REAL-TIME ESTIMATION OF LOST CIRCULATION RATE WHILE DRILLING USING ARTIFICIAL INTELLIGENCE TECHNIQUES

REAL-TIME ESTIMATION OF LOST CIRCULATION RATE WHILE DRILLING USING ARTIFICIAL INTELLIGENCE TECHNIQUES. Masters thesis, King Fahd University of Petroleum and Minerals.

[img] PDF
Alsaihati_Thesis_Final.pdf
Restricted to Repository staff only until 14 May 2022.

Download (4MB)

Arabic Abstract

يعد فقدان موائع الحفر مشكلة تشغيلية رئيسية يتم مواجهتها بشكل متكرر عند الحفر عبر التكوينات المتصدعة بشكل طبيعي أو مستحث. يمكن أن يشكل هذا مخاطر تشغيلية كبيرة مثل التحكم في البئر الذي يمكن أن يؤدي إلى انفجار وخسارة في الأرواح إذا لم يتم التحكم فيها بشكل صحيح، وتعليق الأنابيب، وعدم استقرار حفرة البئر، مما يؤدي بدوره إلى زيادة مدة البئر وتكلفته. وبالتالي، فإن الكشف عن فقد السوائل أثناء عملية الحفر هو ممارسة اعتيادية لتزويد طاقم الحفر بعلامة تحذير سريعة لتغيير المعلمات التشغيلية واتخاذ الإجراءات التصحيحية لتجنب تصاعد خسائر السوائل. يعد استخدام المستشعرات العائمة أو العاكسات الصوتية هو الأسلوب الأكثر استخدامًا لمراقبة مستوى سائل الحفر في خزانات التي تحوي موائع الحفر. يتيح ذلك لطاقم الحفر قياس الحجم التراكمي لسائل الحفر المفقود في التكوينات المحيطة ولكن خلال فترة زمنية فقط. بالإضافة إلى ذلك، لا تستطيع هذه المستشعرات أو العاكسات اكتشاف فقد السوائل الصغيرة. يهدف هذا البحث إلى استخدام تقنيات الذكاء الاصطناعي المختلفة وتقييمها وهي: الشبكة العصبية الاصطناعية (artificial neural network)، ونظام الاستدلال العصبي الغامض التكيفي (adaptive neuro-fuzzy inference system)، والانحدار اللوجستي (Logistic regression)، وآلة ناقلات الدعم (support vector machines)، والغابات العشوائية (random forest) ، والجيران الأقرب (K-nearest neighbors ) في اكتشاف فقدان حالات موائع الحفر وتقدير فقدان معدل موائع الحفر في الوقت الفعلي أثناء الحفر باستخدام علامات الحفر الميكانيكية فقط. البيانات الحفرية الفعلية لسبعة آبار وهي؛ بئر-1, بئر-2, بئر-3 , بئر-4 , بئر-5 , بئر-6 , بئر-7، والتي تعرضت لفقدان جزئي أو شديد لموائع الحفر، لبناء نماذج تنبؤية، بينما تم استخدام بئر-8 لمقارنة أداء التقنيات الذكية المطورة. تم استخدام مقاييس أداء مختلفة لتقييم أداء التقنيات الذكية المطورة. تم استخدام F1-score لتقييم قدرة النموذج المطور في اكتشاف فقدان موائع الحفر، بينما تم استخدام جذر متوسط الخطأ التربيعي (RMSE) ومعامل الارتباط (R) لتقييم أداء النماذج في توقع فقدان معدل فقدان الموائع في الوقت الحقيقي. أظهرت النتائج أن أقرب الجيران تفوق في الأداء على النماذج الأخرى في الكشف عن فقدان حدوث الموائع الحفرية في البئر- 8 مع درجة F1 بلغت 0.80، ومع RMSE بلغ 0.17 وR بلغ 0.90 على التوالي في التنبؤ بفقدان معدل موائع الحفر في البئر-8.

English Abstract

Fluid losses into formations is a common operational issue that is frequently encountered when drilling across naturally or induced fractured formations. This could pose significant operational risks, such as well control, that can lead to a blowout and loss of life if not properly controlled, stuck pipe, and wellbore instability, which, in turn, lead to an increase of well duration and cost. Thus, detection of fluid losses during a drilling operation is a standard practice to provide a drilling crew with a quick warning sign to alter the operational parameters and take corrective actions to avoid escalating fluid losses. Using floating sensors or acoustic reflectors is the most used technique to monitor the level of drilling fluid in the active pit volume. This enables a drilling crew to measure the cumulative volume of the drilling fluid lost into surrounding formations but only over a period of time. In addition to this, such sensors or reflectors cannot detect small fluid losses. This research aims to use and evaluate different artificial intelligence techniques, namely: artificial neural networks, adaptive neuro-fuzzy inference systems, logistic regression, support vector machines, random forests, and K-nearest neighbors in detecting loss of circulation occurrences and estimating the loss of circulation rates in real time while drilling using solely mechanical surface parameters. Actual field data of seven wells, namely: Well-1, Well-2, Well-3, Well-4, Well-5, Well-6 and Well-7, which had suffered partial or severe loss of circulation, were used to build predictive models, while Well-8 was used to compare the performance of the developed models. Different performance metrics were used to evaluate the performance of the developed models. Recall, precision, and F1-score measures were used to evaluate the ability of the developed model to detect loss of circulation occurrences, while the root mean square error (RMSE) and correlation coefficient (R) were used to evaluate the performance of the models in predicting the loss of circulation rate in real time. The results showed that K-nearest neighbors outperformed other models in detecting the loss of circulation occurrences in Well-8 with an F1-score of 0.80, and with an RMSE 0.17 and R of 0.90 respectively in predicting the loss of the circulation rate in Well-8.

Item Type: Thesis (Masters)
Subjects: Petroleum
Department: College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor: Elkatatny, Salaheldin
Committee Members: Al Shehri, Dhafer and Abdulraheem, Abdulazeez
Depositing User: AHMED ALSAIHATI (g200780390)
Date Deposited: 27 May 2021 11:55
Last Modified: 27 May 2021 11:55
URI: https://eprints.kfupm.edu.sa/id/eprint/141879