DETECTION OF DRILLING VIBRATIONS IN CURVE & HORIZONTAL SECTIONS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Msc_Thesis_Ramy 20240925.pdf Restricted to Repository staff only until 26 September 2025. Download (6MB)

Arabic Abstract

أثناء عمليات الحفر وبسبب بيئة الحفر القاسية في قاع البئر ، عاني عمود الحفر من اهتزازات قاع البئر التي تؤثر على عملية الحفر ومعداته. تؤثر هذه المشكلة بشكل كبير على أدوات قاع البئر (التمزيق والاهتراء) ، ومشاكل الابار (الثقب) ، وفقدان الطاقة الميكانيكية ، وأداء الحفر غير الفعال. وقت إضافي غير منتج لمعالجة هذه المضاعفات أثناء عمليات الحفر ، وبالتالي ، تكلفة إضافية. يعد اكتشاف اهتزازات عمود الحفر أثناء الحفر عبر مستشعرات قاع البئر مكلفًا بسبب التكلفة الاضافية نتيجة استخدام أجهزة اضافية لا إستشعار قاع البئر. في الوقت الحالي ، توفر الحلول القائمة على التكنولوجيا الجديدة إمكانات هائلة للتعامل بذكاء مع البيانات ، وتوفر تطبيقات التعلم الآلي كفاءات حسابية عالية للتعلم والربط بين دلالات المشكلات التقنية المعقدة. توفر هذه الدراسة تطبيقًا ناجحًا لاستخدام بيانات حفر السطح للكشف التلقائي عن اهتزازات قاع البئر أثناء منحنى الحفر والأقسام الأفقية عن طريق تقنيات التعلم الآلي (ML). تم اكتشاف الأنواع الثلاثة من اهتزازات قاع البئر (المحورية ، الالتوائية ، الجانبية) من خلال اختبار خمس تقنيات ML المسماة ، الشبكة العصبية الاصطناعية (ANN) ، وظيفة الأساس الشعاعي (RBF) ، آلات ناقلات الدعم (SVMs) ، نظام الاستدلال العصبي الغامض التكيفي (ANFIS) ، والشبكات الوظيفية (FN) مع بيانات ميدانية حقيقية. تم تطوير النماذج من خلال دراسة شاملة تبدأ من جمع البيانات والمعالجة المسبقة والتحليلات والتدريب وتحسين معايير النماذج وتقييم الأداء حتى الإبلاغ عن أفضل نتائج التنبؤ. أظهر تقييم أداء النماذج أن التنبؤات التي تم الحصول عليها تتطابق بشكل كبير مع القياسات الفعلية للمراحل المختلفة من التدريب والاختبار وحتى من خلال التحقق من صحة البيانات غير المرئية. بشكل عام ، أظهرت النماذج المطورة معامل ارتباط مرتفع (أعلى من 0.9) ومتوسط نسبة الخطأ المطلق المقبول تقنيًا (أقل من 7.5٪) بين القراءات الفعلية والتنبؤات. ستضيف نتائج الدراسة إلى عملية رقمنة عمليات الحفر لتجنب فشل العديد من الأدوات من خلال مقارنة الاهتزازات المتوقعة مقابل حدود أدوات قاع البئر مثل المنطقة الحمراء والحفر المستمر المتصل دون انقطاع إلى العمق الكلي للبئر خاصة أثناء الاجزاء المنحنية والافقية من البئر.

English Abstract

During the drilling operations and because of the harsh downhole drilling environment, the drill string suffered from downhole vibrations that affect the drilling operation and equipment. This problem is greatly affecting the downhole tools (wear and tear), hole problems (wash-out), mechanical energy loss, and ineffective drilling performance. Extra non-productive time to address these complications during the operation, and hence, extra cost. Detecting the drillstring vibrations during drilling through the downhole sensors is costly due to the extra service and downhole sensors. Currently, the new-technology-based solutions are providing huge capabilities to deal intelligently with the data, and machine learning applications provide high computational competencies to learn and correlate the parameters for technical complex problems. This study provides a successful application for utilizing the surface drilling data to auto-detect the downhole vibrations during drilling curve and horizontal sections by means of machine learning (ML) techniques. The three types of downhole vibrations (axial, torsional, and lateral) are detected through testing five ML techniques named, Artificial Neural Network (ANN), radial basis function (RBF), support vector machines (SVMs), adaptive neuro-fuzzy inference system (ANFIS), and functional networks (FN) with real field data. The models' development was achieved by comprehensive study starting from data collection, preprocessing, analytics, training and optimizing the models' parameters, and evaluating the performance till reported the best prediction results. Evaluating the models' performance showed that obtained predictions have a great match with actual measurements for the different stages of training, testing, and even through validation with unseen well data. Generally, the developed models showed a high correlation coefficient (higher than 0.9) and technically accepted average absolute percentage error (below 7.5%) between actual readings and predictions. The study outcomes will add to the automation process of drilling operations to avoid many tools failure by comparing predicted vibrations versus downhole tools limits such as red zone and continuing drilling without interruption to the well total depth especially while drilling curve and horizontal sections.

Item Type:	Thesis (Masters)
Subjects:	Research > Petroleum Petroleum > Drilling Engineering
Department:	College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor:	Elkatatny, Salaheldin
Committee Members:	Al Shehri, Dhafer and Abdulraheem, Abdulazeez
Depositing User:	RAMY MAHMO MOHAMED (g202007140)
Date Deposited:	29 Sep 2024 10:41
Last Modified:	29 Sep 2024 10:41
URI:	http://eprints.kfupm.edu.sa/id/eprint/143053