Tạp chí
 
Năm 2021
 
Số 62, Kỳ 3a, [07 - 2021] - 55 năm BM Khoan khai thác

Ứng dụng mạng nơ-ron nhân tạo (ANN) dự báo tốc độ cơ học khoan và đề xuất giá trị tải trọng lên choòng tối ưu cho các giếng khoan dầu khí tại mỏ Nam Rồng - Đồi Mồi, Việt Nam

DOI:10.46326/JMES.2021.62(3a).05

  • Cơ quan:

    1 Khoa Dầu khí, Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam
    2 Dự án block 01&02 t ại công ty PVEP, Hà Nội,Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 07-02-2021
  • Sửa xong: 16-05-2021
  • Chấp nhận: 16-06-2021
  • Ngày đăng: 10-07-2021
Trang: 37 - 47
Lượt xem: 3366
Xem onlineXem online
Lượt tải: 1239
Tải về PDF
★★★★★Yêu thích: 1.0, Số lượt: 123
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Nâng cao tốc độ cơ học khoan giúp nâng cao hiệu quả khoan, giảm thiểu nguy cơ phức tạp sự cố, thời gian thi công và giá thành phản phẩm. Tốc độ cơ học khoan phụ thuộc vào nhiều tham số, gặp nhiều khó khăn trong dự báo. Vì vậy, nghiên cứu đề xuất giải pháp dự báo tốc độ cơ học khoan với độ chính xác cao nhằm xác định các thông số, chế độ khoan phù hợp giúp nâng cao tốc độ cơ học khoan là cần thiết và quan trọng. Nghiên cứu này để xuất sử dụng mạng nơ-ron nhân tạo, nhằm dự báo tốc độ cơ học khoan từ tài liệu khoan thực tế. Bộ số liệu bao gồm 900 mẫu thu được từ các giếng khoan tại mỏ Nam Rồng Đồi Mồi, chứa 6 thông số đầu vào là các thông số chế độ khoan: tải trọng lên choòng (WOB), trọng lượng riêng dung dịch khoan (MW), tốc độ quay choòng (RPM), áp suất tại vòi phun (SPP), lưu lượng dung dịch khoan (FR), mô men quay choòng (TQ). Trong quá trình huấn luyện mạng, các thuật toán và số nơ-ron trong lớp ẩn được thay đổi nhằm tìm ra mô hình tối ưu. Mô hình mạng nơ-ron nhân tạo được lựa chọn cho kết quả dự báo có độ chính xác cao và có thể áp dụng cho các giếng khoan tại khu vực nghiên cứu. Ngoài ra, dựa vào mô hình dự báo xây dựng được, nghiên cứu này đã thử nghiệm tính toán và đưa ra đề xuất thông số tải trọng lên choòng tối ưu cho khoảng độ sâu 1800÷2300 m cho các giếng khoan khu vực mỏ Nam Rồng - Đồi Mồi.

Trích dẫn
Nguyễn Tiến Hùng, Vũ Hồng Dương, Nguyễn Thế Vinh, Doãn Thị Trâm và Nguyễn Văn Trung, 2021. Ứng dụng mạng nơ-ron nhân tạo (ANN) dự báo tốc độ cơ học khoan và đề xuất giá trị tải trọng lên choòng tối ưu cho các giếng khoan dầu khí tại mỏ Nam Rồng - Đồi Mồi, Việt Nam, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 62, kỳ 3a, tr. 37-47.
Tài liệu tham khảo

Azim Reda Abdel, (2020). Application of artificial neural network in optimizing the drilling rate of penetration of western desert Egyptian wells. Springer Nature Switzerland AG.

Baron L.I., Beron A.I., Alekhova Z. N. và nnk (1996). Nguyên lý phá huỷ đất đá trong khoan. Khoa Học. Mátx-Cơ-Va. 244 trang. Барон Л. И., Берон А. И., Алехова З. Н. и другие (1966). Разрушение горных пород механическими способами при бурении скважин. Наука. М. 244 c.

Bourgoyne Jr A. T., and Young Jr F. S. (1974). A multiple regression approach to optimal drilling and abnormal pressure detection. Society of Petroleum Engineers Journal, 14(04), 371 - 384.

Chandrasekaran Sridharan, Kumar G. Suresh (2020). Drilling Efficiency Improvement and Rate of Penetration Optimization by Machine Learning and Data Analytics. International Journal of Mathematical, Engineering and Management Sciences Vol. 5, No. 3, 381 - 394.

Irawan Sonny, Tunio Saleem Qadir., (2012) Optimization of Weight on Bit During Drilling Operation Based on Rate of Penetration Model. Research Journal of Applied Sciences, Engineering and Technology 4(12).

Neskoromnux V.V., (2015). Nguyên lý phá huỷ đất đá trong khoan thăm dò. Trường ĐH Serbria. Krasnodar. 396 trang. Нескромных В. В., (2015). Разрушение горных пород при проведении геолого - разведочных работ. Сибирский федеральный университет. Красноярск, 396 с.

Neskoromnux V.V., (2017). Nguyên lý phá huỷ đất đá trong khoan thăm dò. Trường ĐH Serbria. Krasnodar. 336 trang. Нескромных В. В., (2017). Разрушение горных пород при бурении скважин. Сибирский федеральный университет. Красноярск, 336 с.

Mohaghegh Shahab, (2000). Part 1 - Artificial Neural Networks, Virtual - Intelligence Applications in Petroleum Engineering. Journal of Petroleum Technology, 52(9), 64 - 73.

Soloviev N.V., Nguyen Tien Hung, (2015). Công nghệ khoan tại các mỏ dầu khí thuộc Xí nghiệp Liên doanh Việt - Nga. Tạp chí KHKT “Kỹ sư Dầu khí”. Số 2. Trang 45-49. Соловьев Н. В., Нгуен Тиен Хунг, (2015). Разработка элементов эффективной технологии бурения скважин на месторождениях углеводородов предприятия «Вьетсовпетро». Научно - технический журнал «Инженер - нефтяник». - No2. - C. 45 - 49.

Tripathy S. S., Saxena R. K., Gupta P. K., (2013). Comparison of statistical methods for outlier detection in proficiency testing data on analysis of lead in aqueous solution. American Journal of Theoretical and Applied Statistics 2(6).

Các bài báo khác