Optimisation du forage à l'aide de réseaux de neurones artificiels et de modèles empiriques

Un rôle clé de l'optimisation du forage est de réduire le coût et le temps non productif (NPT) des opérations de forage. Le taux de pénétration (ROP) affecte directement le coût global et le coût par pied des opérations de forage et pourrait entraîner des économies ou des dépenses importantes. Traditionnellement, la modélisation empirique du ROP est utilisée pour prédire la réponse de la mèche ou estimer le ROP à l'aide de données décalées à proximité. En raison de la complexité et de la non-linéarité du ROP, la modélisation basée sur les données, telle que l'apprentissage automatique (ML), est devenue plus attrayante. L'objectif de cet article est de développer un modèle de réseau de neurones artificiels (ANN) basé sur les données du ROP en utilisant des données de forage et de formation collectées à partir de trois puits voisins. De plus, une optimisation du forage a été réalisée et comparée aux modèles empiriques traditionnels de ROP. Les avantages et les inconvénients des deux méthodes sont discutés, et la direction de la modélisation future basée sur les données est mise en évidence. Le modèle ANN basé sur les données a montré de fortes performances par rapport aux données de terrain. Le modèle ANN a affiché un RMSE et un R2 de 3,89 m/h et 0,93 pour les données d'entraînement et un RMSE et un R2 de 4,16 m/h et 0,92 pour l'ensemble de données de test. L'analyse de sensibilité a montré que le modèle ANN prédisait un ROP plus élevé que les modèles empiriques dans l'intervalle sélectionné. En raison des données limitées d'usure de la mèche par rapport aux paramètres opérationnels, la modélisation couplée simultanée basée sur les données et empirique est considérée comme la direction future de l'optimisation du forage basée sur les données.