Machine Translated by Google

Jurnal Arab untuk Sains dan Teknik https://

doi.org/10.1007/s13369-017-3022-0

ARTIKEL PENELITIAN - TEKNIK PETROLEUM

Pendekatan Baru untuk Mengoptimalkan Laju Penetrasi Menggunakan Artifisial

Jaringan syaraf

Salaheldin Elkatatny1,2

Diterima: 22 Agustus 2017 / Diterima: 30 November 2017

© King Fahd University of Petroleum & Minerals 2017

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

Daftar simbol Rata-rata kesalahan persentase absolut AAPE

Tingkat penetrasi ROP, kaki/jam TVD Kedalaman vertikal sejati, ft
Kekuatan tekan uniaksial UCS, psi
ÿ Kepadatan lumpur, pcf
Viskositas Plastik PV, cP
1. Perkenalan
Titik hasil YP, lb/100 ft2
Waktu corong MT Marsh, s d
Optimalisasi pemboran merupakan target yang paling penting
Diameter bit, in.
bagi industri migas terutama pada saat penurunan harga minyak [1].
WOB Berat pada bit, klbf T
Proses optimasi dimulai dengan menghasilkan rate of penetration
Torsi, klbf-ft Tekanan
performance terbaik, yang menyatakan panjang formasi yang
P pipa tegak, psi Q Laju
dibor per satuan waktu. Winters dkk. [2] dan Kahraman et al. [3]
aliran, gpm RPM Revolusi
menyatakan bahwa bit tri-cone adalah bit yang paling banyak
per menit HP Tenaga kuda, HP
digunakan untuk mengebor berbagai sumur. Kualitas pengeboran
Koefisien korelasi R
dan optimalisasi biaya dipengaruhi oleh kinerja mata bor, yang
terutama dipengaruhi oleh ROP.
Hossain dan Al-Majed [4] mengilustrasikan bahwa ROP dipengaruhi
oleh banyak faktor yang dapat dibagi menjadi dua kelompok: faktor
B Salaheldin Elkatatny yang dapat dikendalikan dan tidak dapat dikendalikan. Faktor yang
elkatatny@kfupm.edu.sa
dapat dikontrol meliputi parameter pemboran seperti WOB, RPM, Q, T ,
1
Departemen Teknik Perminyakan, Universitas Perminyakan dan dan standpipe pressure (SP) dan parameter tersebut tidak akan
Mineral Raja Fahd, Dhahran 31261, Arab Saudi mempengaruhi satu sama lain, sedangkan parameter yang tidak dapat
2
Departemen Perminyakan, Universitas Kairo, Kairo, Mesir dikontrol meliputi ukuran bit, densitas dan jenis fluida pemboran, dan reologi lumpur.

123
Machine Translated by Google
properti. Faktor-faktor tersebut tidak dapat diubah dengan mudah, dan
akan saling mempengaruhi. Osgouei [5] menyatakan bahwa sangat
sulit untuk mengevaluasi pengaruh perubahan hanya satu parameter
pada kinerja ROP.
Ada banyak model ROP yang mengevaluasi pengaruh parameter
yang berbeda pada ROP. Maurer [6] menyatakan bahwa untuk tri cone
bit, ROP dapat dihitung sebagai fungsi dari RPM, WOB, drillability
strength of the rock (UCS), bit diameter (d), dan konstanta drillability
(k). Teknik regresi diperlukan untuk menentukan konstanta berdasarkan
data pemboran sebelumnya.
Walker dkk. [7] mengembangkan korelasi ROP untuk tri-cone bit sebagai
fungsi WOB, UCS, porositas formasi (PHI).
Bingham [8] menyatakan bahwa ROP dapat diperoleh sebagai
fungsi dari RPM, WOB, diameter bit, k, dan eksponen berat bit (a5). Dia
mengabaikan efek kekuatan tekan uniaksial. Bourgoyne dan Young
[9] menggunakan data pengeboran sebelumnya untuk menentukan
delapan konstanta, yang diperlukan untuk menentukan ROP. Dalam
model mereka, mereka memasukkan kedalaman vertikal sebenarnya
(TVD), kerapatan sirkulasi setara, WOB, RPM, gigi kusam, berat lumpur,
PV, ukuran nosel. Mereka mengabaikan efek UCS.
Mempertimbangkan efek dari efek penahanan chip, Warren [10]
mengembangkan korelasi ROP yang mencakup juga efisiensi
penghilangan stek. Model ini telah dimodifikasi oleh Hareland dan
Hoberock [11] untuk menyertakan efek keausan bit. Harland et al.
[12,13] memasukkan geometri pemotongan dan parameter mekanis,
yang dihasilkan dari interaksi antara mata bor dan formasi, ke dalam
model ROP. Konsep yang sama digunakan oleh Rashidi et al. [14], dan
mereka juga menyertakan efek keausan bit pada ROP. Faktor kunci
efisiensi model ROP adalah keakuratan koefisien model, [15]. Deng
dkk. [16] menyimpulkan bahwa kesalahan rata-rata untuk memperkirakan
ROP dikurangi dengan memasukkan UCS dinamis daripada UCS statis.
Eckel [17] menyatakan bahwa ROP berkurang dengan meningkatkan
berat lumpur dan efek pelumasan cairan pengeboran berbasis minyak
meningkatkan ROP. ROP meningkat tujuh kali lipat saat menggunakan
air sebagai pengganti fluida pengeboran, [18]. Eckel [19] menyimpulkan
bahwa tidak ada hubungan langsung antara properti fluida pemboran
dan ROP, sedangkan Paiaman et al. [20] mengilustrasikan bahwa
dengan meningkatkan D, PV, solid persen, ROP menurun.
Sebaliknya, Alum dan Egbon [21] menyebutkan bahwa sifat fluida
seperti kekuatan gel dan PV memiliki pengaruh kecil terhadap ROP,
sedangkan kehilangan tekanan annular memiliki hubungan yang kuat
dengan ROP. Moraveji dan Naderi [22] membangun model ROP yang
mencakup rasio WOB, YP/PV, kekuatan gel 10 detik dan 10 menit,
RPM. Mereka menyatakan bahwa parameter ini memiliki efek ROP
yang lebih besar.
Berdasarkan tinjauan literatur, tidak ada model solid ROP yang
menggabungkan pengaruh sifat fluida pemboran dan parameter
mekanik [23]. Tujuan dari makalah ini adalah untuk mengembangkan
model ROP yang kuat yang menggabungkan pemboran , Q, P, dan
RPM, T UCS, dan parameter pemboran: WOB,
123
Jurnal Arab untuk Sains dan Teknik
sifat fluida menggunakan pengukuran lapangan yang sebenarnya.
Jaringan saraf tiruan digunakan untuk membangun model ROP.
1.1 Jaringan Syaraf Tiruan
Teknik kecerdasan buatan (AI) memainkan peran penting dalam
beberapa aplikasi, terutama dalam ilmu komputer dan teknologi industri
[24]. Beberapa metode AI digunakan dalam tugas optimasi dan studi
ekonomi [25].
Salah satu teknik AI yang paling efektif adalah jaringan saraf, yang
merupakan sistem elemen pemrosesan sederhana (neuron) yang
terhubung ke jaringan oleh arsitektur jaringan [26].
McCulloch dan Pitts [27] memperkenalkan konsep jaringan syaraf
tiruan (JST) ke dalam penelitian teknik.
Rosenblatt [28] melaporkan penerapan teknik kecerdasan buatan
pertama yang berhasil dalam industri teknik. Sistem biologis tubuh
manusia mengilhami peneliti untuk mengembangkan teknik JST.
Konsep JST bergantung pada kemampuannya meniru sistem saraf
untuk belajar dan menggeneralisasi dari input data (pengalaman) atau
sinyal yang diterima [29]. Sederhananya, JST adalah jaringan fungsi
matematika yang digunakan untuk menyelesaikan masalah nonlinier
dan kompleks [30]. Álvarez del Castillo dkk. [31] menyatakan bahwa
jaringan syaraf tiruan (JST) adalah alat statistik yang kuat, dan dapat
digunakan untuk banyak aplikasi industri. JST tidak memerlukan
fenomena fisik untuk mengkarakterisasi sistem yang diteliti [32]. JST
membutuhkan pelatihan statistik yang kurang formal [33].
Burbidge dkk. [34] menyatakan bahwa JST mampu mendeteksi semua
interaksi potensial antara parameter prediktor, selain itu, JST memiliki
banyak algoritma pelatihan.
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
input tertentu mengarah ke target output tertentu [35].
Jaringan saraf tiruan diterapkan baru-baru ini untuk menentukan
sifat reologi lumpur KCl-polimer dan membalikkan lumpur emulsi dengan
akurasi tinggi [36,37]. Model ROP dibangun menggunakan JST sebagai
kotak hitam oleh Elkatatny et al.
[38]. Kotak hitam JST dapat diubah menjadi kotak putih dengan
mengekstraksi bobot dan bias dari model yang dioptimalkan dan
korelasi empiris baru dapat dikembangkan. Elkatatny et al. [39,40]
mengembangkan korelasi baru untuk penentuan permeabilitas dan
tekanan bubble point menggunakan JST.
2 Deskripsi Data
Data dipilih dari sumur vertikal dari lepas pantai
lapangan di Timur Tengah. Bagian yang dipilih adalah 16 lubang
(bagian tengah), yang dibor menggunakan rakitan lubang bawah
konvensional. Bagian perantara terdiri dari
Machine Translated by Google

Jurnal Arab untuk Sains dan Teknik

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.

Gbr. 1 Kepentingan relatif parameter fluida pemboran dengan laju penetrasi

(1000 rekaman data dari seluruh lapangan)
empat lapis dengan rata-rata kuat tekan uniaksial (UCS) sebesar 2100,
2400, 3300, dan 4000 psi. Nilai UCS meningkat dengan kedalaman.
Data diambil dari sensor waktu nyata, dan sebagian besar data diambil
berdasarkan rekaman. Data mekanis pemboran yang ditangkap adalah
string rotational speed (RPM), weight on bit, pumping rate (GPM),
stand pipe pressure (SP), drilling torque ( T ), dan rate of penetration
(ROP).
Sifat reologi cairan pengeboran: viskositas plastik (PV) dan titik
luluh (YP) biasanya diukur dua kali sehari, sedangkan densitas lumpur
(ÿ), waktu corong Marsh (MT), dan persen padat sering diukur setiap
15– 20 menit.
Untuk menilai kepentingan relatif antara sifat fluida pengeboran dan
ROP, 1000 titik data dari seluruh lapangan digunakan.
Model JST yang dikembangkan menghasilkan koefisien korelasi
(R) sebesar 0,997 dan AAPE sebesar 3,98% untuk memperkirakan
ROP, Gambar 2. Gambar 3 menunjukkan bahwa R2 adalah 0,99
ketika memplot ROP aktual versus nilai prediksi ROP, mengkonfirmasikan
keakuratan model JST.
Kumpulan data baru (1000 data tak terlihat) digunakan untuk menilai
keakuratan model ANN-ROP yang dikembangkan. Data yang tidak
terlihat adalah tiga puluh persen dari data lapangan yang sebenarnya.
Gambar 4 membuktikan akurasi model ANN-ROP yang dikembangkan,
dimana model mampu memprediksi ROP dengan AAPE sebesar 5,6%
dan R sebesar 0,99. Hasil ini menegaskan bahwa model ANN ROP
yang dikembangkan dapat digunakan untuk memprediksi tingkat penetrasi

Gambar 1 menunjukkan bahwa ROP adalah fungsi kuat dari

densitas lumpur dan viskositas plastik, R2 masing-masing adalah
ÿ0.85 dan ÿ0.74. Tanda negatif berarti ROP akan menurun dengan
meningkatnya densitas lumpur dan viskositas plastik. ROP adalah
fungsi lemah dari waktu corong rawa dan titik hasil, R2 masing-masing
adalah ÿ0.36 dan ÿ0.32. Untuk mengurangi jumlah input yang diperlukan
untuk membangun model, diambil rasio densitas lumpur terhadap
viskositas plastis dan kepentingan relatifnya adalah 0,70 dengan ROP,
Gbr. 1.

3 Membangun Model Jaringan Syaraf Tiruan

Pengukuran lapangan aktual digunakan untuk membangun model JST.
Data dibagi secara acak menjadi 70% untuk pelatihan dan 30% untuk
pengujian. Parameter input dan output harus dinormalisasi agar dapat
digunakan untuk membangun model JST [39].
Tujuh puluh persen data digunakan untuk melatih model JST (2333
poin data). Parameter inputnya adalah string rotation speed (RPM),
weight on bit (WOB), pumping rate (GPM), stand pipe pressure (SP)
dan torsi pengeboran ( T ) selain sifat fluida pengeboran seperti fluida Gambar 2 Prediksi ROP menggunakan model JST untuk data pelatihan (2333
pengeboran. titik data)

123
Machine Translated by Google
Gambar 3 ROP aktual versus nilai prediksi menggunakan model JST untuk data
pelatihan
dengan akurasi tinggi berdasarkan data mekanik pengeboran dan sifat
cairan pengeboran.
3.1 Pengembangan Model ROP Matematika Baru
Berdasarkan hasil yang diperoleh dari titik data yang dilatih, persamaan
matematis diekstraksi dari model JST dengan bobot dan bias yang
diperlukan untuk menentukan ROPn dalam bentuk normalisasi, Persamaan.
1. Nilai ROP yang dinormalisasi dapat diperoleh dengan menggunakan
Persamaan. 2
N
2
ÿ ÿ
ROP = w2i
ÿ saya=1
ÿ e ÿ2 w1i,1RPMn+w1i,2WOB/Dn+w1i,3 T / UCSn+w1i,3 D/PVn+w1i,3HPn+b1i 1 +
ROP = 58,6 ROPn + 62,4
dimana w1, w2, b1 dan b2 masing-masing adalah matriks bobot dari
lapisan input, vektor bobot dari lapisan tersembunyi, vektor bias dari lapisan
input dan bias dari lapisan tersembunyi. Tabel 1 mencantumkan parameter
input untuk Persamaan. 1.
Untuk memvalidasi persamaan matematika yang dikembangkan untuk
ROP, data dari sumur-3 digunakan untuk memprediksi ROP dan
membandingkan hasil yang diperoleh dengan nilai ROP yang sebenarnya.
Tabel 2 merangkum parameter statistik untuk sumur-3. Laju penetrasi
memiliki nilai minimum 3,6 kaki/jam dan nilai maksimum 122 kaki/jam.
Tingkat sirkulasi berkisar antara 617 hingga 1173 gpm. Bobot yang
diterapkan pada bit berkisar antara 5,03 hingga 54,39 klb. Torsi berkisar
antara 11 hingga 39,89 klb-ft. Tekanan pipa berdiri memiliki nilai minimum
956 psi dan nilai maksimum 3588 psi. Lumpur tersebut memiliki densitas
berkisar antara 76,60 hingga 78,40 pf dan viskositas plastis berkisar antara
20 hingga 27 cP.
Gambar 5 menunjukkan bahwa model JST yang dikembangkan mampu
memprediksi ROP untuk data well-3 dengan koefisien korelasi
123
Jurnal Arab untuk Sains dan Teknik
Gambar 4 Prediksi ROP menggunakan model JST untuk menguji data (tidak terlihat
1000 titik data)
0,99 dan AAPE 4,3%. Gambar 6 menunjukkan bahwa koefisien determinasi
(R2) adalah 0,97 saat memplot ROP aktual versus data ROP prediksi
untuk sumur-3.
ÿÿ
+ b2 (1)
ÿÿ
(2)
3.2 Membandingkan Model JST yang Dikembangkan
untuk Prediksi ROP
Model JST yang dikembangkan dibandingkan dengan model ROP
sebelumnya seperti Bourgoyne dan Young [9], selain Maurer [6] dan
Bingham [8]. Data dari well-1 digunakan untuk membandingkan ketiga
model tersebut dengan model JST yang dikembangkan. Tabel 3
mencantumkan analisis statistik untuk data Well 1. Laju penetrasi
bervariasi antara 9,59 dan 42,27 kaki/jam. Tingkat pemompaan berkisar
antara 653 hingga 970 gpm.
Bobot yang diterapkan pada bit berkisar antara 4,7 klb hingga 40,90 klbf.
Torsi berkisar antara 3,18 hingga 18,95 klbf-ft. Tekanan pipa penyangga
berkisar dari 1521 psi hingga 2799 psi. Lumpur tersebut memiliki rentang
densitas dari 73 hingga 78 pcf dan rentang viskositas plastis dari 20 hingga
26 cP.
Maurer [6] menyatakan bahwa ROP dapat dihitung sebagai fungsi dari
RPM, WOB, drillability strength of the rock (UCS), bit
Machine Translated by Google

Jurnal Arab untuk Sains dan Teknik

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)

1 0,0412 1.1764 0,4935 1,9408ÿ0,8425 - 1,3783 1.0741 0,0720

2 3,1633ÿ4,5850ÿ0,4913 1,7130ÿ0,0595 1.9051 3.5625

3 0,9091ÿ3,9512ÿ1,1883 0,9279ÿ3,5843 ÿ2.4815 4.6562

4 0,2742 ÿ 2,9808 ÿ0,8482 ÿ 2,5712 ÿ7,0142 - 0,4787 4.0222

5 1.4014 1,5049 1,1747ÿ2,8291ÿ1,7232 - 0,6115 ÿ0,6099

6 2.9144 7.1643ÿ3.7113 1,0153ÿ1,1798 ÿ0,1436 - 0,2268

7 2,8177 - 0,8208 1,4495 0,4292 0,9100 0,5052 - 2.7519

8 ÿ 0,2341 ÿ 0,8756 ÿ 0,2790 ÿ 2,0109 1.0225 - 1,5717 ÿ0,7936

9 0,6497 0,7801ÿ0,9314ÿ0,9160ÿ3,7185 - 0,4591 ÿ1,7636

10 0,3670 0,2051ÿ2,3487 1,1184ÿ0,2308 ÿ1,6648 - 0,7480

11 3,3247 ÿ 4,2687 ÿ1,9156 ÿ 0,4567 ÿ4,5721 0,3823 0,5940

12 ÿ 1,6323 ÿ1,6490 ÿ 0,7073 2.7159 2.1637 - 0,7521 0,6666

13 1,5007ÿ2,3705 2.4503 0,3234 0,0735 - 0,3141 ÿ0,8927

14 0,7581 0,5429ÿ2,9767 1,4524ÿ0,5656 1.2698 - 1,1187

15 - 2.3147 0,5759 1.0801 0,2729 4.3372 0,6338 - 0,8032

16 - 2.3846 2,0484 ÿ 1,2435 ÿ3,0244 ÿ 5,3560 0,1285 - 1,5515

17 0,5767 4,9713 ÿ 3,1615 ÿ0,3270 2,4434 - 0,1461 4.0630

18 - 3.1866 4.1230 0,7674ÿ2,8201 0,4353 1.9451 - 3,5775

19 ÿ 6,0978 ÿ1,2957 ÿ 0,3582 0,6037 1,4507 - 0,3157 ÿ3.6995

20 4,1176ÿ3,5705ÿ1,2236 0,4619ÿ3,7181 2.7226 4.8063

Tabel 2 Parameter statistik sumur-3

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

Jurnal Arab untuk Sains dan Teknik

Bourgoyne and Young's [9] menggunakan data pengeboran sebelumnya

untuk menentukan delapan konstanta, yang diperlukan untuk menentukan
ROP, Persamaan. 5. Elkatatny dkk. [36] menjelaskan detailnya
terkait dengan delapan konstanta.

D
(ROP) = e
a1+8 saya = 2 ai xi
(5)
dt

Gambar 7 menunjukkan bahwa model Bourgoyne dan Young [9]

mampu memprediksi ROP dengan AAPE 10% dan R
dari 0,15. Model Bourgoyne dan Young [9] tidak mencakup
perubahan tren ROP. Selain itu, model ini juga
mengabaikan pengaruh sifat fluida pengeboran dan UCS,
yang mengakibatkan rendahnya akurasi untuk prediksi ROP.
Gambar 8 menunjukkan bahwa kesalahan persentase absolut rata-rata
adalah 4% ketika menggunakan korelasi empiris ROP yang dikembangkan untuk
memprediksi ROP. Sedangkan 10% menggunakan model Bingham
dan model Bourgoyne dan Young. Model Maurer dihasilkan
kesalahan persentase absolut rata-rata tertinggi (46%). Berdasarkan
dari hasil tersebut dapat disimpulkan bahwa model JST ROP yang
dikembangkan (Persamaan 2) merupakan model terbaik untuk memprediksi ROP dan
model ini mengungguli semua model ROP yang dipublikasikan.

Gambar 5 Prediksi ROP menggunakan model JST untuk sumur-3

4. Kesimpulan

Pengukuran lapangan aktual dari mekanik dan pengeboran

properti fluida (3333 titik data) digunakan untuk membangun
model jaringan saraf tiruan untuk memprediksi laju penetrasi. Kesimpulan
berikut dapat ditarik:

1. Model ANN_ROP yang dikembangkan mampu melakukan estimasi

ROP dengan akurasi tinggi (R sebesar 0,99 dan AAPE sebesar
5,6%).
2. Persamaan empiris ROP baru mengungguli model ROP yang
dipublikasikan (model Bingham, Bourgoyne dan
model Young, dan model Maurer). Ini menghasilkan kesalahan
persentase absolut usia rata-rata 4% dibandingkan dengan
Gbr. 6 ROP aktual versus ROP yang diprediksi untuk sumur-3
10% menggunakan model Bingham dan Bourgoyne and Young

Tabel 3 Parameter statistik sumur-1

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

Jurnal Arab untuk Sains dan Teknik

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)

6. Maurer, WC: Teori pengeboran putar "Pembersihan Sempurna". J.

Peliharaan. Technol. 14(11), 1270–1274 (1962)
Gambar 8 Model JST menghasilkan rata-rata kesalahan persentase absolut terendah
7. Pejalan, BH; Hitam, IKLAN; Klauber, WP et al.: Respon laju penetrasi roller-bit
sebagai fungsi sifat batuan dan kedalaman sumur.
Dalam: Paper SPE 15620 Dipresentasikan pada Konferensi Teknis Tahunan
ke-61 dan Pameran Society of Petroleum Engineers, New Orleans, LA, 5–8
model. Model Maurer menghasilkan kesalahan persentase Oktober (1986)
absolut rata-rata tertinggi (46%). 8. Bingham, MG: Pendekatan Baru untuk Menafsirkan Kemampuan Pengeboran Batuan.
3. Keakuratan korelasi dan model yang dikembangkan untuk Perusahaan Penerbitan Perminyakan, Tulsa (1965)
9. Bourgoyne, AT; Young, FS: Pendekatan regresi berganda untuk pengeboran
estimasi ROP menegaskan pentingnya menyusun parameter
optimal dan deteksi tekanan abnormal. J.SPE 14(04), 371–384 (1974)
pengeboran dan properti fluida pengeboran.
10. Warren, TM: Performa laju penetrasi bit roller-cone.
Bor SPE. Eng. 2(1), 9–18 (1987)
11. Hareland, G.; Hoberock, LL: Penggunaan parameter pengeboran untuk
memprediksi batas tegangan in-situ. Dalam: Paper SPE 25727 Disampaikan pada

123
Machine Translated by Google
Konferensi Pengeboran SPE/IADC, Amsterdam, Belanda, 22–25 Februari
(1993)
12. Hareland, G.; Wu, A.; Rashidi, B.: Model kecepatan pengeboran untuk roller
cone bit dan penerapannya. Dalam: Makalah SPE No. 129592.
Dipresentasikan pada Konferensi dan Pameran Minyak dan Gas
Internasional CPS/SPE. Beijing, Cina, 8–10 Juni (2010a)
13. Hareland, G.; Wu, A.; Rashidi, B.: Sebuah model tingkat pengeboran baru
untuk bit tri cone dan penerapannya untuk memprediksi kuat tekan batuan.
ARMA 10-206. Dalam: Dipresentasikan pada US Rock Mechanics Sym
posium ke-44. Salt Lake City, UT, 27–30 Juni (2010b)
14. Rashidi, B.; Hareland, G.; Wu, ZB: Simulasi kinerja dan pemodelan aplikasi
lapangan bit rollercone. J. Pet. Sains. Eng. 133, 507–517 (2015)
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),
1225–1236 (2016)
16. Deng, Y.; Chen, M.; Jin, Y.; Zhang, Y.; Zou, D.; Lu, Y.: Studi teoritis dan
eksperimental pada tingkat penetrasi untuk roller cone bit berdasarkan
kekuatan dinamis batuan dan parameter pengeboran. J.Nat.
Ilmu Gas. Eng. 36(2016), 117–123 (2016)
17. Eckel, JR: Pengaruh sifat lumpur pada tingkat pengeboran. Dalam: Paper
API 54-119 Dipresentasikan pada Latihan Pengeboran dan Produksi. New
York, 1 Januari (1954)
18. Eckel, JR: Studi mikrobit tentang pengaruh sifat fluida dan hidrolika pada laju
pengeboran. J. Pet. Technol. 19(4), 541–546 (1966)
19. Eckel, JR: Studi Mikrobit tentang Pengaruh Sifat Fluida dan Hidraulik pada
Laju Pengeboran. II. Dalam: Makalah SPE-2244 Dipresentasikan pada
Pertemuan Musim Gugur Society of Petroleum Engineers AIME, Houston,
Texas, 29 September–2 Oktober (1968)
20. Paiaman, AM; Al-Askari, MK; Salmani, B.; Al-Anazi, BD; Masihi, M.: Pengaruh
sifat fluida pemboran terhadap laju penetrasi.
NAFTA 60(3), 129–134 (2009)
21. Alumni, MA; Egbon, F.: Model Semi-Analitik Pengaruh Sifat Fluida Pengeboran
Terhadap Laju Penetrasi (ROP). Dalam: Makalah SPE-150806
Dipresentasikan pada Konferensi dan Pameran Internasional Tahunan
Nigeria, Abuja, Nigeria, 30 Juli–3 Agustus (2011)
22. Moraveji, MK; Naderi, M.: Laju pengeboran prediksi penetrasi dan optimisasi
menggunakan metodologi permukaan respons dan algoritme kelelawar.
J.Nat. Ilmu Gas. Eng. 31, 829–841 (2016)
23. Ricardo, J.; Mendes, P.; Fonseca, TC; Serapaio, ABS: Menerapkan pengontrol
adaptif referensi neuro-model dalam optimasi pengeboran. Mag Minyak
Dunia 228, 29–38 (2007)
24. Ali, JK: Neural network: alat baru untuk industri perminyakan. Dalam: Paper
SPE 27561-MS Dipresentasikan pada European Petroleum Computer
Conference, Aberdeen, United Kingdom, 15–17 Maret (1994)
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
Jurnal Arab untuk Sains dan Teknik
27. McCulloch, WS; Pitts, W.: Kalkulus logis dari ide-ide yang melekat dalam
aktivitas gugup. Banteng. Matematika. Biofisika. 5(4), 115–133 (1943)
28. Rosenblatt, F.: Perceptron. Otomat yang memahami dan mengenali. Project
Para Report No. 85-460-1, Cornell Aeronau tical Laboratory (CAL), Jan
(1957)
29. Bailey, D.; Thompson, D.: Cara mengembangkan saraf. Jaringan 5(6), 38–47
(1990)
30. Fausett, L.: Dasar-dasar Jaringan Neural, Arsitektur, Algoritma, dan Aplikasi.
Prentice-Hall Inc, Tebing Gaharu (1994)
31. Álvarez del Castillo, A.; Santoyo, E.; García-Valladares, O.: Korelasi fraksi
rongga baru yang disimpulkan dari jaringan saraf tiruan untuk memodelkan
aliran dua fase di sumur panas bumi. Komputer. Geosci. 41, 25–39 (2012)
32. Lippmann, R.: Pengantar komputasi dengan jaringan saraf. IEEE Assp Mag
4(2), 4–22 (1987)
33. Vineis, P.; Rainoldi, A.: Jaringan saraf dan regresi logistik: analisis studi
kasus-kontrol pada infark miokard. J.Clin.
Epidemiol. 50, 1309–1310 (1997). https://doi.org/10.1016/S0895-
4356(97)00163-7
34. Burbidge, R.; Pengeliling, M.; Buxton, B.; Holden, S.: Desain obat dengan
pembelajaran mesin: mendukung mesin vektor untuk analisis data farmasi.
Komputer. kimia 26, 5–14 (2001)
35. Beale, MH; Hagan, MT; Demuth, HB: Kotak Alat Jaringan NeuRal, Panduan
Pengguna. MathWorks, Inc, Natick (2017)
36. Elkatatny, SM; Tariq, Z.; Mahmud, MA; Al-AbdulJabbar, A.: Optimalisasi laju
penetrasi menggunakan teknologi kecerdasan buatan. Dalam: Makalah
ARMA-2017-0429 Dipresentasikan pada Simposium Mekanika/Geomekanika
AS ke-51, San Francisco, California, AS, 25–28 Juni (2017)
37. Elkatatny, SM: Prediksi waktu nyata parameter reologi cairan pengeboran
berbasis air KCl menggunakan jaringan syaraf tiruan.
Arab. J.Sci. Eng. 42(4), 1655–1665 (2017)
38. Elkatatny, SM; Mahmud, MA; Muhammad, saya.; Abdulraheem, A.:
Pengembangan korelasi baru untuk menentukan modulus statis Young. J.
Pet. Produk Eksplorasi Technol. (2017). https://doi.org/ 10.1007/
s13202-017-0316-4
39. Elkatatny, SM; Mahmud, MA; Zeeshan, T.; Abdulraheem, A.: Wawasan baru
dalam prediksi permeabilitas reservoir karbonat heterogen dari log sumur
menggunakan jaringan kecerdasan buatan. Komputasi saraf. Aplikasi
(2017). https://doi.org/10.1007/ s00521-017-2850-x
40. Elkatatny, SM; Zeeshan, T.; Mahmoud, MA: Prediksi waktu nyata sifat reologi
fluida pengeboran menggunakan model matematika terlihat jaringan saraf
tiruan (kotak putih). J. Pet. Sains. Eng. 146, 1202–1210 (2016)