چگونه می توان ارزیابی مدل های ROP بیت PDC و تاثیر مقاومت سنگ بر ضرایب مدل را دانست؟

چکیده

شرایط کنونی قیمت پایین نفت تاکید بر بهینه سازی حفاری را به منظور صرفه جویی در زمان حفاری چاه های نفت و گاز و کاهش هزینه های عملیاتی تجدید کرده است. مدل‌سازی نرخ نفوذ (ROP) یک ابزار کلیدی در بهینه‌سازی پارامترهای حفاری، یعنی وزن بیت و سرعت چرخشی برای فرآیندهای حفاری سریع‌تر است. این کار با یک ابزار جدید تجسم داده‌های تمام خودکار و مدل‌سازی ROP توسعه‌یافته در Excel VBA، ROPPlotter، عملکرد مدل و تأثیر مقاومت سنگ بر ضرایب مدل دو مدل مختلف PDC Bit ROP را بررسی می‌کند: Hareland و Rampersad (1994) و مطهری. و همکاران (2010). این دو تا بیت PDC مدل‌ها با یک مورد پایه، رابطه ROP کلی که توسط بینگهام (1964) در سه سازنده ماسه‌سنگ مختلف در بخش عمودی یک چاه افقی شیل باکن ایجاد شده است، مقایسه می‌شوند. برای اولین بار، تلاشی برای جداسازی اثر تغییر استحکام سنگ بر ضرایب مدل ROP با بررسی سنگ‌شناسی با پارامترهای حفاری مشابه انجام شده است. علاوه بر این، یک بحث جامع در مورد اهمیت انتخاب مرزهای ضرایب مدل مناسب انجام شده است. استحکام سنگ، که در مدل‌های هارلند و مطهری به حساب می‌آید، اما در مدل بینگام نه، منجر به مقادیر بالاتری از ضرایب مدل ضریب ثابت برای مدل‌های قبلی، علاوه بر افزایش توان ترم RPM برای مدل مطهری می‌شود. مدل Hareland و Rampersad نشان داده شده است که بهترین عملکرد را در بین سه مدل با این مجموعه داده خاص دارد. اثربخشی و کاربرد مدل‌سازی ROP سنتی زیر سؤال می‌رود، زیرا چنین مدل‌هایی بر مجموعه‌ای از ضرایب تجربی تکیه می‌کنند که تأثیر بسیاری از عوامل حفاری را که در فرمول‌بندی مدل در نظر گرفته نشده‌اند را در بر می‌گیرد و منحصر به یک سنگ‌شناسی خاص است.

مقدمه

بیت های PDC (پلی کریستالی الماس فشرده) نوع بیت غالبی هستند که امروزه در حفاری چاه های نفت و گاز مورد استفاده قرار می گیرند. عملکرد بیت معمولاً با نرخ نفوذ (ROP) اندازه گیری می شود، که نشان دهنده سرعت حفر چاه بر حسب طول سوراخ حفر شده در واحد زمان است. بهینه‌سازی حفاری برای دهه‌ها در خط مقدم برنامه‌های شرکت‌های انرژی بوده است و در شرایط فعلی قیمت نفت اهمیت بیشتری پیدا می‌کند (هارلند و رامپرساد، 1994). اولین گام در بهینه سازی پارامترهای حفاری برای تولید بهترین ROP ممکن، توسعه یک مدل دقیق مربوط به اندازه گیری های به دست آمده از سطح به سرعت حفاری است.

چندین مدل ROP، از جمله مدل هایی که به طور خاص برای یک نوع بیت خاص توسعه یافته اند، در ادبیات منتشر شده اند. این مدل‌های ROP معمولاً حاوی تعدادی ضرایب تجربی هستند که وابسته به سنگ‌شناسی هستند و ممکن است درک رابطه بین پارامترهای حفاری و نرخ نفوذ را مختل کنند. هدف از این مطالعه تجزیه و تحلیل عملکرد مدل و چگونگی پاسخ ضرایب مدل به داده های میدانی با پارامترهای مختلف حفاری، به ویژه مقاومت سنگ، برای دو است.بیت PDC مدل ها (هارلند و رامپرساد، 1373، مطهری و همکاران، 1389). ضرایب و عملکرد مدل نیز با یک مدل ROP موردی پایه (بینگهام، 1964) مقایسه می‌شوند، یک رابطه ساده‌سازی شده که به عنوان اولین مدل ROP به طور گسترده در سراسر صنعت استفاده می‌شود و هنوز هم در حال استفاده است. داده‌های میدان حفاری در سه سازنده ماسه‌سنگ با استحکام سنگ‌های مختلف بررسی شده و ضرایب مدل برای این سه مدل محاسبه و با یکدیگر مقایسه می‌شوند. فرض بر این است که ضرایب مدل‌های هارلند و مطهری در هر سازند سنگی دامنه وسیع‌تری نسبت به ضرایب مدل بینگهام خواهد داشت، زیرا استحکام سنگ متغیر به صراحت در فرمول اخیر در نظر گرفته نشده است. عملکرد مدل نیز ارزیابی می‌شود که منجر به انتخاب بهترین مدل ROP برای منطقه شیل باکن در داکوتای شمالی می‌شود.

مدل‌های ROP موجود در این کار شامل معادلات غیرقابل انعطافی است که چند پارامتر حفاری را به سرعت حفاری مرتبط می‌کند و شامل مجموعه‌ای از ضرایب تجربی است که تأثیر مکانیسم‌های حفاری سخت‌تر مدل‌سازی را ترکیب می‌کند، مانند هیدرولیک، اندرکنش برش سنگ، بیت. طراحی، ویژگی های مونتاژ سوراخ پایین، نوع گل و تمیز کردن سوراخ. اگرچه این مدل‌های ROP سنتی معمولاً در مقایسه با داده‌های میدانی عملکرد خوبی ندارند، اما یک پله مهم برای تکنیک‌های مدل‌سازی جدیدتر فراهم می‌کنند. مدل‌های مدرن، قدرتمندتر و مبتنی بر آمار با افزایش انعطاف‌پذیری می‌توانند دقت مدل‌سازی ROP را بهبود بخشند. گاندلمن (2012) با استفاده از شبکه‌های عصبی مصنوعی به جای مدل‌های ROP سنتی در چاه‌های نفت در حوضه‌های پیش نمک در ساحل برزیل، پیشرفت قابل‌توجهی در مدل‌سازی ROP گزارش کرده است. شبکه‌های عصبی مصنوعی نیز با موفقیت برای پیش‌بینی ROP در آثار Bilgesu و همکاران استفاده می‌شوند. (1997)، موران و همکاران. (1389) و اسماعیلی و همکاران. (2012). با این حال، چنین بهبودی در مدل‌سازی ROP به قیمت تفسیرپذیری مدل تمام می‌شود. بنابراین، مدل‌های ROP سنتی هنوز مرتبط هستند و روش مؤثری برای تجزیه و تحلیل چگونگی تأثیر یک پارامتر حفاری خاص بر نرخ نفوذ ارائه می‌دهند.

ROPPlotter، یک نرم افزار تجسم داده های میدانی و مدل سازی ROP است که در Microsoft Excel VBA (Soares، 2015) توسعه یافته است، در محاسبه ضرایب مدل و مقایسه عملکرد مدل استفاده می شود.