Un dato híbrido

Aug 06, 2023

Scientific Reports volumen 12, Número de artículo: 15773 (2022) Citar este artículo

578 Accesos

2 citas

1 Altmetric

Detalles de métricas

La ventana de lodo seguro (SMW) define los límites permisibles de los pesos de lodo que se pueden usar al perforar pozos de petróleo y gas. El control del peso del lodo dentro de los límites de SMW ayudaría a evitar muchos problemas serios, como problemas de inestabilidad del pozo, pérdida de circulación, etc. peso del lodo por encima del cual puede ocurrir una falla por tracción (ruptura) (MWBD). Estos límites se pueden determinar a partir del análisis geomecánico de las formaciones de fondo de pozo. Sin embargo, dicho análisis no siempre es accesible para la mayoría de los pozos perforados. Por lo tanto, en este estudio, se presenta un nuevo enfoque para desarrollar un nuevo modelo basado en datos para estimar el rango de peso seguro del lodo en poco tiempo y sin costo adicional. Se desarrollaron nuevos modelos utilizando una red neuronal artificial (ANN) para estimar tanto MWBO como MWBD directamente a partir de los datos de registro que generalmente están disponibles para la mayoría de los pozos. Los modelos basados ​​en ANN se entrenaron con datos reales de un campo de Oriente Medio antes de ser probados por un conjunto de datos invisible. Los modelos lograron una alta precisión superior al 92 % al comparar los valores de salida previstos y observados. Además, se establecieron nuevas ecuaciones basadas en los pesos y sesgos de los modelos ANN optimizados mediante los cuales se pueden calcular tanto MWBO como MWBD sin necesidad de códigos complicados. Finalmente, se utilizó otro conjunto de datos del mismo campo para validar las nuevas ecuaciones y los resultados demostraron la alta solidez de las nuevas ecuaciones para estimar MWBO y MWBD con un error porcentual absoluto medio bajo de 0,60 % como máximo. Por lo tanto, a diferencia de los enfoques convencionales costosos, las ecuaciones recientemente desarrolladas facilitarían la determinación de los límites de SMW de manera oportuna y económicamente efectiva, con alta precisión siempre que los datos de registro estén disponibles.

La geomecánica se encuentra entre las ciencias que representan una piedra angular cuando se trata de la planificación y optimización de la perforación y el desarrollo de campos petroleros. Comprende el estudio de las propiedades mecánicas de las rocas además de la distribución de los esfuerzos in situ en las inmediaciones del pozo. La estimación cuidadosa de dicha información se considera un factor clave que podría ayudar a evitar una amplia gama de problemas costosos que pueden surgir durante las operaciones de perforación, terminación y estimulación. La geomecánica de las formaciones subterráneas se puede estudiar mediante la construcción de modelos geomecánicos que imiten el estado geomecánico in situ de las formaciones1. Esto podría contribuir a la investigación técnica de diferentes procesos y, a su vez, facilitar la reducción de costos. El modelo geomecánico se puede construir usando datos de registro convencionales, es decir, registros de densidad de formación, registros de porosidad, registros acústicos, etc. además de algunas pruebas de campo y experimentos de laboratorio basados ​​en núcleos para propósitos de calibración. La estabilidad del pozo se considera una de las principales preocupaciones durante el proceso de perforación. Dos problemas comunes se relacionan con la estabilidad del pozo: falla por tracción (fracturas) o ruptura del pozo (colapso). Como resultado, pueden ocurrir muchos problemas de pérdida de circulación, atascamiento de tuberías, lavados, etc. Por lo tanto, se debe tener cuidado al planificar bien para determinar la ventana de lodo segura para evitar eventos tan costosos y de pérdida de tiempo. La ventana de lodo segura generalmente se determina a la luz del estado de tensión in situ de las formaciones de fondo de pozo2. Los esfuerzos de la formación se describen en términos de magnitud y dirección, por lo que se puede evaluar la probabilidad de problemas de inestabilidad del pozo. En consecuencia, generalmente se requieren datos precisos sobre la configuración de la tensión in situ a lo largo de la profundidad del pozo para encontrar soluciones viables para posibles problemas de inestabilidad durante la perforación. Esto se puede lograr implementando el peso de lodo óptimo que existe dentro del rango de la ventana de lodo segura predefinida (SMW)3. El SMW se puede determinar mediante la aplicación de modelos geomecánicos basados ​​en datos de pozos, incluidas las tensiones in situ, la presión intersticial y las propiedades mecánicas de la roca, junto con criterios adecuados de falla de la roca4. Sin embargo, dicho análisis se considera costoso y requiere mucho tiempo, lo que limita su accesibilidad para la mayoría de los pozos perforados.

Recientemente, al igual que en diferentes industrias (Haghighat y Li, 2021), existe una creciente necesidad de sistemas inteligentes automatizados que puedan hacer uso de la disponibilidad de una gran cantidad de datos durante diferentes operaciones en la industria de petróleo y gas. Estos sistemas se basan en diferentes enfoques de aprendizaje automático que tienen como objetivo modelar y estimar diferentes parámetros clave de una manera rentable y eficiente en el tiempo5. Muchos estudios en la literatura han empleado enfoques de aprendizaje automático para estimar diferentes parámetros relacionados con la geomecánica que se utilizarían para diseñar SMW. En 2012, Rabbani et al. desarrolló un modelo utilizando redes neuronales para predecir la resistencia a la compresión no confinada (UCS), que es uno de los parámetros clave en el modelado geomecánico de la tierra, utilizando datos de registros de pozos como densidad, porosidad, etc. de un campo petrolífero en el sur de Irán. Pereira et al. (2013) introdujeron un modelo basado en árboles de decisión para predecir el peso de lodo apropiado para perforar formaciones salinas de manera segura. Utilizaron registros de perforación (p. ej., fecha/profundidad, peso de lodo observado), tipos de litología encontrados y registros de incidentes, p. ej., atascamiento de tuberías debido a la expansión de la formación. Tabaeh y Mohammad (2016) también desarrollaron un modelo basado en una red neuronal para predecir la velocidad de la onda de corte en función de los datos de registro. Luego incorporaron esta información en un nuevo flujo de trabajo para estimar las tensiones principales mínimas en una región tectónicamente activa. Zhou et al. (2016) desarrollaron un nuevo modelo para predecir la densidad de circulación equivalente (ECD) adecuada para controlar las presiones de fondo de pozo en condiciones HPHT. Utilizaron el tipo de lodo de perforación, las fracciones de aceite y las fases de agua en el lodo usado, además de las condiciones de formación de presión y temperatura como características de entrada para su red neuronal desarrollada. Okpo et al. (2016) investigaron la inestabilidad del pozo en un campo de Nigeria mediante el despliegue de un enfoque de red neuronal. Utilizaron las propiedades del lodo, las tensiones de formación, la presión de fondo de pozo, la presión de poro y el diámetro de pozo como datos de entrada para determinar la estabilidad de las formaciones de fondo de pozo. Zahiri et al. (2019) estudiaron la ventana de lodo seguro mediante el desarrollo de un modelo de tierra mecánica de un campo iraní. Luego emplearon el enfoque de red neuronal para predecir el criterio de falla en función de los datos de registro en un modelo de caja negra. Estudios recientes sobre SMW han aplicado modelos de evaluación de fallas/estabilidad de paredes rocosas bajo esfuerzos de tracción, cizallamiento e in situ combinados con modelos ML6,7. Aunque Phan et al.7 informaron una alta precisión de predicción, utilizaron varios parámetros de entrada que no siempre son accesibles para la mayoría de los pozos de petróleo, como las tensiones principales, el módulo elástico, la relación de Poisson, la fuerza de cohesión y la resistencia a la tracción. La necesidad de dichos parámetros limita la aplicabilidad de estos modelos en los pozos donde no se dispone de dichos datos. En6, Abbas et al., introdujeron la aplicación de ML para predecir SMW a partir de datos de registro. El estudio carece de métricas de error que son esenciales para cuantificar el error de predicción y la precisión del modelo. Con base en la revisión de la literatura, los modelos inteligentes existentes aplicados para predecir SMW dejan margen para mejoras en la precisión y aplicabilidad que deberían contribuir beneficiosamente a operaciones de perforación seguras y optimizadas.

Por lo tanto, en este estudio, la ventana de barro seguro (SMW) se investigó utilizando un enfoque de aprendizaje automático (red neuronal artificial, ANN). SMW se ha determinado mediante el estudio de los límites de peso de lodo mínimo y máximo más allá de los cuales se pueden encontrar fallas por corte o por tracción, respectivamente. Este estudio tiene como objetivo predecir el SMW a partir de los datos de registro directamente utilizando un modelo basado en ANN para un campo de Oriente Medio. Además, el modelo ANN desarrollado se ha presentado en modo de caja blanca estableciendo nuevas ecuaciones que imitan el procesamiento de la ANN desarrollada.

El nuevo enfoque se estableció con base en el análisis de los datos geomecánicos para permitir la determinación directa del rango seguro de pesos del lodo de perforación siempre que los datos de registro estén disponibles. A diferencia del enfoque convencional de alto precio, las ecuaciones recién desarrolladas facilitarían la estimación de MWBO y MWBD directamente a partir de los datos de registro de una manera económica y eficaz en el tiempo. Esto, a su vez, ayudaría a los ingenieros petroleros a diseñar propiedades de lodo adecuadas mientras que se pueden evitar muchos problemas de inestabilidad del pozo. Además, la planificación y las optimizaciones de perforación podrían mejorarse aún más.

En la próxima sección, se ilustra la metodología adoptada para este estudio seguida de una demostración detallada del proceso de desarrollo de los modelos y su optimización. Finalmente, los resultados de esta investigación se discuten en la sección de discusión con resultados resumidos en la sección de conclusiones.

La mecánica de rocas se refiere a la ciencia de investigar el comportamiento geomecánico de las rocas, ya sea en estados elásticos o de falla. Estos comportamientos se expresan en términos de ambos parámetros elásticos, es decir, módulos elásticos (E), relación de Poisson (PR), etc. además de parámetros de falla, es decir, resistencia a la compresión no confinada (UCS), ángulo de fricción (Ø), resistencia a la tracción (Ts), etc. Dichos parámetros se incorporan básicamente al desarrollar el modelo mecánico del terreno (MEM) mediante el cual se puede estudiar el comportamiento geomecánico de las formaciones subterráneas. En primer lugar, se recopilaron datos para construir MEM de tres pozos dentro de un campo de Medio Oriente. Se incluyeron tres grupos de datos, estos son:

Datos de registro petrofísico, por ejemplo, densidad aparente de la formación (RHOB), datos sónicos (DTC y DTS), registro de rayos gamma (GR), registro de neutrones (NPHI) y registros de calibre (CALI).

Los datos de núcleo se basan en las pruebas experimentales realizadas en las muestras de núcleo recuperadas. Estos datos se utilizan generalmente para la validación y calibración del modelo. La calibración significa identificar las posibles relaciones entre las propiedades elásticas dinámicas que se estiman a partir de los registros de pozo y las estáticas correspondientes que se miden en el laboratorio.

Datos durante la perforación que se recopilan durante la operación de perforación, como pérdidas de lodo y generación de informes sobre problemas de inestabilidad del pozo.

En segundo lugar, los parámetros elásticos dinámicos (E y PR) se estimaron utilizando los datos petrofísicos y luego se calibraron en los estáticos correspondientes utilizando los datos básicos disponibles. Esto llevó a tener perfiles continuos de E y PR estáticos junto con la profundidad de los pozos estudiados. A continuación, los parámetros de falla (UCS, Ts y Ø) se han correlacionado con los registros de pozos obtenidos para obtenerlos en forma de perfil continuo. Estos pasos son esenciales para desarrollar MEM que represente efectivamente el comportamiento geomecánico de las formaciones de fondo de pozo.

Luego, el campo de esfuerzos (p. ej., esfuerzo de sobrecarga Sv, esfuerzos horizontales máximo y mínimo Shmin y Shmax) ha sido determinado usando los modelos poroelásticos duales. Más información sobre la determinación de los esfuerzos de formación para el campo bajo estudio está disponible en los estudios publicados8,9,10.

Cuando se perfora un pozo en una formación, se elimina el material sólido estresado. Entonces, la pared del pozo está sostenida únicamente por la presión hidrostática del lodo de perforación en el pozo11. Como esta presión de fluido generalmente no coincide con las tensiones de formación in situ, habrá una redistribución de tensiones alrededor del pozo, conocida como campo de tensión posterior a la perforación o campo de tensión inducida. Las tensiones inducidas secundarias: tensión circunferencial (Sθθ), tensión radial (Srr) y tensión axial (Szz) se han calculado en función de Shmin y Shmax utilizando las siguientes ecuaciones2:

*\({P}_{w}\): Presión hidrostática del lodo, *\({P}_{p}\): Presión intersticial de la formación.

Hay dos escenarios principales a través de los cuales el pozo puede fallar, dependiendo de las magnitudes relativas de estas tensiones secundarias en la pared del pozo. En primer lugar, una falla por corte que resulta del uso de lodo de perforación con una densidad inferior a la de la presión de la formación conduce a una falla por ruptura. En segundo lugar, una falla por tracción que resulta del uso de lodo de perforación con sobrepeso conduce a fracturas inducidas (falla por ruptura) y, por lo tanto, a pérdidas parciales o completas.

En esta etapa, se ha llevado a cabo un análisis de estabilidad del pozo para determinar la SWM mediante la estimación de tres parámetros clave:

Presión intersticial (Pf) que generalmente se recopila durante las pruebas de pozos.

Peso del lodo de ruptura (MWBO)

Peso del lodo de ruptura (MWBD).

Para determinar el peso del lodo de ruptura (MWBO), en la práctica, se deben considerar diferentes permutaciones de los esfuerzos Sθθ, Srr y Szz mientras se estudia la estabilidad mecánica de la región y luego se seleccionaría la mayor presión del lodo de pozo en la falla como punto de ruptura. criterio de falla para determinar MWBO. Las ecuaciones para estas permutaciones se resumen en la (Tabla 1)11.

Además, la falla por tracción se puede encontrar cuando se usa un peso de lodo significativamente alto que puede exceder el valor dado por la ecuación. (6). Este valor de MWBD se ha considerado como el criterio de avería por avería1,11. Finalmente, los perfiles MWBD y MWBD se generaron y utilizaron como salidas para los modelos propuestos.

En este estudio, se recopila un conjunto de datos de 1858 observaciones reales de tres pozos en un campo del Medio Oriente que representa un depósito de carbonato complejo. Los datos incluyeron datos de registros petrofísicos: GR, RHOB, DTC, DTS y NPHI y los correspondientes MWBO y MWBD estimados a la misma profundidad. Los límites seguros de peso del lodo se determinaron con base en el análisis del MEM desarrollado para el área bajo estudio como se describe en la sección "Metodología" para determinar eventualmente los perfiles de MWBO y MWBD. Los datos recopilados de dos pozos se usaron para entrenar y probar el modelo (divididos en una cierta proporción), mientras que el resto de los datos (el tercer pozo) se usaron para validar los modelos desarrollados.

La precisión de la predicción de los modelos basados ​​en IA se ve significativamente afectada por la calidad de los datos utilizados durante el desarrollo del modelo. Por lo tanto, los datos fueron preprocesados ​​y filtrados mediante análisis estadístico y sentido de ingeniería basados ​​en la literatura. Se utilizó un código de Python especialmente diseñado para eliminar valores irrazonables como ceros y valores negativos, además de los puntos faltantes. Luego, se eliminaron los valores atípicos mediante un diagrama de caja y bigotes, en el que el bigote superior representa el límite superior de los datos y el bigote inferior representa el límite inferior de los datos12. Cualquier valor más allá de estos límites se consideró un valor atípico y luego se eliminó. Estos límites se determinaron utilizando los parámetros estadísticos enumerados en la Tabla 2, que enumera el resumen estadístico descriptivo del conjunto de datos utilizado en este estudio para reflejar su distribución y rangos cubiertos. La Figura 1 muestra las distribuciones de histograma de los datos de entrada y salida.

Histograma de los datos utilizados en este estudio.

La colinealidad entre cada parámetro y los demás se presenta en el mapa de calor que se muestra en la Fig. 2, de forma que cuanto más oscuro es el color, mayor es el grado de colinealidad entre los dos parámetros. Los valores presentados en el mapa de calor representan el coeficiente de correlación de Pearson (valor R) entre cada dos parámetros. El coeficiente de correlación se utiliza para identificar la fuerza con la que dos parámetros se relacionan linealmente entre sí. Su valor varía de − 1 a + 1. Una fuerte relación lineal directa se indica con un valor R de + 1. Por el contrario, el valor R de − 1 muestra una fuerte relación lineal inversa entre estas dos variables. Mientras que un valor R de cero indica que no existe una relación lineal entre las variables de los dos estudios. Además, la figura 2 muestra los valores P asociados con el coeficiente de correlación entre los parámetros de entrada y salida para examinar la importancia de la correlación entre la entrada y las salidas en el proceso de regresión. El DTC ha mostrado un alto coeficiente de correlación de 1 y 0,95 con DTS y NPHI respectivamente. Por lo tanto, DTC solo se ha considerado como una característica de entrada para el modelo desarrollado para evitar la redundancia de la información de entrada a los modelos propuestos. Estos resultados también fueron confirmados por los valores de p, donde los valores de p fueron inferiores a 0,05 (eso significa que es significativo), excepto para el DTS y el NPHI. En consecuencia, el conjunto final de las características de entrada seleccionadas fue GR, DTC y RHOB.

Mapa de calor que refleja la colinealidad entre el parámetro de entrada/salida con los valores P asociados con los coeficientes de correlación.

Además de estudiar la colinealidad entre los parámetros para seleccionar los más efectivos, también se ha realizado un análisis de sensibilidad. Se han realizado diferentes ensayos utilizando diferentes conjuntos de parámetros de entrada para predecir MWBO. Este paso fue obtener información inicial sobre el efecto de cada parámetro de entrada en los resultados de la predicción. Se han probado diferentes grupos de parámetros de entrada. Estos grupos son Grupo 1 (GR, DTC, DTS, RHOB, NPHI), Grupo 2 (GR, DTC, DTS, RHOB), Grupo 3 (GR, DTC, DTS), Grupo 4 (GR, DTC, RHOB), Grupo 5 (GR, DTC), Grupo 6 (GR, RHOB) y Grupo 7 (DTC, RHOB). Los resultados han sido evaluados en términos de error porcentual absoluto medio (MAPE) entre los valores de salida reales y estimados. La Figura 3 muestra una comparación del error de predicción para los grupos de entrada probados. Los resultados mostraron que la combinación de GR, DTC y RHOB (Grupo 4) produjo el MAPE más bajo y, por lo tanto, la mejor precisión de predicción. Esta observación concuerda con la conclusión del análisis de reducción de dimensionalidad que terminó con el uso de la combinación GR, DTC y RHOB como entradas para desarrollar los modelos propuestos. En consecuencia, se ha optado por este conjunto de insumos para el desarrollo de los modelos en prosa.

Comparación del error de predicción para los grupos de entrada probados.

En esta investigación, se aplicó la red neuronal artificial (ANN) para desarrollar un nuevo modelo que puede predecir directamente tanto MWBO como MWBD en función de los datos de registro de pozos. ANN ha sido seleccionado debido a su reciente aplicación exitosa en geomecánica relacionada con el petróleo. Muchos estudios en la literatura han informado la aplicación de ANN para predecir varios parámetros geomecánicos que se utilizarán en el contexto del campo petrolero, como la predicción UCS13,14,15, los módulos elásticos y la relación de Poisson16,17,18, la predicción del campo de tensión8,9, 19, etc. Por lo general, ANN consta de tres tipos básicos de capas: la capa de entrada que incluye GR, DTC y RHOB, la(s) capa(s) oculta(s) y la capa de salida que comprende MWBO y MWBD. El entrenamiento de la red comienza con el procesamiento de los datos de la capa oculta a través de conexiones ponderadas a las neuronas en la capa oculta para finalmente estimar los resultados20. Para optimizar la red, la función GridSearchCV se diseñó utilizando código Python para probar iterativamente diferentes parámetros para optimizar cada algoritmo dentro de los rangos predefinidos por el usuario, para informar el mejor valor de cada parámetro para cada algoritmo. Los datos obtenidos se han dividido en dos conjuntos: entrenamiento y prueba. El conjunto de entrenamiento se utilizó para entrenar el modelo y optimizar sus hiperparámetros. Durante el proceso de optimización, los resultados de los modelos se probaron internamente para evaluar los hiperparámetros seleccionados. Para cada prueba, las predicciones se evaluaron utilizando el valor R y el error entre los valores de salida reales y previstos para los procesos de entrenamiento y prueba. El objetivo de este paso es identificar los hiperparámetros que podrían lograr el error de predicción más bajo posible a través de muchos ensayos iterativos. Posteriormente, el modelo con los hiperparámetros optimizados se evaluó utilizando el conjunto de prueba para estimar el error de generalización del modelo optimizado21.

Los resultados de la predicción se han evaluado en términos de coeficiente de correlación (R), MAPE, error cuadrático medio (MSE) y error cuadrático medio (RMSE) entre los resultados observados y previstos. Las fórmulas matemáticas para las métricas de evaluación se indican en el Apéndice A. La Tabla 3 enumera las opciones predefinidas de los parámetros ANN (p. ej., algoritmo de entrenamiento, función de transferencia, número de neuronas, número de capas ocultas y tasa de aprendizaje) que se han probado durante el proceso de sintonización. La Figura 4 muestra una arquitectura esquemática típica del modelo ANN desarrollado. La Figura 5 muestra el flujo de trabajo seguido en este estudio para desarrollar las ecuaciones propuestas.

Esquema típico de las arquitecturas ANN desarrolladas.

Diagrama de flujo para desarrollar las nuevas ecuaciones basadas en ANN propuestas.

Se han desarrollado dos modelos utilizando ANN para predecir tanto MWBO como MWBD. Los modelos desarrollados se han optimizado mediante la selección de los parámetros de ajuste que produjeron el MAPE más bajo y el R más alto entre los conjuntos de salida observados y pronosticados.

Para MWBO, el modelo optimizado constaba de una capa oculta con 10 neuronas y se entrenó con el 70 % del conjunto de datos, mientras que el resto de los datos se utilizó para probar el rendimiento de la predicción. Mientras que los mejores resultados para el modelo MWBD se obtuvieron utilizando 7 neuronas en una sola capa oculta. El proceso de entrenamiento del modelo MWBD optimizado se implementó utilizando la relación de división 70:30 del conjunto de datos para entrenamiento y prueba, respectivamente. Ambos modelos han sido entrenados utilizando el algoritmo de backpropagation de regularización bayesiana (trainbr) y la función de transferencia tan-sigmoidal (tansig) con una tasa de aprendizaje de 0,12.

Los hiperparámetros seleccionados para ambos modelos se resumen en la Tabla 3. Los resultados mostraron que las predicciones de los modelos lograron una gran coincidencia entre los conjuntos observados y de salida indicados por R de 0,91 y 0,95 para los modelos MWBO y MWBD, respectivamente. En términos de errores de predicción, los modelos desarrollados dieron como resultado un MAPE bajo que no superó el 0,53 % para los modelos MWBO y MWBD. La alta precisión de los modelos desarrollados también se puede inferir del notable acuerdo en la representación gráfica de los valores reales y previstos para el proceso de prueba, como se muestra en la Fig. 6 para los modelos MWBO y MWBD.

Representaciones gráficas de los resultados observados frente a los previstos para los modelos MWBO (izquierda) y MWBD (derecha) para el proceso de prueba.

Además, la estrecha dispersión de los datos de salida observados y pronosticados para ambos modelos demostró una coincidencia notable entre estos valores, como se muestra en los gráficos cruzados representados en la Fig. 7. Esto reveló la alta precisión de las predicciones de los modelos desarrollados. En consecuencia, la ventana de lodo apropiada para una perforación segura se puede definir usando las predicciones MWBO y MWBD usando los modelos desarrollados.

Gráficos cruzados entre los valores de salida reales y previstos para los modelos (a) MWBO y (b) MWBD utilizando el conjunto de datos de prueba.

Uno de los principales resultados de este estudio es desarrollar nuevas ecuaciones mediante las cuales se pueda determinar convenientemente la ventana de lodo para una perforación segura. Por lo tanto, las nuevas ecuaciones. (7) y (8) se han establecido usando las mismas entradas (GR, RHOB y DTC) para estimar tanto MWBO como MWBD. Las correlaciones establecidas se basan en los pesos y sesgos ajustados de los modelos desarrollados que se enumeran en las tablas 4 y 5.

donde, \({\left({\mathrm{MW}}_{\mathrm{BO}}\right)}_{\mathrm{normalizado}}\) y \({\left({\mathrm{MW} }_{\mathrm{BD}}\right)}_{\mathrm{normalized}}\) son las formas normalizadas de los valores MWBO y MWBD. El procedimiento requerido para usar las Ecs. (7) y (8) se describen en detalle en el Apéndice B.

En esta sección, las ecuaciones basadas en ANN desarrolladas se han validado utilizando un conjunto de datos invisible que no se ha utilizado en el proceso de aprendizaje. Se ha alimentado un total de 637 puntos de datos a las ecuaciones desarrolladas. (7) y (8) para estimar la ventana de lodo seguro en términos de MWBO y MWBD. Luego, los resultados se evaluaron utilizando el valor R, MSE, RMSE y MAPE entre los conjuntos de salida reales y estimados. El MWBO y el MWBD estimados mostraron una alta concordancia con los valores reales, como se muestra en la Fig. 8, con R superior al 92 % y MAPE del 0,60 % como máximo. La Tabla 6 resume la precisión de predicción de las ecuaciones desarrolladas en términos de MAPE, MSE y RMSE.

Representaciones gráficas de los resultados observados frente a los previstos para los modelos MWBO (izquierda) y MWBD (derecha) para el proceso de validación.

Cabe destacar que las correlaciones desarrolladas son más recomendables para formaciones carbonatadas de las cuales se recolectaron la mayoría de los datos utilizados en el desarrollo de los modelos. Esto se puede explicar porque los diferentes tipos de formación pueden tener diferentes respuestas de registros y propiedades geomecánicas. Estas propiedades controlan las distribuciones de tensiones de fondo de pozo y, por lo tanto, los límites de ruptura y ruptura. Por lo tanto, se pueden esperar algunos errores al aplicar diferentes litologías de formación. Además, se recomienda implementar las ecuaciones desarrolladas utilizando entradas dentro del rango y las mismas unidades enumeradas en la Tabla 2 para garantizar resultados confiables.

Se ha aplicado con éxito una red neuronal artificial (ANN) para definir los límites de la ventana de lodo seguro en términos de MWBO y MWBD. Los modelos desarrollados utilizan los datos de registro, a saber, GR, RHOB y DTC como características de entrada. Los hallazgos de esta investigación se pueden resumir de la siguiente manera:

Los modelos basados ​​en ANN desarrollados dieron como resultado una coincidencia considerable con los valores de MWBO y MWBD observados con una precisión superior al 92 % y un error porcentual absoluto medio (MAPE) máximo del 0,53 %.

Se establecieron nuevas ecuaciones utilizando los modelos desarrollados para estimar MWBO y MWBD a partir de los datos de registro directamente sin necesidad de ejecutar códigos especiales.

Las ecuaciones desarrolladas se validaron utilizando datos no vistos del mismo campo. Los resultados demostraron la solidez de las ecuaciones desarrolladas para estimar el MWBO y el MWBD directamente a partir de los datos de registro con MAPE que no supere el 0,60 %.

Red neuronal artificial

Peso mínimo del lodo por debajo del cual puede ocurrir una falla por corte

Peso máximo del lodo por encima del cual puede ocurrir falla por tracción

Ventana de barro segura

Presión de poro de la formación

Presión de lodo hidrostática

Datos de registro de rayos gamma

Datos de registro de densidad aparente de la formación

Datos de registro de tiempo de tránsito de ondas de compresión

Datos de registro de tiempo de tránsito de ondas de corte

Datos de registro de porosidad de neutrones

Datos de registro del calibrador

Modulos elasticos

el coeficiente de Poisson

Resistencia a la compresión no confinada

Resistencia a la tracción

Estrés radial

Tensión del aro

Esfuerzo axial

Ángulo de falla

Levenberg–Marquardt

Retropropagación de regularización bayesiana

Retropropagación resiliente

Gradiente conjugado escalado

Gradiente conjugado con reinicios de Powell/Beale

Gradiente conjugado de Fletcher-Powell

Gradiente conjugado Polak-Ribiére

Secante de un paso

Retropropagación de tasa de aprendizaje variable

Función de transferencia sigmoidea tangente hiperbólica

Función de transferencia log-sigmoide

Función de transferencia sigmoidea simétrica de Elliot

Función de transferencia de base radial

Función de transferencia simétrica de límite estricto

Función de transferencia lineal de saturación simétrica

Zoback, MD y col. Determinación de la orientación y magnitud de esfuerzos en pozos profundos. En t. J. roca mecánica. mín. ciencia 40, 1049–1076 (2003).

Artículo Google Académico

Zoback, MD Geomecánica de yacimientos (Cambridge University Press, 2007).

Libro Google Académico

Zahiri, J., Abdideh, M. y Ghaleh Golab, E. Determinación de la ventana de peso seguro del lodo basada en datos de registro de pozos utilizando inteligencia artificial. geosistema Ing. 22, 193–205 (2019).

Artículo Google Académico

Aslannezhad, M. & Jalalifar, H. Determinación de una ventana de lodo segura y análisis de la estabilidad del pozo para minimizar los desafíos de perforación y el tiempo improductivo. J. Mascota. Explorar Pinchar. Tecnología 6, 493–503 (2016).

Artículo Google Académico

Kamran, M. Un enfoque probabilístico para la predicción del índice de tasa de perforación utilizando la técnica de aprendizaje de conjunto. J. min. Reinar. 12, 327–337 (2021).

Google Académico

Abbas, AK, Almohammed, HH, Alqatran, G., Mohammed, HQ y Mohammed, A. Determinación de la ventana de peso de lodo operativo seguro a partir de datos de registro de pozos utilizando algoritmos de aprendizaje automático. en Offshore Technology Conference Asia (Offshore Technology Conference, 2020).

Phan, DT, Liu, C., AlTammar, MJ, Han, Y. & Abousleiman, YN Aplicación de inteligencia artificial para predecir ventanas de peso de lodo dependientes del tiempo en tiempo real. SPE J. 27, 39–59 (2022).

Artículo Google Académico

Ibrahim, AF, Gowida, A., Ali, A. y Elkatatny, S. Aplicación de aprendizaje automático para predecir tensiones in situ a partir del registro de datos. ciencia Rep. 11, 1–14 (2021).

Artículo CAS Google Académico

Gowida, A., Ibrahim, AF, Elkatatny, S. y Ali, A. Predicción de las tensiones principales mínimas utilizando datos de perforación: una aplicación de aprendizaje automático. computar Intel. Neurosci. 2021, 1–13 (2021).

Artículo Google Académico

Ibrahim, AF, Gowida, A., Ali, A. & Elkatatny, S. Predicción en tiempo real de tensiones in situ durante la perforación utilizando parámetros de perforación de superficie del yacimiento de gas. J.Nat. ciencia del gas Ing. 97, 104368 (2022).

Artículo Google Académico

Fjaer, E., Holt, RM, Horsrud, P. y Raaen, AM Mecánica de rocas relacionadas con el petróleo (Elsevier, 2008).

Google Académico

Dawson, R. ¿Qué importancia tiene un valor atípico en un diagrama de caja?. Estado J. Educ. https://doi.org/10.1080/10691898.2011.11889610 (2011).

Artículo Google Académico

Rabbani, E., Sharif, F., Koolivand Salooki, M. y Moradzadeh, A. Aplicación de la técnica de redes neuronales para la predicción de la resistencia a la compresión uniaxial utilizando las propiedades de formación de yacimientos. En t. J. roca mecánica. mín. ciencia 56, 100–111 (2012).

Artículo Google Académico

Gowida, A., Elkatatny, S. & Gamal, H. Predicción de la resistencia a la compresión no confinada (UCS) en tiempo real durante la perforación con herramientas de inteligencia artificial. Cómputo neuronal. aplicación 33, 8043–8054 (2021).

Artículo Google Académico

Chemmakh, A. Modelos predictivos de aprendizaje automático para estimar el UCS y la resistencia a la tracción de las rocas en el campo Bakken (OnePetro, 2021).

Libro Google Académico

Jamshidi, E., Arabjamaloei, R., Hashemi, A., Ekramzadeh, MA y Amani, M. Estimación en tiempo real de las propiedades elásticas de las rocas de formación basadas en datos de perforación mediante el uso de una red neuronal artificial. Fuentes de energía Parte A 35, 337–351 (2013).

Artículo Google Académico

Gowida, A., Moussa, T., Elkatatny, S. & Ali, A. Un modelo híbrido de inteligencia artificial para predecir el comportamiento elástico de las rocas de arenisca. Sostenibilidad 11, 5283 (2019).

Artículo CAS Google Académico

Acar, MC & Kaya, B. Modelos para estimar el módulo elástico de rocas débiles basados ​​en la máquina de vectores de soporte de mínimos cuadrados. Árabe. J. Geosci. 13, 1–12 (2020).

Artículo Google Académico

Tabaeh, HM & Mohammad, A. Estimación de tensiones horizontales in situ usando el modelo poroelástico lineal y resultados de prueba de minifrac en área tectónicamente activa. Ruso. J. Ciencias de la Tierra. 16, 1–9 (2016).

Google Académico

Yegnanarayana, B. Redes neuronales artificiales (PHI Learning Pvt. Ltd., 2009).

Google Académico

Xu, Y. & Goodacre, R. Sobre la división del conjunto de entrenamiento y validación: un estudio comparativo de validación cruzada, arranque y muestreo sistemático para estimar el rendimiento de generalización del aprendizaje supervisado. J.Anal. Prueba. 2, 249–262 (2018).

Artículo Google Académico

Pereira, LG, Gandelman, RA, Clemente, RG, Teixeira, PHS & Teixeira, GT Desarrollo de software para predecir el peso del lodo para zonas de perforación del presal usando aprendizaje automático. en OTC Brasil (OnePetro, 2013).

Zhou, H., Niu, X., Fan, H. & Wang, G. Modelo de cálculo efectivo de densidad de fluidos de perforación y ESD para pozo HTHP durante la perforación. en la Conferencia de Tecnología de Perforación de Asia Pacífico de IADC/SPE (OnePetro, 2016).

Okpo, EE, Dosunmu, A. & Odagme, BS Modelo de red neuronal artificial para predecir la inestabilidad del pozo. en la Conferencia y Exposición Internacional Anual de SPE Nigeria (OnePetro, 2016).

Descargar referencias

Departamento de Ingeniería del Petróleo, Universidad King Fahd de Petróleo y Minerales, Dhahran, 31261, Arabia Saudita

Ahmed Gowida, Ahmed Farid Ibrahim y Salaheldin Elkatatny

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

SE concibió la idea y recopiló los datos necesarios y participó en el diseño de la metodología. AI, AG, realizó el análisis de datos, diseñó la metodología, ejecutó los algoritmos y realizó la sensibilidad y la optimización de los resultados. SE, también participó en el diseño de la metodología y supervisión de la validación de resultados. El manuscrito original fue escrito por A, I., y todos los autores participaron en la revisión y edición del manuscrito.

Correspondencia a Salaheldin Elkatatny.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Gowida, A., Ibrahim, AF & Elkatatny, S. Una solución híbrida basada en datos para facilitar la predicción segura de la ventana de lodo. Informe científico 12, 15773 (2022). https://doi.org/10.1038/s41598-022-20195-7

Descargar cita

Recibido: 23 mayo 2022

Aceptado: 09 septiembre 2022

Publicado: 21 de septiembre de 2022

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Revista de Tecnología de Exploración y Producción de Petróleo (2023)

Revista árabe de geociencias (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.