Réel

Rapports scientifiques volume 12, Numéro d'article : 11318 (2022) Citer cet article

1874 Accès

3 Citations

Détails des métriques

La prévision précise de la pression interstitielle en temps réel est cruciale, en particulier dans les opérations de forage, techniquement et économiquement. Sa prédiction permettra d'économiser des coûts, du temps et même les bonnes décisions peuvent être prises avant que des problèmes ne surviennent. Les corrélations disponibles pour la prédiction de la pression interstitielle dépendent des données de diagraphie, des caractéristiques de la formation et de la combinaison des paramètres de diagraphie et de forage. L'objectif de ce travail est d'appliquer les réseaux de neurones artificiels (ANN) et le système d'inférence neuro-flou adaptatif (ANFIS) pour introduire deux modèles permettant d'estimer le gradient de pression de la formation en temps réel à travers les données de forage disponibles. Les paramètres utilisés comprennent le taux de pénétration (ROP), le débit de boue (Q), la pression de la colonne montante (SPP) et la vitesse de rotation (RS). Un ensemble de données obtenues à partir de certains puits verticaux a été utilisé pour développer le modèle prédictif. Un ensemble différent de données a été utilisé pour valider les modèles d'intelligence artificielle (IA) proposés. Les deux modèles ont prévu la sortie avec un bon coefficient de corrélation (R) pour la formation et les tests. De plus, l'erreur absolue moyenne en pourcentage (AAPE) n'a pas dépassé 2,1 %. Pour l'étape de validation, les modèles développés ont estimé le gradient de pression avec une bonne précision. Cette étude prouve la fiabilité des modèles proposés pour estimer le gradient de pression pendant le forage à l'aide des données de forage. De plus, une corrélation basée sur ANN est fournie et peut être directement utilisée en introduisant les poids et les biais optimisés, chaque fois que les paramètres de forage sont disponibles, au lieu d'exécuter le modèle ANN.

La pression de la formation est exercée par les fluides à l'intérieur de l'espace poreux de la roche. À une certaine profondeur, le gradient normal provient du poids de la colonne d'eau salée s'étendant de la surface au point d'intérêt. L'écart par rapport à la tendance normale peut être décrit comme anormal, ce qui peut être sous la normale ou en surpression1. La pression normale n'est pas constante et dépend des quantités de sels dissous, des types de fluides, de la présence de gaz et du gradient de température. La surpression ou surpression est la pression de formation dépassant la pression hydrostatique normale, tandis que la pression sous-normale est celle qui est inférieure à la pression normale. Le supranormal est créé par une pression normale en plus d'une source de pression supplémentaire. La surpression peut être attribuée à différentes raisons qui peuvent être géologiques, mécaniques, géochimiques et combinées2. Des zones de pression anormales peuvent entraîner de graves problèmes techniques et économiques tels que des coups de pied et des éruptions. Une pression inférieure à la normale peut entraîner une perte de circulation et un blocage différentiel des conduites, ce qui entraîne la mise en place de colonnes de tubage supplémentaires (coûts de forage plus élevés)2. Une estimation précise de la pression de formation en temps réel peut améliorer la conception de la trajectoire du puits et du tubage, une meilleure analyse de la stabilité du puits de forage, un programme de boue efficace et des coûts de forage globaux réduits3,4.

L'estimation de la pression de formation peut être quantitative ou qualitative. La plupart de ces techniques dépendent de la comparaison graphique des lignes de tendance normales avec celles observées pour repérer les changements anormaux qui peuvent faire référence à des zones de pression anormales. Les techniques existantes dans la littérature utilisaient les diagraphies de puits, les propriétés des strates et les paramètres de forage. Hottman et Johnson5 ont été les premiers à estimer la pression interstitielle sur la base des données de diagraphie de schiste en construisant des diagrammes croisés qui relient le gradient de pression au rapport de résistivité ou à la différence de temps de trajet sonique entre la tendance observée et la tendance normale. Matthews et Kelly6 ont utilisé une échelle semi-logarithmique pour la corrélation de Hottman et Johnson. Pennebaker7 a remplacé la différence de temps de parcours sonique utilisée par Hottman et Johnson5 par le rapport de temps de parcours sonique. L'auteur a estimé la pression interstitielle à partir d'un diagramme croisé X–Y comme celui de Hottman et Johnson. Cette technique utilisait une seule ligne de tendance pour un certain type de roche à l'échelle mondiale, mais cela peut ne pas être vrai pour tous les types de roche. Eaton8 a confirmé que la pression de la formation et les gradients de pression des morts-terrains affectent les propriétés dérivées du journal. En conséquence, les corrélations de Hottman et Johnson devraient être élargies pour inclure l'effet de contrainte de mort-terrain. Eaton8 a proposé un modèle empirique basé sur des données soniques pour prédire le gradient de pression dans les formations de schiste.

Gardner et al.9 ont analysé les données utilisées par Hottman et Johnson et ont introduit une autre façon d'estimer la pression de la formation en impliquant la pression du mort-terrain. Bowers10 a mentionné qu'il existe une relation de puissance entre la contrainte effective et la vitesse sonique. L'auteur a estimé la pression de formation à l'aide de données soniques après avoir réorganisé l'équation de puissance et remplacé la contrainte effective par \(\left({\alpha }_{V}-pression interstitielle\right)\). Shell a introduit une autre technique de prédiction basée sur le son appelée modèle Tau en introduisant un paramètre "Tau" dans l'équation de la contrainte effective11,12. Foster et Whalen13 ont été les premiers à utiliser la méthode de profondeur équivalente, une méthode verticale, pour estimer la pression de formation à partir de la diagraphie électrique. De plus, Ham14 a utilisé l'approche de profondeur équivalente avec le son, la résistivité et la densité pour prédire la pression de la formation et le poids du fluide de forage nécessaires dans les puits de la côte du Golfe. Eaton15,16 a introduit des modèles empiriques basés sur la résistivité ou la conductivité pour estimer le gradient de pression dans le schiste à l'aide de diagraphies de puits. Cette méthode peut être assez utilisée dans les bassins sédimentaires où le sous-compactage est la principale source de surpression17,18. Sur la base des inconvénients de l'utilisation en solo du ROP comme indicateur de la pression interstitielle, le ROP doit être corrigé ou normalisé pour tenir compte de la variation des différents paramètres de forage. Bingham19 a proposé l'exposant D pour tenter de corriger le ROP pour les variations de poids sur le trépan (WOB), RS et le diamètre du puits. Jorden et Shirley20 ont proposé une modification de l'approche de Bingham en introduisant un autre terme appelé dexp. Rehm et McClendon21 ont ajusté le dexp de Jorden et Shirley en incluant l'effet du changement de densité du fluide de forage. Quantitativement, la pression de la formation peut être estimée à l'aide des valeurs de courant continu par la méthode Eaton et la méthode du rapport. Eaton15 et Contreras et al.22 ont observé que le graphique dexp corrigé est très analogue au graphique de résistivité. Par conséquent, Eaton a développé un modèle de prédiction pour le gradient de pression de formation en utilisant le dc estimé, la valeur de dc normale et les gradients des pressions de mort-terrain et de formation normale. La méthode du rapport a été proposée comme une technique simple pour estimer la pression interstitielle à partir de l'exposant d ou de la résistivité ou des données soniques sans pression de surcharge1.

L'IA est une science de l'ingénierie qui utilise des capacités de calcul élevées pour développer des programmes informatiques afin de résoudre des problèmes en imitant l'intelligence du cerveau humain23,24. L'IA utilise différentes techniques telles que l'ANN, l'ANFIS, les réseaux fonctionnels et la machine à vecteurs de support qui présentent des performances robustes et une grande précision pour la classification et la prédiction25. L'IA est largement utilisée dans différentes branches de l'ingénierie, de la médecine, de l'économie et de l'armée26. L'IA a été largement appliquée dans l'industrie pétrolière et gazière car elle a non seulement la capacité de résoudre des problèmes complexes, mais elle les représente également avec une grande précision27. Des modèles intelligents ont été développés pour diverses cibles telles que l'estimation de la densité de circulation équivalente en temps réel28,29,30, l'estimation de la pression interstitielle pendant le forage31,32, la prédiction de la porosité33, la prédiction de la résistivité34, la prédiction des propriétés rhéologiques de la boue35,36,37,38,39, la prédiction de la résistance à la compression non confinée40, l'estimation du facteur de récupération du pétrole41, la prédiction de la densité apparente42,43, la planification de puits44, la classification lithologique4 5, estimation de la densité de fractures46, estimation des modules élastiques statiques47,48, prédiction du coefficient de Poisson49,50,51 et prédiction des sommets de formation52.

Peu d'études ont appliqué différentes techniques d'IA pour estimer la pression de formation. Li et al.53 ont utilisé ANN pour estimer la pression de formation dans les champs pétrolifères de Saertu et Xingshugang à Daqing. Les auteurs ont inclus des paramètres d'entrée tels que le temps de transit sonique, les rayons gamma (GR), le potentiel naturel et la pression de la conduite. Hu et al.54 ont utilisé ANN pour estimer la pression interstitielle. Les auteurs ont inclus des entrées telles que la profondeur, la densité, le temps de transit sonique et le GR. Keshavarzi et Jahanbakhshi55 ont appliqué des réseaux de neurones pour estimer le gradient dans le champ d'Asmari. Les entrées comprenaient la porosité, la perméabilité, la densité et la profondeur. Aliouane et al.56 ont introduit le modèle ANN pour estimer la pression de formation à partir des journaux de puits dans le réservoir de gaz de schiste. Rashidi et Asadi57 ont proposé un modèle ANN pour estimer la pression de la formation en utilisant l'énergie spécifique mécanique et l'efficacité du forage. Ahmed et al.58 ont utilisé ANN pour créer un modèle de prédiction de la pression de formation en utilisant sept entrées contenant une combinaison de diagraphies de puits et de données de forage. Ahmed et al.59 ont comparé cinq techniques d'apprentissage automatique pour prédire la pression de formation avec les mêmes paramètres d'entrée utilisés dans les travaux d'Ahmed et al.58.

Les modèles fournis dans la littérature utilisaient certaines données de diagraphie, qui peuvent ne pas être disponibles pendant le forage, car la diagraphie pendant le forage (LWD) n'est pas utilisée dans tous les puits. Même si le LWD est présent dans le train de tiges, il est placé à des dizaines de pieds au-dessus du trépan, ce qui ne reflète pas la réponse instantanée des formations pénétrées en temps réel. D'autres modèles ont utilisé certaines propriétés de réservoir dérivées de données de diagraphie ou de mesures de laboratoire qui limitent leur utilisation pendant le forage. La motivation est de développer un moyen de prévoir le gradient de pression de la formation en temps réel pendant le forage en utilisant uniquement les données de forage disponibles sans les combiner avec d'autres données qui ne sont pas disponibles dans tous les puits. Ce faisant, nous maximisons les avantages des données de forage disponibles sans impliquer de coûts plus élevés pour prédire un paramètre crucial qui améliore techniquement et économiquement les opérations de forage. L'objectif de cette étude est d'utiliser les ANN et l'ANFIS pour proposer deux modèles de prédiction du gradient de pression de la formation en temps réel en utilisant les données de forage disponibles sans coûts supplémentaires. De plus, une corrélation basée sur ANN est fournie pour l'utiliser directement pour estimer le gradient. Contrairement aux équations empiriques développées, les modèles de cette étude n'ont pas besoin d'une tendance de pression normale pour estimer le gradient.

La méthodologie a commencé par la collecte de données suivie d'un nettoyage et d'une filtration des données. Ensuite, une analyse des données a été effectuée pour obtenir plus d'informations sur les ensembles de données. Après cela, les données ont été divisées au hasard tout en veillant à ce que les ensembles de données soient représentatifs. L'étape suivante consistait à sélectionner les paramètres initiaux du modèle pour les premières exécutions. Les paramètres ont été mis à jour et le processus a été répété jusqu'à obtenir les meilleurs résultats. Une fois les résultats optimaux obtenus, les hyperparamètres du modèle ont été extraits. Enfin, les modèles ont été validés par un jeu de données aveugle qui n'a pas été impliqué dans le développement des modèles prédictifs. La figure 1 montre brièvement la méthodologie menée dans ce travail pour développer les modèles d'IA.

Organigramme de la méthodologie menée dans l'étude.

Un ensemble de données contenant environ 3145 points a été fourni à partir de coupes verticales dans la même zone. L'ensemble de données comprenait les données de forage, la pression et la profondeur de la formation. Les données de forage ont été utilisées comme entrées pour alimenter le modèle afin de prédire le gradient de pression de la formation comme sortie. Ces données de forage comprenaient des données hydrauliques telles que Q et SPP, et des données mécaniques telles que : RS, ROP, couple (T) et WOB. Ces données de forage peuvent être enregistrées en surface ou en fond de trou pendant le forage et sont influencées par les strates pénétrées et leur teneur en fluide. Une analyse statistique a été effectuée sur les données de terrain et a montré que les données couvraient une large gamme d'entrées et de sorties comme présenté dans le tableau 1. Par exemple, les données avaient une bonne représentation du gradient de pression de formation car il couvre les valeurs de gradient sous-normales, normales et supranormales. Le tableau 2 montre un échantillon des données de terrain utilisées dans cette étude. La relation entre chaque variable et les autres variables a été testée en termes de R comme le montre la Fig. 2. De plus, des diagrammes croisés de chaque paramètre de forage avec le gradient de pression interstitielle ont été construits comme le montre la Fig. 3.

Les valeurs R entre chaque entrée et le gradient de pression de la formation ainsi qu'un tableau contenant les valeurs R entre chacune des deux variables.

Graphiques croisés du gradient de pression en fonction de différents paramètres de forage.

En IA, la qualité des données est aussi importante que la qualité des prédictions. En conséquence, l'ensemble de données a été nettoyé en éliminant les valeurs non représentatives telles que -999 valeurs et NAN (pas un nombre). Ensuite, les valeurs aberrantes qui sont les observations situées en dehors du schéma global d'une distribution doivent être supprimées car elles peuvent poser de sérieux problèmes d'analyse statistique60. Des valeurs aberrantes peuvent exister en raison d'une erreur humaine et/ou instrumentale. La détection des valeurs aberrantes peut être effectuée de plusieurs manières, telles que le Z-Score (en supprimant les valeurs situées à l'écart de la moyenne de plus d'un certain nombre d'écarts-types) et un graphique en boîte à moustaches (en supprimant les valeurs situées au-delà des limites supérieure et inférieure déterminées en divisant les données en quatre quartiles)61. La qualité et la fiabilité des entrées ont été vérifiées par diverses techniques comme la comparaison des variables enregistrées avec les gammes de l'équipement et avec les variables similaires dans les puits de compensation à l'intérieur du champ. De plus, la sortie a été comparée aux valeurs de gradient de pression de formation produites par les tendances connues du gradient des strates dans la zone sélectionnée. Le contrôle a montré une bonne concordance entre les pressions enregistrées et produites indiquant la fiabilité des mesures.

Les caractéristiques des strates influencent la capacité de forage de la colonne géologique car les propriétés contrôlent l'impédance pour percer les strates. Les données de forage peuvent par certains moyens refléter la résistance rencontrée lors du forage de différentes formations. La vitesse de rotation et le poids sur le trépan peuvent être ajustés en fonction de la nature des formations62. De plus, les déblais générés lors du forage ont des impacts sur les pressions et les débits de la pompe nécessaires pour assurer un bon nettoyage du trou. Tous les paramètres de forage précédents et le type de formation jouent un rôle important dans le contrôle du taux de pénétration63,64. Par conséquent, les données de forage peuvent en quelque sorte refléter la nature des formations forées et, à leur tour, leurs pressions de formation. La ROP peut être utilisée comme indicateur pour identifier les couches supranormales lors du forage. ROP a été inclus pour développer ces modèles car il inclut l'effet d'autres variables de forage comme WOB. De plus, RS a été utilisé pour construire les modèles car il contient indirectement l'effet du T. Pour la simplicité du modèle, deux variables mécaniques (ROP et RS) ont été utilisées avec deux variables hydrauliques (SPP et Q).

Après avoir vérifié la qualité du jeu de données sélectionné. Les données obtenues ont été divisées en deux groupes avec un rapport de 3: 1 pour la formation et les tests. Les hyperparamètres du modèle ANN, y compris différentes combinaisons de diverses options disponibles pour les hyperparamètres ANN, ont été optimisés en testant de nombreux scénarios pour chaque paramètre. Les différentes options pour chaque paramètre ANN et les options optimales sont répertoriées dans le tableau 3. Le R, le coefficient de détermination (R2) et l'AAPE ont été calculés par les équations. (1), (2) et (3) tels que présentés dans l'annexe supplémentaire 1. Les hyperparamètres fournissant le R, le R2 le plus élevé et l'erreur minimale (RMSE, MSE et AAPE) ont été sélectionnés. Il a été constaté que le nombre optimal de neurones est de 10 occupant une seule couche cachée. Le modèle a été construit à l'aide du réseau newcf avec l'algorithme de Levenberg – Marquardt (trainlm) en tant que fonction d'apprentissage pour obtenir les poids et les biais optimaux en utilisant un taux d'apprentissage de 0,12. La fonction d'activation de type log-sigmoïde (logsig) a été utilisée comme fonction de transfert reliant l'entrée et la couche cachée et une fonction d'activation de type linéaire (purelin) a lié les couches cachée et de sortie. La figure 4 montre une structure typique du modèle ANN proposé.

Schéma de la structure du RNA développé.

Le modèle ANN proposé se compose de trois couches. La première couche contient les entrées ; la deuxième couche contient les neurones avec leurs poids et biais et la troisième couche est la couche de sortie. Les paramètres d'entrée du modèle étaient Q, ROP, SPP et RS. Le modèle ANN a prédit le gradient de pression de formation avec un R élevé de 0,981 et 0,973 pour la formation et les tests respectivement. De plus, le RMSE varie entre 0,015 et 0,018 et l'AAPE ne dépasse pas 2,22 % pour l'entraînement et les tests. Les résultats obtenus pour la formation et les tests sont résumés dans le tableau 4. L'histogramme d'erreur (prédit-réel) montre que la plupart des valeurs prédites ont une très petite erreur comprise entre −0,02 et 0,02 psi/ft, comme illustré à la Fig. . Les valeurs cibles enregistrées et prédites ont été représentées graphiquement sur le même graphique pour observer les variations à travers les intervalles choisis, comme présenté à la Fig. 8, indiquant une grande précision d'estimation.

Histogramme d'erreur du modèle ANN développé.

Performances d'entraînement en termes de MSE montrant la meilleure validation à l'époque 48.

Tracés croisés des valeurs cibles estimées par rapport aux valeurs cibles enregistrées (A) formation et (B) test (modèle ANN).

Profils de gradient de pression de formation (A) formation et (B) test (modèle ANN).

Les poids et les biais ont été extraits du modèle ANN optimisé comme indiqué dans le tableau 5 pour fournir une équation empirique permettant de prédire le gradient de pression interstitielle à partir des paramètres de forage disponibles. L'équation développée sous la forme normalisée est donnée par Eq. (1) et peut être utilisé après l'étape de normalisation des paramètres d'entrée pour être dans la plage de -1 à 1 comme indiqué par l'Eq. (2).

où \({Pg}_{n}\) est le \(Pg\ normalisé), \(N\) est le nombre de neurones, c'est-à-dire 10, \({w}_{{1}_{i}}\) est le poids associé à chaque entité entre la couche d'entrée et la couche cachée, \({w}_{{2}_{i}}\) est le poids associé à chaque entité entre la couche cachée et la couche de sortie, \({b}_{{1}_{i}}\) est le biais attaché à chaque neurone de la couche cachée, \({b}_{2}\) est le biais de la couche de sortie.

où, \({Y}_{{i}_{nor}}\) est la valeur normalisée de la variable \(Y\), \({Y}_{\mathrm{i}}\) est la valeur de la variable \(Y\) au point i, \({Y}_{i min}\) est la valeur minimale de la variable \(Y\), \({Y}_{i max}\) est la valeur maximale de la variable \(Y\). Les valeurs minimales et maximales pour chaque paramètre qui ont été utilisées dans la normalisation des données sont présentées dans le tableau 6.

Normalisez les paramètres de forage d'entrée dans \({\mathrm{PR}}_{\mathrm{n}}, {\mathrm{SPP}}_{\mathrm{n}}, {\mathrm{RS}}_{\mathrm{n}} {\mathrm{and ROP}}_{\mathrm{n}}\) à l'aide de l'équation. (2) et données statistiques du tableau 6 .

Calculez la valeur normalisée de la sortie \({Pg}_{n}\) en utilisant Eq. (1) et les poids et biais optimaux répertoriés dans le tableau 5. Les données d'entrée doivent être classées comme suit : débit de la pompe (GPM), SPP (psi), vitesse de rotation (RPM) et ROP (ft/h), avec les mêmes unités.

Le \({Pg}_{n}\) obtenu est dénormalisé en une valeur \(\mathrm{Pg}\) réelle par Eq. (3):

où, \({\mathrm{Pg}}_{\mathrm{n}}\) est le \(\mathrm{Pg}\) normalisé estimé par la corrélation développée, \(\mathrm{Pg}\) est la valeur réelle (psi/ft).

L'application ANFIS en génie pétrolier a montré une grande fiabilité en tant qu'outil prédictif65. Genfis 1 qui utilise le partitionnement de grille et Genfis 2 qui utilise le clustering soustractif ont tous deux été testés pour obtenir le modèle. Genfis 2 a fourni de meilleurs résultats par rapport à Genfis 1 par conséquent, le modèle ANFIS a été créé par la technique de clustering soustractif. Le processus d'optimisation comprenait l'utilisation de différentes combinaisons de taille de rayon de cluster et de nombre d'itérations. Le modèle a été construit en utilisant le type Sugeno-Fis avec un rayon de cluster de 0,2 et 400 itérations donnant les meilleurs résultats. Le modèle ANFIS a prédit la cible avec un R élevé de 0,98 et 0,97 pour l'entraînement et les tests. De plus, le RMSE était d'environ 0,02 psi/ft et l'AAPE ne dépasse pas 2,1 % pour l'entraînement et les tests. Les résultats obtenus pour la formation et les tests sont résumés dans le tableau 7. La figure 9 présente les graphiques croisés des valeurs cibles prédites par rapport aux valeurs cibles enregistrées montrant les points coïncidant avec la ligne à 45°. Les valeurs enregistrées et estimées ont été représentées graphiquement sur le même graphique pour observer les variations le long des intervalles choisis, comme présenté à la Fig. 10, indiquant une précision de prédiction élevée.

Tracés croisés de la formation du modèle ANFIS (A) et des tests (B).

Profils de gradient de pression de formation (A) formation et (B) test (modèle ANFIS).

Les modèles ANN et ANFIS proposés ont été validés à l'aide d'un ensemble de données aveugles non impliquées dans le développement des modèles. Un ensemble de données (92 points) du même champ a été collecté pour alimenter les modèles et comparer les valeurs de gradient de pression enregistrées par rapport aux valeurs estimées. Les modèles ont fourni des profils continus de la cible en utilisant les profils des données de forage. L'ANN et l'ANFIS ont tous deux prédit la cible avec un R élevé d'environ 0,99 entre les valeurs cibles enregistrées et estimées pour la validation. De plus, le RMSE était d'environ 0,01 psi/ft et l'AAPE ne dépassait pas 1,63 % pour les deux modèles. La figure 11 présente les tracés croisés des valeurs cibles prédites par rapport aux valeurs cibles enregistrées montrant les points coïncidant avec la ligne à 45°. Les modèles proposés se sont raisonnablement bien comportés lorsqu'ils ont été testés à l'aide d'ensembles de données de test et de validation qui n'étaient pas inclus dans la phase de formation.

Parcelles croisées pour l'étape de validation (A) ANN et (B) ANFIS.

Dans ce travail, une nouvelle façon d'estimer le gradient de pression de la formation à l'aide de l'IA lors du forage à l'aide des données de forage de surface disponibles a été introduite. Contrairement aux modèles empiriques développés dans la littérature, les modèles développés n'ont pas besoin d'une tendance normale pour prédire la pression de formation. Les modèles développés peuvent être fusionnés avec n'importe quel système de forage automatique pour estimer le gradient de pression pendant le forage à faible coût. De plus, cela peut réduire le temps non productif en minimisant les problèmes de forage chronophages en les prévoyant et en les minimisant avant qu'ils ne surviennent. Cet outil peut améliorer techniquement et économiquement les opérations de forage lors de la conception du forage et du pré-forage afin de prendre les bonnes décisions et d'éviter d'éventuels problèmes tels que les coups de pied, les éruptions et les pertes de circulation. Les résultats de ce travail peuvent être listés comme suit :

Les paramètres optimaux du modèle ANN sont une couche cachée contenant 10 neurones, un réseau newcf avec l'algorithme de Levenberg – Marquardt (trainlm) en tant que fonction d'apprentissage avec un taux d'apprentissage de 0, 12 et un log-sigmoïde en tant que fonction de transfert.

Les paramètres optimaux du modèle ANFIS basé sur le clustering soustractif sont un rayon de cluster de 0,2 et 400 itérations.

Les modèles proposés peuvent prédire le gradient de pression interstitielle avec une précision raisonnable, comme indiqué par R autour de 0,975 et RMSE autour de 0,018 psi.

La corrélation basée sur ANN peut être directement utilisée en introduisant les poids et les biais optimaux, chaque fois que les paramètres de forage sont disponibles, au lieu d'exécuter le modèle ANN.

Gradient de pression

Réseau neuronal artificiel

Système d'interférence floue basé sur le réseau adaptatif

Coefficient de corrélation

Erreur absolue moyenne en pourcentage

Intelligence artificielle

Système d'inférence floue

Coefficient de détermination

Erreur quadratique moyenne

Poids sur mors

Vitesse de rotation en tours par minute

Taux de pénétration

Gallon par minute

Pression de la colonne montante

Couple

Réseau de neurones correspondant à la fonction

Créer un réseau de raccords

Créer un réseau de rétropropagation en cascade

Créer un réseau de rétropropagation Elman

Réseau récurrent de couche

Créer un réseau de neurones à temporisation distribuée

Créer un réseau de rétropropagation en aval

Créer un réseau de reconnaissance de formes

Créer un réseau de rétropropagation à retard d'entrée

Régularisation bayésienne

Rétropropagation sécante en une étape

Rétropropagation de Levenberg – Marquardt

Rétropropagation quasi-Newton BFGS

Descente de gradient avec impulsion et rétropropagation de la règle d'apprentissage adaptatif

Fonction de transfert sigmoïde tangente hyperbolique

Fonction de transfert log-sigmoïde

Fonction de transfert de limite stricte

Fonction de transfert linéaire

Fonction de transfert Softmax

Fonction de transfert de base triangulaire

Fonction de transfert linéaire saturante

Fonction de transfert inverse

Fonction de transfert de base radiale

Biais de la couche d'entrée

Biais de la couche de sortie

Pondérations reliant les entrées et la couche cachée

Pondérations reliant la sortie et la couche cachée

Index de chaque neurone dans la couche cachée

Valeur normalisée

Mouchet, JP & Mitchell, A. Pressions anormales en forage (Elf Aquitaine, 1989).

Google Scholar

Rabia, H. Well Engineering & Construction Hussain Rabia (Entrac Consulting, 2002).

Google Scholar

Tingay, MRP, Hillis, RR, Swarbrick, RE, Morley, CK & Damit, AR Origine de la prévision de la surpression et de la pression interstitielle dans la province de Baram, Brunei. Suis. Assoc. Essence. Géol. Taureau. 93, 51-74 (2009).

Google Scholar

Zoback, MD Géomécanique du réservoir. Géomécanique du réservoir. https://doi.org/10.1017/CBO9780511586477 (Cambridge University Press, 2007).

Hottman, CE & Johnson, RK Estimation des pressions de formation à partir des propriétés de schiste dérivées du journal. J. Essence. Technol. 17, 1754 (1965).

Article Google Scholar

Matthews, WR & Kelly, J. Comment prédire la pression de formation et le gradient de fracture à partir de diagraphies électriques et sonores. Oil Gas J. (1967).

Pennebaker, ES Détection de formations à pression anormale à partir de données de champ sismique. dans la pratique du forage et de la production. 184–191. (Institut américain du pétrole, 1968).

Eaton, BA L'équation pour la prédiction de la géopression à partir des journaux de puits. https://doi.org/10.2118/5544-ms (Society of Petroleum Engineers (SPE), 1975).

Gardner, GHF, Gardner, LW & Gregory, AR Vitesse et densité de la formation—Les bases du diagnostic pour les pièges stratigraphiques. Géophysique 39, 770–780 (1974).

Annonces d'article Google Scholar

Bowers, GL Data : Prise en compte des mécanismes de surpression en plus du sous-compactage. Soc. Essence. Ing. (SPE) 27488, 89–95 (1995).

Google Scholar

López, JL, Rappold, PM, Ugueto, GA, Wieseneck, JB & Vu, CK Modèle intégré de terre partagée : prédiction de la pression interstitielle 3D et analyse de l'incertitude. Bord d'attaque (Tulsa, OK) 23, 52–59 (2004).

Article Google Scholar

Gutierrez, MA, Braunsdorf, NR & Couzens, BA Étalonnage et classement des modèles de prédiction de la pression interstitielle. Bord d'attaque (Tulsa, OK) 25, 1516-1523 (2006).

Article Google Scholar

Foster, JB & Whalen, HE Estimation des pressions de formation à partir de levés électriques—Au large de la Louisiane. SPE Réimpression Ser. 18, 57–63 (1966).

Google Scholar

Ham, HH Une méthode d'estimation des pressions de formation à partir des journaux de puits de la côte du golfe. Vol. 16. (1966).

Eaton, BA L'équation pour la prédiction de la géopression à partir des diagraphies de puits. One Petro https://doi.org/10.2118/5544-ms (1975).

Article Google Scholar

Eaton, BA L'effet de la contrainte du mort-terrain sur la prédiction de la géopression à partir des diagraphies de puits. J. Essence. Technol. 24, 929-934 (1972).

Article Google Scholar

Zhang, J. Prévision de la pression interstitielle à partir des diagraphies de puits : méthodes, modifications et nouvelles approches. Terre Sci. Rév. 108, 50–63 (2011).

Annonces d'article Google Scholar

Lang, J., Li, S. & Zhang, J. Modélisation de la stabilité des puits de forage et surveillance en temps réel pour le forage en eau profonde dans des plans de stratification faibles et des réservoirs épuisés. dans SPE/IADC Drilling Conference, Actes. Vol. 1. 145–162. (Société des ingénieurs pétroliers (SPE), 2011).

Bingham, MG Une nouvelle approche pour interpréter la forabilité des roches. Oil Gas J. (1965) (réimprimé).

Jorden, JR & Shirley, OJ Application des données de performance de forage à la détection de surpression. SPE Réimpression Ser. 18, 19–26 (1967).

Google Scholar

Rehm, B. & McClendon, R. Mesure de la pression de formation à partir des données de forage. https://doi.org/10.2118/3601-ms (Society of Petroleum Engineers (SPE), 1971).

Contreras, O., Hareland, G. & Aguilera, R. Une approche innovante pour la prédiction de la pression interstitielle et l'optimisation du forage dans un bassin anormalement sous-pressurisé. Perceuse SPE. Complet. 27, 531-545 (2012).

Article CAS Google Scholar

Kalogirou, SA L'intelligence artificielle pour la modélisation et le contrôle des procédés de combustion : un bilan. Programme. Combustion d'énergie. Sci. 29, 515-566 (2003).

Article CAS Google Scholar

Russell, SJ et Norvig, P. Intelligence artificielle : une approche moderne. 3e éd. (2016).

Mohaghegh, S. Applications de l'intelligence virtuelle en génie pétrolier : Partie I — Réseaux de neurones artificiels. J. Essence. Technol. 52, 64–73 (2000).

Article Google Scholar

Elsafi, SH Réseaux de neurones artificiels (ANN) pour la prévision des crues à la station Dongola sur le Nil, au Soudan. Alex. Ing. J. 53, 655–662 (2014).

Article Google Scholar

Doraisamy, H., Ertekin, T. & Grader, AS Paramètres clés contrôlant les performances des applications de neuro-simulation dans le développement sur le terrain. dans Actes de la réunion régionale annuelle de l'Ouest de la SPE. 233–241. https://doi.org/10.2118/51079-ms (Society of Petroleum Engineers (SPE), 1998).

Alsaihati, A., Elkatatny, S. & Abdulraheem, A. Prévision en temps réel de la densité de circulation équivalente pour les puits horizontaux à l'aide de machines intelligentes. ACS Oméga 6, 934–942 (2021).

Article CAS PubMed Google Scholar

Gamal, H., Abdelaal, A. & Elkatatny, S. Modèles d'apprentissage automatique pour la prédiction de la densité circulante équivalente à partir des données de forage. ACS Oméga 8, 4363 (2021).

Google Scholar

Gamal, H., Abdelaal, A., Alsaihati, A., Elkatatny, S. & Abdulraheem, A. Modèle de réseau neuronal artificiel pour prédire la densité de circulation équivalente à partir des paramètres de forage. (2021).

Abdelaal, A., Elkatatny, S. & Abdulraheem, A. Prévision de la pression de formation à partir des données de forage mécanique et hydraulique à l'aide de réseaux de neurones artificiels (OnePetro, 2021).

Google Scholar

Abdelaal, A., Elkatatny, S. & Abdulraheem, A. Approche de modélisation basée sur les données pour la prédiction du gradient de pression interstitielle lors du forage à partir des paramètres de forage. ACS Oméga https://doi.org/10.1021/acsomega.1c01340 (2021).

Article PubMed PubMed Central Google Scholar

Gamal, H., Elkatatny, S., Alsaihati, A. & Abdulraheem, A. Prédiction intelligente de la porosité de la roche lors du forage d'une lithologie complexe en temps réel. Calcul. Renseignement. Neurosci. 2021, 14 (2021).

Article Google Scholar

Abdelaal, A., Ibrahim, AF & Elkatatny, S. Approche basée sur les données pour la prédiction de la résistivité à l'aide de l'intelligence artificielle. J. Ressources énergétiques. Technol. 144, 103003 (2022).

Article CAS Google Scholar

Alsabaa, A. & Elkatatny, S. Amélioration du suivi des propriétés rhéologiques de la boue à base d'huile max-bridge à l'aide de réseaux de neurones artificiels. ACS Oméga 6, 15816–15826 (2021).

Article CAS PubMed PubMed Central Google Scholar

Abdelgawad, K., Elkatatny, S., Moussa, T., Mahmoud, M. & Patil, S. Détermination en temps réel des propriétés rhéologiques des fluides de forage à l'aide d'une technique d'intelligence artificielle hybride. J. Ressources énergétiques. Technol. Trans. ASME 141, 3 (2019).

Article CAS Google Scholar

Gowida, A., Elkatatny, S., Ramadan, E. & Abdulraheem, A. Cadre basé sur les données pour prédire les propriétés rhéologiques du fluide de forage à base de saumure CaCl2 à l'aide d'un réseau neuronal artificiel. Energies (Bâle) 12, 10 (2019).

Google Scholar

Gomaa, I., Elkatatny, S. & Abdulraheem, A. Détermination en temps réel des propriétés rhéologiques d'un fluide de forage hautement suréquilibré utilisé pour forer des puits de gaz ultra-profonds à l'aide d'un réseau de neurones artificiels. J. Nat. Gaz Sci. Ing. 77, 103224 (2020).

Article Google Scholar

Alsabaa, A., Gamal, H., Elkatatny, S. & Abdulraheem, A. Prédiction en temps réel des propriétés rhéologiques de la boue d'émulsion inverse à l'aide d'un système d'inférence neuro-floue adaptatif. Capteurs 20, 1669 (2020).

Article ADS CAS PubMed Central Google Scholar

Gowida, A., Elkatatny, S. & Gamal, H. Prédiction de la résistance à la compression non confinée (UCS) en temps réel lors du forage à l'aide d'outils d'intelligence artificielle. Calcul neuronal. Appl. https://doi.org/10.1007/s00521-020-05546-7 (2021).

Article Google Scholar

Mahmoud, A., Elkatatny, S., Chen, W. et Abdulraheem, A. Estimation du facteur de récupération de pétrole pour les réservoirs sablonneux à entraînement par l'eau grâce à des applications d'intelligence artificielle. Energies (Bâle) 12, 3671 (2019).

Article CAS Google Scholar

Ahmed, A., Elkatatny, S., Gamal, H. & Abdulraheem, A. Modèles d'intelligence artificielle pour la prédiction en temps réel de la densité apparente de la lithologie complexe verticale à l'aide des paramètres de forage. Arabe. J. Sci. Ing. https://doi.org/10.1007/S13369-021-05537-3 (2021).

Article Google Scholar

Gowida, A., Elkatatny, S. & Abdulraheem, A. Application d'un réseau de neurones artificiels pour prédire la densité apparente de la formation pendant le forage. Pétrophysique 60, 660–674 (2019).

Google Scholar

Fatehi, M. & Asadi, HH Modélisation de l'intégration des données appliquée à la planification des trous de forage par apprentissage semi-supervisé : une étude de cas du gisement de porphyre Dalli Cu-Au dans le centre de l'Iran. J. Afr. Terre Sc. 128, 147-160 (2017).

Article ADS CAS Google Scholar

Moazzeni, A. & Haffar, MA Intelligence artificielle pour l'identification de la lithologie grâce à des données de forage en temps réel. J. Terre Sci. Clim. Modification 06, 1–4 (2015).

Google Scholar

Zazoun, RS Estimation de la densité de fractures à partir de données de diagraphies de carottes et de puits conventionnels à l'aide de réseaux de neurones artificiels : réservoir cambro-ordovicien du champ pétrolifère de Mesdar, Algérie. J. Afr. Terre Sci. 83, 55–73 (2013).

Annonces d'article Google Scholar

Siddig, O. & Elkatatny, S. Flux de travail pour créer un profil continu de modules élastiques statiques à partir des données de forage à l'aide de techniques d'intelligence artificielle. J. Essence. Explorateur. Produit. Technol. 11, 3713–3722 (2021).

Article Google Scholar

Siddig, OM, Al-Afnan, SF, Elkatatny, SM & Abdulraheem, A. Approche basée sur les données de forage pour créer un profil de modules élastiques statiques continus utilisant des techniques d'intelligence artificielle. J. Ressources énergétiques. Technol. 144, 2 (2022).

Article Google Scholar

Ahmed, A., Elkatatny, S. & Alsaihati, A. Applications de l'intelligence artificielle pour la prédiction du coefficient de Poisson statique pendant le forage. Calcul. Renseignement. Neurosci. 2021, 10081 (2021).

Article Google Scholar

Siddig, O., Gamal, H., Elkatatny, S. & Abdulraheem, A. Application de différentes techniques d'intelligence artificielle dans la prédiction dynamique du coefficient de Poisson à l'aide de paramètres de forage. J. Ressources énergétiques. Technol. 144, 7 (2022).

Article Google Scholar

Siddig, O., Gamal, H., Elkatatny, S. & Abdulraheem, A. Prédiction en temps réel du coefficient de Poisson à partir des paramètres de forage à l'aide d'outils d'apprentissage automatique. Sci. Rép. 11, 1–13 (2021).

Article ADS CAS Google Scholar

Al-Abdul Jabbar, A., Elkatatny, S., Mahmoud, M. & Abdulraheem, A. Prédire les sommets de formation pendant le forage à l'aide de l'intelligence artificielle. dans Society of Petroleum Engineers-SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition 2018, SATS 2018. https://doi.org/10.2118/192345-ms (Society of Petroleum Engineers, 2018).

Li, W., Yan, T. & Liang, Y. Technologie de prédiction de la pression des couches profondes basée sur le réseau neuronal BP. dans la recherche sur les matériaux avancés. Vol. 143–144. 28–31. (Trans Tech Publications Ltd, 2010).

Hu, L. et al. Une nouvelle méthode de prédiction de la pression interstitielle et un réseau de neurones artificiels à rétropropagation. Électron. J. Geotech. Ing. 18, 4093–4107 (2013).

Google Scholar

Keshavarzi, R. & Jahanbakhshi, R. Prédiction en temps réel du gradient de pression interstitielle grâce à une approche d'intelligence artificielle : une étude de cas sur l'un des champs pétrolifères du Moyen-Orient. EUR. J. Environ. Civ. Ing. 17, 675–686 (2013).

Article Google Scholar

Aliouane, L., Ouadfeul, S.-A. & Boudella, A. Prévision de la pression interstitielle dans les réservoirs de gaz de schiste à l'aide d'un réseau de neurones et d'une logique floue avec une application à Barnett Shale. EGUGA 17, 2723 (2015).

Google Scholar

Rashidi, M. & Asadi, A. Une approche d'intelligence artificielle dans l'estimation de la pression interstitielle de la formation par des données de forage critiques. au 52e symposium américain sur la mécanique des roches et la géomécanique (2018).

Ahmed, A., Elkatatny, S., Ali, A., Mahmoud, M. & Abdulraheem, A. Nouveau modèle de prédiction de la pression interstitielle lors du forage à l'aide de réseaux de neurones artificiels. Arabe. J. Sci. Ing. 44, 6079–6088 (2018).

Article Google Scholar

Ahmed, A., Elkatatny, S., Ali, A. & Abdulraheem, A. Analyse comparative des techniques d'intelligence artificielle pour la prédiction de la pression de formation pendant le forage. Arabe. J. Géosci. 12, 7 (2019).

Article CAS Google Scholar

Thunder, M., Moore, DS & McCabe, GP Introduction à la pratique des statistiques. Mathématiques. Gaz. 79, 252 (1995).

Article Google Scholar

Dawson, R. Quelle est l'importance d'une valeur aberrante de boxplot ?. J. Stat. Éduc. 19, 2 (2011).

Article Google Scholar

Bourgoyne, JAT, Millheim, KK, Chenevert, ME & Young, JFS Applied Drilling Engineering. Vol. 2. (1986).

Head, AL Une classification de forabilité des formations géologiques. dans les actes du Congrès mondial du pétrole. Vol. 1951. 42–57. (OnePetro, 1951).

Mensa-Wilmot, G., Calhoun, B. & Perrin, VP Formation Drillability-Definition, Quantification and Contributions to Bit Performance Evaluation. https://doi.org/10.2118/57558-ms (Society of Petroleum Engineers (SPE), 1999).

Aghli, G., Moussavi-Harami, R., Mortazavi, S. & Mohammadian, R. Évaluation d'une nouvelle méthode d'estimation des paramètres de fracture à l'aide de diagraphies pétrophysiques conventionnelles et d'ANFIS dans les réservoirs hétérogènes carbonatés. J. Essence. Sci. Ing. 172, 1092-1102 (2019).

Article CAS Google Scholar

Télécharger les références

Les auteurs tiennent à remercier l'Université King Fahd du pétrole et des minéraux (KFUPM) pour avoir autorisé la publication de ce travail.

Cette recherche n'a reçu aucun financement externe.

College of Petroleum Engineering and Geosciences, King Fahd University of Petroleum and Minerals, Dhahran, 31261, Arabie saoudite

Ahmed Abdelaal, Salaheldin Elkatatny & Abdulazeez Abdulraheem

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

SE a supervisé les travaux et l'analyse des résultats. AA a réalisé la conception de la méthodologie et l'analyse des données. AAZ a également participé à la conception de la méthodologie et à l'analyse des résultats. Le manuscrit original a été écrit par AA et tous les auteurs ont participé à la révision et à l'édition du manuscrit.

Correspondance à Salaheldin Elkatatny.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Abdelaal, A., Elkatatny, S. & Abdulraheem, A. Prédiction en temps réel du gradient de pression de la formation pendant le forage. Sci Rep 12, 11318 (2022). https://doi.org/10.1038/s41598-022-15493-z

Télécharger la citation

Reçu : 14 avril 2022

Accepté : 24 juin 2022

Publié: 05 juillet 2022

DOI : https://doi.org/10.1038/s41598-022-15493-z

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Journal des technologies d'exploration et de production pétrolières (2023)

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.