Tidlig kick deteksjon og utvikling av en simulator for generering av data for maskinlæringsformål

Abstract

En av de mest skadelige hendelsene med hensyn til sikkerhet, økonomiske tap og miljø skader som kan oppstå under boring er en utblåsing som skyldes et kick som oppnås av en ukontrollert tilstrømning av formasjonsvæske / gass. Utblåsningen er et resultat av at tilstrømningen bygger seg opp over en lengre periode uten å lukke BOP, der boreleder fullstendig mister kontrollen over brønnen. En avgjørende faktor for å redusere dette problemet er derfor å identifisere tilstrømningen tidlig og starte prosedyrer for å sirkulere tilstrømningen ut av brønnen. Selv om det er betydelig kunnskap om oppførselen til flere boreparametere før og under å få et kick, er dette ikke lett å oppdage i alle hendelser for en boreleder eller ved alarm. Flere faktorer kan bidra til å gjemme dette kicket, som f.eks. oppløsning i oljebasert gjørme, forbigående strømninger og dårlig kvalitet på sensorutstyr. Imidlertid viser de raske fremskrittene innen maskinlæringsteknologi som brukes i oljen og gassindustrien et stort potensiale for å anvende kunstig intelligens for tidlig tilstrømning og tap detektering. Teknologien viser lovende resultater i flere tilfeller, men er for tiden i tidlige utviklingsstadier.

I denne oppgaven ble det utviklet en simulator for å generere data for tilfeldige kick i en brønn for å generere opplærings- og testsett for maskinlæringsalgoritmer. Her var målet å generere tilfeldige data for hver simulering ettersom volumet og tidspunktet for tilstrømningen er hentet fra en tilfeldig uniform fordeling. Videre vil dette generere et unikt resultat for hver kjøring, noe som gjør det passende for å generere flere datasett som brukes til både opplæring og testing av maskinlæringsmodeller. Simulatoren er basert på typiske fysiske og matematiske aspekter av hvordan tilstrømningen påvirker flere overflateparametere under boring. Det er likevel begrenset til noen forutsetninger for forenkling og mangel av realistiske støynivåer. Disse blir sett på som nødvendige å implementere før man bruker datasettene til maskinlæringsalgoritmer.

Resultatene viser at simulatoren er effektiv i å generere en stor datamengde, som er nødvendig i opplæring av maskinlæringsmodeller. I tillegg viser simulatoren seg å være fleksibel gjennom to presenterte casestudier, som i begge tilfeller gir resultater som sammenfaller med forventede resultater basert på de fysiske aspektene av simulatoren.

One of the most harmful incidents with regards to safety, economic losses, and environmental damages that can happen during drilling is a blow-out resulting from a kick obtained by an uncontrolled influx of formation fluid/gas. The blow-out is a result of the influx building up over a substantial amount of time without closing the BOP, where the driller completely loses control of the well. A crucial factor to mitigate this problem is therefore to identify the influx at an early stage, and start procedures to circulate the influx out of the well. Although there is substantial knowledge of several drilling parameter’s behavior before and during obtaining a kick, this is not easy to detect in all incidents for a driller or by the alarm. Several factors can contribute to hide this kick, such as dissolution into oil based mud, transient flows, and poor quality of sensor equipment. However, the rapid advancements of machine learning technology used in the oil and gas industry shows a great potential of applying artificial intelligence for early influx and loss detection. The technology shows promising results in several cases, but is currently at the early stages of development.

In this thesis a simulator was developed for generating data of random influxes into a well in order to generate training and testing sets for machine learning algorithms. Here, the aim was to generate random data for each simulation as the volume and timing of the influx is drawn from a random distribution. Furthermore, this will generate a unique result for each run, making it fitting for generating several data sets used for both training and testing of machine learning models. The simulator is based on typical physical and mathematical aspects of how influxes impacts several surface parameters. It is still however limited to some assumptions for simplification and the lack of realistic noise levels. These implementations are seen as necessary before applying the data sets to machine learning algorithms.

The results show that the simulator is effective in generating a large quantity of data, which is necessary in training machine learning models. Additionally, the simulator proves to be flexible through two presented case studies, which in both cases provide results coinciding with the expected results based on the physical aspects of the event.