چگونه می‌توان از ارزیابی مدل‌های ROP مته PDC و تأثیر مقاومت سنگ بر ضرایب مدل مطلع شد؟

چکیده

شرایط فعلی قیمت پایین نفت، تأکید بر بهینه‌سازی حفاری را به منظور صرفه‌جویی در زمان حفاری چاه‌های نفت و گاز و کاهش هزینه‌های عملیاتی، مجدداً افزایش داده است. مدل‌سازی نرخ نفوذ (ROP) ابزاری کلیدی در بهینه‌سازی پارامترهای حفاری، یعنی وزن مته و سرعت چرخشی برای فرآیندهای حفاری سریع‌تر است. این کار با استفاده از یک ابزار جدید و تمام خودکار تجسم داده‌ها و مدل‌سازی ROP که در Excel VBA، ROPPlotter، توسعه داده شده است، عملکرد مدل و تأثیر مقاومت سنگ بر ضرایب مدل دو مدل مختلف PDC Bit ROP را بررسی می‌کند: Hareland and Rampersad (1994) و Motahhari et al. (2010). این دو بیت PDC مدل‌ها با یک حالت پایه، رابطه عمومی ROP که توسط بینگهام (1964) در سه سازند ماسه‌سنگی مختلف در بخش عمودی یک چاه افقی شیل باکن توسعه داده شده است، مقایسه می‌شوند. برای اولین بار، تلاشی برای جداسازی اثر مقاومت متغیر سنگ بر ضرایب مدل ROP با بررسی سنگ‌شناسی‌ها با پارامترهای حفاری مشابه انجام شده است. علاوه بر این، بحث جامعی در مورد اهمیت انتخاب محدوده‌های مناسب ضرایب مدل انجام شده است. مقاومت سنگ، که در مدل‌های هارلند و مطهری در نظر گرفته شده اما در مدل‌های بینگهام در نظر گرفته نشده است، منجر به مقادیر بالاتر ضرایب مدل ضریب ثابت برای مدل‌های قبلی، علاوه بر افزایش توان عبارت RPM برای مدل مطهری می‌شود. نشان داده شده است که مدل هارلند و رامپرساد با این مجموعه داده خاص، بهترین عملکرد را از بین سه مدل دارد. اثربخشی و کاربرد مدل‌سازی ROP سنتی زیر سوال می‌رود، زیرا چنین مدل‌هایی به مجموعه‌ای از ضرایب تجربی متکی هستند که تأثیر بسیاری از عوامل حفاری را که در فرمول‌بندی مدل در نظر گرفته نشده‌اند، در بر می‌گیرند و منحصر به یک سنگ‌شناسی خاص هستند.

مقدمه

مته‌های PDC (چندبلوری الماس فشرده) نوع مته غالب مورد استفاده در حفاری چاه‌های نفت و گاز امروزی هستند. عملکرد مته معمولاً با نرخ نفوذ (ROP) اندازه‌گیری می‌شود، که نشان دهنده سرعت حفاری چاه بر حسب طول سوراخ حفر شده در واحد زمان است. بهینه‌سازی حفاری دهه‌هاست که در صدر برنامه‌های شرکت‌های انرژی قرار دارد و در شرایط فعلی قیمت پایین نفت اهمیت بیشتری پیدا می‌کند (Hareland and Rampersad, 1994). اولین قدم در بهینه‌سازی پارامترهای حفاری برای تولید بهترین ROP ممکن، توسعه یک مدل دقیق است که اندازه‌گیری‌های به دست آمده در سطح را به نرخ حفاری مرتبط می‌کند.

چندین مدل ROP، از جمله مدل‌هایی که به طور خاص برای یک نوع مته خاص توسعه داده شده‌اند، در مقالات منتشر شده‌اند. این مدل‌های ROP معمولاً شامل 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 نحوه پاسخ ضرایب مدل به داده‌های میدانی با پارامترهای حفاری متغیر، به ویژه مقاومت سنگ، برای دو ...بیت PDC مدل‌های (Hareland and Rampersad, 1994; Motahhari et al., 2010). ضرایب و عملکرد مدل همچنین با یک مدل ROP حالت پایه (Bingham, 1964) مقایسه می‌شوند، یک رابطه ساده که به عنوان اولین مدل ROP به طور گسترده در سراسر صنعت استفاده شد و هنوز هم در حال استفاده است. داده‌های میدان حفاری در سه سازند ماسه‌سنگی با مقاومت‌های مختلف سنگ بررسی شده و ضرایب مدل برای این سه مدل محاسبه و با یکدیگر مقایسه می‌شوند. فرض بر این است که ضرایب مدل‌های Hareland و Motahhari در هر سازند سنگی، محدوده وسیع‌تری نسبت به ضرایب مدل Bingham را پوشش می‌دهند، زیرا مقاومت متغیر سنگ به طور صریح در فرمول‌بندی 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 انعطاف‌ناپذیری هستند که چند پارامتر حفاری را به نرخ حفاری مرتبط می‌کنند و شامل مجموعه‌ای از ضرایب تجربی هستند که تأثیر مکانیسم‌های حفاری که مدل‌سازی آنها دشوار است، مانند هیدرولیک، برهمکنش سنگ-چاه، طراحی مته، ویژگی‌های مونتاژ ته چاه، نوع گل و تمیز کردن چاه را ترکیب می‌کنند. اگرچه این مدل‌های سنتی ROP عموماً در مقایسه با داده‌های میدانی عملکرد خوبی ندارند، اما سنگ بنای مهمی برای تکنیک‌های مدل‌سازی جدیدتر فراهم می‌کنند. مدل‌های مدرن، قدرتمندتر و مبتنی بر آمار با انعطاف‌پذیری بیشتر می‌توانند دقت مدل‌سازی ROP را بهبود بخشند. گاندلمن (2012) با استفاده از شبکه‌های عصبی مصنوعی به جای مدل‌های سنتی ROP در چاه‌های نفت در حوضه‌های پیش نمکی فراساحلی برزیل، بهبود قابل توجهی در مدل‌سازی ROP گزارش کرده است. شبکه‌های عصبی مصنوعی همچنین با موفقیت برای پیش‌بینی ROP در آثار بیلگسو و همکاران (1997)، موران و همکاران (2010) و اسماعیلی و همکاران (2012) مورد استفاده قرار گرفته‌اند. با این حال، چنین پیشرفتی در مدل‌سازی ROP به قیمت تفسیرپذیری مدل تمام می‌شود. بنابراین، مدل‌های سنتی ROP هنوز هم مرتبط هستند و روشی مؤثر برای تحلیل چگونگی تأثیر یک پارامتر حفاری خاص بر نرخ نفوذ ارائه می‌دهند.

ROPPlotter، یک نرم‌افزار تجسم داده‌های میدانی و مدل‌سازی ROP که در Microsoft Excel VBA (Soares، ۲۰۱۵) توسعه یافته است، در محاسبه ضرایب مدل و مقایسه عملکرد مدل به کار گرفته می‌شود.