Новости

May 30, 2024

Прогнозирование параметров колтюбингового бурения на основе GAN

Scientific Reports, том 13, номер статьи: 10875 (2023) Цитировать эту статью 266 Доступ 1 Подробности об альтметрических метриках С ростом развития технологии бурения с использованием гибких труб,

Научные отчеты, том 13, Номер статьи: 10875 (2023) Цитировать эту статью

266 Доступов

1 Альтметрика

Подробности о метриках

С развитием технологии колтюбингового бурения преимущества технологии колтюбингового бурения становятся все более очевидными. В процессе эксплуатации гибких труб из-за различных параметров бурения, производственных дефектов и неправильного обращения с людьми гибкая труба может скручиваться и вызывать проблемы с застреванием бурения или сокращением срока службы. Большое влияние на рабочий период колтюбинга оказывают циркуляционное давление, устьевое давление и общий вес. В целях безопасности добычи в этой статье после изучения теории бурения и анализа большого количества скважинных данных прогнозируется циркуляционное давление, механическая скорость проходки, устьевое давление и вес пальца с использованием GAN-LSTM. Результаты экспериментов показывают, что GAN-LSTM может в определенной степени прогнозировать параметры циркуляционного давления, устьевого давления МСП и общего веса. После длительного обучения точность составляет около 90%, что примерно на 17% выше, чем у GAN и LSTM. Оно имеет определенное руководящее значение при эксплуатации колтюбинговых труб, повышая безопасность эксплуатации и эффективность бурения, тем самым снижая себестоимость продукции.

С быстрым развитием современных технологий бурения преимущества технологии колтюбингового бурения становятся все более очевидными. Гибкая труба обладает характеристиками высокой прочности и ударной вязкости по физической структуре, а также обладает преимуществами высокой мобильности, безопасности и защиты окружающей среды. Поэтому он широко используется в сфере обслуживания нефтегазовых месторождений, например, при бурении, заканчивании скважин и каротаже. Поскольку гибкая труба представляет собой разновидность шланга, во время работы могут возникать такие проблемы, как скручивание и застревание, что приводит к образованию физических дефектов гибкой трубы, тем самым сокращая срок службы гибкой трубы. В этой статье мы прогнозируем параметры бурения непрерывных труб с помощью алгоритма глубокого обучения, чтобы увеличить срок службы колтюбинга, снизить себестоимость продукции и повысить продуктивность нефти. Существует мало исследований, сочетающих методы машинного обучения с методами бурения с использованием гибких труб. Поэтому интеграция алгоритмов глубокого обучения и технологии колтюбингового бурения является весьма исследовательским и ценным процессом. В этом процессе алгоритмы глубокого обучения для традиционного прогнозирования параметров бурения необходимо применять к методам прогнозирования параметров бурения с использованием гибких труб.

В настоящее время алгоритмы глубокого обучения широко используются в обычном бурении. Например, ANN, модель нейронной сети BP, модель CNN и ACO достигли отличных результатов в прогнозировании и оптимизации параметров бурения (полные сокращения подробно описаны в Таблице 1). После ознакомления с соответствующей информацией. Шао-Ху Лю и др. разработала новую теоретическую модель проблемы склонности гибких труб к усталостному разрушению малой окружности во время эксплуатации. С помощью этой теоретической модели было обнаружено, что радиус барабана, внешний диаметр и внутреннее давление являются важными параметрами, влияющими на усталостную долговечность гибких труб1. Ваньи Цзян и др. определил оптимальную ROP путем объединения искусственной нейронной сети (ИНС) и алгоритма муравьиной колонии (АСО). Затем достоверность оптимального ROP проверяется путем сравнения байесовской регуляризованной нейронной сети с модифицированной ROP моделью Уоррена2. Ченгси Ли и Крис Ченг применили сглаживающий фильтр Савицкого-Голея (СГ), чтобы уменьшить шум в исходном наборе данных. Затем IGA используется для максимизации ROP путем сопоставления оптимальных входных параметров ИНС и лучшей структуры сети3 (полные сокращения подробно описаны в таблице 1). Цао Цзе и др. проанализировали значения функций, влияющие на скорость проходки, на основе корреляции и относительной важности функций, применив подход к разработке функций. Таким образом, параметры признаков ручного ввода на основе физической корреляции сокращаются с 12 до 8, что существенно упрощает сетевую модель4. Хуанг и др. повышена надежность модели за счет интеграции алгоритма оптимизации роя частиц и LSTM, чтобы модель могла адаптироваться к сложной схеме изменения мощности добычи нефти и газа (полные сокращения подробно описаны в Таблице 1). И было обнаружено, что производительность LSTM намного выше, чем у обычных нейронных сетей на данных временных рядов5. Лю и др. предложил модель обучения, которая объединяет LSTM и интегрированную эмпирическую модель, и использовал генетический алгоритм для определения гиперпараметров LSTM, что может значительно повысить точность прогнозирования модели. Результаты показывают, что метод демонстрирует очень хорошие характеристики обобщения с точки зрения точности прогнозирования производительности скважин6.