استفاده از هوش مصنوعي جهت پيش‌بيني مقدار هرز روي سيال حفاري در ميدان نفتي مارون

استفاده از هوش مصنوعي جهت پيش‌بيني مقدار هرز روي سيال حفاري در ميدان نفتي مارون

امروزه به دليل نياز روز افزون بشر به انرژي، شركت هاي نفتي مجبور شده اند كه چاه هاي عميق تر و زيادتري را حفر كنند و اين به معني صرف مدت زمان زيادتر براي حفاري چاه و عبور از سازندهاي مختلف با خصوصيات متفاوت جهت رسيدن به مخزن نفتي مورد نظر مي باشد. از آن‌جا كه قسمت اعظم هزينه نهايي يك چاه مربوط به حفاري آن مي باشد، داشتن برنامه اي مدون جهت صرف كم‌ترين زمان ممكن براي حفاري، بسيار حياتي به نظر مي رسد. در حين حفاري مشكلات زيادي ممكن است سبب انحراف عمليات از برنامه زماني مورد نظر شوند كه از اين جمله مي توان به هرز روي و گير لوله ها اشاره كرد. گير لوله ها عموماً مربوط به زمان بعد از هرز روي هاي شديد مي باشد. هرز روي سيال حفاري يكي از مشهودترين مشكلات حفاري مي باشد كه هزينه زيادي را به شركت هاي نفتي تحميل مي كند. اين پديده از زمان شروع حفاري شروع شده و تا هنگام جداره-گذاري ادامه مي يابد. ممكن است هرز روي از مقادير كم تا بسيار شديد اتفاق بيفتد كه در نهايت مي تواند منجر به گير لوله ها يا فوران چاه گردد. آزاد كردن گير لوله ها، ممكن است ساعت ها و يا حتي هفته ها از زمان دكل را هدر دهد؛ بنابراين داشتن اطلاعات دقيق از ميزان سيال برگشتي به سطح و ثبت ميزان هرز روي مي تواند كمك شاياني به جلوگيري از مشكلات عديده در حين حفاري كند. هرز روي گل حفاري تابع عوامل بسيار زيادي مي باشد كه ممكن است مدل كردن همه آن ها به صورت تحليلي بسيار مشكل باشد؛ بنابراين استفاده از تكنيك-هاي هوش مصنوعي كه توانايي زايدالوصفي در شبيه سازي فرايند هاي پيچيده دارند، بسيار موثر به نظر مي رسد. در اين تحقيق سعي بر اين است كه با توجه به داده هاي حفاري موجود در ميدان نفتي مارون، ميزان هرز روي را تخمين زد. پيش بيني هاي حاصل از شبكه عصبي، سازگاري بسيار خوبي با ميزان هرز روي واقعي موجود در گزارش هاي روزانه حفاري نشان مي دهد.

Nowadays, huge human needs for energy force petroleum and drilling companies to drill deeper into the earth, which means spending more time on drilling and passing through numerous layers with different layer characteristics to tap the targeted oil. Since major part of a well cost depends on the duration of the drilling phase, an organized drilling program seems vital to save time and cost. Occurrence of different drilling problems like lost circulation and pipe sticking may deviate the drilling operation from the schedule. Mechanical pipe sticking is likely to occur after complete loss. Lost circulation is one of the common drilling problems in the industry which impose heavy expenses on oil companies. This problem commences from beginning of the drilling and continues till putting the casing in place. Mud loss can occur in low fluxes up to complete loss; it can finally lead to well blowout or severe pipe stuck .Freeing the pipes may waste a week or even more time from the rig. Thus, having accurate information about returned fluid and recording mud loss rate can be a great help to prevent drilling problems from taking place. Drilling fluid loss is affected by different factors that make modeling of mud loss difficult from an analytical point of view. Thus, employing artificial neural networks, the capability of which in simulation of complicated phenomena is proven, looks very effective. In this research, using drilling daily report of some wells in Maroun oilfield (Southwest of Iran), attempts are directed to predict lost circulation in different areas of this field. Network results in the prediction of drilling fluid loss show good compatibility with real data recorded in drilling daily reports.