Une donnée hybride

Aug 06, 2023

Rapports scientifiques volume 12, Numéro d'article : 15773 (2022) Citer cet article

578 accès

2 Citations

1 Altmétrique

Détails des métriques

La fenêtre de boue sûre (SMW) définit les limites autorisées des poids de boue qui peuvent être utilisés lors du forage de puits O&G. Le contrôle du poids de la boue dans les limites du SMW aiderait à éviter de nombreux problèmes graves tels que les problèmes d'instabilité du puits de forage, la perte de circulation, etc. Le SMW peut être défini par le poids minimum de la boue en dessous duquel une rupture par cisaillement (rupture) peut se produire (MWBO) et le poids maximum de la boue au-dessus duquel une rupture par traction (rupture) peut se produire (MWBD). Ces limites peuvent être déterminées à partir de l'analyse géomécanique des formations de fond de puits. Cependant, une telle analyse n'est pas toujours accessible pour la plupart des puits forés. Par conséquent, dans cette étude, une nouvelle approche est introduite pour développer un nouveau modèle basé sur les données pour estimer la plage de poids de boue sûre en un rien de temps et sans coût supplémentaire. De nouveaux modèles ont été développés à l'aide d'un réseau de neurones artificiels (ANN) pour estimer à la fois MWBO et MWBD directement à partir des données de diagraphie qui sont généralement disponibles pour la plupart des puits. Les modèles basés sur ANN ont été formés à l'aide de données réelles provenant d'un champ du Moyen-Orient avant d'être testés par un ensemble de données invisible. Les modèles ont atteint une précision élevée supérieure à 92 % en comparant les valeurs de sortie prévues et observées. De plus, de nouvelles équations ont été établies sur la base des poids et des biais des modèles ANN optimisés, grâce auxquels MWBO et MWBD peuvent être calculés sans avoir besoin de codes compliqués. Enfin, un autre ensemble de données du même domaine a ensuite été utilisé pour valider les nouvelles équations et les résultats ont démontré la grande robustesse des nouvelles équations pour estimer MWBO et MWBD avec un faible pourcentage d'erreur absolu moyen de 0,60 % au maximum. Ainsi, contrairement aux approches conventionnelles coûteuses, les équations nouvellement développées faciliteraient la détermination des limites de SMW de manière rapide et économiquement efficace, avec une grande précision chaque fois que les données de diagraphie sont disponibles.

La géomécanique fait partie des sciences qui représentent une pierre angulaire lorsqu'il s'agit de planifier et d'optimiser le forage et le développement de champs pétroliers. Elle consiste à étudier les propriétés mécaniques des roches ainsi que la répartition des contraintes in situ au voisinage du puits de forage. Une estimation minutieuse de ces informations est considérée comme un facteur clé qui pourrait aider à éviter un large éventail de problèmes coûteux pouvant être rencontrés lors des opérations de forage, de complétion et de stimulation. La géomécanique des formations souterraines peut être étudiée en construisant des modèles géomécaniques qui reproduisent l'état géomécanique in situ des formations1. Cela pourrait contribuer à l'investigation technique de différents processus et, à son tour, faciliter la réduction des coûts. Le modèle géomécanique peut être construit en utilisant des données de diagraphie conventionnelles, c'est-à-dire des diagraphies de densité de formation, des diagraphies de porosité, des diagraphies acoustiques, etc. en plus de certains tests sur le terrain et d'expériences de laboratoire basées sur des carottes à des fins d'étalonnage. La stabilité du puits de forage est considérée comme l'une des principales préoccupations lors du processus de forage. Deux problèmes courants sont liés à la stabilité du puits de forage : la rupture par traction (fractures) ou la rupture du puits de forage (effondrement). En conséquence, de nombreux problèmes peuvent survenir, perte de circulation, blocage des tuyaux, lessivage, etc. La fenêtre de boue sûre est généralement déterminée à la lumière de l'état de contrainte in situ des formations de fond2. Les contraintes de la formation sont décrites en termes d'amplitude et de direction, ce qui permet d'évaluer la probabilité de problèmes d'instabilité du puits de forage. En conséquence, des données précises sur la configuration des contraintes in situ sont généralement nécessaires le long de la profondeur du puits pour trouver des solutions viables aux problèmes d'instabilité potentiels lors du forage. Ceci peut être atteint en déployant le poids de boue optimal qui existe dans la plage de la fenêtre de boue sûre prédéfinie (SMW)3. La SMW peut être déterminée en appliquant une modélisation géomécanique basée sur des données de puits, y compris les contraintes in situ, la pression interstitielle et les propriétés mécaniques de la roche, associées à des critères de rupture de roche appropriés4. Cependant, une telle analyse est considérée comme coûteuse et chronophage ce qui limite son accessibilité pour la plupart des puits forés.

Récemment, à l'instar de différentes industries (Haghighat et Li, 2021), il existe un besoin croissant de systèmes intelligents automatisés capables d'exploiter la disponibilité d'énormes données lors de différentes opérations dans l'industrie pétrolière et gazière. Ces systèmes sont basés sur différentes approches d'apprentissage automatique qui visent à modéliser et estimer différents paramètres clés de manière rentable et rapide5. De nombreuses études dans la littérature ont utilisé des approches d'apprentissage automatique pour estimer différents paramètres liés à la géomécanique qui seraient utilisés pour la conception de SMW. En 2012, Rabbani et al. a développé un modèle utilisant des réseaux de neurones pour prédire la résistance à la compression non confinée (UCS), qui est l'un des paramètres clés de la modélisation géomécanique terrestre, en utilisant les données de diagraphie de puits telles que la densité, la porosité, etc. d'un champ pétrolifère du sud de l'Iran. Pereira et al. (2013) ont introduit un modèle basé sur des arbres de décision pour prédire le poids de boue approprié pour forer en toute sécurité des formations salées. Ils ont utilisé les enregistrements de forage (par exemple, date/profondeur, poids de boue observé), les types de lithologie rencontrés et les enregistrements des incidents, par exemple, le grippage des conduites dû au gonflement de la formation. Tabaeh et Mohammad (2016) ont également développé un modèle basé sur un réseau de neurones pour prédire la vitesse des ondes de cisaillement sur la base des données de diagraphie. Ils ont ensuite intégré ces informations dans un nouveau flux de travail pour estimer les moindres contraintes principales dans une région tectoniquement active. Zhou et al. (2016) ont développé un nouveau modèle pour prédire la densité circulante équivalente (ECD) adéquate pour contrôler les pressions de fond de trou dans des conditions HPHT. Ils ont utilisé le type de boue de forage, les fractions de phases huileuse et aqueuse dans la boue utilisée en plus des conditions de formation de pression et de température comme caractéristiques d'entrée de leur réseau neuronal développé. Okpo et al. (2016) ont étudié l'instabilité du puits de forage dans un champ nigérian en déployant une approche de réseau neuronal. Ils ont utilisé les propriétés de la boue, les contraintes de formation, la pression au fond du trou, la pression interstitielle et le diamètre du trou de forage comme données d'entrée pour déterminer la stabilité des formations au fond du trou. Zahiri et al. (2019) ont étudié la fenêtre de boue sûre en développant un modèle terrestre mécanique d'un champ iranien. Ils ont ensuite utilisé l'approche du réseau neuronal pour prédire le critère de défaillance sur la base des données de journalisation dans un modèle de boîte noire. Des études récentes sur SMW ont appliqué des modèles d'évaluation de la stabilité/rupture des parois rocheuses sous des contraintes de traction, de cisaillement et in situ combinés à des modèles ML6,7. Bien que Phan et al.7 aient rapporté une précision de prédiction élevée, ils ont utilisé plusieurs paramètres d'entrée qui ne sont pas toujours accessibles pour la plupart des puits de pétrole tels que les contraintes principales, le module d'élasticité, le coefficient de Poisson, la force de cohésion, la résistance à la traction. Le besoin de tels paramètres limite l'applicabilité de ces modèles dans les puits où de telles données ne sont pas disponibles. In6, Abbas et al., ont introduit l'application de ML pour prédire SMW à partir des données de journalisation. L'étude manque de mesures d'erreur essentielles pour quantifier l'erreur de prédiction et la précision du modèle. Sur la base de l'examen de la littérature, les modèles intelligents existants appliqués pour prédire le SMW laissent place à des améliorations de la précision et de l'applicabilité qui devraient contribuer de manière bénéfique à des opérations de forage sûres et optimisées.

Par conséquent, dans cette étude, la fenêtre de boue sûre (SMW) a été étudiée à l'aide d'une approche d'apprentissage automatique (réseau de neurones artificiels, ANN). La SMW a été déterminée en étudiant les limites de poids de boue minimum et maximum au-delà desquelles une rupture par cisaillement ou par traction peut être rencontrée respectivement. Cette étude vise à prédire le SMW à partir des données de diagraphie en utilisant directement un modèle basé sur ANN pour un champ du Moyen-Orient. En outre, le modèle ANN développé a été présenté en mode boîte blanche en établissant de nouvelles équations qui imitent le traitement de l'ANN développé.

La nouvelle approche a été établie sur la base de l'analyse des données géomécaniques pour permettre la détermination directe de la plage de sécurité des poids de boue de forage chaque fois que les données de diagraphie sont disponibles. Contrairement à l'approche conventionnelle à prix élevé, les équations nouvellement développées faciliteraient l'estimation du MWBO et du MWBD directement à partir des données d'exploitation de manière économique et rapide. Ceci, à son tour, aiderait les ingénieurs pétroliers à concevoir des propriétés de boue adéquates alors que de nombreux problèmes d'instabilité de puits de forage peuvent être évités. De plus, la planification et les optimisations de forage pourraient encore être améliorées.

Dans la prochaine section, la méthodologie adoptée pour cette étude est illustrée suivie d'une démonstration détaillée du processus de développement des modèles et de leur optimisation. Enfin, les résultats de cette recherche sont discutés dans la section de discussion avec les résultats résumés dans la section des conclusions.

La mécanique des roches fait référence à la science consistant à étudier le comportement géomécanique des roches dans des états élastiques ou de rupture. Ces comportements sont exprimés en termes de paramètres élastiques, c'est-à-dire les modules élastiques (E), le coefficient de Poisson (PR), etc. en plus des paramètres de rupture, c'est-à-dire la résistance à la compression non confinée (UCS), l'angle de frottement (Ø), la résistance à la traction (Ts), etc. Tout d'abord, des données ont été collectées pour la construction de MEM à partir de trois puits dans un champ du Moyen-Orient. Trois groupes de données ont été inclus, à savoir :

Données d'enregistrement pétrophysiques, par exemple, densité apparente de formation (RHOB), données soniques (DTC et DTS), diagraphie de rayons gamma (GR), diagraphie de neutrons (NPHI) et diagraphies d'épaisseur (CALI).

Les données de base sont basées sur les tests expérimentaux effectués sur les carottes extraites. Ces données sont généralement utilisées pour la validation et l'étalonnage du modèle. L'étalonnage consiste à identifier les relations possibles entre les propriétés élastiques dynamiques estimées à partir des diagraphies de puits et les propriétés statiques correspondantes mesurées en laboratoire.

Données de forage collectées pendant l'opération de forage, telles que les pertes de boue et les rapports sur les problèmes d'instabilité du puits de forage.

Deuxièmement, les paramètres élastiques dynamiques (E et PR) ont été estimés à l'aide des données pétrophysiques puis calibrés dans les paramètres statiques correspondants à l'aide des données de base disponibles. Cela a conduit à avoir des profils continus de E et PR statiques ainsi que la profondeur des puits étudiés. Ensuite, les paramètres de défaillance (UCS, Ts et Ø) ont été corrélés aux journaux de puits obtenus pour les obtenir sous une forme de profil continu. Ces étapes sont essentielles pour développer un MEM qui représente efficacement le comportement géomécanique des formations de fond de trou.

Ensuite, le champ de contrainte (par exemple, la contrainte de mort-terrain Sv, les contraintes horizontales maximale et minimale Shmin et Shmax) a été déterminé à l'aide des modèles poroélastiques duals. Plus d'informations sur la détermination des contraintes de formation pour le domaine étudié sont disponibles dans les études publiées8,9,10.

Lorsqu'un puits est foré dans une formation, le matériau solide sous contrainte est retiré. La paroi du forage n'est alors supportée que par la pression hydrostatique de la boue de forage dans le trou11. Comme cette pression de fluide ne correspond généralement pas aux contraintes de formation in situ, il y aura une redistribution des contraintes autour du puits, connue sous le nom de champ de contraintes post-forage ou champ de contraintes induites. Les contraintes induites secondaires : contrainte circonférentielle (Sθθ), contrainte radiale (Srr) et contrainte axiale (Szz) ont été calculées sur la base de Shmin et Shmax à l'aide des équations suivantes2 :

*\({P}_{w}\) : pression de boue hydrostatique, *\({P}_{p}\) : pression interstitielle de la formation.

Il existe deux scénarios principaux dans lesquels le trou de forage peut échouer, en fonction de l'ampleur relative de ces contraintes secondaires au niveau de la paroi du trou de forage. Premièrement, une rupture par cisaillement qui résulte de l'utilisation d'une boue de forage sous-pondérée par rapport à la pression de la formation, conduit à une rupture par arrachement. Deuxièmement, une rupture de traction résultant de l'utilisation d'une boue de forage surchargée entraîne des fractures induites (rupture de rupture) et donc des pertes partielles ou complètes.

À ce stade, une analyse de la stabilité du puits de forage a été entreprise pour déterminer le SWM en estimant trois paramètres clés :

Pression interstitielle (Pf) qui sont généralement recueillies lors des essais de puits.

Poids de la boue d'évasion (MWBO)

Poids de boue de rupture (MWBD).

Pour déterminer le poids de boue de rupture (MWBO), en pratique, différentes permutations des contraintes Sθθ, Srr et Szz doivent être prises en compte lors de l'étude de la stabilité mécanique de la région, puis la plus grande pression de boue de forage à la rupture serait sélectionnée comme critère de rupture de rupture pour déterminer MWBO. Les équations de ces permutations sont résumées dans le (tableau 1)11.

De plus, la rupture en traction peut être rencontrée lorsqu'un poids de boue significativement élevé est utilisé qui peut dépasser la valeur donnée par l'Eq. (6). Cette valeur MWBD a été considérée comme le critère de défaillance de panne1,11. Enfin, les profils MWBD et MWBD ont été générés et utilisés comme sorties pour les modèles proposés.

Dans cette étude, un ensemble de données de 1858 observations réelles sont recueillies à partir de trois puits dans un champ du Moyen-Orient représentant un réservoir de carbonate complexe. Les données comprenaient les données de diagraphie pétrophysique : GR, RHOB, DTC, DTS et NPHI et les MWBO et MWBD estimés correspondants à la même profondeur. Les limites de poids de boue sécuritaires ont été déterminées sur la base de l'analyse du MEM développé pour la zone à l'étude, comme décrit dans la section "Méthodologie", afin de déterminer éventuellement les profils MWBO et MWBD. Les données collectées à partir de deux puits ont été utilisées pour former et tester le modèle (divisé selon un certain ratio) tandis que le reste des données (le troisième puits) a été utilisé pour valider les modèles développés.

La précision des prédictions des modèles basés sur l'IA est considérablement affectée par la qualité des données utilisées lors du développement du modèle. Par conséquent, les données ont été prétraitées et filtrées à l'aide d'une analyse statistique et d'un sens technique basé sur la littérature. Un code Python spécialement conçu a été utilisé pour supprimer les valeurs déraisonnables comme les zéros et les valeurs négatives en plus des points manquants. Ensuite, les valeurs aberrantes ont été supprimées à l'aide d'un diagramme en boîte et moustaches, dans lequel la moustache supérieure représente la limite supérieure des données et la moustache inférieure représente la limite inférieure des données12. Toute valeur au-delà de ces limites était considérée comme une valeur aberrante, puis supprimée. Ces limites ont été déterminées à l'aide des paramètres statistiques énumérés dans le tableau 2 qui énumère le résumé statistique descriptif de l'ensemble de données utilisé dans cette étude pour refléter sa distribution et les plages couvertes. La figure 1 montre les distributions d'histogramme des données d'entrée et de sortie.

Histogramme des données utilisées dans cette étude.

La colinéarité entre chaque paramètre et les autres est présentée dans la carte thermique illustrée à la Fig. 2, de la manière dont plus la couleur est foncée, plus le degré de colinéarité entre les deux paramètres est élevé. Les valeurs présentées dans la carte thermique représentent le coefficient de corrélation de Pearson (valeur R) entre tous les deux paramètres. Le coefficient de corrélation est utilisé pour identifier à quel point deux paramètres sont linéairement liés l'un à l'autre. Sa valeur varie de − 1 à + 1. Une forte relation linéaire directe est indiquée avec une valeur R de + 1. Au contraire, la valeur R de − 1 montre une forte relation linéaire inverse entre ces deux variables. Alors qu'une valeur R de zéro indique qu'il n'existe aucune relation linéaire entre les variables des deux études. De plus, la figure 2 affiche les valeurs P associées au coefficient de corrélation entre les paramètres d'entrée et de sortie pour examiner l'importance de la corrélation entre l'entrée et les sorties dans le processus de régression. Le DTC a montré un coefficient de corrélation élevé de 1 et 0,95 avec DTS et NPHI respectivement. Ainsi, le DTC n'a été considéré que comme une caractéristique d'entrée pour le modèle développé afin d'éviter la redondance des informations d'entrée dans les modèles proposés. Ces résultats ont également été confirmés par les valeurs de p, où les valeurs de p étaient inférieures à 0,05 (ce qui signifie qu'elles sont significatives) sauf pour le DTS et le NPHI. En conséquence, l'ensemble final des caractéristiques d'entrée sélectionnées était GR, DTC et RHOB.

Carte thermique reflétant la colinéarité entre le paramètre d'entrée/sortie avec les valeurs P associées aux coefficients de corrélation.

En plus d'étudier la colinéarité entre les paramètres pour sélectionner les plus efficaces, une analyse de sensibilité a également été menée. Différents essais ont été menés en utilisant différents ensembles de paramètres d'entrée pour prédire la MWBO. Cette étape consistait à obtenir des informations initiales sur l'effet de chaque paramètre d'entrée sur les résultats de la prédiction. Différents groupes de paramètres d'entrée ont été testés. Ces groupes sont le Groupe 1 (GR, DTC, DTS, RHOB, NPHI), le Groupe 2 (GR, DTC, DTS, RHOB), le Groupe 3 (GR, DTC, DTS), le Groupe 4 (GR, DTC, RHOB), le Groupe 5 (GR, DTC), le Groupe 6 (GR, RHOB) et le Groupe 7 (DTC, RHOB). Les résultats ont été évalués en termes d'erreur absolue moyenne en pourcentage (MAPE) entre les valeurs de sortie réelles et estimées. La figure 3 montre une comparaison de l'erreur de prédiction pour les groupes d'entrée testés. Les résultats ont montré que la combinaison de GR, DTC et RHOB (groupe 4) a donné le MAPE le plus bas et donc la meilleure précision de prédiction. Cette observation est conforme à la conclusion de l'analyse de réduction de la dimensionnalité qui s'est terminée par l'utilisation de la combinaison GR, DTC et RHOB comme entrées pour développer les modèles proposés. En conséquence, cet ensemble d'entrées a été décidé pour développer les modèles prosés.

Comparaison de l'erreur de prédiction pour les groupes d'entrée testés.

Dans cette recherche, le réseau de neurones artificiels (ANN) a été appliqué pour développer un nouveau modèle qui peut prédire directement à la fois MWBO et MWBD sur la base de données de diagraphie de puits. ANN a été sélectionné en raison de sa récente application réussie en géomécanique liée au pétrole. De nombreuses études dans la littérature ont rapporté l'application de l'ANN pour prédire plusieurs paramètres géomécaniques à utiliser dans le contexte du champ pétrolier tels que la prédiction UCS13,14,15, les modules élastiques et le coefficient de Poisson16,17,18, la prédiction du champ de contrainte8,9,19, etc. La formation du réseau commence par le traitement des données de la couche cachée via des connexions pondérées aux neurones de la couche cachée pour finalement estimer les sorties20. Pour optimiser le réseau, la fonction GridSearchCV a été conçue à l'aide du code Python pour tester de manière itérative différents paramètres afin d'optimiser chaque algorithme dans les plages prédéfinies par l'utilisateur, afin de signaler la meilleure valeur de chaque paramètre pour chaque algorithme. Les données obtenues ont été divisées en deux ensembles : formation et test. L'ensemble de formation a été utilisé pour former le modèle et optimiser ses hyper-paramètres. Au cours du processus d'optimisation, les résultats des modèles ont été testés en interne pour évaluer les hyper-paramètres sélectionnés. Pour chaque essai, les prédictions ont été évaluées à l'aide de la valeur R et de l'erreur entre les valeurs de sortie réelles et prévues pour les processus de formation et de test. L'objectif de cette étape est d'identifier les hyper-paramètres qui pourraient atteindre l'erreur de prédiction la plus faible possible grâce à de nombreux essais itératifs. Ensuite, le modèle avec les hyper-paramètres optimisés a été évalué à l'aide de l'ensemble de test pour estimer l'erreur de généralisation du modèle optimisé21.

Les résultats de prédiction ont été évalués en termes de coefficient de corrélation (R), MAPE, erreur quadratique moyenne (MSE) et erreur quadratique moyenne racine (RMSE) entre les sorties observées et prédites. Les formules mathématiques pour les métriques d'évaluation sont indiquées à l'annexe A. Le tableau 3 répertorie les options prédéfinies des paramètres ANN (par exemple, l'algorithme d'apprentissage, la fonction de transfert, le nombre de neurones, le nombre de couches cachées et le taux d'apprentissage) qui ont été testés pendant le processus de réglage. La figure 4 montre une architecture schématique typique du modèle ANN développé. La figure 5 montre le flux de travail suivi dans cette étude pour développer les équations proposées.

Schéma typique des architectures ANN développées.

Organigramme pour développer les nouvelles équations basées sur les ANN proposées.

Deux modèles ont été développés en utilisant ANN pour prédire à la fois MWBO et MWBD. Les modèles développés ont été optimisés en sélectionnant les paramètres de réglage qui ont donné le MAPE le plus bas et le R le plus élevé entre les ensembles de sortie observés et prédits.

Pour MWBO, le modèle optimisé comprenait une couche cachée avec 10 neurones et a été formé en utilisant 70 % de l'ensemble de données tandis que le reste des données a été utilisé pour tester les performances de prédiction. Alors que les meilleurs résultats pour le modèle MWBD ont été obtenus en utilisant 7 neurones dans une seule couche cachée. Le processus de formation du modèle MWBD optimisé a été mis en œuvre en utilisant le rapport de division 70:30 de l'ensemble de données pour la formation et les tests, respectivement. Les deux modèles ont été entraînés à l'aide de l'algorithme de rétropropagation de régularisation bayésienne (trainbr) et de la fonction de transfert tan-sigmoïde (tansig) avec un taux d'apprentissage de 0,12.

Les hyper-paramètres sélectionnés pour les deux modèles sont résumés dans le tableau 3. Les résultats ont montré que les prédictions des modèles obtenaient une correspondance élevée entre les ensembles observés et de sortie indiqués par R de 0,91 et 0,95 pour les modèles MWBO et MWBD, respectivement. En termes d'erreurs de prédiction, les modèles développés ont abouti à un faible MAPE ne dépassant pas 0,53 % pour les modèles MWBO et MWBD. La grande précision des modèles développés peut également être déduite de l'accord notable dans la représentation graphique des valeurs réelles et prédites pour le processus de test, comme illustré à la Fig. 6 pour les modèles MWBO et MWBD.

Représentations graphiques des sorties observées et prévues pour les modèles MWBO (à gauche) et MWBD (à droite) pour le processus de test.

De plus, la dispersion étroite des données de sortie observées et prédites pour les deux modèles a démontré une correspondance remarquable entre ces valeurs, comme le montrent les diagrammes croisés illustrés à la Fig. 7. Cela a révélé la grande précision des prédictions des modèles développés. En conséquence, la fenêtre de boue appropriée pour un forage sûr peut être définie à l'aide des prédictions MWBO et MWBD à l'aide des modèles développés.

Graphiques croisés entre les valeurs de sortie réelles et prévues pour les modèles (a) MWBO et (b) MWBD à l'aide de l'ensemble de données de test.

L'un des principaux résultats de cette étude est de développer de nouvelles équations permettant de déterminer facilement la fenêtre de boue pour un forage sûr. Par conséquent, les nouvelles équations. (7) et (8) ont été établis en utilisant les mêmes entrées (GR, RHOB et DTC) pour estimer à la fois MWBO et MWBD. Les corrélations établies sont basées sur les poids ajustés et les biais des modèles développés répertoriés dans les tableaux 4 et 5.

où, \({\left({\mathrm{MW}}_{\mathrm{BO}}\right)}_{\mathrm{normalized}}\) et \({\left({\mathrm{MW}}_{\mathrm{BD}}\right)}_{\mathrm{normalized}}\) sont les formes normalisées des valeurs MWBO et MWBD. La procédure requise pour utiliser les Eqs. (7) et (8) sont décrits en détail dans l'annexe B.

Dans cette section, les équations développées basées sur ANN ont été validées à l'aide d'un ensemble de données invisible qui n'a pas été utilisé dans le processus d'apprentissage. Un total de 637 points de données a été introduit dans les équations développées. (7) et (8) pour estimer la fenêtre de boue sûre en termes de MWBO et MWBD. Les résultats ont ensuite été évalués en utilisant la valeur R, MSE, RMSE et MAPE entre les ensembles de sortie réels et estimés. Le MWBO et le MWBD estimés ont montré un accord élevé avec les valeurs réelles comme illustré à la Fig. 8 avec R dépassant 92 % et MAPE de 0,60 % au maximum. Le tableau 6 résume la précision de prédiction des équations développées en termes de MAPE, MSE et RMSE.

Représentations graphiques des sorties observées et prédites pour les modèles MWBO (à gauche) et MWBD (à droite) pour le processus de validation.

Il convient de souligner que les corrélations développées sont plus recommandées pour les formations carbonatées à partir desquelles la plupart des données utilisées pour développer les modèles ont été collectées. Cela peut s'expliquer par le fait que différents types de formations peuvent avoir des réponses logarithmiques et des propriétés géomécaniques différentes. Ces propriétés contrôlent les distributions de contraintes en fond de trou et donc les limites d'éclatement et de claquage. Par conséquent, certaines erreurs peuvent être attendues lors de l'application de différentes lithologies de formation. De plus, il est recommandé de déployer les équations développées en utilisant des entrées dans la plage et les mêmes unités répertoriées dans le tableau 2 pour garantir des résultats fiables.

Un réseau de neurones artificiels (ANN) a été appliqué avec succès pour définir les limites de la fenêtre de boue sûre en termes de MWBO et MWBD. Les modèles développés utilisent les données de journalisation, à savoir GR, RHOB et DTC comme caractéristiques d'entrée. Les conclusions de cette recherche peuvent être résumées comme suit :

Les modèles développés basés sur ANN ont donné lieu à une correspondance considérable avec les valeurs MWBO et MWBD observées avec une précision supérieure à 92 % et un pourcentage d'erreur absolu moyen maximum (MAPE) de 0,53 %.

De nouvelles équations ont été établies à l'aide des modèles développés pour estimer MWBO et MWBD à partir des données d'exploitation directement sans avoir besoin d'exécuter des codes spéciaux.

Les équations développées ont été validées à l'aide de données inédites provenant du même domaine. Les résultats ont démontré la robustesse des équations développées pour estimer la MWBO et la MWBD directement à partir des données de diagraphie avec MAPE ne dépassant pas 0,60 %.

Réseau neuronal artificiel

Poids de boue minimum en dessous duquel une rupture par cisaillement peut se produire

Poids maximal de la boue au-dessus duquel une rupture par traction peut se produire

Fenêtre de boue sécuritaire

Pression interstitielle de formation

Pression de boue hydrostatique

Données d'enregistrement de rayons gamma

Données du journal de densité apparente de la formation

Données d'enregistrement du temps de transit des ondes de compression

Données d'enregistrement du temps de transit des ondes de cisaillement

Données d'enregistrement de la porosité neutronique

Données du journal de l'étrier

Module d'élasticité

Coefficient de Poisson

Résistance à la compression non confinée

Résistance à la traction

Contrainte radiale

Contrainte du cerceau

Contrainte axiale

Angle de rupture

Levenberg–Marquardt

Rétropropagation de régularisation bayésienne

Rétropropagation résiliente

Dégradé conjugué mis à l'échelle

Dégradé conjugué avec les redémarrages Powell/Beale

Gradient conjugué de Fletcher-Powell

Dégradé Conjugué Polak-Ribiére

Sécante en une étape

Rétropropagation du taux d'apprentissage variable

Fonction de transfert sigmoïde tangente hyperbolique

Fonction de transfert log-sigmoïde

Fonction de transfert sigmoïde symétrique d'Elliot

Fonction de transfert de base radiale

Fonction de transfert hard-limit symétrique

Fonction de transfert linéaire saturante symétrique

Zoback, MD et al. Détermination de l'orientation et de l'amplitude des contraintes dans les puits profonds. Int. J. Rock Mech. Min. Sci. 40, 1049-1076 (2003).

Article Google Scholar

Zoback, MD Géomécanique du réservoir (Cambridge University Press, 2007).

Réserver Google Scholar

Zahiri, J., Abdideh, M. & Ghaleh Golab, E. Détermination de la fenêtre de poids de boue sûre basée sur les données de diagraphie de puits à l'aide de l'intelligence artificielle. Géosyst. Ing. 22, 193-205 (2019).

Article Google Scholar

Aslannezhad, M. & Jalalifar, H. Détermination d'une fenêtre de boue sûre et analyse de la stabilité du puits de forage pour minimiser les défis de forage et le temps non productif. J.Pet. Explorateur. Prod. Technol. 6, 493–503 (2016).

Article Google Scholar

Kamran, M. Une approche probabiliste pour la prédiction de l'indice de taux de forage à l'aide de la technique d'apprentissage d'ensemble. J.Min. Environ. 12, 327–337 (2021).

Google Scholar

Abbas, AK, Almohammed, HH, Alqatran, G., Mohammed, HQ et Mohammed, A. Détermination de la fenêtre de poids de boue en fonctionnement sûr à partir des données de diagraphie de puits à l'aide d'algorithmes d'apprentissage automatique. dans Offshore Technology Conference Asia (Offshore Technology Conference, 2020).

Phan, DT, Liu, C., AlTammar, MJ, Han, Y. & Abousleiman, YN Application de l'intelligence artificielle pour prédire en temps réel les fenêtres de poids de boue dépendant du temps. SPE J. 27, 39–59 (2022).

Article Google Scholar

Ibrahim, AF, Gowida, A., Ali, A. & Elkatatny, S. Application d'apprentissage automatique pour prédire les contraintes in situ à partir des données de journalisation. Sci. Rép. 11, 1–14 (2021).

Article CAS Google Scholar

Gowida, A., Ibrahim, AF, Elkatatny, S. & Ali, A. Prédiction des moindres contraintes principales à l'aide de données de forage : une application d'apprentissage automatique. Calcul. Renseignement. Neurosci. 2021, 1–13 (2021).

Article Google Scholar

Ibrahim, AF, Gowida, A., Ali, A. & Elkatatny, S. Prévision en temps réel des contraintes in situ pendant le forage à l'aide des paramètres de forage en surface du réservoir de gaz. J. Nat. Scie à gaz. Ing. 97, 104368 (2022).

Article Google Scholar

Fjaer, E., Holt, RM, Horsrud, P. & Raaen, AM Mécanique des roches liées au pétrole (Elsevier, 2008).

Google Scholar

Dawson, R. Quelle est l'importance d'une valeur aberrante de boxplot ?. J. Stat. Éduc. https://doi.org/10.1080/10691898.2011.11889610 (2011).

Article Google Scholar

Rabbani, E., Sharif, F., Koolivand Salooki, M. & Moradzadeh, A. Application de la technique du réseau neuronal pour la prédiction de la résistance à la compression uniaxiale à l'aide des propriétés de formation du réservoir. Int. J. Rock Mech. Min. Sci. 56, 100-111 (2012).

Article Google Scholar

Gowida, A., Elkatatny, S. & Gamal, H. Prédiction de la résistance à la compression non confinée (UCS) en temps réel lors du forage à l'aide d'outils d'intelligence artificielle. Calcul neuronal. Appl. 33, 8043–8054 (2021).

Article Google Scholar

Chemmakh, A. Modèles prédictifs d'apprentissage automatique pour estimer l'UCS et la résistance à la traction des roches dans le champ de Bakken (OnePetro, 2021).

Réserver Google Scholar

Jamshidi, E., Arabjamaloei, R., Hashemi, A., Ekramzadeh, MA & Amani, M. Estimation en temps réel des propriétés élastiques des roches de formation basée sur les données de forage en utilisant un réseau neuronal artificiel. Sources d'énergie Partie A 35, 337–351 (2013).

Article Google Scholar

Gowida, A., Moussa, T., Elkatatny, S. & Ali, A. Un modèle d'intelligence artificielle hybride pour prédire le comportement élastique des roches de grès. Durabilité 11, 5283 (2019).

Article CAS Google Scholar

Acar, MC & Kaya, B. Modèles pour estimer le module d'élasticité des roches faibles basés sur la machine vectorielle de support des moindres carrés. Arabe. J. Géosci. 13, 1–12 (2020).

Article Google Scholar

Tabaeh, HM & Mohammad, A. Estimation des contraintes horizontales in situ à l'aide du modèle poroélastique linéaire et des résultats des tests minifrac dans la zone tectoniquement active. Russe. J. Terre Sci. 16, 1–9 (2016).

Google Scholar

Yegnanarayana, B. Réseaux de neurones artificiels (PHI Learning Pvt. Ltd., 2009).

Google Scholar

Xu, Y. & Goodacre, R. Sur le fractionnement de l'entraînement et de l'ensemble de validation : une étude comparative de la validation croisée, du bootstrap et de l'échantillonnage systématique pour estimer les performances de généralisation de l'apprentissage supervisé. J.Anal. Test. 2, 249–262 (2018).

Article Google Scholar

Pereira, LG, Gandelman, RA, Clemente, RG, Teixeira, PHS & Teixeira, GT Développement d'un logiciel pour prédire le poids de la boue pour les zones de forage pré-salifères à l'aide de l'apprentissage automatique. dans OTC Brésil (OnePetro, 2013).

Zhou, H., Niu, X., Fan, H. & Wang, G. Modèle de calcul efficace de la densité des fluides de forage et de l'ESD pour le puits HTHP pendant le forage. à la conférence IADC/SPE Asie-Pacifique sur les technologies de forage (OnePetro, 2016).

Okpo, EE, Dosunmu, A. & Odagme, BS Modèle de réseau neuronal artificiel pour prédire l'instabilité du puits de forage. à la conférence et exposition internationales annuelles de SPE Nigeria (OnePetro, 2016).

Télécharger les références

Département de génie pétrolier, King Fahd University of Petroleum & Minerals, Dhahran, 31261, Arabie saoudite

Ahmed Gowida, Ahmed Farid Ibrahim & Salaheldin Elkatatny

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

SE a conçu l'idée, collecté les données requises et participé à la conception de la méthodologie. AI, AG, a effectué l'analyse des données, conçu la méthodologie, exécuté les algorithmes et effectué la sensibilité et l'optimisation des résultats. SE, a également participé à la conception de la méthodologie et à la supervision de la validation des résultats. Le manuscrit original a été écrit par A, I., et tous les auteurs ont participé à la révision et à l'édition du manuscrit.

Correspondance à Salaheldin Elkatatny.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Gowida, A., Ibrahim, AF & Elkatatny, S. Une solution hybride basée sur les données pour faciliter la prédiction sûre de la fenêtre de boue. Sci Rep 12, 15773 (2022). https://doi.org/10.1038/s41598-022-20195-7

Télécharger la citation

Reçu : 23 mai 2022

Accepté : 09 septembre 2022

Publié: 21 septembre 2022

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Journal des technologies d'exploration et de production pétrolières (2023)

Revue arabe des géosciences (2023)

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.