse dieser Forschung im Diskussionsteil diskutiert und die Ergebnisse im Schlussfolgerungenteil zusammengefasst.

Unter Felsmechanik versteht man die Wissenschaft der Untersuchung des geomechanischen Verhaltens von Gesteinen im elastischen Zustand oder im Versagenszustand. Diese Verhaltensweisen werden in Form beider elastischer Parameter, d. h. Elastizitätsmodule (E), Poissonzahl (PR) usw., zusätzlich zu Versagensparametern, d. h. uneingeschränkter Druckfestigkeit (UCS), Reibungswinkel (Ø) und Zugfestigkeit, ausgedrückt (Ts) usw. Solche Parameter werden grundsätzlich bei der Entwicklung des mechanischen Erdmodells (MEM) berücksichtigt, mit dem das geomechanische Verhalten der unterirdischen Formationen untersucht werden kann. Zunächst wurden Daten für den Bau von MEM aus drei Bohrlöchern in einem Feld im Nahen Osten gesammelt. Es wurden drei Datengruppen einbezogen:

Petrophysikalische Protokollierungsdaten, z. B. Formationsschüttdichte (RHOB), Schalldaten (DTC und DTS), Gammastrahlenprotokollierung (GR), Neutronenprotokollierung (NPHI) und Caliper-Protokolle (CALI).

Die Kerndaten basieren auf den experimentellen Tests, die an den entnommenen Kernproben durchgeführt wurden. Diese Daten werden normalerweise zur Modellvalidierung und -kalibrierung verwendet. Die Kalibrierung bedeutet, die möglichen Beziehungen zwischen den dynamischen elastischen Eigenschaften, die aus den Bohrlochprotokollen geschätzt werden, und den entsprechenden statischen Eigenschaften, die im Labor gemessen werden, zu identifizieren.

Bohrdaten, die während des Bohrvorgangs erfasst werden, z. B. Schlammverluste und Meldung von Bohrlochinstabilitätsproblemen.

Zweitens wurden die dynamischen elastischen Parameter (E und PR) anhand der petrophysikalischen Daten geschätzt und dann mithilfe der verfügbaren Kerndaten in die entsprechenden statischen Parameter kalibriert. Dies führte zu kontinuierlichen Profilen von statischem E und PR zusammen mit der Tiefe der untersuchten Bohrlöcher. Als nächstes wurden die Fehlerparameter (UCS, Ts und Ø) mit den erhaltenen Bohrlochprotokollen korreliert, um sie in eine kontinuierliche Profilform zu bringen. Diese Schritte sind für die Entwicklung eines MEM von entscheidender Bedeutung, das das geomechanische Verhalten der Bohrlochformationen effektiv darstellt.

Anschließend wurde das Spannungsfeld (z. B. Überlagerungsspannung Sv, maximale und minimale horizontale Spannungen Shmin und Shmax) mithilfe der dualen poroelastischen Modelle bestimmt. Weitere Informationen zur Bestimmung der Formationsspannungen für den untersuchten Bereich finden Sie in den veröffentlichten Studien8,9,10.

Wenn ein Bohrloch in eine Formation gebohrt wird, wird belastetes Feststoffmaterial entfernt. Die Bohrlochwand wird dann nur noch durch den hydrostatischen Druck der Bohrspülung im Bohrloch gestützt11. Da dieser Flüssigkeitsdruck im Allgemeinen nicht mit den Formationsspannungen vor Ort übereinstimmt, kommt es zu einer Spannungsumverteilung rund um das Bohrloch, die als Spannungsfeld nach dem Bohren oder induziertes Spannungsfeld bezeichnet wird. Die sekundär induzierten Spannungen: Umfangsspannung (Sθθ), Radialspannung (Srr) und Axialspannung (Szz) wurden basierend auf Shmin und Shmax unter Verwendung der folgenden Gleichungen2 berechnet:

*\({P}_{w}\): Hydrostatischer Schlammdruck, *\({P}_{p}\): Formationsporendruck.

Es gibt zwei Hauptszenarien, in denen das Bohrloch versagen kann, abhängig von der relativen Größe dieser Sekundärspannungen an der Bohrlochwand. Erstens führt ein Scherversagen, das aus der Verwendung von untergewichtigem Bohrschlamm im Vergleich zum Formationsdruck resultiert, zu einem Durchbruchversagen. Zweitens führt ein Zugversagen, das durch die Verwendung von übergewichtigem Bohrschlamm entsteht, zu induzierten Brüchen (Durchbruchversagen) und damit zu teilweisen oder vollständigen Verlusten.

Zu diesem Zeitpunkt wurde eine Bohrlochstabilitätsanalyse durchgeführt, um die SWM durch Schätzung von drei Schlüsselparametern zu bestimmen:

Porendruck (Pf), der normalerweise während der Bohrlochprüfung erfasst wird.

Ausbruchschlammgewicht (MWBO)

Ausbruchschlammgewicht (MWBD).

Zur Bestimmung des Ausbruchschlammgewichts (MWBO) sollten in der Praxis verschiedene Permutationen der Spannungen Sθθ, Srr und Szz berücksichtigt werden, während die mechanische Stabilität der Region untersucht wird, und dann würde der größte Bohrlochschlammdruck beim Versagen als Ausbruch ausgewählt Versagenskriterium zur Bestimmung des MWBO. Die Gleichungen für diese Permutationen sind in (Tabelle 1)11 zusammengefasst.

Darüber hinaus kann es zu einem Zugversagen kommen, wenn ein erheblich hohes Schlammgewicht verwendet wird, das den in Gleichung (1) angegebenen Wert überschreiten kann. (6). Dieser MWBD-Wert wurde als Pannenversagenskriterium berücksichtigt1,11. Schließlich wurden die MWBD- und MWBD-Profile generiert und als Ergebnisse für die vorgeschlagenen Modelle verwendet.

In dieser Studie wird ein Datensatz von 1858 tatsächlichen Beobachtungen aus drei Bohrlöchern in einem Feld im Nahen Osten gesammelt, das ein komplexes Karbonatreservoir darstellt. Die Daten umfassten die petrophysikalischen Protokollierungsdaten: GR, RHOB, DTC, DTS und NPHI sowie die entsprechenden geschätzten MWBO und MWBD in derselben Tiefe. Die sicheren Schlammgewichtsgrenzen wurden auf der Grundlage der Analyse des entwickelten MEM für das Untersuchungsgebiet ermittelt, wie im Abschnitt „Methodik“ beschrieben, um schließlich die MWBO- und MWBD-Profile zu bestimmen. Die aus zwei Bohrlöchern gesammelten Daten wurden zum Training und Testen des Modells verwendet (in einem bestimmten Verhältnis aufgeteilt), während der Rest der Daten (aus dem dritten Bohrloch) zur Validierung der entwickelten Modelle verwendet wurde.

Die Vorhersagegenauigkeit der KI-basierten Modelle wird maßgeblich von der Qualität der bei der Modellentwicklung verwendeten Daten beeinflusst. Daher wurden die Daten mithilfe statistischer Analysen und technischem Sinn auf der Grundlage der Literatur vorverarbeitet und gefiltert. Ein speziell entwickelter Python-Code wurde verwendet, um neben fehlenden Punkten auch unangemessene Werte wie Nullen und negative Werte zu entfernen. Anschließend wurden Ausreißer mithilfe eines Box-and-Whisker-Diagramms entfernt, bei dem der obere Whisker die Obergrenze der Daten und der untere Whisker die Untergrenze der Daten darstellt12. Jeder Wert, der über diese Grenzen hinausging, wurde als Ausreißer betrachtet und dann entfernt. Diese Grenzwerte wurden unter Verwendung der in Tabelle 2 aufgeführten statistischen Parameter ermittelt, in der die deskriptive statistische Zusammenfassung des in dieser Studie verwendeten Datensatzes aufgeführt ist, um seine Verteilung und abgedeckten Bereiche widerzuspiegeln. Abbildung 1 zeigt die Histogrammverteilungen der Eingabe- und Ausgabedaten.

Histogramm der in dieser Studie verwendeten Daten.

Die Kollinearität zwischen den einzelnen Parametern und anderen wird in der in Abb. 2 gezeigten Wärmekarte dargestellt, und zwar so, dass der Grad der Kollinearität zwischen den beiden Parametern umso höher ist, je dunkler die Farbe ist. Die in der Heatmap dargestellten Werte stellen den Pearson-Korrelationskoeffizienten (R-Wert) zwischen jeweils zwei Parametern dar. Der Korrelationskoeffizient wird verwendet, um zu ermitteln, wie stark zwei Parameter linear miteinander verknüpft sind. Sein Wert reicht von − 1 bis + 1. Eine starke direkte lineare Beziehung wird durch einen R-Wert von + 1 angezeigt. Im Gegensatz dazu zeigt der R-Wert von − 1 eine starke inverse lineare Beziehung zwischen diesen beiden Variablen. Während ein R-Wert von Null darauf hinweist, dass zwischen den Variablen der beiden Studien keine lineare Beziehung besteht. Darüber hinaus zeigt Abb. 2 P-Werte, die dem Korrelationskoeffizienten zwischen den Eingabe- und Ausgabeparametern zugeordnet sind, um die Bedeutung der Korrelation zwischen den Eingabe- und Ausgabeparametern im Regressionsprozess zu untersuchen. Der DTC hat einen hohen Korrelationskoeffizienten von 1 und 0,95 mit DTS bzw. NPHI gezeigt. Daher wurde DTC nur als Eingabemerkmal für das entwickelte Modell betrachtet, um eine Redundanz der Eingabeinformationen für die vorgeschlagenen Modelle zu vermeiden. Diese Ergebnisse wurden auch durch die p-Werte bestätigt, wobei die p-Werte mit Ausnahme von DTS und NPHI kleiner als 0,05 waren (das bedeutet, dass sie signifikant sind). Dementsprechend war der endgültige Satz der ausgewählten Eingabemerkmale GR, DTC und RHOB.

Wärmekarte, die die Kollinearität zwischen den Eingabe-/Ausgabeparametern und den P-Werten widerspiegelt, die den Korrelationskoeffizienten zugeordnet sind.

Zusätzlich zur Untersuchung der Kollinearität zwischen den Parametern zur Auswahl der wirksamsten Parameter wurde auch eine Sensitivitätsanalyse durchgeführt. Zur Vorhersage des MWBO wurden verschiedene Versuche mit unterschiedlichen Eingabeparametersätzen durchgeführt. Dieser Schritt diente dazu, erste Erkenntnisse über die Auswirkung jedes Eingabeparameters auf die Vorhersageergebnisse zu gewinnen. Es wurden verschiedene Gruppen von Eingabeparametern getestet. Diese Gruppen sind Gruppe 1 (GR, DTC, DTS, RHOB, NPHI), Gruppe 2 (GR, DTC, DTS, RHOB), Gruppe 3 (GR, DTC, DTS), Gruppe 4 (GR, DTC, RHOB), Gruppe 5 (GR, DTC), Gruppe 6 (GR, RHOB) und Gruppe 7 (DTC, RHOB). Die Ergebnisse wurden anhand des mittleren absoluten prozentualen Fehlers (MAPE) zwischen den tatsächlichen und geschätzten Ausgabewerten ausgewertet. Abbildung 3 zeigt einen Vergleich des Vorhersagefehlers für die getesteten Eingabegruppen. Die Ergebnisse zeigten, dass die Kombination aus GR, DTC und RHOB (Gruppe 4) den niedrigsten MAPE und damit die beste Vorhersagegenauigkeit ergab. Diese Beobachtung stimmt mit der Schlussfolgerung der Dimensionsreduktionsanalyse überein, die mit der Verwendung der Kombination aus GR, DTC und RHOB als Eingaben für die Entwicklung der vorgeschlagenen Modelle endete. Dementsprechend wurde diese Reihe von Eingaben für die Entwicklung der prosedierten Modelle festgelegt.

Vergleich des Vorhersagefehlers für die getesteten Eingabegruppen.

In dieser Forschung wurde ein künstliches neuronales Netzwerk (ANN) eingesetzt, um ein neues Modell zu entwickeln, das sowohl MWBO als auch MWBD auf der Grundlage von Bohrlochprotokollierungsdaten direkt vorhersagen kann. ANN wurde aufgrund seiner jüngsten erfolgreichen Anwendung in der erdölbezogenen Geomechanik ausgewählt. Viele Studien in der Literatur haben über die Anwendung von KNN zur Vorhersage verschiedener geomechanischer Parameter berichtet, die im Erdölfeldkontext verwendet werden sollen, wie z. B. UCS-Vorhersage13,14,15, Elastizitätsmodule und Poissonzahl16,17,18, Spannungsfeldvorhersage8,9. 19 usw. Typischerweise besteht ANN aus drei Grundtypen von Schichten: der Eingabeschicht mit GR, DTC und RHOB, der/den verborgenen Schicht(en) und der Ausgabeschicht mit MWBO und MWBD. Das Training des Netzwerks beginnt mit der Verarbeitung der Daten aus der verborgenen Schicht über gewichtete Verbindungen zu den Neuronen in der verborgenen Schicht, um letztendlich die Ergebnisse abzuschätzen20. Zur Optimierung des Netzwerks wurde die GridSearchCV-Funktion mithilfe von Python-Code entwickelt, um iterativ verschiedene Parameter zur Optimierung jedes Algorithmus innerhalb der vom Benutzer vordefinierten Bereiche zu testen und den besten Wert jedes Parameters für jeden Algorithmus zu melden. Die erhaltenen Daten wurden in zwei Sätze unterteilt: Training und Test. Der Trainingssatz wurde verwendet, um das Modell zu trainieren und seine Hyperparameter zu optimieren. Während des Optimierungsprozesses wurden die Ergebnisse der Modelle intern getestet, um die ausgewählten Hyperparameter zu bewerten. Für jeden Versuch wurden die Vorhersagen anhand des R-Werts und des Fehlers zwischen den tatsächlichen und vorhergesagten Ausgabewerten für die Trainings- und Testprozesse bewertet. Das Ziel dieses Schritts besteht darin, die Hyperparameter zu identifizieren, die durch viele iterative Versuche den geringstmöglichen Vorhersagefehler erzielen könnten. Anschließend wurde das Modell mit den optimierten Hyperparametern mithilfe des Testsatzes bewertet, um den Generalisierungsfehler des optimierten Modells21 abzuschätzen.

Die Vorhersageergebnisse wurden hinsichtlich des Korrelationskoeffizienten (R), des MAPE, des mittleren quadratischen Fehlers (MSE) und des mittleren quadratischen Fehlers (RMSE) zwischen den beobachteten und vorhergesagten Ausgaben ausgewertet. Die mathematischen Formeln für die Bewertungsmetriken sind in Anhang A angegeben. Tabelle 3 listet die vordefinierten Optionen der ANN-Parameter (z. B. Trainingsalgorithmus, Übertragungsfunktion, Anzahl der Neuronen, Anzahl der verborgenen Schichten und Lernrate) auf, die während getestet wurden Der Tuning-Prozess. Abbildung 4 zeigt eine typische schematische Architektur des entwickelten ANN-Modells. Abbildung 5 zeigt den Arbeitsablauf, der in dieser Studie zur Entwicklung der vorgeschlagenen Gleichungen verfolgt wurde.

Typisches Schema der entwickelten ANN-Architekturen.

Flussdiagramm zur Entwicklung der vorgeschlagenen neuen ANN-basierten Gleichungen.

Mit ANN wurden zwei Modelle entwickelt, um sowohl MWBO als auch MWBD vorherzusagen. Die entwickelten Modelle wurden optimiert, indem die Abstimmungsparameter ausgewählt wurden, die den niedrigsten MAPE und den höchsten R zwischen den beobachteten und vorhergesagten Ausgabesätzen ergaben.

Für MWBO umfasste das optimierte Modell eine verborgene Schicht mit 10 Neuronen und wurde mit 70 % des Datensatzes trainiert, während der Rest der Daten zum Testen der Vorhersageleistung verwendet wurde. Während die besten Ergebnisse für das MWBD-Modell mit 7 Neuronen in einer einzigen verborgenen Schicht erzielt wurden. Der Trainingsprozess des optimierten MWBD-Modells wurde unter Verwendung des Aufteilungsverhältnisses des Datensatzes von 70:30 für Training und Test implementiert. Beide Modelle wurden mit dem Bayes'schen Regularisierungs-Backpropagation-Algorithmus (trainbr) und der tan-sigmoidalen (tansig) Übertragungsfunktion mit einer Lernrate von 0,12 trainiert.

Die ausgewählten Hyperparameter für beide Modelle sind in Tabelle 3 zusammengefasst. Die Ergebnisse zeigten, dass die Vorhersagen der Modelle eine hohe Übereinstimmung zwischen den beobachteten und den durch R angegebenen Ausgabesätzen von 0,91 bzw. 0,95 für MWBO- bzw. MWBD-Modelle erreichten. Was die Vorhersagefehler betrifft, führten die entwickelten Modelle zu einem niedrigen MAPE von nicht mehr als 0,53 % sowohl für MWBO- als auch für MWBD-Modelle. Die hohe Genauigkeit der entwickelten Modelle lässt sich auch aus der auffälligen Übereinstimmung in der grafischen Darstellung sowohl der tatsächlichen als auch der vorhergesagten Werte für den Testprozess ableiten, wie in Abb. 6 für MWBO- und MWBD-Modelle dargestellt.

Grafische Darstellungen der beobachteten vs. vorhergesagten Ausgaben für die Modelle MWBO (links) und MWBD (rechts) für den Testprozess.

Darüber hinaus zeigte die enge Streuung der beobachteten und vorhergesagten Ausgabedaten für beide Modelle eine bemerkenswerte Übereinstimmung zwischen diesen Werten, wie in den in Abb. 7 dargestellten Kreuzdiagrammen gezeigt. Dies zeigte die hohe Genauigkeit der Vorhersagen der entwickelten Modelle. Dementsprechend kann das geeignete Schlammfenster für sicheres Bohren mithilfe der MWBO- und MWBD-Vorhersagen mithilfe der entwickelten Modelle definiert werden.

Kreuzdiagramme zwischen den tatsächlichen und vorhergesagten Ausgabewerten für (a) MWBO- und (b) MWBD-Modelle unter Verwendung des Testdatensatzes.

Eines der Hauptergebnisse dieser Studie ist die Entwicklung neuer Gleichungen, mit denen das Schlammfenster für sicheres Bohren bequem bestimmt werden kann. Daher sind neue Gl. (7) und (8) wurden unter Verwendung derselben Eingaben (GR, RHOB und DTC) ermittelt, um sowohl MWBO als auch MWBD zu schätzen. Die ermittelten Korrelationen basieren auf den abgestimmten Gewichtungen und Verzerrungen der entwickelten Modelle, die in den Tabellen 4 und 5 aufgeführt sind.

wobei \({\left({\mathrm{MW}}_{\mathrm{BO}}\right)}_{\mathrm{normalisiert}}\) und \({\left({\mathrm{MW} }_{\mathrm{BD}}\right)}_{\mathrm{normalized}}\) sind die normalisierten Formen der MWBO- und MWBD-Werte. Das zur Verwendung der Gleichungen erforderliche Verfahren. (7) und (8) werden im Anhang B ausführlich beschrieben.

In diesem Abschnitt wurden die entwickelten ANN-basierten Gleichungen anhand eines unbekannten Datensatzes validiert, der nicht im Lernprozess verwendet wurde. Insgesamt wurden 637 Datenpunkte in die entwickelten Gleichungen eingespeist. (7) und (8) zur Schätzung des sicheren Schlammfensters in Bezug auf MWBO und MWBD. Die Ergebnisse wurden dann anhand von R-Wert, MSE, RMSE und MAPE zwischen den tatsächlichen und geschätzten Ausgabesätzen ausgewertet. Der geschätzte MWBO und MWBD zeigten eine hohe Übereinstimmung mit den tatsächlichen Werten, wie in Abb. 8 dargestellt, wobei R 92 % überstieg und MAPE maximal 0,60 % betrug. Tabelle 6 fasst die Vorhersagegenauigkeit der entwickelten Gleichungen in Bezug auf MAPE, MSE und RMSE zusammen.

Grafische Darstellungen der beobachteten vs. vorhergesagten Ausgaben für die Modelle MWBO (links) und MWBD (rechts) für den Validierungsprozess.

Es sollte hervorgehoben werden, dass die entwickelten Korrelationen eher für Karbonatformationen empfohlen werden, aus denen die meisten bei der Entwicklung der Modelle verwendeten Daten gesammelt wurden. Dies kann dadurch erklärt werden, dass unterschiedliche Formationstypen unterschiedliche logarithmische Reaktionen und geomechanische Eigenschaften aufweisen können. Diese Eigenschaften steuern die Spannungsverteilungen im Bohrloch und damit die Ausbruchs- und Durchbruchgrenzen. Daher sind bei der Anwendung unterschiedlicher Formationslithologien einige Fehler zu erwarten. Darüber hinaus wird empfohlen, die entwickelten Gleichungen mit Eingaben innerhalb des in Tabelle 2 aufgeführten Bereichs und derselben Einheiten anzuwenden, um zuverlässige Ergebnisse zu gewährleisten.

Ein künstliches neuronales Netzwerk (ANN) wurde erfolgreich eingesetzt, um die sicheren Schlammfenstergrenzen in Bezug auf MWBO und MWBD zu definieren. Die entwickelten Modelle verwenden die Protokollierungsdaten GR, RHOB und DTC als Eingabemerkmale. Die Ergebnisse dieser Forschung lassen sich wie folgt zusammenfassen:

Die entwickelten ANN-basierten Modelle führten zu einer beträchtlichen Übereinstimmung mit den beobachteten MWBO- und MWBD-Werten mit einer Genauigkeit von über 92 % und einem maximalen mittleren absoluten prozentualen Fehler (MAPE) von 0,53 %.

Mithilfe der entwickelten Modelle wurden neue Gleichungen erstellt, um MWBO und MWBD direkt aus den Protokollierungsdaten abzuschätzen, ohne dass spezielle Codes ausgeführt werden müssen.

Die entwickelten Gleichungen wurden anhand unbekannter Daten aus demselben Bereich validiert. Die Ergebnisse zeigten die Robustheit der entwickelten Gleichungen zur Schätzung von MWBO und MWBD direkt aus den Protokollierungsdaten mit einem MAPE von nicht mehr als 0,60 %.

Künstliche neuronale Netz

Mindestschlammgewicht, unterhalb dessen ein Scherversagen auftreten kann

Maximales Schlammgewicht, ab dem ein Zugversagen auftreten kann

Sicheres Schlammfenster

Formationsporendruck

Hydrostatischer Schlammdruck

Gammastrahlen-Protokollierungsdaten

Protokolldaten zur Massendichte der Formation

Kompressionswellen-Laufzeit-Protokollierungsdaten

Daten zur Scherwellen-Laufzeitprotokollierung

Protokollierungsdaten zur Neutronenporosität

Messschieber-Protokolldaten

Elastizitätsmodul

Poissonzahl

Uneingeschränkte Druckfestigkeit

Zugfestigkeit

Radiale Belastung

Reifenstress

Axialer Stress

Fehlerwinkel

Levenberg–Marquardt

Bayesianische Regularisierungs-Backpropagation

Resiliente Backpropagation

Skalierter konjugierter Gradient

Konjugieren Sie den Gradienten mit Powell/Beale-Neustarts

Konjugierter Fletcher-Powell-Gradient

Polak-Ribiére-Konjugat-Gradient

Ein-Schritt-Sekante

Backpropagation mit variabler Lernrate

Hyperbolische Tangens-Sigmoid-Übertragungsfunktion

Log-Sigmoid-Übertragungsfunktion

Elliot-symmetrische Sigmoid-Übertragungsfunktion

Radiale Basisübertragungsfunktion

Symmetrische Hard-Limit-Übertragungsfunktion

Symmetrische sättigende lineare Übertragungsfunktion

Zoback, MD et al. Bestimmung der Spannungsorientierung und -stärke in Tiefbrunnen. Int. J. Rock Mech. Mindest. Wissenschaft. 40, 1049–1076 (2003).

Artikel Google Scholar

Zoback, MD Reservoir Geomechanics (Cambridge University Press, 2007).

Buchen Sie Google Scholar

Zahiri, J., Abdideh, M. & Ghaleh Golab, E. Bestimmung des sicheren Schlammgewichtsfensters basierend auf Bohrlochprotokollierungsdaten unter Verwendung künstlicher Intelligenz. Geosyst. Ing. 22, 193–205 (2019).

Artikel Google Scholar

Aslannezhad, M. & Jalalifar, H. Bestimmung eines sicheren Schlammfensters und Analyse der Bohrlochstabilität, um Bohrherausforderungen und unproduktive Zeiten zu minimieren. J. Pet. Entdecken. Prod. Technol. 6, 493–503 (2016).

Artikel Google Scholar

Kamran, M. Ein probabilistischer Ansatz zur Vorhersage des Bohrratenindex mithilfe der Ensemble-Lerntechnik. J. Min. Umgebung. 12, 327–337 (2021).

Google Scholar

Abbas, AK, Almohammed, HH, Alqatran, G., Mohammed, HQ & Mohammed, A. Bestimmung des sicheren Betriebsschlammgewichtsfensters aus Bohrlochprotokollierungsdaten mithilfe von Algorithmen für maschinelles Lernen. in der Offshore Technology Conference Asia (Offshore Technology Conference, 2020).

Phan, DT, Liu, C., AlTammar, MJ, Han, Y. & Abousleiman, YN Anwendung künstlicher Intelligenz zur Vorhersage zeitabhängiger Schlammgewichtsfenster in Echtzeit. SPE J. 27, 39–59 (2022).

Artikel Google Scholar

Ibrahim, AF, Gowida, A., Ali, A. & Elkatatny, S. Anwendung für maschinelles Lernen zur Vorhersage von In-situ-Beanspruchungen aus Protokollierungsdaten. Wissenschaft. Rep. 11, 1–14 (2021).

Artikel CAS Google Scholar

Gowida, A., Ibrahim, AF, Elkatatny, S. & Ali, A. Vorhersage der kleinsten Hauptspannungen mithilfe von Bohrdaten: Eine Anwendung für maschinelles Lernen. Berechnen. Intel. Neurosci. 2021, 1–13 (2021).

Artikel Google Scholar

Ibrahim, AF, Gowida, A., Ali, A. & Elkatatny, S. Echtzeitvorhersage von In-situ-Spannungen während des Bohrens unter Verwendung von Oberflächenbohrparametern aus dem Gasreservoir. J. Nat. Gaswissenschaft. Ing. 97, 104368 (2022).

Artikel Google Scholar

Fjaer, E., Holt, RM, Horsrud, P. & Raaen, AM Erdölbezogene Gesteinsmechanik (Elsevier, 2008).

Google Scholar

Dawson, R. Wie signifikant ist ein Boxplot-Ausreißer? J. Stat. Educ. https://doi.org/10.1080/10691898.2011.11889610 (2011).

Artikel Google Scholar

Rabbani, E., Sharif, F., Koolivand Salooki, M. & Moradzadeh, A. Anwendung der neuronalen Netzwerktechnik zur Vorhersage der einachsigen Druckfestigkeit anhand der Eigenschaften der Reservoirbildung. Int. J. Rock Mech. Mindest. Wissenschaft. 56, 100–111 (2012).

Artikel Google Scholar

Gowida, A., Elkatatny, S. & Gamal, H. Vorhersage der unbeschränkten Druckfestigkeit (UCS) in Echtzeit während des Bohrens mithilfe von Tools der künstlichen Intelligenz. Neuronale Berechnung. Appl. 33, 8043–8054 (2021).

Artikel Google Scholar

Chemmakh, A. Vorhersagemodelle für maschinelles Lernen zur Schätzung des UCS und der Zugfestigkeit von Gesteinen im Bakken-Feld (OnePetro, 2021).

Buchen Sie Google Scholar

Jamshidi, E., Arabjamaloei, R., Hashemi, A., Ekramzadeh, MA & Amani, M. Echtzeitschätzung der elastischen Eigenschaften von Formationsgesteinen basierend auf Bohrdaten unter Verwendung eines künstlichen neuronalen Netzwerks. Energiequellen Teil A 35, 337–351 (2013).

Artikel Google Scholar

Gowida, A., Moussa, T., Elkatatny, S. & Ali, A. Ein hybrides Modell der künstlichen Intelligenz zur Vorhersage des elastischen Verhaltens von Sandsteingesteinen. Nachhaltigkeit 11, 5283 (2019).

Artikel CAS Google Scholar

Acar, MC & Kaya, B. Modelle zur Schätzung des Elastizitätsmoduls schwacher Gesteine ​​basierend auf der Methode der kleinsten quadratischen Stützvektoren. Araber. J. Geosci. 13, 1–12 (2020).

Artikel Google Scholar

Tabaeh, HM & Mohammad, A. Schätzung der horizontalen In-situ-Spannungen mithilfe des linearen poroelastischen Modells und Minifrac-Testergebnissen in tektonisch aktiven Gebieten. Russ. J. Earth Sci. 16, 1–9 (2016).

Google Scholar

Yegnanarayana, B. Künstliche neuronale Netze (PHI Learning Pvt. Ltd., 2009).

Google Scholar

Xu, Y. & Goodacre, R. Zur Aufteilung von Trainings- und Validierungssätzen: Eine vergleichende Studie zu Kreuzvalidierung, Bootstrap und systematischer Stichprobe zur Schätzung der Generalisierungsleistung von überwachtem Lernen. J. Anal. Prüfen. 2, 249–262 (2018).

Artikel Google Scholar

Pereira, LG, Gandelman, RA, Clemente, RG, Teixeira, PHS & Teixeira, GT Entwicklung einer Software zur Vorhersage des Schlammgewichts für Vorsalz-Bohrzonen mithilfe maschinellen Lernens. in OTC Brasilien (OnePetro, 2013).

Zhou, H., Niu, X., Fan, H. & Wang, G. Effektives Berechnungsmodell der Bohrflüssigkeitsdichte und ESD für HTHP-Bohrlöcher während des Bohrens. in der IADC/SPE Asia Pacific Drilling Technology Conference (OnePetro, 2016).

Okpo, EE, Dosunmu, A. & Odagme, BS Künstliches neuronales Netzwerkmodell zur Vorhersage der Bohrlochinstabilität. in SPE Nigeria Annual International Conference and Exhibition (OnePetro, 2016).

Referenzen herunterladen

Abteilung für Erdöltechnik, King Fahd University of Petroleum & Minerals, Dhahran, 31261, Saudi-Arabien

Ahmed Gowida, Ahmed Farid Ibrahim und Salaheldin Elkatatny

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SE konzipierte die Idee, sammelte die erforderlichen Daten und beteiligte sich an der Konzeption der Methodik. AI, AG führte die Datenanalyse durch, entwarf die Methodik, führte die Algorithmen aus und führte die Sensitivität und Optimierung der Ergebnisse durch. SE beteiligte sich auch an der Methodikgestaltung und der Überwachung der Ergebnisvalidierung. Das Originalmanuskript wurde von A, I. verfasst und alle Autoren waren an der Überarbeitung und Bearbeitung des Manuskripts beteiligt.

Korrespondenz mit Salaheldin Elkatatny.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Gowida, A., Ibrahim, AF & Elkatatny, S. Eine hybride datengesteuerte Lösung zur Erleichterung einer sicheren Schlammfenstervorhersage. Sci Rep 12, 15773 (2022). https://doi.org/10.1038/s41598-022-20195-7

Zitat herunterladen

Eingegangen: 23. Mai 2022

Angenommen: 09. September 2022

Veröffentlicht: 21. September 2022

DOI: https://doi.org/10.1038/s41598-022-20195-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Zeitschrift für Erdölexploration und Produktionstechnologie (2023)

Arabian Journal of Geosciences (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.