本物

Scientific Reports volume 12、記事番号: 11318 (2022) この記事を引用

1874 アクセス

3 引用

メトリクスの詳細

正確なリアルタイム間隙水圧予測は、特に掘削作業において技術的かつ経済的に重要です。 その予測によりコストと時間を節約し、問題が発生する前に正しい決定を下すこともできます。 間隙水圧の予測に利用できる相関関係は、検層データ、地層特性、検層パラメータと掘削パラメータの組み合わせによって異なります。 この研究の目的は、人工ニューラル ネットワーク (ANN) と適応ニューロ ファジー推論システム (AFIS) を適用して、利用可能な掘削データを通じて地層の圧力勾配をリアルタイムで推定する 2 つのモデルを導入することです。 使用されるパラメータには、貫入速度 (ROP)、泥水流量 (Q)、スタンドパイプ圧力 (SPP)、および回転速度 (RS) が含まれます。 予測モデルの開発には、いくつかの垂直井戸から得られたデータセットが利用されました。 提案された人工知能 (AI) モデルを検証するために、別のデータ セットが利用されました。 どちらのモデルも、トレーニングとテストに対して良好な相関係数 (R) で出力を予測しました。 さらに、平均絶対パーセント誤差 (AAPE) は 2.1% を超えませんでした。 検証段階では、開発されたモデルは圧力勾配を高い精度で推定しました。 この研究は、掘削データを使用して掘削中の圧力勾配を推定するための提案されたモデルの信頼性を証明します。 さらに、ANN ベースの相関関係が提供され、掘削パラメータが利用可能な場合には、ANN モデルを実行する代わりに、最適化された重みとバイアスを導入することで直接使用できます。

地層圧力は、岩石の細孔空間内の流体によって発生します。 特定の深さでは、法線勾配は表面から対象点までの塩水柱の重量から始まります。 正常な傾向からの逸脱は異常として説明でき、正常未満または過剰圧力のいずれかになります1。 常圧は一定ではなく、溶解塩の量、流体の種類、ガスの存在、温度勾配によって異なります。 超常圧または過圧は通常の静水圧を超える地層圧力であり、準常圧は通常の圧力より低い圧力です。 超常現象は、追加の圧力源に加えて通常の圧力によって作成されます。 過剰な圧力は、地質学的、機械的、地球化学的、および複合的なさまざまな理由に起因すると考えられます2。 異常な圧力ゾーンは、キックやパンクなどの重大な技術的および経済的問題を引き起こす可能性があります。 常圧を下回る圧力は、循環の損失や差動パイプの固着を引き起こす可能性があり、その結果、追加のケーシングストリングが設置されることになります (掘削コストが高くなります)2。 正確なリアルタイムの地層圧力推定により、坑井経路とケーシングの設計が強化され、坑井の安定性解析が向上し、効果的な泥水プログラムが提供され、全体的な掘削コストが削減される可能性があります3,4。

地層圧力の推定は定量的または定性的に行うことができます。 これらの手法のほとんどは、正常な傾向線と観察された傾向線をグラフで比較して、異常な圧力ゾーンを示す可能性のある異常な変化を検出することに依存しています。 文献にある既存の技術では、坑井の丸太、地層の特性、掘削パラメータが利用されていました。 Hottman と Johnson5 は、圧力勾配と比抵抗比、または観測値と通常の傾向の間の音速移動時間の差を関係付けるクロス プロットを作成することにより、頁岩検層データに基づいて間隙圧力を初めて推定しました。 Matthews と Kelly6 は、ホットマンとジョンソンの相関関係に片対数スケールを使用しました。 Pennebaker7 は、Hottman と Johnson5 が利用した音速到達時間の差を音速到達時間比に置き換えました。 著者は、ホットマンとジョンソンのものと同様の X-Y 交差プロットから間隙水圧を推定しました。 この手法では、世界中の特定の岩石タイプに対して単一のトレンドラインを使用しましたが、これはすべての岩石タイプに当てはまらない可能性があります。 Eaton8 は、地層圧力と表土圧力勾配が対数由来の特性に影響を与えることを確認しました。 結果として、ホットマンとジョンソンの相関関係は、表土ストレス効果を含めるように拡張される必要があります。 Eaton8 は、頁岩層の圧力勾配を予測するための音響データに基づく経験的モデルを提案しました。

Gardner ら 9 は、Hottman と Johnson が使用したデータを分析し、表土圧力を考慮して地層圧力を推定する別の方法を導入しました。 Bowers10 は、有効応力と音速の間に力の関係が存在すると述べました。 著者は、出力方程式を整理し、有効応力を \(\left({\alpha }_{V}-間隙圧力\right)\) に置き換えた後、音速データを使用して地層圧力を推定しました。 シェルは、有効応力の方程式に「タウ」パラメータを導入することにより、タウ モデルと呼ばれる別の音ベースの予測手法を導入しました 11,12。 Foster と Whalen13 は、電気検層から地層圧力を推定するために、鉛直法である等価深度法を初めて使用しました。 さらに、Ham14 は音速、比抵抗、密度を用いた等価深度アプローチを利用して、メキシコ湾岸の坑井に必要な地層圧力と掘削流体の重量を予測しました。 Eaton 15,16 は、坑井検層を使用して頁岩内の圧力勾配を推定するために、抵抗率または導電率に基づく経験的モデルを導入しました。 この方法は、圧縮不足が過圧の主な原因である堆積盆地でかなり使用できます17,18。 間隙水圧の指標として ROP を単独で使用する場合の欠点に基づいて、ROP は、さまざまな掘削パラメータの変動を考慮して補正または正規化する必要があります。 Bingham19 は、ビット上の重量 (WOB)、RS、およびウェル直径の変動に対する ROP を補正する試みとして D 指数を提案しました。 Jorden と Shirley20 は、dexp と呼ばれる別の用語を導入することで、Bingham アプローチを修正することを提案しました。 Rehm と McClendon21 は、掘削流体の密度変化の影響を含めることで、ジョーデンとシャーリーの dexp を調整しました。 地層圧力はイートン法や比法などの直流値を用いて定量的に推定することができます。 Eaton15 と Contreras ら 22 は、補正された dexp グラフが抵抗率グラフに非常に類似していることを観察しました。 したがって、イートンは、推定直流値、法線直流値、表層圧と法線地層圧力の勾配を使用して、地層圧力勾配の予測モデルを開発しました。 比法は、上土圧を使用せずに、d 指数、比抵抗、または音響データから間隙圧力を推定する簡単な手法として提案されました 1。

AI は、高度な計算能力を使用して、人間の脳の知能を模倣して問題を解決するコンピューター プログラムを開発する工学科学です 23,24。 AI には、ANN、ANFIS、機能ネットワーク、サポート ベクター マシンなど、分類と予測において堅牢なパフォーマンスと高精度を示すさまざまな技術があります25。 AI は、工学、医学、経済、軍事のさまざまな分野で広く利用されています26。 AI は、複雑な問題を解決する能力があるだけでなく、それらを高精度で表現できるため、石油およびガス業界で広く適用されています27。 インテリジェントなモデルは、リアルタイムでの等価循環密度の推定 28,29,30、掘削中の間隙水圧推定 31,32、間隙率予測 33、比抵抗予測 34、泥レオロジー特性の予測 35,36,37,38,39、一軸圧縮強度の予測40、石油回収係数の推定41、かさ密度対数予測42,43、坑井計画44、岩石分類45、破壊密度推定46、静弾性係数の推定47,48、ポアソン比予測49,50,51、地層トップの予測52 。

地層圧力を推定するためにさまざまな AI 技術を適用した研究はほとんどありません。 Li ら 53 は、ANN を利用して、大慶市の Saertu 油田と Xingshugang 油田の地層圧力を推定しました。 著者らは、音速通過時間、ガンマ線 (GR)、自然電位、パイプ圧力などの入力パラメーターを含めました。 Hu ら 54 は、ANN を使用して間隙圧力を推定しました。 著者らは、深さ、密度、音の通過時間、GR などの入力を含めました。 Keshavarzi と Jahanbakhshi55 は、ニューラル ネットワークを適用してアスマリ フィールドの勾配を推定しました。 入力には、空隙率、透過性、密度、深さが含まれます。 Aliouane ら 56 は、シェールガス貯留層の坑井丸太から地層圧力を推定するために ANN モデルを導入しました。 Rashidi と Asadi57 は、機械的比エネルギーと掘削効率を利用して地層圧力を推定する ANN モデルを提案しました。 Ahmed ら 58 は、ANN を利用して、坑井ログと掘削データの組み合わせを含む 7 つの入力を使用して地層圧力の予測モデルを作成しました。 Ahmed et al.59 は、Ahmed et al.58 の研究で利用したのと同じ入力パラメータを使用して地層圧力を予測する 5 つの機械学習手法を比較しました。

文献で提供されているモデルでは一部の検層データが使用されていますが、掘削中の検層 (LWD) はすべての坑井で使用されるわけではないため、掘削中には利用できない場合があります。 たとえ LWD がドリルストリング内に存在するとしても、ドリルストリングはビットの数十フィート上に配置されており、貫通される地層の瞬間的な反応をリアルタイムで反映するものではありません。 他のモデルは、掘削中の使用を制限する記録データまたは実験室測定のいずれかから導出されたいくつかの貯留層特性を使用していました。 その動機は、すべての坑井で利用できるわけではない他のデータと組み合わせずに、利用可能な掘削データのみを使用して、掘削中に地層の圧力勾配をリアルタイムで予測する方法を開発することです。 そうすることで、掘削作業を技術的かつ経済的に強化する重要なパラメータを予測するためのコストを高くすることなく、利用可能な掘削データの利点を最大限に活用しています。 この研究の目標は、ANN と AFIS を使用して、追加コストなしで利用可能な掘削データを使用してリアルタイムで地層圧力勾配を予測するための 2 つのモデルを提案することです。 さらに、ANN ベースの相関関係が提供されており、それを直接使用して勾配を推定します。 開発された経験式とは異なり、この研究のモデルでは勾配を推定するために垂直圧力の傾向は必要ありません。

この方法論はデータ収集から始まり、次にデータのクリーニングとフィルタリングが続きます。 次に、データセットに関するさらなる洞察を得るためにデータ分析が実行されました。 その後、データセットが代表的なものであることを確認しながら、データをランダムに分割しました。 次の段階では、最初の実行用の初期モデル パラメーターを選択します。 パラメータが更新され、最良の結果が得られるまでこのプロセスが繰り返されました。 最適な結果が出たら、モデルのハイパーパラメータを抽出します。 最後に、予測モデルの開発には関与していないブラインド ホールドアウト データセットによってモデルが検証されました。 図 1 は、AI モデルを開発するためにこの作業で実行された方法論を簡単に示しています。

研究で実施された方法論のフローチャート。

約 3145 個のポイントを含む一連のデータが、同じエリアの垂直セクションから提供されました。 データのセットには、掘削データ、地層の圧力および深さが含まれていました。 掘削データはモデルに供給する入力として利用され、地層の圧力勾配を出力として予測しました。 これらの掘削データには、Q や SPP などの油圧データと、RS、ROP、トルク (T)、WOB などの機械データが含まれます。 これらの掘削データは、掘削中に地表または坑内で記録でき、貫通される地層とその流体含有量の影響を受けます。 現場データに対して統計分析が実行され、表 1 に示すように、データが広範囲の入力と出力をカバーしていることが示されました。正常および超正常の勾配値。 表 2 は、この研究で利用されたフィールドデータのサンプルを示しています。 各変数と他の変数の間の関係は、図2に示すようにRに関してテストされました。さらに、間隙圧力勾配を伴う各掘削パラメータのクロスプロットは、図3に示すように作成されました。

各入力と地層圧力勾配の間の R 値と、各 2 つの変数間の R 値を含む表。

圧力勾配とさまざまな掘削パラメータのクロスプロット。

AI では、データの品質は予測の品質と同じくらい重要です。 その結果、-999 値や NAN (非数値) などの代表的でない値が削除されることで、データ セットがクリーン化されました。 次に、分布の全体的なパターンの外側に位置する観測値である外れ値は、統計分析で重大な問題を引き起こす可能性があるため、削除する必要があります60。 人的エラーおよび/または機器のエラーにより外れ値が存在する可能性があります。 外れ値の検出は、Z スコア (標準偏差の一定数を超えて平均から離れた値を削除する) や箱ひげ図 (上限と下限を超えて位置する値を削除する) など、さまざまな方法で実行できます。データを 4 つの四分位に分割することによって決定されます)61。 入力の品質と信頼性は、記録された変数を機器の範囲やフィールド内のオフセット井戸内の同様の変数と比較するなど、さまざまな手法によってチェックされました。 さらに、出力は、選択された領域の地層の勾配の既知の傾向によって生成された地層の圧力勾配値と比較されました。 このチェックでは、記録された圧力と生成された圧力が良好に一致していることが示され、測定の信頼性が示されました。

地層の特性は、地層を掘削するためのインピーダンスを制御するため、地質柱の掘削可能性に影響します。 掘削データは、さまざまな地層を掘削する際に直面する抵抗を何らかの方法で反映している可能性があります。 回転速度とビットの重量は、地層の性質に基づいて調整できます62。 さらに、穴あけ中に発生する切粉は、良好な穴洗浄を確保するために必要なポンプの圧力と速度に影響を与えます。 以前のすべての掘削パラメータと地層タイプは、貫通速度の制御に重要な役割を果たします63,64。 その結果、掘削データは掘削された地層の性質、ひいてはその地層の圧力を何らかの形で反映することができます。 ROP は、掘削中に超常層を識別するための指標として使用できます。 ROP には WOB などの他の掘削変数の影響が含まれるため、これらのモデルの開発に ROP が組み込まれました。 さらに、RS には T の効果が間接的に含まれているため、モデルの構築に RS が利用されました。モデルを簡素化するために、2 つの機械的変数 (ROP と RS) が 2 つの油圧変数 (SPP と Q) とともに使用されました。

選択したデータセットの品質を確認した後。 取得されたデータは、トレーニングとテストのために 3:1 の比率で 2 つのグループに分割されました。 ANN モデルのハイパーパラメータ (ANN ハイパーパラメータで利用可能なさまざまなオプションのさまざまな組み合わせを含む) は、各パラメータごとに多くのシナリオをテストすることによって最適化されました。 各 ANN パラメータのさまざまなオプションと最適なオプションを表 3 に示します。R、決定係数 (R2)、および AAPE は、式 1、2、3 によって計算されました。 (1)、(2)、および (3) は補足付録 1 に示されています。最高の R、R2、および最小誤差 (RMSE、MSE、および AAPE) を提供するハイパーパラメーターが選択されています。 ニューロンの最適な数は、1 つの隠れ層のみを占める 10 個であることがわかりました。 このモデルは、トレーニング関数としてレーベンバーグ・マルカート アルゴリズム (trainlm) を備えた newcf ネットワークを使用して構築され、学習率 0.12 を使用して最適な重みとバイアスを取得しました。 入力層と隠れ層を結ぶ伝達関数としてログシグモイド型 (logsig) の活性化関数を、隠れ層と出力層を結ぶ線形型 (ピュアリン) の活性化関数を使用しました。 図 4 は、提案された ANN モデルの典型的な構造を示しています。

開発したANNの構造の概略図。

提案された ANN モデルは 3 つの層で構成されます。 最初の層には入力が含まれます。 2 番目の層にはニューロンとその重みとバイアスが含まれ、3 番目の層は出力層です。 モデルの入力パラメーターは、Q、ROP、SPP、および RS でした。 ANN モデルは、トレーニングとテストでそれぞれ 0.981 と 0.973 という高い R で地層圧力勾配を予測しました。 さらに、RMSE の範囲は 0.015 ～ 0.018 で、トレーニングとテストの AAPE は 2.22% を超えません。 トレーニングとテストで得られた結果を表 4 にまとめます。誤差 (予測 - 実際) ヒストグラムは、図 5 に示すように、ほとんどの予測値の誤差が - 0.02 ～ 0.02 psi/ft の範囲に非常に小さいことを示しています。図 6 に示すように、平均二乗誤差に対して監視され、エポック 48 で最良の検証が行われました。図 7 は、推定値と記録された目標値のクロス プロットを示し、45° ラインと一致する点を示しています。 図 8 に示すように、記録された目標値と予測された目標値が同じプロット上にグラフ化され、選択された間隔による変動が観察され、高い推定精度が示されました。

開発されたANNモデルの誤差ヒストグラム。

MSE に関するトレーニング パフォーマンスは、エポック 48 で最高の検証を示しています。

推定された目標値と記録された目標値のクロスプロット (A) トレーニング、および (B) テスト (ANN モデル)。

地層圧力勾配プロファイル (A) トレーニング、および (B) テスト (ANN モデル)。

重みとバイアスは、表 5 にリストされている最適化された ANN モデルから抽出され、利用可能な掘削パラメーターから間隙水圧勾配を予測するための経験式を提供します。 正規化された形式で展開された方程式は、式 1 で与えられます。 (1) であり、式 (1) で与えられるように、入力パラメータが -1 から 1 の範囲になるように正規化段階の後に利用することができます。 (2)。

ここで、\({Pg}_{n}\) は正規化された \(Pg\)、\(N\) はニューロンの数、つまり 10、\({w}_{{1}_{i}}\ ) は入力層と隠れ層の間の各特徴に関連付けられた重みです。 \({w}_{{2}_{i}}\) は隠れ層と出力層の間の各特徴に関連付けられた重みです。 \( {b}_{{1}_{i}}\) は隠れ層の各ニューロンに付加されるバイアス、\({b}_{2}\) は出力層のバイアスです。

ここで、 \({Y}_{{i}_{nor}}\) は変数 \(Y\) の正規化された値、 \({Y}_{\mathrm{i}}\) は変数 \(Y\) の値です。点 i における変数 \(Y\)、\({Y}_{i min}\) は変数 \(Y\) の最小値、\({Y}_{i max}\) は最大値変数 \(Y\) の。 データ正規化に使用された各パラメーターの最小値と最大値を表 6 に示します。

入力ドリルパラメータを \({\mathrm{PR}}_{\mathrm{n}}, {\mathrm{SPP}}_{\mathrm{n}}, {\mathrm{RS}}_{\ に正規化しますmathrm{n}} {\mathrm{and ROP}}_{\mathrm{n}}\) を使用して式を使用します。 (2) および表 6 の統計データ。

式 1 を使用して、出力 \({Pg}_{n}\) の正規化された値を計算します。 (1)、および最適な重みとバイアスを表 5 に示します。入力データは、ポンプ速度 (GPM)、SPP (psi)、回転速度 (RPM)、および ROP (ft/h) のように順序付けする必要があります。単位。

得られた \({Pg}_{n}\) は、式 (1) によって実際の \(\mathrm{Pg}\) 値に非正規化されます。 (3):

ここで、 \({\mathrm{Pg}}_{\mathrm{n}}\) は展開された相関によって推定された正規化された \(\mathrm{Pg}\) であり、 \(\mathrm{Pg}\) は実際の値 (psi/ft)。

石油工学における AFIS の適用は、予測ツールとして高い信頼性を示しました65。 モデルを取得するために、グリッド パーティショニングを使用する Genfis 1 とサブトラクティブ クラスタリングを使用する Genfis 2 の両方がテストされました。 Genfis 2 は Genfis 1 と比較してより良い結果を提供したため、ANFIS モデルは減算的クラスタリング手法によって作成されました。 最適化プロセスには、クラスター半径サイズと反復回数のさまざまな組み合わせの使用が含まれます。 このモデルは、クラスタ半径 0.2、反復 400 回の Sugeno-Fis タイプを使用して構築され、最良の結果が得られました。 AFIS モデルは、トレーニングとテストに対して 0.98 および 0.97 という高い R でターゲットを予測しました。 さらに、トレーニングおよびテストでは、RMSE は約 0.02 psi/ft で、AAPE は 2.1% を超えません。 トレーニングとテストで得られた結果を表 7 にまとめます。図 9 は、予測された目標値と記録された目標値のクロス プロットを示し、45 度の線と一致する点を示しています。 図 10 に示すように、記録値と推定値を同じプロット上にグラフ化して、選択した間隔に沿った変動を観察しました。これは、高い予測精度を示しています。

AFIS モデルのクロスプロット (A) トレーニング、(B) テスト。

地層圧力勾配プロファイル (A) トレーニング、および (B) テスト (AFIS モデル)。

提案された ANN モデルと AFIS モデルは、モデルの開発には関与していないブラインド ホールドアウト データ セットを使用して検証されました。 同じフィールドからのデータセット (92 ポイント) が収集されてモデルに入力され、記録された圧力勾配値と推定された圧力勾配値が比較されました。 モデルは、掘削データのプロファイルを使用して、ターゲットの連続プロファイルを提供しました。 ANN と AFIS は両方とも、検証のために記録された目標値と推定された目標値の間の約 0.99 という高い R で目標を予測しました。 さらに、RMSE は約 0.01 psi/ft で、AAPE は 2 つのモデルで 1.63% を超えませんでした。 図 11 は、予測された目標値と記録された目標値のクロス プロットを示しており、45 度の線と一致する点を示しています。 提案されたモデルは、トレーニング段階には含まれていないテストおよび検証データセットを使用してテストした場合、適度に良好なパフォーマンスを示しました。

検証段階 (A) ANN、および (B) AFIS のクロスプロット。

この研究では、利用可能な地表掘削データを使用して掘削中に AI を使用して地層の圧力勾配を推定する新しい方法が導入されました。 文献で開発された経験的モデルとは異なり、開発されたモデルは地層圧力を予測するために正規の傾向を必要としません。 開発されたモデルは、任意の自動掘削システムと統合して、低コストで掘削中の圧力勾配を推定できます。 さらに、時間のかかる掘削の問題を発生前に予測して最小限に抑え、非生産的な時間を削減する可能性があります。 このツールは、掘削および事前掘削設計中の掘削作業を技術的かつ経済的に改善し、正しい決定を下し、キック、噴出、循環損失などの起こり得る問題を回避できます。 この作業の結果は次のようにリストできます。

ANN モデルの最適なパラメーターは、10 個のニューロンを含む 1 つの隠れ層、学習率 0.12 のトレーニング関数としてレーベンバーグ・マルカート アルゴリズム (trainlm) を使用する newcf ネットワーク、および伝達関数としての対数シグモイドです。

減算的クラスタリングに基づく AFIS モデルの最適パラメータは、クラスタ半径 0.2、反復回数 400 回です。

提案されたモデルは、R が約 0.975、RMSE が約 0.018 psi であることが示すように、間隙圧力勾配を妥当な精度で予測できます。

ANN モデルを実行する代わりに、掘削パラメータが利用可能な場合は常に、最適な重みとバイアスを導入することで、ANN ベースの相関関係を直接利用できます。

圧力勾配

人工ニューラルネットワーク

適応型ネットワークベースのファジー干渉システム

相関係数

平均絶対パーセント誤差

人工知能

ファジィ推論システム

決定係数

平均二乗誤差

ビットにかかる重量

回転速度（毎分回転数）

浸透率

ガロン/分

スタンドパイプ圧力

トルク

関数フィッティングニューラルネットワーク

フィッティングネットワークの作成

カスケードフォワードバックプロパゲーションネットワークの作成

Elman バックプロパゲーション ネットワークを作成する

レイヤーリカレントネットワーク

分散型時間遅延ニューラル ネットワークを作成する

フィードフォワード逆伝播ネットワークの作成

パターン認識ネットワークの作成

フィードフォワード入力遅延逆伝播ネットワークを作成する

ベイズ正則化

ワンステップセカントバックプロパゲーション

レーベンバーグ・マルカート逆伝播

BFGS 準ニュートン逆伝播

運動量と適応学習ルール逆伝播を使用した勾配降下法

双曲線正接シグモイド伝達関数

ログシグモイド伝達関数

ハードリミット伝達関数

線形伝達関数

ソフトマックス伝達関数

三角基底伝達関数

飽和線形伝達関数

逆伝達関数

動径基底伝達関数

入力層バイアス

出力層バイアス

入力と隠れ層をリンクする重み

出力層と隠れ層をリンクする重み

隠れ層の各ニューロンのインデックス

正規化された値

Mouchet, JP & Mitchell, A. 掘削中の異常な圧力 (エルフ アキテーヌ、1989)。

Google スカラー

Rabia, H. 井戸エンジニアリングおよび建設 Hussain Rabia (Entrac Consulting、2002)。

Google スカラー

Tingay、MRP、Hillis、RR、Swarbrick、RE、Morley、CK & Damit、AR ブルネイのバラム県における過圧と間隙水圧の予測の起源。 午前。 准教授ガソリン。 ゲオル。 ブル。 93、51–74 (2009)。

Google スカラー

メリーランド州ゾーバック貯水池の地質学。 貯留層の地質力学。 https://doi.org/10.1017/CBO9780511586477 (ケンブリッジ大学出版局、2007)。

Hottman, CE & Johnson, RK 丸太由来の頁岩特性からの地層圧力の推定。 Ｊ．ペトロール． テクノロジー。 1754 年 (1965 年) の 17 日。

記事 Google Scholar

Matthews, WR & Kelly, J. 電気ログと音響ログから地層圧力と破壊勾配を予測する方法。 石油ガス J. (1967)。

Pennebaker、ES 地震場データからの異常圧力地層の検出。 掘削と生産の実践。 184–191。 （アメリカ石油協会、1968年）。

バージニア州イートン 坑井の丸太からの地圧予測の方程式。 https://doi.org/10.2118/5544-ms (石油技術者協会 (SPE)、1975 年)。

Gardner、GHF、Gardner、LW & Gregory、AR 地層の速度と密度 - 層序トラップの診断の基本。 地球物理学 39、770–780 (1974)。

記事 ADS Google Scholar

Bowers、GL データ : 過小圧縮以外の過圧メカニズムを説明します。 社会ガソリン。 工学 (SPE) 27488、89–95 (1995)。

Google スカラー

López, JL、Rappold, PM、Ugueto, GA、Wieseneck, JB & Vu, CK 統合された共有地球モデル: 3D 間隙水圧予測と不確実性解析。 Leading Edge (オクラホマ州タルサ) 23、52–59 (2004)。

記事 Google Scholar

マサチューセッツ州グティエレス、NR州ブラウンスドルフ、BA州カウゼンス 間隙水圧予測モデルのキャリブレーションとランキング。 Leading Edge (オクラホマ州タルサ) 25、1516–1523 (2006)。

記事 Google Scholar

JB フォスター & HE ホエーレン 電気探査による地層圧力の推定 — ルイジアナ沖。 SPE 再版シリーズ 18、57–63 (1966)。

Google スカラー

Ham, HH メキシコ湾岸の坑井丸太から地層圧力を推定する方法。 Vol. 16. (1966)。

バージニア州イートン 坑井の丸太からの地圧予測の方程式。 OnePetro https://doi.org/10.2118/5544-ms (1975)。

記事 Google Scholar

バージニア州イートン 坑井の丸太からの地圧予測に対する表層応力の影響。 Ｊ．ペトロール． テクノロジー。 24、929–934 (1972)。

記事 Google Scholar

Zhang, J. 坑井ログからの間隙水圧予測: 方法、修正、および新しいアプローチ。 地球科学改訂 108、50–63 (2011)。

記事 ADS Google Scholar

Lang, J.、Li, S.、および Zhang, J. 脆弱な地層面や枯渇した貯留層への深海掘削のための坑井安定性モデリングとリアルタイム監視。 SPE/IADC 掘削会議、議事録。 Vol. 1. 145–162。 (石油技術者協会 (SPE)、2011)。

MG、ビンガム 岩石の掘削可能性を解釈するための新しいアプローチ。 石油ガス J. (1965) (再版)。

JR ジョーデンとオハイオ州シャーリー 掘削パフォーマンスデータの過圧検出への応用。 SPE 再版シリーズ 18、19–26 (1967)。

Google スカラー

Rehm, B. & McClendon, R. 掘削データからの地層圧力の測定。 https://doi.org/10.2118/3601-ms (石油技術者協会 (SPE)、1971 年)。

Contreras, O.、Hareland, G. & Aguilera, R. 異常に減圧された盆地における間隙水圧予測と掘削最適化のための革新的なアプローチ。 SPEドリル。 完了。 27、531–545 (2012)。

記事 CAS Google Scholar

カロギロウ、SA 燃焼プロセスのモデリングと制御のための人工知能: レビュー。 プログレ。 エネルギー燃焼。 科学。 29、515–566 (2003)。

記事 CAS Google Scholar

Russell, SJ & Norvig, P. 人工知能: 現代的なアプローチ。 第3版 （2016年）。

Mohaghegh, S. 石油工学における仮想インテリジェンス アプリケーション: パート I - 人工ニューラル ネットワーク。 Ｊ．ペトロール． テクノロジー。 52、64–73 (2000)。

記事 Google Scholar

エルサフィ、SH スーダンのナイル川のドンゴラ基地で洪水予測を行う人工ニューラル ネットワーク (ANN)。 アレックス。 工学 J. 53、655–662 (2014)。

記事 Google Scholar

Doraisamy, H.、Ertekin, T.、Grader, AS フィールド開発におけるニューロ シミュレーション アプリケーションのパフォーマンスを制御する主要なパラメーター。 SPE年次西部地域会議の議事録。 233–241。 https://doi.org/10.2118/51079-ms (石油技術者協会 (SPE)、1998 年)。

Alsaihati, A.、Elkatatny, S.、Abdulraheem, A. インテリジェント マシンを使用した、水平井戸の等価循環密度のリアルタイム予測。 ACS オメガ 6、934–942 (2021)。

論文 CAS PubMed Google Scholar

Gamal, H.、Abdelaal, A.、Elkatatny, S. 掘削データからの等価循環密度予測のための機械学習モデル。 ACS オメガ 8、4363 (2021)。

Google スカラー

Gamal, H.、Abdelaal, A.、Alsaihati, A.、Elkatatny, S. & Abdulraheem, A. 掘削パラメータから等価循環密度を予測するための人工ニューラル ネットワーク モデル。 （2021年）。

Abdelaal, A.、Elkatatny, S.、および Abdulraheem, A. 人工ニューラル ネットワークを使用した機械および油圧掘削データからの地層圧力予測 (OnePetro、2021)。

Google スカラー

Abdelaal, A.、Elkatatny, S.、Abdulraheem, A. 掘削パラメータから掘削中の間隙水圧勾配を予測するためのデータ駆動型モデリング アプローチ。 ACS オメガ https://doi.org/10.1021/acsomega.1c01340 (2021)。

記事 PubMed PubMed Central Google Scholar

Gamal, H.、Elkatatny, S.、Alsaihati, A.、Abdulraheem, A. 複雑な岩質をリアルタイムで掘削しながら、岩石の多孔性をインテリジェントに予測します。 計算します。 知性。 神経科学。 2021年14月（2021年）。

記事 Google Scholar

Abdelaal, A.、Ibrahim, AF、Elkatatny, S. 人工知能を使用した抵抗率予測のためのデータ駆動型アプローチ。 J. エネルギー資源。 テクノロジー。 144、103003 (2022)。

記事 CAS Google Scholar

Alsabaa, A. & Elkatatny, S. 人工ニューラル ネットワークを使用した、マックスブリッジ油ベースの泥のレオロジー特性の追跡を改善しました。 ACS オメガ 6、15816–15826 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Abdelugad, K.、Elkatatny, S.、Moussa, T.、Mahmoud, M.、Patil, S. ハイブリッド人工知能技術を使用したスパッド掘削液のレオロジー特性のリアルタイム測定。 J. エネルギー資源。 テクノロジー。 トランス。 ASME 141、3 (2019)。

記事 CAS Google Scholar

Gowida, A.、Elkatatny, S.、Ramadan, E.、Abdulraheem, A. 人工ニューラル ネットワークを使用して、CaCl2 ブラインベースのドリルイン流体のレオロジー特性を予測するデータ駆動型フレームワーク。 エネルギー (バーゼル) 12、10 (2019)。

Google スカラー

Gomaa, I.、Elkatatny, S.、Abdulraheem, A. 人工ニューラル ネットワークを使用した、超深部ガス井の掘削に使用される高オーバーバランス掘削流体のレオロジー特性のリアルタイム測定。 J.ナット。 ガス科学工学 77、103224 (2020)。

記事 Google Scholar

Alsabaa, A.、Gamal, H.、Elkatatny, S.、Abdulraheem, A. 適応ニューロファジー推論システムを使用した、逆エマルジョン泥のレオロジー特性のリアルタイム予測。 センサー 20、1669 (2020)。

論文 ADS CAS PubMed Central Google Scholar

Gowida, A.、Elkatatny, S.、Gamal, H. 人工知能ツールを使用した掘削中のリアルタイムの一軸圧縮強度 (UCS) 予測。 ニューラルコンピューティング。 応用 https://doi.org/10.1007/s00521-020-05546-7 (2021)。

記事 Google Scholar

Mahmoud, A.、Elkatatny, S.、Chen, W.、Abdulraheem, A. 人工知能の応用による水駆動砂質貯留層の石油回収率の推定。 エネルギー (バーゼル) 12、3671 (2019)。

記事 CAS Google Scholar

Ahmed, A.、Elkatatny, S.、Gamal, H.、Abdulraheem, A. 掘削パラメーターを使用した、垂直方向の複雑な岩盤のリアルタイムのかさ密度予測のための人工知能モデル。 アラブ。 J.Sci. 工学 https://doi.org/10.1007/S13369-021-05537-3 (2021)。

記事 Google Scholar

Gowida, A.、Elkatatny, S.、Abdulraheem, A. 掘削中の地層のかさ密度を予測するための人工ニューラル ネットワークのアプリケーション。 岩石物理学 60、660–674 (2019)。

Google スカラー

Fatehi, M. & Asadi, HH データ統合モデリングを半教師あり学習を通じて掘削孔計画に適用: イラン中央部のダリ Cu-Au 斑岩鉱床のケーススタディ。 Ｊ．Ａｆｒ． 地球科学 128、147–160 (2017)。

記事 ADS CAS Google Scholar

Moazzeni, A. & Haffar, MA リアルタイムの掘削データを通じて岩石を識別するための人工知能。 J. アース サイエンス登る。 06、1–4 (2015) を変更します。

Google スカラー

Zazoun, RS 人工ニューラル ネットワークを使用したコアおよび従来型坑井のログ データからの破壊密度推定: アルジェリア、メスダール油田のカンブロ オルドビス紀の貯留層。 Ｊ．Ａｆｒ． 地球科学 83、55–73 (2013)。

記事 ADS Google Scholar

Siddig, O. & Elkatatny, S. 人工知能技術を使用して掘削データから連続静的弾性率プロファイルを構築するワークフロー。 Ｊ．ペトロール． 探検してください。 製品。 テクノロジー。 11、3713–3722 (2021)。

記事 Google Scholar

Siddig, OM、Al-Afnan, SF、Elkatatny, SM & Abdulraheem, A. 人工知能技術を利用して連続静的弾性率プロファイルを構築するための掘削データベースのアプローチ。 J. エネルギー資源。 テクノロジー。 144、2 (2022)。

記事 Google Scholar

Ahmed, A.、Elkatatny, S.、Alsaihati, A. 掘削中の静的ポアソン比予測のための人工知能のアプリケーション。 計算します。 知性。 神経科学。 2021年10081（2021年）。

記事 Google Scholar

Siddig, O.、Gamal, H.、Elkatatny, S.、Abdulraheem, A. 掘削パラメータを使用した動的ポアソン比予測にさまざまな人工知能技術を適用します。 J. エネルギー資源。 テクノロジー。 144、7 (2022)。

記事 Google Scholar

Siddig, O.、Gamal, H.、Elkatatny, S.、Abdulraheem, A. 機械学習ツールを使用した掘削パラメーターからのポアソン比のリアルタイム予測。 科学。 議員第 11 号、1–13 (2021)。

記事 ADS CAS Google Scholar

Al-Abdul Jabbar, A.、Elkatatny, S.、Mahmoud, M.、Abdulraheem, A. 人工知能を使用して掘削中にフォーメーションの頂点を予測します。 石油技術者協会-サウジアラビア王国 SPE 年次技術シンポジウムおよび展示会 2018、SATS 2018 で受賞。 https://doi.org/10.2118/192345-ms (石油技術者協会、2018)。

Li, W.、Yan, T. & Liang, Y. BP ニューラル ネットワークに基づく深層層の圧力予測技術。 先端材料研究の博士号を取得。 Vol. 143-144。 28〜31。 (Trans Tech Publications Ltd、2010)。

Hu、L.ら。 新しい間隙水圧予測法 - バックプロパゲーション人工ニューラルネットワーク。 電子。 J. ジオテック。 工学 18、4093–4107 (2013)。

Google スカラー

Keshavarzi, R. & Jahanbakhshi, R. 人工知能アプローチによる間隙水圧勾配のリアルタイム予測: 中東の油田の 1 つでのケーススタディ。 ユーロ。 Ｊ．Ｅｎｖｉｒｏｎ． 文明工学 17、675–686 (2013)。

記事 Google Scholar

Aliouane、L.、Ouadfeul、S.-A. & Boudella, A. ニューラル ネットワークとファジィ ロジックを使用した、バーネット シェールへのアプリケーションによるシェール ガス貯留層の間隙水圧の予測。 エグガ 17、2723 (2015)。

Google スカラー

Rashidi, M. & Asadi, A. 重要な掘削データによる地層間隙圧力の推定における人工知能アプローチ。 第52回米国岩石力学/地盤力学シンポジウム（2018年）。

Ahmed, A.、Elkatatny, S.、Ali, A.、Mahmoud, M.、Abdulraheem, A. 人工ニューラル ネットワークを使用した掘削中の間隙水圧予測の新しいモデル。 アラブ。 J.Sci. 工学 44、6079–6088 (2018)。

記事 Google Scholar

Ahmed, A.、Elkatatny, S.、Ali, A.、Abdulraheem, A. 掘削中の地層圧力予測のための人工知能技術の比較分析。 アラブ。 Ｊ．Ｇｅｏｓｃｉ． 12、7 (2019)。

記事 CAS Google Scholar

サンダー、M.、ムーア、DS、マッケイブ、GP 統計の実践への入門。 数学。 ガズ。 79、252 (1995)。

記事 Google Scholar

Dawson, R. 箱ひげ図の外れ値はどの程度重要ですか? J.Stat. 教育する。 19、2 (2011)。

記事 Google Scholar

Bourgoyne、JAT、Millheim、KK、Chenevert、ME & Young、JFS 応用掘削エンジニアリング。 Vol. 2. (1986)。

Head、AL 地層の掘削可能性の分類。 世界石油会議議事録にて。 Vol. 1951. 42–57. （ワンペトロ、1951年）。

Mensa-Wilmot, G.、Calhoun, B. & Perrin、VP 形成ドリル能力の定義、定量化、およびビット性能評価への貢献。 https://doi.org/10.2118/57558-ms (石油技術者協会 (SPE)、1999 年)。

Aghli, G.、Moussavi-Harami, R.、Mortazavi, S.、Mohammadian, R. 炭酸塩不均一貯留層における従来の岩石物理学ログと AFIS を使用した破壊パラメータの新しい推定方法の評価。 Ｊ．ペトロール． 科学。 工学 172、1092–1102 (2019)。

記事 CAS Google Scholar

リファレンスをダウンロードする

著者らは、この研究の出版を許可してくれたキング・ファハド石油鉱物資源大学 (KFUPM) に感謝したいと思います。

この研究には外部からの資金提供はありませんでした。

College of Petroleum Engineering and Geosciences、キング・ファハド石油鉱物資源大学、ダーラン、31261、サウジアラビア

アーメド・アブデラール、サラヘルディン・エルカタトニー、アブドゥルゼーズ・アブドゥルラヒーム

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

SE が作業と結果の分析を監督しました。 AA は方法論とデータ分析の設計を実施しました。 AAZ は方法論の設計と結果の分析にも参加しました。 元の原稿は AA によって書かれ、著者全員が原稿の改訂と編集に参加しました。

サラヘルディン・エルカタトニーへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Abdelaal, A.、Elkatatny, S.、Abdulraheem, A. 掘削中の地層圧力勾配のリアルタイム予測。 Sci Rep 12、11318 (2022)。 https://doi.org/10.1038/s41598-022-15493-z

引用をダウンロード

受信日: 2022 年 4 月 14 日

受理日: 2022 年 6 月 24 日

公開日: 2022 年 7 月 5 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

石油探査生産技術ジャーナル (2023)

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。