Real

Aug 04, 2023

Wissenschaftliche Berichte Band 12, Artikelnummer: 11318 (2022) Diesen Artikel zitieren

1850 Zugriffe

3 Zitate

Details zu den Metriken

Eine genaue Vorhersage des Porendrucks in Echtzeit ist insbesondere bei Bohrarbeiten aus technischer und wirtschaftlicher Sicht von entscheidender Bedeutung. Seine Vorhersage spart Kosten und Zeit und es können sogar die richtigen Entscheidungen getroffen werden, bevor Probleme auftreten. Die verfügbaren Korrelationen für die Vorhersage des Porendrucks hängen von den Protokollierungsdaten, den Formationseigenschaften und der Kombination von Protokollierungs- und Bohrparametern ab. Das Ziel dieser Arbeit besteht darin, künstliche neuronale Netze (ANN) und ein adaptives Neuro-Fuzzy-Inferenzsystem (ANFIS) anzuwenden, um zwei Modelle einzuführen, um den Formationsdruckgradienten in Echtzeit anhand der verfügbaren Bohrdaten abzuschätzen. Zu den verwendeten Parametern gehören die Eindringgeschwindigkeit (ROP), die Schlammdurchflussrate (Q), der Standrohrdruck (SPP) und die Drehzahl (RS). Zur Entwicklung des Vorhersagemodells wurde ein Datensatz aus einigen vertikalen Bohrlöchern verwendet. Zur Validierung der vorgeschlagenen Modelle der künstlichen Intelligenz (KI) wurde ein anderer Datensatz verwendet. Beide Modelle prognostizierten die Ausgabe mit einem guten Korrelationskoeffizienten (R) für Training und Tests. Darüber hinaus überschritt der durchschnittliche absolute prozentuale Fehler (AAPE) 2,1 % nicht. Für die Validierungsphase schätzten die entwickelten Modelle den Druckgradienten mit guter Genauigkeit. Diese Studie beweist die Zuverlässigkeit der vorgeschlagenen Modelle zur Schätzung des Druckgradienten während des Bohrens anhand von Bohrdaten. Darüber hinaus wird eine ANN-basierte Korrelation bereitgestellt und kann direkt verwendet werden, indem die optimierten Gewichte und Bias eingeführt werden, wann immer die Bohrparameter verfügbar sind, anstatt das ANN-Modell auszuführen.

Der Formationsdruck wird durch die Flüssigkeiten im Porenraum des Gesteins ausgeübt. In einer bestimmten Tiefe entsteht der normale Gradient durch das Gewicht der Salzwassersäule, das sich von der Oberfläche bis zum interessierenden Punkt erstreckt. Die Abweichung vom normalen Trend kann als abnormal beschrieben werden, wobei es sich entweder um einen Unterdruck oder einen Überdruck handeln kann1. Der Normaldruck ist nicht konstant und hängt von der Menge der gelösten Salze, der Art der Flüssigkeit, dem Vorhandensein von Gasen und dem Temperaturgradienten ab. Übernormaler oder Überdruck ist der Formationsdruck, der den normalen hydrostatischen Druck übersteigt, während unternormaler Druck niedriger als der normale Druck ist. Supernormal entsteht durch Normaldruck zusätzlich zu einer zusätzlichen Druckquelle. Der Überdruck kann auf verschiedene Ursachen zurückgeführt werden, die geologischer, mechanischer, geochemischer und kombinierter Natur sein können2. Zonen mit abnormalem Druck können zu schwerwiegenden technischen und wirtschaftlichen Problemen wie Stößen und Platzern führen. Unternormaler Druck kann zu Zirkulationsverlusten und unterschiedlichen Rohrverklebungen führen, was den Einbau zusätzlicher Futterrohrstränge zur Folge hat (höhere Bohrkosten)2. Eine genaue Echtzeitschätzung des Formationsdrucks kann zu einem verbesserten Bohrpfad- und Gehäusedesign, einer besseren Analyse der Bohrlochstabilität, einem effektiven Schlammprogramm und geringeren Gesamtbohrkosten führen3,4.

Die Schätzung des Formationsdrucks kann entweder quantitativ oder qualitativ erfolgen. Die meisten dieser Techniken basieren auf dem grafischen Vergleich der normalen Trendlinien mit den beobachteten, um die anomalen Veränderungen zu erkennen, die sich auf abnormale Druckzonen beziehen können. Die in der Literatur vorhandenen Techniken nutzten Bohrlochprotokolle, Gesteinseigenschaften und Bohrparameter. Hottman und Johnson5 waren die ersten, die den Porendruck auf der Grundlage von Schieferprotokollierungsdaten schätzten, indem sie Kreuzdiagramme erstellten, die den Druckgradienten mit dem Widerstandsverhältnis oder der Schalllaufzeitdifferenz zwischen dem beobachteten und dem normalen Trend in Beziehung setzten. Matthews und Kelly6 verwendeten eine halblogarithmische Skala für die Hottman- und Johnson-Korrelation. Pennebaker7 ersetzte den von Hottman und Johnson5 verwendeten Schalllaufzeitunterschied durch das Schalllaufzeitverhältnis. Der Autor schätzte den Porendruck anhand eines X-Y-Kreuzdiagramms, wie es von Hottman und Johnson stammt. Bei dieser Technik wurde weltweit eine einzige Trendlinie für einen bestimmten Gesteinstyp verwendet, dies gilt jedoch möglicherweise nicht für alle Gesteinstypen. Eaton8 bestätigte, dass Formationsdruck und Ablagerungsdruckgradienten die aus Protokollen abgeleiteten Eigenschaften beeinflussen. Daher sollten die Hottman- und Johnson-Korrelationen um den Überlastungsstresseffekt erweitert werden. Eaton8 schlug ein empirisches Modell vor, das auf Schalldaten basiert, um den Druckgradienten in Schieferformationen vorherzusagen.

Gardner et al.9 analysierten die von Hottman und Johnson verwendeten Daten und stellten eine weitere Möglichkeit zur Schätzung des Formationsdrucks vor, indem sie den Deckgebirgsdruck einbeziehen. Bowers10 erwähnte, dass zwischen der effektiven Belastung und der Schallgeschwindigkeit ein Machtzusammenhang besteht. Der Autor schätzte den Formationsdruck mithilfe von Schalldaten, nachdem er die Leistungsgleichung neu geordnet und die effektive Spannung durch \(\left({\alpha }_{V}-Porendruck\right)\) ersetzt hatte. Shell führte eine weitere auf Schall basierende Vorhersagetechnik namens Tau-Modell ein, indem es einen „Tau“-Parameter in die Gleichung der effektiven Spannung einführte11,12. Foster und Whalen13 waren die ersten, die die Methode der äquivalenten Tiefe, eine vertikale Methode, verwendeten, um den Formationsdruck durch elektrische Protokollierung abzuschätzen. Darüber hinaus nutzte Ham14 den äquivalenten Tiefenansatz mit Schall, Widerstand und Dichte, um den Formationsdruck und das Bohrflüssigkeitsgewicht vorherzusagen, die in Bohrlöchern an der Golfküste erforderlich sind. Eaton15,16 führte empirische Modelle ein, die auf Widerstand oder Leitfähigkeit basieren, um den Druckgradienten in Schiefer mithilfe von Bohrlochmessungen abzuschätzen. Diese Methode kann durchaus in Sedimentbecken eingesetzt werden, in denen Unterverdichtung die Hauptquelle für Überdruck ist17,18. Aufgrund der Nachteile der alleinigen Verwendung von ROP als Indikator für den Porendruck sollte ROP korrigiert oder normalisiert werden, um die Variation verschiedener Bohrparameter zu berücksichtigen. Bingham19 schlug den D-Exponenten als Versuch vor, den ROP für die Schwankungen des Gewichts auf Bohrkrone (WOB), RS und Bohrlochdurchmesser zu korrigieren. Jorden und Shirley20 schlugen eine Modifikation des Bingham-Ansatzes vor, indem sie einen anderen Begriff namens dexp einführten. Rehm und McClendon21 haben den Dexp von Jorden und Shirley angepasst, indem sie den Effekt der Änderung der Bohrflüssigkeitsdichte berücksichtigt haben. Quantitativ kann der Formationsdruck mithilfe der Gleichstromwerte nach der Eaton-Methode und der Verhältnismethode geschätzt werden. Eaton15 und Contreras et al.22 beobachteten, dass das korrigierte dexp-Diagramm sehr analog zum Widerstandsdiagramm ist. Daher entwickelte Eaton ein Vorhersagemodell für den Formationsdruckgradienten unter Verwendung des geschätzten Gleichstroms, des normalen Gleichstromwerts und der Gradienten des Abraums und des normalen Formationsdrucks. Die Verhältnismethode wurde als einfache Technik zur Schätzung des Porendrucks aus d-Exponenten oder Widerstands- oder Schalldaten ohne Überlagerungsdruck vorgeschlagen1.

KI ist eine Ingenieurwissenschaft, die hohe Rechenkapazitäten nutzt, um Computerprogramme zur Lösung von Problemen zu entwickeln, indem sie die Intelligenz des menschlichen Gehirns nachahmt23,24. KI verfügt über verschiedene Techniken wie ANN, ANFIS, funktionale Netzwerke und Support Vector Machine, die eine robuste Leistung und hohe Genauigkeit bei der Klassifizierung und Vorhersage aufweisen25. KI wird in verschiedenen Bereichen des Ingenieurwesens, der Medizin, der Wirtschaft und des Militärs umfassend eingesetzt26. KI wird in der Öl- und Gasindustrie häufig eingesetzt, da sie nicht nur in der Lage ist, komplizierte Probleme zu lösen, sondern diese auch mit hoher Genauigkeit darzustellen27. Intelligente Modelle wurden für verschiedene Ziele entwickelt, wie zum Beispiel die Schätzung der äquivalenten Zirkulationsdichte in Echtzeit28,29,30, die Schätzung des Porendrucks während des Bohrens31,32, die Vorhersage der Porosität33, die Vorhersage des spezifischen Widerstands34, die Vorhersage rheologischer Schlammeigenschaften35,36,37,38,39, Vorhersage der uneingeschränkten Druckfestigkeit40, Schätzung des Ölgewinnungsfaktors41, Vorhersage des Schüttdichteprotokolls42,43, Bohrlochplanung44, Lithologieklassifizierung45, Schätzung der Bruchdichte46, Schätzung der statischen Elastizitätsmodule47,48, Vorhersage des Poisson-Verhältnisses49,50,51 und Vorhersage von Formationsoberseiten52 .

Nur wenige Studien verwendeten unterschiedliche KI-Techniken, um den Formationsdruck abzuschätzen. Li et al.53 nutzten ANN, um den Formationsdruck in den Ölfeldern Saertu und Xingshugang in Daqing abzuschätzen. Die Autoren berücksichtigten Eingabeparameter wie Schalllaufzeit, Gammastrahlung (GR), natürliches Potenzial und Rohrdruck. Hu et al.54 nutzten ANN, um den Porendruck abzuschätzen. Die Autoren berücksichtigten Eingaben wie Tiefe, Dichte, Schalllaufzeit und GR. Keshavarzi und Jahanbakhshi55 verwendeten neuronale Netze, um den Gradienten im Asmari-Feld abzuschätzen. Zu den Eingaben gehörten Porosität, Permeabilität, Dichte und Tiefe. Aliouane et al.56 führten das ANN-Modell ein, um den Formationsdruck anhand von Bohrprotokollen in Schiefergaslagerstätten abzuschätzen. Rashidi und Asadi57 schlugen ein ANN-Modell vor, um den Formationsdruck unter Verwendung mechanischer spezifischer Energie und Bohreffizienz abzuschätzen. Ahmed et al.58 nutzten ANN, um ein Vorhersagemodell für den Formationsdruck unter Verwendung von sieben Eingaben zu erstellen, die eine Kombination aus Bohrlochprotokollen und Bohrdaten enthielten. Ahmed et al.59 verglichen fünf maschinelle Lerntechniken zur Vorhersage des Formationsdrucks mit denselben Eingabeparametern, die in der Arbeit von Ahmed et al.58 verwendet wurden.

Die bereitgestellten Modelle in der Literatur verwendeten einige Protokollierungsdaten, die während des Bohrens möglicherweise nicht verfügbar sind, da die Protokollierung während des Bohrens (LWD) nicht in allen Bohrlöchern verwendet wird. Selbst wenn das LWD im Bohrstrang vorhanden ist, wird es mehrere zehn Fuß über dem Bohrer platziert, was nicht die sofortige Reaktion der durchdrungenen Formationen in Echtzeit widerspiegelt. Andere Modelle verwendeten einige Reservoireigenschaften, die entweder aus Protokollierungsdaten oder Labormessungen abgeleitet wurden und deren Nutzung beim Bohren einschränkten. Die Motivation besteht darin, eine Möglichkeit zu entwickeln, den Formationsdruckgradienten während des Bohrens in Echtzeit vorherzusagen, indem nur verfügbare Bohrdaten verwendet werden, ohne sie mit anderen Daten zu kombinieren, die nicht in allen Bohrlöchern verfügbar sind. Auf diese Weise maximieren wir den Nutzen der verfügbaren Bohrdaten, ohne höhere Kosten für die Vorhersage eines entscheidenden Parameters zu verursachen, der die Bohrvorgänge technisch und wirtschaftlich verbessert. Ziel dieser Studie ist es, mithilfe von ANNs und ANFIS zwei Modelle für die Vorhersage des Formationsdruckgradienten in Echtzeit unter Verwendung der verfügbaren Bohrdaten ohne zusätzliche Kosten vorzuschlagen. Darüber hinaus wird eine ANN-basierte Korrelation bereitgestellt, um diese direkt zur Schätzung des Gradienten zu verwenden. Im Gegensatz zu den entwickelten empirischen Gleichungen benötigen die Modelle in dieser Studie keinen Normaldrucktrend, um den Gradienten abzuschätzen.

Die Methodik begann mit der Datenerfassung, gefolgt von der Datenbereinigung und -filtration. Anschließend wurde eine Datenanalyse durchgeführt, um mehr Erkenntnisse über die Datensätze zu gewinnen. Anschließend wurden die Daten zufällig aufgeteilt, wobei sichergestellt wurde, dass die Datensätze repräsentativ sind. Der nächste Schritt bestand darin, anfängliche Modellparameter für die ersten Läufe auszuwählen. Die Parameter wurden aktualisiert und der Vorgang wiederholt, bis die besten Ergebnisse erzielt wurden. Sobald die optimalen Ergebnisse erzielt wurden, wurden die Modellhyperparameter extrahiert. Schließlich wurden die Modelle durch einen Blind-Holdout-Datensatz validiert, der nicht an der Entwicklung der Vorhersagemodelle beteiligt war. Abbildung 1 zeigt kurz die in dieser Arbeit angewandte Methodik zur Entwicklung der KI-Modelle.

Flussdiagramm der in der Studie durchgeführten Methodik.

Aus Vertikalschnitten im gleichen Gebiet wurde ein Datensatz mit rund 3145 Punkten bereitgestellt. Der Datensatz umfasste die Bohrdaten, den Formationsdruck und die Tiefe. Die Bohrdaten wurden als Eingaben für das Modell verwendet, um als Ausgabe den Druckgradienten der Formation vorherzusagen. Zu diesen Bohrdaten gehörten hydraulische Daten wie Q und SPP sowie mechanische Daten wie RS, ROP, Drehmoment (T) und WOB. Diese Bohrdaten können entweder an der Oberfläche oder im Bohrloch während des Bohrens aufgezeichnet werden und werden durch die durchdrungenen Schichten und deren Flüssigkeitsgehalt beeinflusst. An den Felddaten wurde eine statistische Analyse durchgeführt, die zeigte, dass die Daten ein breites Spektrum an Eingaben und Ausgaben abdeckten, wie in Tabelle 1 dargestellt. Beispielsweise stellten die Daten den Druckgradienten der Formation gut dar, da sie subnormale, normale und übernormale Gradientenwerte. Tabelle 2 zeigt eine Auswahl der in dieser Studie verwendeten Felddaten. Die Beziehung zwischen jeder Variablen und den anderen Variablen wurde anhand von R getestet, wie in Abb. 2 dargestellt. Darüber hinaus wurden Kreuzdiagramme jedes Bohrparameters mit dem Porendruckgradienten erstellt, wie in Abb. 3 dargestellt.

R-Werte zwischen den einzelnen Eingaben und dem Formationsdruckgradienten sowie eine Tabelle mit den R-Werten zwischen den beiden Variablen.

Kreuzdiagramme des Druckgradienten gegenüber verschiedenen Bohrparametern.

Bei der KI ist die Qualität der Daten ebenso wichtig wie die Vorhersagequalität. Infolgedessen wurde der Datensatz bereinigt, indem nicht repräsentative Werte wie −999-Werte und NAN (keine Zahl) entfernt wurden. Anschließend sollten die Ausreißer, bei denen es sich um Beobachtungen handelt, die außerhalb des Gesamtmusters einer Verteilung liegen, entfernt werden, da sie bei der statistischen Analyse zu ernsthaften Problemen führen können60. Aufgrund menschlicher und/oder instrumenteller Fehler können Ausreißer auftreten. Die Erkennung von Ausreißern kann auf viele Arten durchgeführt werden, beispielsweise durch Z-Score (Entfernen von Werten, die um mehr als eine bestimmte Anzahl von Standardabweichungen vom Mittelwert entfernt sind) und ein Box-and-Whisker-Diagramm (Entfernen von Werten, die über der Ober- und Untergrenze liegen). bestimmt durch Aufteilung der Daten in vier Quartile)61. Die Qualität und Zuverlässigkeit der Eingaben wurden durch verschiedene Techniken überprüft, beispielsweise durch den Vergleich der aufgezeichneten Variablen mit den Bereichen der Ausrüstung und mit ähnlichen Variablen in den versetzten Bohrlöchern innerhalb des Feldes. Darüber hinaus wurde die Ausgabe mit den Werten des Formationsdruckgradienten verglichen, die durch bekannte Trends des Gradienten der Schichten im ausgewählten Gebiet erzeugt wurden. Die Überprüfung ergab eine gute Übereinstimmung zwischen den aufgezeichneten und den erzeugten Drücken, was auf die Zuverlässigkeit der Messungen hinweist.

Die Gesteinseigenschaften beeinflussen die Bohrbarkeit der geologischen Säule, da die Eigenschaften die Impedanz zum Bohren durch Gesteinsschichten steuern. Die Bohrdaten können in gewisser Weise den Widerstand widerspiegeln, dem man beim Bohren verschiedener Formationen ausgesetzt ist. Drehgeschwindigkeit und Gewicht des Meißels können je nach Art der Formationen angepasst werden62. Darüber hinaus haben die beim Bohren entstehenden Späne Auswirkungen auf die Drücke und Fördermengen der Pumpe, die für eine gute Bohrlochreinigung erforderlich sind. Alle vorherigen Bohrparameter und der Formationstyp spielen eine wichtige Rolle bei der Steuerung der Penetrationsrate63,64. Folglich können die Bohrdaten irgendwie die Art der gebohrten Formationen und damit auch deren Formationsdruck widerspiegeln. ROP kann als Indikator zur Identifizierung übernormaler Schichten beim Bohren verwendet werden. Bei der Entwicklung dieser Modelle wurde ROP einbezogen, da es die Auswirkungen anderer Bohrvariablen wie WOB berücksichtigt. Darüber hinaus wurde RS zum Erstellen der Modelle verwendet, da es indirekt den Effekt des T enthält. Zur Vereinfachung des Modells wurden zwei mechanische Variablen (ROP und RS) zusammen mit zwei hydraulischen Variablen (SPP und Q) verwendet.

Nach Überprüfung der Qualität des ausgewählten Datensatzes. Die erhaltenen Daten wurden in zwei Gruppen mit einem Verhältnis von 3:1 für Training und Tests aufgeteilt. Die Hyperparameter des ANN-Modells, einschließlich verschiedener Kombinationen verschiedener verfügbarer Optionen für ANN-Hyperparameter, wurden durch das Testen vieler Szenarien für jeden Parameter optimiert. Die verschiedenen Optionen für jeden ANN-Parameter und die optimalen Optionen sind in Tabelle 3 aufgeführt. R, Bestimmtheitsmaß (R2) und AAPE wurden durch die Gleichungen berechnet. (1), (2) und (3) wie im ergänzenden Anhang 1 dargestellt. Die Hyperparameter mit dem höchsten R, R2 und dem minimalen Fehler (RMSE, MSE und AAPE) wurden ausgewählt. Es wurde festgestellt, dass die optimale Anzahl von Neuronen 10 beträgt, die nur eine verborgene Schicht belegen. Das Modell wurde unter Verwendung des newcf-Netzwerks mit dem Levenberg-Marquardt-Algorithmus (trainlm) als Trainingsfunktion erstellt, um die optimalen Gewichte und Verzerrungen mit einer Lernrate von 0,12 zu erhalten. Eine Aktivierungsfunktion vom logarithmischen Sigmoidaltyp (logsig) wurde als Übertragungsfunktion verwendet, die die Eingabe- und die verborgene Schicht verbindet, und eine Aktivierungsfunktion vom linearen Typ (purelin) verband die verborgene und die Ausgabeschicht. Abbildung 4 zeigt eine typische Struktur des vorgeschlagenen ANN-Modells.

Schematische Darstellung der Struktur des entwickelten KNN.

Das vorgeschlagene ANN-Modell besteht aus drei Schichten. Die erste Ebene enthält die Eingaben; Die zweite Schicht enthält die Neuronen mit ihren Gewichten und Bias und die dritte Schicht ist die Ausgabeschicht. Die Eingabeparameter für das Modell waren Q, ROP, SPP und RS. Das ANN-Modell sagte den Formationsdruckgradienten mit einem hohen R von 0,981 bzw. 0,973 für Training und Tests voraus. Darüber hinaus liegt der RMSE zwischen 0,015 und 0,018 und der AAPE überschreitet für Training und Tests 2,22 % nicht. Die erhaltenen Trainings- und Testergebnisse sind in Tabelle 4 zusammengefasst. Das Fehlerhistogramm (vorhergesagt – tatsächlich) zeigt, dass die meisten vorhergesagten Werte einen sehr kleinen Fehler im Bereich von –0,02 bis 0,02 psi/ft aufweisen, wie in Abb. 5 dargestellt. Die Netzwerktrainingsleistung wurde gegen den mittleren quadratischen Fehler überwacht, wie in Abb. 6 dargestellt, mit der besten Validierung bei Epoche 48. Abbildung 7 zeigt die Kreuzdiagramme der geschätzten gegenüber den aufgezeichneten Zielwerten und zeigt die Punkte, die mit der 45°-Linie zusammenfallen. Die aufgezeichneten und vorhergesagten Zielwerte wurden im selben Diagramm grafisch dargestellt, um die Variationen über die ausgewählten Intervalle hinweg zu beobachten, wie in Abb. 8 dargestellt, was auf eine hohe Schätzgenauigkeit hinweist.

Fehlerhistogramm des entwickelten ANN-Modells.

Die Trainingsleistung in Bezug auf MSE zeigt die beste Validierung in Epoche 48.

Kreuzdiagramme der geschätzten gegenüber den aufgezeichneten Zielwerten (A) Training und (B) Tests (ANN-Modell).

Formationsdruckgradientenprofile (A) Training und (B) Testen (ANN-Modell).

Die Gewichte und Bias wurden aus dem optimierten ANN-Modell extrahiert, wie in Tabelle 5 aufgeführt, um eine empirische Gleichung zur Vorhersage des Porendruckgradienten aus den verfügbaren Bohrparametern bereitzustellen. Die entwickelte Gleichung in normalisierter Form ist durch Gl. (1) und kann nach der Normalisierungsphase der Eingabeparameter so verwendet werden, dass sie im Bereich von –1 bis 1 liegen, wie durch Gleichung (1) angegeben. (2).

wobei \({Pg}_{n}\) das normalisierte \(Pg\), \(N\) die Anzahl der Neuronen ist, also 10, \({w}_{{1}_{i}}\ ) ist die Gewichtung, die jedem Feature zwischen der Eingabe- und der verborgenen Ebene zugeordnet ist, \({w}_{{2}_{i}}\) ist die Gewichtung, die jedem Feature zwischen der verborgenen und der Ausgabeschicht zugeordnet ist, \( {b}_{{1}_{i}}\) ist die Vorspannung, die jedem Neuron in der verborgenen Schicht zugeordnet ist, \({b}_{2}\) ist die Vorspannung der Ausgabeschicht.

Dabei ist \({Y}_{{i}_{nor}}\) der normalisierte Wert der Variablen \(Y\), \({Y}_{\mathrm{i}}\) der Wert von Variable \(Y\) am Punkt i, \({Y}_{i min}\) ist der Minimalwert der Variablen \(Y\), \({Y}_{i max}\) ist der Maximalwert der Variablen \(Y\). Die Mindest- und Höchstwerte für jeden Parameter, die bei der Datennormalisierung verwendet wurden, sind in Tabelle 6 aufgeführt.

Normalisieren Sie die eingegebenen Bohrparameter in \({\mathrm{PR}}_{\mathrm{n}}, {\mathrm{SPP}}_{\mathrm{n}}, {\mathrm{RS}}_{\ mathrm{n}} {\mathrm{und ROP}}_{\mathrm{n}}\) unter Verwendung von Gl. (2) und statistische Daten in Tabelle 6.

Berechnen Sie den normalisierten Wert der Ausgabe \({Pg}_{n}\) mithilfe von Gleichung. (1) und die in Tabelle 5 aufgeführten optimalen Gewichte und Vorspannungen. Die Eingabedaten sollten wie folgt geordnet werden: Pumpenrate (GPM), SPP (psi), Drehzahl (RPM) und ROP (ft/h), jeweils gleich Einheiten.

Das erhaltene \({Pg}_{n}\) wird durch Gl. auf einen tatsächlichen \(\mathrm{Pg}\)-Wert denormalisiert. (3):

wobei \({\mathrm{Pg}}_{\mathrm{n}}\) das normalisierte \(\mathrm{Pg}\) ist, das durch die entwickelte Korrelation geschätzt wird, \(\mathrm{Pg}\) das ist tatsächlicher Wert (psi/ft).

Die Anwendung von ANFIS in der Erdöltechnik zeigte eine hohe Zuverlässigkeit als Vorhersageinstrument65. Um das Modell zu erhalten, wurden sowohl Genfis 1, das Rasterpartitionierung verwendet, als auch Genfis 2, das subtraktives Clustering verwendet, getestet. Genfis 2 lieferte im Vergleich zu Genfis 1 bessere Ergebnisse, weshalb das ANFIS-Modell mit der subtraktiven Clustering-Technik erstellt wurde. Der Optimierungsprozess umfasste die Verwendung verschiedener Kombinationen aus Clusterradiusgröße und Anzahl der Iterationen. Das Modell wurde unter Verwendung des Sugeno-Fis-Typs mit einem Clusterradius von 0,2 und 400 Iterationen erstellt, was zu den besten Ergebnissen führte. Das ANFIS-Modell sagte das Ziel mit einem hohen R von 0,98 und 0,97 für Training und Tests voraus. Darüber hinaus lag der RMSE bei etwa 0,02 psi/ft und der AAPE übersteigt bei Training und Tests nicht 2,1 %. Die erzielten Trainings- und Testergebnisse sind in Tabelle 7 zusammengefasst. Abbildung 9 zeigt die Kreuzdiagramme der vorhergesagten gegenüber den aufgezeichneten Zielwerten und zeigt die Punkte, die mit der 45°-Linie zusammenfallen. Die aufgezeichneten und geschätzten Werte wurden im selben Diagramm grafisch dargestellt, um die Variationen entlang der ausgewählten Intervalle zu beobachten, wie in Abb. 10 dargestellt, was auf eine hohe Vorhersagegenauigkeit hinweist.

Cross-Plots des ANFIS-Modells (A) Training und (B) Testen.

Formationsdruckgradientenprofile (A) Training und (B) Testen (ANFIS-Modell).

Die vorgeschlagenen ANN- und ANFIS-Modelle wurden mithilfe eines Blind-Holdout-Datensatzes validiert, der nicht an der Entwicklung der Modelle beteiligt war. Ein Datensatz (92 Punkte) aus demselben Feld wurde gesammelt, um die Modelle zu füttern und die aufgezeichneten mit den geschätzten Druckgradientenwerten zu vergleichen. Mithilfe der Profile der Bohrdaten lieferten die Modelle kontinuierliche Profile des Ziels. Sowohl ANN als auch ANFIS haben das Ziel mit einem hohen R von etwa 0,99 zwischen den aufgezeichneten und geschätzten Zielwerten zur Validierung vorhergesagt. Darüber hinaus lag der RMSE bei etwa 0,01 psi/ft und der AAPE überschritt bei beiden Modellen nicht 1,63 %. Abbildung 11 zeigt die Kreuzdiagramme der vorhergesagten gegenüber den aufgezeichneten Zielwerten und zeigt die Punkte, die mit der 45°-Linie zusammenfallen. Die vorgeschlagenen Modelle zeigten eine recht gute Leistung, wenn sie mit Test- und Validierungsdatensätzen getestet wurden, die nicht in der Trainingsphase enthalten waren.

Kreuzdiagramme für die Validierungsphase (A) ANN und (B) ANFIS.

In dieser Arbeit wurde eine neuartige Methode zur Schätzung des Formationsdruckgradienten mithilfe von KI während des Bohrens unter Verwendung der verfügbaren Oberflächenbohrdaten vorgestellt. Im Gegensatz zu den entwickelten empirischen Modellen in der Literatur benötigen die entwickelten Modelle keinen normalen Trend, um den Formationsdruck vorherzusagen. Die entwickelten Modelle können mit jedem automatischen Bohrsystem zusammengeführt werden, um den Druckgradienten während des Bohrens kostengünstig abzuschätzen. Darüber hinaus kann es die unproduktive Zeit verkürzen, indem die zeitaufwändigen Bohrprobleme minimiert werden, indem sie vorhergesagt und minimiert werden, bevor sie auftreten. Dieses Werkzeug kann die Bohrvorgänge während des Bohrens und der Vorbohrkonstruktion technisch und wirtschaftlich verbessern, um die richtigen Entscheidungen zu treffen und mögliche Probleme wie Kick, Blowout und Zirkulationsverluste zu vermeiden. Die Ergebnisse dieser Arbeit lassen sich wie folgt auflisten:

Die optimalen Parameter des ANN-Modells sind eine verborgene Schicht mit 10 Neuronen, ein neues CF-Netzwerk mit Levenberg-Marquardt-Algorithmus (trainlm) als Trainingsfunktion mit einer Lernrate von 0,12 und eine logarithmische Sigmoidalfunktion als Übertragungsfunktion.

Die optimalen Parameter des auf subtraktivem Clustering basierenden ANFIS-Modells sind ein Clusterradius von 0,2 und 400 Iterationen.

Die vorgeschlagenen Modelle können den Porendruckgradienten mit angemessener Genauigkeit vorhersagen, wie durch R etwa 0,975 und RMSE etwa 0,018 psi angegeben.

Die ANN-basierte Korrelation kann direkt genutzt werden, indem die optimalen Gewichtungen und Bias eingeführt werden, wann immer die Bohrparameter verfügbar sind, anstatt das ANN-Modell auszuführen.

Druckgefälle

Künstliche neuronale Netz

Adaptives netzwerkbasiertes Fuzzy-Interferenzsystem

Korrelationskoeffizient

Durchschnittlicher absoluter prozentualer Fehler

Künstliche Intelligenz

Fuzzy-Inferenzsystem

Bestimmtheitsmaß

Mittlere quadratische Fehler

Gewicht auf Gebiss

Rotationsgeschwindigkeit in Umdrehungen pro Minute

Penetrationsrate

Gallone pro Minute

Standrohrdruck

Drehmoment

Funktionsangepasstes neuronales Netzwerk

Schaffen Sie ein passendes Netzwerk

Erstellen Sie ein kaskadiertes Backpropagation-Netzwerk

Erstellen Sie ein Elman-Backpropagation-Netzwerk

Schichtwiederkehrendes Netzwerk

Erstellen Sie ein verteiltes neuronales Netzwerk mit Zeitverzögerung

Erstellen Sie ein Feedforward-Backpropagation-Netzwerk

Erstellen Sie ein Mustererkennungsnetzwerk

Erstellen Sie ein Feedforward-Backpropagation-Netzwerk mit Eingabeverzögerung

Bayesianische Regularisierung

Einstufige Sekanten-Rückausbreitung

Levenberg-Marquardt-Backpropagation

BFGS-Quasi-Newton-Backpropagation

Gradientenabstieg mit Impuls und adaptiver Lernregel-Backpropagation

Hyperbolische Tangens-Sigmoid-Übertragungsfunktion

Log-Sigmoid-Übertragungsfunktion

Hard-Limit-Übertragungsfunktion

Lineare Übertragungsfunktion

Softmax-Übertragungsfunktion

Dreiecksbasisübertragungsfunktion

Sättigende lineare Übertragungsfunktion

Inverse Übertragungsfunktion

Radiale Basisübertragungsfunktion

Voreingenommenheit der Eingabeschicht

Voreingenommenheit der Ausgabeschicht

Gewichte, die Eingaben und verborgene Ebenen verknüpfen

Gewichte, die Ausgabe und verborgene Ebene verbinden

Index jedes Neurons in der verborgenen Schicht

Normalisierter Wert

Mouchet, JP & Mitchell, A. Abnormale Drücke beim Bohren (Elf Aquitaine, 1989).

Google Scholar

Rabia, H. Well Engineering & Construction Hussain Rabia (Entrac Consulting, 2002).

Google Scholar

Tingay, MRP, Hillis, RR, Swarbrick, RE, Morley, CK & Damit, AR Ursprung der Überdruck- und Porendruckvorhersage in der Provinz Baram, Brunei. Bin. Assoc. Benzin. Geol. Stier. 93, 51–74 (2009).

Google Scholar

Zoback, MD Reservoir-Geomechanik. Reservoir-Geomechanik. https://doi.org/10.1017/CBO9780511586477 (Cambridge University Press, 2007).

Hottman, CE & Johnson, RK Schätzung des Formationsdrucks aus logarithmisch gewonnenen Schiefergrundstücken. J. Benzin. Technol. 17, 1754 (1965).

Artikel Google Scholar

Matthews, WR & Kelly, J. Wie man den Formationsdruck und den Bruchgradienten aus elektrischen und akustischen Protokollen vorhersagt. Oil Gas J. (1967).

Pennebaker, ES Erkennung von Formationen mit abnormalem Druck anhand seismischer Felddaten. in der Bohr- und Produktionspraxis. 184–191. (American Petroleum Institute, 1968).

Eaton, BA Die Gleichung für die Geodruckvorhersage aus Bohrlochprotokollen. https://doi.org/10.2118/5544-ms (Society of Petroleum Engineers (SPE), 1975).

Gardner, GHF, Gardner, LW & Gregory, AR Formationsgeschwindigkeit und -dichte – Die diagnostischen Grundlagen für stratigraphische Fallen. Geophysics 39, 770–780 (1974).

Artikel ADS Google Scholar

Bowers, GL Data: Berücksichtigung von Überdruckmechanismen neben Unterverdichtung. Soc. Benzin. Ing. (SPE) 27488, 89–95 (1995).

Google Scholar

López, JL, Rappold, PM, Ugueto, GA, Wieseneck, JB & Vu, CK Integriertes gemeinsames Erdmodell: 3D-Porendruckvorhersage und Unsicherheitsanalyse. Leading Edge (Tulsa, OK) 23, 52–59 (2004).

Artikel Google Scholar

Gutierrez, MA, Braunsdorf, NR & Couzens, BA Kalibrierung und Ranking von Porendruck-Vorhersagemodellen. Leading Edge (Tulsa, OK) 25, 1516–1523 (2006).

Artikel Google Scholar

Foster, JB & Whalen, HE Schätzung des Formationsdrucks aus elektrischen Untersuchungen – Offshore-Louisiana. SPE Nachdruck Ser. 18, 57–63 (1966).

Google Scholar

Ham, HH Eine Methode zur Schätzung des Formationsdrucks anhand von Bohrlochprotokollen an der Golfküste. Bd. 16. (1966).

Eaton, BA Die Gleichung für die Geodruckvorhersage aus Bohrlochprotokollen. OnePetro https://doi.org/10.2118/5544-ms (1975).

Artikel Google Scholar

Eaton, BA Die Auswirkung von Überlagerungsspannung auf die Geodruckvorhersage aus Bohrlochprotokollen. J. Benzin. Technol. 24, 929–934 (1972).

Artikel Google Scholar

Zhang, J. Porendruckvorhersage aus Bohrlochprotokollen: Methoden, Modifikationen und neue Ansätze. Erdwissenschaft. Rev. 108, 50–63 (2011).

Artikel ADS Google Scholar

Lang, J., Li, S. & Zhang, J. Bohrstabilitätsmodellierung und Echtzeitüberwachung für Tiefwasserbohrungen zu schwachen Bettungsebenen und erschöpften Reservoirs. in SPE/IADC Drilling Conference, Proceedings. Bd. 1. 145–162. (Society of Petroleum Engineers (SPE), 2011).

Bingham, MG Ein neuer Ansatz zur Interpretation der Bohrbarkeit von Gestein. Oil Gas J. (1965) (Nachdruck).

Jorden, JR & Shirley, OJ Anwendung von Bohrleistungsdaten zur Überdruckerkennung. SPE Nachdruck Ser. 18, 19–26 (1967).

Google Scholar

Rehm, B. & McClendon, R. Messung des Formationsdrucks anhand von Bohrdaten. https://doi.org/10.2118/3601-ms (Society of Petroleum Engineers (SPE), 1971).

Contreras, O., Hareland, G. & Aguilera, R. Ein innovativer Ansatz zur Porendruckvorhersage und Bohroptimierung in einem Becken mit ungewöhnlichem Unterdruck. SPE-Bohrer. Komplett. 27, 531–545 (2012).

Artikel CAS Google Scholar

Kalogirou, SA Künstliche Intelligenz zur Modellierung und Steuerung von Verbrennungsprozessen: Ein Rückblick. Prog. Energieverbrennung. Wissenschaft. 29, 515–566 (2003).

Artikel CAS Google Scholar

Russell, SJ & Norvig, P. Künstliche Intelligenz: Ein moderner Ansatz. 3. Aufl. (2016).

Mohaghegh, S. Anwendungen virtueller Intelligenz in der Erdöltechnik: Teil I – Künstliche neuronale Netze. J. Benzin. Technol. 52, 64–73 (2000).

Artikel Google Scholar

Elsafi, SH Künstliche neuronale Netze (ANNs) zur Hochwasservorhersage an der Dongola-Station im Nil, Sudan. Alex. Ing. J. 53, 655–662 (2014).

Artikel Google Scholar

Doraisamy, H., Ertekin, T. & Grader, AS Schlüsselparameter, die die Leistung von Neurosimulationsanwendungen in der Feldentwicklung steuern. in Proceedings of the SPE Annual Western Regional Meeting. 233–241. https://doi.org/10.2118/51079-ms (Society of Petroleum Engineers (SPE), 1998).

Alsaihati, A., Elkatatny, S. & Abdulraheem, A. Echtzeitvorhersage der äquivalenten Zirkulationsdichte für horizontale Bohrlöcher mithilfe intelligenter Maschinen. ACS Omega 6, 934–942 (2021).

Artikel CAS PubMed Google Scholar

Gamal, H., Abdelaal, A. & Elkatatny, S. Modelle für maschinelles Lernen für die Vorhersage äquivalenter Zirkulationsdichten aus Bohrdaten. ACS Omega 8, 4363 (2021).

Google Scholar

Gamal, H., Abdelaal, A., Alsaihati, A., Elkatatny, S. & Abdulraheem, A. Künstliches neuronales Netzwerkmodell zur Vorhersage der äquivalenten Zirkulationsdichte anhand von Bohrparametern. (2021).

Abdelaal, A., Elkatatny, S. & Abdulraheem, A. Formationsdruckvorhersage aus mechanischen und hydraulischen Bohrdaten unter Verwendung künstlicher neuronaler Netze (OnePetro, 2021).

Google Scholar

Abdelaal, A., Elkatatny, S. & Abdulraheem, A. Datengesteuerter Modellierungsansatz zur Vorhersage des Porendruckgradienten beim Bohren anhand von Bohrparametern. ACS Omega https://doi.org/10.1021/acsomega.1c01340 (2021).

Artikel PubMed PubMed Central Google Scholar

Gamal, H., Elkatatny, S., Alsaihati, A. & Abdulraheem, A. Intelligente Vorhersage der Gesteinsporosität beim Bohren komplexer Lithologie in Echtzeit. Berechnen. Intel. Neurosci. 2021, 14 (2021).

Artikel Google Scholar

Abdelaal, A., Ibrahim, AF & Elkatatny, S. Datengesteuerter Ansatz zur Widerstandsvorhersage mithilfe künstlicher Intelligenz. J. Energieressource. Technol. 144, 103003 (2022).

Artikel CAS Google Scholar

Alsabaa, A. & Elkatatny, S. Verbesserte Verfolgung der rheologischen Eigenschaften von Max-Bridge-Schlamm auf Ölbasis mithilfe künstlicher neuronaler Netze. ACS Omega 6, 15816–15826 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Abdelgawad, K., Elkatatny, S., Moussa, T., Mahmoud, M. & Patil, S. Echtzeitbestimmung der rheologischen Eigenschaften von Spud-Bohrflüssigkeiten mithilfe einer hybriden Technik der künstlichen Intelligenz. J. Energieressource. Technol. Trans. ASME 141, 3 (2019).

Artikel CAS Google Scholar

Gowida, A., Elkatatny, S., Ramadan, E. & Abdulraheem, A. Datengesteuertes Framework zur Vorhersage der rheologischen Eigenschaften von Bohrflüssigkeit auf CaCl2-Solebasis mithilfe eines künstlichen neuronalen Netzwerks. Energien (Basel) 12, 10 (2019).

Google Scholar

Gomaa, I., Elkatatny, S. & Abdulraheem, A. Echtzeitbestimmung der rheologischen Eigenschaften von Bohrflüssigkeit mit hohem Übergewicht, die zum Bohren ultratiefer Gasbohrungen verwendet wird, mithilfe eines künstlichen neuronalen Netzwerks. J. Nat. Gaswissenschaft. Ing. 77, 103224 (2020).

Artikel Google Scholar

Alsabaa, A., Gamal, H., Elkatatny, S. & Abdulraheem, A. Echtzeitvorhersage der rheologischen Eigenschaften von Invertemulsionsschlamm mithilfe eines adaptiven Neuro-Fuzzy-Inferenzsystems. Sensoren 20, 1669 (2020).

Artikel ADS CAS PubMed Central 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. https://doi.org/10.1007/s00521-020-05546-7 (2021).

Artikel Google Scholar

Mahmoud, A., Elkatatny, S., Chen, W. & Abdulraheem, A. Schätzung des Ölgewinnungsfaktors für wassergetriebene Sandreservoirs durch Anwendungen künstlicher Intelligenz. Energien (Basel) 12, 3671 (2019).

Artikel CAS Google Scholar

Ahmed, A., Elkatatny, S., Gamal, H. & Abdulraheem, A. Modelle der künstlichen Intelligenz zur Echtzeit-Vorhersage der Schüttdichte vertikaler komplexer Lithologien unter Verwendung der Bohrparameter. Araber. J. Sci. Ing. https://doi.org/10.1007/S13369-021-05537-3 (2021).

Artikel Google Scholar

Gowida, A., Elkatatny, S. & Abdulraheem, A. Anwendung eines künstlichen neuronalen Netzwerks zur Vorhersage der Formationsdichte während des Bohrens. Petrophysics 60, 660–674 (2019).

Google Scholar

Fatehi, M. & Asadi, HH Datenintegrationsmodellierung angewendet auf die Bohrlochplanung durch halbüberwachtes Lernen: Eine Fallstudie aus der Cu-Au-Porphyrlagerstätte Dalli im Zentraliran. J. Afr. Erde Sc. 128, 147–160 (2017).

Artikel ADS CAS Google Scholar

Moazzeni, A. & Haffar, MA Künstliche Intelligenz zur Identifizierung von Lithologien anhand von Bohrdaten in Echtzeit. J. Earth Sci. Aufstieg. Änderung 06, 1–4 (2015).

Google Scholar

Zazoun, RS Bruchdichteschätzung aus Kern- und konventionellen Bohrlochprotokolldaten unter Verwendung künstlicher neuronaler Netze: Das kambro-ordovizische Reservoir des Mesdar-Ölfelds, Algerien. J. Afr. Erdwissenschaft. 83, 55–73 (2013).

Artikel ADS Google Scholar

Siddig, O. & Elkatatny, S. Arbeitsablauf zur Erstellung eines kontinuierlichen statischen Elastizitätsmodulprofils aus den Bohrdaten mithilfe von Techniken der künstlichen Intelligenz. J. Benzin. Entdecken. Produkt. Technol. 11, 3713–3722 (2021).

Artikel Google Scholar

Siddig, OM, Al-Afnan, SF, Elkatatny, SM & Abdulraheem, A. Bohrdatenbasierter Ansatz zur Erstellung eines kontinuierlichen statischen Elastizitätsmodulprofils unter Verwendung von Techniken der künstlichen Intelligenz. J. Energieressource. Technol. 144, 2 (2022).

Artikel Google Scholar

Ahmed, A., Elkatatny, S. & Alsaihati, A. Anwendungen künstlicher Intelligenz zur statischen Poissonzahl-Vorhersage beim Bohren. Berechnen. Intel. Neurosci. 2021, 10081 (2021).

Artikel Google Scholar

Siddig, O., Gamal, H., Elkatatny, S. & Abdulraheem, A. Anwendung verschiedener Techniken der künstlichen Intelligenz bei der dynamischen Poissonzahl-Vorhersage unter Verwendung von Bohrparametern. J. Energieressource. Technol. 144, 7 (2022).

Artikel Google Scholar

Siddig, O., Gamal, H., Elkatatny, S. & Abdulraheem, A. Echtzeitvorhersage des Poisson-Verhältnisses aus Bohrparametern mithilfe von maschinellen Lernwerkzeugen. Wissenschaft. Rep. 11, 1–13 (2021).

Artikel ADS CAS Google Scholar

Al-Abdul Jabbar, A., Elkatatny, S., Mahmoud, M. & Abdulraheem, A. Vorhersage von Formationsspitzen beim Bohren mithilfe künstlicher Intelligenz. in Society of Petroleum Engineers-SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition 2018, SATS 2018. https://doi.org/10.2118/192345-ms (Society of Petroleum Engineers, 2018).

Li, W., Yan, T. & Liang, Y. Druckvorhersagetechnologie der tiefen Schichten basierend auf dem neuronalen BP-Netzwerk. in fortgeschrittener Materialforschung. Bd. 143–144. 28–31. (Trans Tech Publications Ltd, 2010).

Hu, L. et al. Eine neue Methode zur Vorhersage des Porendrucks – künstliches neuronales Netzwerk mit Rückausbreitung. Elektron. J. Geotech. Ing. 18, 4093–4107 (2013).

Google Scholar

Keshavarzi, R. & Jahanbakhshi, R. Echtzeitvorhersage des Porendruckgradienten durch einen Ansatz der künstlichen Intelligenz: Eine Fallstudie aus einem der Ölfelder im Nahen Osten. EUR. J. Umgebung. Zivil. Ing. 17, 675–686 (2013).

Artikel Google Scholar

Aliouane, L., Ouadfeul, S.-A. & Boudella, A. Porendruckvorhersage in Schiefergaslagerstätten mithilfe neuronaler Netzwerke und Fuzzy-Logik mit einer Anwendung auf Barnett Shale. EGUGA 17, 2723 (2015).

Google Scholar

Rashidi, M. & Asadi, A. Ein Ansatz der künstlichen Intelligenz zur Schätzung des Formationsporendrucks anhand kritischer Bohrdaten. im 52. US Rock Mechanics/Geomechanics Symposium (2018).

Ahmed, A., Elkatatny, S., Ali, A., Mahmoud, M. & Abdulraheem, A. Neues Modell zur Porendruckvorhersage beim Bohren mithilfe künstlicher neuronaler Netze. Araber. J. Sci. Ing. 44, 6079–6088 (2018).

Artikel Google Scholar

Ahmed, A., Elkatatny, S., Ali, A. & Abdulraheem, A. Vergleichende Analyse von Techniken der künstlichen Intelligenz zur Vorhersage des Formationsdrucks beim Bohren. Araber. J. Geosci. 12, 7 (2019).

Artikel CAS Google Scholar

Thunder, M., Moore, DS & McCabe, GP Einführung in die Praxis der Statistik. Mathematik. Gaz. 79, 252 (1995).

Artikel Google Scholar

Dawson, R. Wie signifikant ist ein Boxplot-Ausreißer? J. Stat. Educ. 19, 2 (2011).

Artikel Google Scholar

Bourgoyne, JAT, Millheim, KK, Chenevert, ME & Young, JFS Angewandte Bohrtechnik. Bd. 2. (1986).

Head, AL Eine Bohrbarkeitsklassifizierung geologischer Formationen. in Proceedings des World Petroleum Congress. Bd. 1951. 42–57. (OnePetro, 1951).

Mensa-Wilmot, G., Calhoun, B. & Perrin, VP Formationsbohrbarkeit – Definition, Quantifizierung und Beiträge zur Bewertung der Bohrleistung. https://doi.org/10.2118/57558-ms (Society of Petroleum Engineers (SPE), 1999).

Aghli, G., Moussavi-Harami, R., Mortazavi, S. & Mohammadian, R. Evaluierung einer neuen Methode zur Schätzung von Bruchparametern unter Verwendung herkömmlicher petrophysikalischer Protokolle und ANFIS in den heterogenen Karbonatlagerstätten. J. Benzin. Wissenschaft. Ing. 172, 1092–1102 (2019).

Artikel CAS Google Scholar

Referenzen herunterladen

Die Autoren danken der King Fahd University of Petroleum & Minerals (KFUPM) für die Genehmigung der Veröffentlichung dieser Arbeit.

Diese Forschung erhielt keine externe Finanzierung.

College of Petroleum Engineering and Geosciences, King Fahd University of Petroleum and Minerals, Dhahran, 31261, Saudi-Arabien

Ahmed Abdelaal, Salaheldin Elkatatny und Abdulazeez Abdulraheem

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 überwachte die Arbeit und die Ergebnisanalyse. AA leitete den Entwurf der Methodik und Datenanalyse. AAZ beteiligte sich auch an der Methodengestaltung und Ergebnisanalyse. Das Originalmanuskript wurde von AA 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

Abdelaal, A., Elkatatny, S. & Abdulraheem, A. Echtzeitvorhersage des Formationsdruckgradienten während des Bohrens. Sci Rep 12, 11318 (2022). https://doi.org/10.1038/s41598-022-15493-z

Zitat herunterladen

Eingegangen: 14. April 2022

Angenommen: 24. Juni 2022

Veröffentlicht: 05. Juli 2022

DOI: https://doi.org/10.1038/s41598-022-15493-z

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)

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.