Exploration of real-time drilling data for optimization using machine learning

Abstract

L'obtention du taux de pénétration maximal (ROP) est l'une des nombreuses techniques permettant de réduire les coûts et le temps non productif (NPT) dans les puits de forage pétrolier et gazier. De nombreux paramètres affectent la ROP, notamment le nettoyage des trous, l'usure des dents, etc. L'étude a été développée en quatre parties. Tout d'abord, nous avons la généralité du forage et l'enregistrement des paramètres. Dans la deuxième partie, les modèles d'intelligence artificielle et d'apprentissage automatique (ML). Troisièmement, comment pré-traiter les données, les nettoyer et les préparer avant utilisation. Enfin, la présentation des données et leur interprétation, des modèles d'apprentissage automatique (ML) (régression linéaire simple et multiple) ont été mis en oeuvre pour créer un modèle ROP et la section la plus performante a été sélectionnée. Dans cette étude, un paramètre (ROP) a été modélisé et analysé. Le modèle utilise la profondeur de bits, le poids sur les bits (WOB), la vitesse de rotation (RPM) et le torque (T) comme entrées pour effectuer une régression et prédire le ROP. L'objectif de ce travail est d'étudier l'applicabilité de divers algorithmes d'apprentissage automatique pour prédire l'optimisation de certains paramètres de forage de puits afin d'éviter les problèmes et d'économiser du temps et de l'argent