Salaheldin Elkatatny1,2
Abstrak
Tingkat penetrasi (ROP) adalah salah satu parameter yang paling penting dari operasi pengeboran. Mengoptimalkan ROP akan
mengurangi biaya keseluruhan proses pengeboran. ROP tergantung pada banyak variabel seperti parameter pengeboran [laju aliran
(Q), RPM, torsi (T ), berat pada bit (WOB), tekanan pipa tegak (P)], sifat fluida (densitas lumpur dan viskositas plastik), dan formasi.
kekuatan (UKS). Tujuan dari makalah ini adalah (1) untuk mengevaluasi pengaruh parameter pengeboran dan parameter fluida
pengeboran terhadap laju penetrasi (ROP), (2) membangun teknik jaringan saraf tiruan (JST) baru untuk memperkirakan ROP sebagai
fungsi parameter pengeboran dan properti fluida menggunakan pengukuran lapangan aktual (3333 titik data), dan (3) mengonversi
kotak hitam model ANN menjadi kotak putih dengan mengembangkan korelasi ROP baru berdasarkan bobot dan bias yang dioptimalkan
dari model yang dikembangkan. Proses optimasi model JST menunjukkan bahwa jumlah neuron optimum adalah 20, yang menghasilkan
kesalahan persentase absolut rata-rata (AAPE) terendah dan koefisien korelasi (R) tertinggi.
Model JST yang dikembangkan mampu mengestimasi ROP dengan akurasi tinggi (R sebesar 0,99 dan AAPE sebesar 5,6%). Korelasi
empiris yang dikembangkan untuk prediksi ROP mengungguli model sebelumnya. Akurasi tinggi dari korelasi yang dikembangkan
(AAPE 4%) menegaskan pentingnya menyusun parameter pengeboran dan sifat fluida pengeboran.
Kata kunci Laju penetrasi · Jaringan syaraf tiruan · Parameter pengeboran · Sifat fluida · Berat bit
123
Machine Translated by Google
properti. Faktor-faktor tersebut tidak dapat diubah dengan mudah, dan sifat fluida menggunakan pengukuran lapangan yang sebenarnya.
akan saling mempengaruhi. Osgouei [5] menyatakan bahwa sangat Jaringan saraf tiruan digunakan untuk membangun model ROP.
sulit untuk mengevaluasi pengaruh perubahan hanya satu parameter
pada kinerja ROP. 1.1 Jaringan Syaraf Tiruan
Ada banyak model ROP yang mengevaluasi pengaruh parameter
yang berbeda pada ROP. Maurer [6] menyatakan bahwa untuk tri cone Teknik kecerdasan buatan (AI) memainkan peran penting dalam
bit, ROP dapat dihitung sebagai fungsi dari RPM, WOB, drillability beberapa aplikasi, terutama dalam ilmu komputer dan teknologi industri
strength of the rock (UCS), bit diameter (d), dan konstanta drillability [24]. Beberapa metode AI digunakan dalam tugas optimasi dan studi
(k). Teknik regresi diperlukan untuk menentukan konstanta berdasarkan ekonomi [25].
data pemboran sebelumnya. Salah satu teknik AI yang paling efektif adalah jaringan saraf, yang
Walker dkk. [7] mengembangkan korelasi ROP untuk tri-cone bit sebagai merupakan sistem elemen pemrosesan sederhana (neuron) yang
fungsi WOB, UCS, porositas formasi (PHI). terhubung ke jaringan oleh arsitektur jaringan [26].
Bingham [8] menyatakan bahwa ROP dapat diperoleh sebagai
fungsi dari RPM, WOB, diameter bit, k, dan eksponen berat bit (a5). Dia McCulloch dan Pitts [27] memperkenalkan konsep jaringan syaraf
mengabaikan efek kekuatan tekan uniaksial. Bourgoyne dan Young tiruan (JST) ke dalam penelitian teknik.
[9] menggunakan data pengeboran sebelumnya untuk menentukan Rosenblatt [28] melaporkan penerapan teknik kecerdasan buatan
delapan konstanta, yang diperlukan untuk menentukan ROP. Dalam pertama yang berhasil dalam industri teknik. Sistem biologis tubuh
model mereka, mereka memasukkan kedalaman vertikal sebenarnya manusia mengilhami peneliti untuk mengembangkan teknik JST.
(TVD), kerapatan sirkulasi setara, WOB, RPM, gigi kusam, berat lumpur, Konsep JST bergantung pada kemampuannya meniru sistem saraf
PV, ukuran nosel. Mereka mengabaikan efek UCS. untuk belajar dan menggeneralisasi dari input data (pengalaman) atau
sinyal yang diterima [29]. Sederhananya, JST adalah jaringan fungsi
Mempertimbangkan efek dari efek penahanan chip, Warren [10] matematika yang digunakan untuk menyelesaikan masalah nonlinier
mengembangkan korelasi ROP yang mencakup juga efisiensi dan kompleks [30]. Álvarez del Castillo dkk. [31] menyatakan bahwa
penghilangan stek. Model ini telah dimodifikasi oleh Hareland dan jaringan syaraf tiruan (JST) adalah alat statistik yang kuat, dan dapat
Hoberock [11] untuk menyertakan efek keausan bit. Harland et al. digunakan untuk banyak aplikasi industri. JST tidak memerlukan
[12,13] memasukkan geometri pemotongan dan parameter mekanis, fenomena fisik untuk mengkarakterisasi sistem yang diteliti [32]. JST
yang dihasilkan dari interaksi antara mata bor dan formasi, ke dalam membutuhkan pelatihan statistik yang kurang formal [33].
model ROP. Konsep yang sama digunakan oleh Rashidi et al. [14], dan
mereka juga menyertakan efek keausan bit pada ROP. Faktor kunci Burbidge dkk. [34] menyatakan bahwa JST mampu mendeteksi semua
efisiensi model ROP adalah keakuratan koefisien model, [15]. Deng interaksi potensial antara parameter prediktor, selain itu, JST memiliki
dkk. [16] menyimpulkan bahwa kesalahan rata-rata untuk memperkirakan banyak algoritma pelatihan.
ROP dikurangi dengan memasukkan UCS dinamis daripada UCS statis. Biasanya model JST terdiri dari neuron input dan output, dan lapisan
tersembunyi, yang terdiri dari beberapa neuron dan dapat berupa
lapisan tunggal atau ganda. Biasanya, jaringan saraf dilatih, sehingga
Eckel [17] menyatakan bahwa ROP berkurang dengan meningkatkan input tertentu mengarah ke target output tertentu [35].
berat lumpur dan efek pelumasan cairan pengeboran berbasis minyak
meningkatkan ROP. ROP meningkat tujuh kali lipat saat menggunakan Jaringan saraf tiruan diterapkan baru-baru ini untuk menentukan
air sebagai pengganti fluida pengeboran, [18]. Eckel [19] menyimpulkan sifat reologi lumpur KCl-polimer dan membalikkan lumpur emulsi dengan
bahwa tidak ada hubungan langsung antara properti fluida pemboran akurasi tinggi [36,37]. Model ROP dibangun menggunakan JST sebagai
dan ROP, sedangkan Paiaman et al. [20] mengilustrasikan bahwa kotak hitam oleh Elkatatny et al.
dengan meningkatkan D, PV, solid persen, ROP menurun. [38]. Kotak hitam JST dapat diubah menjadi kotak putih dengan
Sebaliknya, Alum dan Egbon [21] menyebutkan bahwa sifat fluida mengekstraksi bobot dan bias dari model yang dioptimalkan dan
seperti kekuatan gel dan PV memiliki pengaruh kecil terhadap ROP, korelasi empiris baru dapat dikembangkan. Elkatatny et al. [39,40]
sedangkan kehilangan tekanan annular memiliki hubungan yang kuat mengembangkan korelasi baru untuk penentuan permeabilitas dan
dengan ROP. Moraveji dan Naderi [22] membangun model ROP yang tekanan bubble point menggunakan JST.
mencakup rasio WOB, YP/PV, kekuatan gel 10 detik dan 10 menit,
RPM. Mereka menyatakan bahwa parameter ini memiliki efek ROP
yang lebih besar. 2 Deskripsi Data
Berdasarkan tinjauan literatur, tidak ada model solid ROP yang
menggabungkan pengaruh sifat fluida pemboran dan parameter Data dipilih dari sumur vertikal dari lepas pantai
mekanik [23]. Tujuan dari makalah ini adalah untuk mengembangkan lapangan di Timur Tengah. Bagian yang dipilih adalah 16 lubang
model ROP yang kuat yang menggabungkan pemboran , Q, P, dan (bagian tengah), yang dibor menggunakan rakitan lubang bawah
RPM, T UCS, dan parameter pemboran: WOB, konvensional. Bagian perantara terdiri dari
123
Machine Translated by Google
densitas (ÿ) dan viskositas plastik (PV). Jumlah input dikurangi menjadi
lima input dengan menggabungkan T dan UCS menjadi satu input (T /
UCS) dan properti fluida menjadi ÿ/PV.
Proses optimasi model JST menghasilkan jumlah neuron optimum
adalah 20, fungsi pelatihan terbaik adalah algoritma propagasi balik
Levenberg–Marquardt, dan fungsi transfer terbaik adalah Tan-sigmoidal.
Selama pencarian parameter optimal model JST, koefisien determinasi
dan rata-rata persentase kesalahan usia absolut dicatat untuk fase
pelatihan dan pengujian model dan parameter yang berkinerja lebih
baik berdasarkan koefisien determinasi dan persentase absolut rata-
rata. kesalahan dianggap sebagai parameter optimal dari model.
123
Machine Translated by Google
Gambar 3 ROP aktual versus nilai prediksi menggunakan model JST untuk data
pelatihan
Berdasarkan hasil yang diperoleh dari titik data yang dilatih, persamaan Gambar 4 Prediksi ROP menggunakan model JST untuk menguji data (tidak terlihat
matematis diekstraksi dari model JST dengan bobot dan bias yang 1000 titik data)
N
2
ÿ ÿ ÿÿ
ROP = w2i + b2 (1)
ÿ saya=1
ÿ e ÿ2 w1i,1RPMn+w1i,2WOB/Dn+w1i,3 T / UCSn+w1i,3 D/PVn+w1i,3HPn+b1i 1 + ÿÿ
ROP = 58,6 ROPn + 62,4 (2)
Gambar 5 menunjukkan bahwa model JST yang dikembangkan mampu Maurer [6] menyatakan bahwa ROP dapat dihitung sebagai fungsi dari
memprediksi ROP untuk data well-3 dengan koefisien korelasi RPM, WOB, drillability strength of the rock (UCS), bit
123
Machine Translated by Google
Tabel 1 Bobot dan Bias Model Matematika ROP Berbasis JST Persamaan. (1)
Lapisan tersembunyi Bobot antara input dan lapisan tersembunyi (W1) Bobot antara Lapisan tersembunyi Lapisan keluaran
neuron (N) tersembunyi dan keluar bias (b1) bias (b2)
lapisan (W2)
Parameter statistik ROP (ft/h) Q (gpm) RPM WOB (klbf) Torsi (klbf-ft) SPP (psi) Kepadatan (pcf) PV (cP) UCS (psi)
Minimum 3.60 617.00 68.00 5.03 11.00 956.00 76.60 20.00 21.000
Maksimum 122.00 1173,00 129,00 54,39 39.89 3588.00 78.40 27.00 40.000
Jangkauan 118.40 556.00 61.00 49.36 28.89 2632.00 1.80 7.00 19.000
Berarti 71.45 1058.8 116.51 29.93 28.78 2883.73 77.14 23.76 29.047
Variasi sampel 742.79 9559 117,09 107,70 14.49 173.204 0,04 6.57 45.607.055
Kurtosis - 0,62 2.17 2,06 – 0,99 0,16 0,40 14.16 - 1.62 ÿ1.29
Kecondongan - 0,13 ÿ1.27 - 1.24 0,35 ÿ0,41 ÿ0,74 3.37 ÿ0,02 0,43
diameter (d), dan konstanta drillability (k), Persamaan. 3. (a5), Persamaan. 4. Dia mengabaikan efek tekan uniaksial
kekuatan.
RPM ÿ WOB2
ROP = k (3)
d2 ÿ UCS2 W A
ROP = k ÿ ÿ RPMb (4)
D
Teknik regresi diterapkan untuk menentukan konstanta k, dan itu
adalah 29.434.783,7. Gambar 7 menunjukkan bahwa Maurer
[6] model memiliki akurasi yang sangat rendah dalam memprediksi ROP Teknik regresi diterapkan untuk menentukan nilai
untuk sumur 1 titik data. Koefisien korelasi adalah 0,03, dari tiga konstanta. Nilainya adalah 3,025, 0,020 dan 0,475.
dan AAPE sangat tinggi (46%). Dalam model ini, Maurer untuk k, a, dan b, masing-masing. Gambar 7 menunjukkan bahwa akurasi
mengabaikan efek kompilasi data mekanik pengeboran untuk prediksi ROP menggunakan model Bingham [8] sangat rendah;
dengan sifat fluida pengeboran. R adalah 0,06 dan AAPE adalah 10%. Bingham diabaikan
Bingham [8] menyatakan bahwa ROP dapat diperoleh sebagai fungsi pengaruh UCS dan juga pengaruh sifat fluida pemboran, yang
dari RPM, WOB, diameter bit, k, dan eksponen berat bit. mengakibatkan rendahnya akurasi prediksi ROP.
123
Machine Translated by Google
D
(ROP) = e
a1+8 saya = 2 ai xi
(5)
dt
4. Kesimpulan
Parameter statistik ROP (ft/h) Q (gpm) RPM WOB (klbf) Torsi (klbf-ft) SPP (psi) Kepadatan (pcf) PV (cP) UCS (psi)
Minimum 9.59 653.00 105.00 4.70 3.18 1521.00 73.00 20.00 21.000
Maksimum 42.27 970.00 188.00 40.90 18.95 2799.00 78.00 26.00 40.000
Jangkauan 32.68 317.00 83.00 36.20 15.77 1278.00 5.00 6.00 19.000
Berarti 35.03 905.01 172,77 28,60 12.87 2571,60 75,37 22.41 29.440,59
Variasi sampel 22.87 608.15 129,88 31,89 4.15 21.772,11 0,72 6.60 51.990.519
Kurtosis 4.78 97.38 9,26 - 0,11 1.64 13,46 – 0,51 ÿ1.69 ÿ1.47
Kecondongan - 1.59 ÿ9,75 ÿ 1,70 ÿ0,06 - 0,57 ÿ3.00 0,11 0,26 0,31
123
Machine Translated by Google
Gambar 7 Perbandingan model JST dengan model ROP yang berbeda untuk sumur-1. Bagian tengah dimulai dari 0 hingga 1200 kaki, di mana 0 kaki mewakili bagian atas,
sedangkan 1200 kaki adalah akhir dari bagian ini
Referensi
1. Hareland, G.; Rampersad, PR: Model drag-bit termasuk keausan. Di: Konferensi
Teknik Perminyakan Amerika Latin/Karibia III, Buenos Aires, Argentina, 27–29
April (1994)
2. Musim dingin, WJ; Warren, TM; Onyia, EC: Model mata bor rol dengan keuletan
batuan dan offset kerucut. Dalam: Makalah SPE 16696 Dipresentasikan pada
Konferensi Teknis Tahunan SPE. Dallas, 27–30 September (1987)
3. Kahraman, S.; Balci, C.; Yazici, S.; Bilgin, N.: Prediksi tingkat penetrasi bor
lubang ledakan putar menggunakan Indeks Pengeboran Baru. Int. Mekanisme
J.Rock. Min. Sains. 37, 729–743 (2000)
4. Hossain, AKU; Al-Majed, AA: Dasar-dasar Teknik Pengeboran Berkelanjutan.
Penerbitan Scrivener, Austin (2015)
5. Osgouei RE: Model Estimasi Laju Penetrasi untuk Sumur Arah dan Horizontal.
Tesis Magister, Sekolah Pascasarjana, Universitas Teknik Timur Tengah (2007)
123
Machine Translated by Google
Konferensi Pengeboran SPE/IADC, Amsterdam, Belanda, 22–25 Februari 27. McCulloch, WS; Pitts, W.: Kalkulus logis dari ide-ide yang melekat dalam
(1993) aktivitas gugup. Banteng. Matematika. Biofisika. 5(4), 115–133 (1943)
12. Hareland, G.; Wu, A.; Rashidi, B.: Model kecepatan pengeboran untuk roller 28. Rosenblatt, F.: Perceptron. Otomat yang memahami dan mengenali. Project
cone bit dan penerapannya. Dalam: Makalah SPE No. 129592. Para Report No. 85-460-1, Cornell Aeronau tical Laboratory (CAL), Jan
Dipresentasikan pada Konferensi dan Pameran Minyak dan Gas (1957)
Internasional CPS/SPE. Beijing, Cina, 8–10 Juni (2010a) 29. Bailey, D.; Thompson, D.: Cara mengembangkan saraf. Jaringan 5(6), 38–47
13. Hareland, G.; Wu, A.; Rashidi, B.: Sebuah model tingkat pengeboran baru (1990)
untuk bit tri cone dan penerapannya untuk memprediksi kuat tekan batuan. 30. Fausett, L.: Dasar-dasar Jaringan Neural, Arsitektur, Algoritma, dan Aplikasi.
ARMA 10-206. Dalam: Dipresentasikan pada US Rock Mechanics Sym Prentice-Hall Inc, Tebing Gaharu (1994)
posium ke-44. Salt Lake City, UT, 27–30 Juni (2010b)
14. Rashidi, B.; Hareland, G.; Wu, ZB: Simulasi kinerja dan pemodelan aplikasi 31. Álvarez del Castillo, A.; Santoyo, E.; García-Valladares, O.: Korelasi fraksi
lapangan bit rollercone. J. Pet. Sains. Eng. 133, 507–517 (2015) rongga baru yang disimpulkan dari jaringan saraf tiruan untuk memodelkan
aliran dua fase di sumur panas bumi. Komputer. Geosci. 41, 25–39 (2012)
15. Soares, C.; Daigle, H.; Gray, K.: Evaluasi model ROP bit PDC dan pengaruh
kekuatan batuan pada koefisien model. J.Nat. Ilmu Gas. Eng. 34(2016), 32. Lippmann, R.: Pengantar komputasi dengan jaringan saraf. IEEE Assp Mag
1225–1236 (2016) 4(2), 4–22 (1987)
16. Deng, Y.; Chen, M.; Jin, Y.; Zhang, Y.; Zou, D.; Lu, Y.: Studi teoritis dan 33. Vineis, P.; Rainoldi, A.: Jaringan saraf dan regresi logistik: analisis studi
eksperimental pada tingkat penetrasi untuk roller cone bit berdasarkan kasus-kontrol pada infark miokard. J.Clin.
kekuatan dinamis batuan dan parameter pengeboran. J.Nat. Epidemiol. 50, 1309–1310 (1997). https://doi.org/10.1016/S0895-
Ilmu Gas. Eng. 36(2016), 117–123 (2016) 4356(97)00163-7
17. Eckel, JR: Pengaruh sifat lumpur pada tingkat pengeboran. Dalam: Paper 34. Burbidge, R.; Pengeliling, M.; Buxton, B.; Holden, S.: Desain obat dengan
API 54-119 Dipresentasikan pada Latihan Pengeboran dan Produksi. New pembelajaran mesin: mendukung mesin vektor untuk analisis data farmasi.
York, 1 Januari (1954) Komputer. kimia 26, 5–14 (2001)
18. Eckel, JR: Studi mikrobit tentang pengaruh sifat fluida dan hidrolika pada laju 35. Beale, MH; Hagan, MT; Demuth, HB: Kotak Alat Jaringan NeuRal, Panduan
pengeboran. J. Pet. Technol. 19(4), 541–546 (1966) Pengguna. MathWorks, Inc, Natick (2017)
19. Eckel, JR: Studi Mikrobit tentang Pengaruh Sifat Fluida dan Hidraulik pada 36. Elkatatny, SM; Tariq, Z.; Mahmud, MA; Al-AbdulJabbar, A.: Optimalisasi laju
Laju Pengeboran. II. Dalam: Makalah SPE-2244 Dipresentasikan pada penetrasi menggunakan teknologi kecerdasan buatan. Dalam: Makalah
Pertemuan Musim Gugur Society of Petroleum Engineers AIME, Houston, ARMA-2017-0429 Dipresentasikan pada Simposium Mekanika/Geomekanika
Texas, 29 September–2 Oktober (1968) AS ke-51, San Francisco, California, AS, 25–28 Juni (2017)
20. Paiaman, AM; Al-Askari, MK; Salmani, B.; Al-Anazi, BD; Masihi, M.: Pengaruh
sifat fluida pemboran terhadap laju penetrasi. 37. Elkatatny, SM: Prediksi waktu nyata parameter reologi cairan pengeboran
NAFTA 60(3), 129–134 (2009) berbasis air KCl menggunakan jaringan syaraf tiruan.
21. Alumni, MA; Egbon, F.: Model Semi-Analitik Pengaruh Sifat Fluida Pengeboran Arab. J.Sci. Eng. 42(4), 1655–1665 (2017)
Terhadap Laju Penetrasi (ROP). Dalam: Makalah SPE-150806 38. Elkatatny, SM; Mahmud, MA; Muhammad, saya.; Abdulraheem, A.:
Dipresentasikan pada Konferensi dan Pameran Internasional Tahunan Pengembangan korelasi baru untuk menentukan modulus statis Young. J.
Nigeria, Abuja, Nigeria, 30 Juli–3 Agustus (2011) Pet. Produk Eksplorasi Technol. (2017). https://doi.org/ 10.1007/
22. Moraveji, MK; Naderi, M.: Laju pengeboran prediksi penetrasi dan optimisasi s13202-017-0316-4
menggunakan metodologi permukaan respons dan algoritme kelelawar. 39. Elkatatny, SM; Mahmud, MA; Zeeshan, T.; Abdulraheem, A.: Wawasan baru
J.Nat. Ilmu Gas. Eng. 31, 829–841 (2016) dalam prediksi permeabilitas reservoir karbonat heterogen dari log sumur
23. Ricardo, J.; Mendes, P.; Fonseca, TC; Serapaio, ABS: Menerapkan pengontrol menggunakan jaringan kecerdasan buatan. Komputasi saraf. Aplikasi
adaptif referensi neuro-model dalam optimasi pengeboran. Mag Minyak (2017). https://doi.org/10.1007/ s00521-017-2850-x
Dunia 228, 29–38 (2007)
24. Ali, JK: Neural network: alat baru untuk industri perminyakan. Dalam: Paper 40. Elkatatny, SM; Zeeshan, T.; Mahmoud, MA: Prediksi waktu nyata sifat reologi
SPE 27561-MS Dipresentasikan pada European Petroleum Computer fluida pengeboran menggunakan model matematika terlihat jaringan saraf
Conference, Aberdeen, United Kingdom, 15–17 Maret (1994) tiruan (kotak putih). J. Pet. Sains. Eng. 146, 1202–1210 (2016)
25. Russell, Stuart J.; Norvig, Peter: Kecerdasan Buatan: Pendekatan Modern,
edisi ke-3. Prentice Hall, Upper Saddle River (2009).
ISBN 0-13-604259-7
26. Sargolzaei, J.; Saghatoleslami, N.; Mosavi, SM; Khoshnoodi, M.: Studi
perbandingan jaringan saraf tiruan (JST) dan metode statistik untuk
memprediksi kinerja proses ultrafiltrasi di industri susu. Iran J. Chem. Eng.
25, 67–76 (2006)
123