Multivariate Time Series Prediction of Drilling Rate and Hazards. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Final_Thesis_Basirudin_Djamaluddin.pdf Restricted to Repository staff only until 7 June 2025. Download (2MB)

Arabic Abstract

د تحسين عمليات الحفر في حقل النفط والغاز هدفًا مهمًا يمكن الى تقليل التكاليف وتخفيف المخاطر. يعد التنبؤ بمعدل الاختراق بدقة عاملاً حاسماً في تحسين عمليات الحفر، متأثرا بعوامل مختلفة. يتم تحديد معدل الاختراق من خلال العملية الفيزيائية، والتي تتضمن مجموعة من العوامل التي تؤثر على نتائجها. إن الاستفادة من هذه العوامل المؤثرة تبشر بتحسين دقة تنبؤات معدل الاختراق أثناء عمليات الحفر، قد يكون ذلك من خلال النظر في المشكلة باعتبارها عملية سلسلة زمنية متعددة المتغيرات، مما يتيح تنبؤات أفضل للهدف. وفي الوقت نفسه، فإن عمليات الحفر محفوفة بالعديد من المخاطر والإخفاقات المحتملة، مما يستلزم تحديدًا استباقيًا لمنع النتائج غير المرغوب فيها. يتيح استخدام هذه الميزات تحديد مخاطر الحفر المحتملة أو حالات الفشل. تهدف هذه الدراسة إلى مقارنة نماذج التعلم العميق، وتحديدًا تلك القائمة على الشبكات والمحولات العصبية للتنبؤ بمعدل الاختراق. وبالتالي فإنه يستخدم أفضل نموذج للتنبؤ بمعدل الاختراق لتحديد الأحداث النادرة أو الإخفاقات ،(RNN) المتكررة العميقة بهدف تخفيف المخاطر أثناء عمليات الحفر. تتضمن المنهجية الانحدار للتنبؤ باختراق معدل الحفر والتصنيف للكشف عن المخاطر على بيانات السلاسل الزمنية. سيتم تحديد وتقييم فعالية المنهجية المقترحة، ثم مقارنتها مع الدراسات السابقة للتأكد من تفوقها في تحسين عمليات الحفر والكشف عن المخاطر.

English Abstract

Optimizing drilling operations in the oil and gas field is an important objective that can result in significant cost savings and decreased risks. Predicting the rate of penetration is a crucial factor in optimizing drilling operations. The penetration rate is determined by the physical process, which involves a combination of factors that exert influence on its outcomes. Leveraging these influential factors holds promise for refining the accuracy of penetration rate predictions during drilling operations, possibly by considering the problem as a multivariate time-series process, enabling better target predictions. Simultaneously, drilling operations are fraught with numerous potential hazards and failures, necessitating proactive identification to prevent undesired outcomes. Utilizing these features, enables the identification of potential drilling hazards or instances of failure. This study aims to compare deep learning models, specifically those based on deep recurrent neural (RNN) networks and transformers to predict the penetration rate. Consequently, it uses the best model of penetration rate prediction to identify rare events or failures to mitigate hazards during drilling operations. The proposed methodology involves regression for the drilling rate penetration prediction and classification for the hazard detection on time series data. The efficacy of the proposed methodology will be assessed and evaluated, then compared with other existing methods in the literature to ascertain its superiority in drilling rate penetration prediction and hazard detection.

Item Type:	Thesis (Masters)
Subjects:	Computer Petroleum Petroleum > Drilling Engineering
Department:	College of Computing and Mathematics > Information and Computer Science
Committee Advisor:	Mohammed, Salahadin Adem
Committee Members:	El-Alfy, E.-S.M. and Ramadan, Emad Yehia
Depositing User:	BASIRUDIN DJAMALUDDIN (g201601060)
Date Deposited:	09 Jun 2024 10:50
Last Modified:	09 Jun 2024 10:50
URI:	http://eprints.kfupm.edu.sa/id/eprint/142948