Nouvelles

May 30, 2024

Prédiction des paramètres du forage de tubes enroulés basée sur le GAN

Scientific Reports volume 13, Numéro d'article : 10875 (2023) Citer cet article 266 Accès 1 Détails d'Altmetric Metrics Avec le développement croissant de la technologie de forage de tubes enroulés, le

Rapports scientifiques volume 13, Numéro d'article : 10875 (2023) Citer cet article

266 accès

1 Altmétrique

Détails des métriques

Avec le développement croissant de la technologie de forage de tubes enroulés, les avantages de la technologie de forage de tubes enroulés deviennent de plus en plus évidents. Dans le processus de fonctionnement des tubes enroulés, en raison de divers paramètres de forage différents, de défauts de fabrication et d'une mauvaise manipulation humaine, le tube enroulé peut s'enrouler et provoquer un perçage bloqué ou des problèmes de durée de vie raccourcie. La pression de circulation, la pression à la tête de puits et le poids total ont une influence importante sur la période de travail des tubes enroulés. Pour la sécurité de la production, cet article prédit la pression de circulation, la ROP, la pression en tête de puits et le poids des doigts à l'aide du GAN-LSTM après avoir étudié la théorie de l'ingénierie du forage et analysé une grande quantité de données de fond de trou. Les résultats expérimentaux montrent que GAN – LSTM peut prédire dans une certaine mesure les paramètres de pression de circulation, de pression à la tête de puits (ROP) et de poids total. Après beaucoup de formation, la précision est d'environ 90 %, soit environ 17 % de plus que celle du GAN et du LSTM. Il revêt une certaine importance pour le fonctionnement des tubes enroulés, augmentant la sécurité opérationnelle et l'efficacité du forage, réduisant ainsi les coûts de production.

Avec le développement rapide de la technologie de forage moderne, les avantages de la technologie de forage avec tubes enroulés deviennent de plus en plus évidents. Les tubes enroulés présentent les caractéristiques d'une résistance et d'une ténacité élevées dans leur structure physique, ainsi que les avantages d'une mobilité, d'une sécurité et d'une protection de l'environnement élevées. Par conséquent, il est largement utilisé dans l’industrie des services sur les champs pétroliers et gaziers tels que le forage, la complétion et l’exploitation forestière. Comme le tube enroulé est relativement un type de tuyau, des problèmes tels que le curling et le coincement peuvent survenir pendant le fonctionnement, déclenchant la génération de défauts physiques du tube enroulé, réduisant ainsi la durée de vie du tube enroulé. Dans cet article, nous prédisons les paramètres de forage des tubes continus grâce à un algorithme d'apprentissage profond pour augmenter la durée de vie des tubes enroulés, réduire les coûts de production et améliorer la productivité pétrolière. Il existe peu de recherches combinant des techniques d’apprentissage automatique avec des techniques de forage de tubes enroulés. Par conséquent, l’intégration d’algorithmes d’apprentissage profond et de technologie de forage de tubes enroulés est un processus hautement exploratoire et précieux. Dans ce processus, des algorithmes d'apprentissage profond pour la prédiction des paramètres de forage traditionnels doivent être appliqués aux méthodes de prédiction des paramètres de forage des tubes enroulés.

Actuellement, les algorithmes d’apprentissage profond sont largement utilisés dans le forage conventionnel. Par exemple, ANN, le modèle de réseau neuronal BP, le modèle CNN et l'ACO ont obtenu d'excellents résultats en matière de prédiction et d'optimisation des paramètres de forage (les abréviations complètes sont détaillées dans le tableau 1). Après avoir examiné les informations pertinentes. Shao-Hu Liu et coll. a développé un nouveau modèle théorique pour le problème selon lequel les tubes enroulés sont sujets à une rupture par fatigue à faible circonférence pendant le fonctionnement. Avec ce modèle théorique, il a été constaté que le rayon du dévidoir, le diamètre extérieur et la pression interne sont des paramètres importants affectant la durée de vie en fatigue des tubes enroulés1. Wanyi Jiang et coll. déterminé le ROP optimal en combinant un réseau de neurones artificiels (ANN) et un algorithme de colonie de fourmis (ACO). La validité de la ROP optimale est ensuite testée en comparant le réseau neuronal régularisé bayésien avec le modèle de Warren modifié par la ROP2. Chengxi Li et Chris Cheng ont appliqué le filtre de lissage Savitzky-Golay (SG) pour réduire le bruit dans l'ensemble de données d'origine. L'IGA est ensuite utilisé pour maximiser le ROP en faisant correspondre les paramètres d'entrée ANN optimaux et la meilleure structure de réseau3 (les abréviations complètes sont détaillées dans le tableau 1). Cao Jie et coll. analysé les valeurs des fonctionnalités affectant le ROP en fonction de la corrélation des fonctionnalités et de leur importance relative en appliquant une approche d'ingénierie des fonctionnalités. Ainsi, les paramètres de caractéristiques saisis manuellement basés sur la corrélation physique sont réduits de 12 à 8, ce qui simplifie considérablement le modèle de réseau4. Huang et coll. amélioré la robustesse du modèle en intégrant l'algorithme d'optimisation des essaims de particules et le LSTM afin que le modèle puisse s'adapter au modèle de variation complexe de la capacité de production de pétrole et de gaz (les abréviations complètes sont détaillées dans le tableau 1). Et il a été constaté que les performances du LSTM sont bien supérieures à celles des réseaux de neurones ordinaires dans les données de séries chronologiques5. Liu et coll. a proposé un modèle d'apprentissage intégrant le LSTM et un modèle empirique intégré et utilisé un algorithme génétique pour déterminer les hyperparamètres du LSTM, ce qui peut grandement améliorer la précision de la prédiction du modèle. Les résultats montrent que la méthode présente de très bonnes performances de généralisation en termes de précision dans la prévision de la production des puits6.