استخدام الشبكات العصبية الاصطناعية للتنبؤ بأحداث فقدان سائل الحفر في حقل نفطي جنوب العراق
DOI:
https://doi.org/10.52716/jprs.v13i1.648الكلمات المفتاحية:
Artificial neural networks, ANN, Rumila oilfield, early stop, learning rateالملخص
غالبًا ما تصاحب عملية حفر المناطق الرخوة والهشة مثل (التكوينات عالية النفاذية والتكوينات الكهفية ومناطق التصدع والرملية) العديد من المشكلات. ومن أهم هذه المشاكل فقدان مائع الحفر في هذه التكوينات كليًا أو جزئيًا. يمكن أن يؤدي فقدان مائع الحفر إلى مشاكل أكبر وأكثر تعقيدًا ، بما في ذلك عصيان الأنابيب أو رفسة البئر وإغلاق البئر في النهاية.
إن مائع الحفر غالي الثمن نسبيًا، خاصةً الطين الزيتي أو موائع الحفر التي تحتوي على إضافات خاصة، لذلك فهو غير مفيد اقتصاديًا اهدار هذه الموائع وفقدانها. توفر الشبكات العصبية الاصطناعية إمكانية التنبؤ بفقدان موائع الحفر قبل حدوثها بناءً على بيانات معاملات الحفر وخصائص مائع الحفر للآبار التي عانت من مشكلة الخسائر الموجودة في نفس المنطقة. في هذا البحث، تم تطوير نموذجين للشبكات العصبية الاصطناعية للتنبؤ بخسائر موائع الحفر في تشكيل الدمام - حقل الرميلة النفطي في جنوب العراق. النموذجان لهما نفس الهيكل والتركيب. استخدم النموذج الأول تقنية التوقف المبكر لإيقاف عملية التدريب عندما نحصل على الحد الأدنى للدالة دون الاعتماد على عدد محدد من التكرارات واستخدم النموذج الثاني عدد محدد من التكرارات لإكمال عملية التدريب. كانت النتائج متقاربة من حيث دقة النموذج وقدرته على التنبؤ بأنواع مختلفة من الخسائر. كانت دقة تنفيذ R ^ 2 للنموذجين الأول والثاني 0.9302 و 0.9493 على التوالي. تقنية التوقف المبكر تمكننا من الحصول على موديل ذو دقة مقبولة بوقت قصير جدا دون الاعتماد على عدد محدد من التكرارات
المراجع
Giin-Fa Fuh, Nobuo Morita, P. A. Boyd, and S. J. McGoffin, "A New Approach to Preventing Lost Circulation While Drilling", Paper presented at the SPE Annual Technical Conference and Exhibition, Washington, D.C., October 1992. doi: https://doi.org/10.2118/24599-MS
R. Caenn, H. C. H. Darley, and G. R. Gray, “Composite and properties of Drilling and Completion Fluids”, [Book]. – six edition, 2011. https://doi.org/10.1016/C2015-0-04159-4
O. Razavi, A. K. Vajargah, E. van Oort, and M. Aldin, “Optimum particle size distribution design
for lost circulation control and wellbore strengthening”, Journal of Natural Gas Science and Engineering, vol. 35, pp. 836–850, 2016. http://dx.doi.org./10.1016/j.jngse.2016.08.038
C. Ezeakacha, S. Salehi, “Experimental and statistical investigation of Drilling Fluids Loss in porous
media– part 1”, Journal of Natural Gas Science and Engineering, vol. 51, pp. 104-115, 2018.
http://dx.doi.org./10.1016/j.jngse.2017.12.024.
M. Alsaba, M. Al Dushaishi, R. Nygaard, O. Nes, and A. Saasen, “Updated criterion to select particle size distribution of lost circulation materials for an effective fracture sealing”, Journal of Petroleum Science and Engineering, vol. 149, pp. 641–648, 2017. https://doi.org/10.1016/j.petrol.2016.10.027
U. Arshad, B. Jain, M. Ramzan, W. Alward, L. Diaz, I. Hasan, A. Aliyev, and C. Riji, “Engineered Solution to Reduce the Impact of Lost Circulation During Drilling and Cementing in Rumaila Field, Iraq”, Paper presented at the International Petroleum Technology Conference, Doha, Qatar, December 2015. doi: https://doi.org/10.2523/IPTC-18245-MS
J. U. Messenger, J. S. McNiel, “Lost Circulation Corrective: Time-Setting Clay Cement”, Journal of Petroleum Technology, 4(3), pp. 59-64, 1952.
A. Al-Hameedi, H. H. Alkinani, S. Dunn-Norman, R. E. Flori, and S. A. Hilgedick, “Real-time lost circulation estimation and mitigation”, Egyptian journal of petroleum, vol. 27, no. 4, pp.1227-1234, 2018. doi: https://doi.org/ 10.1016/j.ejpe.2018.05.006.
A. R. Moazzeni, M. Nabaei, and S. Ghadami Jegarluei, “Prediction of Lost Circulation Using Virtual Intelligence in One of Iranian Oilfields”, In: Proceeding of the SPE Nigeria Annual International Conference and Exhibition, Tinapa – Calabar, Nigeria, 31 July–7 August 2010. doi: https://doi.org/10.2118/136992-MS.
H. Toreifi, H. Rostami and A. K. manshad, "New Method For Prediction And Solving The Problem of Drilling Fluid Loss Using Modular Neural Network and Particle Swarm Optimization Algorithm”, Journal of Petroleum Exploration and Production Technology, vol. 4, no. 4, pp. 371–379, 2014. doi: http://dx.doi.org/10.1007/s13202-014-0102-5.
A. K. Abbas, U. Alameedy, M. Alsaba, and S. Rushdi, “Wellbore Trajectory Optimization Using Rate of Penetration and Wellbore Stability Analysis”, In: SPE International Heavy Oil Conference and Exhibition, Kuwait City, Kuwait, 10-12 December 2018. doi: http://dx.doi.org/10.2118/193755-ms.
S. Mohaghegh, D. McVey, K. Aminian; S. Ameri, “Predicting Well-Stimulation Results in a Gas-Storage Field in the Absence of Reservoir Data with Neural Networks”, SPE-31159-PA, SPE Reservoir Engineering, vol. 11, no. 04, pp. 268-272, 1995.
S. Mohaghegh, “Virtual-intelligence applications in petroleum engineering: Part 1d artificial neural networks”, Journal of Petroleum Technology, vol. 52, no. 09, pp. 64-73, 2000. https://doi.org/10.2118/58046-JPT
W. S. McCulloch, W. Pitts, “A logical calculus of the ideas immanent in nervous activity”, Bulletin of Mathematical Biophysics 5, pp. 115–133, 1943. https://doi.org/10.1007/BF02478259
H. Belyadi, A. Haghighat, “Machine Learning Guide for Oil and Gas Using Python: A Step-by-Step Breakdown with Data, Algorithms, Codes, and Applications”, Gulf Professional Publishing, an imprint of Elsevier. 2021. https://doi.org/10.1016/C2019-0-03617-5
D. Kriesel, “A brief introduction to neural networks”, 2005. www.dkriesel.com.
L. Fausett, “Fundamentals of neural networks: Architectures, algorithms and applications”, 1993.
J. Jordan, “Setting the learning rate of your neural network”, Retrieved 1 MAR 2018, from
https://www.jeremyjordan.me/nn-learning-rate/
Keras Team (n.d.). Keras documentation: Early Stopping. Retrieved 21 May 2022, from
https://keras.io/api/callbacks/early_stopping/
Keras Team (n.d.). Keras documentation: Learning RateScheduler. Retrieved 21 May 2022, from
https://keras.io/api/callbacks/learning_rate_scheduler/
Scikit-learn (n.d.). Sklearn model selection Grid search CV.Retrieved July 17, 2020, from
https://scikitlearn.org/ sklearn.model_selection.GridSearchCV
التنزيلات
منشور
كيفية الاقتباس
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2023 مجلة البحوث والدراسات النفطية
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
