Оценка эффективности внедрения технологических решений по повышению качества крепления скважин, разработанных на основе цифровых технологий

Обложка

Цитировать

Полный текст

Аннотация

В статье показан процесс формирования мероприятий на основе цифровых технологий с целью повышения качества цементирования скважин на месторождениях Западной Сибири. Выявлена и решена проблема, связанная с низким качеством входной информации, за счет привлечения нескольких независимых источников. Обоснована экономическая эффективность разработанных методов сокращения трудозатрат на сбор данных для моделирования с использованием алгоритмов машинного обучения. Приведены перспективы сокращения затрат на проведение ремонтно-изоляционных работ в случае внедрения разработанных решений. Представлена ключевая информация по сформированным гипотезам и целям реализации каждой из них. Описана методика анализа результатов опытно-промышленных работ с использованием различных математических алгоритмов. Дана оценка эффективности разработанных решений путем сравнения результатов цементирования опытных скважин и скважин, построенных по базовой технологии. В качестве обобщающего результата приведена динамика роста качества цементирования на месторождениях Западной Сибири. На основе собранной опытной информации скорректированы решения, которые повторно внедряются для окончательной оценки эффективности.

Об авторах

Д. В. Шаляпин

Тюменский индустриальный университет»; Филиал ООО «ЛУКОЙЛ-Инжиниринг» «КогалымНИПИнефть»

Email: Denis.Shalyapin@lukoil.com

Д. Л. Бакиров

ООО «ЛУКОЙЛ-Инжиниринг»

В. Г. Кузнецов

Тюменский индустриальный университет»

Список литературы

  1. Оптимизация технико-технологических решений для строительства сложнопрофильных скважин / Д. Л. Бакиров, Э. В. Бабушкин, В. А. Бурдыга. – doi: 10.30713/0207-2351-2019-8(608)-39-44. – Текст : непосредственный // Нефтепромысловое дело. – 2019. – № 8 (608). – С. 39–44.
  2. Оптимизация затрат на бурение и обустройство месторождения в условиях геологической неопределенности / Д. Л. Бакиров, М. М. Фаттахов, Я. И. Баранников. – doi: 10.30713/0130-3872-2018-10-22-28. – Текст : непосредственный // Строительство нефтяных и газовых скважин на суше и на море. – 2018. – № 10. – С. 22–28.
  3. Галкин, В. И. Статистическое моделирование расширяющегося тампонажного состава / В. И. Галкин, А. А. Куницких. – doi: 10.15593/2224-9923/2017.3.2. – Текст : непосредственный // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. – 2017. – Т. 16, № 3. – С. 215–224.
  4. Development and Characterization of Smart Cement for Real Time Monitoring of Ultra-Deepwater Oil Well Cementing Applications / C. Vipulanandan, R. Krishnamoorti, R. Saravanan. – Text : electronic // Offshore Technology Conference, Texas, USA, 5–8 May, 2014. – URL: https://doi.org/10.4043/25099-MS. – Published: May, 05, 2014.
  5. Application of Machine Learning to accidents detection at directional drilling / E. Gurina, N. Klyuchnikov, A. Zaytsev. – Text : electronic // Journal of Petroleum Science and Engineering. – 2020. – Vol. 184. – URL: https://doi.org/10.1016/j.petrol.2019.106519.
  6. Machine Learning as New Approach for Dogleg Severity Prediction / A. Fakhrylgayanov, A. A. J. Soh, A. Osman. – Text : electronic // SPE/IADC Middle East Drilling Technology Conference and Exhibition, Abu Dhabi, UAE, 25–27 May, 2021. – URL: https://doi.org/10.2118/202160-MS.
  7. Using Drilling and Logging Data for Developing 1D Mechanical Earth Model for a Mature Oil Field to Predict and Mitigate Wellbore Stability Challenges / M. Afsari, M. Amani, S. M. Razmgir// International Oil and Gas Conference and Exhibition in China, Beijing, China, 8–10 June, 2010. – URL: https://doi.org/10.2118/132187-MS. – Published: June, 08, 2010.
  8. Совершенствование методики анализа данных по креплению скважин / Д. В. Шаляпин, Д. Л. Бакиров, М. М. Фаттахов, В. Г. Кузнецов. – doi: 10.33285/0130-3872-2022-5(353)-36-39.– Текст : непосредственный // Строительство нефтяных и газовых скважин на суше и на море. – 2022. – № 5 (353). – С. 36–39.
  9. Применение методов машинного обучения для повышения качества крепления скважин / Д. В. Шаляпин, Д. Л. Бакиров, М. М. Фаттахов. – doi: 10.31660/0445-0108-2020-5-81-93. – Текст : непосредственный // Известия высших учебных заведений. Нефть и газ. – 2020. – № 5. – С. 81–93.
  10. Исследование фактической информации по креплению скважин с применением машинного обучения и нейронных сетей / Д. В. Шаляпин, Д. Л. Бакиров, М. М. Фаттахов. – doi: 10.31660/0445-0108-2021-3-108-119. – Текст : непосредственный // Известия высших учебных заведений. Нефть и газ. – 2021. – № 3 (147). – С. 108–119.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).