Prediksjon av trykk i brønner under boreoperasjoner ved bruk av maskinlæringsteknikker

Abstract

Denne avhandlingen undersøker bruken av maskinlæring (ML)-algoritmer for prediksjon av trykkstigning og trykksenkning under boring i olje- og gassektoren. Disse trykkene er avgjørende for å opprettholde brønnstabilitet og unngå alvorlige farer, og har tradisjonelt utgjort betydelige utfordringer for prediksjon. Nylig har innføringen av teknologi med kabelført borestreng muliggjort sanntidsdataoverføring med høy oppløsning, og dette åpner for verdifulle muligheter for ML-applikasjoner. Formålet med oppgaven er å utnytte disse dataene for å utvikle modeller som nøyaktig kan predikere tre ulike trykk langs borestrengen, og dermed forbedre sikkerheten og effektiviteten i boreoperasjonene.

To ulike typer ML-modeller ble utviklet og evaluert: Feed-Forward Neural Networks (FFNN) og Long Short-Term Memory (LSTM)-nettverk. Resultatene indikerer at begge modellene var vellykkede i å predikere trykkene, men det var merkbart avvik. Begge modellene presterte bedre på et testdatasett som lignet treningsdatasettet, i motsetning til nye og ukjente datasett fra bortetrekking. Overraskende nok presterte FFNN-modellen bedre enn LSTM-modellen, til tross for forventninger om at LSTM skulle være bedre til å fange opp tidsmessige avhengigheter. Dette kan muligens tilskrives LSTM-modellens sensitivitet for avvik introdusert av manglende data, og dermed dens utfordring med å få en helhetlig forståelse av dataens underliggende sammenhenger.

Disse funnene viser potensialet til ML-algoritmer, spesielt FFNN, for å predikere trykkstigning og trykksenkning under boreoperasjoner. Likevel understreker resultatene også viktigheten av datakvalitet og variasjon i treningsfasen for å sikre effektiv læring og nøyaktig prediksjon i ulike scenarier.

This thesis investigates the application of machine learning (ML) algorithms for the prediction of surge and swab pressures in drilling operations in the oil and gas sector. These pressures, critical for maintaining wellbore stability and avoiding serious hazards, have traditionally posed significant prediction challenges. Recently, the advent of wired drill pipe technology has facilitated real-time, high-resolution data transmission, presenting a valuable opportunity for ML applications. The purpose of this study is to leverage this data in creating models that can accurately predict three different pressures along the drill string, thus enhancing the safety and efficiency of drilling operations.

Two different types of ML models were developed and evaluated: Feed-Forward Neural Networks (FFNN) and Long Short-Term Memory (LSTM) networks. Results indicate that, while both models were successful in predicting pressures, there was notable deviation. Both models performed better on a test dataset that closely resembled the training dataset as opposed to new, unseen tripping data. Surprisingly, the FFNN model outperformed the LSTM model, despite initial expectations of LSTM’s superior ability to capture temporal dependencies. This can potentially be attributed to the LSTM’s sensitivity to inconsistencies introduced by missing samples and, thus, its struggle to gain a comprehensive understanding of the data’s underlying connections.

These findings demonstrate the potential of ML algorithms, particularly FFNNs, for predicting surge and swab pressures in drilling operations. However, the results also emphasize the importance of data quality and diversity in the training phase to ensure effective learning and accurate prediction across various scenarios.