Prediction of Lost Circulation Zones Using Artificial Intelligence Techniques

Prediction of Lost Circulation Zones Using Artificial Intelligence Techniques. Masters thesis, King Fahd University of Petroleum and Minerals.

[img] PDF (Master Thesis By Abdulmalek Ahmed)
Prediction_of_Lost_Circulation_Zones_Using_Artificial_Intelligence_Techniques.pdf
Restricted to Repository staff only until 2 May 2021.

Download (8MB)

Arabic Abstract

حفر الآبار العميقة ذي الضغط والحرارة العالية لديها العديد من التحديات والمشاكل. واحدة من أصعب المشاكل وأكثرها تكلفة واستهلاكًا للوقت في عملية الحفر هي فقدان التدوير. يمثل مائع الحفر 25-40٪ من التكلفة الإجمالية لعملية الحفر. أي فقدان لسائل الحفر سيزيد من التكلفة الإجمالية لعملية الحفر. يمكن أن يؤدي فقدان التدوير الغير المتحكم فيه لسائل الحفر إلى مشكلة خطيرة في التحكم في الآبار وفي بعض الحالات فقدان البئر. يتم تعريف فقدان التدوير أو فقدان العائد على أنه الخسارة الجزئية أو الكاملة لمائع الحفر من حلقة الابار إلى المناطق القلريبه من الابار عند أي عمق عند استخدام تقنية الحفر الزائدة. ينقسم فقدان التدوير إلى أربعة أنواع تعتمد على شدتها: التسرب ، الجزئي ، الحاد ، والإجمالي. يمكن لفقدان التدوير ان يحدث في تشكيلات مختلفة مثل الكسر الطبيعي ، والكسر المستحث ، والمناطق غير الموحدة ، والتكوينات الغائرة والوعائية ، وتشكيل النفاذية العالية. من الصعب جدا علاج فقدان التدوير ، خاصة في عمليات الصيانة. استخدام مواد فقدان التدوير التقليدية غير ناجح في جميع حالات فقدان التدوير بسبب بعض القيود والعيوب. من أجل تجنب فقدان التدوير ، يتم تقديم بعض الطرق لتحديد مناطق الخسائر. ومع ذلك ، فمن الصعب تطبيق هذه الطرق بسبب المشكلات المالية ونقص التكنولوجيا. الطرق الأخرى ليست دقيقة في التنبؤ بمناطق فقدان التدوير. في هذه الرسالة ، تم تطبيق خمس تقنيات مختلفة للذكاء الاصطناعي وهي: الشبكات العصبية الاصطناعية (ANN) ، وظيفة الأساس الشعاعي (RBF) ، المنطق الضبابي (FL) ، آلة ناقلات الدعم (SVM) والشبكات الوظيفية (FN) للتنبؤ بمناطق فقدان التدوير باستخدام أكثر من 4500 نقطة بيانات حقيقية مأخوذه من ثلاثة آبار اعتمادا فقط على 6 من خصائص الحفر الميكانيكية السطحية مثل مضخة التدفق (FLWPMP) ، معدل الحفر (ROP) ، سرعة دوران انابيب الحفر (RPM) ، ضغط الانبوب الواقف (SPP) ، عزم الحفر (TORQUE) والوزن على الحفاره . (WOB) سيتم تدريب واختبار الخمسة نماذج من الذكاء الاصطناعي باستخدام البئر الاول (بئر A) و الذي يحتوي على 1417 نقطة ، ثم يتم التحقق من صحة النماذج بواسطة بئرين غير مرئيين (بئر B و بئر C ) واللذان يحتويان على 2872 نقطة و 1295 نقطة على التوالي . بالإضافة إلى ذلك ، سيتم إجراء مقارنة بين جميع تقنيات الذكاء الاصطناعي الخمسة لتحديد طريقة التنبؤ المثلى. أوضحت النتائج أنه يمكن استخدام جميع أساليب الذكاء الاصطناعي للتنبؤ بمناطق الخسائر بدقة (معامل الارتباط (R) اكثر من 0.980 و الخطأ التربيعي لمتوسط الجذر (RMSE) أقل من 0.088). تمكنت ANN من التنبؤ بمناطق الخسائر في البئر غير المرئية (بئر B) باداء عالي (R = 0.0950 و RMSE = 0.145) . كما تنبات ANN ايضاً بمناطق الخسائر في (البئر C) الغير مرئي بمعامل ارتباط عالي (R = 0.952) و قليل من الخطأ التربيعي لمتوسط الجذر (RMSE = 0.155) . علاوة على ذلك ، أظهرت نتائج مقارنة تقنيات الذكاء الاصطناعى أن أساليب الشبكة الوظيفية (FN) وآلة ناقل الحركة (SVM) تعتبر أفضل الأدوات من بين الطرق الأخرى للذكاء الاصطناعى في التنبؤ بمناطق الخسائر بسبب ادأهما العالي (معامل الارتباط العالي عند 0.997 و الخطأ التربيعي لمتوسط الجذر عند 0.0376. ومع ذلك ، تتمتع تقنية FN بميزة وقتها القصير في التنبؤ بمناطق الخسائر. و تتميزايضاً تقنيات الذكاء الاصطناعي ببساطتها التي تمثلت في التنبؤ بمناطق خسائر الدوران من خلال فقط خصائص الحفر الميكانيكية السطحية التي تكون متوفره بسهولة في كل بئر.

English Abstract

Drilling deep and high-pressure high-temperature wells have many challenges and problems. One of the most severe, costly and time-consuming problem in the drilling operation is the lost circulation. The drilling fluid accounts for 25-40% of the total cost of the drilling operation. Any loss of the drilling fluid will increase the total cost of the drilling operation. Uncontrolled lost circulation of the drilling fluid can result in dangerous well control problem and in some cases the loss of the well. Lost circulation or loss of return is defined as the partial or complete loss of the drilling fluid from the annulus into the formation at any depth when using overbalanced drilling technique. Lost circulation is divided into four types based on its severity: seepage, partial, severe, and total. Fluid losses can occur in different formations such as natural fracture, induced fracture, unconsolidated zones, cavernous and vugular formations, and high permeability formation. It is very difficult to cure losses, especially in workover operations. Use of conventional lost circulation material (LCM) is not successful in all the cases of lost circulation due to some limitation and disadvantages. In order to avoid loss circulation, some methods are introduced to identify the zones of losses. However, these methods are difficult to be applied due to financial issues and lack of technology. The other methods are not accurate in the prediction of the loss zones. In this thesis, five different artificial intelligence techniques namely: artificial neural networks (ANN), radial basis function (RBF), fuzzy logic (FL), support vector machine (SVM) and Functional Networks (FN) were applied to predict the zones of lost circulation using more than 4500 real filed data points in three wells based only on 6 mechanical surface drilling parameters (flow pump (FLWPMP), rate of penetration (ROP), string rotary speed (RPM), standpipe pressure (SPP), drilling torque (TORQUE) and weight on bit (WOB)). The five AI models will be trained and tested by the first well (Well A) which contains 1417 points, then the models will be validated by two unseen wells (Well B & Well C) which contain 2872 points and 1295 points respectively. In addition, a comparison between all the five AI techniques will be performed to select the optimum prediction method. The results showed that all the artificial intelligence methods can be used to predict losses zones with high accuracy (the correlation coefficient (R) is more than 0.980 and the root mean squared error (RMSE) is less than 0.088). ANN was able to predict the losses zones in the unseen well (well B) with a high performance (R = 0.958 and RMSE = 0.145). ANN also predicted the losses zones in well C which is unseen with a high correlation coefficient of (R = 0.952) and low root mean squared error of (RMSE = 0.155). Moreover, The AI techniques comparison results showed that, functional network (FN) and support vector machine (SVM) methods are considered the best tools among other AI methods in the prediction of losses zones due to their high performance (a high correlation coefficient of 0.997 and a low root mean squared error of 0.0376). However, FN has the advantage of its short time in the prediction of the losses zones. Artificial intelligence techniques have the advantage of its simplicity that represented from its prediction of losses zones of circulation from only the mechanical surface drilling parameters that are easily available in each well.

Item Type: Thesis (Masters)
Subjects: Petroleum > Drilling Engineering
Divisions: College Of Engineering Sciences > Petroleum Engineering Dept
Committee Advisor: Elkatatny, Salaheldin
Committee Members: Mahmoud, Mohamed and Al Shehri, Dhafer and Patil, Shirish
Depositing User: ABDULMALEK AHMED (g201080240)
Date Deposited: 23 Apr 2020 17:01
Last Modified: 23 Apr 2020 17:01
URI: http://eprints.kfupm.edu.sa/id/eprint/140949