Real

Aug 04, 2023

Scientific Reports volumen 12, Número de artículo: 11318 (2022) Citar este artículo

1850 Accesos

3 citas

Detalles de métricas

La predicción precisa de la presión intersticial en tiempo real es crucial, especialmente en las operaciones de perforación desde el punto de vista técnico y económico. Su predicción ahorrará costes, tiempo e incluso se podrán tomar las decisiones adecuadas antes de que se produzcan los problemas. Las correlaciones disponibles para la predicción de la presión intersticial dependen de los datos de registro, las características de la formación y la combinación de parámetros de registro y perforación. El objetivo de este trabajo es aplicar redes neuronales artificiales (ANN) y un sistema de inferencia neurodifuso adaptativo (ANFIS) para introducir dos modelos para estimar el gradiente de presión de formación en tiempo real a través de los datos de perforación disponibles. Los parámetros utilizados incluyen la tasa de penetración (ROP), la tasa de flujo de lodo (Q), la presión de la tubería vertical (SPP) y la velocidad de rotación (RS). Se utilizó un conjunto de datos obtenidos de algunos pozos verticales para desarrollar el modelo predictivo. Se utilizó un conjunto diferente de datos para validar los modelos de inteligencia artificial (IA) propuestos. Ambos modelos pronosticaron la salida con un buen coeficiente de correlación (R) para entrenamiento y prueba. Además, el error porcentual absoluto promedio (AAPE) no superó el 2,1%. Para la etapa de validación, los modelos desarrollados estimaron el gradiente de presión con buena precisión. Este estudio demuestra la confiabilidad de los modelos propuestos para estimar el gradiente de presión durante la perforación utilizando datos de perforación. Además, se proporciona una correlación basada en ANN y se puede usar directamente introduciendo los pesos y sesgos optimizados, siempre que los parámetros de perforación estén disponibles, en lugar de ejecutar el modelo ANN.

La presión de formación es ejercida por los fluidos dentro del espacio poroso de la roca. A cierta profundidad, el gradiente normal se origina en el peso de la columna de agua salada que se extiende desde la superficie hasta el punto de interés. La desviación de la tendencia normal se puede describir como anormal, que puede ser subnormal o sobrepresión1. La presión normal no es constante y depende de las cantidades de sales disueltas, tipos de fluidos, presencia de gases y gradiente de temperatura. La presión supernormal o sobrepresión es la presión de formación que excede la presión hidrostática normal, mientras que la presión subnormal es la que está por debajo de la presión normal. Lo supernormal es creado por la presión normal además de una fuente de presión adicional. El exceso de presión puede atribuirse a diferentes razones que pueden ser geológicas, mecánicas, geoquímicas y combinadas2. Las zonas de presión anormales pueden provocar graves problemas técnicos y económicos, como patadas y reventones. La presión por debajo de lo normal puede provocar la pérdida de circulación y el atascamiento de la tubería diferencial, lo que resulta en la instalación de sartas de revestimiento adicionales (costos de perforación más altos)2. La estimación precisa de la presión de la formación en tiempo real puede proporcionar un mejor diseño de la trayectoria del pozo y de la tubería de revestimiento, un mejor análisis de la estabilidad del pozo, un programa de lodo eficaz y costos generales de perforación reducidos3,4.

La estimación de la presión de formación puede ser cuantitativa o cualitativa. La mayoría de estas técnicas dependen de la comparación gráfica de las líneas de tendencia normales con las observadas para seleccionar los cambios anómalos que pueden referirse a zonas de presión anormales. Las técnicas existentes en la literatura utilizaron registros de pozos, propiedades de estratos y parámetros de perforación. Hottman y Johnson5 fueron los primeros en estimar la presión intersticial en función de los datos de registro de lutitas mediante la construcción de gráficos cruzados que relacionan el gradiente de presión con la relación de resistividad o la diferencia de tiempo de viaje sónico entre la tendencia observada y la normal. Matthews y Kelly6 utilizaron una escala semilogarítmica para la correlación de Hottman y Johnson. Pennebaker7 reemplazó la diferencia de tiempo de viaje sónico utilizada por Hottman y Johnson5 con la relación de tiempo de viaje sónico. El autor estimó la presión de poro a partir de un gráfico cruzado X-Y como el que pertenece a Hottman y Johnson. Esta técnica utilizaba una sola línea de tendencia para un determinado tipo de roca a nivel mundial, pero esto puede no ser cierto para todos los tipos de rocas. Eaton8 confirmó que la presión de formación y los gradientes de presión de sobrecarga afectan las propiedades derivadas de los registros. Como resultado, las correlaciones de Hottman y Johnson deben ampliarse para incluir el efecto de tensión de sobrecarga. Eaton8 propuso un modelo empírico basado en datos sónicos para predecir el gradiente de presión en las formaciones de esquisto.

Gardner et al.9 analizaron los datos utilizados por Hottman y Johnson e introdujeron otra forma de estimar la presión de formación involucrando la presión de sobrecarga. Bowers10 mencionó que existe una relación de poder entre la tensión efectiva y la velocidad del sonido. El autor estimó la presión de la formación utilizando datos sónicos después de reorganizar la ecuación de potencia y reemplazar la tensión efectiva con \(\left({\alpha }_{V}-presión de poro\right)\). Shell introdujo otra técnica de predicción basada en el sonido llamada modelo Tau al introducir un parámetro "Tau" en la ecuación de la tensión efectiva11,12. Foster y Whalen13 fueron los primeros en utilizar el método de profundidad equivalente, un método vertical, para estimar la presión de formación a partir de registros eléctricos. Además, Ham14 utilizó el enfoque de profundidad equivalente con sónico, resistividad y densidad para predecir la presión de formación y el peso del fluido de perforación necesarios en los pozos de la Costa del Golfo. Eaton15,16 introdujo modelos empíricos basados ​​en la resistividad o la conductividad para estimar el gradiente de presión en el esquisto utilizando registros de pozos. Este método puede ser bastante utilizado en las cuencas sedimentarias donde la subcompactación es la principal fuente de sobrepresión17,18. Con base en los inconvenientes del uso individual de la ROP como indicador de la presión intersticial, la ROP debe corregirse o normalizarse para considerar la variación en los diferentes parámetros de perforación. Bingham19 propuso el exponente D como un intento de corregir la ROP por las variaciones en el peso sobre la barrena (WOB), RS y diámetro del pozo. Jorden y Shirley20 propusieron una modificación al enfoque de Bingham al introducir otro término llamado dexp. Rehm y McClendon21 ajustaron la dexp de Jorden y Shirley al incluir el efecto del cambio de densidad del fluido de perforación. Cuantitativamente, la presión de la formación se puede estimar utilizando valores de cd mediante el método de Eaton y el método de relación. Eaton15 y Contreras et al.22 observaron que el gráfico de dexp corregido es muy similar al gráfico de resistividad. Por lo tanto, Eaton desarrolló un modelo de predicción para el gradiente de presión de la formación usando la cd estimada, el valor de cd normal y los gradientes de sobrecarga y presiones normales de la formación. El método de la relación se propuso como una técnica sencilla para estimar la presión intersticial a partir del exponente d o resistividad o datos sónicos sin presión de sobrecarga1.

La IA es una ciencia de la ingeniería que utiliza altas capacidades computacionales para desarrollar programas informáticos que resuelvan problemas imitando la inteligencia del cerebro humano23,24. AI tiene diferentes técnicas como ANN, ANFIS, redes funcionales y máquinas de vectores de soporte que muestran un rendimiento robusto y alta precisión para la clasificación y la predicción25. La IA se utiliza ampliamente en diferentes ramas de la ingeniería, la medicina, la economía y el ejército26. La IA se ha aplicado ampliamente en la industria del petróleo y el gas porque no solo tiene la capacidad de resolver problemas complicados, sino que también los representa con gran precisión27. Se desarrollaron modelos inteligentes para varios objetivos, como la estimación de la densidad de circulación equivalente en tiempo real28,29,30, la estimación de la presión intersticial durante la perforación31,32, la predicción de la porosidad33, la predicción de la resistividad34, la predicción de las propiedades reológicas del lodo35,36,37,38,39, predicción de la resistencia a la compresión no confinada40, estimación del factor de recuperación de petróleo41, predicción de registros de densidad aparente42,43, planificación de pozos44, clasificación de litología45, estimación de densidad de fracturas46, estimación de módulos elásticos estáticos47,48, predicción de la relación de Poisson49,50,51 y predicción de topes de formación52 .

Pocos estudios aplicaron diferentes técnicas de IA para estimar la presión de formación. Li et al.53 utilizaron ANN para estimar la presión de formación en los campos petroleros de Saertu y Xingshugang en Daqing. Los autores incluyeron parámetros de entrada como el tiempo de tránsito sónico, los rayos gamma (GR), el potencial natural y la presión de la tubería. Hu et al.54 emplearon ANN para estimar la presión intersticial. Los autores incluyeron datos como profundidad, densidad, tiempo de tránsito sónico y GR. Keshavarzi y Jahanbakhshi55 aplicaron redes neuronales para estimar el gradiente en el campo de Asmari. Las entradas incluyeron porosidad, permeabilidad, densidad y profundidad. Aliouane et al.56 introdujeron el modelo ANN para estimar la presión de formación a partir de registros de pozos en yacimientos de gas de esquisto. Rashidi y Asadi57 propusieron el modelo ANN para estimar la presión de formación utilizando energía mecánica específica y eficiencia de perforación. Ahmed et al.58 utilizaron ANN para crear un modelo de predicción para la presión de formación utilizando siete entradas que contenían una combinación de registros de pozos y datos de perforación. Ahmed et al.59 compararon cinco técnicas de aprendizaje automático para predecir la presión de formación con los mismos parámetros de entrada utilizados en el trabajo de Ahmed et al.58.

Los modelos proporcionados en la literatura utilizaron algunos datos de registro, que pueden no estar disponibles durante la perforación, ya que el registro durante la perforación (LWD) no se usa en todos los pozos. Incluso si el LWD está presente en la sarta de perforación, se coloca decenas de pies por encima de la barrena que no refleja la respuesta instantánea de las formaciones que se están penetrando en tiempo real. Otros modelos utilizaron algunas propiedades del yacimiento derivadas de datos de registro o mediciones de laboratorio que limitan su uso durante la perforación. La motivación es desarrollar una forma de pronosticar el gradiente de presión de la formación en tiempo real durante la perforación utilizando solo los datos de perforación disponibles sin combinarlos con otros datos que no están disponibles en todos los pozos. Al hacerlo, estamos maximizando los beneficios de los datos de perforación disponibles sin implicar mayores costos para predecir un parámetro crucial que mejora las operaciones de perforación técnica y económicamente. El objetivo de este estudio es utilizar ANN y ANFIS para proponer dos modelos para la predicción del gradiente de presión de formación en tiempo real utilizando los datos de perforación disponibles sin costos adicionales. Además, se proporciona una correlación basada en ANN para usarla directamente para estimar el gradiente. A diferencia de las ecuaciones empíricas desarrolladas, los modelos de este estudio no necesitan una tendencia de presión normal para estimar el gradiente.

La metodología comenzó con la recopilación de datos seguida de la limpieza y filtración de datos. Luego, se realizó un análisis de datos para obtener más información sobre los conjuntos de datos. Después de eso, los datos se dividieron aleatoriamente mientras se aseguraba que los conjuntos de datos fueran representativos. La siguiente etapa fue seleccionar los parámetros iniciales del modelo para las primeras ejecuciones. Se actualizaron los parámetros y se repitió el proceso hasta obtener los mejores resultados. Una vez que surgieron los resultados óptimos, se extrajeron los hiperparámetros del modelo. Finalmente, los modelos fueron validados por un conjunto de datos de exclusión ciega que no participó en el desarrollo de los modelos predictivos. La Figura 1 muestra brevemente la metodología llevada a cabo en este trabajo para desarrollar los modelos de IA.

Diagrama de flujo de la metodología llevada a cabo en el estudio.

Se proporcionó un conjunto de datos que contenía alrededor de 3145 puntos de secciones verticales en la misma área. El conjunto de datos incluía los datos de perforación, la presión y la profundidad de la formación. Los datos de perforación se utilizaron como entradas para alimentar el modelo para predecir el gradiente de presión de la formación como salida. Estos datos de perforación incluían datos hidráulicos como Q y SPP, y datos mecánicos como: RS, ROP, torque (T) y WOB. Estos datos de perforación se pueden registrar en la superficie o en el fondo del pozo durante la perforación y están influenciados por los estratos que se penetran y su contenido de fluido. Se realizó un análisis estadístico de los datos de campo, y mostró que los datos cubrían una amplia gama de entradas y salidas como se presenta en la Tabla 1. Por ejemplo, los datos tenían una buena representación del gradiente de presión de la formación, ya que cubre subnormal, valores de gradiente normales y supernormales. La Tabla 2 muestra una muestra de los datos de campo utilizados en este estudio. La relación entre cada variable y las otras variables se probó en términos de R, como se muestra en la Fig. 2. Además, se construyeron gráficas cruzadas de cada parámetro de perforación con el gradiente de presión intersticial, como se muestra en la Fig. 3.

Valores R entre cada entrada y el gradiente de presión de formación junto con una tabla que contiene los valores R entre cada dos variables.

Gráficos cruzados de gradiente de presión frente a diferentes parámetros de perforación.

En IA, la calidad de los datos es tan importante como la calidad de la predicción. Como resultado, el conjunto de datos se limpió eliminando los valores no representativos, como los valores −999 y NAN (no un número). Entonces, los valores atípicos, que son las observaciones ubicadas fuera del patrón general de una distribución, deben eliminarse porque pueden causar serios problemas en el análisis estadístico60. Pueden existir valores atípicos debido a errores humanos y/o de instrumentos. La detección de valores atípicos se puede realizar de muchas maneras, como Z-Score (eliminando valores ubicados lejos de la media por más de un cierto número de desviaciones estándar) y un diagrama de caja y patillas (eliminando valores ubicados más allá de los límites superior e inferior). determinado dividiendo los datos en cuatro cuartiles)61. La calidad y la confiabilidad de las entradas se verificaron mediante diversas técnicas, como la comparación de las variables registradas con los rangos del equipo y con las variables similares en los pozos vecinos dentro del campo. Además, la salida se comparó con los valores del gradiente de presión de formación producidos por las tendencias conocidas del gradiente de los estratos en el área seleccionada. La verificación mostró una buena coincidencia entre las presiones registradas y producidas, lo que indica la confiabilidad de las mediciones.

Las características de los estratos influyen en la capacidad de perforación de la columna geológica porque las propiedades controlan la impedancia para perforar a través de los estratos. Los datos de perforación pueden, de alguna manera, reflejar la resistencia enfrentada al perforar diferentes formaciones. La velocidad de rotación y el peso sobre la broca se pueden ajustar en función de la naturaleza de las formaciones62. Además, los recortes generados durante la perforación tienen impactos en las presiones y caudales de la bomba necesarios para garantizar una buena limpieza del pozo. Todos los parámetros de perforación anteriores y el tipo de formación juegan un papel importante en el control de la tasa de penetración63,64. En consecuencia, los datos de perforación pueden reflejar de alguna manera la naturaleza de las formaciones perforadas y, a su vez, sus presiones de formación. La ROP se puede utilizar como indicador para identificar capas supranormales durante la perforación. Se incluyó ROP para desarrollar estos modelos ya que incluye el efecto de otras variables de perforación como WOB. Además, se utilizó RS para construir los modelos ya que contiene indirectamente el efecto de la T. Para simplificar el modelo, se emplearon dos variables mecánicas (ROP y RS) junto con dos variables hidráulicas (SPP y Q).

Después de comprobar la calidad del conjunto de datos seleccionado. Los datos obtenidos se dividieron en dos grupos con una proporción de 3:1 para entrenamiento y evaluación. Los hiperparámetros del modelo ANN, incluidas diferentes combinaciones de varias opciones disponibles para los hiperparámetros ANN, se optimizaron probando muchos escenarios para cada parámetro. Las diferentes opciones para cada parámetro ANN y las opciones óptimas se enumeran en la Tabla 3. El R, coeficiente de determinación (R2) y AAPE se calcularon mediante las ecuaciones. (1), (2) y (3) tal como se presenta en el Apéndice 1 complementario. Se seleccionaron los hiperparámetros que proporcionan el mayor R, R2 y el mínimo error (RMSE, MSE y AAPE). Se encontró que el número óptimo de neuronas es 10 ocupando solo una capa oculta. El modelo se construyó utilizando la red newcf con el algoritmo Levenberg-Marquardt (trainlm) como función de entrenamiento para obtener los pesos y sesgos óptimos utilizando una tasa de aprendizaje de 0,12. La función de activación de tipo log-sigmoidal (logsig) se utilizó como función de transferencia que conectaba la entrada y la capa oculta y una función de activación de tipo lineal (purelina) vinculaba las capas oculta y de salida. La Figura 4 muestra una estructura típica del modelo ANN propuesto.

Esquema de la estructura de la RNA desarrollada.

El modelo ANN propuesto consta de tres capas. La primera capa contiene las entradas; la segunda capa contiene las neuronas con sus pesos y sesgos y la tercera capa es la capa de salida. Los parámetros de entrada para el modelo fueron Q, ROP, SPP y RS. El modelo ANN predijo el gradiente de presión de la formación con un alto R de 0,981 y 0,973 para entrenamiento y prueba, respectivamente. Además, el RMSE oscila entre 0,015 y 0,018 y la AAPE no supera el 2,22 % para entrenamiento y pruebas. Los resultados obtenidos para el entrenamiento y la prueba se resumen en la Tabla 4. El histograma de error (predicho-real) muestra que la mayoría de los valores pronosticados tienen un error muy pequeño que oscila entre −0,02 y 0,02 psi/pie, como se muestra en la Fig. 5. El rendimiento del entrenamiento de la red fue monitoreado contra el error cuadrático medio como se muestra en la Fig. 6 con la mejor validación en la época 48. La Figura 7 presenta los gráficos cruzados de los valores objetivo estimados versus registrados que muestran los puntos que coinciden con la línea de 45°. Los valores objetivo registrados y pronosticados se graficaron en el mismo gráfico para observar las variaciones a través de los intervalos elegidos, como se presenta en la Fig. 8, lo que indica una alta precisión de la estimación.

Histograma de error del modelo ANN desarrollado.

Rendimiento del entrenamiento en términos de MSE mostrando la mejor validación en la época 48.

Gráficos cruzados de los valores objetivo estimados versus registrados (A) entrenamiento y (B) prueba (modelo ANN).

Entrenamiento de perfiles de gradiente de presión de formación (A) y (B) prueba (modelo ANN).

Los pesos y sesgos se extrajeron del modelo ANN optimizado como se indica en la Tabla 5 para proporcionar una ecuación empírica para predecir el gradiente de presión intersticial a partir de los parámetros de perforación disponibles. La ecuación desarrollada en la forma normalizada viene dada por la ecuación. (1) y se puede utilizar después de la etapa de normalización de los parámetros de entrada para estar en el rango de −1 a 1 como lo indica la ecuación. (2).

donde \({Pg}_{n}\) es \(Pg\) normalizado, \(N\) es el número de neuronas, es decir, 10, \({w}_{{1}_{i}}\ ) es el peso asociado con cada entidad entre la capa de entrada y la oculta, \({w}_{{2}_{i}}\) es el peso asociado con cada entidad entre la capa oculta y la de salida, \( {b}_{{1}_{i}}\) es el sesgo asociado a cada neurona en la capa oculta, \({b}_{2}\) es el sesgo de la capa de salida.

donde, \({Y}_{{i}_{nor}}\) es el valor normalizado de la variable \(Y\), \({Y}_{\mathrm{i}}\) es el valor de variable \(Y\) en el punto i, \({Y}_{i min}\) es el valor mínimo de la variable \(Y\), \({Y}_{i max}\) es el valor máximo de la variable \(Y\). Los valores mínimos y máximos para cada parámetro que se utilizaron en la normalización de datos se muestran en la Tabla 6.

Normalice los parámetros de navegación de entrada en \({\mathrm{PR}}_{\mathrm{n}}, {\mathrm{SPP}}_{\mathrm{n}}, {\mathrm{RS}}_{\ mathrm{n}} {\mathrm{y ROP}}_{\mathrm{n}}\) usando la ecuación. (2) y datos estadísticos en la Tabla 6.

Calcule el valor normalizado de la salida \({Pg}_{n}\) usando la ecuación. (1) y los pesos y sesgos óptimos enumerados en la Tabla 5. Los datos de entrada deben ordenarse de la siguiente manera: tasa de bombeo (GPM), SPP (psi), velocidad de rotación (RPM) y ROP (pies/h), con la misma unidades.

El \({Pg}_{n}\) obtenido se desnormaliza a un valor real de \(\mathrm{Pg}\) mediante la ecuación. (3):

donde, \({\mathrm{Pg}}_{\mathrm{n}}\) es la \(\mathrm{Pg}\) normalizada estimada por la correlación desarrollada, \(\mathrm{Pg}\) es la valor real (psi/pie).

La aplicación de ANFIS en ingeniería petrolera mostró una alta confiabilidad como herramienta predictiva65. Se probaron Genfis 1 que utiliza partición de cuadrícula y Genfis 2 que utiliza agrupamiento sustractivo para obtener el modelo. Genfis 2 proporcionó mejores resultados en comparación con Genfis 1, por lo que el modelo ANFIS se creó mediante la técnica de agrupamiento sustractivo. El proceso de optimización incluyó el uso de diferentes combinaciones de tamaño de radio de clúster y número de iteraciones. El modelo se construyó utilizando el tipo Sugeno-Fis con un radio de clúster de 0,2 y 400 iteraciones, lo que resultó en los mejores resultados. El modelo ANFIS predijo el objetivo con un alto R de 0,98 y 0,97 para entrenamiento y prueba. Además, el RMSE fue de alrededor de 0,02 psi/pie y la AAPE no supera el 2,1 % para entrenamiento y pruebas. Los resultados obtenidos para el entrenamiento y las pruebas se resumen en la Tabla 7. La Figura 9 presenta los gráficos cruzados de los valores objetivo predichos versus registrados que muestran los puntos que coinciden con la línea de 45°. Los valores registrados y estimados se graficaron en el mismo gráfico para observar las variaciones a lo largo de los intervalos elegidos, como se presenta en la Fig. 10, lo que indica una alta precisión de predicción.

Gráficos cruzados del modelo ANFIS (A) de entrenamiento y (B) de prueba.

Entrenamiento de perfiles de gradiente de presión de formación (A) y (B) prueba (modelo ANFIS).

Los modelos ANN y ANFIS propuestos se validaron utilizando un conjunto de datos de exclusión ciega que no participó en el desarrollo de los modelos. Se recolectó un conjunto de datos (92 puntos) del mismo campo para alimentar los modelos y comparar los valores de gradiente de presión registrados versus estimados. Los modelos proporcionaron perfiles continuos del objetivo utilizando los perfiles de los datos de perforación. Tanto ANN como ANFIS predijeron el objetivo con un alto R de alrededor de 0,99 entre los valores objetivo registrados y estimados para la validación. Además, el RMSE fue de alrededor de 0,01 psi/pie y la AAPE no superó el 1,63 % para los dos modelos. La figura 11 presenta los gráficos cruzados de los valores objetivo predichos versus registrados que muestran los puntos que coinciden con la línea de 45°. Los modelos propuestos funcionaron razonablemente bien cuando se probaron utilizando conjuntos de datos de prueba y validación que no se incluyeron en la etapa de entrenamiento.

Gráficos cruzados para la etapa de validación (A) ANN y (B) ANFIS.

En este trabajo, se introdujo una forma novedosa de estimar el gradiente de presión de la formación utilizando IA durante la perforación utilizando los datos de perforación de superficie disponibles. A diferencia de los modelos empíricos desarrollados en la literatura, los modelos desarrollados no necesitan una tendencia normal para predecir la presión de formación. Los modelos desarrollados se pueden combinar con cualquier sistema de perforación automático para estimar el gradiente de presión mientras se perfora a bajo costo. Además, puede disminuir el tiempo improductivo al minimizar los problemas de perforación que consumen mucho tiempo pronosticándolos y minimizándolos antes de que puedan ocurrir. Esta herramienta puede mejorar técnica y económicamente las operaciones de perforación durante la perforación y el diseño previo a la perforación para tomar las decisiones correctas y evitar posibles problemas como pérdidas de circulación, explosión y retroceso. Los resultados de este trabajo se pueden enumerar de la siguiente manera:

Los parámetros óptimos del modelo ANN son una capa oculta que contiene 10 neuronas, una red newcf con el algoritmo de Levenberg-Marquardt (trainlm) como función de entrenamiento con una tasa de aprendizaje de 0,12 y una función log-sigmoidal como función de transferencia.

Los parámetros óptimos del modelo ANFIS basado en agrupamiento sustractivo son un radio de agrupamiento de 0,2 y 400 iteraciones.

Los modelos propuestos pueden predecir el gradiente de presión intersticial con una precisión razonable, como lo indica R alrededor de 0,975 y RMSE alrededor de 0,018 psi.

La correlación basada en ANN se puede utilizar directamente introduciendo los pesos y sesgos óptimos, siempre que los parámetros de perforación estén disponibles, en lugar de ejecutar el modelo ANN.

Gradiente de presión

Red neuronal artificial

Sistema adaptativo de interferencia difusa basado en red

Coeficiente de correlación

Error porcentual absoluto promedio

Inteligencia artificial

Sistema de inferencia borrosa

Coeficiente de determinación

Error medio cuadrado

Peso en bit

Velocidad de giro en revoluciones por minuto

Tasa de penetración

Galón por minuto

Presión de la tubería vertical

Esfuerzo de torsión

Red neuronal de ajuste de funciones

Crear red adecuada

Crear una red de propagación hacia atrás en cascada

Crear red de retropropagación de Elman

Red recurrente de capa

Crear una red neuronal de retardo de tiempo distribuido

Crear red de retropropagación feedforward

Crear red de reconocimiento de patrones

Crear una red de retropropagación de retardo de entrada feedforward

regularización bayesiana

Retropropagación secante de un paso

Retropropagación de Levenberg-Marquardt

Retropropagación cuasi-Newton BFGS

Descenso de gradiente con impulso y regla de aprendizaje adaptativo retropropagación

Función de transferencia sigmoidea tangente hiperbólica

Función de transferencia log-sigmoide

Función de transferencia de límite duro

Función de transferencia lineal

Función de transferencia Softmax

Función de transferencia de base triangular

Función de transferencia lineal saturada

función de transferencia inversa

Función de transferencia de base radial

Sesgos de la capa de entrada

Sesgo de la capa de salida

Pesos que vinculan las entradas y la capa oculta

Ponderaciones que vinculan la salida y la capa oculta

Índice de cada neurona en la capa oculta

Valor normalizado

Mouchet, JP & Mitchell, A. Presiones anormales durante la perforación (Elf Aquitaine, 1989).

Google Académico

Rabia, H. Ingeniería y Construcción de Pozos Hussain Rabia (Entrac Consulting, 2002).

Google Académico

Tingay, MRP, Hillis, RR, Swarbrick, RE, Morley, CK y Damit, AR Origen de la predicción de sobrepresión y presión intersticial en la provincia de Baram, Brunei. Soy. Asoc. Gasolina. Geol. Toro. 93, 51–74 (2009).

Google Académico

Zoback, MD Geomecánica de yacimientos. Geomecánica de Yacimientos. https://doi.org/10.1017/CBO9780511586477 (Prensa de la Universidad de Cambridge, 2007).

Hottman, CE & Johnson, RK Estimación de presiones de formación a partir de propiedades de lutitas derivadas de registros. J. Gasolina. Tecnología 17, 1754 (1965).

Artículo Google Académico

Matthews, WR & Kelly, J. Cómo predecir la presión de formación y el gradiente de fractura a partir de registros eléctricos y sónicos. Petróleo Gas J. (1967).

Pennebaker, ES Detección de formaciones de presión anormal a partir de datos de campo sísmico. en Práctica de Perforación y Producción. 184–191. (Instituto Americano del Petróleo, 1968).

Eaton, BA La ecuación para la predicción de geopresión a partir de registros de pozos. https://doi.org/10.2118/5544-ms (Sociedad de Ingenieros de Petróleo (SPE), 1975).

Gardner, GHF, Gardner, LW y Gregory, AR Velocidad y densidad de formación: los conceptos básicos de diagnóstico para las trampas estratigráficas. Geofísica 39, 770–780 (1974).

Artículo ANUNCIOS Google Académico

Bowers, GL Datos: Contabilización de los mecanismos de sobrepresión además de la subcompactación. Soc. Gasolina. Ing. (SPE) 27488, 89–95 (1995).

Google Académico

López, JL, Rappold, PM, Ugueto, GA, Wieseneck, JB & Vu, CK Modelo integrado de tierra compartida: predicción de la presión intersticial en 3D y análisis de incertidumbre. Leading Edge (Tulsa, OK) 23, 52–59 (2004).

Artículo Google Académico

Gutierrez, MA, Braunsdorf, NR & Couzens, BA Calibración y clasificación de modelos de predicción de presión intersticial. Borde de ataque (Tulsa, OK) 25, 1516–1523 (2006).

Artículo Google Académico

Foster, JB & Whalen, HE Estimación de presiones de formación a partir de levantamientos eléctricos—Offshore Louisiana. SPE Reimpresión Ser. 18, 57–63 (1966).

Google Académico

Ham, HH Un método para estimar las presiones de formación a partir de registros de pozos de la costa del golfo. vol. 16. (1966).

Eaton, BA La ecuación para la predicción de geopresión a partir de registros de pozos. OnePetro https://doi.org/10.2118/5544-ms (1975).

Artículo Google Académico

Eaton, BA El efecto del estrés de sobrecarga en la predicción de geopresión a partir de registros de pozos. J. Gasolina. Tecnología 24, 929–934 (1972).

Artículo Google Académico

Zhang, J. Predicción de la presión intersticial a partir de registros de pozos: métodos, modificaciones y nuevos enfoques. Ciencias de la Tierra Rev. 108, 50–63 (2011).

Artículo ANUNCIOS Google Académico

Lang, J., Li, S. & Zhang, J. Modelado de estabilidad de pozos y vigilancia en tiempo real para perforación en aguas profundas hasta planos de lecho débiles y yacimientos agotados. en SPE/IADC Drilling Conference, Procedimientos. vol. 1. 145–162. (Sociedad de Ingenieros de Petróleo (SPE), 2011).

Bingham, MG Un nuevo enfoque para interpretar la capacidad de perforación de rocas. Oil Gas J. (1965) (reimpreso).

Jorden, JR & Shirley, OJ Aplicación de datos de rendimiento de perforación a la detección de sobrepresión. SPE Reimpresión Ser. 18, 19–26 (1967).

Google Académico

Rehm, B. & McClendon, R. Medición de la presión de formación a partir de datos de perforación. https://doi.org/10.2118/3601-ms (Sociedad de Ingenieros de Petróleo (SPE), 1971).

Contreras, O., Hareland, G. & Aguilera, R. Un enfoque innovador para la predicción de la presión intersticial y la optimización de la perforación en una cuenca anormalmente subpresionada. Taladro SPE. completo 27, 531–545 (2012).

Artículo CAS Google Académico

Kalogirou, SA Inteligencia artificial para el modelado y control de procesos de combustión: Una revisión. prog. Combustión de energía. ciencia 29, 515–566 (2003).

Artículo CAS Google Académico

Russell, SJ & Norvig, P. Inteligencia artificial: un enfoque moderno. 3ra ed. (2016).

Mohaghegh, S. Aplicaciones de inteligencia virtual en ingeniería petrolera: Parte I: redes neuronales artificiales. J. Gasolina. Tecnología 52, 64–73 (2000).

Artículo Google Académico

Elsafi, SH Redes neuronales artificiales (ANN) para el pronóstico de inundaciones en la estación de Dongola en el río Nilo, Sudán. Alex. Ing. J. 53, 655–662 (2014).

Artículo Google Académico

Doraisamy, H., Ertekin, T. & Grader, AS Parámetros clave que controlan el rendimiento de las aplicaciones de neurosimulación en el desarrollo de campo. en Actas de la Reunión Regional Occidental Anual de la SPE. 233–241. https://doi.org/10.2118/51079-ms (Sociedad de Ingenieros de Petróleo (SPE), 1998).

Alsaihati, A., Elkatatny, S. & Abdulraheem, A. Predicción en tiempo real de la densidad de circulación equivalente para pozos horizontales utilizando máquinas inteligentes. ACS Omega 6, 934–942 (2021).

Artículo CAS PubMed Google Académico

Gamal, H., Abdelaal, A. y Elkatatny, S. Modelos de aprendizaje automático para la predicción de densidad de circulación equivalente a partir de datos de perforación. ACS Omega 8, 4363 (2021).

Google Académico

Gamal, H., Abdelaal, A., Alsaihati, A., Elkatatny, S. y Abdulraheem, A. Modelo de red neuronal artificial para predecir la densidad de circulación equivalente a partir de parámetros de perforación. (2021).

Abdelaal, A., Elkatatny, S. & Abdulraheem, A. Predicción de la presión de formación a partir de datos de perforación mecánica e hidráulica utilizando redes neuronales artificiales (OnePetro, 2021).

Google Académico

Abdelaal, A., Elkatatny, S. & Abdulraheem, A. Enfoque de modelado basado en datos para la predicción del gradiente de presión intersticial durante la perforación a partir de parámetros de perforación. ACS Omega https://doi.org/10.1021/acsomega.1c01340 (2021).

Artículo PubMed PubMed Central Google Académico

Gamal, H., Elkatatny, S., Alsaihati, A. & Abdulraheem, A. Predicción inteligente para la porosidad de la roca durante la perforación de litología compleja en tiempo real. computar Intel. Neurosci. 2021, 14 (2021).

Artículo Google Académico

Abdelaal, A., Ibrahim, AF y Elkatatny, S. Enfoque basado en datos para la predicción de resistividad utilizando inteligencia artificial. J. Recursos Energéticos. Tecnología 144, 103003 (2022).

Artículo CAS Google Académico

Alsabaa, A. & Elkatatny, S. Seguimiento mejorado de las propiedades reológicas del lodo a base de aceite de puente máximo utilizando redes neuronales artificiales. ACS Omega 6, 15816–15826 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Abdelgawad, K., Elkatatny, S., Moussa, T., Mahmoud, M. y Patil, S. Determinación en tiempo real de las propiedades reológicas de los fluidos de perforación de perforación utilizando una técnica híbrida de inteligencia artificial. J. Recursos Energéticos. Tecnología Trans. ASME 141, 3 (2019).

Artículo CAS Google Académico

Gowida, A., Elkatatny, S., Ramadan, E. & Abdulraheem, A. Marco basado en datos para predecir las propiedades reológicas del fluido de perforación basado en salmuera CaCl2 utilizando una red neuronal artificial. Energías (Basilea) 12, 10 (2019).

Google Académico

Gomaa, I., Elkatatny, S. y Abdulraheem, A. Determinación en tiempo real de las propiedades reológicas del fluido de perforación con alto sobrebalance utilizado para perforar pozos de gas ultra profundos utilizando una red neuronal artificial. J.Nat. ciencia del gas Ing. 77, 103224 (2020).

Artículo Google Académico

Alsabaa, A., Gamal, H., Elkatatny, S. & Abdulraheem, A. Predicción en tiempo real de las propiedades reológicas del lodo de emulsión inversa utilizando un sistema de inferencia neurodifuso adaptativo. Sensores 20, 1669 (2020).

Artículo ADS CAS PubMed Central Google Scholar

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 https://doi.org/10.1007/s00521-020-05546-7 (2021).

Artículo Google Académico

Mahmoud, A., Elkatatny, S., Chen, W. & Abdulraheem, A. Estimación del factor de recuperación de petróleo para reservorios arenosos impulsados ​​por agua a través de aplicaciones de inteligencia artificial. Energías (Basilea) 12, 3671 (2019).

Artículo CAS Google Académico

Ahmed, A., Elkatatny, S., Gamal, H. y Abdulraheem, A. Modelos de inteligencia artificial para la predicción de densidad aparente en tiempo real de litología compleja vertical utilizando los parámetros de perforación. Árabe. J. Ciencia. Ing. https://doi.org/10.1007/S13369-021-05537-3 (2021).

Artículo Google Académico

Gowida, A., Elkatatny, S. & Abdulraheem, A. Aplicación de una red neuronal artificial para predecir la densidad aparente de la formación durante la perforación. Petrofísica 60, 660–674 (2019).

Google Académico

Fatehi, M. & Asadi, HH Modelado de integración de datos aplicado a la planificación de perforaciones a través del aprendizaje semisupervisado: un estudio de caso del depósito de pórfido Dalli Cu-Au en el centro de Irán. J.Afr. Ciencias de la Tierra 128, 147–160 (2017).

Artículo ADS CAS Google Académico

Moazzeni, A. & Haffar, MA Inteligencia artificial para la identificación de litología a través de datos de perforación en tiempo real. J. Ciencias de la Tierra. Clima Cambio 06, 1–4 (2015).

Google Académico

Zazoun, RS Estimación de la densidad de fracturas a partir de datos de registros de pozos centrales y convencionales utilizando redes neuronales artificiales: el yacimiento Cambro-Ordovícico del campo petrolero Mesdar, Argelia. J.Afr. Ciencias de la Tierra 83, 55–73 (2013).

Artículo ANUNCIOS Google Académico

Siddig, O. & Elkatatny, S. Flujo de trabajo para construir un perfil de módulos elásticos estáticos continuos a partir de los datos de perforación utilizando técnicas de inteligencia artificial. J. Gasolina. Explorar Producto. Tecnología 11, 3713–3722 (2021).

Artículo Google Académico

Siddig, OM, Al-Afnan, SF, Elkatatny, SM y Abdulraheem, A. Enfoque basado en datos de perforación para construir un perfil de módulos elásticos estáticos continuos utilizando técnicas de inteligencia artificial. J. Recursos Energéticos. Tecnología 144, 2 (2022).

Artículo Google Académico

Ahmed, A., Elkatatny, S. & Alsaihati, A. Aplicaciones de inteligencia artificial para la predicción de la relación de Poisson estática durante la perforación. computar Intel. Neurosci. 2021, 10081 (2021).

Artículo Google Académico

Siddig, O., Gamal, H., Elkatatny, S. & Abdulraheem, A. Aplicación de diferentes técnicas de inteligencia artificial en la predicción dinámica de la relación de Poisson utilizando parámetros de perforación. J. Recursos Energéticos. Tecnología 144, 7 (2022).

Artículo Google Académico

Siddig, O., Gamal, H., Elkatatny, S. y Abdulraheem, A. Predicción en tiempo real de la relación de Poisson a partir de parámetros de perforación utilizando herramientas de aprendizaje automático. ciencia Rep. 11, 1–13 (2021).

Artículo ADS CAS Google Académico

Al-Abdul Jabbar, A., Elkatatny, S., Mahmoud, M. & Abdulraheem, A. Predicción de cimas de formación durante la perforación usando inteligencia artificial. en Society of Petroleum Engineers-SPE Kingdom of Saudi Arabia Simposio técnico anual y exposición 2018, SATS 2018. https://doi.org/10.2118/192345-ms (Society of Petroleum Engineers, 2018).

Li, W., Yan, T. y Liang, Y. Tecnología de predicción de presión de los estratos profundos basada en la red neuronal BP. en Investigación de Materiales Avanzados. vol. 143–144. 28–31. (Trans Tech Publications Ltd, 2010).

Hu, L. et al. Un nuevo método de predicción de presión de poros: red neuronal artificial de propagación inversa. Electrón. J. Geotecnología. Ing. 18, 4093–4107 (2013).

Google Académico

Keshavarzi, R. & Jahanbakhshi, R. Predicción en tiempo real del gradiente de presión intersticial a través de un enfoque de inteligencia artificial: un estudio de caso de uno de los campos petroleros de Oriente Medio. EUR. J. Medio Ambiente. civ. Ing. 17, 675–686 (2013).

Artículo Google Académico

Aliouane, L., Ouadfeul, S.-A. & Boudella, A. Predicción de la presión intersticial en yacimientos de gas de esquisto utilizando redes neuronales y lógica difusa con una aplicación a Barnett Shale. EGUGA 17, 2723 (2015).

Google Académico

Rashidi, M. & Asadi, A. Un enfoque de inteligencia artificial en la estimación de la presión intersticial de la formación mediante datos críticos de perforación. en el 52º Simposio de Mecánica de Rocas/Geomecánica de EE. UU. (2018).

Ahmed, A., Elkatatny, S., Ali, A., Mahmoud, M. y Abdulraheem, A. Nuevo modelo para la predicción de la presión intersticial durante la perforación mediante redes neuronales artificiales. Árabe. J. Ciencia. Ing. 44, 6079–6088 (2018).

Artículo Google Académico

Ahmed, A., Elkatatny, S., Ali, A. & Abdulraheem, A. Análisis comparativo de técnicas de inteligencia artificial para la predicción de la presión de formación durante la perforación. Árabe. J. Geosci. 12, 7 (2019).

Artículo CAS Google Académico

Thunder, M., Moore, DS & McCabe, GP Introducción a la práctica de la estadística. Matemáticas. Gaz. 79, 252 (1995).

Artículo Google Académico

Dawson, R. ¿Qué importancia tiene un valor atípico en un diagrama de caja?. Estado J. Educ. 19, 2 (2011).

Artículo Google Académico

Bourgoyne, JAT, Millheim, KK, Chenevert, ME & Young, JFS Ingeniería de Perforación Aplicada. vol. 2. (1986).

Head, AL Una clasificación de perforabilidad de formaciones geológicas. en Actas del Congreso Mundial del Petróleo. vol. 1951. 42–57. (OnePetro, 1951).

Mensa-Wilmot, G., Calhoun, B. & Perrin, vicepresidente de perforabilidad de la formación: definición, cuantificación y contribuciones a la evaluación del rendimiento de la barrena. https://doi.org/10.2118/57558-ms (Sociedad de Ingenieros de Petróleo (SPE), 1999).

Aghli, G., Moussavi-Harami, R., Mortazavi, S. & Mohammadian, R. Evaluación de un nuevo método para la estimación de parámetros de fractura utilizando registros petrofísicos convencionales y ANFIS en los yacimientos heterogéneos de carbonato. J. Gasolina. ciencia Ing. 172, 1092–1102 (2019).

Artículo CAS Google Académico

Descargar referencias

Los autores desean agradecer a la Universidad King Fahd de Petróleo y Minerales (KFUPM) por permitir la publicación de este trabajo.

Esta investigación no recibió financiación externa.

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

Ahmed Abdelaal, Salaheldin Elkatatny y Abdulazeez Abdulraheem

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 supervisó el trabajo, y el análisis de resultados. AA llevó a cabo diseñó la metodología y el análisis de datos. AAZ también participó en el diseño de la metodología y análisis de resultados. El manuscrito original fue escrito por AA 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

Abdelaal, A., Elkatatny, S. & Abdulraheem, A. Predicción en tiempo real del gradiente de presión de la formación durante la perforación. Informe científico 12, 11318 (2022). https://doi.org/10.1038/s41598-022-15493-z

Descargar cita

Recibido: 14 Abril 2022

Aceptado: 24 junio 2022

Publicado: 05 julio 2022

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

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)

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.